多维择时模型的拆解与重构

摘要： 本报告旨在对 A 股多维择时体系进行系统性拆解与重构，通过“单指标收益拆解→多维合成→路径优选”的思路，构建一套从离散信号升级为连续得分的打分模型，以提升 A 股市场的择时稳定性与实战能力。

核心观点：
研究构建了三种打分模型（A_1、A_2、B），其中路径优选模型 B 表现最优，其日频最优夏普比率达 1.72，年度正收益概率为 100%。该模型通过限制指标仅在其擅长的场景（追高、抄底、追空、逃顶）中发挥作用，显著提升了对市场拐点和趋势的识别精度。

论据支撑：

1. 因子体系：构建了涵盖估值、情绪、资金、技术四大类共 26 个底层因子，并投票合成为 12 个子维度。
2. 模型演进：模型 A_1 采用分层等权合成；模型 A_2 跳过维度聚合直接对子维度取均值，减少信息压缩；模型 B 在每条子路径中仅选取夏普前 8 的适用子维度进行合成。
3. 场景验证：在典型场景回测中，模型 B 的拐点识别率（61.8%）和趋势主导率（80%）均优于 A_1 和 A_2，且在 2020 年疫情冲击等极端行情中展现出更好的预判能力。

局限性/风险：
量化模型基于历史规律挖掘，若未来市场环境发生变化，策略可能失效；且模型 B 因纳入较多全样本信息进行优化，存在一定的过拟合风险。