量化模型与构建方式 量化组合模型 1. 模型名称：基于研报覆盖度调整的指数增强模型 模型构建思路：在不同宽基指数（如沪深300、中证500、中证1000）内，根据研报覆盖度区分高覆盖度和低覆盖度域，分别选用适配的因子进行增强，以提升组合的超额收益表现[49] 模型具体构建过程： - 将宽基指数内的股票按照研报覆盖度划分为高覆盖度域和低覆盖度域 - 针对不同覆盖度域，分别选用适配的因子进行选股和权重调整 - 通过优化算法构建增强组合，目标是实现超额收益最大化 模型评价：该模型通过因子适配性提升了增强效果，表现优于统一因子选股策略[49] --- 量化因子与构建方式 动量因子 1. 因子名称：动量因子 因子的构建思路：基于股票过去一段时间的收益率，捕捉价格趋势延续性[42][43] 因子具体构建过程： - 计算股票在过去1年到1个月的收益率（$mom\_1y\_1m$） - 对收益率数据进行市值和行业中性化处理 - 按照因子方向选取前20%的股票作为多头组合 因子评价：动量因子在不同时间维度和宽基指数中表现较好，尤其在大市值股票中胜率较高[42][43] 净利润同比因子 2. 因子名称：净利润同比因子 因子的构建思路：通过衡量企业净利润的同比增长，捕捉盈利能力的变化趋势[43] 因子具体构建过程： - 计算单季度净利润同比增速（$yoy\_np\_q$） - 对数据进行市值和行业中性化处理 - 按因子方向选取前20%的股票作为多头组合 因子评价：净利润同比因子在时间维度上表现稳定，尤其在大市值股票中表现更强[43] 研发销售收入占比因子 3. 因子名称：研发销售收入占比因子 因子的构建思路：通过衡量企业研发投入占销售收入的比例，捕捉成长性和创新能力[44][45] 因子具体构建过程： - 计算研发投入占销售收入的比例（$tot\_rd\_ttm\_to\_sales$） - 对数据进行市值和行业中性化处理 - 按因子方向选取前20%的股票作为多头组合 因子评价：该因子在小市值股票中表现较好，能够有效捕捉成长性[44][45] --- 因子的回测效果 1. 动量因子 - 近一周多头超额收益：1.34% - 近一个月多头超额收益：3.68% - 近一年多头超额收益：4.19%[43] 2. 净利润同比因子 - 近一周多头超额收益：0.92% - 近一个月多头超额收益：0.89% - 近一年多头超额收益：-1.29%[43] 3. 研发销售收入占比因子 - 沪深300中的多头超额收益：2.82% - 中证500中的多头超额收益：3.40% - 中证1000中的多头超额收益：3.92% - 国证2000中的多头超额收益：4.28%[45] --- 模型的回测效果 1. 基于研报覆盖度调整的指数增强模型 - 沪深300增强组合 - 上周超额收益：-0.03% - 本月超额收益：-0.33% - 本年超额收益：10.99% - 超额年化收益率：9.99% - 超额Sharpe比率：1.48[49][50] - 中证500增强组合 - 上周超额收益：1.22% - 本月超额收益：2.50% - 本年超额收益：9.31% - 超额年化收益率：13.50% - 超额Sharpe比率：2.44[49][50] - 中证1000增强组合 - 上周超额收益：0.30% - 本月超额收益：1.45% - 本年超额收益：6.96% - 超额年化收益率：14.51% - 超额Sharpe比率：2.12[49][50]