量化因子与构建方式 1. 因子名称：优加换手率 UTR 因子 - 因子的构建思路：通过结合量小因子（Turn20）和量稳因子（STR），采用“优加法”对因子进行构造，旨在解决“1+1<2”的问题，即在量稳的样本中，量小因子反而越大越好[5] - 因子具体构建过程： 1. 每月月底，计算所有股票的量小因子（Turn20）和量稳因子（STR）[5] 2. 按照量稳因子从小到大排序，打分为1, 2, ……, N，N为样本数量，记为“得分1”[5] 3. 对于量稳因子排名前50%的样本，按照量小因子从大到小排序，打分为1, 2, ……, N/2，记为“得分2”；最终得分为“得分1+得分2”[5] 4. 对于量稳因子排名后50%的样本，按照量小因子从小到大排序，打分为1, 2, ……, N/2，记为“得分3”；最终得分为“得分1+得分3”[5] 5. 最终构造的因子命名为“优加换手率因子”（UTR）[5] - 因子评价：通过优加法实现了在量稳样本中量小因子作用方向的优化，解决了传统因子结合中的不足[5] 2. 因子名称：优加换手率 UTR2.0 因子 - 因子的构建思路：在UTR因子的基础上，将因子值的使用从次序尺度改为等比尺度，并引入神经网络中的激活函数（softsign）作为量小因子的系数，以更好地反映量小因子对收益率的作用[6] - 因子具体构建过程： 1. 将量小因子（Turn20）和量稳因子（STR）结合，公式如下： $\mathrm{UTR2.0}=\mathrm{STR}+s o f t s i g n(\mathrm{STR})\cdot\mathrm{Turn20}$ 其中，$s o f t s i g n(x)=\frac{x}{1+|x|}$[6] 2. softsign函数的引入使得量小因子的作用方向和强度能够根据量稳因子的值动态调整：量越稳，正作用越强；量越不稳，负作用越强[6] - 因子评价：UTR2.0因子在收益率略有下降的情况下，显著提升了波动率、信息比率和月度胜率，优化了因子的整体表现[6] --- 因子的回测效果 1. 优加换手率 UTR 因子 - 年化收益率：未提供具体值 - 年化波动率：未提供具体值 - 信息比率（IR）：未提供具体值 - 月度胜率：未提供具体值 - 最大回撤率：未提供具体值 2. 优加换手率 UTR2.0 因子 - 年化收益率：40.28%[6][11] - 年化波动率：15.08%[6][11] - 信息比率（IR）：2.67[6][11] - 月度胜率：75.22%[6][11] - 最大回撤率：11.03%[6][11] 3. 2024年11月单月表现（UTR2.0因子） - 多头组合收益率：8.57%[9] - 空头组合收益率：-1.14%[9] - 多空对冲收益率：9.71%[9]