量化模型与构建方式 1. 模型名称：因子协方差矩阵模型 - 模型构建思路：通过多因子模型，将股票协方差矩阵分解为因子协方差矩阵和股票特质风险矩阵的结合，从而实现对股票组合风险的准确预测[1] - 模型具体构建过程： 1. 使用多因子模型对股票收益进行分解，公式为： $R_i = \sum_{j=1}^k F_j \beta_{ij} + \epsilon_i$ 其中，$R_i$ 为股票 $i$ 的收益，$F_j$ 为因子 $j$ 的收益，$\beta_{ij}$ 为因子 $j$ 在股票 $i$ 上的暴露度，$\epsilon_i$ 为股票 $i$ 的特质收益[1] 2. 根据因子收益和因子暴露度，构建因子协方差矩阵 $\Sigma_F$ 和特质风险矩阵 $\Sigma_{\epsilon}$[1] 3. 最终股票协方差矩阵 $\Sigma_R$ 的估计公式为： $\Sigma_R = B \Sigma_F B^T + \Sigma_{\epsilon}$ 其中，$B$ 为因子暴露矩阵，$\Sigma_F$ 为因子协方差矩阵，$\Sigma_{\epsilon}$ 为特质风险矩阵[1] --- 量化因子与构建方式 1. 因子名称：市值因子 - 因子的构建思路：通过股票市值的大小来衡量其风格特征，通常分为大市值和小市值两种风格[1][2] - 因子具体构建过程： 1. 计算每只股票的总市值 $MV_i$ 2. 对股票池中的所有股票按市值从大到小排序，构建市值因子暴露度 $\beta_{MV}$，公式为： $\beta_{MV} = \text{log}(MV_i)$ 其中，$MV_i$ 为股票 $i$ 的市值[1][2] 2. 因子名称：波动率因子 - 因子的构建思路：通过股票收益的历史波动率来衡量其风险特征[1][2] - 因子具体构建过程： 1. 计算股票 $i$ 在过去 $n$ 天的收益率 $R_i$ 2. 计算收益率的标准差 $\sigma_i$，公式为： $\sigma_i = \sqrt{\frac{1}{n-1} \sum_{t=1}^n (R_{i,t} - \bar{R}_i)^2}$ 其中，$R_{i,t}$ 为股票 $i$ 在 $t$ 日的收益率，$\bar{R}_i$ 为股票 $i$ 的平均收益率[1][2] 3. 因子名称：流动性因子 - 因子的构建思路：通过股票的交易量和换手率来衡量其流动性特征[1][2] - 因子具体构建过程： 1. 计算股票 $i$ 的日均成交量 $V_i$ 和日均换手率 $T_i$ 2. 构建流动性因子暴露度 $\beta_{LIQ}$，公式为： $\beta_{LIQ} = \frac{V_i}{MV_i}$ 其中，$V_i$ 为股票 $i$ 的成交量，$MV_i$ 为股票 $i$ 的市值[1][2] 4. 因子名称：价值因子 - 因子的构建思路：通过股票的基本面估值指标（如市盈率、市净率等）来衡量其价值特征[2] - 因子具体构建过程： 1. 计算股票 $i$ 的市盈率 $PE_i$ 和市净率 $PB_i$ 2. 构建价值因子暴露度 $\beta_{VAL}$，公式为： $\beta_{VAL} = \frac{1}{PE_i} + \frac{1}{PB_i}$ 其中，$PE_i$ 为股票 $i$ 的市盈率，$PB_i$ 为股票 $i$ 的市净率[2] --- 因子的回测效果 1. 市值因子 - 上周：贡献了基金重仓指数的-0.50%超额收益和55.79%的超额风险；贡献了微盘股指数的2.57%超额收益和83.84%的超额风险[2] - 本年：贡献了基金重仓指数的2.16%超额收益和51.88%的超额风险；贡献了微盘股指数的-11.14%超额收益和90.38%的超额风险[2] 2. 波动率因子 - 上周：贡献了基金重仓指数的-0.06%超额收益和13.90%的超额风险；贡献了中证红利指数的-0.74%超额收益和79.76%的超额风险；贡献了微盘股指数的0.35%超额收益和9.09%的超额风险[2] - 本年：贡献了基金重仓指数的1.64%超额收益和12.34%的超额风险；贡献了中证红利指数的-8.90%超额收益和63.26%的超额风险；贡献了微盘股指数的10.20%超额收益和4.89%的超额风险[2] 3. 流动性因子 - 上周：贡献了中证红利指数的0.24%超额收益[2] 4. 价值因子 - 上周：贡献了中证红利指数的7.29%的超额风险[2] - 本年：贡献了中证红利指数的5.62%超额收益和8.57%的超额风险[2]