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两种域，并运用各自适用性因子进行增强，以提升组合表现[42] 模型具体构建过程： - 将宽基指数内的股票根据研报覆盖度划分为高覆盖度域和低覆盖度域 - 针对不同域分别选用适合的因子进行增强 - 通过优化组合权重，构建增强指数组合 模型评价：该模型在不同宽基指数内均表现出较好的超额收益能力，且通过因子适配提升了模型的稳定性和收益率[42] --- 量化因子与构建方式 盈利因子 1. 因子名称：盈利因子 因子的构建思路：通过盈利相关指标（如ROA、ROE、净利润增长等）衡量企业盈利能力，并以此作为选股依据[35][36] 因子具体构建过程： - 计算单季度ROA同比差值、单季度ROE同比差值等盈利指标 - 对因子进行市值和行业中性化处理 - 在宽基指数内选取盈利因子方向下前1/5组股票作为多头组合 因子评价：盈利因子在不同时间维度、宽基指数和行业板块中均表现较好，尤其在小市值股票中超额收益更高[35][36] 2. 因子名称：一致预测因子 因子的构建思路：基于市场一致预期的盈利预测变化，捕捉市场对公司未来盈利能力的预期变化[35][36] 因子具体构建过程： - 计算一致预测指标的变化率，如：(当前一致预测dps_FY1 - 3个月前一致预测dps_FY1)/3个月前一致预测dps_FY1绝对值 - 对因子进行市值和行业中性化处理 - 在宽基指数内选取一致预测因子方向下前1/5组股票作为多头组合 因子评价：一致预测因子在盈利预测变化较大的情况下表现尤为突出，且在小市值股票中超额收益更高[35][36] 行为因子 1. 因子名称：行为因子 因子的构建思路：通过市场行为数据（如资金流、换手率等）捕捉投资者行为模式，挖掘潜在的Alpha信号[39] 因子具体构建过程： - 计算资金流相关指标，如融资净买入-融券净买入、主动大单资金净流入等 - 对因子进行市值和行业中性化处理 - 在宽基指数内选取行为因子方向下前1/5组股票作为多头组合 因子评价：行为因子在金融、消费、科技等板块中表现较好，胜率较高[39] --- 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-0.10%，1月超额收益2.50%，本年超额收益2.50% - 中证500增强组合：上周超额收益0.42%，1月超额收益0.32%，本年超额收益0.32% - 中证1000增强组合：上周超额收益0.98%，1月超额收益1.64%，本年超额收益1.64%[42][46] --- 因子的回测效果 1. 盈利因子 - 近一周多头超额收益：评级上下调差/评级上下调和1.13%，市盈率倒数fy1 0.99%，30天一致预期目标价格/收盘价-1 0.99%[36] - 不同宽基指数下表现：单季度ROA同比差值在沪深300、中证500、中证1000、国证2000中的多头超额收益分别为2.62%、2.43%、2.62%、2.53%[38] 2. 一致预测因子 - 近一周多头超额收益：(当前一致预测dps_FY1 - 3个月前一致预测dps_FY1)/3个月前一致预测dps_FY1绝对值1.11%，(当前一致预测dps_FY1 - 1个月前一致预测dps_FY1)/1个月前一致预测dps_FY1绝对值1.01%[36] - 不同宽基指数下表现：评级上下调差/评级上下调和在沪深300、中证500、中证1000、国证2000中的多头超额收益分别为0.75%、2.26%、2.94%、3.48%[38] 3. 行为因子 - 在金融、消费、科技等板块中表现较好，胜率较高[39]