量化因子与构建方式 1. 因子名称：基本面负向剔除因子 - 构建思路：通过复合SUE、SUE_Rev、营收同比增长率3个基本面因子的空头效应，筛选出表现最差的个股[22][23] - 具体构建过程： 1. 对SUE、SUE_Rev、营收同比增长率分别在全A范围内排序，取因子值最低的20%作为空头组合 2. 将3个因子的空头组合等权复合，形成复合因子 3. 计算空头组合相对于科创板全样本等权组合的年化超额收益 - 因子评价：空头效应显著，年化超额收益-6.75%，统计显著[23] 2. 因子名称：市场关联度因子 - 构建思路：利用个股与科创综指的收益关联性衡量风险溢价，高关联度个股预期收益更高[24][26] - 具体构建过程： 1. 对个股过去12个月月收益率与科创综指收益率进行线性回归 2. 提取回归系数作为因子值 3. 按因子值将股票等分5组，计算各组超额收益 $\text{市场关联度因子} = \beta_{i} \quad \text{（回归系数）}$ - 因子评价：月均IC 2.5%，分组单调性显著[26][27] 3. 因子名称：改进动量因子 - 构建思路：结合板块涨跌筛选有效动量信号，并引入下行风险调整[29][32] - 具体构建过程： 1. 筛选过去3个月同板块平均收益为正的交易日 2. 计算这些交易日个股日超额收益的20%分位点作为因子值 $\text{改进动量因子} = \text{分位数}(R_{i,t}, 20\%)$ 3. 正交化处理（剔除市值、估值、行业影响）[33] - 因子评价：原始月均IC 3.91%，正交后IC 2.64%，统计显著[30][33] 4. 因子名称：改进反转因子 - 构建思路：剔除开盘后半小时噪音，捕捉更纯净的反转效应[12][14] - 具体构建过程： 1. 计算剔除开盘半小时涨幅后的个股日收益率 2. 统计历史反转效应IC及分组收益 - 因子评价：月均IC -0.03，年化多空收益超10%[12] --- 量化模型与构建方式 1. 模型名称：多因子Top100组合 - 构建思路：综合IC显著且单调性优的因子构建复合因子，选取得分最高个股[36][39] - 具体构建过程： 1. 剔除市值<20亿元的股票 2. 复合因子得分前100只股票，市值加权（单股权重上限10%） 3. 扣除交易成本后回测 - 模型评价：年化超额22.8%，信息比2.27，月胜率74%[39][40] 2. 模型名称：线性优化组合 - 构建思路：在风控约束下优化组合权重[41][42] - 具体构建过程： 1. 约束条件：个股偏离1%、行业偏离5%、Beta/动量偏离0.5 2. 线性规划求解最优权重 - 模型评价：年化超额10.2%，信息比2.0，波动率更低[42] 3. 模型名称：复合组合（核心-卫星策略） - 构建思路：平衡Top100组合与优化组合的风险收益[43][44] - 具体构建过程：月度再平衡，20%权重分配Top100组合，80%分配优化组合 - 模型评价：年化超额12.7%，信息比2.25，稳定性高[44] --- 因子回测效果 1. 基本面负向剔除因子：年化超额收益-6.75%，月胜率32%[23] 2. 市场关联度因子：月均IC 2.5%，月胜率58%[26][27] 3. 改进动量因子：原始月均IC 3.91%，正交后IC 2.64%[30][33] 4. 改进反转因子：月均IC -0.03，年化多空收益10%+[12] 模型回测效果 1. Top100组合：年化超额22.8%，IR 2.27，最大回撤6.3%[39][40] 2. 线性优化组合：年化超额10.2%，IR 2.0，年化跟踪误差6.0%[42] 3. 复合组合：年化超额12.7%，IR 2.25，月胜率70%[44]