量化模型与构建方式 1. 模型名称：DFQ-FactorVAE-pro - 模型构建思路：在FactorVAE模型基础上加入特征选择与环境变量模块，提升因子选股能力[5] - 模型具体构建过程： 1. 特征选择模块通过LASSO回归筛选有效因子： $\min_{\beta} \left( \|Y - X\beta\|_2^2 + \lambda \|\beta\|_1 \right)$ 其中$Y$为收益，$X$为因子矩阵，$\lambda$为惩罚系数 2. 环境变量模块引入宏观经济指标（如PMI、利率）作为条件变量 3. 通过变分自编码器(VAE)学习因子非线性关系： $\mathcal{L} = \mathbb{E}_{q(z|x)}[\log p(x|z)] - \beta D_{KL}(q(z|x)\|p(z))$ - 模型评价：相比传统FactorVAE，在因子稳定性和环境适应性上有显著提升 量化因子与构建方式 1. 因子名称：3个月盈利上下调 - 构建思路：反映分析师对盈利预期的调整方向与幅度[6][22] - 具体构建： $\text{因子值} = \frac{\text{上调家数} - \text{下调家数}}{\text{覆盖机构总数}} \times \text{调整幅度标准化值}$ 其中调整幅度使用过去3个月EPS预测变化率的Z-score 2. 因子名称：UMR（风险调整后动量） - 构建思路：结合动量效应与波动率调整[19] - 具体构建： - 计算窗口期（1/3/6/12个月）收益率 - 除以同期波动率： $\text{UMR} = \frac{r_t}{\sigma_t} \times \sqrt{T}$ $T$为时间周期调整系数 3. 因子名称：DELTAROA - 构建思路：捕捉资产收益率边际变化[22][29] - 具体构建： $\text{DELTAROA} = \frac{\text{本期ROA} - \text{去年同期ROA}}{\text{资产规模}}$ 4. 因子名称：特异度（IVR_1M） - 构建思路：衡量个股收益脱离市场共同因素的程度[19] - 具体构建： $\text{IVR} = 1 - R^2_{\text{FF3}}$ 其中$R^2_{\text{FF3}}$为Fama-French三因子模型拟合度 因子回测效果 沪深300样本空间 1. 3个月盈利上下调： - 最近一周：0.76% - 近一年年化：5.38% - IR：0.84[22] 2. 六个月UMR： - 最近一月：1.56% - 历史年化：5.37% - 最大回撤：3.2%[22] 中证500样本空间 1. 一个月UMR： - 最近一周：1.16% - 今年以来：2.37% - 近十年趋势：5.61%[25] 2. 特异度： - 最近一月：-1.73% - 信息比率：0.48[25] 中证1000样本空间 1. 一个月换手： - 最近一周：1.89% - 近一年年化：13.64% - 胜率：68%[32] 2. 标准化预期外收入： - 最近一月：1.20% - 历史年化：5.70%[32] 模型回测效果 1. DFQ-FactorVAE-pro： - 中证800增强年化超额：7.2% - 最大回撤：4.5% - 月度胜率：73%[5] 组合构建方法 1. MFE组合优化模型： - 目标函数：最大化因子暴露$f^Tw$ - 关键约束： - 风格暴露$s_l \leq X(w-w_b) \leq s_h$ - 行业中性$h_l \leq H(w-w_b) \leq h_h$ - 换手率$\Sigma|w-w_0| \leq to_h$[56] - 优化方法：线性规划求解