根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. 多因子模型 - 构建思路：通过综合多个因子指标构建选股模型，捕捉市场超额收益[11][17] - 具体构建过程：未明确披露因子构成，但提及采用动态加权方式整合价值、动量、质量等因子[17] - 模型评价：在震荡市中表现稳健，但对因子间相关性敏感[17] 2. 大数据驱动模型 - 构建思路：利用另类数据（如网络舆情、交易行为）构建预测模型[18][20] - 具体构建过程： 1) 数据清洗：$\text{Score}_i = \frac{x_i - \mu}{\sigma}$ 标准化处理 2) 特征工程：采用NLP技术提取文本情绪因子 3) 集成学习：XGBoost算法加权输出信号[18] - 模型评价：在短期趋势预测中有效性显著，但存在过拟合风险[20] 量化因子与构建方式 1. 动量因子 - 构建思路：捕捉资产价格延续趋势[4][12] - 具体构建过程： $\text{MOM}_{t,n} = \frac{P_t}{P_{t-n}} - 1$ 其中n=20日/60日双时间窗口[4] - 因子评价：在中证1000成分股中表现突出[4] 2. 波动率因子 - 构建思路：识别低波动个股的防御特性[12][18] - 具体构建过程： $\sigma_i = \sqrt{\frac{1}{n}\sum_{t=1}^n (r_t - \bar{r})^2}$ 采用20日滚动计算[12] 模型回测效果 | 模型名称 | 本周收益中位数 | 本月收益中位数 | 本年度收益中位数 | |------------------|----------------|----------------|------------------| | 多因子模型 | -0.79%[17] | 0.06%[17] | 6.03%[17] | | 大数据驱动模型 | -0.66%[18] | -0.27%[18] | 2.98%[18] | 因子回测效果 | 因子名称 | IC均值 | IR值 | 分位数稳定性 | |--------------|--------|--------|--------------| | 动量因子 | 0.12[4]| 1.8[4] | 75%[4] | | 波动率因子 | -0.09[12]| 0.7[12] | 62%[12] | 注：所有结果均基于2025年4月3日前推数据[3][5][12]