量化模型与构建方式 （注：报告中未明确提及具体量化模型，主要聚焦于因子分析，故本部分跳过） --- 量化因子与构建方式 1. 因子名称：残差波动率 - 构建思路：通过Fama-French三因子模型回归残差的波动率衡量价格稳定性[16] - 具体构建过程： $残差波动率 = \sqrt{\frac{1}{T}\sum_{t=1}^{T}(r_t - \hat{r}_t)^2}$ 其中，$r_t$为实际收益，$\hat{r}_t$为三因子模型预测收益，方向为-1（低波动更优）[16] - 评价：反映个股价格稳定性，长期有效性较高 2. 因子名称：特异率 - 构建思路：通过1减去Fama-French三因子模型的拟合优度衡量定价特异性[16] - 具体构建过程： $特异率 = 1 - R^2$ $R^2$为回归拟合优度，方向为-1[16] 3. 因子名称：波峰 - 构建思路：基于日内1分钟成交量峰值数量衡量成交活跃度[16] - 具体构建过程：筛选成交量超过均值+1倍标准差的局部峰值，计算20日均值，方向为1[16] 4. 因子名称：每笔成交额 - 构建思路：反映大额交易意愿[16] - 具体构建过程： $每笔成交额 = \frac{总成交额}{成交笔数}$ 方向为1[16] 5. 因子名称：归母净利润1年分位 - 构建思路：标准化归母净利润的短期变化[16] - 具体构建过程： $\frac{归母净利润 - 过去8季度均值}{过去8季度标准差}$ 方向为1[16] 6. 因子名称：深度学习合成因子（ML合成） - 构建思路：整合日频、周频、分钟频、开盘模型因子信息[61] - 具体构建过程：通过神经网络模型融合不同频率量价数据，方向为1[61] - 评价：信息合成能力最强，但依赖数据频率和模型结构[61] --- 因子的回测效果 （以下为2024年数据，分组回测与风控组合口径一致） 中证800内因子表现 1. 残差波动率： - IC=11.92%，ICIR=71.50%，年化收益=14.54%，最大回撤=-4.91%，IR=2.03[24] 2. 波峰： - IC=7.96%，ICIR=55.58%，年化收益=7.91%，最大回撤=-4.18%，IR=1.19[24] 3. 每笔成交额： - IC=5.07%，ICIR=27.54%，年化收益=4.33%，最大回撤=-7.35%，IR=0.58[24] 中证1000内因子表现 1. 残差波动率： - IC=10.76%，ICIR=58.95%，年化收益=5.09%，最大回撤=-8.45%，IR=1.36[28] 2. 归母净利润1年分位： - IC=4.04%，ICIR=52.40%，年化收益=2.72%，最大回撤=-13.20%，IR=1.55[28] 3. 深度学习合成因子： - ICIR=88.58%（中证1000历史最高），IR=2.30（风控组合）[61][66] --- 因子动态分析 1. 因子衰减趋势：2010-2024年ICIR和信息比均呈下降趋势，信息比衰减更快[6][30] 2. 板块分化：2024年沪深300与中证1000因子有效性差异显著扩大（ICIR分化度+70%）[69][73] 3. 动量效应：2019年后因子动量波动加剧，与资金流入周期相关（如2022-2023年量价因子动量强）[80][81] （注：报告未提供完整模型回测结果，故模型部分未总结）