根据研报内容，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. 模型名称：ADWM（基于门控机制的自适应动态因子加权模型） - 构建思路：通过门控机制动态调整因子权重，提升模型对不同市场环境的适应性[5] - 具体构建过程： 1. 输入层接收多因子暴露矩阵 2. 门控单元计算动态权重：$w_t = \sigma(W_g \cdot [f_{t-1}, x_t] + b_g)$ 3. 加权输出：$y_t = w_t \odot (W_f \cdot x_t)$ 4. 损失函数采用夏普比率最大化 - 模型评价：有效解决因子权重固化问题，但需警惕过拟合风险 2. 模型名称：DFQ-FactorVAE-pro - 构建思路：在FactorVAE基础上加入特征选择与环境变量模块，提升因子鲁棒性[5] - 具体构建过程： 1. 通过变分自编码器提取潜在因子 2. 环境感知模块：$z_e = MLP(concat(macro_t, sector_t))$ 3. 动态特征选择：$attn = softmax(MLP(z_e \odot z_{latent}))$ 风格因子构建 1. 因子名称：Certainty - 构建思路：衡量股票确定性程度[9][12] - 具体构建： - 公募持仓比例（Instholder Pct） - 分析师覆盖度（Cov）：对市值正交化 - 上市天数（Listdays） - 评价：防御性因子，熊市表现突出 2. 因子名称：Cubic Size - 构建思路：捕捉市值非线性效应[12] - 具体构建：$(log(mktcap))^3$ 3. 因子名称：Trend - 构建思路：量价趋势强度[12] - 具体构建： - Trend_120：$EWMA(20)/EWMA(120)$ - Trend_240：$EWMA(20)/EWMA(240)$ 量化因子库（部分） | 类别 | 典型因子 | 构建方式 | |------------|--------------------------|--------------------------------------------------------------------------| | 估值 | BP | 净资产/总市值[16] | | 成长 | SUE | （实际净利-预期净利）/预期净利标准差[16] | | 流动性 | 非流动性冲击 | 过去20日涨跌幅绝对值/成交额的均值[16] | | 动量 | UMR | 风险调整后的动量（1/3/6/12个月窗口）[16] | | 机构行为 | 公募持股市值 | 半年报/年报中主动股基持仓市值[16] | 回测效果 风格因子表现 | 因子 | 近一周 | 近一月 | 年化IR | |-------------|----------|----------|---------| | Certainty | 2.52%[11]| 4.48%[11]| 3.39%[11]| | Liquidity | 2.02%[11]| -8.96%[11]| -3.68%[11]| | Cubic Size | -3.29%[11]| -3.88%[11]| -26.31%[11]| 选股因子表现（中证800） | 因子 | 近一周 | 近一月 | 年化IR | |---------------------|----------|----------|---------| | 非流动性冲击 | 1.68%[26]| 3.29%[26]| -0.01%[26]| | 三个月反转 | 0.76%[26]| 0.74%[26]| 0.11%[26]| | 预期EPTTM | -1.62%[26]| -0.79%[26]| 4.06%[26]| 指数增强产品表现 | 指数 | 超额收益中位数（近一周） | 头部产品案例 | |------------|--------------------------|-----------------------------| | 沪深300 | -0.39%[45] | 国金沪深300增强A(1.18%)[47]| | 中证500 | -0.38%[49] | 汇添富中证500增强A(1.08%)[51]| | 中证1000 | 0.05%[53] | 博道中证1000增强A(1.51%)[53]| 组合构建方法 MFE组合优化模型： $\begin{array}{ll}max&f^{T}w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\end{array}$ - 控制行业暴露为0，市值暴露为0[58] - 个股权重偏离限制1%[58] - 换手率约束通过线性规划实现[54]