量化模型与因子分析总结 量化因子与构建方式 风格因子 1. Cubic size因子 构建思路：市值幂次项因子，捕捉市值非线性效应[12] 评价：本周表现最佳(1.66%)，显示小盘股受关注度提升[9] 2. Value因子 构建思路：基于账面市值比(BP)和盈利收益率(EP)的价值投资策略[12] 评价：本周收益1.61%，价值策略认可度回升[9] 3. Size因子 构建思路：总市值对数作为规模因子[12] 评价：本周收益0.61%，小盘效应有所恢复[9] 4. Trend因子 构建思路：使用EWMA(半衰期20天)/EWMA(半衰期120天和240天)计算趋势强度[12] 评价：本周表现最差(-1.54%)，趋势策略持续走弱[9] 5. Volatility因子 构建思路：包含243天标准波动率、FF3特质波动率、价格区间等指标[12] 评价：本周收益-1.05%，高波动股票需求下降[9] 基本面因子 1. 3个月盈利上下调因子 构建思路：跟踪分析师对盈利预期的调整[16] 评价：中证全指中表现最佳(1.69%)，预测能力强[40] 2. 预期PEG因子 构建思路：一致预期滚动PE/滚动净利复合增长率[16] 评价：多指数中表现优异，中证800收益1.10%[27] 3. 分析师认可度因子 构建思路：(认可业绩分析师数-不认可数)/覆盖分析师数[16] 评价：沪深300中表现突出(1.06%)[18] 4. 盈余公告跳空因子 构建思路：计算盈余公告次日开盘/最低价超额收益[16] 评价：中证500中收益1.01%，事件驱动效应显著[23] 因子回测效果 风格因子表现 | 因子名称 | 近一周 | 近一月 | 今年以来 | 历史年化 | |---------|-------|-------|---------|---------| | Cubic size | 1.66% | -4.56% | -19.92% | -26.32%[11] | | Value | 1.61% | 4.46% | -0.72% | 7.86%[11] | | Trend | -1.54% | -1.87% | -7.81% | 13.99%[11] | 沪深300因子表现 | 因子名称 | 近一周 | 近一月 | 历史年化 | |---------|-------|-------|---------| | 3个月盈利上下调 | 1.11% | 1.16% | 4.61%[19] | | 分析师认可度 | 1.06% | 1.03% | 3.25%[19] | | 三个月反转 | -0.66% | -0.61% | -0.15%[27] | 中证500因子表现 | 因子名称 | 近一周 | 近一月 | 历史年化 | |---------|-------|-------|---------| | 盈余公告跳空 | 1.01% | 0.57% | 6.83%[23] | | 预期PEG | 0.69% | -0.73% | 2.00%[23] | | 特异度 | -0.21% | -1.83% | 1.98%[23] | 中证1000因子表现 | 因子名称 | 近一周 | 近一月 | 历史年化 | |---------|-------|-------|---------| | 预期ROE环比 | 1.54% | 2.61% | 3.02%[31] | | 一个月换手 | 0.48% | 3.34% | 7.52%[31] | | 三个月反转 | -0.93% | -0.52% | -0.97%[31] | 组合构建方法 1. MFE组合构建模型 采用线性规划优化模型，目标函数为最大化单因子暴露： $max\ f^{T}w$ 约束条件包括风格暴露、行业偏离、个股权重限制等[54] 2. 约束条件 - 风格暴露约束：$s_{l}\leq X(w-w_{b})\leq s_{h}$ - 行业偏离约束：$h_{l}\leq H(w-w_{b})\leq h_{h}$ - 换手率约束：$\Sigma|w-w_{0}|\leq to_{h}$[54] 3. 参数设置 控制行业暴露为0，市值风格暴露为0，个股最大偏离权重1%[58]