量化因子与构建方式 1. 因子名称：日内高频偏度因子 - 构建思路：通过捕捉股票日内收益分布的偏度特征来选股[4][10] - 具体构建过程：计算日内收益率的三阶矩，公式为： $Skew = \frac{E[(r-\mu)^3]}{\sigma^3}$ 其中，( r )为日内收益率，( \mu )为均值，( \sigma )为标准差[10] - 评价：历史IC为0.027，2025年IC提升至0.057，多头端稳定性较好[6] 2. 因子名称：日内下行波动占比因子 - 构建思路：衡量下行波动在总波动中的占比，反映风险不对称性[4][13] - 具体构建过程：计算下行波动与总波动的比值： $DownVolRatio = \frac{\sum_{r_t<0}(r_t-\mu)^2}{\sum(r_t-\mu)^2}$[13] - 评价：2025年多空收益达11.63%，但近期表现较弱[6] 3. 因子名称：开盘后买入意愿占比因子 - 构建思路：统计开盘后买方主动成交占比，捕捉资金流向[4][19] - 具体构建过程：计算开盘30分钟内买方成交额占比： $BuyRatio = \frac{V_{buy}}{V_{total}}$[19] - 评价：2025年周胜率达15/20，多头超额收益显著[7] 4. 因子名称：改进GRU(50,2)+NN(10)因子 - 构建思路：结合门控循环单元(GRU)和神经网络(NN)的深度学习模型[4][59] - 具体构建过程：使用50天历史数据输入GRU层，2层隐藏层后接10层全连接NN[59] - 评价：2025年多空收益17.68%，但多头超额收益为负[9] 5. 因子名称：多颗粒度模型-5日标签因子 - 构建思路：基于双向AGRU训练的多时间颗粒度预测模型[61][64] - 具体构建过程：融合5日收益率标签数据训练，输出股票排序[64] - 评价：2025年多空收益28.3%，表现最优[9] 因子回测效果 | 因子名称 | IC(2025) | 多空收益(2025YTD) | 多头超额收益(2025YTD) | 周胜率(2025) | |------------------------------|----------|-------------------|-----------------------|--------------| | 日内高频偏度因子 | 0.057 | 14.17% | 3.26% | 13/20 | | 开盘后大单净买入占比因子 | 0.034 | 12.01% | 6.26% | 16/20 | | 改进GRU(50,2)+NN(10)因子 | 0.039 | 17.68% | -2.08% | 18/20 | | 多颗粒度模型-10日标签因子 | 0.067 | 26.67% | 9.41% | 16/20 | 量化模型与构建方式 1. 模型名称：中证500 AI增强宽约束组合 - 构建思路：基于多颗粒度模型因子，叠加宽泛风险约束[67][68] - 具体构建过程：目标函数为： $max\sum\mu_{i}w_{i}$ 约束条件包括个股权重≤1%、行业偏离≤1%、换手率约束等[68] - 评价：严约束组合2025年超额收益3.53%，回撤控制更优[74][79] 模型回测效果 | 模型名称 | 上周收益 | 5月收益 | 2025YTD收益 | 周胜率 | |------------------------------|----------|---------|-------------|--------| | 中证1000 AI增强严约束组合 | 1.16% | 2.33% | 10.89% | 14/20 | | 中证500 AI增强宽约束组合 | 1.17% | 2.29% | 6.18% | 13/20 |