量化因子与构建方式 1. 因子名称：特异度 - 构建思路：衡量股票价格波动中不能被Fama-French三因子解释的部分，反映个股特异性风险[17] - 构建过程： $特异度 = 1 - R^2$ 其中$R^2$为过去20个交易日个股收益率对Fama-French三因子（市场、市值、价值）回归的拟合优度[17] - 评价：近期在多个样本空间中表现突出，尤其在沪深300和中证A500中具有稳定的正向预测能力[19][25] 2. 因子名称：EPTTM一年分位点 - 构建思路：通过动态分位数定位当前估值水平，避免静态阈值失效[17] - 构建过程：计算EPTTM（TTM净利润/总市值）在过去一年历史数据中的百分位排名[17] 3. 因子名称：三个月反转 - 构建思路：捕捉短期过度反应后的价格回调效应[17] - 构建过程：计算过去60个交易日收益率并取反向信号[17] 4. 因子名称：预期BP - 构建思路：结合分析师一致预期的动态市净率因子[17] - 构建过程：使用一致预期净资产除以总市值[17] 5. 因子名称：三个月机构覆盖 - 构建思路：反映机构关注度的变化[17] - 构建过程：统计过去3个月内覆盖该股的机构数量[17] 6. 因子名称：单季净利同比增速 - 构建思路：捕捉企业盈利能力的边际变化[17] - 构建过程： $\frac{当期单季净利润 - 去年同期单季净利润}{去年同期单季净利润}$[17] 7. 因子名称：MFE组合构建模型 - 构建思路：在控制风格和行业暴露下最大化单因子暴露[39] - 构建过程： $\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$ 其中$f$为因子向量，$w$为组合权重，$w_b$为基准权重，$X$为风格暴露矩阵，$H$为行业暴露矩阵[39][40] 因子回测效果 | 因子名称 | 最近一周 | 最近一月 | 今年以来 | 历史年化 | 样本空间 | |------------------|----------|----------|----------|----------|----------------| | 特异度 | 1.18% | 2.02% | 4.23% | 0.51% | 沪深300[19] | | 特异度 | 1.43% | 2.14% | 2.71% | 1.72% | 中证A500[25] | | EPTTM一年分位点 | 1.01% | 1.54% | 1.90% | 5.24% | 中证500[21] | | 三个月反转 | 1.10% | 2.15% | 2.59% | -0.67% | 中证1000[23] | | 预期BP | 0.99% | 1.69% | -0.10% | 3.90% | 中证500[21] | | 三个月机构覆盖 | 1.25% | 0.90% | 3.44% | 6.27% | 中证1000[23] | 模型回测效果 | 模型名称 | 本周超额 | 本年超额 | |------------------------|----------|----------| | 沪深300指数增强组合 | 0.78% | 9.31%[5] | | 中证500指数增强组合 | -0.52% | 9.90%[5] | | 中证1000指数增强组合 | 0.07% | 15.69%[5]| | 中证A500指数增强组合 | 0.26% | 9.96%[5] |