量化模型与构建方式 1. 模型名称：DFQ-FactorGCL 模型构建思路：基于超图卷积神经网络和时间残差对比学习的股票收益预测模型[7] 模型具体构建过程：通过超图卷积网络捕捉股票间非线性关系，结合时间残差模块学习时序动态特征，最后通过对比学习优化因子表征。目标函数为最小化预测收益与真实收益的残差。 2. 模型名称：Neural ODE 模型构建思路：时序动力系统重构下的深度学习因子挖掘模型[7] 模型具体构建过程：利用神经常微分方程（Neural ODE）建模因子动态演化过程，通过连续时间序列的隐状态更新捕捉因子非线性变化。公式为： $\frac{dh(t)}{dt} = f_\theta(h(t), t)$ 其中 $h(t)$ 为隐状态，$f_\theta$ 为神经网络参数化的动力系统。 --- 量化因子与构建方式 1. 因子名称：标准化预期外收入（SUR） 因子构建思路：衡量营收超预期程度，反映公司基本面意外变化[20] 因子具体构建过程： $SUR = \frac{\text{单季实际营收} - \text{预期营收}}{\text{预期营收标准差}}$ 因子评价：在中证500、中证800等样本空间中近期表现突出[26][30] 2. 因子名称：DELTAROA 因子构建思路：单季总资产收益率同比变化，捕捉盈利能力改善[20] 因子具体构建过程： $DELTAROA = ROA_{t} - ROA_{t-4}$ 因子评价：在国证2000样本中近期多空收益达1.90%[38] 3. 因子名称：特异度（IVR_1M） 因子构建思路：Fama-French三因子模型残差，反映个股特异性风险[20] 因子具体构建过程： $IVR = 1 - R^2 \quad \text{(FF3回归拟合度)}$ 4. 因子名称：MFE组合构建 因子构建思路：最大化单因子暴露的组合优化方法[62] 因子具体构建过程：通过线性规划求解以下约束优化问题： $\begin{array}{ll} \max & f^{T}w \\ s.t. & X(w-w_{b}) \in [s_l, s_h] \\ & H(w-w_{b}) \in [h_l, h_h] \end{array}$ --- 模型的回测效果 1. DFQ-FactorGCL模型：未披露具体指标[7] 2. Neural ODE模型：未披露具体指标[7] --- 因子的回测效果 1. 标准化预期外收入（SUR）： - 中证500：近一周收益1.43%，近一年年化12.83%[27] - 中证800：近一周收益1.36%，历史年化4.46%[31] 2. DELTAROA： - 国证2000：近一周收益1.90%，近一年年化27.67%[39] 3. 特异度（IVR_1M）： - 沪深300：近一周收益-0.85%，历史年化0.32%[23] 4. 单季ROA： - 沪深300：近一周收益1.12%，历史年化3.53%[23] 5. 三个月波动： - 中证1000：近一周收益-1.05%，近一年年化-5.02%[35] --- 风格因子表现 1. Beta风格：近一周收益2.29%，历史年化0.89%[13] 2. Value风格：近一周收益-2.47%，历史年化6.96%[13] 3. Trend风格：近一周收益1.12%，历史年化14.31%[13] --- 指数增强产品表现 1. 沪深300增强： - 近一周超额收益中位数0.21%，头部产品易方达沪深300增强A（1.67%）[52] 2. 中证500增强： - 近一周超额收益中位数0.24%，头部产品华泰柏瑞中证500增强A（1.13%）[56] 3. 中证1000增强： - 近一周超额收益中位数0.24%，头部产品国联安中证1000增强A（1.11%）[59]