量化因子与构建方式 1. 因子名称：Barra风格因子 - 构建思路：基于多因子模型框架，通过市值、估值、动量等维度刻画股票风险收益特征[13][29] - 具体构建过程： 1. BETA因子：计算个股相对市场的敏感度 $\text{BETA} = \frac{\text{Cov}(r_i, r_m)}{\text{Var}(r_m)}$ 其中$r_i$为个股收益，$r_m$为市场收益 2. 残差波动率因子：衡量个股非系统性风险 $\text{Residual Vol} = \sqrt{\frac{\sum_{t=1}^T \epsilon_t^2}{T-1}}$ $\epsilon_t$为回归残差 3. 动量因子：过去12个月收益率剔除最近1个月（11-1动量）[29] - 因子评价：BETA因子近期表现稳健，残差波动率因子在低波动市场环境有效性较高 2. 因子名称：巨潮风格因子 - 构建思路：通过价值/成长、大盘/小盘维度划分风格象限[31][34] - 具体构建过程： - 小盘成长因子：筛选市值后30%且ROE增速前30%股票 - 大盘价值因子：筛选市值前30%且PB分位数后30%股票 - 因子评价：小盘成长因子近期超额收益显著，但波动较大[34] 因子回测效果 1. Barra风格因子 - BETA因子：周收益率0.27%，年化夏普比2.03[29] - 残差波动率因子：周收益率0.12%，年化夏普比-3.27[29] - 动量因子：周收益率0.05%，年化夏普比3.82[29] 2. 巨潮风格因子 - 小盘成长因子：近1年夏普比1.83，最大回撤16.41%[34] - 大盘价值因子：近1年夏普比1.68，最大回撤9.99%[34] 量化模型与构建方式 1. 模型名称：超额收益率监测模型 - 构建思路：通过滚动窗口计算中小盘指数相对沪深300的超额收益[89] - 具体构建过程： $\text{超额收益} = \frac{\prod_{t=1}^{20}(1+r_{中小盘,t})}{\prod_{t=1}^{20}(1+r_{HS300,t})} - 1$ 采用20日滚动窗口计算中证500/1000/2000相对收益[89] - 模型评价：对市场风格切换有领先指示作用 2. 模型名称：期权情绪监测模型 - 构建思路：通过认购认沽比(CPR)捕捉衍生品市场情绪[93] - 具体构建过程： $\text{CPR} = \frac{\text{认购期权持仓量}}{\text{认沽期权持仓量}}$ 计算中证1000/沪深300ETF/中证500ETF期权CPR[92] - 模型评价：情绪极端值时具有反转预测能力 模型回测效果 1. 超额收益率监测模型 - 中证1000超额收益：3.85%（80.9%分位）[89] - 中证2000超额收益：4.15%（72.0%分位）[89] 2. 期权情绪监测模型 - 中证1000期权CPR：1.08（17.28%分位）[93] - 沪深300ETF期权CPR：1.12（48.28%分位）[93] 复合因子 1. 因子名称：交易拥挤度因子 - 构建思路：结合成交额占比与波动率识别过热板块[114] - 具体构建过程： $\text{拥挤度} = \frac{\text{行业成交额占比}}{\text{近3年分位数}} \times \text{波动率Z值}$ 应用于TMT和小微盘板块监测[114] - 因子评价：在板块轮动中具有风险预警作用