根据提供的研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. 因子名称：无形资产因子(INT) - 构建思路：替代传统投资因子以提升资产定价模型的解释力[10] - 具体构建过程：通过量化企业无形资产（如专利、品牌价值等）对收益的影响，重构五因子模型。公式未明确给出，但文献提到其显著提升模型对异象的解释力[10] - 因子评价：有效捕捉传统因子未覆盖的价值驱动因素 2. 因子名称：高频部分可观测因子模型(POFM) - 构建思路：同步处理可观测因子与潜在因子以提升拟合优度[15] - 具体构建过程： - 开发鲁棒估计方法（抗跳跃/噪声/异步数据） - 首创高频无监督外生成分学习框架(HF-UECL)，量化可观测因子对潜在因子的贡献 - 实证验证潜在因子在残差中的必要性及显-隐因子相关性[15] - 因子评价：突破传统高频因子模型的线性假设局限 3. 因子名称：新闻分歧度因子 - 构建思路：基于成交量-波动率弹性衡量投资者分歧[11] - 具体构建过程： - 计算新闻事件后的成交量变化率与波动率变化的弹性系数 - 公式：$\text{Divergence} = \frac{\Delta \log(\text{Volume})}{\Delta \log(\text{Volatility})}$ - 负向信号筛选（低弹性股票预示未来超额收益）[11] - 因子评价：符合行为金融理论中的过度反应机制 4. 因子名称：碳风险因子 - 构建思路：量化企业碳转型风险对股票收益的影响[41] - 具体构建过程： - 构建行业调整后的碳排放强度指标 - 通过Fama-MacBeth回归验证其定价能力 - 污染重/大市值企业敏感度更高[41] - 因子评价：在双碳政策背景下具有持续有效性 量化模型与构建方式 1. 模型名称：调整后PIN模型(AdjPIN) - 构建思路：解决传统PIN模型数值不稳定性问题[11] - 具体构建过程： - 采用对数似然分解技术 - 智能初始值算法避免局部最优 - 公式：$\text{AdjPIN} = \frac{\alpha \mu}{\alpha \mu + \epsilon_b + \epsilon_s}$ 其中$\alpha$为信息事件概率，$\mu$为信息交易强度，$\epsilon$为噪声交易[11] - 模型评价：实现无偏估计且计算效率提升 2. 模型名称：HARLF分层强化学习模型 - 构建思路：整合轻量LLM情感与市场指标优化资产配置[39] - 具体构建过程： - 三层架构：基础RL层（处理原始数据）、元智能体层（融合市场情绪）、超级智能体层（战略决策） - 动态调整股票/债券/期权权重[39] - 模型评价：实现跨模态信息的高效利用 3. 模型名称：DiT-LSTM-SVAR联合预测模型 - 构建思路：结合深度学习与计量经济学方法[39] - 具体构建过程： - DiT模块预测涨跌方向（马修斯相关系数+3%） - SVAR模块识别随机游走股票 - 组合优化公式：$w^* = \arg\min_w w^T \hat{\Sigma} w \quad \text{s.t.} \quad R^T w \geq \tau$[39] - 模型评价：在保持可解释性同时提升预测精度 因子回测效果 1. INT因子 - 年化超额收益：未明确数值但提及"显著提升五因子模型解释力"[10] - IR：未披露 2. POFM高频因子 - 拟合优度提升：较传统模型提高15%-20%[15] - 因子贡献度：HF-UECL框架量化显性因子解释力达68%[15] 3. 新闻分歧度因子 - 多空组合收益：负向信号组合年化超额2.4%[11] - IC：-0.12（横截面测试）[11] 4. 碳风险因子 - 分组收益差：高碳风险组合年化低收益3.8%[41] - 风险溢价：碳排放强度每升1σ导致预期收益降0.6%[41] 模型回测效果 1. AdjPIN模型 - 估计偏差：较传统PIN降低42%[11] - 计算耗时：减少67%[11] 2. HARLF模型 - 年化收益：26%[39] - 夏普比率：1.2（超基准17%）[39] 3. DiT-LSTM-SVAR模型 - 累计收益：266.6%[39] - 夏普比率：1.8[39] 注：部分指标因原文未明确数值而省略，严格遵循同一因子/模型的指标口径一致性要求[7][8]