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[6] - 模型具体构建过程：未详细描述 2. 模型名称：DFQ-FactorVAE-pro - 模型构建思路：加入特征选择与环境变量模块的FactorVAE模型[6] - 模型具体构建过程：未详细描述 3. 模型名称：Neural ODE - 模型构建思路：时序动力系统重构下深度学习因子挖掘模型[6] - 模型具体构建过程：未详细描述 量化因子与构建方式 1. 因子名称：Beta风格因子 - 因子构建思路：衡量股票对市场波动的敏感性，基于贝叶斯压缩后的市场Beta[16] - 因子具体构建过程：$Beta = \text{贝叶斯压缩后的市场Beta}$[16] - 因子评价：近期表现突出，市场对高Beta股票偏好稳定[11][13] 2. 因子名称：UMR因子（一个月UMR） - 因子构建思路：风险调整后的动量因子，基于一个月窗口计算[21] - 因子具体构建过程：未详细描述 - 因子评价：在中证全指样本空间中表现最佳[47] 3. 因子名称：DELTAROA - 因子构建思路：单季总资产收益率同比变化[21] - 因子具体构建过程：$DELTAROA = \text{单季总资产收益率} - \text{去年同期总资产收益率}$[21] - 因子评价：在中证1000样本空间中表现最佳[36] 4. 因子名称：非流动性冲击 - 因子构建思路：衡量股票流动性风险，基于过去20个交易日日度涨跌幅绝对值比成交额的均值[21] - 因子具体构建过程：$ILLIQ\_1M = \frac{\sum_{t=1}^{20} |r_t|}{V_t}$[21] - 因子评价：在国证2000样本空间中表现最佳[39] 5. 因子名称：预期PEG - 因子构建思路：一致预期滚动PE与个股滚动净利复合增长率的比值[21] - 因子具体构建过程：$TTM\_FPEG = \frac{\text{一致预期滚动PE}}{\text{个股滚动净利复合增长率}}$[21] - 因子评价：在沪深300样本空间中表现最佳[24] 6. 因子名称：一年动量 - 因子构建思路：剔除近1个月的过去一年涨跌幅[21] - 因子具体构建过程：$MOMENTUM\_1Y = \sum_{t=2}^{12} r_t$[21] - 因子评价：在中证500样本空间中表现最佳[28] 模型的回测效果 1. DFQ-FactorGCL模型：未提供具体回测数据 2. DFQ-FactorVAE-pro模型：未提供具体回测数据 3. Neural ODE模型：未提供具体回测数据 因子的回测效果 1. Beta风格因子： - 近一周收益：0.88%[13] - 近一月收益：5.18%[13] - 今年以来收益：21.07%[13] 2. 一个月UMR因子： - 近一周收益：1.82%[47] - 近一月收益：1.49%[47] - 今年以来收益：6.19%[47] 3. DELTAROA因子： - 近一周收益：0.63%[36] - 近一月收益：1.57%[36] - 今年以来收益：8.06%[36] 4. 非流动性冲击因子： - 近一周收益：1.26%[39] - 近一月收益：1.99%[39] - 今年以来收益：12.11%[39] 5. 预期PEG因子： - 近一周收益：0.75%[24] - 近一月收益：2.07%[24] - 今年以来收益：7.23%[24] 6. 一年动量因子： - 近一周收益：0.84%[28] - 近一月收益：2.33%[28] - 今年以来收益：3.83%[28] 附录 - MFE组合构建方式：通过线性规划最大化单因子暴露，控制行业、风格等约束[63] - 目标函数：$max\ f^{T}w$[63] - 约束条件：风格偏离、行业偏离、换手率等[63]