量化模型与构建方式 1. 模型名称：市值分域的线性回归模型 - 模型构建思路：通过市值分组加权回归方法构建复合因子，适配不同市值选股域的表现差异[7] - 模型具体构建过程： 1. 将全市场股票按市值对数分为11组（KMedian聚类） 2. 采用分组加权回归，权重公式： $w_{i}=w_{b a s e}+(1-w_{b a s e})*|i-I|/n$ 其中： - (w_{base})为最小权数（取0.9、0.5、0三种情况） - (n=11)为分组数 - (I)为最大权重分组（从1到11循环测试） 3. 对5类子因子（分红、ROE_SUE、日度量价、高频量价、复合因子）分别采用OLS回归系数IR加权复合[7][10] 2. 模型名称：风格因子加权复合模型 - 模型构建思路：基于市值、估值、价值-成长指标、行业等多风格因子聚类加权，提升因子在不同风格域的适应性[98] - 模型具体构建过程： 1. 对5类风格因子（市值、市值三次方、估值、价值-成长指标、行业）进行曼哈顿距离聚类，分为11组 2. 价值-成长指标计算： - 价值指标：分析师一致预期市盈率+市净率+市销率+市现率+预期分红 - 成长指标：盈利增长+历史市值增长率+利润增长率+净现金流增长率+营收增长率 - 最终指标为两者相减[98] 3. 行业合并为TMT、上游、中游、消费、金融、综合六类，跨类时曼哈顿距离贡献为聚类数[98] 4. 采用与市值分域类似的交叉复合加权方法构建因子 --- 量化因子与构建方式 1. 因子名称：分红因子 - 因子构建思路：结合股息率与分红虚拟变量，反映基本面分红能力[10] - 因子具体构建过程：由股息率因子与是否有分红的虚拟变量线性回归复合[10] 2. 因子名称：ROE_SUE因子 - 因子构建思路：综合ROE和SUE指标，反映盈利质量与增长[10] - 因子具体构建过程：由ROE、SUE及对应的虚拟变量线性回归复合[10] 3. 因子名称：日度量价因子 - 因子构建思路：捕捉短期量价特征[10] - 因子具体构建过程：由换手率、反转、特质波动、非流动性四个因子复合[10] 4. 因子名称：高频量价因子 - 因子构建思路：利用高频数据捕捉微观结构信号[10] - 因子具体构建过程：由10个手工高频因子复合（具体因子未列明）[10] --- 模型的回测效果 1. 市值分域线性回归模型（全市场测试，2017.01-2025.07） - IC：0.057（等权）→0.058（base_w=0.5）[8][9] - Rank MAE：1.090（等权）→1.089（base_w=0.5）[8][9] - 多空收益：1.07%（等权）→1.08%（base_w=0.9）[11] - 多头收益：0.33%（等权）→0.31%（base_w=0）[11] 2. 风格因子加权模型（沪深300增强，严约束） - 年化超额收益：5.83%（等权）→7.36%（base_w=0交叉复合）[103] - IR：0.804（等权）→0.901（base_w=0交叉复合）[103] - 最大回撤：14.99%（等权）→16.33%（base_w=0交叉复合）[103] --- 因子的回测效果 1. 分红因子（全市场IC，2017.01-2025.07） - IC：0.006（等权）→0.007（base_w=0）[13][14] 2. ROE_SUE因子（全市场IC） - IC：0.020（等权）→0.021（base_w=0.5）[15][16] 3. 日度量价因子（全市场IC） - IC：0.042（等权）→0.044（base_w=0）[17][18] 4. 高频量价因子（全市场IC） - IC：0.035（等权）→0.037（base_w=0.5）[19][20] --- 关键结论 - 市值加权效果： - 沪深300增强中，极端大市值加权（base_w=0）提升年化超额1%以上[49][97] - 中证500增强中，base_w=0.5交叉复合效果最佳（年化超额15.06%）[92] - 风格因子加权局限性：对中证1000增强效果不显著，仅严约束组合年化提升1%[132][141]