根据研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 Barra风格因子 1. 因子名称：Beta[15] * 因子构建思路：衡量股票相对于市场的系统性风险[15] * 因子具体构建过程：使用历史数据计算股票的历史Beta值[15] 2. 因子名称：市值[15] * 因子构建思路：反映公司规模大小[15] * 因子具体构建过程：对公司的总市值取自然对数[15] $因子值 = \ln(总市值)$ 3. 因子名称：动量[15] * 因子构建思路：捕捉股票价格的趋势效应[15] * 因子具体构建过程：计算股票历史超额收益率序列的均值[15] 4. 因子名称：波动[15] * 因子构建思路：衡量股票价格的历史波动程度[15] * 因子具体构建过程：通过加权组合三种不同的波动率指标来构建[15] $因子值 = 0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$ 5. 因子名称：非线性市值[15] * 因子构建思路：捕捉市值因子的非线性效应[15] * 因子具体构建过程：对市值风格因子进行三次方运算[15] $因子值 = (市值因子)^3$ 6. 因子名称：估值[15] * 因子构建思路：衡量股票的估值水平[15] * 因子具体构建过程：使用市净率的倒数作为估值因子[15] $因子值 = \frac{1}{市净率}$ 7. 因子名称：流动性[15] * 因子构建思路：反映股票的换手活跃度，即交易流动性[15] * 因子具体构建过程：通过加权不同时间窗口的换手率来构建[15] $因子值 = 0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$ 8. 因子名称：盈利[15] * 因子构建思路：衡量公司的盈利能力[15] * 因子具体构建过程：综合多种盈利相关指标进行加权计算[15] $因子值 = 0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率TTM倒数$ 9. 因子名称：成长[15] * 因子构建思路：评估公司的成长性[15] * 因子具体构建过程：综合多种增长类指标进行加权计算[15] $因子值 = 0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$ 10. 因子名称：杠杆[15] * 因子构建思路：衡量公司的财务杠杆水平[15] * 因子具体构建过程：综合多种杠杆率指标进行加权计算[15] $因子值 = 0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$ 技术类因子 1. 因子名称：120日波动[21][24][27][31] * 因子构建思路：衡量股票基于120日历史数据的波动率，通常作为反向因子[21][24][27][31] * 因子具体构建过程：计算过去120个交易日的价格波动率[21][24][27][31] 2. 因子名称：60日波动[21][24][27][31] * 因子构建思路：衡量股票基于60日历史数据的波动率，通常作为反向因子[21][24][27][31] * 因子具体构建过程：计算过去60个交易日的价格波动率[21][24][27][31] 3. 因子名称：20日波动[21][24][27][31] * 因子构建思路：衡量股票基于20日历史数据的波动率，通常作为反向因子[21][24][27][31] * 因子具体构建过程：计算过去20个交易日的价格波动率[21][24][27][31] 4. 因子名称：20日动量[21][24][27][31] * 因子构建思路：捕捉股票基于20日历史数据的价格趋势，在不同股池中方向不同（全市场、中证1000为反向；沪深300、中证500为正向）[21][24][27][31] * 因子具体构建过程：计算过去20个交易日的价格动量[21][24][27][31] 5. 因子名称：60日动量[21][24][27][31] * 因子构建思路：捕捉股票基于60日历史数据的价格趋势，通常作为反向因子[21][24][27][31] * 因子具体构建过程：计算过去60个交易日的价格动量[21][24][27][31] 6. 因子名称：120日动量[21][24][27][31] * 因子构建思路：捕捉股票基于120日历史数据的价格趋势，在不同股池中方向不同（全市场为反向；沪深300、中证500为正向）[21][24][27][31] * 因子具体构建过程：计算过去120个交易日的价格动量[21][24][27][31] 7. 因子名称：中位数离差[21][24][27][31] * 因子构建思路：衡量股票价格相对于市场中位数的偏离程度，通常作为反向因子[21][24][27][31] * 因子具体构建过程：计算股票价格与市场整体价格中位数的偏离度[21][24][27][31] 基本面因子（列举自不同股池） 1. 因子名称：ROC增长[23] * 因子构建思路：衡量公司的资本回报率增长情况，作为正向因子[23] * 因子具体构建过程：计算资本回报率（ROC）的增长指标[23] 2. 因子名称：市销率[23] * 因子构建思路：衡量股票的估值水平，作为反向因子[23] * 因子具体构建过程：使用市销率指标[23] 3. 因子名称：ROA超预期增长[23] * 因子构建思路：衡量公司总资产回报率（ROA）的超预期增长情况，作为正向因子[23] * 因子具体构建过程：计算ROA的超预期增长指标[23] 4. 因子名称：营业利润超预期增长[23] * 因子构建思路：衡量公司营业利润的超预期增长情况，作为正向因子[23] * 因子具体构建过程：计算营业利润的超预期增长指标[23] 5. 因子名称：ROC[23] * 因子构建思路：衡量公司的资本回报率水平，作为反向因子[23] * 因子具体构建过程：计算资本回报率（ROC）指标[23] 6. 因子名称：营业周转率[23] * 因子构建思路：衡量公司的营运效率，作为反向因子[23] * 因子具体构建过程：计算营业周转率指标[23] 7. 因子名称：ROC超预期增长[23] * 因子构建思路：衡量公司资本回报率（ROC）的超预期增长情况，作为正向因子[23] * 因子具体构建过程：计算ROC的超预期增长指标[23] 8. 因子名称：市盈率[23] * 因子构建思路：衡量股票的估值水平，作为反向因子[23] * 因子具体构建过程：使用市盈率指标[23] 9. 因子名称：ROA增长[23] * 因子构建思路：衡量公司总资产回报率（ROA）的增长情况，作为正向因子[23] * 因子具体构建过程：计算ROA的增长指标[23] 10. 因子名称：营业利润增长[23] * 因子构建思路：衡量公司营业利润的增长情况，作为正向因子[23] * 因子具体构建过程：计算营业利润的增长指标[23] 11. 因子名称：净利润超预期增长[23] * 因子构建思路：衡量公司净利润的超预期增长情况，作为正向因子[23] * 因子具体构建过程：计算净利润的超预期增长指标[23] 12. 因子名称：ROA[23] * 因子构建思路：衡量公司的总资产回报率水平，作为反向因子[23] * 因子具体构建过程：计算总资产回报率（ROA）指标[23] 13. 因子名称：营业利润率[23] * 因子构建思路：衡量公司的盈利能力，作为反向因子[23] * 因子具体构建过程：计算营业利润率指标[23] GRU模型因子 1. 因子名称：GRU因子（barra1d模型）[4][20][22][25][26][28][29] * 因子构建思路：使用GRU神经网络模型，结合Barra风格因子及短期（1天）市场数据构建的合成因子[4][20][22][25][26][28][29] * 因子具体构建过程：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于Barra因子和日频数据（1d）[4][20][22][25][26][28][29] 2. 因子名称：GRU因子（barra5d模型）[4][8][20][22][25][26][28][29][33] * 因子构建思路：使用GRU神经网络模型，结合Barra风格因子及稍长周期（5天）市场数据构建的合成因子[4][8][20][22][25][26][28][29][33] * 因子具体构建过程：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于Barra因子和5天数据（5d）[4][8][20][22][25][26][28][29][33] 3. 因子名称：GRU因子（open1d模型）[4][20][22][25][26][28][29][34] * 因子构建思路：使用GRU神经网络模型，结合开盘价等短期（1天）市场数据构建的合成因子[4][20][22][25][26][28][29][34] * 因子具体构建过程：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于开盘价（open）和日频数据（1d）[4][20][22][25][26][28][29][34] 4. 因子名称：GRU因子（close1d模型）[4][20][22][25][26][28][29][34] * 因子构建思路：使用GRU神经网络模型，结合收盘价等短期（1天）市场数据构建的合成因子[4][20][22][25][26][28][29][34] * 因子具体构建过程：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于收盘价（close）和日频数据（1d）[4][20][22][25][26][28][29][34] 多因子组合 1. 模型/因子名称：多因子组合[8][33][34] * 模型/因子构建思路：将多个因子进行组合，构建综合选股模型[8][33][34] * 模型/因子具体构建过程：报告未详细说明具体包含哪些因子以及组合权重确定方法[8][33][34] 因子的回测效果 Barra风格因子多空收益表现（全市场股池）[17] | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 市值 | -3.55% | -5.76% | -15.19% | -39.59% | -41.82% | -34.39% | | 非线性市值 | 3.47% | -6.71% | -15.01% | -34.67% | -39.36% | -30.87% | | 估值 | 2.62% | 5.07% | 3.99% | 6.18% | 14.66% | 15.43% | | 盈利 | 1.99% | 2.35% | -10.59% | 14.48% | 4.57% | 1.20% | | 杠杆 | -1.04% | 3.55% | -7.04% | 17.65% | 8.42% | 2.62% | | 波动 | 1.03% | 4.94% | -11.49% | 5.13% | 8.33% | -11.03% | | 成长 | 0.08% | 0.53% | 2.20% | 0.89% | 19.14% | 4.10% | | 动量 | 1.01% | -5.58% | -17.92% | 11.71% | 17.92% | 15.59% | | 流动性 | 2.40% | -7.26% | -4.57% | 8.50% | -19.41% | -25.17% | | beta | 4.58% | -6.52% | 13.16% | 30.92% | 12.22% | 10.49% | 技术类因子多空收益表现（全市场股池）[21] | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 120日波动 | 0.47% | -5.55% | -2.67% | 14.03% | -4.62% | 9.26% | | 60日波动 | 1.02% | -5.14% | 0.02% | 9.74% | -8.22% | -11.84% | | 20日动量 | 1.22% | -4.96% | -1.05% | -11.47% | -12.50% | -12.68% | | 60日动量 | 1.30% | -5.34% | -6.33% | -6.59% | -13.41% | -15.85% | | 20日波动 | 1.32% | -6.19% | 2.22% | 10.11% | -6.85% | -11.77% | | 中位数离差 | 1.64% | -5.89% | -5.51% | 5.44% | -13.85% | -14.17% | | 120日动量 | 1.81% | -2.83% | -11.64% | 3.84% | -15.76% | -13.79% | 多头组合近期超额收益（相对中证1000指数）[34] | 策略/因子名称 | 近一周 | 近一月 | 近三月 | 近六月 | 今年以来 | | :--- | :--- | :--- | :--- | :--- | :--- | | open1d (GRU) | -0.02% | 1.65% | -1.43% | 1.74% | 6.16% | | close1d (GRU) | -0.07% | 2.18% | -3.97% | 0.79% | 2.92% | | barra1d (GRU) | -0.08% | -0.18% | 1.90% | 2.76% | 5.37% | | barra5d (GRU) | 0.27% | 3.14% | -2.73% | 1.68% | 5.91% | | 多因子组合 | 0.04% | 3.19% | -1.74% | -0.47% | 1.71% |