量化模型与因子总结 量化因子与构建方式 一、基本面因子 1. 一致预期变化率因子 * 因子名称：预测净利润(Y1)_chg_3m、预测净利润(Y2)_chg_3m[6] * 构建思路：分析师给出的业绩预测往往过于乐观，因此采用一致预期（如净利润）的变化率来反映分析师观点的动态调整，比绝对预测值更具预测能力[7]。 * 具体构建过程：计算未来第1年(FY1)或第2年(FY2)的预测净利润在过去3个月（或6个月）内的变化率。公式为： 其中，N为时间窗口，例如3个月或6个月[6]。 * 因子评价：净利润的一致预期变化率是预测能力较强的因子，其中FY2（未来第二年）的一致预期3个月变化率表现相对更好，多头组合的超额收益更明显[7][11]。 2. 成长基本面因子 * 因子名称：单季度:净利润环比增速、单季度:毛利率同比增速[17] * 构建思路：从企业成长性角度，选取能反映短期业绩边际改善的指标。 * 具体构建过程： * 单季度:净利润环比增速：计算最新单季度净利润相对于上一季度的增长率。 * 单季度:毛利率同比增速：计算最新单季度毛利率相对于上年同期的增长率[17]。 * 因子评价：成长基本面因子在多头组合的表现上领先更多，尤其在特定市场阶段表现突出[28]。 3. 质量基本面因子 * 因子名称：现金流净利润比[20] * 构建思路：从经营质量角度，衡量企业盈利的现金含量，现金流净利润比越高，说明利润质量越好。 * 具体构建过程：计算经营现金流净额与净利润的比值。 通常使用TTM（滚动12个月）数据[20]。 * 因子评价：该因子在质量维度中表现相对更好，对空头行业的筛选效果较强[22][28]。 4. 综合基本面因子 * 因子名称：基本面因子（未明确命名）[22] * 构建思路：综合反映行业在成长和质量维度的基本面表现。 * 具体构建过程：将成长维度的单季度净利润同比增速、单季度毛利率同比增速与质量维度的现金流净利润比三个因子进行等权合成[22]。 二、资金面因子 1. 机构资金净流入 * 因子名称：机构资金流入[37] * 构建思路：机构投资者具有信息和分析优势，其交易行为更为理性，资金流入的行业未来表现可能更好[31][34]。 * 具体构建过程：使用高频成交数据，将挂单金额大于100万元的主动成交行为定义为机构资金。计算过去20个交易日各行业的机构资金主动买入与主动卖出的净差额，作为该行业的机构资金净流入额[35][38]。 2. 散户资金净流入 * 因子名称：散户资金流入[37] * 构建思路：个人投资者易受“羊群效应”影响，其资金往往在市场泡沫期流入、底部流出，交易方向可作为负向参考指标[31][34]。 * 具体构建过程：将挂单金额小于4万元的主动成交行为定义为散户资金。计算过去20个交易日各行业的散户资金主动买入与主动卖出的净差额，作为该行业的散户资金净流入额[35][38]。 * 因子评价：散户资金净流入表现为明显的负向关系，其空头筛选能力相对更强[38][42]。 三、技术面（量价）因子 1. 传统动量因子 * 因子名称：动量_504d、动量_252d[47] * 构建思路：利用行业价格的历史趋势（动量）来预测未来走势，是行业轮动中的经典指标[46]。 * 具体构建过程：计算行业指数在过去N个交易日（如504天或252天）的累计收益率。 [47] 2. 动量加速度因子 * 因子名称：动量加速度[56] * 构建思路：在传统一阶动量的基础上，通过计算趋势的边际变化率（近似二阶导）来刻画价格趋势的强弱变化，反映投资者短期交易情绪[52]。 * 具体构建过程：对行业的超额收益曲线进行二次函数拟合，根据所得二次项系数（切线系数）来判断价格上涨或下跌的加速度[52][53]。 * 因子评价：动量加速度通过二阶导方式进一步挖掘趋势信息，长期具有较好的行业选择效果[53]。 3. 行业内趋同度因子 * 因子名称：行业内涨跌幅趋同度[74] * 构建思路：衡量同行业内个股涨跌幅的一致性。趋同度上升意味着行业上涨逻辑得到个股层面的广泛确认，可能强化趋势；反之则意味着内部分化，趋势持续性存疑[73]。 * 具体构建过程：为避免行业结构差异带来的偏误，采用趋同度的变化率而非绝对值进行分析。例如，计算当前行业内个股收益率的离散度指标（如标准差）与过去一段时间均值的比较[74]。 4. 交易拥挤度因子 * 因子名称：交易拥挤度[66] * 构建思路：衡量行业交易的活跃和过热程度。在不同市场阶段，高拥挤度的含义不同，需结合其他因子（如动量）进行分域判断[64][67]。 四、复合与分域模型 1. 多因子合成模型 * 模型名称：合成因子（传统多因子框架）[61] * 模型构建思路：将基本面、资金面、技术面等多个维度的有效因子进行线性合成，得到对行业的综合打分[63]。 * 模型具体构建过程：报告未详细说明各因子的具体权重分配方法，但展示了合成后的因子表现[61]。 2. 因子分域轮动模型 * 模型名称：基于因子分域的行业轮动模型[80] * 模型构建思路：因子的有效性并非一成不变，依赖于市场状态、行业属性等“域”条件。该模型以动量状态作为分域依据，在不同域内动态调整其他量价因子的使用逻辑，以适应结构性行情[68][75]。 * 模型具体构建过程： 1. 动量分域：每期将全部行业按历史动量排序，等分为高、中、低三组[83]。 2. 分组差异化处理： * 高动量组与低动量组：采用定向因子处理规则。例如，在低动量组，对“行业内趋同度”因子取负绝对值（即 -|D|），以惩罚趋同度偏高或偏低的行业[83]。 * 中动量组：仍按照各因子传统的IC方向进行线性合成[83]。 3. 模型整合：将上述处理结果作为量价因子的升级模块，替换原有行业轮动模型中的标准化量价部分，形成新的轮动框架[82]。 * 模型评价：相比传统多因子线性合成，分域方法能够更灵活地应对市场波动，实现更精细化的因子配置，在行业轮动加速的环境下表现更优[68][89]。 模型的回测效果 1. 多因子合成模型（传统框架） * Rank_IC: 9.89%[61] * IC_IR: 40.07%[61] * IC>0比例: 67.26%[61] * 五分组年化收益(Q1至Q5): -4.97%， 0.04%， -2.64%， 4.34%， 7.21%[61] * 策略年化收益率: 7.71%[91] * 年化波动率: 20.38%[91] * 夏普比率: 0.38[91] * 最大回撤: 41.55%[91] 2. 因子分域轮动模型（改进后框架） * Rank_IC: 11.69%[85] * IC_IR: 45.96%[85] * IC>0比例: 69.16%[85] * 五分组年化收益(Q1至Q5): -8.16%， -3.64%， 0.22%， 3.70%， 8.30%[85] * 策略年化收益率: 9.41%[91] * 年化波动率: 20.90%[91] * 夏普比率: 0.45[91] * 最大回撤: 35.91%[91] 因子的回测效果 （注：以下为报告中部分代表性因子的IC表现，测试基准与窗口期一致） 1. 一致预期因子 * 预测净利润(Y2)_chg_3m: * Rank_IC: 6.17%[6] * IC_IR: 25.22%[6] * IC>0比例: 63.03%[6] * 五分组年化收益(Q1至Q5): -4.44%， -3.83%， -2.86%， 2.56%， 2.77%[6] 2. 成长基本面因子 * 单季度:净利润环比增速: * Rank_IC: 3.86%[17] * IC_IR: 19.07%[17] * IC>0比例: 54.96%[17] * 五分组年化收益(Q1至Q5): 0.04%， -0.29%， 0.33%， 4.21%， 4.81%[17] * 单季度:毛利率同比增速: * Rank_IC: 3.63%[17] * IC_IR: 17.62%[17] * IC>0比例: 56.69%[17] * 五分组年化收益(Q1至Q5): -4.60%， -3.89%， -2.68%， -2.09%， 0.87%[17] 3. 质量基本面因子 * 现金流净利润比: * Rank_IC: 4.90%[20] * IC_IR: 25.01%[20] * IC>0比例: 58.78%[20] * 五分组年化收益(Q1至Q5): -2.17%， 1.37%， 1.36%， 4.67%， 3.88%[20] 4. 资金面因子 * 机构资金流入: * Rank_IC: 5.09%[37] * IC_IR: 18.97%[37] * IC>0比例: 59.23%[37] * 散户资金流入: * Rank_IC: -3.79%[37] * IC_IR: -13.41%[37] * IC>0比例: 42.31%[37] 5. 技术面因子 * 动量_504d: * Rank_IC: 4.49%[47] * IC_IR: 14.08%[47] * IC>0比例: 61.68%[47] * 五分组年化收益(Q1至Q5): -2.02%， -3.91%， 0.35%， 1.79%， 4.01%[47] * 动量加速度: * Rank_IC: 3.80%[56] * IC_IR: 12.58%[56] * IC>0比例: 55.65%[56] * 五分组年化收益(Q1至Q5): -3.11%， -1.59%， -2.97%， 1.99%， 2.44%[56]
申万行业轮动框架介绍：因子分域下的行业轮动框架
申万宏源证券·2025-12-14 22:42