量化模型与因子总结 量化因子与构建方式 1. 深度学习因子 1. 因子名称：agru_dailyquote[5][56] * 因子构建思路：基于日频行情数据，使用注意力门控循环单元（AGRU）深度学习模型构建的Alpha因子[5]。 * 因子具体构建过程：报告未提供该深度学习因子的具体构建公式和详细计算步骤，仅提及了模型类型（AGRU）和使用的数据源（日频行情）[5]。 * 因子评价：在全市场月度换仓条件下，该因子历史RankIC均值为13.94%，历史胜率达91.63%，表现出较高的预测能力和稳定性[5][56]。 2. 因子名称：DL_1[5][56] * 因子构建思路：使用深度学习模型构建的Alpha因子[5]。 * 因子具体构建过程：报告未提供该深度学习因子的具体构建公式和详细计算步骤[5]。 * 因子评价：在全市场月度换仓条件下，该因子历史RankIC均值为14.08%，历史胜率为87.97%[5][56]。 3. 因子名称：fimage[5][56] * 因子构建思路：基于图像数据的深度学习因子[5]。 * 因子具体构建过程：报告未提供该深度学习因子的具体构建公式和详细计算步骤[5]。 * 因子评价：在全市场月度换仓条件下，该因子历史RankIC均值为5.17%，历史胜率为78.11%[5][56]。 2. Level-2高频因子 1. 因子名称：integrated_bigsmall_longshort[5][56] * 因子构建思路：综合大小单和长短单信息的复合因子[5][56]。 * 因子具体构建过程：报告未提供该复合因子的具体构建公式和详细计算步骤[56]。 * 因子评价：在全市场月度换仓条件下，该因子近期表现较好，近一月RankIC均值为15.18%，历史RankIC均值为11.10%，历史胜率为75.86%[5][56]。 2. 因子名称：bigbuy[56] * 因子构建思路：基于Level-2数据的大单买入因子[56]。 * 因子具体构建过程：报告未提供该因子的具体构建公式和详细计算步骤[56]。 3. 因子名称：bigsell[56] * 因子构建思路：基于Level-2数据的大单卖出因子[56]。 * 因子具体构建过程：报告未提供该因子的具体构建公式和详细计算步骤[56]。 4. 因子名称：bigbuy_bigsell[56] * 因子构建思路：大单买入与大单卖出合成的因子[56]。 * 因子具体构建过程：报告未提供该合成因子的具体构建公式和详细计算步骤[56]。 5. 因子名称：longbuy[56] * 因子构建思路：基于Level-2数据的长单买入因子[56]。 * 因子具体构建过程：报告未提供该因子的具体构建公式和详细计算步骤[56]。 6. 因子名称：longsell[56] * 因子构建思路：基于Level-2数据的长单卖出因子[56]。 * 因子具体构建过程：报告未提供该因子的具体构建公式和详细计算步骤[56]。 7. 因子名称：integrated_bigsmall[56] * 因子构建思路：综合大小单信息的因子[56]。 * 因子具体构建过程：报告未提供该因子的具体构建公式和详细计算步骤[56]。 8. 因子名称：integrated_longshort[56] * 因子构建思路：综合长短单信息的因子[56]。 * 因子具体构建过程：报告未提供该因子的具体构建公式和详细计算步骤[56]。 3. 分钟频因子 1. 因子名称：Amihud_illiq[5][58] * 因子构建思路：衡量股票非流动性的因子，基于Amihud非流动性指标构建[5][58]。 * 因子具体构建过程：报告未提供该因子的具体构建公式和详细计算步骤[58]。经典的Amihud非流动性指标计算公式通常为： $Illiq_{it} = \frac{|R_{it}|}{VOLD_{it}}$ 其中，$R_{it}$为股票i在第t日的收益率，$VOLD_{it}$为股票i在第t日的成交金额（以万元计）。因子值通常取一定时间窗口内的平均值。 * 因子评价：在全市场月度换仓条件下，该因子近期表现较好，近一月RankIC均值为16.88%，历史RankIC均值为11.17%，历史胜率为74.95%[5][58]。 2. 因子名称：real_var[56] * 因子构建思路：日内已实现方差因子，衡量股票日内价格波动[56]。 * 因子具体构建过程：报告未提供该因子的具体构建公式和详细计算步骤[56]。 3. 因子名称：real_skew[56] * 因子构建思路：日内已实现偏度因子，衡量股票日内收益率分布的不对称性[56]。 * 因子具体构建过程：报告未提供该因子的具体构建公式和详细计算步骤[56]。 4. 因子名称：real_kurtosis[56] * 因子构建思路：日内已实现峰度因子，衡量股票日内收益率分布的尖峭程度[56]。 * 因子具体构建过程：报告未提供该因子的具体构建公式和详细计算步骤[56]。 4. 风格因子 报告列出了盈利、成长、杠杆、流动、技术、规模、质量、估值共8大类45个风格因子[5][59][60]。这些均为传统基本面与市场面因子，报告未提供其具体构建过程。部分示例如下： 1. 因子名称：销售净利率、毛利率、ROE、ROA（盈利类）[59] 2. 因子名称：股东权益增长率、净利润增长率、EPS增长率（成长类）[59] 3. 因子名称：资产负债率、长期负债比率（杠杆类）[59] 4. 因子名称：1个月成交金额、换手率（流动类）[59] 5. 因子名称：一个月股价反转、三个月股价反转（技术类）[59] 6. 因子名称：流通市值、总资产（规模类）[59] 7. 因子名称：存货周转率、流动比率（质量类）[60] 8. 因子名称：EP、BP、SP、DP（估值类）[60] 因子的回测效果（全市场，月度换仓） 以下为报告“表1：因子表现分析（全市场，月度换仓）”中部分因子的历史表现汇总[56][58][59][60]。指标包括：近一周RankIC均值、近一月RankIC均值、近一年RankIC均值、历史以来RankIC均值、历史胜率。 1. agru_dailyquote因子，近一周RankIC均值5.18%，近一月RankIC均值12.44%，近一年RankIC均值14.42%，历史以来RankIC均值13.94%，历史胜率91.63%[56] 2. DL_1因子，近一周RankIC均值4.00%，近一月RankIC均值19.68%，近一年RankIC均值16.48%，历史以来RankIC均值14.08%，历史胜率87.97%[56] 3. fimage因子，近一周RankIC均值-0.17%，近一月RankIC均值3.95%，近一年RankIC均值3.92%，历史以来RankIC均值5.17%，历史胜率78.11%[56] 4. integrated_bigsmall_longshort因子，近一周RankIC均值-4.74%，近一月RankIC均值15.18%，近一年RankIC均值9.78%，历史以来RankIC均值11.10%，历史胜率75.86%[56] 5. Amihud_illiq因子，近一周RankIC均值-3.21%，近一月RankIC均值16.88%，近一年RankIC均值13.34%，历史以来RankIC均值11.17%，历史胜率74.95%[58] 6. 一个月股价反转因子，近一周RankIC均值-13.27%，近一月RankIC均值-4.60%，近一年RankIC均值-9.14%，历史以来RankIC均值-7.01%，历史胜率68.05%[59] 7. BP(行业相对)因子，近一周RankIC均值-2.04%，近一月RankIC均值7.28%，近一年RankIC均值6.13%，历史以来RankIC均值6.29%，历史胜率71.92%[60] 模型的回测效果（指数增强） 以下为报告第二部分中，三个深度学习因子在控制行业、市值等偏离度，并进行月末换仓、双边千三计费的条件下，于“沪深300”板块进行指数增强策略的回测表现（2020-2025年）[21][34][49]。指标包括：总收益、年化收益率、最大回撤率、年化波动率、信息比率(IR)、夏普比率、收益回撤比。 1. agru_dailyquote因子模型，总收益68.73%，年化收益率9.29%，最大回撤率-7.29%，年化波动率4.30%，信息比率(IR)2.16，夏普比率1.58，收益回撤比1.27[21] 2. DL_1因子模型，总收益39.95%，年化收益率5.87%，最大回撤率-9.15%，年化波动率4.37%，信息比率(IR)1.34，夏普比率0.77，收益回撤比0.64[34] 3. fimage因子模型，总收益45.52%，年化收益率6.58%，最大回撤率-3.58%，年化波动率3.70%，信息比率(IR)1.78，夏普比率1.10，收益回撤比1.84[49]