量化模型与因子总结 量化模型与构建方式 1. 模型名称：DecompGRU多头选股模型[7] * 模型构建思路：基于DecompGRU深度学习模型对个股进行打分，选取得分最高的股票构建多头组合，以获取超额收益[7]。 * 模型具体构建过程： 1. 模型基础：采用《AI+HI系列（7）：DecompGRU：基于趋势分解的时序+截面端到端模型》中提出的DecompGRU模型架构[7]。 2. 股票池：中证全指成分股[7]。 3. 组合构建：每周首个交易日，根据上周五收盘后更新的模型因子值，等权重买入集成打分最高的200只股票[7]。 4. 调仓规则：周频调仓[7]。 5. 交易限制：买入时剔除涨跌停、停牌股票，不考虑交易成本[7]。 6. 业绩基准：中证全指等权指数[7]。 2. 模型名称：DecompGRU ETF轮动模型[10] * 模型构建思路：将DecompGRU模型对个股的得分聚合至行业或主题ETF，构建一个ETF轮动组合[10]。 * 模型具体构建过程： 1. ETF池：限定在行业、主题型ETF。若多个ETF跟踪同一指数，则保留5日成交额均值最大的一只[10]。 2. 流动性筛选：调仓时要求ETF最近5日的日均成交额大于2000万，最近20日日均成交额大于1000万[10]。 3. 组合构建：将个股模型得分聚合至ETF，根据得分进行轮动[10]。 4. 调仓规则：周度不定期调仓，每期持仓ETF数量在2-6只[10]。 5. 业绩基准：万得ETF指数[10]。 量化因子与构建方式 1. 因子名称：个股总热度[14] * 因子构建思路：从行为金融学角度，利用用户行为数据（浏览、自选、点击）构建个股层面的关注度指标，作为市场情绪的代理变量[14]。 * 因子具体构建过程： 1. 数据来源：同花顺基于用户行为数据得到的个股热度指标[14]。 2. 计算方法：取股票的浏览、自选与点击次数之和，以同一日在全市场占比的方式进行归一化，再将归一化后的数值乘以10000[14]。 3. 公式：$个股总热度 = \frac{个股（浏览+自选+点击）次数}{全市场（浏览+自选+点击）次数总和} \times 10000$[14] 4. 取值范围：指标取值区间为[0, 10000][14]。 2. 衍生因子：宽基/行业/概念总热度[14][15][26][35] * 因子构建思路：将个股总热度指标按照所属的宽基指数、申万行业或概念板块进行聚合，得到更高层面的情绪热度代理变量[14]。 * 因子具体构建过程： 1. 宽基热度：将全A样本按沪深300、中证500、中证1000、中证2000及“其他”分组，对每组内所有成分股的“个股总热度”指标进行求和，得到各宽基指数的热度[15]。 2. 行业热度：采用相同方法，对申万一级、二级行业内所有成分股的“个股总热度”指标进行求和，得到行业热度[26]。 3. 概念热度：采用相同方法，对每个概念板块内所有成分股的“个股总热度”指标进行求和，得到概念热度[35]。 3. 衍生因子：热度变化率（MA2）[18][20][26] * 因子构建思路：计算宽基、行业或概念总热度的周度变化率，并取2周移动平均（MA2）进行平滑，以捕捉市场关注度的边际变化趋势[18][20][26]。 * 因子具体构建过程： 1. 计算每周的总热度值。 2. 计算周度热度变化率：$热度变化率_t = \frac{总热度_t - 总热度_{t-1}}{总热度_{t-1}}$ 3. 对计算出的周度变化率序列取2周移动平均（MA2）进行平滑[18][20][26]。 模型的回测效果 （数据统计区间：2025年3月31日至2025年12月31日[9]） 1. DecompGRU多头选股模型，累计绝对收益60.48%，相对全指等权超额收益34.62%，最大回撤10.08%，周度胜率67.50%，月度胜率100%[9]。2025年12月单月绝对收益7.57%，超额收益5.46%[9]。 2. DecompGRU ETF轮动模型，累计绝对收益26.23%，相对基准（万得ETF指数）超额收益1.56%，最大回撤7.82%，周度胜率60.98%，月度胜率66.67%[12][13]。2025年12月单月绝对收益2.35%，超额收益-1.51%[13]。 因子的回测效果 1. 宽基热度动量组合（基于热度变化率MA2的轮动策略）：策略自2017年以来年化收益率8.74%，最大回撤23.5%[23]。2025年累计收益为36.8%，同期基准（宽基等权组合）收益为35%[23]。 2. 高热度概念+低热度个股组合（BOTTOM组）：历史回测年化收益15.71%，最大回撤28.89%[41]。2025年以来累计收益41.8%[41]。