量化模型与因子总结 量化因子与构建方式 1. 因子名称：日内高频偏度因子 因子构建思路： 捕捉股票日内收益的分布特征，特别是偏度信息，以预测未来收益[13] 因子具体构建过程： 报告未提供具体计算公式，但指出计算方式参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[13]。通常，此类因子基于日内高频收益率数据计算其偏度统计量。 2. 因子名称：日内下行波动占比因子 因子构建思路： 分解已实现波动，关注下行波动部分在总波动中的占比，以衡量风险特征[18] 因子具体构建过程： 报告未提供具体计算公式，但指出计算方式参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[18]。 3. 因子名称：开盘后买入意愿占比因子 因子构建思路： 基于开盘后一段时间内的高频交易数据，通过直观逻辑或机器学习方法，将高频信息低频化，构建反映买入意愿的因子[23] 因子具体构建过程： 报告未提供具体计算公式，但指出计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[23]。 4. 因子名称：开盘后买入意愿强度因子 因子构建思路： 与买入意愿占比因子类似，但更侧重于衡量买入意愿的强度而非比例[27] 因子具体构建过程： 报告未提供具体计算公式，但指出计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[27]。 5. 因子名称：开盘后大单净买入占比因子 因子构建思路： 分析开盘后大单资金的净买入行为占比，捕捉主力资金动向[32] 6. 因子名称：开盘后大单净买入强度因子 因子构建思路： 衡量开盘后大单净买入行为的强度[36] 7. 因子名称：改进反转因子 因子构建思路： 对传统反转因子进行改进，以提升预测效果[41] 8. 因子名称：尾盘成交占比因子 因子构建思路： 利用尾盘时段成交金额在全天成交中的占比信息构建因子[46] 9. 因子名称：平均单笔流出金额占比因子 因子构建思路： 通过分析平均单笔流出金额的占比来构建因子[51] 10. 因子名称：大单推动涨幅因子 因子构建思路： 构建反映大单交易对股价上涨推动作用的因子[57] 11. 因子名称：改进 GRU(50,2)+NN(10)因子 因子构建思路： 使用改进的GRU（门控循环单元）神经网络与全连接神经网络（NN）相结合的深度学习模型处理高频数据，生成选股因子[62] 因子具体构建过程： 模型结构为GRU(50,2)与NN(10)的组合，具体网络架构和训练细节未在报告中详述[62]。 12. 因子名称：残差注意力 LSTM(48,2)+NN(10)因子 因子构建思路： 使用结合了残差连接和注意力机制的LSTM（长短期记忆网络）与全连接神经网络相结合的深度学习模型处理高频数据，生成选股因子[64] 因子具体构建过程： 模型结构为残差注意力LSTM(48,2)与NN(10)的组合，具体网络架构和训练细节未在报告中详述[64]。 13. 因子名称：多颗粒度模型-5日标签因子 因子构建思路： 使用基于双向AGRU（可能指注意力GRU）训练的多颗粒度模型，以5日收益率为预测标签，生成选股因子[67] 因子具体构建过程： 因子基于双向AGRU训练得到，预测标签为5日收益率[67]。 14. 因子名称：多颗粒度模型-10日标签因子 因子构建思路： 使用基于双向AGRU训练的多颗粒度模型，以10日收益率为预测标签，生成选股因子[68] 因子具体构建过程： 因子基于双向AGRU训练得到，预测标签为10日收益率[68]。 量化模型与构建方式 1. 模型名称：周度调仓的中证500 AI增强宽约束组合 模型构建思路： 基于“多颗粒度模型-10日标签”因子构建中证500指数增强组合，在较宽松的风险约束下最大化预期收益[72] 模型具体构建过程： * 核心信号： 使用“多颗粒度模型-10日标签”因子作为股票的预期超额收益（μi）来源[72]。 * 优化目标： 最大化组合预期收益，目标函数为： $max\sum\mu_{i}w_{i}$ 其中，wi为股票i的权重，μi为股票i的预期超额收益[73]。 * 风险约束： 包括个股权重约束（1%）、行业偏离约束（1%）、市值因子暴露约束（0.3）、市值3次方因子暴露约束（0.3）、PB因子暴露约束（0.3）以及换手率约束（0.3）等“宽约束”条件[73]。 * 交易设置： 周度调仓，假设以次日均价成交，并扣除双边3‰的交易成本[74]。 2. 模型名称：周度调仓的中证500 AI增强严约束组合 模型构建思路： 基于“多颗粒度模型-10日标签”因子构建中证500指数增强组合，在更严格的风险约束下控制组合风险[72] 模型具体构建过程： * 核心信号： 使用“多颗粒度模型-10日标签”因子作为股票的预期超额收益（μi）来源[72]。 * 优化目标： 最大化组合预期收益，目标函数同上[73]。 * 风险约束： 在宽约束基础上增加了更严格的约束，包括更严格的市值暴露约束（0.1）、市值2次方因子暴露约束（0.1），并新增了ROE因子暴露约束（0.3）、SUE因子暴露约束（0.3）、波动率因子暴露约束（0.3）以及成份股权重约束（0.8）等“严约束”条件[73]。 * 交易设置： 周度调仓，假设以次日均价成交，并扣除双边3‰的交易成本[74]。 3. 模型名称：周度调仓的中证1000 AI增强宽约束组合 模型构建思路： 基于“多颗粒度模型-10日标签”因子构建中证1000指数增强组合，在较宽松的风险约束下最大化预期收益[72] 模型具体构建过程： 与中证500 AI增强宽约束组合类似，但基准指数和对应的约束条件数值针对中证1000指数设定[73]。 4. 模型名称：周度调仓的中证1000 AI增强严约束组合 模型构建思路： 基于“多颗粒度模型-10日标签”因子构建中证1000指数增强组合，在更严格的风险约束下控制组合风险[72] 模型具体构建过程： 与中证500 AI增强严约束组合类似，但基准指数和对应的约束条件数值针对中证1000指数设定[73]。 因子的回测效果 （数据来源：表2，统计周期为上周、1月、2026年至今（YTD），以及2026年周胜率）[10][12] 1. 日内高频偏度因子，IC（历史/2026年）: 0.019/-0.007，e^(-rank mae)（历史/2026年）: 0.324/0.312，多空收益（上周/1月/2026YTD）: 0.29%/0.29%/0.29%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.99%/0.99%/0.99%，2026年周胜率: 1/1[10] 2. 日内下行波动占比因子，IC（历史/2026年）: 0.016/-0.001，e^(-rank mae)（历史/2026年）: 0.323/0.313，多空收益（上周/1月/2026YTD）: 0.22%/0.22%/0.22%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.95%/0.95%/0.95%，2026年周胜率: 1/1[10] 3. 开盘后买入意愿占比因子，IC（历史/2026年）: 0.025/0.032，e^(-rank mae)（历史/2026年）: 0.321/0.324，多空收益（上周/1月/2026YTD）: 1.04%/1.04%/1.04%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: -0.41%/-0.41%/-0.41%，2026年周胜率: 0/1[10] 4. 开盘后买入意愿强度因子，IC（历史/2026年）: 0.030/0.027，e^(-rank mae)（历史/2026年）: 0.326/0.323，多空收益（上周/1月/2026YTD）: 0.65%/0.65%/0.65%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.62%/0.62%/0.62%，2026年周胜率: 1/1[10] 5. 开盘后大单净买入占比因子，IC（历史/2026年）: 0.035/-0.006，e^(-rank mae)（历史/2026年）: 0.322/0.306，多空收益（上周/1月/2026YTD）: -0.52%/-0.52%/-0.52%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: -0.53%/-0.53%/-0.53%，2026年周胜率: 0/1[10] 6. 开盘后大单净买入强度因子，IC（历史/2026年）: 0.024/0.004，e^(-rank mae)（历史/2026年）: 0.320/0.308，多空收益（上周/1月/2026YTD）: -0.07%/-0.07%/-0.07%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: -0.66%/-0.66%/-0.66%，2026年周胜率: 0/1[10] 7. 改进反转因子，IC（历史/2026年）: 0.030/0.037，e^(-rank mae)（历史/2026年）: 0.330/0.328，多空收益（上周/1月/2026YTD）: 1.77%/1.77%/1.77%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 1.89%/1.89%/1.89%，2026年周胜率: 1/1[10] 8. 尾盘成交占比因子，IC（历史/2026年）: 0.026/0.084，e^(-rank mae)（历史/2026年）: 0.322/0.334，多空收益（上周/1月/2026YTD）: 2.67%/2.67%/2.67%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 1.35%/1.35%/1.35%，2026年周胜率: 1/1[10] 9. 平均单笔流出金额占比因子，IC（历史/2026年）: 0.008/0.013，e^(-rank mae)（历史/2026年）: 0.317/0.319，多空收益（上周/1月/2026YTD）: 0.45%/0.45%/0.45%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.14%/0.14%/0.14%，2026年周胜率: 1/1[12] 10. 大单推动涨幅因子，IC（历史/2026年）: 0.018/-0.007，e^(-rank mae)（历史/2026年）: 0.325/0.327，多空收益（上周/1月/2026YTD）: 0.22%/0.22%/0.22%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.43%/0.43%/0.43%，2026年周胜率: 1/1[12] 11. 改进 GRU(50,2)+NN(10)因子，IC（历史/2026年）: 0.065/0.001，e^(-rank mae)（历史/2026年）: 0.336/0.324，多空收益（上周/1月/2026YTD）: 0.16%/0.16%/0.16%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.26%/0.26%/0.26%，2026年周胜率: 1/1[12] 12. 残差注意力 LSTM(48,2)+NN(10)因子，IC（历史/2026年）: 0.062/-0.016，e^(-rank mae)（历史/2026年）: 0.334/0.324，多空收益（上周/1月/2026YTD）: -0.26%/-0.26%/-0.26%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: 0.86%/0.86%/0.86%，2026年周胜率: 1/1[12] 13. 多颗粒度模型-5日标签因子，IC（历史/2026年）: 0.079/-0.007，e^(-rank mae)（历史/2026年）: 0.343/0.322，多空收益（上周/1月/2026YTD）: 0.25%/0.25%/0.25%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.68%/0.68%/0.68%，2026年周胜率: 1/1[12] 14. 多颗粒度模型-10日标签因子，IC（历史/2026年）: 0.073/-0.030，e^(-rank mae)（历史/2026年）: 0.342/0.313，多空收益（上周/1月/2026YTD）: -0.78%/-0.78%/-0.78%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: -0.05%/-0.05%/-0.05%，2026年周胜率: 0/1[12] 模型的回测效果 （数据来源：表3，统计周期为上周、1月、2026年至今（YTD），以及2026年周胜率）[13] 1. 周度调仓的中证500 AI增强宽约束组合，超额收益（上周/1月/2026YTD）: -2.61%/-2.61%/-2.61%，2026年周胜率: 0/2[13] 2. 周度调仓的中证500 AI增强严约束组合，超额收益（上周/1月/2026YTD）: -1.84%/-1.84%/-1.84%，2026年周胜率: 0/2[13] 3. 周度调仓的中证1000 AI增强宽约束组合，超额收益（上周/1月/2026YTD）: -2.10%/-2.10%/-2.10%，2026年周胜率: 0/2[13] 4. 周度调仓的中证1000 AI增强严约束组合，超额收益（上周/1月/2026YTD）: -1.63%/-1.63%/-1.63%，2026年周胜率: 0/2[13]