量化模型与构建方式 1. 模型名称：因子挖掘2.0模型框架（GRU+GAT_SA加权_考虑财务）[2][18] * 模型构建思路：在1.0版本（LSTM+MLP）基础上进行升级，通过GRU网络挖掘时序信息，通过GAT网络挖掘股票间的截面关联信息，并使用自注意力（SA）加权方式融合不同关联网络（行业、财务、资金流）的GAT输出，最后拼接财务指标以增强多头表现。[2][18][24][25][32][35] * 模型具体构建过程： 1. 输入：使用不同的特征集（如PV、G、C等）作为模型输入。[19] 2. 时序信息提取：输入特征首先通过GRU（门控循环单元）网络，提取时间序列上的隐藏信息。[24] 3. 截面信息提取：将GRU的输出作为GAT（图注意力网络）的输入。GAT网络根据预定义的股票关联图（如行业关联、财务关联、资金流关联）聚合邻居节点的信息。[25][27] 4. 多网络融合：对于三种不同关联网络（行业、财务、资金流）的GAT输出，不采用简单等权合成，而是引入一个可学习的MLP层进行SA加权。该MLP层的输入为过去20日的Barra风格因子收益，输出经Softmax归一化后得到各网络的动态权重。[7][32] 5. 财务信息融合：将SA加权融合后的GAT输出，与截面标准化后的财务指标（9大类，含原始值、同比、环比）进行拼接。[35][36][37] 6. 输出：拼接后的特征通过一个全连接层（MLP），输出最终的因子预测值。[35] 2. 模型名称：收益率牵引因子模型[27] * 模型构建思路：基于资金流关联网络，通过聚合同状态股票集的收益率信息来构建选股因子，是GAT网络思想的雏形。[27] * 模型具体构建过程： 1. 构建关联状态：在每个交易日，回看过去20个交易日，根据小单净流入强度将股票分为20种状态。[27] 2. 计算同状态股票集收益：对于股票A，找到与其处于相同状态的所有股票，计算该股票集合的收益平均值。[27] 3. 计算因子值：将股票A自身的收益对同状态股票集收益平均值进行回归，所得的残差即为股票A的因子值。[27] $因子值_A = 残差(收益_A \sim 同状态股票集平均收益)$ 3. 因子名称：ML_C（综合深度学习因子）[7][69] * 因子构建思路：将多个单一特征集（PV, G, C, HF, DP）以及二维度交叉挖掘出的因子，按照其多头收益表现进行加权合成，得到最终的综合因子。[69] * 因子具体构建过程： 1. 单一维度挖掘：使用“GRU+GAT_SA加权_考虑财务”模型，分别对PV、G、C、HF、DP五个特征集进行训练，得到五个基础因子。[68] 2. 二维度交叉挖掘：尝试将任意两个特征维度放在一起进行联合挖掘，维度间使用SA加权，得到一系列二维因子。[69] 3. 合成：将步骤1得到的基础因子和步骤2得到的二维因子，按照各自的多头收益表现进行加权，合成最终的ML_C因子。[69] 4. 因子名称：G（技术指标和K线状态变量）[7][19][45] * 因子构建思路：从图形识别思路出发，基于基础行情（开、高、低、收、成交量）计算技术指标和合成K线，并通过状态变量编码进行特征拓展。[45] * 因子具体构建过程：报告未提供具体计算的技术指标列表和K线状态变量编码公式，但指出其转化思路来源于《深度学习赋能技术分析》报告。[45][46] 5. 因子名称：C（大小单资金流）[7][19][52] * 因子构建思路：基于大小单资金流原始数据，通过计算衍生指标和状态变量来增强特征。[52][54] * 因子具体构建过程： 1. 原始数据：使用AshareMoneyFlow基础表中的资金流数据。[52] 2. 衍生指标：计算如资金流过去250日的分位点等特征。[54] 3. 状态变量转化：针对每类资金流（如买入、卖出、主动买入、主动卖出），每日判断四个问题：净买入>0？主动净买入>0？主动买入比例>0.5？主动卖出比例>0.5？将答案转化为状态变量。[54][55] 6. 因子名称：HF（高频特征）[7][19][59] * 因子构建思路：将高频数据降维至日度特征进行挖掘。[59] * 因子具体构建过程：输入特征包括两部分：1) 分钟收益率和分钟成交量相关衍生指标；2) 逐笔成交数据降频至分钟频后计算的相关衍生指标，具体指标来源于前期相关报告。[59] 7. 因子名称：DP（遗传算法有效因子）[7][19][60] * 因子构建思路：将前期通过遗传算法挖掘出的有效因子（Alpha185因子集）作为特征，输入深度学习模型进行“再掘金”。[60][65] * 因子具体构建过程：从Alpha185因子集中，筛选在2017年之前表现较好且缺失度较低的48个因子作为输入特征。在挖掘时，由于输入已是有效因子，不再使用时序网络（GRU），而直接采用GAT网络进行截面信息挖掘。[60][65] 8. 模型名称：行业轮动因子合成模型[89][91][92] * 模型构建思路：采用自下而上的方法，将个股因子通过多种方式聚合至行业层面，构建行业轮动因子。[89] * 模型具体构建过程： 1. 聚合方法：对个股因子采用5种聚合方式生成行业因子：(1)因子值均值（等权）；(2)因子值市值加权；(3)因子值分域后等权（前1/3标1，后2/3标-1，其余0，取均值）；(4)因子值分域后市值加权；(5)选取因子值前20%的股票，统计其数量占行业股票总数的比例。[89] 2. 因子选取与合成：选取“综合因子ML_C”等5个特定因子在特定聚合方式下生成的行业轮动因子，进行等权合成，得到最终的行业轮动因子。[91][92] 9. 模型名称：强化学习风格优选模型[5][76][77] * 模型构建思路：针对深度学习因子风格倾向性强的问题，结合强化学习进行风格轮动，实现Alpha与Beta的协同优选，以降低极端市场环境下的回撤。[5][76] * 模型具体构建过程：基于《深度学习赋能风格轮动和多策略融合》中的方案，将风格轮动转化为截面标的优选问题，使用强化学习SAC方法进行日度决策。在调仓日，汇总过去20个交易日的风格action值进行排序，选取排名靠前的10种风格。[77][80] 模型的回测效果 测试区间均为2020年1月1日至2025年11月28日，双周频调仓，因子经市值行业中性化处理。多头超额基准：全市场为中证全指，宽基内为对应宽基指数。[24] 1. GRU+GAT_SA加权_考虑财务模型 (基于PV特征集)，10日RankIC 11.7%，年化RankICIR 5.7，多空对冲年化收益 58.9%，多空对冲信息比率 5.1，多空对冲最大回撤 -4.8%，多空对冲胜率 82.7%，多头超额年化收益 24.1%，多头超额信息比率 3.0，多头超额最大回撤 -5.4%，多头超额胜率 72.0%。[39][44] 2. GRU+GAT_SA加权_考虑财务模型 (基于G特征集)，10日RankIC 11.0%，年化RankICIR 5.8，多空对冲年化收益 59.9%，多空对冲信息比率 6.2，多空对冲最大回撤 -2.5%，多空对冲胜率 82.7%，多头超额年化收益 23.3%，多头超额信息比率 3.3，多头超额最大回撤 -5.4%，多头超额胜率 75.3%。[47][49] 3. GRU+GAT_SA加权_考虑财务模型 (基于C特征集)，10日RankIC 10.6%，年化RankICIR 5.1，多空对冲年化收益 56.4%，多空对冲信息比率 5.2，多空对冲最大回撤 -4.4%，多空对冲胜率 81.3%，多头超额年化收益 19.5%，多头超额信息比率 2.8，多头超额最大回撤 -5.6%，多头超额胜率 70.0%。[56][58] 4. GRU+GAT_SA加权_考虑财务模型 (基于HF特征集)，10日RankIC 11.6%，年化RankICIR 5.9，多空对冲年化收益 57.5%，多空对冲信息比率 5.8，多空对冲最大回撤 -5.2%，多空对冲胜率 82.0%，多头超额年化收益 19.1%，多头超额信息比率 2.6，多头超额最大回撤 -7.4%，多头超额胜率 73.3%。[59][62] 5. GRU+GAT_SA加权_考虑财务模型 (基于DP特征集)，10日RankIC 11.4%，年化RankICIR 6.2，多空对冲年化收益 49.2%，多空对冲信息比率 4.4，多空对冲最大回撤 -4.7%，多空对冲胜率 76.0%，多头超额年化收益 20.3%，多头超额信息比率 2.8，多头超额最大回撤 -4.6%，多头超额胜率 70.0%。[65][66] 6. PV和G因子合成 (基于GRU+GAT_SA加权_考虑财务模型)，全市场10日RankIC 12.4%，年化RankICIR 6.0，多空对冲年化收益 66.7%，多空对冲信息比率 6.0，多空对冲最大回撤 -4.5%，多空对冲胜率 82.7%，多头超额年化收益 24.5%，多头超额信息比率 3.3，多头超额最大回撤 -3.9%，多头超额胜率 75.3%。[50][51] 7. ML_C (综合深度学习因子)，全市场10日RankIC 14.2%，年化RankICIR 6.3，多空对冲年化收益 72.7%，多空对冲信息比率 6.1，多空对冲最大回撤 -4.8%，多空对冲胜率 82.0%，多头超额年化收益 26.1%，多头超额信息比率 3.1，多头超额最大回撤 -5.0%，多头超额胜率 74.0%。[7][72] 8. ML_C因子在沪深300样本空间，10日RankIC 8.6%，年化RankICIR 2.7，多空对冲年化收益 26.4%，多空对冲信息比率 1.9，多空对冲最大回撤 -14.6%，多空对冲胜率 60.7%，多头超额年化收益 12.4%，多头超额信息比率 1.3，多头超额最大回撤 -6.3%，多头超额胜率 57.3%。[73][75] 9. ML_C因子在中证500样本空间，10日RankIC 9.4%，年化RankICIR 3.5，多空对冲年化收益 37.9%，多空对冲信息比率 2.8，多空对冲最大回撤 -15.5%，多空对冲胜率 70.0%，多头超额年化收益 13.7%，多头超额信息比率 2.0，多头超额最大回撤 -5.3%，多头超额胜率 66.7%。[73][75] 10. ML_C因子在中证1000样本空间，10日RankIC 11.8%，年化RankICIR 4.7，多空对冲年化收益 57.0%，多空对冲信息比率 4.1，多空对冲最大回撤 -12.4%，多空对冲胜率 78.0%，多头超额年化收益 17.3%，多头超额信息比率 2.3，多头超额最大回撤 -8.1%，多头超额胜率 65.3%。[74][75] 11. 行业轮动因子 (5因子等权合成)，10日RankIC 9.21%，多头年化收益 17.93%，多头年化波动率 25.44%，多头最大回撤 -20.23%，多头胜率 54.67%，夏普比率 0.70，多空对冲年化收益 22.41%，多空对冲信息比率 1.70，多空对冲最大回撤 -9.96%，多空对冲胜率 60.00%。[92][94] 12. 上证50增强 (行业轮动方案)，超额年化收益 4.95%，超额年化波动率 2.17%，超额信息比率 2.28，超额最大回撤 -1.98%。[5][95][97] 13. 上证50增强 (Barra优化框架)，超额年化收益 5.82%，超额年化波动率 2.78%，超额信息比率 2.09，超额最大回撤 -3.03%。[99][101] 14. 沪深300增强 (Barra优化框架)，超额年化收益 6.77%，超额年化波动率 3.29%，超额信息比率 2.06，超额最大回撤 -3.81%。[5][103][106] 15. 中证500增强 (Barra优化框架)，超额年化收益 10.72%，超额年化波动率 3.78%，超额信息比率 2.83，超额最大回撤 -3.31%。[5][103][109] 16. 中证1000增强 (Barra优化框架)，超额年化收益 14.41%，超额年化波动率 4.42%，超额信息比率 3.26，超额最大回撤 -3.34%。[5][103][112] 量化因子与构建方式 1. 因子名称：收益率牵引因子[27] * 因子构建思路：基于资金流关联网络，通过聚合同状态股票集的收益率信息来构建选股因子。[27] * 因子具体构建过程： 1. 构建关联状态：在每个交易日，回看过去20个交易日，根据小单净流入强度将股票分为20种状态。[27] 2. 计算同状态股票集收益：对于股票A，找到与其处于相同状态的所有股票，计算该股票集合的收益平均值。[27] 3. 计算因子值：将股票A自身的收益对同状态股票集收益平均值进行回归，所得的残差即为股票A的因子值。[27] $因子值_A = 残差(收益_A \sim 同状态股票集平均收益)$ * 因子评价：该因子具备一定的选股效果，是GAT网络挖掘因子思想的雏形。[27] 2. 因子名称：开源金工特色大小单资金流人工因子（大单残差、小单残差、主动买卖、散户羊群效应、超大单关注度）[52][53] * 因子构建思路：基于AshareMoneyFlow基础表，从不同角度人工构建的交易行为因子。[52] * 因子具体构建过程：报告未提供具体公式，仅列出因子名称及来源报告。[53] 因子的回测效果 测试区间均为2020年1月1日至2025年11月28日，双周频调仓。[53] 1. 收益率牵引因子，10日RankIC 2.3%。[27] 2. 大单残差因子，10日RankIC 2.1%，RankICIR 1.6。[53] 3. 小单残差因子，10日RankIC -2.2%，RankICIR -1.9。[53] 4. 主动买卖因子，10日RankIC 4.8%，RankICIR 3.5。[53] 5. 散户羊群效应因子，10日RankIC -3.0%，RankICIR -2.3。[53] 6. 超大单关注度因子，10日RankIC 5.3%，RankICIR 3.9。[53]