量化模型与因子总结 量化模型与构建方式 注： 报告主要对各类量化因子进行了测试和分析，未详细阐述具体的量化模型构建过程。报告内容集中于因子库的构成和单因子的表现[1][5][11]。 量化因子与构建方式 报告涵盖了深度学习因子、Level-2高频因子、分钟频因子和传统风格因子四大类[5][11][59]。以下为部分重点因子的构建思路与过程。 1. 深度学习因子 1. 因子名称：agru_dailyquote[5][59] * 因子构建思路：基于日度行情数据，使用注意力门控循环单元（Attention GRU）等深度学习模型提取能够预测未来收益的序列特征。 2. 因子名称：DL_1[2][59] * 因子构建思路：使用深度学习模型（具体网络结构未说明）从多维度数据中挖掘有效的Alpha信号。 3. 因子名称：fimage[2][59] * 因子构建思路：可能基于图像识别类深度学习模型，从金融图表（如K线图）中提取特征。 2. Level-2高频因子 (1) 重点时段因子 1. 因子名称：keyperiod_amount_top30pct[59] * 因子构建思路：捕捉在关键交易时段（如开盘、收盘）内，成交金额处于市场前30%的股票的强势特征。 2. 因子名称：keyperiod_amount_low50pct[59] * 因子构建思路：捕捉在关键交易时段内，成交金额处于市场后50%的股票的弱势特征，通常为负向因子。 (2) 大小单因子 1. 因子名称：integrated_bigsmall[59] * 因子构建思路：综合大小单买卖信息构建的复合因子，用以衡量大单与小单行为的净效应。 2. 因子名称：bigbuy_bigsell[59] * 因子构建思路：通过大单买入与大单卖出的对比关系来构建因子，反映大资金的主攻方向。 (3) 长短单因子 1. 因子名称：integrated_longshort[59] * 因子构建思路：综合长单（可能指挂单时间较长）和短单（可能指即时成交单）信息构建的复合因子。 2. 因子名称：longbuy_shortsell[59] * 因子构建思路：通过长单买入与短单卖出的对比关系构建因子。 (4) 大小长短单复合因子 1. 因子名称：integrated_bigsmall_longshort[6][59] * 因子构建思路：综合了大小单和长短单两类信息的复合因子，旨在更全面捕捉不同维度订单流的Alpha信号。 (5) 集合竞价因子 1. 因子名称：transaction_order_ratio_oa[59] * 因子构建思路：通过分析开盘集合竞价阶段的成交订单比例来构建因子。 (6) 市价单因子 1. 因子名称：marketorder_ratio[59] * 因子构建思路：衡量市价单在总订单中的比例，反映交易的急切程度。 3. 分钟频因子 (1) 日内价格相关因子 1. 因子名称：Amihud_illiq[6][61] * 因子构建思路：衡量股票的流动性，即单位成交金额引起的价格冲击。构建过程通常为： * 具体构建过程：计算每日收益率绝对值与成交金额的比值，再在一段时间内取平均。 * 公式：$Illiq_{i,t} = \frac{1}{D_{i,t}} \sum_{d=1}^{D_{i,t}} \frac{|R_{i,d}|}{VOLD_{i,d}}$ * 公式说明：其中，$R_{i,d}$ 是股票 $i$ 在第 $d$ 日的收益率，$VOLD_{i,d}$ 是股票 $i$ 在第 $d$ 日的成交金额（通常以百万元计），$D_{i,t}$ 是股票 $i$ 在 $t$ 月内的有效交易日数。 2. 因子名称：real_var[59] * 因子构建思路：基于日内分钟收益率计算的已实现方差，衡量日内波动率。 3. 因子名称：ratio_realupvar[59] * 因子构建思路：可能为上行已实现方差与总已实现方差的比率，衡量波动的不对称性。 (2) 成交量相关因子 1. 因子名称：ratio_volumeH1[61] * 因子构建思路：衡量开盘后第一个小时（H1）的成交量与全天总成交量的比例，反映开盘时段的市场活跃度。 2. 因子名称：ratio_volumeH8[61] * 因子构建思路：衡量收盘前最后一个小时（H8）的成交量与全天总成交量的比例，反映收盘时段的市场活跃度。 (3) 盘前/开盘后/收盘前相关因子 1. 因子名称：ret_overnight[61] * 因子构建思路：隔夜收益率，即前一日收盘价至当日开盘价的收益率。 2. 因子名称：ret_open2AH1[61] * 因子构建思路：从开盘价到开盘后第一个小时内最高价的收益率。 3. 因子名称：ret_H1[61] * 因子构建思路：开盘后第一个小时的收益率。 4. 风格因子 报告测试了45个风格因子，覆盖盈利、成长、杠杆、流动、技术、规模、质量、估值八个大类[6][62][63]。 1. 盈利类因子：如销售净利率、毛利率、ROE、ROA[62]。 2. 成长类因子：如股东权益增长率、净利润增长率、主营业务收入增长率[62]。 3. 杠杆类因子：如资产负债率、长期负债比率[62]。 4. 流动类因子：如1个月成交金额、换手率[62]。 5. 技术类因子：如一个月股价反转、三个月股价反转、最高点距离[62][63]。 6. 规模类因子：如流通市值、总资产[63]。 7. 质量类因子：如存货周转率、流动比率、净利润现金占比[63]。 8. 估值类因子：如市销率（SP）、市净率（BP）、市盈率（EP），包括行业相对值和绝对值[63]。 因子的回测效果 测试设置概述：因子表现分析分别在全市场、沪深300、中证A500、中证500、中证1000、创业板等板块进行，并区分了月度换仓和周度换仓条件[5][8]。核心表现指标包括不同时间窗口的RankIC均值、历史胜率等[59]。指数增强测试在控制行业、市值等偏离，并考虑交易成本（双边千三）的条件下进行[13]。 以下为全市场、月度换仓条件下，部分重点因子的表现摘要[59][61][62][63]： | 因子类型 | 因子名称 | 近一周RankIC | 近一月RankIC | 近一年RankIC | 历史以来RankIC | 历史胜率 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 深度学习因子 | agru_dailyquote | 22.13% | 17.67% | 12.08% | 13.71% | 91.07% | | | DL_1 | 20.50% | 18.19% | 15.35% | 13.80% | 87.11% | | | fimage | 8.31% | 9.08% | 3.90% | 5.14% | 77.99% | | Level-2因子 | integrated_bigsmall_longshort | 23.09% | 18.63% | 10.22% | 10.79% | 74.90% | | | keyperiod_amount_top30pct | 12.67% | 12.55% | 12.53% | 11.09% | 86.11% | | | longbuy_shortsell | 24.36% | 15.91% | 8.49% | 9.09% | 70.07% | | 分钟频因子 | Amihud_illiq | 23.21% | 14.68% | 12.26% | 10.86% | 74.23% | | | intraday_maxdrawdown | 18.64% | 10.87% | 9.06% | 9.42% | 69.40% | | | ratio_volumeH7 | 10.27% | 5.30% | 5.40% | 4.89% | 76.38% | | 风格因子 | BP (市净率) | 18.82% | 15.69% | 6.97% | 6.77% | 63.76% | | | SP (市销率) | 12.51% | 13.10% | 4.47% | 5.06% | 62.48% | | | 换手率 | -25.08% | -15.05% | -7.95% | -8.09% | 67.72% | | | 一个月股价反转 | 4.27% | 4.48% | -7.51% | -6.92% | 67.72% | 指数增强表现（2026年以来）：在沪深300等板块，DL_1和fimage因子取得了正向超额收益。例如，DL_1因子在沪深300、中证A500、中证500、中证800、中证1000、创业板指的指数增强超额收益率分别为3.55%、2.51%、0.63%、3.90%、1.54%、1.06%[2]。