量化因子与构建方式 1. 因子名称：高频价格区间因子 [4][5] * 因子构建思路： 衡量股票在日内不同价格区间成交的活跃程度，以反映投资者对未来走势的预期。核心逻辑是，股票在日内高价格区间的成交活跃度越低，未来上涨可能性越大；在低价格区间的平均每笔成交量越大，未来上涨可能性越大[5][67]。 * 因子具体构建过程： 使用三秒快照数据，计算三个细分因子，并按权重合成[67][70]。 1. 高价格80%区间成交量因子 (VH80TAW): 计算股票在日内价格处于最高80%区间的总成交量，预期与未来收益呈负相关[67]。 2. 高价格80%区间成交笔数因子 (MIH80TAW): 计算股票在日内价格处于最高80%区间的成交笔数，预期与未来收益呈负相关[67]。 3. 低价格10%区间每笔成交量因子 (VPML10TAW): 计算股票在日内价格处于最低10%区间的平均每笔成交量，预期与未来收益呈正相关[67]。 4. 合成方法： 将上述三个细分因子以25%、25%和50%的权重进行合成，并对合成后的因子进行行业和市值中性化处理，得到最终的价格区间因子[67][70]。 2. 因子名称：高频量价背离因子 [4][5] * 因子构建思路： 衡量股票价格与成交量之间的相关性。核心逻辑是，当量价出现背离（相关性低）时，无论股价处于上升或下降通道，未来上涨的可能性均较高；反之，量价趋同时，未来下跌的可能性较高[5][77]。 * 因子具体构建过程： 利用高频快照数据，计算价格与不同成交指标的相关性，选取表现较好的两个细分因子等权合成[77][80]。 1. 价格与成交笔数相关性因子 (CorrPM): 计算快照成交价（或收益率）与快照成交笔数之间的相关性[77]。 2. 价格与成交量相关性因子 (CorrPV): 计算快照成交价（或收益率）与快照成交量之间的相关性[77]。 3. 合成方法： 对上述两个细分因子进行等权合成，并对合成后的因子进行行业和市值中性化处理，得到最终的量价背离因子[77][80]。 3. 因子名称：遗憾规避因子 [4][5] * 因子构建思路： 基于行为金融学的遗憾规避理论构建。核心逻辑是，当投资者卖出股票后股价反弹的比例越高或反弹程度越大，表明其遗憾规避情绪越强，该股票未来的预期收益会更低[5][84]。 * 因子具体构建过程： 利用逐笔成交数据区分主动买卖方向，并加入小单和尾盘交易限制以提升因子表现，选取两个细分因子等权合成[84][90]。 1. 卖出反弹占比因子 (LCVOLESW): 衡量投资者卖出后，股价出现反弹的交易笔数占比[84]。 2. 卖出反弹偏离因子 (LCPESW): 衡量投资者卖出后，股价出现反弹的平均偏离程度[84]。 3. 合成方法： 对上述两个细分因子进行等权合成，并对合成后的因子进行行业和市值中性化处理，得到最终的遗憾规避因子[84][90]。 4. 因子名称：斜率凸性因子 [4][5] * 因子构建思路： 从投资者耐心与供求关系弹性的角度出发，利用限价订单簿数据刻画买卖双方的订单簿斜率和凸性对预期收益的影响。核心逻辑是，买方斜率越大（需求弹性小）或卖方斜率越小（供给弹性大），股票预期收益越高[5][93]。 * 因子具体构建过程： 基于限价订单簿的委托量和委托价信息，计算买卖双方的订单簿斜率，并构建凸性因子[93]。 1. 将委托量数据按档位累加，用委托价和累计委托量计算买卖双方的订单簿斜率[93]。 2. 按照订单所在档位区分为低档位斜率因子 (Slope_abl) 和高档位卖方凸性因子 (Slope_alh) [93]。 3. 合成方法： 对上述两个细分因子进行等权合成，并对合成后的因子进行行业和市值中性化处理，得到最终的斜率凸性因子[93][96]。 5. 模型名称：高频“金”组合中证1000指数增强策略 [6] * 模型构建思路： 将上述三类高频因子（价格区间、量价背离、遗憾规避）等权合成，构建纯高频因子的选股组合，用于进行中证1000指数增强[6]。 * 模型具体构建过程： 1. 因子合成： 将价格区间因子、量价背离因子、遗憾规避因子进行等权合成，得到综合高频因子[6]。 2. 策略设置： 以中证1000指数为基准，进行周度调仓。为降低交易成本，加入换手率缓冲机制。设置单边千分之二的手续费率[100]。 6. 模型名称：高频&基本面共振组合中证1000指数增强策略 [6] * 模型构建思路： 将高频因子与有效的传统基本面因子结合，以提升多因子投资组合的表现，构建增强效果更优的指数增强策略[6][104]。 * 模型具体构建过程： 1. 因子池： 高频因子包括上述价格区间、量价背离、遗憾规避三类因子；基本面因子包括一致预期、成长和技术因子[6][104]。 2. 因子合成： 将所有高频因子与基本面因子进行等权合成，得到综合选股因子[6]。 3. 策略设置： 以中证1000指数为基准，进行周度调仓[6]。 量化因子的回测效果 1. 高频价格区间因子 [4][65] * 上周多头超额收益率：-2.17% [4][65] * 本月以来多头超额收益率：0.03% [4][65] * 今年以来多头超额收益率：6.89% [4][65] * 上周多空收益率：-0.62% [65] * 本月以来多空收益率：1.12% [65] * 今年以来多空收益率：11.51% [65] 2. 高频量价背离因子 [4][65] * 上周多头超额收益率：0.65% [4][65] * 本月以来多头超额收益率：-0.30% [4][65] * 今年以来多头超额收益率：7.05% [4][65] * 上周多空收益率：-2.43% [65] * 本月以来多空收益率：-4.73% [65] * 今年以来多空收益率：8.76% [65] 3. 遗憾规避因子 [4][65] * 上周多头超额收益率：-0.71% [4][65] * 本月以来多头超额收益率：-1.60% [4][65] * 今年以来多头超额收益率：-2.57% [4][65] * 上周多空收益率：-3.53% [65] * 本月以来多空收益率：-2.63% [65] * 今年以来多空收益率：-5.13% [65] 4. 斜率凸性因子 [4] * 上周多头超额收益率：-2.63% [4] * 本月以来多头超额收益率：-1.70% [4] * 今年以来多头超额收益率：-3.09% [4] 量化模型的回测效果 1. 高频“金”组合中证1000指数增强策略 [6][100] * 年化超额收益率：8.28% [6][100] * 信息比率 (IR)：1.81 [100] * 跟踪误差：4.59% [100] * 超额最大回撤：12.21% [6][100] * 年化收益率：9.08% [100] * 夏普比率 (Sharpe)：0.38 [100] * 最大回撤率：47.81% [100] * 上周超额收益：-2.72% [103] * 本月以来超额收益：-3.12% [103] * 今年以来超额收益：-9.74% [103] 2. 高频&基本面共振组合中证1000指数增强策略 [6][104] * 年化超额收益率：13.33% [6][104] * 信息比率 (IR)：3.04 [104] * 跟踪误差：4.38% [104] * 超额最大回撤：5.14% [6][104] * 年化收益率：14.22% [104] * 夏普比率 (Sharpe)：0.61 [104] * 最大回撤率：39.18% [104] * 上周超额收益：-1.38% [6][107] * 本月以来超额收益：-1.63% [6][107] * 今年以来超额收益：-1.91% [107]