量化模型与构建方式 1. 模型名称：Bandit Learning 模型 - 模型构建思路：Bandit Learning 模型是一种在线学习算法，旨在通过实时反馈平衡守成（exploitation）与探索（exploration）的比例，以最大化总体收益[4][10][12] - 模型具体构建过程： 1. 定义资产收益率 $R_{k}=(R_{k,1},\cdots R_{k,n})^{T},k=1,\cdots,m$，并在每个时刻 $k$ 求解权重 $W_{k}=(W_{k,1},\cdots,W_{k,n})^{\rm T}$，满足 $\sum_{i=1}^{n}w_{k,i}=1$ 和 $w_{k,i}\geq0$[13][14] 2. 使用传统多因子模型估计资产收益率和协方差矩阵 $\Sigma_{k}$，并对协方差矩阵进行主成分分解，得到特征值和特征向量[14][16] 3. 对特征向量进行归一化处理，得到线性不相关的投资组合权重 $\widetilde{H}_{k}$，并计算新的协方差矩阵 $\tilde{\Sigma}_{k}$[16][17] 4. 使用 UCB（Upper Confidence Bound）算法计算每个特征向量的奖赏函数 $\bar{r}_{i}(t_{k})=\frac{\bar{H}_{k,i}R_{k,i}}{\sqrt{\hat{A}_{k,i}}}$，并选择最优臂 $i_{k}^{*}$ 和 $j_{k}^{*}$[19][21][23] 5. 通过优化权重 $\theta_{k}^{*}=\frac{\tilde{\lambda}_{k,i_{k}^{*}}}{\tilde{\lambda}_{k,i_{k}^{*}}+\tilde{\lambda}_{k,j_{k}^{*}}}$，构建最终投资组合权重 $w_{k}=(1-\theta_{k}^{*})\bar{H}_{k,i_{k}^{*}}+\theta_{k}^{*}\bar{H}_{k,j_{k}^{*}}$[24][25] 6. 对权重进行非负约束调整，最终输出最优权重 $w_{new,k}$[26][27] - 模型评价：Bandit Learning 模型在震荡市中表现优于传统多因子模型，但在趋势性市场中表现稍逊。其选股风格较为跳跃，适应性较强，但收益来源和延续能力存在不确定性[4][42][50] 2. 模型名称：传统多因子模型 - 模型构建思路：基于 Markowitz 风险收益模型，通过线性模型预测收益，结合 Barra 模型估计协方差矩阵，优化投资组合[9][31] - 模型具体构建过程： 1. 选取估值、盈利、成长、动量、反转、波动率、流动性、市值八大类因子，经过缺失值处理、去极值、标准化和中性化等步骤，构建收益预测模型[31][33] 2. 使用 Barra 模型估计协方差矩阵 $\Sigma=X_{f}F X_{f}{}^{\prime}+\Delta$，其中 $X_{f}$ 为因子暴露矩阵，$F$ 为因子收益率协方差矩阵，$\Delta$ 为个股残差波动率对角矩阵[33][34] 3. 结合收益预测和风险预测，求解优化问题 $\max \alpha^{\prime}w-\frac{1}{2}\lambda w^{\prime}\Sigma w$，其中 $\alpha$ 为收益预测，$\Sigma$ 为协方差矩阵，$\lambda$ 为风险厌恶系数[35][36] - 模型评价：传统多因子模型在趋势性市场中表现优异，但在震荡市和市场剧变时回撤较大，适应性较弱[4][42][50] --- 模型的回测效果 Bandit Learning 模型 - 累计收益：$l=3$为143.73%，$l=4$为175.09%，$l=5$为95.01%[43] - 年化收益：$l=3$为17.82%，$l=4$为20.48%，$l=5$为13.08%[43] - 波动率：$l=3$为30.69%，$l=4$为30.23%，$l=5$为30.07%[43] - 最大回撤：均为57.03%[43] - 夏普比率：$l=3$为0.578，$l=4$为0.6742，$l=5$为0.4331[43] - 胜率：$l=3$为53.03%，$l=4$为52.81%，$l=5$为52.67%[43] 传统多因子模型 - 累计收益：180.34%[43] - 年化收益：20.89%[43] - 波动率：25.71%[43] - 最大回撤：35.59%[43] - 夏普比率：0.8088[43] - 胜率：53.76%[43] --- 量化因子与构建方式 1. 因子名称：估值因子 - 因子的构建思路：衡量股票的估值水平[33] - 因子具体构建过程：选取 BP 和扣非 EP_ttm 作为估值因子[33] 2. 因子名称：盈利因子 - 因子的构建思路：衡量公司盈利能力[33] - 因子具体构建过程：选取单季度 ROE 作为盈利因子[33] 3. 因子名称：成长因子 - 因子的构建思路：衡量公司成长性[33] - 因子具体构建过程：选取单季度营业收入增长率和单季度归母净利润增长率[33] 4. 因子名称：动量因子 - 因子的构建思路：衡量股票的动量效应[33] - 因子具体构建过程：选取指数加权一年收益率和上月收益率[33] 5. 因子名称：反转因子 - 因子的构建思路：衡量股票的反转效应[33] - 因子具体构建过程：选取上月收益率[33] 6. 因子名称：波动率因子 - 因子的构建思路：衡量股票的波动性[33] - 因子具体构建过程：选取月度、季度和年度波动率[33] 7. 因子名称：流动性因子 - 因子的构建思路：衡量股票的流动性[33] - 因子具体构建过程：选取月度、季度和年度换手率[33] 8. 因子名称：市值因子 - 因子的构建思路：衡量股票的市值规模[33] - 因子具体构建过程：选取流通市值对数[33] --- 因子的回测效果 Bandit Learning 模型因子 - 因子均值：市值-0.197，盈利-0.050，反转-0.002，动量-0.004，成长0.226，流动性0.043，波动率0.167，估值-0.138[49] - 因子波动：市值0.413，盈利0.521，反转0.490，动量0.446，成长1.114，流动性0.457，波动率0.378，估值0.297[49] - 因子收益：市值0.007，盈利-0.005，反转-0.027，动量0.019，成长0.063，流动性-0.018，波动率-0.069，估值-0.094[49] 传统多因子模型因子 - 因子均值：市值-0.174，盈利0.221，反转0.002，动量0.141，成长0.700，流动性-0.218，波动率-0.131，估值0.245[49] - 因子波动：市值0.534，盈利0.425，反转0.368，动