量化模型与构建方式 1. 模型名称：关联网络牵引因子 Traction20d - 模型构建思路：利用股票关联网络刻画股票涨跌之间的牵引关系，通过关联股票的涨跌幅来预测目标股票的涨幅[5] - 模型具体构建过程： 1. 取所有基金持仓股票过去20日累计涨跌幅，并计算截面中位数，作为市场收益水平，记作med[37] 2. 对于关联网络中节点股票A，取其所有关联股票过去20日涨跌幅数据，记作向量chg_A[37] 3. 计算chg_A - med，作为股票A关联股票的alpha收益，记作向量alpha_A[37] 4. 取股票A与所有关联股票之间的关联度，记作向量K_A[37] 5. 利用关联度向量K_A与向量alpha_A，得到股票A所有关联股票的alpha锚定值，记作exp_A[37] 6. 计算exp_A的均值，作为股票A的alpha锚定值均值，得到股票A的原始因子，记作exp_ave_A[37] 7. 对所有股票的exp_ave指标，做横截面回归，剔除股票自身alpha和行业因素，得到关联网络牵引因子Traction20d[37] - 模型评价：整体表现稳定，因子与常见因子相关性较低[5][6][36] 模型的回测效果 - Traction20d模型： - RankIC：3.84%[5] - RankICIR：2.60[5] - 多头组年化收益：17.1%[5] - 多头换手率：69.5%[5] - 收益波动比：0.61[5] - 多空组合年化收益率：14.3%[5] - 年化IR：2.6[5] - 最大回撤：6.06%[5] - 整体胜率：72.6%[5] 量化因子与构建方式 1. 因子名称：关联度指标 - 因子的构建思路：通过基金共同持仓数据，构建股票间的关联度指标，刻画股票关联网络[23] - 因子具体构建过程： 1. 取基金持仓股票市值数据，用持仓市值与成交额的比值，衡量基金对个股的影响力强弱（影响周期）[23] 2. 取同一基金在两只股票上的影响力最小值，作为二者由同一基金持仓带来的关联强度[23] 3. 两只股票在所有持仓基金上的关联强度加总，得到两只股票的关联度指标[23] 4. 定义A基金共同持仓股票a与股票b的关联度指标为：$J_{ab} = \min(I_a, I_b)$[28] 5. 将所有共同持仓股票a与股票b的基金得到的关联度指标求和，得到股票a与股票b的关联度指标$K_{ab}$[28] - 因子评价：同行业股票间的关联度指标均值高于不同行业股票间的关联度指标均值[29] 因子的回测效果 - 关联度指标： - 最高组R方均值：16.96%[31] - 最低组R方均值：14.92%[31] - 基金共同持仓R方均值：15.05%[21] - 基金持仓R方均值：14.07%[21]