量化模型与构建方式 1. 模型名称：涨跌停外溢关联网络 - 模型构建思路：通过涨跌停情绪外溢现象，寻找股票间的关联特征，构建股票关联网络[5][15] - 模型具体构建过程： 1. 取个股过去20个交易日1分钟频交易数据，选取每日开盘90分钟数据[25] 2. 判断股票A日内涨跌停状态，若涨停赋值1（正向），若跌停赋值-1（负向），作为股票A在t时刻涨跌停方向$L(A,t)$[25] 3. 判断股票B日内1分钟涨跌方向，若上涨（含涨停）赋值1（正向），若下跌（含跌停）赋值-1（负向），作为股票B在t时刻涨跌方向$D(B,t)$[25] 4. 匹配股票B当前分钟涨跌方向$D(B,t)$与股票A前1分钟涨跌停方向$L(A,t-1)$，计算二者同向比例，作为股票A对股票B的关联度$K_{AB}$[25] - 模型评价：通过涨跌停外溢构建的股票关联网络，验证了同行业股票间的关联度显著高于全市场整体关联度，且行业分类越细分，关联度水平越高[26] 2. 模型名称：Traction_LUD因子 - 模型构建思路：基于股票关联网络，将个股超涨与超跌的判断基准从全市场涨跌幅缩小到其高关联股票涨跌幅，构建局域反转逻辑[30] - 模型具体构建过程： 1. 取股票过去20个交易日的日内1分钟频交易数据，构建股票关联网络[30] 2. 剔除关联网络中关联度最低的50%的关联关系[30] 3. 对于关联网络节点股票A，取其周围关联股票月度涨跌幅数据[30] 4. 将股票A所有关联股票的涨跌幅按关联度指标加权平均，作为股票A当月的预期收益，得到"预期收益_LUD"因子[30] 5. 对"预期收益_LUD"因子值做截面反转、市值、行业中性化处理，得到Traction_LUD因子值[30] - 模型评价：因子有效性较高，参数具有稳定性，分组单调性良好[32][35] 3. 模型名称：Traction_comb因子 - 模型构建思路：将Traction系列5因子等权合成，形成股价牵引力的合力[52] - 模型具体构建过程： 1. Traction系列因子包括：Traction_F、Traction_NS、Traction_SI、Traction_ORE、Traction_LUD[51] 2. 将上述5因子等权合成，得到Traction_comb因子[52] - 模型评价：因子表现稳健，分组单调性良好，多头收益贡献显著[52][54] --- 模型的回测效果 涨跌停外溢关联网络 - 无具体回测效果数据 Traction_LUD因子 - 全市场表现： - RankIC均值：4.36%[32] - RankICIR：2.84[32] - 多空年化收益率：12.8%[37] - 年化IR：2.75[37] - 最大回撤：3.89%[37] - 月度胜率：75.2%[37] - 分域表现： - 沪深300：多空年化收益率10.1%，年化IR1.5，最大回撤8.9%，月度胜率69.4%[41] - 中证500：多空年化收益率8.9%，年化IR1.4，最大回撤12.2%，月度胜率64%[41] - 中证1000：多空年化收益率12%，年化IR2.2，最大回撤7%，月度胜率71%[41] - 国证2000：多空年化收益率12.2%，年化IR2.5，最大回撤6.8%，月度胜率75%[41] Traction_comb因子 - 全市场表现： - RankIC均值：6.5%[52] - RankICIR：3.9[52] - 多空年化收益率：22%[59] - 年化IR：4.46[59] - 最大回撤：5%[59] - 月度胜率：86%[59] - 分域表现： - 沪深300：多空年化收益率16.9%，年化IR2.2，最大回撤10%，月度胜率74%[59] - 中证500：多空年化收益率17.6%，年化IR2.59，最大回撤7.4%，月度胜率77%[59] - 中证1000：多空年化收益率21.5%，年化IR3.78，最大回撤4.6%，月度胜率82%[59] 指数增强测试（基于Traction_comb因子） - 沪深300：超额年化收益率6.2%，年化IR1.7，最大回撤4.8%，月度胜率70%[66] - 中证500：超额年化收益率9.5%，年化IR1.5，最大回撤14.9%，月度胜率72%[66] - 中证1000：超额年化收益率9.5%，年化IR1.3，最大回撤14.5%，月度胜率65%[66]