量化因子与构建方式 SIM因子 - 因子构建思路 基于股票之间的相似性信息，利用欧几里得距离衡量股票特征间的相关性，构建相似股票的收益加权均值（SIM）和收益的相对差值（RSIM）作为因子[34][19][33] - 因子具体构建过程 1. 筛选价格、市值、估值、盈利和投资等五个角度的指标刻画股票之间的相关性[33][20][19] 2. 计算股票特征的欧几里得距离，筛选相似股票[34] 3. 计算相似股票的收益加权均值（SIM）和收益的相对差值（RSIM）[34] - 因子评价 SIM因子在月频和周频回测中表现一般，收益特征不够突出[36][39][49] SIM_corr因子 - 因子构建思路 在SIM因子的基础上，进一步改进代理变量，采用“相关性程度”构建因子[53][54] - 因子具体构建过程 1. 以“相关性程度”作为代理变量，结合股票特征的欧几里得距离计算相似股票的相关性[53][34] 2. 构建相似股票的收益加权均值（SIM_corr）[54][34] - 因子评价 SIM_corr因子在月频和周频回测中表现优异，收益特征显著，且行业市值中性化后进一步增强[54][58][113] 因子拆解改进 - 因子构建思路 基于不同数值方向的收益序列构建相关系数，拆解股票与相似股票的收益序列[107][116] - 因子具体构建过程 1. 根据收益序列的符号将股票与相似股票的收益拆分为正向和负向序列[107][110] 2. 分别计算拆解后的相关性因子并进行回测[110][111] - 因子评价 拆解后的收益特征与拆解前基本一致，未显著提升因子效果[107][110] 分域检验 - 因子构建思路 分析因子在不同股票池（沪深300、中证500、中证1000）中的表现[113][115] - 因子具体构建过程 1. 在不同股票池中进行因子回测，观察IC值、胜率及收益特征[113][115] 2. 比较因子在不同股票池中的敏感性[113][115] - 因子评价 因子在中证1000股票池中的回测IC值更高，多头组区分度更加突出[113][115] --- 因子的回测效果 SIM因子 - 月度回测 - RANK_IC：-2.9% - ICIR：-0.20 - IC胜率：54.6% - 多空年化收益：8.1% - 夏普比：0.45 - 多头年化收益：4.4%[36][39][51] - 周度回测 - RANK_IC：-1.8% - ICIR：-0.12 - IC胜率：54.4% - 多空年化收益：3.3% - 夏普比：0.16 - 多头年化收益：-2.5%[36][39][51] SIM_corr因子 - 月度回测 - RANK_IC：7.6% - ICIR：1.96 - IC胜率：74.8% - 多空年化收益：25.0% - 夏普比：2.36 - 多头年化收益：14.0%[54][58][110] - 周度回测 - RANK_IC：6.8% - ICIR：3.24 - IC胜率：76.8% - 多空年化收益：47.3% - 夏普比：4.14 - 多头年化收益：17.9%[54][58][111] 因子拆解后回测 - 月度回测 - RANK_IC：7.6% - ICIR：0.65 - IC胜率：74.8% - 多空年化收益：25.0% - 多头年化收益：14.0%[110][111][116] - 周度回测 - RANK_IC：6.8% - ICIR：0.60 - IC胜率：76.8% - 多空年化收益：47.3% - 多头年化收益：17.9%[110][111][116] 分域检验回测 - 中证1000股票池（月度） - RANK_IC：6.9% - ICIR：0.62 - IC胜率：77.3% - 多空年化收益：19.8% - 多头年化收益：9.5%[113][115][116] - 中证1000股票池（周度） - RANK_IC：6.0% - ICIR：0.53 - IC胜率：71.3% - 多空年化收益：40.6% - 多头年化收益：9.4%[113][115][116]