量化模型与构建方式 标准化预期外盈余因子（SUE） 1. **因子名称**：标准化预期外盈余因子（SUE） 2. **因子的构建思路**：通过比较实际净利润与预期净利润的差异，并标准化该差异，来衡量公司业绩的超预期程度 3. **因子具体构建过程**： - 公式：$$S U E={\frac{R_{t}-E_{t}}{\sigma(\mathrm{R_{t}-E_{t})})}}$$ - 公式中，$R_{t}$表示财报披露的净利润水平，$E_{t}$表示预期的净利润水平，$\sigma(\mathrm{R_{t}-E_{t})}$表示预测偏差的波动率水平[30] 4. **因子评价**：基于个股财报数据和分析师一致预期数据构建的SUE因子在不同报告样本池中均具有良好的表现，其中业绩预告对应的多头表现最佳，多报告融合对应的多空对冲夏普比率最高[41] 预期外百分比因子（PCT） 1. **因子名称**：预期外百分比因子（PCT） 2. **因子的构建思路**：通过比较实际净利润与预期净利润的差异，并标准化该差异，来衡量公司业绩的超预期程度 3. **因子具体构建过程**： - 公式：$$P C T={\frac{R_{t}-E_{t}}{a b s(E_{t})}}\,,\;\;E_{t}\neq0$$ - 公式中，$R_{t}$表示财报披露的净利润水平，$E_{t}$表示预期的净利润水平，$a b s(E_{t})$表示预期净利润的绝对值[42] 4. **因子评价**：无论是SUE因子，还是PCT因子，在测试区间均表现了优异的选股能力[49] 超预期收益因子（OER） 1. **因子名称**：超预期收益因子（OER） 2. **因子的构建思路**：通过计算公告日前后一个交易日的超额收益之和，来衡量公司业绩的超预期程度 3. **因子具体构建过程**： - 公式：OER = 公告前一个交易日收益 + 公告后一个交易日收益 - 公式中，公告前一个交易日收益用来表征知情交易者的相关信息，后一个交易日收益用来表征市场反应情况[62] 4. **因子评价**：2016年之前，OER因子在超预期股票池内的区分度不显著，但之后开始逐渐有了稳定的区分效果[66] 跳空因子（JUMP） 1. **因子名称**：跳空因子（JUMP） 2. **因子的构建思路**：通过计算公告后第二个交易日的跳空收益率，来衡量公司业绩的超预期程度 3. **因子具体构建过程**： - 公式：JUMP = 股票跳空收益率 - 指数跳空收益率 - 公式中，股票跳空收益率为公告后第二个交易日最低价与前一个交易日收盘价的差值，指数跳空收益率为中证500指数的跳空收益率[73] 4. **因子评价**：JUMP因子在2017年之后开始有显著的超额收益[76] 理想反转因子 1. **因子名称**：理想反转因子 2. **因子的构建思路**：通过观察公告日后7个交易日的累计收益，来衡量公司业绩的超预期程度 3. **因子具体构建过程**：具体构建方法参见开源金融工程团队研究报告《A股反转之力的微观来源》[74] 4. **因子评价**：理想反转因子在全区间内对超预期股票池具有显著的分层能力[78] 大小单残差因子 1. **因子名称**：大小单残差因子 2. **因子的构建思路**：通过观察个股资金流的强弱关系，来衡量公司业绩的超预期程度 3. **因子具体构建过程**：具体构建方法参见开源金融工程团队研究报告《大单与小单资金流的alpha能力》[78] 4. **因子评价**：小单残差因子比大单残差因子的效果表现更好[79][80] 因子的回测效果 1. **SUE因子** - 业绩预告样本池：多头年化收益率26.43%，夏普比率0.81，多空对冲年化收益率17.93%，夏普比率2.24[32] - 定期报告样本池：多头年化收益率18.09%，夏普比率0.63，多空对冲年化收益率9.49%，夏普比率2.35[34] - 多报告融合样本池：多头年化收益率21.56%，夏普比率0.72，多空对冲年化收益率14.15%，夏普比率3.46[39] 2. **PCT因子** - 业绩预告样本池：多头年化收益率25.78%，夏普比率0.79，多空对冲年化收益率22.81%，夏普比率2.93[43] - 定期报告样本池：多头年化收益率17.31%，夏普比率0.58，多空对冲年化收益率10.81%，夏普比率2.10[43] - 多报告融合样本池：多头年化收益率17.23%，夏普比率0.72，多空对冲年化收益率14.10%，夏普比率2.68[46] 3. **超预期30组合** - 多头收益率43.13%，夏普比率1.53，月度胜率约70% - 对冲基准收益31.08%，夏普比率3.6，月度胜率超80%[90][93]

量化模型与构建方式 Black-Litterman模型 - **模型名称**：Black-Litterman模型 - **模型构建思路**：通过结合分析师目标价与股票当前价格计算目标收益率，生成主观观点矩阵和收益向量，并利用BL模型优化股票权重[1][2][7] - **模型具体构建过程**： 1. **均衡收益率计算**：资产收益率的均值公式为 $ \mu_{p}=[(\tau\Sigma)^{-1}+P^{T}\Omega^{-1}P]^{-1}[(\tau\Sigma)^{-1}\pi+P^{T}\Omega^{-1}Q] $ 其中，$\tau$为主观观点权重，$\Sigma$为资产收益率协方差矩阵，$\pi$为均衡收益率向量，$P$为主观观点矩阵，$\Omega$为观点信心矩阵，$Q$为主观观点收益向量[7][8] 2. **协方差矩阵计算**：资产收益率的协方差矩阵公式为 $ \Sigma_{p}^{*}=\Sigma+[(\tau\Sigma)^{-1}+P^{T}\Omega^{-1}P]^{-1} $[7] 3. **权重计算**：当无约束条件时，股票权重公式为 $ w=(\delta\Sigma_{p}^{*})^{-1}\mu_{p} $ 其中，$\delta$为风险厌恶系数[8] 4. **主观观点收益向量**：通过行业内目标收益率排名靠前和靠后的股票构造多空组合，计算行业内的预期收益率，公式为 $ Q=P \cdot TRV $ 其中，$TRV$为目标收益率向量[12][14][15] 5. **主观观点信心矩阵**：通过分析师目标价的标准差计算观点信心矩阵，公式为 $ \Omega=P Z P^{T} $ 其中，$Z$为目标收益率的标准差矩阵[18][19] 6. **选股范围与权重分配**：基于基准指数成分股，权重根据目标收益率排名调整，负权重股票剔除后形成组合[22][23] - **模型评价**：BL模型能够有效结合分析师目标价生成主观观点，并优化权重分配，选股效果优于市值加权、等权加权及直接排序法[3][25][35] --- 模型的回测效果 沪深300指数 - **全量组合累计收益率**：186.52%[26] - **正向组合累计收益率**：215.15%[26] - **基准指数累计收益率**：49.11%[26] - **全量组合超额收益**：137.41%[26] - **正向组合超额收益**：166.05%[26] - **年度收益表现**： | 年度 | 全量组合超额收益 | 正向组合超额收益 | | --- | --- | --- | | 2010 | 14.59% | 14.79% | | 2011 | 6.31% | 6.89% | | 2012 | 4.62% | 4.88% | | 2013 | 5.22% | 5.91% | | 2014 | -11.17% | -11.97% | | 2015 | 28.73% | 31.55% | | 2016 | -2.87% | -2.65% | | 2017 | -4.89% | -2.00% | | 2018 | 5.36% | 5.78% | | 2019 | 17.21% | 20.46% | | 2020 | 0.40% | 1.51% | | 2021年5月 | 4.07% | 4.10% |[31] 中证500指数 - **全量组合累计收益率**：354.89%[40] - **正向组合累计收益率**：469.14%[40] - **基准指数累计收益率**：50.02%[40] - **全量组合超额收益**：304.87%[40] - **正向组合超额收益**：419.12%[40] - **年度收益表现**： | 年度 | 全量组合超额收益 | 正向组合超额收益 | | --- | --- | --- | | 2010 | 19.16% | 24.72% | | 2011 | 12.16% | 13.95% | | 2012 | 11.67% | 16.08% | | 2013 | 11.35% | 12.66% | | 2014 | -20.75% | -23.19% | | 2015 | 60.81% | 71.37% | | 2016 | 6.22% | 7.75% | | 2017 | 1.19% | 0.60% | | 2018 | 1.58% | 1.37% | | 2019 | 11.44% | 14.74% | | 2020 | 23.41% | 32.02% | | 2021年5月 | 1.36% | 0.44% |[45] --- 模型对比与敏感性分析 对比其他选股方法 - **市值加权与等权加权**：BL模型权重分配效果优于市值加权和等权加权组合[35][38] - **直接排序法**：BL模型选股效果优于目标收益率直接排序法，累计收益率更高[47][48] 主观观点权重敏感性 - **参数变化**：τ值分别设置为0.05、0.1、0.2、0.3，结果显示τ值越大，组合收益率越高，但变化幅度较小，参数较为稳定[54][55][58]

量化模型与构建方式 1. **模型名称：基本面多因子选股模型** - **模型构建思路**：基于盈利、成长和估值三大类因子，筛选出基本面优秀的股票[14] - **模型具体构建过程**： 1. 盈利因子：使用净资产收益率（ROE）筛选全市场前25%的股票，毛利率（GPM）筛选前50%的股票[20] 2. 成长因子：使用营业收入同比增长率（YoyOr）筛选前25%的股票，资产同比增长率（YoyAsset）筛选前50%的股票[20] 3. 估值因子：使用市现率倒数（CFP）筛选前70%的股票[20] 4. 最终筛选同时满足以上5个条件的股票，构建组合[20] - **模型评价**：基本面模型通过财务因子筛选中长期看好的股票，具有较低的换手率[8] 2. **模型名称：深度学习选股模型** - **模型构建思路**：通过深度学习模型提取股票特征，预测股票未来走势[30] - **模型具体构建过程**： 1. 输入层：包含156个股票特征，包括传统选股因子（如估值因子、规模因子等）和价量技术指标（如MACD、KDJ等）[30] 2. 隐藏层：5层隐藏层，节点数分别为512、200、200、200、128[33] 3. 输出层：3个节点，分别表示股票未来上涨、平盘、下跌的概率，使用softmax函数计算概率[31] 4. 模型打分：使用股票上涨概率与下跌概率之差作为模型打分[31] - **模型评价**：深度学习模型基于价量信息筛选短期看好的股票，具有较高的换手率[8] 3. **模型名称：IC加权模型** - **模型构建思路**：将基本面因子和深度学习因子加权，按照因子加权打分进行选股[52] - **模型具体构建过程**： 1. 计算大类因子打分，每期根据大类因子过去120天IC的均值加权获得综合打分[52] 2. 选出与基本面模型和深度学习模型持股数量相当的股票组合，月度调仓[52] - **模型评价**：IC加权模型通过因子加权组合，筛选综合打分靠前的股票，但可能在某些因子上暴露不足[59] 4. **模型名称：增强模型** - **模型构建思路**：结合基本面模型和深度学习模型，先筛选基本面优秀的股票，再通过深度学习模型进一步筛选[61] - **模型具体构建过程**： 1. 第一步：使用基本面模型筛选初选股票池，筛选条件放宽，初选股票池中位数248只[62] 2. 第二步：使用深度学习模型对初选股票池进行分组，选择打分最高的一组构建组合，平均持股数量83只[63] - **模型评价**：增强模型结合了基本面模型和深度学习模型的优势，既筛选中长期看好的股票，又筛选短期看好的股票，换手率较低[124] 模型的回测效果 1. **基本面多因子选股模型** - 年化收益率：18.12%[28] - 年化超额收益率：14.07%[28] - 年化换手率倍数：3.51[83] 2. **深度学习选股模型** - 年化收益率：24.70%[38] - 年化超额收益率：20.65%[38] - 年化换手率倍数：10.89[83] 3. **IC加权模型** - 年化收益率：24.62%[58] - 年化超额收益率：20.69%[58] - 年化换手率倍数：10.04[83] 4. **增强模型** - 年化收益率：28.58%（千分之三费率）[71] - 年化超额收益率：24.29%（千分之三费率）[79] - 年化换手率倍数：8.83[83] - 年化收益率：25.22%（千分之五费率）[91] - 年化超额收益率：21.00%（千分之五费率）[96] - 年化收益率：27.58%（沪深300基准）[107] - 年化超额收益率：22.23%（沪深300基准）[113] 量化因子与构建方式 1. **因子名称：盈利因子** - **因子构建思路**：通过净资产收益率（ROE）和毛利率（GPM）衡量公司的盈利能力[17] - **因子具体构建过程**： 1. ROE：净资产收益率，行业中性、市值中性[20] 2. GPM：毛利率，行业中性、市值中性[20] - **因子评价**：盈利因子反映公司过去的盈利能力，是基本面分析的核心指标之一[14] 2. **因子名称：成长因子** - **因子构建思路**：通过营业收入同比增长率（YoyOr）和资产同比增长率（YoyAsset）衡量公司的成长性[17] - **因子具体构建过程**： 1. YoyOr：营业收入同比增长率，行业中性、市值中性[20] 2. YoyAsset：资产同比增长率，行业中性、市值中性[20] - **因子评价**：成长因子反映公司未来的盈利能力，是基本面分析的重要指标[14] 3. **因子名称：估值因子** - **因子构建思路**：通过市现率倒数（CFP）衡量公司的估值水平[17] - **因子具体构建过程**： 1. CFP：市现率倒数，行业中性、市值中性[20] - **因子评价**：估值因子帮助判断股票是否被低估，是基本面分析的关键指标[14] 因子的回测效果 1. **盈利因子** - 年化收益率：18.12%（基本面模型）[28] - 年化超额收益率：14.07%（基本面模型）[28] 2. **成长因子** - 年化收益率：18.12%（基本面模型）[28] - 年化超额收益率：14.07%（基本面模型）[28] 3. **估值因子** - 年化收益率：18.12%（基本面模型）[28] - 年化超额收益率：14.07%（基本面模型）[28]

量化因子与构建方式 资金流因子 - **因子名称**：大单资金流因子与小单资金流因子 - **因子的构建思路**：通过成交额标准化计算资金流入强度，反映股票微观供求信息，区分大单和小单资金流的选股能力[4][16][21] - **因子具体构建过程**： 1. 按照成交金额划分资金流类型：超大单（>100万元）、大单（20-100万元）、中单（4-20万元）、小单（<4万元）[14] 2. 使用成交额标准化公式构造因子： $$S_{1} = \frac{\sum_{t-T}^{t} (buy_{t} - sell_{t})}{\sum_{t-T}^{t} Amount_{t}}$$ 其中，分母为过去T个交易日个股的成交额之和[22] 3. 提出两种改进标准化方法： - "资金流买入金额+卖出金额"标准化 $$S_{2} = \frac{\sum_{t-T}^{t} (buy_{t} - sell_{t})}{\sum_{t-T}^{t} (buy_{t} + sell_{t})}$$ - "资金净流入金额绝对值"标准化 $$S_{3} = \frac{\sum_{t-T}^{t} (buy_{t} - sell_{t})}{\sum_{t-T}^{t} |buy_{t} - sell_{t}|}$$[22] - **因子评价**：大单资金流因子具有稳定的正向选股效果，小单资金流因子具有稳定的负向选股效果[4][16] 残差资金流强度因子 - **因子名称**：残差资金流强度因子 - **因子的构建思路**：剥离资金流强度因子中涨跌幅的影响，提升选股能力[6][25] - **因子具体构建过程**： 1. 使用横截面回归剥离涨跌幅影响，回归公式为： $$S_{t} = a + b \cdot Ret20_{t} + \varepsilon_{t}$$ 其中，$S_{t}$为净流入金额绝对值标准化后的资金流强度因子，$Ret20_{t}$为20日涨跌幅，$\varepsilon_{t}$为回归后的残差[25][26] 2. 回归后残差即为残差资金流强度因子，代表在同等涨跌幅情况下资金流强度的选股能力[26] - **因子评价**：残差资金流强度因子选股效果显著优于资金流强度因子，表现更加优异[6][29] 残差反转因子 - **因子名称**：残差反转因子 - **因子的构建思路**：剥离传统反转因子中资金流强度的影响，提升反转因子的选股能力[7][39] - **因子具体构建过程**： 1. 使用横截面回归剥离资金流强度影响，回归公式为： $$Ret20_{t} = a + b \cdot S_{t} + \varepsilon_{t}$$ 其中，$Ret20_{t}$为传统反转因子，$S_{t}$为资金流强度因子，$\varepsilon_{t}$为回归后的残差[40] 2. 回归后残差即为残差反转因子，用于替代传统反转因子进行选股回测[40][43] - **因子评价**：残差反转因子显著优于传统反转因子，尤其是小单残差反转因子表现更好[43] --- 因子的回测效果 资金流因子 - **大单资金流因子**：IC均值为0.025，IR为2.69 - **小单资金流因子**：IC均值为-0.027，IR为1.37[5][16][22] 残差资金流强度因子 - **大单残差资金流强度因子**：IC均值为0.054，IR为3.96 - **小单残差资金流强度因子**：IC均值为-0.057，IR为3.81[6][29][31] 残差反转因子 - **全市场**： - **大单残差反转因子**：多头IR为0.62，空头IR为-0.11，多空对冲IR为1.87 - **小单残差反转因子**：多头IR为0.72，空头IR为-0.14，多空对冲IR为2.26[43][50] - **沪深300**： - **大单残差反转因子**：多头IR为0.51，空头IR为-0.02，多空对冲IR为1.59 - **小单残差反转因子**：多头IR为0.59，空头IR为-0.05，多空对冲IR为2.05[53] - **中证500**： - **大单残差反转因子**：多头IR为0.41，空头IR为-0.01，多空对冲IR为1.14 - **小单残差反转因子**：多头IR为0.56，空头IR为-0.04，多空对冲IR为1.68[54]

量化模型与构建方式 1. **模型名称**：深层全连接神经网络模型 **模型构建思路**：通过深层全连接神经网络从日频因子中提取股票特征，预测股票未来走势[28][29] **模型具体构建过程**： - 输入层包含76个日频变量，包括73个高频数据低频化的股票特征和3个低频风格因子（股票市值、5日换手率均值、5日收益率）[29] - 网络结构包含7层，分别为输入层X（76个节点）、隐含层H1（128个节点）、H2（128个节点）、H3（64个节点）、H4（64个节点）、H5（32个节点）和输出层Y（3个节点）[30] - 输出层采用softmax激活函数，预测股票未来走势的三种可能性（上涨、平盘、下跌）[31] - 损失函数采用交叉熵损失函数，优化目标为： $$E(w)=-\sum_{n=1}^{N}\sum_{k=1}^{K}[y_{n k}\log{\hat{y}}_{n k}+(1-y_{n k})\log(1-{\hat{y}}_{n k})]$$ - 训练数据为全市场股票，剔除上市时间不足20个交易日、ST股票、停牌及涨停跌停的股票[33] 2. **模型名称**：特征组合模型 **模型构建思路**：通过回归分析机器生成的特征与股票收益率的关系，构建预测模型[34] **模型具体构建过程**： - 对第t期的全市场股票走势，通过回归模型分析股票因子与收益率的关系： $$r_{i}^{t}=r_{m}^{t}+\sum_{k=1}^{n}x_{i k}^{t}\beta_{k}^{t}+\varepsilon_{i}$$ - 通过滚动平均的方式构建因子对股票收益率的预测模型，将过去T个交易日的回归系数取平均，作为因子对股票收益率解释度的期望值： $$E^{s}[\beta_{k}]={\frac{1}{T}}\sum\nolimits_{\tau=1}^{T}\beta_{k}^{s-\tau}$$ - 对新一期的股票相对收益率进行预测： $${\hat{r}}_{i}^{s}=\sum_{k=1}^{n}x_{i k}^{s}E^{s}[\beta_{k}]$$ - 基于预测收益率筛选股票组合[36][37] 模型的回测效果 1. **深层全连接神经网络模型** - 样本外所有特征的平均IC（取绝对值）为7.7%[2] - 样本外IC均值低于5%的特征数量为5个，占比约16%[2] 2. **特征组合模型** - 2019年以来的样本外数据回测，5日IC均值为7.6%，标准差为7.8%[2] - 在20%的换手率约束下，中证500指数成分股内选股多头组合的年化超额收益率为26.0%，超额收益的夏普比率为2.99[2] - 在20%的换手率约束下，中证1000指数成分股内选股多头组合的年化超额收益率为42.4%，超额收益的夏普比率为3.37[2] 量化因子与构建方式 1. **因子名称**：日内价格相关因子 **因子构建思路**：从日内累积收益率、日内收益率的高阶统计量和日内价格的趋势强度中提取因子[39] **因子具体构建过程**： - 包括日内收益率（ret_intraday）、收益率方差（real_var）、收益率峰度（real_kurtosis）、收益率偏度（real_skew）、上行收益率方差（real_upvar）、下行收益率方差（real_downvar）、上行收益率方差占比（ratio_realupvar）、下行收益率方差占比（ratio_realdownvar）、趋势占比（trendratio）[40] 2. **因子名称**：成交量相关因子 **因子构建思路**：从成交量的分布及其与价格或价格走势的关系中提取因子[41] **因子具体构建过程**： - 包括开盘后各半小时成交量占比（ratio_volumeH1至ratio_volumeH8）、分钟成交量与价格相关性（corr_VP）、分钟成交量与收益率相关性（corr_VR）、分钟成交量与上一时刻收益率相关性（corr_VRlag）、分钟成交量与下一时刻收益率相关性（corr_VRlead）[42] 3. **因子名称**：盘前价量因子 **因子构建思路**：从隔夜收益率和开盘前集合竞价信息中提取因子[43] **因子具体构建过程**： - 包括隔夜收益率（ret_overnight）、开盘价相对第一阶段集合竞价最高价的收益率（ret_open2AH1）、开盘价相对第一阶段集合竞价最低价的收益率（ret_open2AL1）、开盘价相对第二阶段集合竞价最高价的收益率（ret_open2AH2）、开盘价相对第二阶段集合竞价最高价的收益率（ret_open2AL2）、第一阶段集合竞价振幅（diverge_A1）、第二阶段集合竞价振幅（diverge_A2）[44] 4. **因子名称**：资金流向因子 **因子构建思路**：通过Level 2数据计算资金流向，区分不同交易金额的买入和卖出行为[46] **因子具体构建过程**： - 包括机构买入金额（amountbuy_exlarge）、机构卖出金额（amountsell_exlarge）、大户买入金额（amountbuy_large）、大户卖出金额（amountsell_large）、中户买入金额（amountbuy_med）、中户卖出金额（amountsell_med）、散户买入金额（amountbuy_small）、散户卖出金额（amountsell_small）、散户净买入金额（amountdiff_small）、散户净主动买入金额（amountdiff_smallact）、中户净买入金额（amountdiff_med）、中户净主动买入金额（amountdiff_medact）、大户净买入金额（amountdiff_large）、大户净主动买入金额（amountdiff_largeact）、机构净买入金额（amountdiff_exlarge）、机构净主动买入金额（amountdiff_exlargeact）、开盘资金流入率（volumeinflowrate_open）、尾盘资金流入率（volumeinflowrate_close）、净流入金额（moneyflow_diff）、净流入率（amountinflow_rate）[47] 因子的回测效果 1. **日内价格相关因子** - 5日IC最高的因子为real_upvar，IC为-5.52%[55] 2. **成交量相关因子** - 5日IC最高的因子为corr_VP，IC为-3.96%[55] 3. **盘前价量因子** - 5日IC最高的因子为ret_open2AH1，IC为4.15%[55] 4. **资金流向因子** - 5日IC最高的因子为amountbuy_small，IC为-7.60%[55]

量化模型与构建方式 1. **模型名称**：Black-Litterman模型 - **模型构建思路**：通过结合市场均衡收益率与投资者主观观点，生成后验收益率，优化资产配置权重[7][8] - **模型具体构建过程**： 1. **计算均衡收益率**：逆向优化市场基准组合权重，得到隐含均衡收益率向量Π，公式为 $$\Pi = \delta \Sigma w_{eq}$$ 其中δ为风险厌恶系数，Σ为资产收益率协方差矩阵，$w_{eq}$为市值权重[10][12] 2. **设定主观观点**：通过矩阵P（观点涉及资产）和向量Q（观点收益率）表达绝对或相对收益观点，例如汽车行业绝对收益6%或食品饮料相对家用电器超额收益-1%[16][17][19] 3. **计算后验收益率**：结合均衡收益率与主观观点，公式为 $$\mu_{p}=[(\tau\Sigma)^{-1}+P^{T}\Omega^{-1}P]^{-1}[(\tau\Sigma)^{-1}\Pi+P^{T}\Omega^{-1}Q]$$ 其中τ控制主观观点权重（τ=0.025），Ω为观点协方差矩阵[7][15][28] 4. **权重计算**：无约束时直接求解，有约束时通过均值-方差优化[7][43] - **模型评价**：权重结果稳定且可解释，避免均值-方差模型的极端配置[41][42] 2. **协方差矩阵计算方法** - **历史方法**：Ω矩阵元素与资产历史波动率成正比，公式为 $$\Omega = \tau \cdot \text{diag}(P\Sigma P^{T})$$[28] - **指定信心水平方法**：根据投资者对观点的确信度（如50%或95%）反推Ω矩阵[29][35] 模型的回测效果 1. **无约束BL模型权重**： - 汽车行业权重28.58%（均衡权重5.06%），传媒行业权重-8.27%（均衡权重6.10%）[38][40] - 电子、计算机、电气设备权重因观点收益率低于隐含值而下降[41] 2. **有权重约束BL模型权重**： - 约束1（仅做多）：传媒权重降至0%，汽车权重27.15%[46] - 约束3（权重上限20%）：汽车权重降至20%[46] 量化因子与构建方式 1. **因子名称**：主观观点因子 - **因子构建思路**：将投资者对资产收益的绝对或相对观点量化为矩阵P和向量Q[16][19] - **因子具体构建过程**： - 绝对观点（如汽车收益6%）对应P矩阵行元素为1[17] - 相对观点（如电子+计算机+电气设备跑赢银行+房地产2%）按市值权重分配P矩阵元素值[17][19] - **因子评价**：需确保观点收益率与均衡收益率可比，避免数量级偏差[16][42] 因子的回测效果 1. **观点变化影响**： - 汽车观点收益率从6%下调至5%时，权重从28.58%降至10.51%[51][54] - 食品饮料相对家用电器观点从-1%改为+1%时，食品饮料权重从2.91%升至27.97%[55][56] 2. **信心水平影响**： - 汽车观点信心水平从50%升至95%时，权重从30.49%升至70.01%[62] 其他关键指标 - **均衡收益率示例**：医药生物4.19%，电子5.64%，银行2.62%[12] - **历史协方差矩阵**：电子行业方差0.0969，医药生物与电子协方差0.0513[14] - **观点隐含收益率**：电子+计算机+电气设备跑赢银行+房地产的隐含收益率为2.48%[24]

量化因子与构建方式 研发费用因子 - **因子的构建思路** 研发费用因子用于衡量公司在创新研发方面的投入，研发费用越高的公司，其未来股票收益率可能更高[4][32][50] - **因子具体构建过程** 1. 收集公司年度研发费用数据，并对研发费用进行市值中性化处理，以剔除市值对因子的影响[50] 2. 使用市值中性化后的研发费用因子值进行选股，选股周期为每年4月底至次年4月底[50] 3. 计算研发费用因子与未来一年收益率的相关性，使用IC均值作为因子选股能力的衡量指标[50] 4. 调仓时点为每年4月底、8月底和10月底，分档收益率计算累计收益率和年化收益率[56] - **因子评价** 研发费用因子具有显著的选股能力，尤其在近年来表现更加显著[50] 盈利因子 - **因子的构建思路** 盈利因子用于衡量公司盈利能力，高盈利的公司在未来股价表现较好[60][63] - **因子具体构建过程** 1. 收集单季度ROE、单季度ROA等11个盈利相关指标[60] 2. 计算每个因子的季度IC值和多空年化收益率[63] 3. 调仓时点为每年4月底、8月底和10月底，计算多头相对基准的超额收益[60][63] - **因子评价** 盈利因子是科技股表现的重要驱动因素，具有较好的选股能力[60][63] 成长因子 - **因子的构建思路** 成长因子用于衡量公司成长性，高成长的公司在未来一段时间有望获取超额收益[65][66] - **因子具体构建过程** 1. 收集单季度净利润同比增长、单季度营业收入同比增长等成长相关指标[65] 2. 计算每个因子的季度IC值和多空年化收益率[66] 3. 调仓时点为每年4月底、8月底和10月底，计算多头相对基准的超额收益[65][66] - **因子评价** 成长因子是科技股未来表现的重要驱动因素，表现出不错的选股能力[65][66] 质量因子 - **因子的构建思路** 质量因子用于衡量公司运营效率和财务质量，但对科技股表现的影响较弱[66][70] - **因子具体构建过程** 1. 收集总资产周转率、流动资产周转率等质量相关指标[66][70] 2. 计算每个因子的季度IC值和多空年化收益率[70] 3. 调仓时点为每年4月底、8月底和10月底，计算多头相对基准的超额收益[66][70] - **因子评价** 质量因子对科技股走势的影响较弱，选股能力有限[66][70] 估值因子 - **因子的构建思路** 估值因子用于衡量股票的估值水平，低估值的科技股在未来一个月表现较好[80][81] - **因子具体构建过程** 1. 收集BP（市净率倒数）、EP（市盈率倒数）、SP（市销率倒数）等估值相关指标[80][81] 2. 计算每个因子的月度IC值和多空年化收益率[81] 3. 调仓时点为每月最后一个交易日，计算多头相对基准的超额收益[80][81] - **因子评价** 估值因子具有不错的选股效果，其中EP因子的选股能力相对更好[80][81] 其他风格因子 - **因子的构建思路** 其他风格因子包括流通市值、换手率、波动率、1月反转和12月反转等，低流通市值、低换手率、低波动率的股票表现较好[85][86] - **因子具体构建过程** 1. 收集流通市值、换手率等风格相关指标[85][86] 2. 计算每个因子的月度IC值和多空年化收益率[86] 3. 调仓时点为每月最后一个交易日，计算多头相对基准的超额收益[85][86] - **因子评价** 小市值因子和低换手率因子具有较高的多空超额收益，其中低换手率因子近年来表现较好[85][86] --- 因子的回测效果 研发费用因子 - IC均值：0.12（2008年4月以来），0.19（2016年4月以来）[50] - 多空年化超额收益率：21.58%[56] 盈利因子 - 单季度ROE：IC均值0.08，多空年化超额收益率12.04%[63] - 单季度ROA：IC均值0.08，多空年化超额收益率11.34%[63] 成长因子 - 单季度净利润同比增长：IC均值0.12，多空年化超额收益率17.16%[66] - 单季度营业收入同比增长：IC均值0.10，多空年化超额收益率12.90%[66] 质量因子 - 总资产周转率：IC均值0.04，多空年化超额收益率5.01%[70] - 流动资产周转率：IC均值0.02，多空年化超额收益率4.02%[70] 估值因子 - BP：IC均值0.055，多空年化超额收益率11.93%[81] - EP：IC均值0.050，多空年化超额收益率19.44%[81] 其他风格因子 - 流通市值：IC均值-0.030，多空年化超额收益率34.88%[86] - 换手率：IC均值-0.097，多空年化超额收益率42.98%[86]

量化因子与构建方式 1. 因子名称：主动买卖因子（ACT因子） - **因子的构建思路**：通过“主动买入金额”与“主动卖出金额”的定量比较，度量“主动净买入强度”，以此反映交易者的主动性行为对股价未来走势的影响[13][14] - **因子具体构建过程**： 1. 定义交易者类型：根据订单委托金额大小，将交易者分为超大单（>100万元）、大单（20-100万元）、中单（4-20万元）和小单（<4万元）[13] 2. 计算公式： $$ \mathrm{ACT} = \frac{\text{主动买入金额} - \text{主动卖出金额}}{\text{主动买入金额} + \text{主动卖出金额}} $$ 公式中，分子为主动净买入金额，分母为主动买卖总金额[13][14] 3. 每月末取过去20日的ACT指标均值，作为因子值[14] 4. 剔除停牌、ST、涨跌停、过去20日有效交易日小于10天的股票[14] - **因子评价**：ACT因子的IC绝对值较低，选股能力不达预期，尤其是超大单因子覆盖率较低，且存在“拆单”行为，导致高低收益端均表现不佳[14][21] 2. 因子名称：切割后的ACT因子 - **因子的构建思路**：通过“因子切割论”，将ACT因子按照收益率高低进行切分，分析不同交易日的因子表现，以更精细化地刻画市场行为模式[6][15] - **因子具体构建过程**： 1. 回溯过去20个交易日，计算逐日的ACT值[20] 2. 按收益率排序，取最高比例的交易日为高收益日，最低比例的交易日为低收益日[20][29] 3. 对高收益日的ACT值取平均，得到ACT_high因子；对低收益日的ACT值取平均，得到ACT_low因子[20][29] - **因子评价**： - 大单和中单因子在高收益端呈现较强的正向选股效应[6][25] - 小单因子在低收益端呈现较强的负向选股效应[6][25] - 超大单因子在高低收益端均表现不佳[6][25] 3. 因子名称：ACT正向因子与ACT负向因子 - **因子的构建思路**：基于切割分析，分别构建大单和中单的正向主动买卖因子（ACT正向），以及小单的负向主动买卖因子（ACT负向），以区分不同交易者的行为特征[7][24] - **因子具体构建过程**： 1. 逐日计算大单和中单的主动买卖因子，公式为： $$ \mathrm{ACT正向,t} = \frac{\text{主动买入金额(大单 + 中单)} - \text{主动卖出金额(大单 + 中单)}}{\text{主动买入金额(大单 + 中单)} + \text{主动卖出金额(大单 + 中单)}} $$ [26] 2. 逐日计算小单的主动买卖因子，公式为： $$ \mathrm{ACT负向,t} = \frac{\text{主动买入金额(小单)} - \text{主动卖出金额(小单)}}{\text{主动买入金额(小单)} + \text{主动卖出金额(小单)}} $$ [26] 3. 对上述因子取平均，分别记为ACT正向和ACT负向[26] - **因子评价**： - ACT正向因子在不同切割比例下选股能力优异，尤其在λ=10%时表现最佳[7][26] - ACT负向因子选股能力较弱，且近年来收益逐渐降低[7][33] --- 因子的回测效果 1. 主动买卖因子（ACT因子） - **IC水平**：按照小单、中单、大单、超大单的顺序，IC水平逐渐上升（从负到正）[14] - **多空对冲净值**：表现不理想，选股能力不达预期[14][16] 2. 切割后的ACT因子 - **小单因子**： - 低收益端：负向选股效应强，衰减速度较慢[6][25] - 高收益端：正向选股效应弱，衰减速度较快[6][25] - **中单因子**： - 高收益端：正向选股效应强[6][25] - 低收益端：负向选股效应弱[6][25] - **大单因子**： - 高收益端：正向选股效应强[6][25] - 低收益端：负向选股效应弱[6][25] - **超大单因子**：高低收益端均无明显选股效应[6][25] 3. ACT正向因子与ACT负向因子 - **ACT正向因子**： - λ=10%时，多空收益波动比为3.06，多头收益波动比为0.87[26][28] - 提纯后（行业风格中性化），λ=10%时，多空收益波动比为2.40，多头收益波动比为0.66[36][38] - 在沪深300和中证500样本空间内，λ=20%时，多空收益波动比分别为1.32和1.78，多头收益波动比分别为0.63和0.80[43][44] - **ACT负向因子**： - λ=10%时，多空收益波动比为0.82，多头收益波动比为0.73[33] - 收益波动比相对稳定，但总体选股能力较弱[7][33]

量化模型与构建方式 1.模型名称：Black-Litterman模型（BL模型） 模型构建思路：BL模型通过贝叶斯定理将市场均衡收益率（CAPM推导的先验信息）与投资者主观观点结合，优化资产配置权重[2][3][8] 模型具体构建过程： - **先验收益率计算**：基于CAPM逆向优化，市场均衡收益率Π通过效用函数最大化推导，公式为 $$\Pi=\delta\Sigma w_{eq}$$ 其中δ为风险厌恶系数，$w_{eq}$为市值加权均衡权重，Σ为收益率协方差矩阵[12][13][15] - **主观观点表达**：通过矩阵P（k×n观点矩阵）和向量Q（k×1预期收益）定义，并引入信心矩阵Ω（对角矩阵）[9][21][22] - **贝叶斯融合**：后验收益率均值$\mu_p$和协方差$\Sigma_p$计算公式为 $$\mu_{p}=[(\tau\Sigma)^{-1}+P^{T}\Omega^{-1}P]^{-1}[(\tau\Sigma)^{-1}\Pi+P^{T}\Omega^{-1}Q]$$ $$\Sigma_{p}=[(\tau\Sigma)^{-1}+P^{T}\Omega^{-1}P]^{-1}$$ 其中τ调节先验权重[9][10][29] - **最终权重计算**：将后验收益率输入均值-方差模型，无约束时权重为 $$w=(\delta\Sigma_{p}^{*})^{-1}\mu_{p}$$ 其中$\Sigma_{p}^{*}=\Sigma_{p}+\Sigma$为调整后协方差矩阵[30][32][34] 模型评价：稳定性高（以均衡组合为起点），灵活性好（支持部分资产观点表达），但协方差计算方式影响权重调整范围[2][8][31] 模型的回测效果 （注：原文未提供具体回测指标数据） 量化因子与构建方式 （注：原文未涉及独立因子构建） 因子的回测效果 （注：原文未涉及因子测试结果） 关键要点引用说明： - 模型稳定性与灵活性优点[2][8] - CAPM逆向优化推导均衡收益率[12][15] - 贝叶斯融合公式及参数定义[9][10][29] - 协方差矩阵计算争议[30][31] - 最终权重计算逻辑[32][34]

量化因子与构建方式 1. 因子名称：EP（估值因子） - **因子的构建思路**：EP 因子是传统估值因子之一，基于静态价值投资理念，关注“哪些股票的估值目前是最便宜的”[4][12] - **因子具体构建过程**：EP 因子的计算公式为 $EP(t) = E(t) / P(t)$，其中 $E(t)$ 表示股票的盈利，$P(t)$ 表示股票的价格[13] - **因子评价**：近年来，EP 因子在 A 股市场的表现出现失效迹象，其收益能力显著下降[4][12] 2. 因子名称：BP（估值因子） - **因子的构建思路**：BP 因子是另一种传统估值因子，基于静态价值投资理念，关注低估值股票的表现[12] - **因子具体构建过程**：BP 因子的计算公式为 $BP = B / P$，其中 $B$ 表示账面价值，$P$ 表示股票价格[12] - **因子评价**：与 EP 因子类似，BP 因子在 A 股市场的表现也出现了失效迹象[12] 3. 因子名称：dEP（估值变动因子） - **因子的构建思路**：dEP 因子基于动态价值投资理念，关注“哪些股票的估值正在变得越来越便宜”[5][15] - **因子具体构建过程**：dEP 因子是 EP 因子的 60 日变化量，公式为： $$ dEP = \frac{E(t)}{P(t)} - \frac{E(t-60)}{P(t-60)} $$ 进一步拆解为： $$ dEP = EP(t) * \left(1 - \frac{R}{G}\right) $$ 其中，$R = P(t) / P(t-60)$ 表示股票价格的变动比率，$G = E(t) / E(t-60)$ 表示股票盈利的变动比率[13][15][16] - **因子评价**：dEP 因子在收益结构、分行业表现以及多头选股能力上均显著优于传统估值因子[5][24][33] --- 因子的回测效果 1. EP 因子 - 年化多空收益：15.6%[17] - IC 均值：0.032[17] - IR：1.49[17] - 多空收益（2019 年后）：-3.4%[17] 2. BP 因子 - 本报告未提供 BP 因子的具体回测数据 3. dEP 因子 - 年化多空收益：22.9%[17] - IC 均值：0.043[17] - IR：2.70[17] - 多空收益（2019 年后）：21.9%[17] --- 因子的比较优势 1. 收益结构 - dEP 因子的多头收益与空头收益均显著优于 EP 因子，且分组收益单调性更好[24][25] 2. 行业表现 - dEP 因子在除银行行业外的所有一级行业中选股能力均优于 EP 因子，且在部分行业（如石油石化、基础化工、医药等）中，EP 因子甚至表现为负向选股指标，而 dEP 因子在所有行业中 IC 均值均在 0.03 以上[25][27] 3. 因子暴露 - dEP 因子的多头组合相比 EP 因子具有更大的平均市值、更高的市净率（BP）、相对较低的 ROE[28][32] --- 因子的细分行业应用 1. 半导体行业 - dEP 因子多头组合自 2018 年 10 月以来跑赢 EP 因子多头组合，超额收益率为 13.1%[33][38] 2. 生物医药行业 - dEP 因子多头组合自 2018 年 10 月以来跑赢 EP 因子多头组合，超额收益率为 18.3%[35][39] 3. 白酒行业 - dEP 因子多头组合自 2018 年 10 月以来跑赢 EP 因子多头组合，超额收益率为 10.8%[36][41]