根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：期现对冲策略（连续对冲）**[46] * **模型构建思路**：通过做空股指期货合约来对冲持有现货（指数全收益）的风险，旨在获取相对稳定的收益[46] * **模型具体构建过程**： * **现货端**：持有对应标的指数的全收益指数[47] * **期货端**：做空与现货端名义本金相同的股指期货合约[47] * **资金分配**：现货端使用70%资金，期货端占用剩余30%资金，每次调仓后根据产品净值重新计算现货及期货端数量[47] * **调仓规则**：连续持有季月或当月合约，直至该合约离到期剩余不足2日，在当日以收盘价进行平仓，并同时以当日收盘价继续卖空下一季月或当月合约[47] * **回测区间**：2022年7月22日至2025年11月7日[47] * **备注**：不考虑交易过程中的手续费、冲击成本以及期货合约的不可无限细分性质[47] 2. **模型名称：期现对冲策略（最低贴水）**[48] * **模型构建思路**：在期现对冲的基础上，通过选择年化基差贴水幅度最小的合约进行开仓，以优化对冲成本[48] * **模型具体构建过程**： * **现货端与期货端设置**：与连续对冲策略相同（持有全收益指数，70%资金用于现货，30%用于期货，等额名义本金对冲）[48] * **调仓规则**：调仓时，对当日所有可交易期货合约的年化基差进行计算，选择年化基差贴水幅度最小的合约进行开仓。同一合约持有8个交易日之后或该合约离到期剩余不足2日，才能进行选择新合约（排除剩余到期日不足8日的期货合约），每次选择后，即使选择结果为持有原合约不变，仍继续持有8个交易日[48] * **回测区间**：2022年7月22日至2025年11月7日[48] * **备注**：不考虑交易过程中的手续费、冲击成本以及期货合约的不可无限细分性质[48] 3. **因子名称：分红调整年化基差**[20] * **因子构建思路**：为了准确分析股指期货合约的基差，需要剔除指数成分股分红对合约价格的影响，从而得到反映市场真实情绪和资金成本的基差水平[20] * **因子具体构建过程**： * 首先计算预期分红调整后的基差：`预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红`[20] * 然后对调整后的基差进行年化处理：`年化基差 = (实际基差 + (预期)分红点位) / 指数价格 × 360 / 合约剩余天数`[20] * 公式说明：`实际基差`为合约收盘价与标的指数收盘价的差值；`(预期)分红点位`为合约存续期内指数成分股预计分红的点数总和；`指数价格`为标的指数收盘价；`合约剩余天数`为当前日期距合约到期日的天数[20] 4. **因子名称：信达波动率指数 (Cinda-VIX)**[64] * **因子构建思路**：借鉴海外经验，并结合我国场内期权市场的实际情况，开发能够准确反映市场对未来波动性预期的指数[64] * **因子评价**：可以反应期权市场投资者对标的资产未来波动的预期，而VIX又具有期限结构，可以反应投资者对同一个标的资产在未来不同期限内的波动预期[64] 5. **因子名称：信达偏度指数 (Cinda-SKEW)**[72] * **因子构建思路**：通过捕捉不同行权价格期权隐含波动率（IV）的偏斜特征，来衡量市场对标的资产未来收益分布（特别是尾部风险）的预期[72] * **因子评价**：能够洞察市场对标的资产未来潜在风险的忧虑，当SKEW指数超过100，通常意味着投资者对市场未来可能出现的大幅下跌风险的担忧加剧[72][73] 模型的回测效果 * **IC（中证500）对冲策略表现**（回测区间：2022年7月22日至2025年11月7日）[50] * **当月连续对冲模型**：年化收益-3.20%，波动率3.84%，最大回撤-10.25%，净值0.8990，年换手次数12，2025年以来收益-5.55%[50] * **季月连续对冲模型**：年化收益-2.20%，波动率4.76%，最大回撤-8.34%，净值0.9297，年换手次数4，2025年以来收益-2.43%[50] * **最低贴水策略模型**：年化收益-1.69%，波动率4.56%，最大回撤-7.97%，净值0.9459，年换手次数16.80，2025年以来收益-3.29%[50] * **指数表现（对比基准）**：年化收益4.78%，波动率21.05%，最大回撤-31.46%，净值1.1651，2025年以来收益32.13%[50] * **IF（沪深300）对冲策略表现**（回测区间：2022年7月22日至2025年11月7日）[55] * **当月连续对冲模型**：年化收益0.43%，波动率2.93%，最大回撤-3.95%，净值1.0141，年换手次数12，2025年以来收益-0.93%[55] * **季月连续对冲模型**：年化收益0.72%，波动率3.28%，最大回撤-4.03%，净值1.0237，年换手次数4，2025年以来收益0.39%[55] * **最低贴水策略模型**：年化收益1.18%，波动率3.05%，最大回撤-4.06%，净值1.0391，年换手次数14.96，2025年以来收益0.55%[55] * **指数表现（对比基准）**：年化收益3.07%，波动率17.08%，最大回撤-25.59%，净值1.1039，2025年以来收益22.47%[55] * **IH（上证50）对冲策略表现**（回测区间：2022年7月22日至2025年11月7日）[59] * **当月连续对冲模型**：年化收益1.09%，波动率3.01%，最大回撤-4.22%，净值1.0361，年换手次数12，2025年以来收益0.53%[59] * **季月连续对冲模型**：年化收益1.99%，波动率3.41%，最大回撤-3.75%，净值1.0668，年换手次数4，2025年以来收益1.74%[59] * **最低贴水策略模型**：年化收益1.72%，波动率3.02%，最大回撤-3.91%，净值1.0574，年换手次数15.57，2025年以来收益1.62%[59] * **指数表现（对比基准）**：年化收益1.99%，波动率16.12%，最大回撤-22.96%，净值1.0667，2025年以来收益16.40%[59] * **IM（中证1000）对冲策略表现**（回测区间：2022年7月22日至2025年11月7日）[61] * **当月连续对冲模型**：年化收益-6.26%，波动率4.75%，最大回撤-14.00%，净值0.8282，年换手次数12，2025年以来收益-11.46%[61] * **季月连续对冲模型**：年化收益-4.58%，波动率5.78%，最大回撤-12.63%，净值0.8437，年换手次数4，2025年以来收益-6.32%[61] * **最低贴水策略模型**：年化收益-4.20%，波动率5.54%，最大回撤-11.11%，净值0.8620，年换手次数15.72，2025年以来收益-6.70%[61] * **指数表现（对比基准）**：年化收益1.16%，波动率25.53%，最大回撤-41.60%，净值0.9490，2025年以来收益30.10%[61] 因子的回测效果 * **Cinda-VIX 因子取值**（截至2025年11月7日）[64] * **上证50VIX_30**：18.55[64] * **沪深300VIX_30**：19.17[64] * **中证500VIX_30**：26.21[64] * **中证1000VIX_30**：23.84[64] * **Cinda-SKEW 因子取值**（截至2025年11月7日）[73] * **上证50SKEW**：103.82[73] * **沪深300SKEW**：108.08[73] * **中证500SKEW**：101.38[73] * **中证1000SKEW**：106.80[73] * **分红调整年化基差因子取值**（截至2025年11月7日，当季合约）[4][21][28][33][39] * **IC（中证500）**：-9.74%[4][21] * **IF（沪深300）**：-2.96%[4][28] * **IH（上证50）**：-0.24%[4][33] * **IM（中证1000）**：-12.49%[4][39]

根据提供的金融工程日报内容，该报告主要描述了市场表现、情绪和资金流向等市场监测指标，并未涉及具体的量化模型或量化因子的构建、测试与分析。报告内容属于市场数据统计和描述性分析范畴[2][6][7][10][14][15][18][20][23][24][27][29][31][33][36][37]。 因此，本总结中“量化模型与构建方式”及“模型的回测效果”部分，“量化因子与构建方式”及“因子的回测效果”部分均无相关内容可提供。

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 **1 因子名称：250日新高距离**[11] - **因子构建思路**：该因子用于衡量当前股价相对于过去250个交易日最高价的回落幅度，是动量效应和趋势跟踪策略的核心指标[11] - **因子具体构建过程**：具体计算方法是使用最新收盘价除以过去250个交易日收盘价的最大值，然后用1减去该比值[11] $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，$Closet$为最新收盘价，$ts\_max(Close,250)$为过去250个交易日收盘价的最大值[11] 当最新收盘价创出新高时，该因子值为0；当股价从高点回落时，该因子为正值，表示回落幅度[11] **2 因子名称：平稳创新高股票筛选因子**[25][27] - **因子构建思路**：基于研究表明遵循平滑价格路径的高动量股收益优于跳跃价格路径的高动量股，该复合因子从多个维度筛选具有持续平稳创新高特征的股票[25][27] - **因子具体构建过程**：构建过程包含多个筛选步骤： 1. 初选股票池：在过去20个交易日创出过250日新高的股票中筛选[27] 2. 分析师关注度筛选：过去3个月买入或增持评级的分析师研报不少于5份[27] 3. 股价相对强弱筛选：过去250日涨跌幅位于全市场前20%[27] 4. 股价平稳性综合打分：在满足上述条件的股票池内，用以下两个指标综合打分，取排名在前50%的股票[27] 5. 价格路径平滑性指标：股价位移路程比[27] 6. 创新高持续性指标：过去120日的250日新高距离在时间序列上的均值[27] 7. 趋势延续性筛选：过去5日的250日新高距离在时间序列上的均值，取排序靠前的50只[27] 模型的回测效果 *注：报告中未提供具体的模型回测效果指标值* 因子的回测效果 **1 250日新高距离因子应用效果**[19][20] - 在全市场监测中，截至2025年11月7日，共1018只股票在过去20个交易日间创出250日新高[19] - 按行业分布：创新高个股数量最多的是机械(140只)、基础化工(110只)、电子行业(99只)[19] - 按行业占比：创新高个股数量占比最高的是煤炭(52.78%)、有色金属(52.42%)、钢铁行业(39.62%)[19] - 按板块分布：周期板块创新高股票319只(占比28.46%)、制造板块301只(占比19.33%)、科技板块259只(占比18.36%)[20] - 按指数分布：中证500和沪深300指数中创新高个股占比均为22.00%，中证1000指数占比18.70%，中证2000指数占比18.15%[20] **2 平稳创新高股票筛选因子应用效果**[28] - 通过该复合因子筛选出了50只平稳创新高的股票，包括香农芯创、中际旭创、源杰科技等[28] - 按板块分布：周期板块入选21只，科技板块入选16只[28] - 细分行业分布：周期板块中有色金属行业创新高最多，科技板块中电力设备及新能源行业创新高最多[28]

根据您提供的研报内容，以下是关于报告中涉及的量化模型与因子的详细总结。 量化模型与构建方式 1. **模型名称：基于财报盈利增速的行业配置模型**[3][7] * **模型构建思路**：该模型以财报盈利增速作为筛选行业的主要正向标准，认为财报公布后，投资者会买入盈利能力强的行业[7][27]；同时，结合估值和交易拥挤度作为反向风险指标，以控制风险[7][27] * **模型具体构建过程**： 1. **选择指标**：模型选取四个指标[29]： * **盈利增速指标（正向）**： * 净利润单季度同比 * 净利润单季度同比_边际变化（计算公式：边际变化 = 2025年Q3单季度同比 - 2024年Q3单季度同比）[15] * **风险指标（反向）**： * 估值分位数（PE_TTM历史分位数，计算窗口为2020年至今）[21] * 换手率标准差（计算窗口为过去3个月）[24] 2. **数据标准化**：对每个指标在截面（所有申万一级行业）上进行排序（Rank），得到每个行业在每个指标下的排序值[30] 3. **权重设定**：由于盈利增速是筛选的第一准则，给予两个盈利指标较高的权重（各0.3），两个风险指标较低的权重（各0.2）[30] 4. **计算综合得分**：每个行业的综合得分由各指标排序值乘以其对应权重后加总得出[31]，具体公式如下： $$行业综合打分 = 0.3 * Rank_{净利润单季度同比} + 0.3 * Rank_{净利润单季度同比\_边际变化} + 0.2 * Rank_{估值分位数} + 0.2 * Rank_{换手率标准差}$$[32] * 公式说明：`Rank_指标名` 代表该指标在行业截面上的排序值。对于反向风险指标（估值分位数、换手率标准差），其排序为逆序（即数值越大，排序值越小）[30] 5. **生成配置建议**：选择综合得分排名前五的行业作为模型的优选行业进行配置[7][32] 模型的回测效果 1. **基于财报盈利增速的行业配置模型**[32] * **回测窗口**：2025年11月03日至2025年11月07日 * **组合构建方式**：等权构建优选行业指数组合[32] * **组合收益**：2.38%[32] * **基准收益（Wind全A）**：0.63%[32] * **超额收益**：1.75%[32] 量化因子与构建方式 1. **因子名称：净利润单季度同比**[29] * **因子构建思路**：衡量行业在最近一个季度（Q3）的净利润相对于去年同期的增长能力，是评估行业当期盈利状况的核心指标[10][29] * **因子具体构建过程**：使用申万一级行业成分股的财务数据，计算行业整体Q3单季度的归母净利润，并与去年同期的归母净利润进行比较[10]。计算公式为： $$净利润单季度同比 = \frac{行业2025年Q3单季度归母净利润 - 行业2024年Q3单季度归母净利润}{行业2024年Q3单季度归母净利润} \times 100\%$$[10] 2. **因子名称：净利润单季度同比_边际变化**[15][29] * **因子构建思路**：衡量行业当前季度的盈利增速相较于去年同期盈利增速的变化，用于判断盈利增长的持续性和趋势强度，避免季节性影响[14][15] * **因子具体构建过程**：计算当前报告期（2025年Q3）的净利润单季度同比与上一报告期同期（2024年Q3）的净利润单季度同比的差值[15]。计算公式为： $$净利润单季度同比\_边际变化 = 净利润单季度同比_{2025Q3} - 净利润单季度同比_{2024Q3}$$[15] * 公式说明：该因子是增速的差值，反映了盈利加速或减速的状况[15] 3. **因子名称：估值分位数（PE_TTM）**[21] * **因子构建思路**：通过计算行业当前估值在其历史序列中的位置，来横向比较不同行业的估值相对高低，消除行业间绝对估值不可比的问题[21] * **因子具体构建过程**： 1. 获取申万一级行业指数的每日PE_TTM数据，计算窗口为2020年至今[21] 2. 对于每个行业，计算其在最新交易日（2025年10月31日）的PE_TTM值在指定历史窗口内所有交易日数据中的分位数[21] * **因子评价**：该因子是一个反向指标，分位数越高，代表估值处于历史较高水平，潜在风险可能越大[7][21] 4. **因子名称：换手率标准差**[24] * **因子构建思路**：使用换手率的波动性（标准差）来衡量行业交易的拥挤度，高标准差意味着交易活动不稳定，可能出现资金集中进出，暗示交易拥挤[24] * **因子具体构建过程**：对于每个申万一级行业，计算其过去3个月内每日换手率的标准差[24] * **因子评价**：该因子是一个反向指标，高标准差代表交易拥挤度高，是潜在的风险信号[7][24] 因子的回测效果 *（注：研报中未提供各个因子单独的回测表现，如IC值、IR值等，仅展示了它们作为整体模型输入的应用结果。因此，此部分无相关内容。）*

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于度量当前股价相对于过去250个交易日（约一年）最高点的回落幅度，数值越小代表股价越接近前期高点，通常与动量效应和趋势跟踪策略相关[11] * **因子具体构建过程**：计算步骤如下： 1. 获取股票在过去250个交易日的每日收盘价序列 2. 计算过去250个交易日收盘价的最大值：$$ts\_max(Close, 250)$$[11] 3. 获取最新收盘价 $$Close_t$$[11] 4. 计算250日新高距离：$$250日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$[11] 当最新收盘价创出250日新高时，该因子值为0；当股价从高点回落时，该因子为正值，表示回落的幅度[11] 2. **因子名称：平稳创新高股票筛选因子（复合因子）**[25][27] * **因子构建思路**：该复合因子旨在从创出250日新高的股票中，进一步筛选出价格路径相对平滑、趋势延续性好的股票，其理论基础在于研究表明平滑的动量效应可能更强[25] * **因子具体构建过程**：这是一个多步骤的筛选流程，具体条件如下： 1. **初选股票池**：筛选出过去20个交易日内曾创出250日新高的股票[19] 2. **分析师关注度**：过去3个月内，买入或增持评级的分析师研报数量不少于5份[27] 3. **股价相对强弱**：过去250日涨跌幅位于全市场前20%[27] 4. **股价平稳性筛选**：在满足上述条件的股票池内，使用以下两个指标进行综合打分，并选取排名在前50%的股票[27]： * **价格路径平滑性**：使用股价位移路程比衡量，具体公式为 $$价格路径平滑性 = \frac{过去120日涨跌幅的绝对值}{过去120日日涨跌幅绝对值加总}$$[25][27] * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[27] 5. **趋势延续性**：过去5日的250日新高距离在时间序列上的均值，最终选取此指标排序靠前的50只股票[27] 模型的回测效果 *（注：报告中未提供具体量化模型的回测绩效指标，如年化收益率、夏普比率、信息比率（IR）、最大回撤等，因此此部分省略）* 因子的回测效果 *（注：报告中未提供单一因子或复合因子的具体回测绩效指标，如IC值、ICIR、因子多空收益、年化收益等，因此此部分省略）*

根据研报内容，现总结如下： 量化因子与构建方式 1. **因子名称：量稳换手率因子（STR, The Stability of Turnover Rate）**[8] * **因子构建思路**：从考察“日频换手率稳定性”的角度，对传统换手率因子进行改进，旨在解决传统因子在换手率最大分组中误判未来大涨股票的问题[7][8] * **因子具体构建过程**：报告未提供STR因子的具体计算公式和构建步骤，仅提及构建过程简单，并参考了UTD因子的研究思路[8] 2. **因子名称：传统换手率因子（Turn20）**[6] * **因子构建思路**：基于过去20个交易日的日均换手率进行选股，逻辑为换手率越小的股票未来越可能上涨[6][7] * **因子具体构建过程**：每月月底计算每只股票过去20个交易日的日均换手率，并对结果进行市值中性化处理[6] 3. **因子名称：换手率分布均匀度因子（UTD, the Uniformity of Turnover Rate Distribution）**[8] * **因子构建思路**：从分钟数据入手，通过计算分钟换手率的波动性来构建选股因子[8] * **因子具体构建过程**：报告未提供UTD因子的具体计算公式和构建步骤[8] 因子的回测效果 1. **量稳换手率因子（STR）** * 年化收益率：40.88%[9][12] * 年化波动率：14.45%[9][12] * 信息比率（IR）：2.83[9][12] * 月度胜率：76.79%[9][12] * 月度最大回撤率：9.96%[9][12] * 2025年10月多空对冲收益率：6.06%[1][10] 2. **传统换手率因子（Turn20）** * 年化收益率：33.41%[6] * 信息比率（IR）：1.90[6] * 月度胜率：71.58%[6] * 月度IC均值：-0.072[6] * 年化ICIR：-2.10[6]

根据提供的研报内容，总结如下： 量化模型与构建方式 1. **模型名称**：指数成分股调整预测模型[12] * **模型构建思路**：根据中证指数公司发布的指数编制规则，对主流指数（如沪深300、中证500）在定期调整窗口期（5月和11月）的成分股调入调出名单进行预测[2][12] * **模型具体构建过程**：预测过程严格遵循中证指数公司的官方编制方案，主要步骤包括： 1. **确定样本空间**：样本空间由满足以下条件的证券构成：非ST、*ST沪深A股和红筹企业发行的存托凭证；科创板证券、创业板证券上市时间超过一年；其他证券上市时间超过一个季度，除非该证券自上市以来日均总市值排在前30位[12] 2. **沪深300指数选样方法**： * 对样本空间内证券按照过去一年的日均成交金额由高到低排名，剔除排名后50%的证券[12] * 对样本空间内剩余证券，按照过去一年的日均总市值由高到低排名，选取前300名的证券作为指数样本[12] 3. **中证500指数选样方法**： * 在样本空间中剔除沪深300指数样本以及过去一年日均总市值排名前300的证券[12] * 对样本空间内剩余证券按照过去一年的日均成交金额由高到低排名，剔除排名后20%的证券[12] * 对样本空间内剩余证券，按照过去一年的日均总市值由高到低排名，选取前500名的证券作为指数样本[12] 4. **应用缓冲区规则**： * **沪深300指数缓冲区规则**：日均总市值排名在前240名的候选新样本优先进入；日均总市值排名在前360名的老样本优先保留[12] * **中证500指数缓冲区规则**：日均成交金额排名在样本空间的剩余证券（剔除沪深300指数样本及过去一年日均总市值排名前300的证券后）前90%的老样本可参与下一步日均总市值排名；日均总市值排名在前400名的候选新样本优先进入；日均总市值排名在前600名的老样本优先保留[12] 2. **模型名称**：事件收益分析模型[23] * **模型构建思路**：统计分析指数成分股在调入或调出事件发生前后相对于指数本身的超额收益表现，以揭示事件带来的收益特征[4][23] * **模型具体构建过程**：为了贴近当前市场表现，统计了2020年以来所有调整周期内沪深300指数和中证500指数样本在调入或调出前后各60个交易日相对于指数本身的累计超额收益[23] 计算累计超额收益的典型方法是：首先计算个股和对应指数在事件窗口期内的日收益率，然后计算个股日收益率与指数日收益率的差值，即日超额收益，最后将窗口期内的日超额收益累加得到累计超额收益 模型的回测效果 1. **事件收益分析模型**，在调整日前，调入样本累计超额收益为正，调出样本累计超额收益为负[23][25][26][29] 在调整日后，中证500指数调入样本累计超额收益呈现为负[25][29] 量化因子与构建方式 1. **因子名称**：调入调出事件因子[4][23] * **因子构建思路**：基于指数成分股调整事件构建因子，捕捉因指数基金调仓等行为带来的股价短期动量效应[4][23] * **因子具体构建过程**：该因子为二元因子，对于在预测窗口期内被预测为将调入特定指数的股票，赋予正向因子值（例如1）；对于被预测为将调出特定指数的股票，赋予负向因子值（例如-1）；其他股票因子值为0[2][12][13][16] 因子的核心在于对调入调出事件的准确预测 因子的回测效果 1. **调入调出事件因子**，表现出显著的事件效应：调入事件在调整日前具有正超额收益，调出事件在调整日前具有负超额收益[4][23]

量化因子与构建方式 1. **因子名称：优加换手率 UTR2.0**[1][7] **因子构建思路**：针对量稳因子（STR）和量小因子（Turn20）进行结合时，将对因子值的使用从次序尺度改为等比尺度，并考虑为量小因子配上一个与量稳因子相关的系数，以反映量小因子作用大小随量稳程度的变化[7] **因子具体构建过程**：优加换手率 UTR2.0 因子的构造公式如下： $$\mathrm{UTR2.0}=\mathrm{STR}+softsign(\mathrm{STR})\cdot\mathrm{Turn20}$$ 其中，$softsign(x) = \frac{x}{1+|x|}$[7] **因子评价**：和原 UTR 因子相比，新因子的收益有所降低，但波动率、信息比率和月度胜率都更优[1] 因子的回测效果 1. **优加换手率 UTR2.0 因子**[8][12] **年化收益率**：40.48%[8][12] **年化波动率**：14.98%[8][12] **信息比率(IR)**：2.70[8][12] **月度胜率**：75.53%[8][12] **最大回撤率**：11.03%[8][12] **2025年10月多空对冲收益率**：6.14%[1][10] **2025年10月多头组合收益率**：4.64%[1][10] **2025年10月空头组合收益率**：-1.50%[1][10]

根据研报内容，现总结如下： 量化因子与构建方式 1. **因子名称：换手率变化率的稳定GTR因子**[1][6] * **因子构建思路**：研究发现，在换手率波动率高的股票中，存在一部分换手率稳定增长或稳定下降的股票，这些股票未来仍有上涨可能。因此，提出一个能描述这种趋势的指标，即换手率变化率的稳定性。由于换手率变化率具有加速度意义，且新因子强调稳定性，故命名为换手率变化率的稳定GTR因子。[1][6] * **因子评价**：该因子与东吴金工全系列换手率因子的相关性均不超过0.1，并且对全系列换手率因子均具有加强作用。[6] 2. **因子名称：纯净优加TPS_Turbo因子**[6] * **因子构建思路**：此因子是使用GTR因子对Turn20因子进行纯净优加（Purified Plus）合成增强后得到的。[6] 3. **因子名称：纯净优加SPS_Turbo因子**[6] * **因子构建思路**：此因子是使用GTR因子对STR因子进行纯净优加（Purified Plus）合成增强后得到的。[6] 因子的回测效果 以下为各因子在全体A股中，2006年1月至2025年10月期间，10分组多空对冲的绩效指标：[1][7][11] | 绩效指标 | 换手率变化率的稳定GTR因子 | 纯净优加TPS_Turbo因子 | 纯净优加SPS_Turbo因子 | | :--- | :--- | :--- | :--- | | **年化收益率** | 13.11% | 36.11% | 37.21% | | **年化波动率** | 10.22% | 13.22% | 10.87% | | **信息比率(IR)** | 1.28 | 2.73 | 3.42 | | **月度胜率** | 66.53% | 78.39% | 81.36% | | **最大回撤率** | 10.81% | 9.86% | 7.22% | 因子近期表现（2025年10月） 以下为各因子在全体A股中，2025年10月份的收益统计：[1][15][16][19] | 收益类型 | 换手率变化率的稳定GTR因子 | 纯净优加TPS_Turbo因子 | 纯净优加SPS_Turbo因子 | | :--- | :--- | :--- | :--- | | **十分组多头组合收益率** | 2.27% | 3.19% | 3.65% | | **十分组空头组合收益率** | 0.96% | -0.33% | 0.09% | | **十分组多空对冲收益率** | 1.31% | 3.52% | 3.56% |

根据研报内容，现对其中涉及的量化因子进行总结如下： 量化因子与构建方式 **1 因子名称：换手率分布均匀度 UTD因子** - **因子构建思路**：针对传统换手率因子在换手率最大的分组中，组内成分股未来收益差异较大、导致误判的问题，借助成交量的分钟数据对传统换手率因子进行改进，构造换手率分布均匀度因子 UTD，以减弱对股票样本的误判程度[7] - **因子具体构建过程**：报告未提供UTD因子的具体计算公式和构建步骤，仅说明其是基于个股的分钟成交量数据构建[7] - **因子评价**：UTD因子对股票样本的误判程度明显减弱，选股效果大幅优于传统换手率因子；在剔除了市场常用风格、行业和东吴金工特色因子的干扰后，其纯净因子仍然具备一定的选股效果[1][7] **2 因子名称：传统换手率因子（Turn20）** - **因子构建思路**：其选股逻辑为，过去一个月换手率越小的股票，未来一个月越有可能上涨；而换手率越大的股票，未来越有可能下跌[6] - **因子具体构建过程**：每月月底计算每只股票过去20个交易日的日均换手率，并做市值中性化处理[6] - **因子评价**：换手率因子的逻辑并不完全正确，在换手率最大的分组中，组内成分股未来收益的差异较大，导致误判了许多未来大涨的样本[7] 因子的回测效果 **1 UTD因子（测试区间：2014年1月至2025年10月，全体A股，10分组多空对冲）** - 年化收益率：20.06%[1][7][11] - 年化波动率：7.40%[1][7][11] - 信息比率（IR）：2.71[1][7][11] - 月度胜率：77.30%[1][7][11] - 月度最大回撤率：5.51%[1][7][11] **2 传统换手率因子 Turn20（测试区间：2006年1月1日至2021年4月30日，全体A股）** - 月度IC均值：-0.072[6] - 年化ICIR：-2.10[6] - 多空对冲年化收益率：33.41%[6] - 信息比率（IR）：1.90[6] - 月度胜率：71.58%[6] **3 UTD因子（2025年10月表现，全体A股，10分组）** - 多头组合收益率：3.37%[1][10] - 空头组合收益率：0.59%[1][10] - 多空对冲收益率：2.78%[1][10]