根据提供的研报内容，以下是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**：打新收益测算模型 **模型构建思路**：通过计算不同规模账户在不同板块（主板、创业板、科创板）的打新收益率，评估打新策略的收益表现[36] **模型具体构建过程**： - 单账户个股打新收益公式： $$单账户个股打新收益 = min（账户规模，申购上限） \times 中签率 \times 收益率$$ - A/B/C类投资者打满收益公式： $$A/B/C类投资者打满收益 = 申购上限 \times A/B/C类网下中签率 \times 收益率$$ 其中： - 中签率采用个股网下打新实际中签结果 - 收益率计算：科创板/创业板/注册制主板新股采用首日成交均价涨跌幅；非注册制主板新股采用开板日成交均价涨跌幅，未开板时用动态12个月开板收益率均值替代[36] 2. **模型名称**：基金打新表现评估模型 **模型构建思路**：通过参与度和报价入围率量化基金产品的打新能力[52] **模型具体构建过程**： - 参与度计算公式： $$参与度 = \frac{参与报价新股数}{网下询价发行新股总数}$$ - 报价入围率计算公式： $$报价入围率 = \frac{有效报价个数}{参与报价新股数}$$ - 打新收益率以最新季报规模为基准计算[52] 模型的回测效果 1. **打新收益测算模型** - 主板A类5亿账户：4月收益率0.039%，累计收益率0.126%[38][44] - 创业板C类5亿账户：4月收益率0.064%，累计收益率0.259%[41][45] - 科创板A类打满收益：2025年累计51.61万元[42] 2. **基金打新表现模型** - 高收益基金示例：鹏扬景泰成长A（005352.OF）4月估算收益率0.269%[53] - 机构表现：易方达基金4月估算打新收益0.72亿元，参与度100%[56] 量化因子与构建方式 1. **因子名称**：中签率因子 **因子构建思路**：反映不同投资者类别（A/C类）的配售概率差异[22] **因子具体构建过程**： - 直接采用Wind提供的网下中签率数据 - 主板A类中签率：4月均值0.11‰，创业板0.27‰[22] 2. **因子名称**：首日涨幅因子 **因子构建思路**：捕捉新股上市首日的价格波动特征[21] **因子具体构建过程**： - 计算公式： $$首日涨幅 = \frac{首日成交均价 - 发行价}{发行价} \times 100\%$$ - 4月主板首日涨幅均值240.69%，创业板219.73%[21] 因子的回测效果 1. **中签率因子** - 主板A类中签率：0.11‰（4月），创业板C类中签率：0.24‰[22] - 与打满收益强相关（主板A类打满收益21.7万元）[46] 2. **首日涨幅因子** - 主板首日涨幅标准差：45.70pct（环比下降）[21] - 创业板首日涨幅极值：泰禾股份（301665.SZ）达289.97%[20] 注：所有数据均基于2025年4月新股上市日统计[22][36]，未包含风险提示等非核心内容。

量化模型与构建方式 1. **模型名称**：RSI相对强弱指标 **模型构建思路**：通过计算一定周期内平均涨幅和平均跌幅的比值，判断市场超买或超卖状态[2] **模型具体构建过程**： - 计算公式：$$RSI = 100 - \frac{100}{1 + RS}$$ - 其中RS为12天内平均涨幅与平均跌幅的比值 - RSI>70为超买状态，RSI<30为超卖状态[2] **模型评价**：简单直观的动量指标，但需结合其他指标避免误判 2. **模型名称**：日内行情趋势 **模型构建思路**：基于5分钟级别成交价构建日内价格波动趋势[2] **模型具体构建过程**： - 提取当日最高价（红点）和最低价 - 绘制连续成交价形成的趋势线[2] 3. **模型名称**：净申购金额计算 **模型构建思路**：通过净值变化推算资金流动情况[2] **模型具体构建过程**： - 计算公式：$$NETBUY(T) = NAV(T) - NAV(T-1) \times (1+R(T))$$ - 其中NAV(T)为当日净值，R(T)为收益率[2] 量化因子与构建方式 1. **因子名称**：T+0交易标识 **因子构建思路**：标记支持T+0交易的ETF品种[2] **因子具体构建过程**： - 直接提取基金公告中的交易规则属性[2] 2. **因子名称**：机构持仓占比 **因子构建思路**：反映机构投资者持仓偏好[3] **因子具体构建过程**： - 剔除联接基金持仓后计算机构持有比例 - 数据来源为年报/半年报披露值[3] 模型的回测效果 1. **RSI相对强弱指标** - 测试样本：宽基ETF（沪深300ETF等）RSI值分布在53.92-67.46区间[4] - 主题ETF（如军工ETF）RSI最高达63.90[7] 2. **净申购模型** - 宽基ETF最大单日净流出18.85亿元（510300.SH）[4] - 科创50ETF（588000.SH）获6.81亿元净申购[4] 因子的回测效果 1. **T+0交易因子** - 港股/美股ETF均支持T+0（如513180.SH）[4] - A股ETF均不支持T+0（除跨境品种）[4] 2. **机构持仓因子** - 宽基ETF机构占比普遍>80%（如510330.SH达91.03%）[4] - 行业ETF分化明显（银行ETF最高69.66%，证券ETF最低1.69%）[7] 注：所有公式严格按$$公式$$格式呈现，数据引用自文档[2][3][4][7]的原始表格内容

量化模型与构建方式 1. **模型名称：大小盘轮动模型** - **模型构建思路**：基于宏观经济指标、市场状态和微观特征构建多维度信号，综合判断大小盘风格轮动方向[27][34] - **模型具体构建过程**： 1. **宏观经济维度**：筛选固定资产投资、PMI、信用利差等12项指标，定义事件模式（如历史高位、边际变化）并计算信号得分[27][34] 2. **市场状态维度**：使用中证全指的波动率、BP、DRP等代理变量，结合事件研究法生成信号[27][34] 3. **微观特征维度**：通过大单买入强度、改进反转、换手率等量价因子捕捉资金流向和交易情绪[27][34] 4. **综合加权**：各子模型信号加权平均，最终输出大小盘风格观点[27] 2. **模型名称：价值成长轮动模型** - **模型构建思路**：从盈利预期、贴现率和投资者情绪角度构建多因子信号，判断价值与成长风格轮动[31][34] - **模型具体构建过程**： 1. **宏观经济维度**：选取PPI-CPI、M1/M2同比、国债收益率等9项指标，定义事件触发条件[30][34] 2. **市场状态维度**：基于中证全指换手率、波动率、红利超额收益等计算动量信号[30][34] 3. **微观特征维度**：结合未预期毛利、换手率标准差等因子反映业绩和交易差异[30][34] 4. **综合决策**：各子模型一致看多成长风格时输出强信号[23][30] --- 模型的回测效果 1. **大小盘轮动模型** - 年化超额收益：10.93%[16] - IR：1.38[16] - 超额月胜率：64.19%[16] - 最大相对回撤：-19.15%[19] 2. **价值成长轮动模型** - 年化超额收益：19.02%[21] - IR：2.05[21] - 超额月胜率：70.95%[25] - 最大相对回撤：-14.17%[25] --- 量化因子与构建方式 1. **因子名称：改进反转因子** - **因子构建思路**：捕捉20日股价反转效应，调整后增强小盘股信号[27] - **因子具体构建过程**： $$改进反转 = \frac{P_{t-20}}{P_t} - 1$$ 其中$P_t$为当日价格，$P_{t-20}$为20日前价格[27] 2. **因子名称：换手率标准差因子** - **因子构建思路**：通过60日换手率波动衡量交易情绪分化[27][30] - **因子具体构建过程**： $$换手率标准差 = \sqrt{\frac{1}{60}\sum_{i=1}^{60}(Turn_i - \overline{Turn})^2}$$ 其中$Turn_i$为第i日换手率，$\overline{Turn}$为60日均值[27][30] --- 因子的回测效果 1. **改进反转因子** - 小盘风格组合年化超额：11.99%（2013年）[19] - 月胜率：66.67%（2013年）[19] 2. **换手率标准差因子** - 成长风格组合年化超额：47.65%（2021年）[25] - IR：3.96（2021年）[25]

量化因子与构建方式 1. **因子名称**：优加换手率 UTR2.0 - **因子构建思路**：结合量稳因子（STR）和量小因子（Turn20），通过等比尺度替代原次序尺度，并引入激活函数调整量小因子的作用强度[6][7] - **因子具体构建过程**： 1. 每月底计算所有股票的 **Turn20**（量小因子）和 **STR**（量稳因子） 2. 使用激活函数 **softsign** 调整量小因子的系数，使其与量稳因子关联： $$\mathrm{UTR2.0}=\mathrm{STR}+s o f t s i g n(\mathrm{STR})\cdot\mathrm{Turn20}$$ 其中 $$softsign(x)=\frac{x}{1+|x|}$$ 3. 最终因子值为 **STR** 与调整后的 **Turn20** 之和[7] - **因子评价**：相比原UTR因子，收益略降但波动率、信息比率和月度胜率更优[1][7] --- 因子的回测效果 1. **优加换手率 UTR2.0 因子**（2006年1月至2025年4月，全体A股10分组多空对冲）： - 年化收益率：40.30% - 年化波动率：15.04% - 信息比率（IR）：2.68 - 月度胜率：75.32% - 月度最大回撤：11.03%[1][8][12] 2. **2025年4月单月表现**（全体A股10分组）： - 多头组合收益率：1.20% - 空头组合收益率：-4.90% - 多空对冲收益率：6.10%[10][13] --- 其他说明 - **图表支持**：净值走势图（2006/01-2025/04）及4月多头组合净值展示[5][11][13] - **原始UTR因子构建方法**（对比参考）：基于排序打分法，分主分组调整量小因子方向[6]

量化因子与构建方式 1. **因子名称**：信息分布均匀度UID因子 - **因子构建思路**：基于个股分钟数据，在计算每日高频波动率的基础上构建，旨在改进传统波动率因子，提升选股能力[6] - **因子具体构建过程**： 1. 使用分钟级涨跌幅数据计算每日高频波动率 2. 通过换手率分布均匀度算法改进传统换手率因子，具体公式未明确给出但提及需增加1行代码实现优化[6] 3. 剔除市场风格和行业干扰后得到纯净UID因子[1] - **因子评价**：选股效果显著优于传统波动率因子，且携带增量信息，与原有因子库相关性较低[6] 因子的回测效果 1. **信息分布均匀度UID因子**（2014/01-2025/04全市场测试） - 年化收益率：26.99%[1][7][10] - 年化波动率：9.98%[1][7][10] - 信息比率（IR）：2.70[1][7][10] - 月度胜率：79.26%[1][7][10] - 最大回撤率：6.05%[1][7][10] - 2025年4月单月表现： - 多头组合收益率：-0.07%[10] - 空头组合收益率：-3.78%[10] - 多空对冲收益率：3.72%[10] 2. **纯净UID因子**（剔除风格/行业干扰后） - 年化ICIR：-3.17[1]

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 - **构建思路**：基于个股的分钟成交量数据，改进传统换手率因子（Turn20）对样本误判的问题，通过衡量换手率在时间维度上的分布均匀性来提升选股效果[6][7] - **具体构建过程**： 1. 传统换手率因子（Turn20）计算：每月月底取过去20个交易日的日均换手率，并进行市值中性化处理[6] 2. 改进方法：引入分钟级成交量数据，计算换手率在时间序列上的分布均匀性指标（具体公式未披露，但逻辑上通过统计分钟成交量偏离均值的程度来构造）[7] 3. 因子优化：剔除市场风格、行业及干扰因子影响后得到纯净UTD因子[1] - **因子评价**：显著降低传统换手率因子的误判率，选股效果优于传统因子，且在控制干扰后仍保持稳健性[1][7] 2. **因子名称**：传统换手率因子（Turn20） - **构建思路**：通过过去20日日均换手率捕捉股票流动性特征，认为低换手率股票未来表现更优[6] - **具体构建过程**： 1. 计算每只股票过去20个交易日的日均换手率： $$ \text{Turn20} = \frac{1}{20}\sum_{t=1}^{20} \frac{\text{成交量}_t}{\text{流通股本}_t} $$ 2. 在每月月底进行市值中性化处理[6] - **因子评价**：逻辑存在局限性，高换手率分组内股票收益分化严重，导致误判[7] --- 因子的回测效果 1. **换手率分布均匀度UTD因子**（2014/01-2025/04全市场测试） - 年化收益率：19.94%[1][12] - 年化波动率：7.40%[1][12] - 信息比率（IR）：2.69[1][12] - 月度胜率：77.04%[1][12] - 最大回撤率：5.51%[1][12] - 2025年4月多空对冲收益率：2.64%（多头-0.72%，空头-3.36%）[11] 2. **传统换手率因子（Turn20）**（2006/01-2021/04测试） - 年化收益率：33.41%[6] - 信息比率（IR）：1.90[6] - 月度IC均值：-0.072[6] - 年化ICIR：-2.10[6] - 月度胜率：71.58%[6] --- 补充说明 - **UTD因子与传统因子对比**：UTD因子通过分钟数据优化后，信息比率（2.69 vs 1.90）和月度胜率（77.04% vs 71.58%）显著提升，且最大回撤更低（5.51%未披露传统因子对应值）[1][6][7] - **分组测试结果**：UTD因子在10分组测试中，高换手率分组（分组10）的组内收益标准差显著低于传统因子，验证其降低误判的效果[7]

量化因子与构建方式 1. **因子名称：TPS（Turn20 conformed by PLUS）** - **构建思路**：从考察日频换手率稳定性的角度，结合价量配合逻辑，通过影线差价格因子改进传统换手率因子（Turn20），以解决传统换手率因子组内收益标准差单调递增的问题[9][11] - **具体构建过程**： 1. 计算传统换手率因子Turn20：过去20个交易日换手率的均值，并进行横截面市值中性化[6] 2. 选取影线差作为价格因子，反映日内多空情绪（参考《上下影线，蜡烛好还是威廉好？》研究）[8][9] 3. 结合影线差对Turn20进行价量配合调整，生成TPS因子[9] - **因子评价**：计算简单且效果优秀，显著优于传统换手率因子；纯净因子（剔除风格和行业干扰后）仍保持选股能力[9] 2. **因子名称：SPS（STR conformed by PLUS）** - **构建思路**：基于量稳换手率STR因子（解决Turn20缺陷的改进版），同样通过影线差价格因子进行价量配合优化[7][9] - **具体构建过程**： 1. 使用STR因子（量稳换手率）替代Turn20作为基础因子[7] 2. 采用与TPS相同的影线差价格因子进行配合调整[9] - **因子评价**：表现大幅优于传统换手率因子，纯净因子选股能力较强[9] --- 因子的回测效果 1. **TPS因子（2006/01-2025/04全市场测试）** - 年化收益率：39.50% - 年化波动率：15.79% - 信息比率（IR）：2.50 - 月度胜率：77.39% - 最大回撤率：18.19%[11][12] - **2025年4月单月表现**： - 多头组合收益率：0.48% - 空头组合收益率：-4.59% - 多空对冲收益率：5.07%[14][17] 2. **SPS因子（2006/01-2025/04全市场测试）** - 年化收益率：43.08% - 年化波动率：13.17% - 信息比率（IR）：3.27 - 月度胜率：83.48% - 最大回撤率：11.58%[12][14] - **2025年4月单月表现**： - 多头组合收益率：0.55% - 空头组合收益率：-4.81% - 多空对冲收益率：5.36%[15][18] --- 对比基准因子 - **传统换手率因子（Turn20）**： - 年化收益率：37.71%（2006/01-2022/12） - 信息比率：2.20 - 月度胜率：70.79% - IC均值：-0.076，ICIR：-2.23[6] - **量稳换手率因子（STR）**： - 虽优于Turn20，但未完全解决组内标准差单调性问题[7]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：大小盘风格因子** - 构建思路：衡量市场大小盘风格偏向的均衡性[11] - 具体构建过程：通过计算大盘股与小盘股的相对收益差异，结合市值加权指标动态调整风格暴露[11][13] - 因子评价：反映市场风格切换的敏感性，但需结合波动率因子优化稳定性[13] 2. **因子名称：价值成长风格因子** - 构建思路：评估价值股与成长股的风格分化程度[11] - 具体构建过程：基于PB/PE等估值指标分组，计算两组收益率的滚动差异[11][13] 3. **因子名称：行业轮动因子** - 构建思路：捕捉行业超额收益离散度的变化[11] - 具体构建过程：计算各行业指数超额收益的标准差，并采用3个月移动窗口平滑[11][13] 4. **因子名称：商品趋势强度因子** - 构建思路：量化商品期货板块的趋势延续性[27] - 具体构建过程：对南华商品指数各板块计算20日动量得分： $$Trend_{i,t} = \frac{P_{i,t}}{P_{i,t-20}} - 1$$ 其中$P_{i,t}$为第$i$板块t日价格[27][30] 5. **因子名称：期权隐含波动率偏度因子** - 构建思路：反映市场对极端事件的定价差异[35] - 具体构建过程：计算虚值看涨/看跌期权隐含波动率差值，标准化后得到偏度指标[35][36] 因子回测效果 1. **大小盘风格因子** - 上周方向：均衡[13] - 波动率：下降[13] 2. **价值成长风格因子** - 上周方向：均衡[13] - 波动率：下降[13] 3. **行业轮动因子** - 超额收益离散度：下降[13] - 轮动速度：下降[13] 4. **商品趋势强度因子** - 能化/黑色板块：趋势性强[27] - 贵金属板块：趋势强度下降27%[27][30] 5. **期权隐含波动率偏度因子** - 中证1000偏度：上升[35] - 上证50偏度：下降[36] 注：报告中未提及具体量化模型构建，仅跟踪现有因子表现[11][13][27][35]

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 **因子构建思路**：通过识别换手率波动率高的股票中换手率稳定增长或下降的股票，构建描述这种趋势的稳定性指标[6] **因子具体构建过程**： - 基于换手率变化率的加速度意义，结合稳定性特征构建 - 公式未明确给出，但核心逻辑为计算换手率变化率的稳定性（如标准差或平滑处理）[6] **因子评价**：与东吴金工全系列换手率因子相关性低于0.1，且对其他换手率因子有增强作用[6] 2. **因子名称**：纯净优加TPS_Turbo因子 **因子构建思路**：将GTR因子与Turn20因子通过纯净优加法合成增强[6] **因子具体构建过程**： - 采用纯净优加法（具体公式未披露）对GTR和Turn20因子加权合成 - 目标为保留Turn20因子的选股能力并叠加GTR的稳定性特征[6] 3. **因子名称**：纯净优加SPS_Turbo因子 **因子构建思路**：将GTR因子与STR因子通过纯净优加法合成增强[6] **因子具体构建过程**： - 类似TPS_Turbo，但合成对象为STR因子 - 参考《成交价改进换手率》报告中SPS因子的构建方法[6] --- 因子的回测效果 （2006年1月至2025年4月，全市场10分组多空对冲） 1. **换手率变化率的稳定GTR因子** - 年化收益率：13.20% - 年化波动率：10.29% - IR：1.28 - 月度胜率：66.96% - 最大回撤率：10.81%[7][11] 2. **纯净优加TPS_Turbo因子** - 年化收益率：36.20% - 年化波动率：13.27% - IR：2.73 - 月度胜率：78.26% - 最大回撤率：9.86%[7][11] 3. **纯净优加SPS_Turbo因子** - 年化收益率：37.44% - 年化波动率：10.94% - IR：3.42 - 月度胜率：81.30% - 最大回撤率：7.22%[7][11] --- 2025年4月单月表现 1. **GTR因子** - 多头收益率：-2.04% - 空头收益率：-2.91% - 多空对冲收益率：0.88%[14] 2. **TPS_Turbo因子** - 多头收益率：0.14% - 空头收益率：-5.51% - 多空对冲收益率：5.56%[15] 3. **SPS_Turbo因子** - 多头收益率：-0.29% - 空头收益率：-4.73% - 多空对冲收益率：4.44%[19]

量化模型与构建方式 1. **模型名称：DFQ-Diversify** - **模型构建思路**：通过自监督领域识别与对抗训练机制，实现标签预测任务与领域识别任务的显式解耦，以增强模型的分布外泛化能力[2][3][10] - **模型具体构建过程**： 1. **核心模块**： - **update_d模块**：执行领域识别任务，通过对抗机制抑制标签信息学习。包含特征提取器（GRU）、领域瓶颈层（dbottleneck）、领域分类器（dclassifier）和标签对抗判别器（ddiscriminator）。梯度反转层用于抑制标签预测能力[23][25][27] - **set_dlabel模块**：动态更新样本的潜在领域标签，通过无监督聚类优化领域划分[28][29] - **update模块**：执行标签预测任务，通过对抗机制抑制领域信息依赖。包含共享特征提取器、标签瓶颈层（bottleneck）、标签分类器（classifier）和领域对抗判别器（discriminator）[30][32][33] 2. **对抗训练机制**： - 模块间对抗：update_d与update共享特征提取器，目标相反形成动态博弈[43][44] - 模块内双损失：update_d优化领域预测损失（交叉熵）和标签对抗损失（MSE）；update优化标签预测损失（MSE）和领域对抗损失（交叉熵）[45][46] - 梯度反转层：在反向传播中反转梯度符号，实现特征解耦[47][48] 3. **动态领域划分**：通过自监督聚类在时间和截面维度识别潜在领域，满足领域内一致性高、领域间差异显著的标准[34][35][36] - **模型评价**：相比Factorvae-pro模型，Diversify无需预设环境变量，通过动态领域划分和对抗训练显著提升泛化能力，尤其在复杂市场环境中表现稳健[10][50][53] 2. **模型名称：GRU基础模型** - **模型构建思路**：作为对比基准，采用标准GRU结构进行标签预测，无领域解耦设计[55] - **模型具体构建过程**： - 输入60个量价特征，通过GRU层提取时序特征后直接预测20日收益率[55] --- 模型的回测效果 1. **DFQ-Diversify模型** - **中证全指股票池（2020-2024）**： - IC：12.41% | IC_IR：1.24 | rankIC：14.73% | rankIC_IR：1.29 - 多头年化超额收益：32.33% | 最大回撤：-7.55% | 换手率：74.08%[55] - **沪深300增强组合**： - 信息比率（IR）：1.89 | 年化超额收益：11.27%[6] - **中证500增强组合**： - 信息比率（IR）：1.67 | 年化超额收益：12.19%[6] 2. **GRU基础模型** - **中证全指股票池（2020-2024）**： - IC：12.01% | IC_IR：1.20 | rankIC：14.11% | rankIC_IR：1.30 - 多头年化超额收益：26.44% | 最大回撤：-6.80% | 换手率：78.20%[55] --- 关键参数与对比 1. **独立瓶颈层效果**： - 独立dbottleneck和bottleneck的Diversify模型（IC 12.41%）优于共享瓶颈层（IC 10.99%）和无瓶颈层（IC 11.81%）[60] 2. **双路径训练优势**： - 双路径训练的Diversify（rankIC 14.73%）显著优于单路径合并训练（rankIC 14.01%）[61][62] 3. **领域数量选择**： - latent_domain_num=2时模型表现最优（IC 12.41%），过多领域数（如domain_num=5）导致性能下降（IC 10.92%）[84] --- 因子绩效表现（中性化后） 1. **中证全指股票池**： - 中性化因子IC：11.02% | rankIC：13.15% | 多头年化超额收益：28.19%[48] --- 领域可视化分析 1. **领域分布**： - 训练中领域=1的占比从51.24%升至58.09%，反映模型对领域结构的自适应学习[63][79] - 领域标签同时包含时序（同一股票领域归属随时间变化）和截面（同一时间不同股票领域差异）信息[71][75][77]