打新市场跟踪月报:4月仅主板和创业板有新股上市,首日平均涨幅仍较高-20250508
光大证券· 2025-05-08 14:42
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。
麦高视野:ETF观察日志(2025-05-07)
麦高证券· 2025-05-08 10:18
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
风格轮动月报:5月看好小盘成长风格-20250507
华安证券· 2025-05-07 19:43
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]
金工定期报告20250507:优加换手率UTR2.0选股因子绩效月报-20250507
东吴证券· 2025-05-07 19:33
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]
金工定期报告20250507:信息分布均匀度UID选股因子绩效月报-20250507
东吴证券· 2025-05-07 19:33
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]
金工定期报告20250507:换手率分布均匀度UTD选股因子绩效月报-20250507
东吴证券· 2025-05-07 19:33
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]
金工定期报告20250507:TPS与SPS选股因子绩效月报20250430-20250507
东吴证券· 2025-05-07 17:33
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]
市场环境因子跟踪周报(2025.04.30):节前市场波动降低,节后风格或将转向-20250507
华宝证券· 2025-05-07 17:12
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]
金工定期报告20250507:换手率变化率的稳定GTR选股因子绩效月报20250430-20250507
东吴证券· 2025-05-07 17:01
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]
因子选股系列之一一五:DFQ-diversify:解决分布外泛化问题的自监督领域识别与对抗解耦模型
东方证券· 2025-05-07 15:45
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]