量化因子与构建方式 1. **因子名称**：重拾自信2.0 RCP因子 **因子构建思路**：基于行为金融学中的过度自信预期偏差，通过计算利好超涨和股价回调的时间点差距构造第一代过度自信因子CP，进一步剔除日内收益后得到第二代重拾自信因子RCP[6] **因子具体构建过程**： - 使用高频分钟序列数据计算股价快速上涨和快速下跌的时间差作为CP因子 - 将CP因子与日内收益正交，提取残差项作为RCP因子[6] - 在2.0版本中，使用标准化因子代替排序值以保留更多因子信息[7] **因子评价**：新因子通过纯净化处理效果显著改进，能够捕捉投资者过度自信后的修正行为[6][7] 2. **因子名称**：过度自信CP因子 **因子构建思路**：根据DHS模型，用股价快速上涨和下跌的时间差作为代理变量[6] **因子具体构建过程**： - 基于高频分钟数据识别利好超涨和回调的时间点 - 计算两者时间差作为因子值[6] 因子的回测效果 1. **重拾自信2.0 RCP因子**（全体A股，2014/02-2025/06）： - 年化收益率：18.45%[10] - 年化波动率：7.69%[10] - 信息比率（IR）：2.40[10] - 月度胜率：78.10%[10] - 最大回撤率：5.89%[10] - 6月多空对冲收益率：-0.89%（多头4.75%，空头5.64%）[11] 2. **重拾自信2.0 RCP因子**（回测期2014/01/01-2022/08/31）： - IC均值：0.04[3] - 年化ICIR：3.27[3] - 10分组多空年化收益率：20.69%[3] - 信息比率：2.91[3] - 月度胜率：81.55%[3] 3. **过度自信CP因子**（原始版本）： - 未提供具体数值，但提及RCP因子改进后表现显著优于CP因子[6]

量化因子与构建方式 1. **因子名称：估值偏离EPD因子** - **构建思路**：结合布林带均值回复策略与基本面估值修复逻辑，利用PE指标的均值回复特性构建[7][8] - **具体构建过程**： 1. 计算个股PE时间序列的布林带上下轨（均值±标准差） 2. 定义估值偏离度：$$EPD = \frac{PE_t - \mu_{PE}}{\sigma_{PE}}$$，其中$\mu_{PE}$为PE均值，$\sigma_{PE}$为PE标准差[7] 3. 因子值越大表示估值偏离历史均值程度越高，预期未来均值回复概率越大[7] 2. **因子名称：缓慢偏离EPDS因子** - **构建思路**：在EPD基础上剔除个股估值逻辑变化的干扰（通过个股信息比率代理）[7][8] - **具体构建过程**： 1. 计算个股信息比率IR（衡量估值逻辑稳定性） 2. 调整EPD因子：$$EPDS = EPD \times (1 - IR)$$，IR越高则因子权重越低[7] 3. 通过降低高波动个股的权重，增强因子稳健性[8] 3. **因子名称：估值异常EPA因子** - **构建思路**：在EPDS基础上剔除Beta、成长与价值风格的影响[7][8] - **具体构建过程**： 1. 对EPDS因子进行横截面回归，剥离市场Beta、估值（BP）、成长（GP）等风格暴露 2. 取回归残差作为EPA因子值：$$EPA = EPDS - (\beta_1 \cdot Beta + \beta_2 \cdot BP + \beta_3 \cdot GP)$$[7] 3. 保留纯粹的"估值异常"信号，避免风格干扰[8] 因子回测效果 | 因子名称 | 年化收益率 | 年化波动率 | 信息比率(IR) | 月度胜率 | 最大回撤率 | |----------------|------------|------------|--------------|------------|------------| | 估值偏离EPD | 17.61% | 9.98% | 1.76 | 70.81% | 8.93% | | 缓慢偏离EPDS | 16.27% | 5.70% | 2.85 | 78.92% | 3.10% | | 估值异常EPA | 17.25% | 5.10% | 3.38 | 81.08% | 3.12% | *数据来源：2010/02-2025/06全市场回测（剔除北交所）[8][13]* 补充说明 - **6月EPA因子表现**：多头组合收益7.40%，空头组合收益5.61%，多空对冲收益1.78%[15] - **历史RankIC表现**：EPA因子月度RankIC均值0.061，RankICIR达4.75（2010/01-2022/05）[7]

根据研报内容，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**：预期高股息组合模型 **模型构建思路**：采用两阶段构建预期股息率指标，结合反转因子与盈利因子辅助筛选，从沪深300成份股中优选股票构建组合[4][9] **模型具体构建过程**： (1) 剔除停牌及涨停的沪深300成份股作为待选股票池[14] (2) 剔除股票池中短期动量最高的20%股票（21日累计涨幅最高的20%个股）[14] (3) 剔除股票池中盈利下滑的个股（单季度净利润同比增长率小于0的股票）[14] (4) 按预期股息率排序，选取预期股息率最高的30只个股等权构建组合[10] **模型评价**：通过历史分红与基本面指标预测股息率，结合短期影响因素增强选股效果 2. **模型名称**：红利择时框架 **模型构建思路**：基于通胀、流动性、利率和市场情绪等5个单因子信号合成综合信号，判断红利资产配置方向[24][26] **模型具体构建过程**： - 通胀因子：PPI同比（高位看多，低位看空） - 流动性因子：M2同比（高位看空）、M1-M2剪刀差（高位看空） - 利率因子：美国10年期国债收益率（高位看多） - 市场情绪因子：红利股成交额占比（上行看多） - 合成信号：各子信号加权综合[26] 量化因子与构建方式 1. **因子名称**：预期股息率因子 **因子构建思路**：两阶段构建，第一阶段基于年报公告利润分配计算股息率，第二阶段利用历史分红与基本面指标预测股息率[4][9] 2. **因子名称**：反转因子 **因子构建思路**：剔除21日累计涨幅最高的20%个股，避免追涨[14] 3. **因子名称**：盈利因子 **因子构建思路**：剔除单季度净利润同比增长率为负的个股，确保盈利质量[14] 模型的回测效果 1. **预期高股息组合模型**： - 累计收益：358.90%（2009/2-2017/8）[12] - 累计超额收益：107.44%（相对沪深300全收益指数）[12] - 年化超额收益：8.87%[12] - 最大回撤：12.26%（滚动一年）[12] - 月度胜率：60.19%[12] - 2025年6月表现：组合收益1.84%，跑输沪深300指数0.83%，跑赢中证红利指数2.40%[15][17] 2. **红利择时框架**： - 2025年7月信号：合成信号为0（看空红利）[24][26] 因子的回测效果 1. **预期股息率因子**： - 2025年6月Top4持仓股收益：新华保险（16.79%）、工业富联（13.60%）、赣锋锂业（12.72%）、江西铜业（9.90%）[16][20] 2. **反转因子**： - 通过剔除高动量股票控制组合波动性[14] 3. **盈利因子**： - 有效规避盈利下滑个股的负向贡献[14]

根据提供的研报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **模型名称：券商金股业绩增强组合** - **模型构建思路**：通过多因子方式从券商金股股票池中优选股票，以对标公募基金中位数为基准，控制组合与券商金股股票池在个股、风格上的偏离，同时以全体公募基金的行业分布为行业配置基准[44] - **模型具体构建过程**： 1. 以券商金股股票池为选股空间和约束基准 2. 采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离 3. 以全体公募基金的行业分布为行业配置基准 4. 每月初汇总券商金股，根据被推荐家数加权构建券商金股指数，并于每月第一天收盘价调仓 5. 计算收益时以主动股基最近报告期的权益仓位中位数作为券商金股指数的仓位[19][44] - **模型评价**：历史表现稳健，能够稳定战胜偏股混合型基金指数，在公募主动股基中排名靠前[44][45] 量化因子与构建方式 1. **因子名称：单季度营收增速** - **因子表现**：最近一个月表现较好[29] 2. **因子名称：SUR（标准化未预期收入）** - **因子表现**：最近一个月和今年以来表现较好[29] 3. **因子名称：分析师净上调幅度** - **因子表现**：最近一个月表现较好[29] 4. **因子名称：EPTTM（市盈率TTM）** - **因子表现**：最近一个月和今年以来表现较差[29] 5. **因子名称：波动率** - **因子表现**：最近一个月和今年以来表现较差[29] 6. **因子名称：剥离涨停动量** - **因子表现**：最近一个月表现较差[29] 7. **因子名称：总市值** - **因子表现**：今年以来表现较好[29] 8. **因子名称：SUE（标准化未预期盈利）** - **因子表现**：今年以来表现较好[29] 9. **因子名称：预期股息率** - **因子表现**：今年以来表现较差[29] 模型的回测效果 1. **券商金股业绩增强组合** - 本月（20250603-20250630）绝对收益5.34%，相对偏股混合型基金指数超额收益1.00%[43] - 本年（20250102-20250630）绝对收益10.59%，相对偏股混合型基金指数超额收益2.73%[43] - 在主动股基中排名28.16%分位点（977/3469）[43] - 全样本（2018.1.2-2025.6.30）年化收益19.34%，相对偏股混合型基金指数年化超额14.38%[45] 2. **券商金股指数** - 本月（20250603-20250630）收益3.71%，偏股混合型基金指数收益4.34%[22] - 本年（20250102-20250630）收益6.89%，偏股混合型基金指数收益7.86%[22] 因子的回测效果 1. **单季度营收增速**：最近一个月表现较好[29] 2. **SUR**：最近一个月和今年以来表现较好[29] 3. **分析师净上调幅度**：最近一个月表现较好[29] 4. **EPTTM**：最近一个月和今年以来表现较差[29] 5. **波动率**：最近一个月和今年以来表现较差[29] 6. **剥离涨停动量**：最近一个月表现较差[29] 7. **总市值**：今年以来表现较好[29] 8. **SUE**：今年以来表现较好[29] 9. **预期股息率**：今年以来表现较差[29]

根据提供的券商金股研究报告，总结量化模型与因子内容如下： --- 量化模型与构建方式 1. **模型名称**：优选金股组合模型 **模型构建思路**：基于新进金股样本，结合业绩超预期因子（SUE因子）进行选股，采用券商推荐数量加权构建组合[24] **模型具体构建过程**： - 筛选新进金股样本（相对上月首次被推荐的金股） - 计算每只金股的业绩超预期因子（SUE因子），公式为： $$SUE = \frac{实际EPS - 预期EPS}{预期EPS的标准差}$$ 其中实际EPS为最新财报披露值，预期EPS为市场一致预期值 - 选择SUE因子排名前30的金股 - 组合权重按券商推荐次数加权（推荐次数越多权重越高） **模型评价**：通过捕捉业绩超预期信号和券商共识效应，增强组合超额收益能力[24] 2. **因子名称**：业绩超预期因子（SUE因子） **因子构建思路**：衡量公司实际盈利与市场预期的偏离程度，反映基本面惊喜[24] **因子具体构建过程**： - 获取个股最新财报披露的实际EPS值 - 获取财报发布前的市场一致预期EPS值 - 计算历史预期EPS的标准差（滚动12期） - 按公式 $$SUE = \frac{实际EPS - 预期EPS}{预期EPS的标准差}$$ 标准化处理 **因子评价**：在新进金股中选股效果显著，能有效识别业绩拐点[24] --- 模型的回测效果 1. **优选金股组合模型** - 6月收益率：5.4% - 2025年收益率：12.0% - 年化收益率：20.1% - 年化波动率：25.3% - 收益波动比（IR）：0.79 - 最大回撤：24.6%[26] 2. **基准金股组合（全部金股）** - 6月收益率：3.4% - 2025年收益率：8.8% - 年化收益率：11.2% - 年化波动率：23.4% - 收益波动比（IR）：0.48 - 最大回撤：42.6%[21] --- 因子的回测效果 1. **SUE因子（新进金股样本）** - 年化IC：0.15 - ICIR：1.2 - 多空组合年化收益：18.3%[24] --- 注：报告未涉及其他量化模型或因子，故未总结相关内容[1][2][3][4][5][6][7][9][11][12][13][14][15][16][17][19][20][22][23][25][27][28][29][30][31][32][33][34][35][36][37][38][39]

量化因子与构建方式 1 因子名称：二阶动量 因子构建思路：通过计算价格与均值的偏离程度来衡量动量效应[6] 因子具体构建过程： $$二阶动量 = -mean\left(\frac{Close_{t-window1:t}}{Close_t} - EWMA\left(mean\left(\frac{Close_{t-window1:t}}{Close_t}\right), window2\right), window\right)$$ 其中Close表示收盘价，EWMA表示指数加权移动平均[7] 2 因子名称：动量期限差 因子构建思路：通过不同时间窗口的价格变化差异捕捉动量效应[6] 因子具体构建过程： $$动量期限差 = \frac{Close_t - Close_{t-window1}}{Close_{t-window1}} - \frac{Close_t - Close_{t-window2}}{Close_{t-window2}}$$[7] 3 因子名称：成交金额波动 因子构建思路：通过成交金额的标准差衡量市场活跃度[6] 因子具体构建过程： $$成交金额波动 = -STD(Amount)$$[7] 4 因子名称：成交量波动 因子构建思路：通过成交量的标准差衡量市场波动[6] 因子具体构建过程： $$成交量波动 = -STD(Volume)$$[7] 5 因子名称：换手率变化 因子构建思路：通过不同时间窗口换手率均值比较捕捉资金流动变化[6] 因子具体构建过程： $$换手率变化 = \frac{Mean(turnover_{t-window1:t})}{Mean(turnover_{t-window2:t})}$$[7] 6 因子名称：多空对比总量 因子构建思路：通过价格位置与成交量加权计算多空力量对比[6] 因子具体构建过程： $$多空对比总量 = \sum_{i=t-window}^t \frac{Close_i - Low_i}{High_i - Low_i} - EWMA(Volume \times Close, window1)$$[7] 7 因子名称：多空对比变化 因子构建思路：通过多空力量的变化速度捕捉市场情绪转变[6] 因子具体构建过程： $$多空对比变化 = \frac{Close - Low}{High - Low} - EWMA\left(\frac{Volume \times (High - Close)}{High - Low}, window2\right)$$[7] 8 因子名称：量价背离协方差 因子构建思路：通过价格与成交量排名的协方差捕捉量价背离现象[6] 因子具体构建过程： $$量价背离协方差 = -rank\{covariance[rank(Close), rank(Volume), window]\}$$[7] 9 因子名称：量价相关系数 因子构建思路：直接计算价格与成交量的相关系数[6] 因子具体构建过程： $$量价相关系数 = -correlation(Close, Volume, window)$$[7] 10 因子名称：一阶量价背离 因子构建思路：通过成交量变化与价格开盘关系的相关性捕捉短期背离[6] 因子具体构建过程： $$一阶量价背离 = Volume_i - correlation[Rank(Volume_{i-1}), Rank(Close_i - Open_i), window]$$[7] 11 因子名称：量幅同向 因子构建思路：通过成交量变化与价格振幅的相关性捕捉量价同向运动[6] 因子具体构建过程： $$量幅同向 = Rank\left(\frac{Volume_i}{Volume_{i-1}}\right) - correlation\left[Rank\left(\frac{High_i}{Low_i}\right), window\right]$$[7] 复合因子构建方式： 将11个量价因子等权加权构建复合因子，每月末选取中信一级行业（剔除综合和综合金融）中复合因子最高的五个行业，行业间等权配置[6][7] 因子的回测效果 1 量价行业轮动组合，累计收益750.70%[8] 2 量价行业轮动组合，累计超额收益648.89%（vs行业等权）[8] 3 量价行业轮动组合，2025年上半年月胜率100%[6] 4 量价行业轮动组合，2025年6月超额收益0.04%[9] 5 量价行业轮动组合，2025年前6个月超额收益3.32%[9]

量化模型与构建方式 1. 五维行业轮动模型 - **模型名称**：五维行业轮动模型 - **模型构建思路**：基于行业内部普遍存在的风格差异，利用风格指标对行业内部股票进行划分，通过构建行业内部离散指标与行业内部牵引指标合成行业最终因子[6] - **模型具体构建过程**： 1) 以东吴金工特色多因子划分标准对微观因子进行大类划分，将微观因子划分为五大类：波动率、基本面、成交量、情绪、动量[6] 2) 以大类选股因子的风格偏好为参照，构建行业内部离散指标与行业内部牵引指标[6] 3) 最终得到五类合成行业因子：波动率因子、基本面因子、成交量因子、情绪因子、动量因子[6] 4) 将五类因子合成构建行业轮动模型[6] - **模型评价**：模型通过多维度因子合成，能够有效捕捉行业轮动特征[6] 2. 沪深300指数增强策略 - **模型名称**：基于五维行业轮动的沪深300指数增强策略 - **模型构建思路**：利用五维行业轮动模型的行业分组结果进行指数成分股调整[22] - **模型具体构建过程**： 1) 每个月月末取第一组的五个行业为增强行业，取最后一组的五个行业为剔除行业[22] 2) 根据月末各个股票在沪深300的权重将属于剔除行业的股票剔除[22] 3) 将被剔除行业的股票权重根据增强行业的股票权重等比例赋予增强行业的股票[22] 4) 构成新的沪深300增强组合，月频调仓[22] 量化因子与构建方式 1. 波动率因子 - **因子名称**：波动率因子 - **因子构建思路**：基于行业内部股票的波动率特征构建[6] - **因子具体构建过程**：通过行业内部股票波动率离散度和牵引指标合成[6] 2. 基本面因子 - **因子名称**：基本面因子 - **因子构建思路**：基于行业内部股票的基本面特征构建[6] - **因子具体构建过程**：通过行业内部股票基本面离散度和牵引指标合成[6] 3. 成交量因子 - **因子名称**：成交量因子 - **因子构建思路**：基于行业内部股票的成交量特征构建[6] - **因子具体构建过程**：通过行业内部股票成交量离散度和牵引指标合成[6] 4. 情绪因子 - **因子名称**：情绪因子 - **因子构建思路**：基于行业内部股票的市场情绪特征构建[6] - **因子具体构建过程**：通过行业内部股票情绪离散度和牵引指标合成[6] 5. 动量因子 - **因子名称**：动量因子 - **因子构建思路**：基于行业内部股票的动量特征构建[6] - **因子具体构建过程**：通过行业内部股票动量离散度和牵引指标合成[6] 模型的回测效果 1. 五维行业轮动模型 - 年化收益率：21.59%[10] - 年化波动率：10.77%[10] - 信息比率(IR)：2.00[10] - 月度胜率：73.33%[10] - 历史最大回撤：13.30%[10] 2. 五维行业轮动模型多头组合 - 年化收益率：10.52%[14] - 年化波动率：6.59%[14] - 信息比率(IR)：1.60[14] - 月度胜率：70.83%[14] - 历史最大回撤：9.36%[14] 3. 沪深300指数增强策略 - 超额年化收益率：8.90%[23] - 超额年化波动率：7.50%[23] - 信息比率(IR)：1.19[23] - 月胜率：69.42%[23] - 最大回撤：12.74%[23] 因子的回测效果 1. 波动率因子 - 年化收益率：11.62%[14] - 波动率：10.16%[14] - 信息比率(IR)：1.14[14] - 胜率：60.00%[14] - 最大回撤：14.27%[14] - IC：-0.08[14] - ICIR：-1.43[14] - RankIC：-0.07[14] - RankICIR：-1.10[14] 2. 基本面因子 - 年化收益率：5.66%[14] - 波动率：9.93%[14] - 信息比率(IR)：0.57[14] - 胜率：56.00%[14] - 最大回撤：21.50%[14] - IC：0.05[14] - ICIR：0.74[14] - RankIC：0.04[14] - RankICIR：0.61[14] 3. 成交量因子 - 年化收益率：7.65%[14] - 波动率：12.11%[14] - 信息比率(IR)：0.63[14] - 胜率：58.40%[14] - 最大回撤：18.51%[14] - IC：-0.06[14] - ICIR：-0.94[14] - RankIC：-0.07[14] - RankICIR：-0.95[14] 4. 情绪因子 - 年化收益率：7.87%[14] - 波动率：12.91%[14] - 信息比率(IR)：0.61[14] - 胜率：64.00%[14] - 最大回撤：14.79%[14] - IC：0.03[14] - ICIR：0.52[14] - RankIC：0.03[14] - RankICIR：0.47[14] 5. 动量因子 - 年化收益率：11.69%[14] - 波动率：10.71%[14] - 信息比率(IR)：1.09[14] - 胜率：61.29%[14] - 最大回撤：13.52%[14] - IC：0.02[14] - ICIR：0.40[14] - RankIC：0.05[14] - RankICIR：0.73[14]

量化模型与构建方式 1. **模型名称**：基于微观的风格轮动模型 **模型构建思路**：从基础风格因子（估值、市值、波动率、动量）出发，通过80个底层微观指标构造640个微观特征，并使用常用指数作为风格股票池取代风格因子的绝对比例划分，构造新的风格收益作为标签[6] **模型具体构建过程**： - 优选80个底层因子作为原始特征，构造640个微观特征[6] - 通过滚动训练随机森林模型，规避过拟合风险，优选特征并得到风格推荐[6] - 综合择时结果与打分结果，构造月频风格轮动框架[6] **模型评价**：模型通过微观特征和滚动训练有效降低了过拟合风险，实现了风格择时与评分的结合[6] 模型的回测效果 1. **基于微观的择时+打分风格轮动策略** - 年化收益率：21.63%[7][8] - 年化波动率：24.09%[7][8] - 信息比率（IR）：0.90[7][8] - 月度胜率：59.12%[7][8] - 对冲市场基准的年化收益率：13.35%[7][8] - 对冲市场基准的年化波动率：11.43%[7][8] - 对冲市场基准的信息比率（IR）：1.17[7][8] - 对冲市场基准的月度胜率：66.42%[7][8] - 历史最大回撤：10.28%[7][8] 2. **2025年6月风格轮动模型** - 收益率：1.28%[13] - 相对基准超额：-2.51%[13] 量化因子与构建方式 1. **因子名称**：估值因子 **因子的构建思路**：基于微观个股层面的估值指标构造[6] **因子具体构建过程**：未详细说明 2. **因子名称**：市值因子 **因子的构建思路**：基于微观个股层面的市值指标构造[6] **因子具体构建过程**：未详细说明 3. **因子名称**：波动率因子 **因子的构建思路**：基于微观个股层面的波动率指标构造[6] **因子具体构建过程**：未详细说明 4. **因子名称**：动量因子 **因子的构建思路**：基于微观个股层面的动量指标构造[6] **因子具体构建过程**：未详细说明 因子的回测效果 1. **2025年风格因子实际收益率（多空对冲）** - 动量因子：具体数值未列出[12] - 波动率因子：具体数值未列出[12] - 估值因子：具体数值未列出[12] - 市值因子：具体数值未列出[12] 2. **2025年风格因子择时后收益率（多空对冲）** - 动量因子：具体数值未列出[15] - 波动率因子：具体数值未列出[15] - 估值因子：具体数值未列出[15] - 市值因子：具体数值未列出[15] 3. **近一年风格因子权重** - 市值因子：权重未列出[16] - 估值因子：权重未列出[16] - 动量因子：权重未列出[16] - 波动率因子：权重未列出[16]

根据提供的金融工程日报内容，以下是量化模型与因子的结构化总结： --- 量化因子与构建方式 1. **因子名称：封板率因子** - 构建思路：通过监测涨停股盘中表现与收盘状态的匹配度，反映市场情绪强度[16] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月的股票，统计日内最高价触及涨停且收盘仍维持涨停的股票占比[16] - 因子评价：高频情绪指标，对短期市场动量有较强解释力 2. **因子名称：连板率因子** - 构建思路：捕捉连续涨停股票的比例，识别市场投机热度[16] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 需排除新股上市初期波动干扰[16] 3. **因子名称：大宗交易折价率因子** - 构建思路：通过大宗交易成交价与市价的偏离程度反映机构资金动向[25] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计近半年日均折价率作为基准[25] 4. **因子名称：股指期货贴水率因子** - 构建思路：利用期现价差衍生市场预期指标[27] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 跟踪上证50/沪深300/中证500/中证1000主力合约[27] --- 因子回测效果 1. **封板率因子** - 当日取值：79%（较前日+18%）[16] - 近一月峰值：创近一个月新高[16] 2. **连板率因子** - 当日取值：25%（较前日+11%）[16] 3. **大宗交易折价率因子** - 当日取值：8.00%（近半年均值5.66%）[25] 4. **股指期货贴水率因子** - 上证50：3.59%（近一年42%分位）[27] - 沪深300：5.41%（近一年36%分位）[27] - 中证500：15.81%（近一年21%分位）[27] - 中证1000：13.84%（近一年42%分位）[27] --- 注：报告中未涉及量化模型的具体构建，仅包含市场监测类因子[16][25][27]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：Beta因子** - 因子构建思路：衡量股票相对于市场的系统性风险[16] - 因子具体构建过程：直接使用历史beta值作为因子值[16] 2. **因子名称：市值因子** - 因子构建思路：衡量公司规模大小[16] - 因子具体构建过程：总市值取自然对数 $$ \text{市值因子} = \ln(\text{总市值}) $$ [16] 3. **因子名称：动量因子** - 因子构建思路：衡量股票历史超额收益表现[16] - 因子具体构建过程：计算历史超额收益率序列的均值[16] 4. **因子名称：波动因子** - 因子构建思路：衡量股票价格波动性[16] - 因子具体构建过程：复合波动指标计算如下： $$ 0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率} $$ [16] 5. **因子名称：非线性市值因子** - 因子构建思路：捕捉市值风格的非线性效应[16] - 因子具体构建过程：市值风格的三次方[16] 6. **因子名称：估值因子** - 因子构建思路：衡量股票估值水平[16] - 因子具体构建过程：使用市净率倒数作为因子值[16] 7. **因子名称：流动性因子** - 因子构建思路：衡量股票交易活跃程度[16] - 因子具体构建过程：复合流动性指标计算如下： $$ 0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率} $$ [16] 8. **因子名称：盈利因子** - 因子构建思路：衡量公司盈利能力[16] - 因子具体构建过程：复合盈利指标计算如下： $$ 0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率ttm倒数} $$ [16] 9. **因子名称：成长因子** - 因子构建思路：衡量公司成长性[16] - 因子具体构建过程：复合成长指标计算如下： $$ 0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率} $$ [16] 10. **因子名称：杠杆因子** - 因子构建思路：衡量公司财务杠杆水平[16] - 因子具体构建过程：复合杠杆指标计算如下： $$ 0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率} $$ [16] 11. **因子名称：GRU因子** - 因子构建思路：基于GRU神经网络模型构建的复合因子[19][21][24][27] - 因子评价：在不同市场环境下表现分化，需要结合其他因子使用[19][21][24][27] 12. **因子名称：多因子组合** - 因子构建思路：综合多个因子构建的组合[31] - 因子评价：本周表现较弱，但长期表现稳定[31] 因子回测效果 1. **Beta因子** - 最近一周多空收益：多头表现较好[17] - 最近一月多空收益：多头表现较好[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 2. **市值因子** - 最近一周多空收益：空头表现强势[17] - 最近一月多空收益：空头表现强势[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 3. **盈利因子** - 最近一周多空收益：空头表现强势[17] - 最近一月多空收益：空头表现强势[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 4. **估值因子** - 最近一周多空收益：空头表现强势[17] - 最近一月多空收益：空头表现强势[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 5. **流动性因子** - 最近一周多空收益：多头表现较好[17] - 最近一月多空收益：多头表现较好[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 6. **GRU因子** - open1d模型： - 近一周超额收益：-0.35%[32] - 近一月超额收益：-0.71%[32] - 近三月超额收益：4.21%[32] - 近六月超额收益：5.85%[32] - 今年以来超额收益：6.30%[32] - close1d模型： - 近一周超额收益：0.55%[32] - 近一月超额收益：0.40%[32] - 近三月超额收益：5.04%[32] - 近六月超额收益：6.40%[32] - 今年以来超额收益：6.31%[32] - barra1d模型： - 近一周超额收益：0.17%[32] - 近一月超额收益：0.32%[32] - 近三月超额收益：1.97%[32] - 近六月超额收益：4.09%[32] - 今年以来超额收益：3.93%[32] - barra5d模型： - 近一周超额收益：0.13%[32] - 近一月超额收益：0.39%[32] - 近三月超额收益：4.48%[32] - 近六月超额收益：7.59%[32] - 今年以来超额收益：7.56%[32] 7. **多因子组合** - 近一周超额收益：-0.38%[32] - 近一月超额收益：-0.04%[32] - 近三月超额收益：1.43%[32] - 近六月超额收益：3.56%[32] - 今年以来超额收益：2.82%[32]