量化因子与构建方式 1. 因子名称：剥离涨停动量 - **因子的构建思路**：通过剥离涨停股票的动量效应，捕捉市场中短期价格趋势的延续性[3][25] - **因子具体构建过程**：未提供详细构建过程，仅提到该因子表现较好[3][25] 2. 因子名称：经营性现金净流量 - **因子的构建思路**：基于企业经营活动产生的现金流量，衡量企业的盈利质量和财务健康状况[3][25] - **因子具体构建过程**：未提供详细构建过程，仅提到该因子表现较好[3][25] 3. 因子名称：分析师净上调幅度 - **因子的构建思路**：通过分析师对股票盈利预测的上调幅度，反映市场对公司未来业绩的乐观预期[3][25] - **因子具体构建过程**：未提供详细构建过程，仅提到该因子表现较好[3][25] 4. 因子名称：单季度营收增速 - **因子的构建思路**：基于公司单季度收入的同比增长率，衡量公司短期经营增长能力[3][25] - **因子具体构建过程**：未提供详细构建过程，仅提到该因子表现较差[3][25] 5. 因子名称：总市值 - **因子的构建思路**：以公司总市值为指标，反映公司规模对股票表现的影响[3][25] - **因子具体构建过程**：未提供详细构建过程，仅提到该因子表现较差[3][25] 6. 因子名称：BP（账面市值比） - **因子的构建思路**：通过账面价值与市值的比值，衡量股票的估值水平[3][25] - **因子具体构建过程**：未提供详细构建过程，仅提到该因子表现较差[3][25] --- 因子的回测效果 最近一个月表现 - **剥离涨停动量**：表现较好[3][25] - **经营性现金净流量**：表现较好[3][25] - **分析师净上调幅度**：表现较好[3][25] - **单季度营收增速**：表现较差[3][25] - **总市值**：表现较差[3][25] - **BP**：表现较差[3][25] 今年以来表现 - **分析师净上调幅度**：表现较好[3][25] - **单季度净利润增速**：表现较好[3][25] - **单季度超预期幅度**：表现较好[3][25] - **总市值**：表现较差[3][25] - **BP**：表现较差[3][25] - **分析师净上调比例**：表现较差[3][25] --- 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**：以券商金股股票池为选股空间，通过多因子模型优选股票，并采用组合优化方法控制个股和风格偏离，最终构建业绩增强组合[12][36][39] - **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[12][36] 2. 采用多因子模型对股票进行优选，具体因子未详细列出[12][36] 3. 以全体公募基金的行业分布为行业配置基准[39] 4. 通过组合优化方法控制组合与券商金股股票池在个股、风格上的偏离[39] 5. 以偏股混合型基金指数作为对标基准[36] 6. 考虑仓位及交易费用的影响[40] --- 模型的回测效果 本月表现（20241201-20241231） - **绝对收益**：2.67%[5][38] - **相对偏股混合型基金指数超额收益**：3.54%[5][38] 今年以来表现（20240102-20241231） - **绝对收益**：19.45%[5][38] - **相对偏股混合型基金指数超额收益**：16.00%[5][38] - **在主动股基中排名**：6.79%分位点（226/3326）[5][38] 历史表现（2018-2024） - **年化收益**：19.01%[40][43] - **相对偏股混合型基金指数年化超额收益**：14.87%[40][43] - **每年业绩排名**：均排在主动股基前30%[40][43]

量化模型与构建方式 1. 模型名称：开源金工优选金股组合 - **模型构建思路**：基于新进金股的收益表现优于重复金股的特性，结合业绩超预期因子（SUE因子）的选股能力，构建优选金股组合[22] - **模型具体构建过程**： 1. 以新进金股作为样本[22] 2. 选择业绩超预期的前30只金股[22] 3. 按照券商推荐数量加权构建组合[22] - **模型评价**：优选金股组合收益表现显著优于全部金股组合和基准指数[22][24] --- 模型的回测效果 1. 开源金工优选金股组合 - **12月收益率**：1.4%[25] - **2024年收益率**：15.4%[25] - **年化收益率**：20.2%[25] - **年化波动率**：25.8%[25] - **收益波动比**：0.78[25] - **最大回撤**：24.6%[25] 2. 全部金股组合 - **12月收益率**：-1.5%[20] - **2024年收益率**：5.7%[20] - **年化收益率**：11.1%[20] - **年化波动率**：24.1%[20] - **收益波动比**：0.46[20] - **最大回撤**：42.6%[20] 3. 新进金股组合 - **12月收益率**：-2.6%[20] - **2024年收益率**：1.7%[20] - **年化收益率**：13.7%[20] - **年化波动率**：24.8%[20] - **收益波动比**：0.55[20] - **最大回撤**：38.5%[20] 4. 重复金股组合 - **12月收益率**：-0.3%[20] - **2024年收益率**：9.5%[20] - **年化收益率**：8.9%[20] - **年化波动率**：24.0%[20] - **收益波动比**：0.37[20] - **最大回撤**：45.0%[20] 5. 基准指数（沪深300） - **12月收益率**：0.5%[20] - **2024年收益率**：14.7%[20] - **年化收益率**：2.1%[20] - **年化波动率**：21.9%[20] - **收益波动比**：0.10[20] - **最大回撤**：40.6%[20] 6. 基准指数（中证500） - **12月收益率**：-2.2%[20] - **2024年收益率**：5.5%[20] - **年化收益率**：-0.7%[20] - **年化波动率**：24.3%[20] - **收益波动比**：-0.03[20] - **最大回撤**：37.5%[20] --- 量化因子与构建方式 1. 因子名称：业绩超预期因子（SUE因子） - **因子构建思路**：通过捕捉公司业绩超预期的特性，筛选出具有更高收益潜力的股票[22] - **因子具体构建过程**： 1. 计算公司实际业绩与市场预期的差异 2. 根据差异值对股票进行排序，选取业绩超预期的股票[22] - **因子评价**：在新进金股组合中表现出优异的选股能力[22] --- 因子的回测效果 1. 业绩超预期因子（SUE因子） - **表现**：在新进金股组合中具有优异的选股能力[22]

量化因子与构建方式 1. 因子名称：新价量相关性 RPV 因子 - **因子的构建思路**：通过日内与隔夜信息的叠加，划分价量四象限，利用月度IC均值甄别价量相关性的反转效应和动量效应。在“动量因子切割”研究的基础上，以相关性的形式加入成交量信息，分别为日内和隔夜价量相关性找到最佳代表，并完成信息叠加[1][5] - **因子具体构建过程**： 1. 从基准因子CCV（日频CPV）中发现换手率序列可以增强收盘价序列的反转效应[5] 2. 分别为日内价量相关性和隔夜价量相关性找到最佳代表，分别为CCOIV和COV[5] 3. 日内价量相互配合，加强反转效应；隔夜价量关系通过“昨日量”加强隔夜收益的动量效应[5] 4. 将日内和隔夜价量相关性的信息叠加，形成新价量相关性RPV因子[5] - **因子评价**：该因子通过价量相关性有效捕捉反转和动量效应，具有较强的选股能力[1][5] 2. 因子名称：聪明版日频价量相关性 SRV 因子 - **因子的构建思路**：将日内涨跌拆分为上午和下午两个时段，结合分钟级“聪明”指标，提取知情交易最集中的时段信息；隔夜价量相关性则用昨天最后半小时的换手率替代普通换手率，最终将日内和隔夜价量相关性因子结合[1][5] - **因子具体构建过程**： 1. 将日内涨跌拆分为上午和下午两个时段，计算分钟级“聪明”指标[1] 2. 提取下午“聪明”指标最大的20%（24分钟）作为知情交易最集中的“聪明”时段[1] 3. 使用下午“聪明”换手率与下午涨跌的相关系数，构建日内价量相关性因子[1] 4. 对隔夜价量相关性，将普通换手率替换为昨天最后半小时的换手率，提升知情交易比例[1] 5. 将效果更好的日内价量相关性因子和隔夜价量相关性因子结合，形成SRV因子[1][5] - **因子评价**：SRV因子通过更精细的时间划分和知情交易指标的引入，显著提升了因子的选股能力和稳定性[1][5] --- 因子的回测效果 1. 新价量相关性 RPV 因子 - 年化收益率：14.87%[6][10] - 年化波动率：7.76%[6][10] - 信息比率（IR）：1.92[6][10] - 月度胜率：73.28%[6][10] - 最大回撤率：10.63%[6][10] 2. 聪明版日频价量相关性 SRV 因子 - 年化收益率：18.00%[6][10] - 年化波动率：6.28%[6][10] - 信息比率（IR）：2.87[6][10] - 月度胜率：76.34%[6][10] - 最大回撤率：3.66%[6][10]

量化模型与构建方式 1. 模型名称：基于技术指标的指数仓位调整模型 - **模型构建思路**：以量价数据为基础，通过技术指标信号调整标的指数的仓位，获取超额收益[3][6] - **模型具体构建过程**： 1. 构建27个技术指标，基于量价“背离”概念设计部分指标[3][6] 2. 测试这些指标在沪深300、中证500、中证1000及31个申万一级行业指数上的表现[3][6] 3. 通过直接信号合成法和滚动搜索法，将多个技术指标结合，形成多信号组合[3][6] 4. 根据信号处理方式，分为两种策略： - **滚动稳健策略**：后置买卖（先合并后处理），信号稳健，适合风险偏好低的投资者[6] - **滚动追涨策略**：前置买卖（先处理后合并），追涨能力强，适合风险偏好高的投资者[6] - **模型评价**：模型表现出较强的超额收益获取能力，滚动稳健策略适合低风险偏好投资者，滚动追涨策略适合高风险偏好投资者[6] 2. 模型名称：多信号组合模型 - **模型构建思路**：通过相关性分析，将多个技术指标信号结合，形成5信号和7信号策略[3] - **模型具体构建过程**： 1. 选择相关性较低的技术指标信号，构建5信号和7信号策略[3] 2. 在宽基指数和行业指数上进行回测，测试其超额收益表现[3] - **模型评价**：5信号策略在宽基指数上表现良好，7信号策略在部分行业指数上表现突出[3] --- 模型的回测效果 1. 基于技术指标的指数仓位调整模型 - **滚动稳健策略**： - 沪深300：超额收益-0.75%[7][10] - 中证500：超额收益2.22%[7][10] - 中证1000：超额收益3.79%[7][10] - 平均超额收益：2.03%[7][10] - **滚动追涨策略**： - 沪深300：超额收益-0.57%[10] - 中证500：超额收益0.12%[10] - 中证1000：超额收益-0.51%[10] 2. 多信号组合模型 - **5信号策略**： - 沪深300：超额收益-0.64%[8] - 中证500：超额收益0.00%[8] - 中证1000：超额收益0.00%[8] - **7信号策略**： - 沪深300：超额收益-0.64%[8] - 中证500：超额收益2.24%[8] - 中证1000：超额收益3.88%[8]

量化模型与构建方式 1. 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，最终合成五类行业因子，形成五维行业轮动模型[8] - **模型具体构建过程**： - 以东吴金工特色多因子体系为基础，将微观因子划分为五大类：波动率、基本面、成交量、情绪、动量[8] - 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[8] - 最终合成五类行业因子，分别为波动率因子、基本面因子、成交量因子、情绪因子和动量因子[8] - **模型评价**：模型通过多因子合成，能够捕捉行业内部的风格差异，具有较强的行业轮动能力[8] 2. 模型名称：五维行业轮动模型的指数增强策略 - **模型构建思路**：基于五维行业轮动模型的行业评分结果，结合沪深300指数权重调整，构建指数增强策略[26] - **模型具体构建过程**： - 每月月末，根据五维行业轮动模型的评分结果，选取评分最高的五个行业作为增强行业，评分最低的五个行业作为剔除行业，其余行业保持不变[26] - 将剔除行业的股票权重从沪深300指数中剔除，并将这些权重等比例分配给增强行业的股票[26] - 形成新的沪深300增强组合，并以月频进行调仓[26] --- 模型的回测效果 1. 五维行业轮动模型 - 年化收益率：22.15%[13][14] - 年化波动率：10.92%[13][14] - 信息比率（IR）：2.03[13][14] - 月度胜率：73.68%[13][14] - 最大回撤：13.30%[13][14] 2. 五维行业轮动模型多头对冲全市场行业等权组合 - 年化收益率：10.78%[17][19] - 年化波动率：6.66%[17][19] - 信息比率（IR）：1.62[17][19] - 月度胜率：71.05%[17][19] - 最大回撤：9.36%[17][19] 3. 五维行业轮动模型的指数增强策略 - 年化收益率：9.18%[28][29] - 年化波动率：7.59%[28][29] - 信息比率（IR）：1.21[28][29] - 月度胜率：70.43%[28][29] - 最大回撤：12.74%[28][29] --- 量化因子与构建方式 1. 因子名称：波动率因子 - **因子构建思路**：基于股票价格波动率的特征，衡量行业内部股票的波动性差异[8] - **因子具体构建过程**：通过计算行业内股票的历史波动率，构建行业内部的波动率离散指标和牵引指标[8] 2. 因子名称：基本面因子 - **因子构建思路**：基于股票的基本面特征，衡量行业内部股票的基本面质量差异[8] - **因子具体构建过程**：通过财务指标（如市盈率、市净率等）计算行业内股票的基本面离散指标和牵引指标[8] 3. 因子名称：成交量因子 - **因子构建思路**：基于股票的成交量特征，衡量行业内部股票的流动性差异[8] - **因子具体构建过程**：通过计算行业内股票的成交量指标，构建行业内部的成交量离散指标和牵引指标[8] 4. 因子名称：情绪因子 - **因子构建思路**：基于市场情绪指标，衡量行业内部股票的市场情绪差异[8] - **因子具体构建过程**：通过市场情绪相关数据（如换手率、资金流向等）计算行业内股票的情绪离散指标和牵引指标[8] 5. 因子名称：动量因子 - **因子构建思路**：基于股票的动量特征，衡量行业内部股票的趋势性差异[8] - **因子具体构建过程**：通过计算行业内股票的历史收益率，构建行业内部的动量离散指标和牵引指标[8] --- 因子的回测效果 1. 波动率因子 - 年化收益率：11.70%[14] - 年化波动率：10.24%[14] - 信息比率（IR）：1.14[14] - 胜率：59.66%[14] - 最大回撤：14.27%[14] 2. 基本面因子 - 年化收益率：6.32%[14] - 年化波动率：10.01%[14] - 信息比率（IR）：0.63[14] - 胜率：55.46%[14] - 最大回撤：21.50%[14] 3. 成交量因子 - 年化收益率：7.48%[14] - 年化波动率：12.31%[14] - 信息比率（IR）：0.61[14] - 胜率：57.98%[14] - 最大回撤：17.86%[14] 4. 情绪因子 - 年化收益率：8.77%[14] - 年化波动率：13.05%[14] - 信息比率（IR）：0.67[14] - 胜率：66.39%[14] - 最大回撤：13.56%[14] 5. 动量因子 - 年化收益率：12.25%[14] - 年化波动率：10.91%[14] - 信息比率（IR）：1.12[14] - 胜率：61.02%[14] - 最大回撤：13.52%[14]

量化模型与构建方式 1. 高频宏观因子模型 - **模型名称**：高频宏观因子模型 - **模型构建思路**：通过资产组合模拟构建高频宏观因子体系，用以观察市场交易的宏观预期变化[10] - **模型具体构建过程**： 1. 真实宏观指标合成低频宏观因子[10] 2. 筛选领先于低频宏观因子的资产[10] 3. 以资产同比收益率为自变量，低频宏观因子同比为因变量，通过滚动多元领先回归确定资产权重，构建投资组合模拟宏观因子走势[10] 4. 不同因子的具体构建方式： - 高频经济增长因子：以工业增加值同比、PMI同比、社会消费品零售总额同比为低频因子，滚动回归拟合恒生指数、CRB金属现货[11] - 高频通货膨胀（消费端）：以CPI同比为低频因子，滚动回归拟合食用农产品价格指数、猪肉价格指数[11] - 高频通货膨胀（生产端）：以PPI全部工业品同比为低频因子，滚动回归拟合生产资料价格指数、CRB工业现货指数、CRB综合现货指数[11] - 高频利率因子：以国债到期收益率为低频因子，做空中债-国债总净价（1-3年）指数[11] - 高频信用因子：以信用债到期收益率减去国债到期收益率为低频因子，做多中债-企业债AAA财富（总值）指数，做空中债-国债总财富（总值）指数[11] - 高频汇率因子：以人民币兑美元中间价为低频因子，做多美元指数[11] - 高频期限利差因子：以长期国债到期收益率减去中短期国债到期收益率为低频因子，做多中债-中短期债券财富（总值）指数，做空中债-长期债券财富（总值）指数[11] - **模型评价**：高频因子相比低频因子具有一定的领先性[11] 2. 债券久期择时模型 - **模型名称**：债券久期择时模型 - **模型构建思路**：利用改进的Diebold2006模型预测即期收益率曲线，并映射出不同久期债券的预期收益[19] - **模型具体构建过程**： 1. 模型分别预测水平、斜率、曲率因子[19] 2. 水平因子的预测基于宏观变量预判和政策利率跟随[19] 3. 斜率和曲率因子的预测基于AR(1)模型[19] - **模型评价**：模型能够提供短久期债券的择时建议[19] 3. 黄金预期收益模型 - **模型名称**：黄金预期收益模型 - **模型构建思路**：将黄金和美国抗通胀债券（TIPS）的远期实际回报关联，构建黄金的预期收益模型[30] - **模型具体构建过程**： 1. 模型公式： $$ E[Real\_Return^{gold}]=k\times E[Real\_Return^{TIPS}] $$ $$ E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{TIPS}] $$ 2. 通过扩展窗口OLS估计参数k[30] 3. 以美联储长期通胀目标2%作为$\pi^{e}$的代理[30] - **模型评价**：模型能够较好地预测黄金资产的未来收益[30] 4. 主动风险预算模型 - **模型名称**：主动风险预算模型 - **模型构建思路**：结合风险平价模型与主动信号，从股债横向比价、股票纵向估值水平、市场流动性三个维度动态调整资产权重[33][36] - **模型具体构建过程**： 1. 股债横向比价：借鉴美联储FED模型，定义股权风险溢价（ERP）为： $$ ERP = \frac{1}{PE_{ttm}} - YTM_{TB}^{10Y} $$ 当ERP > 5%时超配权益资产，当ERP < 2%时低配权益资产[37][38] 2. 股票纵向估值水平：滚动窗口计算股票估值在近5年历史中的分位数，当估值分位数 < 25%时超配权益资产，> 75%时低配权益资产[39] 3. 市场流动性：以M2-M1剪刀差为指标，当M2-M1 ≥ 5%时超配权益资产，当M2-M1 ≤ -5%时低配权益资产[41] 4. 将三个维度的信号代入softmax函数，计算权益资产风险预算权重： $$ softmax(x) = \frac{\exp(\lambda x)}{\exp(\lambda x) + \exp(-\lambda x)} $$ - **模型评价**：模型能够动态调整股债配置，提供稳健的资产配置建议[36][44] 5. 行业轮动模型 - **模型名称**：行业轮动模型3.0 - **模型构建思路**：从交易行为、景气度、资金面、筹码结构、宏观驱动、技术分析六个维度构建行业轮动子模型，并动态合成优选行业[51][54] - **模型具体构建过程**： 1. 交易行为模型：捕捉行业日内动量+隔夜反转效应[54] 2. 景气度模型：捕捉行业盈余动量效应[54] 3. 资金流模型：捕捉主动抢筹+被动派发行为[54] 4. 筹码结构模型：捕捉持仓收益+阻力支撑效应[54] 5. 宏观驱动模型：捕捉高频宏观预期在行业上的映射[54] 6. 技术分析模型：捕捉行业成份股在趋势、振荡、量能指标上的交易信号[54] - **模型评价**：模型能够动态捕捉行业轮动信号，提供双周频的行业配置建议[51][54] --- 模型的回测效果 高频宏观因子模型 - 高频经济增长因子：同比较前值上行[11] - 高频通货膨胀（消费端）：同比较前值下行[16] - 高频通货膨胀（生产端）：同比较前值上行[16] 债券久期择时模型 - 2024年12月回报37.8bp，等权基准收益率为176.4bp，策略超额收益为-138.6bp[22] - 最近一年，零息国债久期调整策略回报3.10%，等权基准收益率为8.25%，策略超额收益为-5.15%[22] 黄金预期收益模型 - 未来一年黄金的预期收益率为22.0%[30] - 基于TIPS收益率的择时策略过去一年绝对回报为27.23%[32][35] 主动风险预算模型 - 2024年12月组合收益1.63%，股票仓位16.81%，债券仓位83.19%[46] - 全样本区间内，年化收益率6.67%，最大回撤4.89%，收益波动比1.67[49][50] 行业轮动模型 - 2024年12月多空收益为2.13%，多头超额收益为0.02%，空头超额收益为2.11%[60][63]

量化因子与构建方式 1. 因子名称：社融自下而上预测框架 - **因子的构建思路**：基于社融各子项的经济逻辑、高频数据和季节性特征，采用自下而上的拆分预测方法，通过对各子项的细分逻辑进行建模，既能准确预测社融总量，也能提供结构性信息[9][10] - **因子具体构建过程**： 1. **企业贷款+居民短贷**：与未来经济预期高度相关，使用PMI和唐山钢厂产能利用率作为自变量，分别对信贷大月和小月进行滚动回归预测 2. **居民中长贷**：以住房按揭贷款为主，与商品房销售数据高度相关，基于商品房销售代理指标和居民中长贷的三阶段特点进行预测 3. **企业票据融资**：与转贴现利率呈明显负相关，使用转贴现利率作为外生变量，采用5年窗口的滚动自回归进行预测 4. **政府债券**：通过高频跟踪政府债券的发行到期数据，并将月末新发政府债券计入下月数据，进行口径调整 5. **企业债券**：采用5年窗口的滚动回归对企业债券子项重新配权，以降低口径差异 6. **外币贷款**：平滑后与人民币汇率和中美国债利差相关性强，但月度间波动大，使用过去3个月均值作为预测 7. **信托贷款**：通过跟踪集合信托和单一信托的发行到期披露情况进行近似预测 8. **委托贷款**：资管新规后整体规模压降，使用过去12个月均值作为预测，部分基建相关增量额外判断 9. **未贴现银行承兑汇票**：由于票交所高频数据停止对外公布，使用过去三年同期平均值作近似估计 10. **非金融企业境内股票融资**：扣除金融企业部分后，基于股权融资（包括IPO、增发、配股、优先股）的月频净融资数据进行预测 11. **贷款核销**：集中于季末特别是年末，季节效应显著，使用去年同期值作为预测 12. **存款类金融机构资产支持证券**：从2023年12月起，改为使用信贷ABS净融资高频跟踪进行预测[10][9] 2. 因子评价 - 自下而上的拆分预测框架能够更好地刻画社融的细节，既能准确预测总量，也能提供结构性信息，具有较高的实用性和前瞻性[9][10] --- 因子的回测效果 1. 社融自下而上预测框架 - **新增社融**：2024年12月预测值为30863亿元，同比增加11537亿元[16] - **社融TTM环比**：2024年12月预测值为3.65%[16] - **社融存量同比增速**：2024年12月预测值为8.09%[9] - **人民币贷款**：2024年12月预测值为11658亿元，其中企业贷款+居民短贷为8152亿元，居民中长贷为2853亿元，企业票据融资为654亿元[16] - **政府债券净融资**：2024年12月预测值为17674亿元，同比增加9350亿元[16] - **企业债券净融资**：2024年12月预测值为361亿元，同比增加3102亿元[16] - **其他子项**：外币贷款为-553亿元，委托贷款为-50亿元，信托贷款为312亿元，未贴现银行承兑汇票为-1279亿元，非金融企业境内股票融资为418亿元，存款类金融机构资产支持证券为-25亿元，贷款核销为2347亿元[16]

量化模型与构建方式 1. 模型名称：AI看图的卷积神经网络模型 - **模型构建思路**：基于价量数据图表，通过卷积神经网络（CNN）对股价未来走势进行预测[17][21] - **模型具体构建过程**： - **输入**：标准化价量数据图表，包含60个交易日窗口期的价量数据，分为三部分：K线图（开、高、低、收价格）、成交量、MACD信息[17] - **网络结构**：采用经典的ResNet残差卷积结构，输入为标准化价量数据图表，输出为未来股价涨跌[21] - **优化方法**：使用Adam优化器对模型进行训练，并通过验证集确定最优的早停（Early Stopping）时点[21] - **卷积运算公式**： $$ \mathrm{OH}={\frac{\mathrm{H}+2\mathrm{P}-\mathrm{FH}}{\mathrm{S}}}+1, \quad \mathrm{OW}={\frac{\mathrm{W}+2\mathrm{P}-\mathrm{FW}}{\mathrm{S}}}+1 $$ 其中，H和W为输入大小，FH和FW为卷积核大小，P为填充大小，S为步幅[47] - **模型评价**：通过卷积神经网络，能够有效识别价量数据图表中价格和交易量的走势形态，并与未来股价进行建模[50] 2. 模型名称：循环神经网络（RNN） - **模型构建思路**：基于价量数据的时间序列特性，使用RNN捕捉序列数据的演进关系[24][26] - **模型具体构建过程**： - **输入**：包含价格和交易量的二维序列数据[26] - **网络结构**：通过递归方式处理序列数据，隐藏层状态（Hidden State）在时间步之间传递，最终输出最后一个隐藏层状态$h_n$，并通过前馈神经网络降维后与未来股价走势建模[26] - **模型评价**：能够捕捉价量序列中的高维信息，但对价格和交易量的形态变化识别能力有限[24] 3. 模型名称：Transformer模型 - **模型构建思路**：通过多头注意力机制（Multi-Head Attention）捕捉输入时序数据中的前后关系，适合建模超长序列数据[28] - **模型具体构建过程**： - **输入**：价量数据的时序特征[28] - **网络结构**：包括多头注意力机制、前馈网络、位置编码等模块，能够并行化处理数据，提升运算速度[28][31] - **模型评价**：克服了传统RNN的短期记忆缺点，适合处理超长序列数据[28] --- 模型的回测效果 1. AI看图的卷积神经网络模型 - **累计收益率**：244.56%（2020~2024年）[69][73] - **年化收益率**：29.42%（2020~2024年），40.88%（2024年）[69][73] - **最大回撤率**：19.80%（2020~2024年），8.82%（2024年）[69][73] - **年化波动率**：18.24%（2020~2024年），20.47%（2024年）[69][73] - **信息比率（IR）**：1.61（2020~2024年），2.00（2024年）[69][73] --- 量化因子与构建方式 1. 因子名称：AI看图因子 - **因子的构建思路**：基于价量数据图表，通过图像识别技术提取股价走势特征[17][52] - **因子具体构建过程**： - **输入数据**：标准化价量数据图表，包含K线图、成交量、MACD信息[17] - **因子分档**：将全市场股票按因子值分为50档，分档组合展现出良好的区分度和单调性[52][54] - **因子评价**：分档表现良好，多头、空头收益显著[52] --- 因子的回测效果 1. AI看图因子 - **分档表现**：因子分档展现出显著的区分度和单调性[52][54]

量化模型与构建方式 1. 模型名称：A股收益预测模型 - **模型构建思路**：通过对宽基指数的未来一年预期收益进行预测，判断不同指数的相对收益能力[5][12] - **模型具体构建过程**： 1. 使用ERP（股权风险溢价）作为估值预测的核心指标，结合盈利增速、股息率和估值变化等因素，计算各宽基指数的未来一年预期收益[12][8] 2. 公式： $ \text{预期收益} = \text{预期盈利增速} + \text{预期股息率} + \text{预期估值变化} - \text{预期股本稀释率} $ 其中，预期盈利增速基于宏观和微观方法综合预测，股息率和估值变化通过历史数据回归估算[12][9] - **模型评价**：模型在长周期内显示出较强的预测准确性，尤其在估值扩张的判断上具有一定的前瞻性[12] 2. 模型名称：赔率+胜率策略 - **模型构建思路**：结合赔率和胜率两个维度，通过风险预算模型优化资产配置[56][62] - **模型具体构建过程**： 1. 赔率维度：基于各资产的赔率指标（如股债风险溢价、CCB模型定价误差等）进行高赔率资产的超配[56][24] 2. 胜率维度：通过宏观胜率评分卡（货币、信用、增长、通胀、海外五因子）计算各资产的胜率[56][59] 3. 综合得分：将赔率和胜率的风险预算简单相加，构建综合策略[62] - **模型评价**：策略在不同时间窗口下均表现出较低的回撤和较高的夏普比率，具有较好的风险收益特性[62] --- 模型的回测效果 1. A股收益预测模型 - 沪深300未来一年预期收益：14.2%[5][9] - 中证500未来一年预期收益：-28.2%[5][9] - 上证50未来一年预期收益：9.2%[5][9] 2. 赔率+胜率策略 - **2011年以来**：年化收益7.0%，最大回撤2.8%，夏普比率3.07[62][64] - **2014年以来**：年化收益7.7%，最大回撤2.6%，夏普比率3.55[62][64] - **2019年以来**：年化收益6.7%，最大回撤2.6%，夏普比率3.09[62][64] --- 量化因子与构建方式 1. 因子名称：质量因子 - **因子的构建思路**：通过ROE（净资产收益率）衡量企业质量，结合赔率、趋势和拥挤度三维指标进行综合评价[31][33] - **因子具体构建过程**： 1. 赔率：基于ROE的历史分位数计算，当前值为1.3倍标准差[31] 2. 趋势：通过因子超额收益的时间序列分析，判断趋势信号，当前趋势由负转正[31] 3. 拥挤度：通过因子持仓集中度和交易活跃度计算，当前值为-1.1倍标准差[31] - **因子评价**：质量因子当前综合评分最高，左侧和右侧信号共振，具备较高的配置价值[31] 2. 因子名称：成长因子 - **因子的构建思路**：通过盈利增长能力衡量成长性，结合赔率、趋势和拥挤度三维指标进行综合评价[34][36] - **因子具体构建过程**： 1. 赔率：基于盈利增速的历史分位数计算，当前值为-0.1倍标准差[34] 2. 趋势：通过因子超额收益的时间序列分析，当前趋势为0.8倍标准差[34] 3. 拥挤度：通过因子持仓集中度和交易活跃度计算，当前值为-0.3倍标准差[34] - **因子评价**：成长因子趋势突破，右侧信号确认，建议长期关注[34] 3. 因子名称：红利因子 - **因子的构建思路**：通过股息率衡量红利水平，结合赔率、趋势和拥挤度三维指标进行综合评价[38][39] - **因子具体构建过程**： 1. 赔率：基于股息率的历史分位数计算，当前值为-0.8倍标准差[38] 2. 趋势：通过因子超额收益的时间序列分析，当前趋势为-0.4倍标准差[38] 3. 拥挤度：通过因子持仓集中度和交易活跃度计算，当前值为-0.6倍标准差[38] - **因子评价**：红利因子综合得分较低，配置价值下降[38] 4. 因子名称：小盘因子 - **因子的构建思路**：通过市值规模衡量小盘股特性，结合赔率、趋势和拥挤度三维指标进行综合评价[41][43] - **因子具体构建过程**： 1. 赔率：基于市值分位数计算，当前值为0.02倍标准差[41] 2. 趋势：通过因子超额收益的时间序列分析，当前趋势为-1.0倍标准差[41] 3. 拥挤度：通过因子持仓集中度和交易活跃度计算，当前值为0.1倍标准差[41] - **因子评价**：小盘因子不确定性较强，建议保持谨慎[41] --- 因子的回测效果 1. 质量因子 - 赔率：1.3倍标准差[31] - 趋势：由负转正[31] - 拥挤度：-1.1倍标准差[31] 2. 成长因子 - 赔率：-0.1倍标准差[34] - 趋势：0.8倍标准差[34] - 拥挤度：-0.3倍标准差[34] 3. 红利因子 - 赔率：-0.8倍标准差[38] - 趋势：-0.4倍标准差[38] - 拥挤度：-0.6倍标准差[38] 4. 小盘因子 - 赔率：0.02倍标准差[41] - 趋势：-1.0倍标准差[41] - 拥挤度：0.1倍标准差[41]

- 本报告未涉及量化模型或量化因子的具体内容，仅提及量化产品的收益表现[5][20][24] - 上周量化产品中，主动量化产品平均收益为0.04%，量化对冲产品为0.11%[20][22] - 年初至今，主动量化产品平均收益为6.59%，量化对冲产品为-1.74%[24][25] - 年初至今，主动量化基金中同泰金融精选A收益最高，为43.74%；量化对冲基金中光大阳光对冲策略6个月持有A收益最高，为3.89%[24][26]