- 本报告未涉及量化模型或量化因子的内容[1][2][3]

根据提供的内容，报告中并未涉及具体的量化模型或量化因子的构建、公式、测试结果等相关内容，因此无法按照任务要求进行总结

量化模型与构建方式 1. 模型名称：央企现代能源指数（932037.CSI） - **模型构建思路**：该指数由国新投资有限公司定制，主要选取国务院国资委下属业务涉及绿色能源、化石能源、能源输配等现代能源产业的50只上市公司证券作为指数样本，以反映央企现代能源主题上市公司证券的整体表现[31][33] - **模型具体构建过程**： 1. **样本空间**：与中证全指指数样本空间一致，包含以下条件的A股和红筹企业发行的存托凭证： - 非ST、*ST证券 - 科创板证券上市时间超过一年，北交所证券上市时间超过两年，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[31] 2. **选样方法**： - 从样本空间中筛选属于国资委央企名录或实际控制权归属于国务院国资委的上市公司证券 - 选取业务涉及绿色能源、化石能源、能源输配产业的上市公司证券作为现代能源主题证券 - 绿色能源产业：风电、光伏、水电、核电、新能源金属材料及相关专业服务等 - 化石能源产业：煤炭、石油与天然气、化石能源电力等 - 能源输配产业：输变电设备、电网及自动化等[32] - 根据市值和中证碳中和评价，选取50只证券作为指数样本： - 绿色能源产业和能源输配产业分别选取20只和10只证券 - 化石能源产业根据市值排名和中证碳中和评价排名的算术平均值选取20只证券[32] 3. **指数基本信息**： - 指数基日：2016年12月30日 - 基点：1000 - 发布日期：2022年11月16日 - 成分数量：50只[33] 2. 模型评价 - 央企现代能源指数在行业分布上较为集中，主要聚焦电力及公用事业、电力设备及新能源、石油石化、有色金属等行业，体现了其在现代能源领域的代表性[36][37] - 指数成分股具备显著的央国企性质，流动性较好，机构认可度较高[40] --- 模型的回测效果 1. 央企现代能源指数 - **盈利能力**： - 2024年预期营业收入：109080亿元，同比增长4.87% - 2025年预期营业收入：112795亿元，同比增长3.41% - 2026年预期营业收入：116719亿元，同比增长3.48%[45][46] - 2024年预期归母净利润：6784亿元，同比增长13.39% - 2025年预期归母净利润：7285亿元，同比增长7.37% - 2026年预期归母净利润：7753亿元，同比增长6.43%[45][46] - **风格因子暴露**： - 相较于万得全A指数，央企现代能源指数在动量、市值、盈利等因子上暴露度显著更高，在Beta、流动性等因子上为相对负向暴露[41][44] --- 量化因子与构建方式 1. 因子名称：风格因子 - **因子的构建思路**：通过对指数成分股的风格因子暴露进行分析，评估其在不同因子上的表现[41] - **因子具体构建过程**： - 选取万得全A指数作为基准，计算央企现代能源指数在以下因子上的暴露度： - 动量、市值、盈利、杠杆、波动性、价值、成长性等 - Beta、流动性、nlsize等[41][44] 2. 因子评价 - 央企现代能源指数当前风格总体为高动量、大市值、高盈利，体现了其成分股的稳定性和成长性[41][44] --- 因子的回测效果 1. 风格因子 - **动量因子**：相对万得全A指数为正向暴露[41][44] - **市值因子**：相对万得全A指数为正向暴露[41][44] - **盈利因子**：相对万得全A指数为正向暴露[41][44] - **Beta因子**：相对万得全A指数为负向暴露[41][44] - **流动性因子**：相对万得全A指数为负向暴露[41][44]

- 本报告提出了一种基于大小盘强弱周期的风格轮动策略模型[4][5] - 模型名称：风格轮动策略模型[4][5] - 模型构建思路：依据大小盘强弱周期的趋势与周期特征，结合周期项偏离趋势项的程度，将大小盘强弱周期划分为七种状态，并根据不同状态动态调整大小盘配置比例[4][5] - 模型具体构建过程： 1. 将大小盘强弱周期划分为七种状态：小盘初期、小盘中期、小盘过热、大盘初期、大盘中期、大盘过热、震荡期[4][5] 2. 根据周期信号的状态，动态调整大小盘配置比例： - 若周期信号为“平”，维持大市值/微盘的70/30战略配置 - 若周期信号为“小”，将微盘占比提升至50% - 若周期信号为“大”，将微盘占比降低至0，满仓大市值[4][5] - 模型评价：该模型通过动态调整大小盘配置比例，能够在不同市场周期中优化收益率表现[4][5] - 模型的回测效果： 1. 动态配置收益率约47%[4][5] 2. 70/30配置收益率约25%[4][5] 3. 单独大市值收益率约22%[4][5]

- 宏观情景、资产配置与风格轮动展望：预计经济将进入信用扩张阶段，利好权益资产表现，财政刺激节奏加快，强劲的财政刺激对权益资产有显著驱动效果[3] - 宽基展望：GK模型显示大市值宽基指数具备更高预期收益[3] - 风格展望：结合微观三标尺和宏观周期视角，质量>成长>价值>小盘[3] - 转债市场：当前转债市场已由"低价低估区间"进入"中等价格与估值"区间，转债配置性价比适中[3] - 宏观对冲的组合思路：在明年货币政策是主动宽松的基础假设下，可利用股债风险平价策略对冲增长，收获流动性[3] - 中观行业配置展望：当下可能处于主动去库存末期，重视电子、汽车、家电和有色等行业补库存机遇[4] - 右侧景气趋势模型表现稳健，绝对收益16.4%，相对wind全A指数超额4.4%[4] - 左侧库存景气反转策略绝对收益24.9%，相对行业等权超额13.5%[4] - 量化择时核心结论：当下处于牛市的初级阶段，市场呈现普涨格局[4] - 刚确认周线上涨的行业有建筑、轻工、机械、电力设备及新能源、商贸零售、纺织服装、非银行金融、地产、计算机、传媒[4] - 下跌相对比较充分，有望迎来周线上涨的行业有医药、钢铁、建材、农林牧渔[4]

量化模型与构建方式 1. 行业景气趋势配置模型 - **模型构建思路**：通过高景气+强趋势的行业选择，同时规避高拥挤行业，构建右侧行业配置模型[86] - **模型具体构建过程**： - 景气度为核心指标，结合分析师盈利预测数据编制的FAPI（Financial Analyst Pros Index）景气指数 - 加入趋势和拥挤度指标，剔除高拥挤行业[63][86] - 历史回测显示，模型多头年化收益率22.7%，超额年化收益率16.3%，信息比率1.74，超额最大回撤-7.4%，月度胜率71%[86] - **模型评价**：模型表现稳健，适合右侧市场环境，持有体验感较强[86] 2. 行业库存反转模型 - **模型构建思路**：基于赔率-胜率框架，挖掘当前困境或过去困境有所反弹的行业，捕捉补库周期中的困境反转行情[93] - **模型具体构建过程**： - 剔除库存和资本开支历史分位数>80%、毛利率和自由现金流占比历史分位数<20%的行业[67] - 结合分析师长期看好且库存压力不大的行业，筛选出具备补库条件的板块[93] - 历史回测显示，模型多头年化收益率13.4%，超额年化收益率16.5%，信息比率1.76，超额最大回撤-8.7%[93] - **模型评价**：模型在困境反转行情中表现优异，适合捕捉补库周期的投资机会[93] 3. 基于增强ETF申赎清单的指增组合 - **模型构建思路**：利用增强ETF每日披露的申赎清单信息，间接构建增强组合，综合多个ETF对个股的评价信息[121] - **模型具体构建过程**： - 基于增强ETF申赎因子，构建标的指数的增强策略 - 通过清单权重还原ETF持仓，结合多个ETF的综合评价信息，优化组合风险约束[121] - 截至2024年11月29日，沪深300增强组合超额收益5.2%，中证500增强组合超额收益8.6%，中证1000增强组合超额收益1.9%[122] - **模型评价**：模型能够良好还原增强ETF的持仓明细，且超额收益显著[121][122] 4. 深度学习指数增强组合 - **模型构建思路**：基于量价数据驱动，采用AI模型捕捉市场短期定价不充分的机会，构建周频调仓的指数增强组合[125] - **模型具体构建过程**： - 利用短期交易数据，结合AI模型进行深度学习 - 截至2024年11月29日，中证500增强组合绝对收益14.9%，超额收益7.1%；中证1000增强组合绝对收益16.1%，超额收益11.0%[128][129] - **模型评价**：模型与基本面因子具有较高独立性，适合捕捉短期交易机会[125][128] 5. 小盘价值组合 - **模型构建思路**：基于低估值股票的财务信息，筛选出估值具有抬升潜质、基本面改善且安全边际高的股票[131] - **模型具体构建过程**： - 在冷门低估值股票池中，选取基本面改善的股票 - 每期选取100只股票等权构建组合 - 截至2024年11月29日，组合年化收益30.9%，超额国证2000指数22.4%，信息比率2.19[132] - **模型评价**：模型能够有效规避价值陷阱，捕捉低估值股票的盈利和估值提升机会[131][132] 6. 红利精选组合 - **模型构建思路**：在高股息股票中进一步优选，寻找低波动性、高股息率和高成长性的标的[136] - **模型具体构建过程**： - 基于红利低波策略，优化筛选高成长性标的 - 截至2024年11月29日，组合绝对收益18.5%，超额中证红利指数10.0%，信息比率1.41[137] - **模型评价**：模型在红利策略基础上优化，表现出色[136][137] 7. 超预期精选组合 - **模型构建思路**：基于分析师对股票最新业绩的点评报告，筛选业绩超预期的股票[137] - **模型具体构建过程**： - 综合股票基本面信息，优选个股构建组合 - 截至2024年11月29日，组合绝对收益9.4%，超额中证500指数1.6%[138] - **模型评价**：模型能够捕捉业绩超预期的投资机会，但超额收益有限[137][138] --- 模型的回测效果 行业景气趋势配置模型 - 年化收益率22.7%，超额年化收益率16.3%，信息比率1.74，超额最大回撤-7.4%，月度胜率71%[86] 行业库存反转模型 - 年化收益率13.4%，超额年化收益率16.5%，信息比率1.76，超额最大回撤-8.7%[93] 基于增强ETF申赎清单的指增组合 - 沪深300增强组合超额收益5.2%，中证500增强组合超额收益8.6%，中证1000增强组合超额收益1.9%[122] 深度学习指数增强组合 - 中证500增强组合绝对收益14.9%，超额收益7.1%；中证1000增强组合绝对收益16.1%，超额收益11.0%[128][129] 小盘价值组合 - 年化收益率30.9%，超额国证2000指数22.4%，信息比率2.19[132] 红利精选组合 - 绝对收益18.5%，超额中证红利指数10.0%，信息比率1.41[137] 超预期精选组合 - 绝对收益9.4%，超额中证500指数1.6%[138]

量化模型与构建方式 1. 模型名称：10年期国债利率驱动因素模型 - **模型构建思路**：通过结构化静态因子模型，从宏观指标中提取关键因子，刻画利率变动方向[32] - **模型具体构建过程**： - 提取四大因子：经济增长、通货膨胀、债务杠杆、短期利率[32] - 利用这些因子构建静态因子模型，进行月度利率择时[32] - 模型公式未明确列出，但通过因子方向与利率变化的相关性进行分析[32][40] - **模型评价**：模型自2006年以来样本内外胜率均达到70%，2023年以来胜率保持在70%，整体跟踪效果较好[34] 2. 模型名称：黄金驱动因素模型 - **模型构建思路**：通过结构化静态因子模型，从宏观指标中提取关键因子，刻画黄金价格变动方向[49] - **模型具体构建过程**： - 提取四大因子：美国经济、美国就业、美国财政、美国负债[49] - 利用这些因子构建静态因子模型，进行月度黄金择时[49] - 模型公式未明确列出，但通过因子方向与黄金价格变化的相关性进行分析[49][50] - **模型评价**：模型长期对黄金走势具有较高解释度，2023年以来胜率达到74%，表现较为稳定[51] --- 模型的回测效果 1. 10年期国债利率驱动因素模型 - 胜率：2006年以来样本内外胜率均为70%，2023年以来胜率保持在70%[34] 2. 黄金驱动因素模型 - 胜率：2023年以来胜率为74%[51] --- 量化因子与构建方式 1. 因子名称：盈利因子 - **因子构建思路**：通过盈利能力指标衡量个股的基本面表现[104] - **因子具体构建过程**： - 计算盈利相关指标，如ROE、净利润增速等[104][94] - 对因子进行市值和行业中性化处理[113] - **因子评价**：盈利因子在2024年下半年表现持续出色，是牛市反弹初期最强势的风格因子[107] 2. 因子名称：动量因子 - **因子构建思路**：通过历史价格和交易量数据捕捉市场趋势[104] - **因子具体构建过程**： - 计算动量相关指标，如过去30天评级动量、成交量波动性等[114][118] - 对因子进行市值和行业中性化处理[113] - **因子评价**：动量因子在2024年下半年收益反转，表现较为疲弱[107] 3. 因子名称：估值因子 - **因子构建思路**：通过估值指标衡量个股的相对价值[104] - **因子具体构建过程**： - 计算估值相关指标，如市现率倒数、市盈率倒数等[114][118] - 对因子进行市值和行业中性化处理[113] - **因子评价**：估值因子在2024年表现良好，市场偏好估值合理型个股[115] 4. 因子名称：质量因子 - **因子构建思路**：通过财务健康指标衡量个股的稳定性[104] - **因子具体构建过程**： - 计算质量相关指标，如经营活动现金流与净利润比率、研发销售收入占比等[114][118] - 对因子进行市值和行业中性化处理[113] - **因子评价**：质量因子在2024年表现稳健，市场对财务健康状况较为关注[115] --- 因子的回测效果 1. 盈利因子 - 2024年下半年收益：6%[107] 2. 动量因子 - 2024年下半年收益：-0.6%[107] 3. 估值因子 - 市现率倒数因子收益：12.55%（全A市场）[114] - 单季度市盈率倒数因子收益：16.96%（中证1000）[121] 4. 质量因子 - 经营活动现金流与净利润比率因子收益：10.25%（全A市场）[114] - 研发销售收入占比因子收益：9.06%（沪深300）[118]

- 量化模型与构建方式 - 模型名称：主营产品涨价选股策略 - 模型构建思路：通过跟踪产品现货价格和相应上市公司股价，发现产品价格上涨而股价未有显著变化的个股，买入这些个股以获取收益[26] - 模型具体构建过程：跟踪400种产品现货价格和1300家上市公司股价，当产品价格上涨而股价未有显著变化时，买入相应个股[26] - 模型名称：平稳创新高选股策略 - 模型构建思路：通过对个股涨幅、上涨平稳性、量比等条件的定量刻画，筛选出符合条件的个股，作为趋势交易策略的参考[27] - 模型具体构建过程：根据对股市微观结构的研究，筛选出成交量平稳且上行延续性较好的股票[27] - 模型名称：指数成分股调整套利策略 - 模型构建思路：通过预测调入成分股并提前布局，实现套利收益[27] - 模型具体构建过程：随着被动投资理念的普及和股票ETF规模增长，当指数成分股发生调整时，被动资金加仓有望驱动股票价格上涨[27] - 模型名称：基于日历效应的选股策略 - 模型构建思路：结合关注度等指标进行综合选股[27] - 模型具体构建过程：不同板块的盈利存在淡旺季，会引发投资者关注度的季节性变化，关注度提升容易带来增量资金，使得股价产生日历效应[27] - 模型名称：盈利超预期策略 - 模型构建思路：通过上市公司财报、分析师预测行为变化定义业绩超预期信号，筛选出符合条件的个股[27] - 模型具体构建过程：盈余公告后价格漂移现象在A股较为显著，通过上市公司财报、分析师预测行为变化定义业绩超预期信号[27] - 模型名称：入通选股策略 - 模型构建思路：筛选出容易被内资关注的个股[27] - 模型具体构建过程：南下资金规模近些年持续增长，当新股首次入港股通后有望获得南下资金的加仓，进一步对个股盈利模式以及与A股上市公司差异性比较[27] - 模型的回测效果 - 主营产品涨价选股策略，XX指标值XX[26] - 平稳创新高选股策略，XX指标值XX[27] - 指数成分股调整套利策略，XX指标值XX[27] - 基于日历效应的选股策略，XX指标值XX[27] - 盈利超预期策略，XX指标值XX[27] - 入通选股策略，XX指标值XX[27]

量化模型与构建方式 1. 模型名称：戴维斯双击策略 - **模型构建思路**：通过以较低的市盈率（PE）买入具有成长潜力的股票，待成长性显现后，市盈率相应提高，获得EPS和PE的“双击”收益[1][7] - **模型具体构建过程**： 1. 寻找盈利增速加速增长的标的，理论上这些标的的PE向下空间能得到有效控制[7] 2. 以PEG指标评判股票定价的合理性，PEG越低越优[7] 3. 买入符合条件的股票，待成长性显现后卖出[7] - **模型评价**：策略在回测期内表现出较高的稳定性，7个完整年度的超额收益均超过11%，具有较好的收益回撤比[11] 2. 模型名称：净利润断层策略 - **模型构建思路**：结合基本面和技术面，通过业绩超预期（净利润）和盈余公告后股价跳空（断层）选股[2][13] - **模型具体构建过程**： 1. 筛选过去两个月内业绩预告和正式财报中满足超预期事件的股票样本[13] 2. 按照盈余公告日跳空幅度排序，选取前50只股票等权构建组合[13] - **模型评价**：策略在历史回测中表现出较高的年化收益率和超额收益率，且收益回撤比表现良好[14] 3. 模型名称：沪深300增强组合 - **模型构建思路**：基于投资者偏好因子（GARP型、成长型、价值型）构建组合，寻找估值低、盈利能力强或成长潜力稳定的股票[3][16] - **模型具体构建过程**： 1. 构建PBROE因子：PB与ROE的分位数之差，用于寻找估值低且盈利能力强的股票[16] 2. 构建PEG因子：PE与增速的分位数之差，用于寻找价值被低估且成长潜力可靠的股票[16] 3. 综合成长型和价值型投资者偏好，筛选出高速成长或长期稳定高ROE的公司[16] - **模型评价**：策略历史回测显示超额收益稳定，收益回撤比表现较好[18] --- 模型的回测效果 1. 戴维斯双击策略 - 年化收益：26.45%[11] - 年化超额收益：21.08%[11] - 全样本超额收益：21.24%[9] - 最大相对回撤：-16.69%[9] - 收益回撤比：1.27[9] - 2023年累计绝对收益：-5.13%[9] - 2023年超额收益：2.29%[9] 2. 净利润断层策略 - 年化收益：28.55%[14] - 年化超额收益：26.58%[14] - 全样本超额收益：26.58%[14] - 最大相对回撤：-19.09%[14] - 收益回撤比：1.39[14] - 2023年累计绝对收益：1.95%[14] - 2023年超额收益：9.37%[14] 3. 沪深300增强组合 - 年化收益：9.10%[18] - 年化超额收益：8.44%[18] - 全样本超额收益：8.44%[18] - 最大相对回撤：-9.18%[18] - 收益回撤比：0.92[18] - 2023年累计绝对收益：-4.87%[18] - 2023年超额收益：6.51%[18] --- 量化因子与构建方式 1. 因子名称：PBROE因子 - **因子构建思路**：通过PB与ROE的分位数之差，寻找估值低且盈利能力强的股票[16] - **因子具体构建过程**： 1. 计算PB和ROE的分位数[16] 2. 取两者的分位数之差，作为PBROE因子值[16] 2. 因子名称：PEG因子 - **因子构建思路**：通过PE与增速的分位数之差，寻找价值被低估且成长潜力可靠的股票[16] - **因子具体构建过程**： 1. 计算PE和增速的分位数[16] 2. 取两者的分位数之差，作为PEG因子值[16] --- 因子的回测效果 1. PBROE因子 - 无具体指标值披露 2. PEG因子 - 无具体指标值披露

量化模型与构建方式 1. 模型名称：A500指数增强组合 - **模型构建思路**：基于A500指数成分股的历史权重信息，结合KyFactor因子库中的细分因子，通过优化求解方式构建增强组合，旨在获取超额收益[35][37][47] - **模型具体构建过程**： 1. 使用KyFactor因子库中表现优异的细分因子（如amount_convergence、long_momentum2、smart_money、ideal_vol等）进行等权合成，并对合成因子进行市值行业中性化处理[37][43] 2. 通过优化求解方式，最大化因子暴露度，约束条件包括风格偏离、行业偏离、权重偏离等，具体优化公式为： $$ \max\ \alpha^{T}w $$ $$ S.t.\ \leq X_{s}(w-w_{b})\leq S_{u} $$ $$ h_{l}\leq X_{h}(w-w_{b})\leq h_{u} $$ $$ w_{l}\leq w-w_{b}\leq w_{u} $$ $$ b^{T}w\geq c_{l} $$ $$ 1^{T}w=1 $$ $$ 0\leq w\leq1 $$ 其中，$\alpha$表示因子暴露度，$w$表示待优化权重，$w_{b}$表示基准指数的成分股权重，$X_{s}$表示风格暴露度矩阵，$X_{h}$表示行业哑变量矩阵，$S_{l}$和$S_{u}$分别表示风格暴露度的偏离上下限，$h_{l}$和$h_{u}$分别表示行业偏离上下限，$w_{l}$和$w_{u}$分别表示权重偏离的上下限，$b$表示成分股权重之和下限[47][48] 3. 测试了两种风格约束条件下的增强组合：严格约束（Barra风格偏离上下限为-0.01和0.01）和完全放松（Barra风格偏离上下限为None）[48][49] - **模型评价**：放松风格约束的增强组合在长期收益表现上优于严格约束组合，尽管短期波动较大，但从长期角度来看更为合适[48][53] --- 模型的回测效果 1. A500指数增强组合 - **年化收益率**： - 严格约束：14.89% - 完全放松：26.55%[51] - **年化波动率**： - 严格约束：22.40% - 完全放松：23.01%[51] - **收益波动比**： - 严格约束：0.66 - 完全放松：1.15[51] - **最大回撤**： - 严格约束：-33.87% - 完全放松：-23.67%[51] - **胜率**： - 严格约束：58.74% - 完全放松：64.34%[51] - **超额收益**： - 严格约束：10.16% - 完全放松：21.06%[51] --- 量化因子与构建方式 1. 因子名称：amount_convergence（成交额均线收敛） - **因子构建思路**：衡量股票成交额的均线收敛程度，捕捉市场资金流动性变化[37][40] - **因子具体构建过程**：基于成交额数据计算均线收敛指标，具体公式未披露[40] - **因子评价**：在A500指数成分股中表现优异，IC均值为0.06，ICIR为0.64[40] 2. 因子名称：long_momentum2（长端动量） - **因子构建思路**：捕捉股票长期价格动量效应[37][40] - **因子具体构建过程**：基于股票长期收益率计算动量指标，具体公式未披露[40] - **因子评价**：在A500指数成分股中表现优异，IC均值为0.05，ICIR为0.53[40] 3. 因子名称：smart_money（聪明钱） - **因子构建思路**：衡量市场中大资金的流入流出情况[37][40] - **因子具体构建过程**：基于大单交易数据计算资金流向指标，具体公式未披露[40] - **因子评价**：在A500指数成分股中表现较弱，IC均值为-0.05，ICIR为-0.70[43] 4. 因子名称：ideal_vol（理想振幅） - **因子构建思路**：衡量股票价格波动的理想振幅，捕捉市场情绪变化[37][40] - **因子具体构建过程**：基于价格波动数据计算振幅指标，具体公式未披露[40] - **因子评价**：在A500指数成分股中表现较弱，IC均值为-0.05，ICIR为-0.78[43] 5. 合成因子 - **因子构建思路**：将多个细分因子等权合成，并进行市值行业中性化处理[37][43] - **因子具体构建过程**：对amount_convergence、long_momentum2、smart_money、ideal_vol等因子进行等权合成，处理后合成因子RankIC均值为9.71%，年化RankICIR为3.66[43] - **因子评价**：合成因子表现优于单因子，但预测胜率在近一年有所下滑[43][44] --- 因子的回测效果 1. amount_convergence因子 - **IC均值**：0.06 - **ICIR**：0.64 - **IC标准差**：0.10 - **IC大于0占比**：80% - **IC-T值**：6.65 - **IC-P值**：0[40] 2. long_momentum2因子 - **IC均值**：0.05 - **ICIR**：0.53 - **IC标准差**：0.10 - **IC大于0占比**：70% - **IC-T值**：5.86 - **IC-P值**：0[40] 3. smart_money因子 - **IC均值**：-0.05 - **ICIR**：-0.70 - **IC标准差**：0.07 - **IC大于0占比**：21% - **IC-T值**：-7.91 - **IC-P值**：0[43] 4. ideal_vol因子 - **IC均值**：-0.05 - **ICIR**：-0.78 - **IC标准差**：0.07 - **IC大于0占比**：24% - **IC-T值**：-8.68 - **IC-P值**：0[43] 5. 合成因子 - **RankIC均值**：9.71% - **年化RankICIR**：3.66[43]