量化模型与构建方式 1. **模型名称：利率市场结构指标模型**[7] * **模型构建思路：** 将1至10年期国债的到期收益率（YTM）数据，通过数学变换分解为三个独立的维度：水平、期限和凸性结构，以从均值回归的视角评估当前利率市场的状态[7]。 * **模型具体构建过程：** 1. 收集1至10年期各关键期限的国债到期收益率数据。 2. 通过特定的数学变换（报告未给出具体公式，但提及是“转化”），将原始的期限结构曲线分解为三个指标： * **水平结构：** 反映整体利率水平的高低。 * **期限结构：** 反映长短期利差，通常指期限利差。 * **凸性结构：** 反映收益率曲线弯曲程度的变化。 3. 计算每个结构指标在历史滚动窗口（如3年、5年、10年）下的分位数，以判断当前值在历史中所处的位置[7][9]。 2. **模型名称：利率价量多周期择时模型**[10][22] * **模型构建思路：** 使用核回归算法识别利率（YTM）走势的形态，刻画支撑线和阻力线，并根据长、中、短三个不同投资周期下价格对支撑/阻力线的突破情况，进行投票综合，生成交易信号[10][22]。 * **模型具体构建过程：** 1. **形态识别：** 使用核回归算法对利率时间序列数据进行平滑处理，以捕捉其主要趋势形态，并据此计算出动态的支撑线和阻力线[10]。 2. **多周期设定：** 设定三个不同频率的观察周期： * 长周期：信号平均切换频率为月度[10]。 * 中周期：信号平均切换频率为双周度[10]。 * 短周期：信号平均切换频率为周度[10]。 3. **信号生成（每个周期独立）：** 在每个周期内，判断当前利率价格是否向上突破阻力线或向下突破支撑线，从而产生“向上突破”、“向下突破”或“无信号”[10][13][15]。 4. **信号综合：** 综合三个周期的突破信号进行投票[10][13][15]： * 若同一方向（上行或下行）的突破总票数达到或超过2票（即≥2/3），则生成明确的看多或看空信号。 * 若同向突破票数未达2票，则综合信号为“中性震荡”。 5. **策略应用：** 将此择时信号应用于债券久期轮动策略[22][27]： * **看多信号（利率下行）：** 当至少2个周期出现向下突破，且利率趋势非向上时，满配长久期债券；若趋势向上，则配置1/2中久期+1/2长久期[22]。 * **看空信号（利率上行）：** 当至少2个周期出现向上突破，且利率趋势非向下时，满配短久期债券；若趋势向下，则配置1/2中久期+1/2短久期[27]。 * **中性信号：** 其余时间，短、中、长久期债券等权配置[27]。 * **止损规则：** 当单日组合超额收益小于-0.5%时，立即将持仓调整为等权配置[27]。 * **模型评价：** 该模型通过多周期共振提高了信号的稳健性，并设置了明确的止损规则以控制回撤[22][27]。 模型的回测效果 *注：以下回测结果均基于“利率价量多周期择时模型”驱动的久期轮动策略，业绩基准为短、中、长久期债券的等权组合（1/3+1/3+1/3）。长期回测区间为2007年12月31日至今，短期回测区间为2024年底以来[22][23][26][31]。* 1. **基于5年期国债YTM的择时策略** * 长期年化收益率：5.45%[23] * 长期最大回撤：2.88%[23] * 长期收益回撤比：1.9[23] * 长期超额收益率（vs基准）：1.05%[23] * 短期年化收益率（2024年底以来）：2.37%[4][23] * 短期最大回撤（2024年底以来）：0.59%[23]（报告另一处为0.68%[4]） * 短期收益回撤比（2024年底以来）：4.01[4][23] * 短期超额收益率（2024年底以来）：0.63%[4][23] * 逐年绝对收益胜率（2008年以来）：100%[23] * 逐年超额收益胜率（2008年以来）：100%[23] 2. **基于10年期国债YTM的择时策略** * 长期年化收益率：6.03%[26] * 长期最大回撤：2.74%[26] * 长期收益回撤比：2.2[26] * 长期超额收益率（vs基准）：1.62%[26] * 短期年化收益率（2024年底以来）：2.69%[4][26] * 短期最大回撤（2024年底以来）：0.58%[26]（报告另一处为0.92%[4]） * 短期收益回撤比（2024年底以来）：4.67[4][26] * 短期超额收益率（2024年底以来）：1.08%[4][26] * 逐年绝对收益胜率（2008年以来）：100%[26] * 逐年超额收益胜率（2008年以来）：100%[26] 3. **基于30年期国债YTM的择时策略** * 长期年化收益率：7.26%[31] * 长期最大回撤：4.27%[31] * 长期收益回撤比：1.7[31] * 长期超额收益率（vs基准）：2.37%[31] * 短期年化收益率（2024年底以来）：2.78%[4][31] * 短期最大回撤（2024年底以来）：0.92%[4][31] * 短期收益回撤比（2024年底以来）：3.03[4][31] * 短期超额收益率（2024年底以来）：1.92%[4][31] * 逐年绝对收益胜率（2008年以来）：94.44%[31] * 逐年超额收益胜率（2008年以来）：94.44%[31] 量化因子与构建方式 1. **因子名称：利率水平结构因子**[7] * **因子构建思路：** 从国债收益率曲线中提取代表整体利率水平高低的成分[7]。 * **因子具体构建过程：** 通过对1-10年期国债YTM序列进行数学变换（具体变换公式未在提供内容中给出），得到单一数值指标，用以衡量利率的绝对水平[7]。 2. **因子名称：利率期限结构（期限利差）因子**[7] * **因子构建思路：** 从国债收益率曲线中提取代表长短期利差的成分[7]。 * **因子具体构建过程：** 通过对1-10年期国债YTM序列进行数学变换（具体变换公式未在提供内容中给出），得到单一数值指标，用以衡量收益率曲线的斜率[7]。 3. **因子名称：利率凸性结构因子**[7] * **因子构建思路：** 从国债收益率曲线中提取代表曲线弯曲度变化的成分[7]。 * **因子具体构建过程：** 通过对1-10年期国债YTM序列进行数学变换（具体变换公式未在提供内容中给出），得到单一数值指标，用以衡量收益率曲线的凸性[7]。 因子的回测效果 *注：报告未提供上述利率结构因子的独立回测绩效指标（如IC、IR等），仅展示了其当前及历史分位数状态[7][9]。* 1. **利率水平结构因子** * 当前读数：约1.55%[1][7] * 历史分位数（滚动3年）：12%[7] * 历史分位数（滚动5年）：7%[7] * 历史分位数（滚动10年）：4%[7] 2. **利率期限结构（期限利差）因子** * 当前读数：约0.5%[1][7] * 历史分位数（滚动3年）：45%[7] * 历史分位数（滚动5年）：28%[7] * 历史分位数（滚动10年）：30%[7] 3. **利率凸性结构因子** * 当前读数：约0%[1][7] * 历史分位数（滚动3年）：25%[7] * 历史分位数（滚动5年）：15%[7] * 历史分位数（滚动10年）：12%[7]

量化模型与构建方式 1. **模型名称：时间序列PB-ROE模型[1][8][15][16]** **模型构建思路：** 基于Wilcox & Philips(2005)的时间序列模型，通过回归分析建立市净率（PB）与净资产收益率（ROE）、实际利率、通货膨胀率之间的线性关系，以计算市场实际估值相对于基本面合理估值的偏离度[1][8][15][16]。 **模型具体构建过程：** 1. 模型假设公司无分红且满足干净盈余假设，对数市净率与净资产收益率之间存在线性关系[15]。 2. 将横截面模型扩展为时间序列模型，用于分析指数的时间序列回报[16]。 3. 使用周度数据对全市场指数进行回归，模型公式如下： $$Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$$ 其中，`Ln(P/B)` 为市净率的自然对数，`ROE` 为净资产收益率，`RealInterest` 为实际利率，`Inflation` 为通货膨胀率，`a, b, c, d` 为回归系数[8][16]。 4. 将回归方程的残差定义为“PB-ROE 估值偏离度”。该残差代表了市场实际估值（实际PB）超出或低于模型计算出的基本面合理估值的部分[1][8][16]。 **模型评价：** 在A股市场的实证检验显示，该模型计算出的估值偏离度与未来一周的指数涨幅具有统计显著的正相关性[9][16]。模型能够捕捉市场情绪（风险偏好）的变化，当偏离度为正时，表明市场情绪高涨；为负时，表明市场情绪低迷[1][9][16]。 2. **模型名称：基于PB-ROE估值偏离度的周度仓位择时模型[2][10][20]** **模型构建思路：** 利用时间序列PB-ROE模型计算出的估值偏离度，根据其相对于历史均值和标准差的水平，划分不同的仓位档位，生成周度的战术仓位信号[2][10][20]。 **模型具体构建过程：** 1. 计算PB-ROE估值偏离度的历史均值（μ）和标准差（σ）[2][10]。 2. 以历史均值±1倍标准差（μ ± 1σ）为界限，将估值偏离度划分为四个区域，并对应四档仓位配置建议[10][20]： * **高仓位：** 估值偏离度 > μ + 1σ[20] * **低仓位：** μ < 估值偏离度 ≤ μ + 1σ[20] * **中等仓位：** μ - 1σ < 估值偏离度 ≤ μ[20] * **中高仓位：** 估值偏离度 ≤ μ - 1σ[20] 3. 每周根据最新的估值偏离度数值，判断其所属区域，触发相应的仓位信号[3][11]。 模型的回测效果 1. **时间序列PB-ROE模型**，**PB-ROE估值偏离度与未来一周指数涨幅正相关**，且**具有统计显著性**[9][16]。 2. **时间序列PB-ROE模型**，按估值偏离度升序分为4组后，**估值偏离度最高的第4组未来一周涨幅显著最高**[19]。 3. **基于PB-ROE估值偏离度的周度仓位择时模型**，**历史回测显示能够有效降低回撤、提高收益**[20]。 量化因子与构建方式 1. **因子名称：PB-ROE估值偏离度[1][8][16]** **因子构建思路：** 作为时间序列PB-ROE模型的输出，该因子衡量了市场整体估值（以PB表征）相对于其基本面（以ROE、实际利率、通胀率表征）的偏离程度，可视为市场情绪或风险偏好的代理指标[1][8][16]。 **因子具体构建过程：** 1. 运行时间序列PB-ROE回归模型：$$Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$$[8][16] 2. 计算回归残差：`估值偏离度 = 实际 Ln(P/B) - 模型预测的 Ln(P/B)`[1][8][16]。 3. 因子数值含义： * **偏离度 > 0：** 实际PB高于基本面合理值，市场情绪高涨，风险偏好提升[1][9][16]。 * **偏离度 < 0：** 实际PB低于基本面合理值，市场情绪低迷，风险偏好下降[1][9][16]。 因子的回测效果 1. **PB-ROE估值偏离度因子**，**与未来一周指数涨幅总体正相关**[2][9]。 2. **PB-ROE估值偏离度因子**，当因子值**明显超越历史均值（> μ + 1σ）**时，市场情绪极度高涨，可配置高仓位；当因子值**明显低于历史均值（< μ - 1σ）**时，市场存在较强安全边际，下跌空间有限，可配置中高仓位[2][9]。

量化模型与构建方式 根据提供的研报内容，该报告主要是一份ETF市场周度数据统计与监测报告，并未涉及具体的量化选股模型或量化因子的构建、测试与分析。报告的核心是对各类ETF的业绩、规模、估值、融资融券等市场表现数据进行汇总和描述[2][3][4][5]。 因此，报告中**没有**涉及需要总结的量化模型或量化因子。 模型的回测效果 报告中**没有**涉及量化模型的回测效果。 量化因子与构建方式 报告中**没有**涉及量化因子的构建方式。 因子的回测效果 报告中**没有**涉及量化因子的回测效果。

量化模型与构建方式 1. **模型名称：情绪模型** [12] * **模型构建思路**：通过构建与涨停板、跌停板相关的因子来刻画市场的情绪强弱 [12] * **模型具体构建过程**：根据国泰海通量化团队前期发布的专题报告《从涨停板、打板策略到赚钱效应引发的情绪择时指标》，构建了涨跌停板相关因子。模型包含多个细分情绪因子，包括净涨停占比、跌停次日收益、涨停板占比、跌停板占比和高频打板收益。每个因子会生成一个信号（例如0或1），最终汇总得到一个综合的情绪得分（满分5分）[12][16] 2. **模型名称：趋势模型** [12] * **模型构建思路**：未在报告中详细说明，但从上下文看，该模型用于判断市场趋势方向（正向或负向）[12] * **模型具体构建过程**：报告未详细描述该模型的具体构建过程，仅提及了其信号输出[12] 3. **模型名称：加权模型** [12] * **模型构建思路**：未在报告中详细说明，可能结合了情绪模型和趋势模型或其他信号进行加权综合判断[12] * **模型具体构建过程**：报告未详细描述该模型的具体构建过程，仅提及了其信号输出[12] 4. **模型名称：高频资金流模型** [12] * **模型构建思路**：通过分析高频资金流的走势，对主要宽基指数发出买入或卖出信号[12] * **模型具体构建过程**：根据国泰海通量化团队前期发布的专题报告《高频资金流如何辅助宽基择时决策》构建。模型针对不同的风险偏好，输出“激进多头”、“激进多空”、“稳健多头”、“稳健多空”四种策略信号，信号值为1（买入）、0（中性）或-1（卖出）[12][16] 5. **模型名称：因子拥挤度模型** [17] * **模型构建思路**：使用多个指标度量因子拥挤程度，作为因子失效的预警指标[17] * **模型具体构建过程**：根据国泰海通量化团队前期发布的专题报告《选股因子系列（四十二）——因子失效预警：因子拥挤》构建。使用估值价差、配对相关性、长期收益反转、因子波动率这四个指标度量因子拥挤程度，并综合计算得到复合拥挤度得分[17] 6. **模型名称：行业拥挤度模型** [21] * **模型构建思路**：评估不同行业板块的拥挤程度[21] * **模型具体构建过程**：根据国泰海通量化团队前期发布的专题报告《行业轮动系列研究 15——行业板块拥挤度》构建。报告未给出具体计算公式，但展示了最终的行业拥挤度得分及变化[21][23][24] 模型的回测效果 1. **情绪模型**，当前得分为0分（满分5分）[12] 2. **趋势模型**，当前信号为正向[12] 3. **加权模型**，当前信号为负向[12] 4. **高频资金流模型**，对沪深300指数信号为：激进多头0，激进多空-1，稳健多头0，稳健多空-1[16]；对中证500指数信号为：激进多头0，激进多空-1，稳健多头0，稳健多空-1[16]；对中证1000指数信号为：激进多头0，激进多空-1，稳健多头0，稳健多空-1[16]；对中证2000指数信号为：激进多头0，激进多空-1，稳健多头0，稳健多空-1[16] 5. **因子拥挤度模型**，小市值因子综合拥挤度-0.06[19]，低估值因子综合拥挤度-0.67[19]，高盈利因子综合拥挤度0.13[19]，高盈利增长因子综合拥挤度0.21[19] 6. **行业拥挤度模型**，综合行业拥挤度2.53[24]，有色金属行业拥挤度1.92[24]，基础化工行业拥挤度1.81[24]，通信行业拥挤度1.72[24]，钢铁行业拥挤度1.66[24] 量化因子与构建方式 1. **因子名称：流动性冲击指标** [8] * **因子构建思路**：基于沪深300指数，衡量当前市场流动性相对于过去一年平均水平的偏离程度[8] * **因子具体构建过程**：报告未给出具体计算公式。指标值为正表示流动性低于历史平均水平，为负表示高于历史平均水平。当前值为0.05，意味着市场流动性高于过去一年平均水平0.05倍标准差[8] 2. **因子名称：PUT-CALL比率** [8] * **因子构建思路**：使用上证50ETF期权成交量的认沽期权与认购期权比率，反映投资者对标的短期走势的乐观/悲观情绪[8] * **因子具体构建过程**：$$PUT-CALL比率 = \frac{认沽期权成交量}{认购期权成交量}$$ 比率下降通常表示乐观情绪上升[8] 3. **因子名称：五日平均换手率** [8] * **因子构建思路**：计算上证综指和Wind全A指数的五日平均换手率，用以衡量市场交易活跃度[8] * **因子具体构建过程**：报告未给出具体计算公式。通过计算其历史分位点来判断当前活跃度水平[8] 4. **因子名称：均线强弱指数** [12] * **因子构建思路**：通过Wind二级行业指数计算，用于评估市场整体技术面强弱[12] * **因子具体构建过程**：报告未给出具体计算公式。当前市场得分为144，处于2023年以来的47.00%分位点[12] 5. **情绪模型细分因子** [16] * **因子名称**：净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益[16] * **因子构建思路**：从不同维度刻画市场涨停、跌停相关的情绪[12][16] * **因子具体构建过程**：报告未给出各因子的具体计算公式。在最新一期，所有细分因子的信号值均为0[16] 6. **复合因子拥挤度分项指标** [17][19] * **因子名称**：估值价差、配对相关性、市场波动、收益反转[17][19] * **因子构建思路**：从不同角度（估值、相关性、波动性、收益特征）度量因子的拥挤程度[17] * **因子具体构建过程**：详细计算方法请参考国泰海通量化团队专题报告《选股因子系列（四十二）——因子失效预警：因子拥挤》[17] 因子的回测效果 1. **流动性冲击指标**，基于沪深300指数，周五值为0.05[8] 2. **PUT-CALL比率**，周五值为0.73[8] 3. **五日平均换手率**，上证综指为1.62%，处于2005年以来82.79%分位点[8]；Wind全A为2.24%，处于2005年以来86.86%分位点[8] 4. **均线强弱指数**，当前得分为144，处于2023年以来47.00%分位点[12] 5. **情绪模型细分因子**，净涨停占比信号0，跌停次日收益信号0，涨停板占比信号0，跌停板占比信号0，高频打板收益信号0[16] 6. **估值价差因子**，小市值因子取值0.35，低估值因子取值-1.06，高盈利因子取值-0.82，高增长因子取值0.88[19] 7. **配对相关性因子**，小市值因子取值-0.49，低估值因子取值0.23，高盈利因子取值0.68，高增长因子取值-0.40[19] 8. **市场波动因子**，小市值因子取值-0.53，低估值因子取值-0.39，高盈利因子取值-0.68，高增长因子取值-0.58[19] 9. **收益反转因子**，小市值因子取值0.42，低估值因子取值-1.45，高盈利因子取值1.32，高增长因子取值0.92[19]

量化模型与构建方式 1. PB-ROE-50 组合 * **模型名称**：PB-ROE-50 组合 * **模型构建思路**：基于市净率（PB）和净资产收益率（ROE）两个核心指标进行选股，旨在筛选出估值合理且盈利能力强的公司[23]。 * **模型具体构建过程**：报告未详细描述该组合的具体构建公式和步骤，仅提及其为基于PB和ROE的选股模型[23]。 2. 机构调研组合 * **模型名称**：机构调研组合 * **模型构建思路**：利用机构调研事件蕴含的信息进行选股，分为公募调研选股和私募调研跟踪两个策略[25]。 * **模型具体构建过程**：报告未详细描述该组合的具体构建公式和步骤，仅提及其为基于机构调研事件的选股策略[25]。 3. 大宗交易组合 * **模型名称**：大宗交易组合 * **模型构建思路**：通过统计分析大宗交易数据，挖掘其背后蕴含的超额信息，依据“高成交、低波动”原则构建组合[29]。 * **模型具体构建过程**：组合根据“大宗交易成交金额比率”越高、“6日成交金额波动率”越低的股票后续表现更佳的规律进行构建。具体通过月频调仓方式构造[29]。 * **模型评价**：该模型旨在提炼大宗交易背后蕴含的超额信息[29]。 4. 定向增发组合 * **模型名称**：定向增发组合 * **模型构建思路**：以定向增发股东大会公告日为事件节点，进行事件驱动选股[35]。 * **模型具体构建过程**：以股东大会公告日为时间节点，在综合考虑市值因素、调仓周期以及对仓位控制的基础上，构造定向增发事件驱动选股组合[35]。 * **模型评价**：该模型旨在多角度解析定向增发中的投资机会[35]。 模型的回测效果 1. **PB-ROE-50 组合**[24] * 本周超越基准收益率（中证500）：0.78% * 本周超越基准收益率（中证800）：0.46% * 本周超越基准收益率（全市场）：-0.92% * 今年以来超额收益率（中证500）：-0.15% * 今年以来超额收益率（中证800）：7.24% * 今年以来超额收益率（全市场）：5.24% * 本周绝对收益率（中证500）：-2.69% * 本周绝对收益率（中证800）：-1.32% * 本周绝对收益率（全市场）：-3.18% * 今年以来绝对收益率（中证500）：11.82% * 今年以来绝对收益率（中证800）：11.24% * 今年以来绝对收益率（全市场）：11.17% 2. **机构调研组合**[26] * 公募调研选股策略本周超越基准收益率（中证800）：0.16% * 公募调研选股策略今年以来超额收益率（中证800）：1.53% * 公募调研选股策略本周绝对收益率：-1.62% * 公募调研选股策略今年以来绝对收益率：5.31% * 私募调研跟踪策略本周超越基准收益率（中证800）：-1.30% * 私募调研跟踪策略今年以来超额收益率（中证800）：10.18% * 私募调研跟踪策略本周绝对收益率：-3.05% * 私募调研跟踪策略今年以来绝对收益率：14.29% 3. **大宗交易组合**[30] * 本周超越基准收益率（中证全指）：1.50% * 今年以来超额收益率（中证全指）：9.41% * 本周绝对收益率：-0.82% * 今年以来绝对收益率：15.57% 4. **定向增发组合**[36] * 本周超越基准收益率（中证全指）：2.15% * 今年以来超额收益率（中证全指）：4.16% * 本周绝对收益率：-0.18% * 今年以来绝对收益率：10.02% 量化因子与构建方式 1. 大类风格因子 * **因子名称**：盈利因子、动量因子、Beta因子等[18] * **因子构建思路**：报告未详细描述这些大类因子的具体构建思路，仅将其作为风格分析维度[18]。 2. 单因子（列举报告提及的部分因子） 报告未提供单个因子的具体构建公式和详细过程，仅列出了因子名称及其在特定周期内的表现[12][14][16]。以下为报告提及的部分因子名称： * **估值类因子**：市盈率TTM倒数、市盈率因子、市净率因子、市销率TTM倒数、EP因子、EPTTM分位点[12][14][16][21] * **基本面因子**：单季度营业收入同比增长率、单季度ROA同比、单季度ROA、单季度ROE同比、单季度ROE、毛利率TTM、净利润率TTM、营业利润率TTM、总资产增长率、总资产毛利率TTM、单季度总资产毛利率、单季度EPS、单季度净利润同比增长率、单季度营业利润同比增长率、ROE稳定性、ROA稳定性、ROIC增强因子、经营现金流比率、每股净资产、每股经营利润TTM、净资产增长率、净利润增长率[12][14][16][21][22] * **动量反转类因子**：动量弹簧因子、5日动量、1月动量、5日反转[12][14][16][22] * **交易行为/技术类因子**：日内波动率与成交金额的相关性、早盘收益因子、早盘后收益因子、大单净流入、动量调整大单、动量调整小单、小单净流入、成交量的5日指数移动平均、5日平均换手率、换手率相对波动率、5日成交量的标准差、6日成交金额的移动平均值、6日成交金额的标准差、5分钟收益率偏度、下行波动率占比[12][14][16] * **波动率与流动性因子**：残差波动率、流动性[21] * **市值因子**：对数市值因子[12][14][16] * **事件与预期类因子**：标准化预期外盈利、标准化预期外收入、净利润断层[12][14][16] 因子的回测效果 （注：以下因子表现数据均为“最近1周”的收益，为剔除行业与市值影响后多头组合相对于基准指数的超额收益[12]） 1. **大类因子表现（全市场股票池）**[18] * 盈利因子收益：0.47% * 动量因子收益：0.46% * Beta因子收益：-1.02% 2. **单因子表现（沪深300股票池）**[13] * 市盈率TTM倒数：2.97% * 市盈率因子：2.86% * 日内波动率与成交金额的相关性：1.45% * 市净率因子：1.42% * 早盘收益因子：1.39% * 大单净流入：1.26% * 成交量的5日指数移动平均：0.81% * 单季度ROA：0.59% * 5日平均换手率：0.44% * 动量调整小单：0.41% * 经营现金流比率：0.40% * 换手率相对波动率：0.24% * 下行波动率占比：0.15% * 动量调整大单：0.11% * ROIC增强因子：0.06% * 净利润率TTM：0.05% * ROE稳定性：0.02% * 单季度总资产毛利率：0.01% * ROA稳定性：-0.05% * 营业利润率TTM：-0.09% * 5日成交量的标准差：-0.11% * 5分钟收益率偏度：-0.13% * 总资产毛利率TTM：-0.13% * EPTTM分位点：-0.41% * 6日成交金额的移动平均值：-0.43% * 标准化预期外盈利：-0.59% * 单季度ROE：-0.89% * 小单净流入：-1.34% * 净利润断层：-0.97% * 6日成交金额的标准差：-1.14% * 市销率TTM倒数：-1.21% * 总资产增长率：-1.22% * 毛利率TTM：-0.81% * 单季度EPS：-1.27% * 对数市值因子：-2.59% * 单季度营业利润同比增长率：-1.31% * 单季度净利润同比增长率：-1.49% * 5日反转：-1.95% * 标准化预期外收入：-1.57% * 早盘后收益因子：-1.71% * 单季度ROE同比：-1.72% * 动量弹簧因子：-1.77% * 单季度ROA同比：-1.79% * 单季度营业收入同比增长率：-2.54% 3. **单因子表现（中证500股票池）**[15] * 市盈率TTM倒数：3.46% * 市盈率因子：3.29% * 单季度营业收入同比增长率：2.34% * 下行波动率占比：2.24% * 市净率因子：1.92% * 日内波动率与成交金额的相关性：1.79% * 成交量的5日指数移动平均：-0.67% * 对数市值因子：-3.15% * 营业利润率TTM：1.21% * 5日成交量的标准差：1.20% * 净利润率TTM：1.01% * 动量调整大单：0.97% * 单季度ROA同比：0.94% * 单季度ROA：0.92% * 单季度ROE同比：0.90% * 大单净流入：0.76% * ROA稳定性：0.57% * ROE稳定性：0.56% * 单季度ROE：0.54% * 换手率相对波动率：-10.64% * 单季度EPS：0.52% * 标准化预期外盈利：0.47% * 经营现金流比率：0.33% * 市销率TTM倒数：0.30% * 标准化预期外收入：0.22% * EPTTM分位点：0.11% * 早盘后收益因子：-0.02% * 单季度净利润同比增长率：-0.06% * 总资产毛利率TTM：-12.90% * 动量调整小单：-0.12% * 5日反转：-0.21% * ROIC增强因子：-0.29% * 净利润断层：-0.30% * 动量弹簧因子：-0.33% * 6日成交金额的标准差：-0.33% * 6日成交金额的移动平均值：-0.38% * 单季度营业利润同比增长率：-0.39% * 早盘收益因子：-0.40% * 单季度总资产毛利率：-0.48% * 小单净流入：-0.52% * 5分钟收益率偏度：-0.77% * 毛利率TTM：-0.83% * 总资产增长率：-0.97% * 5日平均换手率：-1.22% 4. **单因子表现（流动性1500股票池）**[17] * 市盈率TTM倒数：3.61% * 市盈率因子：2.53% * 市净率因子：1.94% * 5日成交量的标准差：1.86% * 日内波动率与成交金额的相关性：1.82% * 动量调整大单：1.69% * 下行波动率占比：1.51% * 单季度ROE：1.43% * 换手率相对波动率：1.40% * 单季度营业收入同比增长率：1.36% * 经营现金流比率：1.36% * 单季度ROA：1.30% * 大单净流入：1.13% * 成交量的5日指数移动平均：0.98% * 5日平均换手率：0.91% * 动量调整小单：0.91% * ROA稳定性：0.88% * ROE稳定性：0.85% * 净利润率TTM：0.80% * 标准化预期外收入：0.75% * 单季度ROE同比：0.68% * 单季度ROA同比：0.50% * 单季度EPS：0.44% * 标准化预期外盈利：0.32% * 营业利润率TTM：0.30% * 小单净流入：0.28% * 市销率TTM倒数：0.24% * 总资产毛利率TTM：0.24% * 对数市值因子：-7.17% * 6日成交金额的标准差：0.19% * 毛利率TTM：0.12% * ROIC增强因子：0.06% * 单季度总资产毛利率：0.04% * 6日成交金额的移动平均值：0.03% * 总资产增长率：-0.05% * 5分钟收益率偏度：-0.05% * EPTTM分位点：-0.18% * 单季度净利润同比增长率：-0.23% * 早盘收益因子：-0.28% * 净利润断层：-0.32% * 动量弹簧因子：-0.49% * 单季度营业利润同比增长率：-0.61% * 早盘后收益因子：-0.65% * 5日反转：-8.21%

量化模型与因子总结 量化因子与构建方式 1. **因子名称：日内高频偏度因子** **因子构建思路：** 捕捉股票日内收益分布的非对称性特征[15] **因子具体构建过程：** 报告未提供详细计算公式，构建方式请参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[15] 2. **因子名称：日内下行波动占比因子** **因子构建思路：** 分解已实现波动，衡量下行波动在总波动中的占比[20] **因子具体构建过程：** 报告未提供详细计算公式，构建方式请参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[20] 3. **因子名称：开盘后买入意愿占比因子** **因子构建思路：** 基于高频数据低频化应用，衡量开盘后一段时间内的买入意愿相对强度[23] **因子具体构建过程：** 报告未提供详细计算公式，构建方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[23] 4. **因子名称：开盘后买入意愿强度因子** **因子构建思路：** 基于高频数据低频化应用，衡量开盘后一段时间内买入意愿的绝对强度[28] **因子具体构建过程：** 报告未提供详细计算公式，构建方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[28] 5. **因子名称：开盘后大单净买入占比因子** **因子构建思路：** 衡量开盘后大单净买入金额在总成交中的占比[35] 6. **因子名称：开盘后大单净买入强度因子** **因子构建思路：** 衡量开盘后大单净买入的绝对强度[40] 7. **因子名称：改进反转因子** **因子构建思路：** 对传统反转因子进行改进[44] 8. **因子名称：尾盘成交占比因子** **因子构建思路：** 衡量尾盘阶段成交额在日总成交额中的占比[48] 9. **因子名称：平均单笔流出金额占比因子** **因子构建思路：** 衡量平均单笔流出金额在总成交中的占比[54] 10. **因子名称：大单推动涨幅因子** **因子构建思路：** 衡量由大单交易推动的股价上涨幅度[57] 11. **因子名称：深度学习高频因子（改进 GRU(50,2)+NN(10)）** **因子构建思路：** 使用改进的GRU神经网络与全连接网络结合，从高频数据中提取选股信号[62] 12. **因子名称：深度学习高频因子（残差注意力 LSTM(48,2)+NN(10)）** **因子构建思路：** 使用带有残差注意力机制的LSTM神经网络与全连接网络结合，从高频数据中提取选股信号[63] 13. **因子名称：多颗粒度模型-5日标签因子** **因子构建思路：** 基于双向A-GRU深度学习模型训练，使用5日收益作为预测标签[66] **因子具体构建过程：** 因子基于双向A-GRU训练得到[66] 14. **因子名称：多颗粒度模型-10日标签因子** **因子构建思路：** 基于双向A-GRU深度学习模型训练，使用10日收益作为预测标签[68] **因子具体构建过程：** 因子基于双向A-GRU训练得到[68] 量化模型与构建方式 1. **模型名称：AI指数增强组合模型** **模型构建思路：** 基于深度学习因子构建指数增强组合，通过优化模型在控制跟踪误差和各项约束的条件下最大化预期收益[70] **模型具体构建过程：** * **核心因子：** 使用复合深度学习因子作为预期收益（α）来源，该复合因子由“多颗粒度模型-10日标签”和“多颗粒度模型-5日标签”等权合成[70]。 公式为：复合因子 = 多颗粒度模型-10日标签 * 0.5 + 多颗粒度模型-5日标签 * 0.5[70]。 * **优化目标：** 最大化投资组合的预期收益[74]。 目标函数为：$$max\sum\mu_{i}w_{i}$$[74] 其中，$$w_i$$为股票i的权重，$$\mu_i$$为股票i的预期超额收益（由复合因子转化而来）[74]。 * **约束条件：** 针对不同组合（空气指增、中证500/1000宽/严约束）设置不同的风险控制模块，包括个股权重上限、行业偏离、风格因子（市值、PB、ROE等）暴露控制、成分股权重下限以及换手率约束等[71][74]。 * **实践参数：** 测算中假定以次日均价成交，并扣除双边3‰的交易成本[75]。 因子的回测效果 （数据来源：表2[11][13]，指标为2026年以来的周度表现） 1. 日内高频偏度因子，IC 0.026，e^(-rank mae) 0.328，上周多空收益 -0.62%，3月多空收益 -0.62%，2026YTD多空收益 3.69%，上周多头超额 -0.20%，3月多头超额 -0.20%，2026YTD多头超额 1.69%，2026年周胜率 6/8 2. 日内下行波动占比因子，IC 0.032，e^(-rank mae) 0.327，上周多空收益 -0.17%，3月多空收益 -0.17%，2026YTD多空收益 5.65%，上周多头超额 -0.32%，3月多头超额 -0.32%，2026YTD多头超额 2.62%，2026年周胜率 6/8 3. 开盘后买入意愿占比因子，IC 0.027，e^(-rank mae) 0.322，上周多空收益 1.30%，3月多空收益 1.30%，2026YTD多空收益 4.27%，上周多头超额 0.81%，3月多头超额 0.81%，2026YTD多头超额 1.17%，2026年周胜率 6/8 4. 开盘后买入意愿强度因子，IC 0.033，e^(-rank mae) 0.329，上周多空收益 2.36%，3月多空收益 2.36%，2026YTD多空收益 4.79%，上周多头超额 0.77%，3月多头超额 0.77%，2026YTD多头超额 1.57%，2026年周胜率 5/8 5. 开盘后大单净买入占比因子，IC 0.030，e^(-rank mae) 0.318，上周多空收益 0.21%，3月多空收益 0.21%，2026YTD多空收益 5.02%，上周多头超额 -0.34%，3月多头超额 -0.34%，2026YTD多头超额 1.14%，2026年周胜率 7/8 6. 开盘后大单净买入强度因子，IC 0.024，e^(-rank mae) 0.318，上周多空收益 -0.38%，3月多空收益 -0.38%，2026YTD多空收益 3.32%，上周多头超额 -0.05%，3月多头超额 -0.05%，2026YTD多头超额 0.82%，2026年周胜率 5/8 7. 改进反转因子，IC 0.017，e^(-rank mae) 0.330，上周多空收益 0.90%，3月多空收益 0.90%，2026YTD多空收益 2.96%，上周多头超额 -0.30%，3月多头超额 -0.30%，2026YTD多头超额 2.66%，2026年周胜率 5/8 8. 尾盘成交占比因子，IC 0.016，e^(-rank mae) 0.317，上周多空收益 -1.45%，3月多空收益 -1.45%，2026YTD多空收益 3.29%，上周多头超额 -1.16%，3月多头超额 -1.16%，2026YTD多头超额 0.61%，2026年周胜率 5/8 9. 平均单笔流出金额占比因子，IC -0.025，e^(-rank mae) 0.311，上周多空收益 -0.95%，3月多空收益 -0.95%，2026YTD多空收益 -3.85%，上周多头超额 -0.30%，3月多头超额 -0.30%，2026YTD多头超额 -1.33%，2026年周胜率 2/8 10. 大单推动涨幅因子，IC 0.000，e^(-rank mae) 0.325，上周多空收益 -0.25%，3月多空收益 -0.25%，2026YTD多空收益 0.39%，上周多头超额 -0.57%，3月多头超额 -0.57%，2026YTD多头超额 0.86%，2026年周胜率 4/8 11. 改进 GRU(50,2)+NN(10)因子，IC 0.029，e^(-rank mae) 0.327，上周多空收益 -0.11%，3月多空收益 -0.11%，2026YTD多空收益 5.15%，上周多头超额 -0.39%，3月多头超额 -0.39%，2026YTD多头超额 -0.02%，2026年周胜率 6/8 12. 残差注意力 LSTM(48,2)+NN(10)因子，IC 0.028，e^(-rank mae) 0.324，上周多空收益 0.12%，3月多空收益 0.12%，2026YTD多空收益 4.45%，上周多头超额 -0.19%，3月多头超额 -0.19%，2026YTD多头超额 1.01%，2026年周胜率 6/8 13. 多颗粒度模型-5日标签因子，IC 0.046，e^(-rank mae) 0.337，上周多空收益 0.43%，3月多空收益 0.43%，2026YTD多空收益 8.05%，上周多头超额 0.82%，3月多头超额 0.82%，2026YTD多头超额 4.56%，2026年周胜率 8/8 14. 多颗粒度模型-10日标签因子，IC 0.044，e^(-rank mae) 0.340，上周多空收益 0.42%，3月多空收益 0.42%，2026YTD多空收益 6.25%，上周多头超额 0.83%，3月多头超额 0.83%，2026YTD多头超额 4.07%，2026年周胜率 6/8 模型的回测效果 （数据来源：表3[14]，指标为上周、3月及2026年以来的表现） 1. AI空气指增-周度组合，上周超额收益 0.55%，上周绝对收益 -2.13%，3月超额收益 0.55%，3月绝对收益 -2.13%，2026YTD超额收益 4.28%，2026YTD绝对收益 13.33%，2026年周胜率 4/8 2. AI空气指增-日度组合，上周超额收益 0.61%，上周绝对收益 -2.07%，3月超额收益 0.61%，3月绝对收益 -2.07%，2026YTD超额收益 5.51%，2026YTD绝对收益 14.56%，2026年周胜率 4/8 3. 中证500 AI增强宽约束-周度组合，上周超额收益 2.61%，上周绝对收益 -0.84%，3月超额收益 2.61%，3月绝对收益 -0.84%，2026YTD超额收益 -0.93%，2026YTD绝对收益 11.05%，2026年周胜率 3/8 4. 中证500 AI增强宽约束-日度组合，上周超额收益 0.73%，上周绝对收益 -2.72%，3月超额收益 0.73%，3月绝对收益 -2.72%，2026YTD超额收益 -4.25%，2026YTD绝对收益 7.73%，2026年周胜率 3/8 5. 中证500 AI增强严约束-周度组合，上周超额收益 2.09%，上周绝对收益 -1.35%，3月超额收益 2.09%，3月绝对收益 -1.35%，2026YTD超额收益 1.02%，2026YTD绝对收益 13.00%，2026年周胜率 4/8 6. 中证500 AI增强严约束-日度组合，上周超额收益 1.29%，上周绝对收益 -2.15%，3月超额收益 1.29%，3月绝对收益 -2.15%，2026YTD超额收益 0.42%，2026YTD绝对收益 12.40%，2026年周胜率 4/8 7. 中证1000 AI增强宽约束-周度组合，上周超额收益 2.43%，上周绝对收益 -1.22%，3月超额收益 2.43%，3月绝对收益 -1.22%，2026YTD超额收益 2.98%，2026YTD绝对收益 11.58%，2026年周胜率 4/8 8. 中证1000 AI增强宽约束-日度组合，上周超额收益 2.36%，上周绝对收益 -1.28%，3月超额收益 2.36%，3月绝对收益 -1.28%，2026YTD超额收益 2.54%，2026YTD绝对收益 11.15%，2026年周胜率 4/8 9. 中证1000 AI增强严约束-周度组合，上周超额收益 1.33%，上周绝对收益 -2.32%，3月超额收益 1.33%，3月绝对收益 -2.32%，2026YTD超额收益 2.34%，2026YTD绝对收益 10.94%，2026年周胜率 5/8 10. 中证1000 AI增强严约束-日度组合，上周超额收益 1.25%，上周绝对收益 -2.40%，3月超额收益 1.25%，3月绝对收益 -2.40%，2026YTD超额收益 3.10%，2026YTD绝对收益 11.71%，2026年周胜率 5/8

量化模型与构建方式 1. **模型名称：单因子MFE组合模型**[14] * **模型构建思路**：为了在更贴近实际投资约束（如行业中性、风格中性、个股偏离限制等）的条件下检验单因子的有效性，避免传统分档测试的局限性，构建最大化单因子暴露组合（Maximized Factor Exposure Portfolio, MFE）[39]。 * **模型具体构建过程**：采用组合优化方法，在满足一系列实际投资约束的前提下，最大化组合在目标因子上的暴露[39]。具体优化模型如下： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 其中，`f` 为因子取值向量，`w` 为待求解的股票权重向量，`w_b`为基准指数成分股权重向量[39][40]。 * 第一个约束 `s_l ≤ X(w - w_b) ≤ s_h` 限制组合相对于基准的风格因子暴露，`X` 为风格因子暴露矩阵[40]。 * 第二个约束 `h_l ≤ H(w - w_b) ≤ h_h` 限制组合相对于基准的行业偏离，`H` 为行业暴露矩阵[40]。 * 第三个约束 `w_l ≤ w - w_b ≤ w_h` 限制个股相对于基准权重的偏离幅度[40]。 * 第四个约束 `b_l ≤ B_b w ≤ b_h` 限制组合在基准成分股内的权重占比[40]。 * 第五个约束 `0 ≤ w ≤ l` 禁止卖空并限制个股权重上限[40]。 * 第六个约束 `1^T w = 1` 确保组合满仓[40]。 * **模型评价**：该方法能够更真实地反映因子在实战约束下的选股能力，检验出的“有效”因子更可能在最终的多因子组合中发挥作用[39]。 2. **模型名称：公募重仓指数模型**[41] * **模型构建思路**：为了测试因子在公募基金这一重要市场参与者持仓风格下的有效性，构建一个动态反映公募基金整体持仓偏重的指数作为新的因子测试样本空间[41]。 * **模型具体构建过程**： 1. **选样空间**：选取普通股票型基金和偏股混合型基金，剔除规模小于五千万且上市不足半年的基金[42]。 2. **数据处理**：通过基金定期报告获取持股信息。若最新报告为季报，则结合前期的年报或半年报信息构建持仓数据[42]。 3. **权重计算**：将所有符合条件基金的持仓股票权重进行平均，得到公募基金平均持仓[42]。 4. **成分股筛选**：将平均后的股票权重降序排序，选取累计权重达到90%的股票作为成分股，构建公募基金重仓指数[42]。 模型的回测效果 1. **单因子MFE组合模型**，在沪深300样本空间中，EPTTM因子MFE组合最近一周超额收益1.46%，最近一月0.97%，今年以来1.55%，历史年化4.15%[18]。 2. **单因子MFE组合模型**，在中证500样本空间中，预期EPTTM因子MFE组合最近一周超额收益1.75%，最近一月1.86%，今年以来-1.40%，历史年化2.92%[20]。 3. **单因子MFE组合模型**，在中证1000样本空间中，预期EPTTM因子MFE组合最近一周超额收益2.02%，最近一月1.19%，今年以来-0.25%，历史年化2.87%[22]。 4. **单因子MFE组合模型**，在中证A500样本空间中，预期EPTTM因子MFE组合最近一周超额收益2.44%，最近一月1.57%，今年以来1.24%，历史年化1.81%[24]。 5. **单因子MFE组合模型**，在公募重仓指数样本空间中，单季EP因子MFE组合最近一周超额收益1.72%，最近一月1.84%，今年以来0.35%，历史年化3.01%[26]。 量化因子与构建方式 1. **因子名称：BP**[16] * **因子构建思路**：属于估值类因子，衡量公司净资产与市值的比率，即市净率的倒数[16]。 * **因子具体构建过程**：净资产 / 总市值[16]。 2. **因子名称：单季EP**[16] * **因子构建思路**：属于估值类因子，衡量单季度净利润与市值的比率[16]。 * **因子具体构建过程**：单季度归母净利润 / 总市值[16]。 3. **因子名称：单季SP**[16] * **因子构建思路**：属于估值类因子，衡量单季度营业收入与市值的比率[16]。 * **因子具体构建过程**：单季度营业收入 / 总市值[16]。 4. **因子名称：EPTTM**[16] * **因子构建思路**：属于估值类因子，衡量滚动净利润与市值的比率[16]。 * **因子具体构建过程**：归母净利润TTM / 总市值[16]。 5. **因子名称：SPTTM**[16] * **因子构建思路**：属于估值类因子，衡量滚动营业收入与市值的比率[16]。 * **因子具体构建过程**：营业收入TTM / 总市值[16]。 6. **因子名称：EPTTM分位点**[16] * **因子构建思路**：属于估值类因子，衡量当前EPTTM在过去一年中的相对位置[16]。 * **因子具体构建过程**：EPTTM在过去一年中的分位点[16]。 7. **因子名称：股息率**[16] * **因子构建思路**：属于估值类因子，衡量公司分红回报[16]。 * **因子具体构建过程**：最近四个季度预案分红金额 / 总市值[16]。 8. **因子名称：一个月反转**[16] * **因子构建思路**：属于反转类因子，捕捉短期股价反转效应[16]。 * **因子具体构建过程**：过去20个交易日涨跌幅[16]。 9. **因子名称：三个月反转**[16] * **因子构建思路**：属于反转类因子，捕捉中期股价反转效应[16]。 * **因子具体构建过程**：过去60个交易日涨跌幅[16]。 10. **因子名称：一年动量**[16] * **因子构建思路**：属于动量类因子，捕捉长期股价动量效应[16]。 * **因子具体构建过程**：近一年除近一月后动量[16]。 11. **因子名称：单季净利同比增速**[16] * **因子构建思路**：属于成长类因子，衡量单季度净利润的同比增长[16]。 * **因子具体构建过程**：单季度净利润同比增长率[16]。 12. **因子名称：单季营收同比增速**[16] * **因子构建思路**：属于成长类因子，衡量单季度营业收入的同比增长[16]。 * **因子具体构建过程**：单季度营业收入同比增长率[16]。 13. **因子名称：单季营利同比增速**[16] * **因子构建思路**：属于成长类因子，衡量单季度营业利润的同比增长[16]。 * **因子具体构建过程**：单季度营业利润同比增长率[16]。 14. **因子名称：SUE**[16] * **因子构建思路**：属于成长类因子，衡量单季度净利润超出预期的标准化幅度[16]。 * **因子具体构建过程**：（单季度实际净利润 - 预期净利润）/ 预期净利润标准差[16]。 15. **因子名称：SUR**[16] * **因子构建思路**：属于成长类因子，衡量单季度营业收入超出预期的标准化幅度[16]。 * **因子具体构建过程**：（单季度实际营业收入 - 预期营业收入）/ 预期营业收入标准差[16]。 16. **因子名称：单季超预期幅度**[16] * **因子构建思路**：属于成长类因子，衡量预期净利润与实际净利润的比率[16]。 * **因子具体构建过程**：预期单季度净利润 / 财报单季度净利润[16]。 17. **因子名称：单季ROE**[16] * **因子构建思路**：属于盈利类因子，衡量单季度净资产收益率[16]。 * **因子具体构建过程**：单季度归母净利润 * 2 / (期初归母净资产 + 期末归母净资产)[16]。 18. **因子名称：单季ROA**[16] * **因子构建思路**：属于盈利类因子，衡量单季度总资产收益率[16]。 * **因子具体构建过程**：单季度归母净利润 * 2 / (期初归母总资产 + 期末归母总资产)[16]。 19. **因子名称：DELTAROE**[16] * **因子构建思路**：属于盈利类因子，衡量净资产收益率的同比变化[16]。 * **因子具体构建过程**：单季度净资产收益率 - 去年同期单季度净资产收益率[16]。 20. **因子名称：DELTAROA**[16] * **因子构建思路**：属于盈利类因子，衡量总资产收益率的同比变化[16]。 * **因子具体构建过程**：单季度总资产收益率 - 去年同期单季度总资产收益率[16]。 21. **因子名称：非流动性冲击**[16] * **因子构建思路**：属于流动性类因子，衡量单位成交额引起的价格冲击[16]。 * **因子具体构建过程**：过去20个交易日的日涨跌幅绝对值 / 成交额的均值[16]。 22. **因子名称：一个月换手**[16] * **因子构建思路**：属于流动性类因子，衡量短期换手率水平[16]。 * **因子具体构建过程**：过去20个交易日换手率均值[16]。 23. **因子名称：三个月换手**[16] * **因子构建思路**：属于流动性类因子，衡量中期换手率水平[16]。 * **因子具体构建过程**：过去60个交易日换手率均值[16]。 24. **因子名称：特异度**[16] * **因子构建思路**：属于波动类因子，衡量股价波动中不能被常见风险因子解释的部分[16]。 * **因子具体构建过程**：1 - 过去20个交易日Fama-French三因子回归的拟合度[16]。 25. **因子名称：一个月波动**[16] * **因子构建思路**：属于波动类因子，衡量短期股价波动[16]。 * **因子具体构建过程**：过去20个交易日日内真实波幅均值[16]。 26. **因子名称：三个月波动**[16] * **因子构建思路**：属于波动类因子，衡量中期股价波动[16]。 * **因子具体构建过程**：过去60个交易日日内真实波幅均值[16]。 27. **因子名称：高管薪酬**[16] * **因子构建思路**：属于公司治理类因子，衡量高管激励水平[16]。 * **因子具体构建过程**：前三高管报酬总额取对数[16]。 28. **因子名称：预期EPTTM**[16] * **因子构建思路**：属于分析师类因子，基于分析师一致预期的滚动估值指标[16]。 * **因子具体构建过程**：一致预期滚动EP[16]。 29. **因子名称：预期BP**[16] * **因子构建思路**：属于分析师类因子，基于分析师一致预期的滚动估值指标[16]。 * **因子具体构建过程**：一致预期滚动PB[16]。 30. **因子名称：预期PEG**[16] * **因子构建思路**：属于分析师类因子，基于分析师一致预期的成长估值指标[16]。 * **因子具体构建过程**：一致预期PEG[16]。 31. **因子名称：预期净利润环比**[16] * **因子构建思路**：属于分析师类因子，衡量分析师预期净利润的变化趋势[16]。 * **因子具体构建过程**：一致预期净利润 / 3个月前一致预期净利润[16]。 32. **因子名称：三个月盈利上下调**[16] * **因子构建思路**：属于分析师类因子，衡量分析师盈利预测调整的净情绪[16]。 * **因子具体构建过程**：过去3个月内分析师（上调家数 - 下调家数）/ 总家数[16]。 33. **因子名称：三个月机构覆盖**[16] * **因子构建思路**：属于分析师类因子，衡量股票受机构关注度[16]。 * **因子具体构建过程**：过去3个月内机构覆盖数量[16]。 因子的回测效果 （以下因子回测效果均基于单因子MFE组合模型，指标为相对于各自基准的超额收益） 1. **EPTTM因子**，在沪深300样本空间中，最近一周1.46%，最近一月0.97%，今年以来1.55%，历史年化4.15%[18]。 2. **预期EPTTM因子**，在沪深300样本空间中，最近一周1.44%，最近一月0.66%，今年以来1.14%，历史年化3.69%[18]。 3. **单季EP因子**，在沪深300样本空间中，最近一周1.05%，最近一月1.15%，今年以来1.79%，历史年化5.30%[18]。 4. **预期EPTTM因子**，在中证500样本空间中，最近一周1.75%，最近一月1.86%，今年以来-1.40%，历史年化2.92%[20]。 5. **单季EP因子**，在中证500样本空间中，最近一周1.71%，最近一月1.20%，今年以来-0.39%，历史年化7.39%[20]。 6. **EPTTM因子**，在中证500样本空间中，最近一周1.66%，最近一月2.84%，今年以来0.10%，历史年化4.41%[20]。 7. **预期EPTTM因子**，在中证1000样本空间中，最近一周2.02%，最近一月1.19%，今年以来-0.25%，历史年化2.87%[22]。 8. **BP因子**，在中证1000样本空间中，最近一周1.87%，最近一月2.25%，今年以来1.59%，历史年化2.34%[22]。 9. **预期BP因子**，在中证1000样本空间中，最近一周1.86%，最近一月1.98%，今年以来1.26%，历史年化2.48%[22]。 10. **预期EPTTM因子**，在中证A500样本空间中，最近一周2.44%，最近一月1.57%，今年以来1.24%，历史年化1.81%[24]。 11. **EPTTM因子**，在中证A500样本空间中，最近一周2.08%，最近一月2.12%，今年以来1.30%，历史年化2.97%[24]。 12. **单季EP因子**，在中证A500样本空间中，最近一周1.83%，最近一月2.21%，今年以来1.41%，历史年化5.16%[24]。 13. **单季EP因子**，在公募重仓指数样本空间中，最近一周1.72%，最近一月1.84%，今年以来0.35%，历史年化3.01%[26]。 14. **EPTTM因子**，在公募重仓指数样本空间中，最近一周1.68%，最近一月2.47%，今年以来0.62%，历史年化0.88%[26]。 15. **预期EPTTM因子**，在公募重仓指数样本空间中，最近一周1.66%，最近一月1.78%，今年以来-0.51%，历史年化1.03%[26]。

量化模型与构建方式 1. **模型名称：港股精选组合模型**[14][15] * **模型构建思路**：该模型旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票，构建港股精选股票组合[14][15]。 * **模型具体构建过程**： 1. **构建分析师推荐股票池**：以分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件，构建初始股票池[15]。 2. **双层筛选**：对分析师推荐股票池中的股票进行基本面和技术面两个维度的精选[14][15]。报告未详细说明具体使用的因子和筛选标准，但指出详细构建方式可参见专题报告《基于分析师推荐视角的港股投资策略》[14]。 * **模型评价**：该模型在长期回测中表现优异，年化超额收益显著[15]。 2. **因子名称：250日新高距离**[22] * **因子构建思路**：该因子用于量化股票价格接近其近期历史高点的程度，是识别趋势和动量效应的重要指标[20][22]。 * **因子具体构建过程**：计算最新收盘价与过去250个交易日最高收盘价的相对距离。具体公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，$Closet$为最新收盘价，$ts\_max(Close, 250)$为过去250个交易日收盘价的最大值[22]。若最新收盘价创出新高，则因子值为0；若最新收盘价较新高回落，则因子值为正值，表示回落幅度[22]。 3. **模型名称：平稳创新高股票筛选模型**[22][23] * **模型构建思路**：该模型旨在从近期创出新高的股票中，进一步筛选出趋势更为平稳、持续性更好的股票[3][22]。 * **模型具体构建过程**：在过去20个交易日创出过250日新高的股票池中，按以下步骤进行筛选[22][23]： 1. **样本池**：全部港股，但剔除成立时间不超过15个月的股票[23]。 2. **分析师关注度筛选**：过去6个月内，买入或增持评级的分析师研报不少于5份[23]。 3. **股价相对强弱筛选**：过去250日涨跌幅位于样本池前20%[23]。 4. **股价平稳性筛选**：在满足上述条件的股票池内，用以下两个指标综合打分，取排名在前50%的股票（最少取50只）[23]： * **价格路径平滑性**：股价位移路程比。具体计算公式为： $$股价位移路程比 = \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总}$$ [22] * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[23]。 5. **趋势延续性筛选**：对经过上述筛选的股票，计算其过去5日的250日新高距离在时间序列上的均值，并取排序靠前的50只股票作为最终组合[23]。 模型的回测效果 1. **港股精选组合模型**[19] * 全样本（20100101-20251231）年化收益：19.08%[19] * 全样本相对恒生指数年化超额收益：18.06%[19] * 全样本信息比率（IR）：1.19[19] * 全样本相对最大回撤：23.73%[19] * 全样本跟踪误差：14.60%[19] * 全样本收益回撤比：0.76[19] 量化因子与构建方式 *（本报告未提供除“250日新高距离”外其他独立因子的详细构建与测试结果）* 因子的回测效果 *（本报告未提供独立因子的具体测试指标取值）*

量化模型与因子总结 量化模型与构建方式 1. **模型名称：国信金工多因子指数增强模型**[10][11] * **模型构建思路**：以多因子选股为核心，通过收益预测、风险控制和组合优化三个步骤，构建能够稳定跑赢特定基准指数（如沪深300、中证500等）的投资组合[10][11]。 * **模型具体构建过程**： 1. **收益预测**：基于多因子模型对股票未来收益进行预测。 2. **风险控制**：控制组合相对于基准指数在行业、风格、个股权重等方面的风险暴露。 3. **组合优化**：在满足各项风险约束的条件下，通过优化算法求解最优的股票权重，以最大化预期收益或风险调整后收益[11]。 2. **模型名称：单因子MFE（Maximized Factor Exposure）组合模型**[14][39] * **模型构建思路**：为了在更贴近实际投资约束（如行业中性、风格中性）的条件下检验单个因子的有效性，通过组合优化的方式，在控制各种风险暴露的前提下，构建最大化该因子暴露的投资组合，并观察其相对于基准的表现[14][39]。 * **模型具体构建过程**： 1. 采用组合优化模型，目标函数为最大化组合在目标因子上的暴露度[39]。 $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 其中，`f`为因子取值向量，`w`为待求解的股票权重向量，`wb`为基准指数成分股权重向量。`X`为风格因子暴露矩阵，`H`为行业暴露矩阵，`Bb`为成分股标识向量。`sl`, `sh`, `hl`, `hh`, `wl`, `wh`, `bl`, `bh`, `l`分别为风格暴露、行业暴露、个股权重偏离、成分股权重占比、个股权重上限的约束边界[39][40]。 2. 设置具体约束条件，例如：控制组合相对于基准在特定行业和市值因子上的暴露为0；限制个股相对于基准权重的最大偏离幅度（如0.5%-1%）；要求组合满仓运作等[40][43]。 3. 在每月末，根据上述优化模型为每个因子构建其MFE组合[43]。 4. 在回测期内定期换仓，计算MFE组合扣除交易费用后的收益，并评估其相对于基准的表现[43]。 模型的回测效果 1. **国信金工多因子指数增强模型**[13] * 本周超额收益：沪深300增强组合0.31%，中证500增强组合1.11%，中证1000增强组合1.60%，中证A500增强组合0.05%[13]。 * 本年至今超额收益：沪深300增强组合3.36%，中证500增强组合-1.15%，中证1000增强组合3.40%，中证A500增强组合3.77%[13]。 2. **单因子MFE组合模型（以沪深300为样本空间示例）**[18] * 最近一周超额收益：EPTTM因子1.46%，预期EPTTM因子1.44%，单季EP因子1.05%[18]。 * 最近一月超额收益：标准化预期外收入因子1.81%，单季EP因子1.15%，预期PEG因子1.00%[18]。 * 今年以来超额收益：预期PEG因子2.00%，单季EP因子1.79%，标准化预期外收入因子1.78%[18]。 * 历史年化超额收益：单季EP因子5.30%，单季ROE因子5.27%，3个月盈利上下调因子5.18%[18]。 量化因子与构建方式 报告共列出了超过30个因子，涵盖估值、反转、成长、盈利、流动性、波动、公司治理和分析师等多个维度[15][16]。以下是部分因子的构建方式： 1. **因子名称：BP（市净率倒数）**[16] * **因子构建思路**：属于估值类因子，衡量公司净资产与市值的相对关系，通常认为低市净率（高BP）的股票可能被低估[16]。 * **因子具体构建过程**：$$BP = \frac{净资产}{总市值}$$[16] 2. **因子名称：EPTTM（滚动市盈率倒数）**[16] * **因子构建思路**：属于估值类因子，衡量公司过去十二个月净利润与市值的相对关系[16]。 * **因子具体构建过程**：$$EPTTM = \frac{归母净利润TTM}{总市值}$$[16] 3. **因子名称：单季EP**[16] * **因子构建思路**：属于估值类因子，使用单季度净利润数据计算市盈率倒数，更新更及时[16]。 * **因子具体构建过程**：$$单季EP = \frac{单季度归母净利润}{总市值}$$[16] 4. **因子名称：一个月反转**[16] * **因子构建思路**：属于反转类因子，基于过去短期股价表现，认为过去表现差的股票未来可能反弹，过去表现好的股票可能回调[16]。 * **因子具体构建过程**：$$一个月反转 = 过去20个交易日涨跌幅$$[16] 5. **因子名称：一年动量**[16] * **因子构建思路**：属于动量类因子，基于过去中长期股价表现，认为趋势会延续[16]。 * **因子具体构建过程**：$$一年动量 = 近一年除近一月后动量$$（即过去250个交易日剔除最近20个交易日的涨跌幅）[16] 6. **因子名称：单季净利同比增速**[16] * **因子构建思路**：属于成长类因子，衡量公司净利润的同比增长情况[16]。 * **因子具体构建过程**：$$单季净利同比增速 = \frac{单季度净利润 - 去年同期单季度净利润}{去年同期单季度净利润}$$[16] 7. **因子名称：SUE（标准化预期外盈利）**[16] * **因子构建思路**：属于成长类因子，衡量公司实际盈利超出分析师一致预期的程度，并进行标准化处理[16]。 * **因子具体构建过程**：$$SUE = \frac{单季度实际净利润 - 预期净利润}{预期净利润的标准差}$$[16] 8. **因子名称：单季ROE**[16] * **因子构建思路**：属于盈利类因子，衡量公司单季度的净资产收益率[16]。 * **因子具体构建过程**：$$单季ROE = \frac{单季度归母净利润 \times 2}{期初归母净资产 + 期末归母净资产}$$[16] 9. **因子名称：非流动性冲击**[16] * **因子构建思路**：属于流动性类因子，衡量单位成交金额对股价造成的冲击，值越大表示流动性越差[16]。 * **因子具体构建过程**：$$非流动性冲击 = 过去20个交易日的日涨跌幅绝对值 / 成交额的均值$$[16] 10. **因子名称：特异度**[16] * **因子构建思路**：属于波动类因子，衡量公司股价波动中不能被常见风险因子（如市场、规模、价值）解释的部分[16]。 * **因子具体构建过程**：$$特异度 = 1 - 过去20个交易日Fama-French三因子回归的拟合度(R^2)$$[16] 11. **因子名称：预期EPTTM**[16] * **因子构建思路**：属于分析师类因子，基于分析师对未来盈利的一致预期计算估值指标[16]。 * **因子具体构建过程**：$$预期EPTTM = 一致预期滚动EP$$[16] 12. **因子名称：三个月机构覆盖**[16] * **因子构建思路**：属于分析师类因子，衡量近期有多少家机构发布了对该公司的研究报告，通常代表关注度[16]。 * **因子具体构建过程**：$$三个月机构覆盖 = 过去3个月内发布研究报告的机构数量$$[16] 因子的回测效果（以最近一周表现为例，取自不同样本空间） 1. **在沪深300样本空间中**[18] * EPTTM因子，超额收益1.46% * 预期EPTTM因子，超额收益1.44% * 单季EP因子，超额收益1.05% * 预期净利润环比因子，超额收益-0.47% * 单季超预期幅度因子，超额收益-0.46% * 三个月机构覆盖因子，超额收益-0.43% 2. **在中证500样本空间中**[20] * 预期EPTTM因子，超额收益1.75% * 单季EP因子，超额收益1.71% * EPTTM因子，超额收益1.66% * 3个月盈利上下调因子，超额收益-1.12% * 一年动量因子，超额收益-1.10% * 特异度因子，超额收益-0.89% 3. **在中证1000样本空间中**[22] * 预期EPTTM因子，超额收益2.02% * BP因子，超额收益1.87% * 预期BP因子，超额收益1.86% * 一个月反转因子，超额收益-1.00% * 单季营利同比增速因子，超额收益-0.92% * 特异度因子，超额收益-0.74% 4. **在中证A500样本空间中**[24] * 预期EPTTM因子，超额收益2.44% * EPTTM因子，超额收益2.08% * 单季EP因子，超额收益1.83% * DELTAROA因子，超额收益-1.06% * EPTTM一年分位点因子，超额收益-0.94% * DELTAROE因子，超额收益-0.73% 5. **在公募重仓指数样本空间中**[26] * 单季EP因子，超额收益1.72% * EPTTM因子，超额收益1.68% * 预期EPTTM因子，超额收益1.66% * 三个月机构覆盖因子，超额收益-0.61% * 预期净利润环比因子，超额收益-0.32% * 单季营利同比增速因子，超额收益-0.31%

量化模型与构建方式 1. **模型名称：进取组合与平衡组合[7][10]** * **模型构建思路：** 基于多因子模型构建的股票组合，旨在获取相对于基准指数（中证500）的超额收益[10] * **模型具体构建过程：** 报告未详细说明具体的因子构成、权重分配及组合构建步骤 2. **模型名称：沪深300/中证500/中证1000指数增强组合[5][7][13][15]** * **模型构建思路：** 在各自基准指数（沪深300、中证500、中证1000）成分股范围内，通过量化模型优选股票，构建旨在跑赢基准的组合[5][13][15] * **模型具体构建过程：** 报告未详细说明具体的增强策略、因子构成及组合构建步骤 3. **模型名称：绩优基金的独门重仓股组合[5][7][26]** * **模型构建思路：** 选取绩优基金持有的独门重仓股构建组合，旨在获取超越股票型基金平均水平的收益[5][26] * **模型具体构建过程：** 报告未详细说明“绩优基金”的筛选标准、“独门重仓股”的定义及组合构建的具体步骤 4. **模型名称：盈利、增长、现金流三者兼优组合[7][28]** * **模型构建思路：** 筛选在盈利、增长和现金流三个基本面维度均表现优异的股票构建组合[7][28] * **模型具体构建过程：** 报告未详细说明“盈利”、“增长”、“现金流”的具体衡量指标、筛选阈值以及组合构建的具体步骤 5. **模型名称：PB-盈利优选组合[5][7][30][33]** * **模型构建思路：** 结合低估值（PB）与高盈利指标，筛选有基本面支撑的低估值股票构建组合[7][30] * **模型具体构建过程：** 报告未详细说明PB和盈利指标的具体定义、结合方式以及组合构建的具体步骤 6. **模型名称：GARP组合[9][35]** * **模型构建思路：** 采用GARP（Growth at a Reasonable Price）策略，寻找价格合理且具有成长性的股票构建组合[9][35] * **模型具体构建过程：** 报告未详细说明衡量“合理价格”和“成长性”的具体指标、筛选标准以及组合构建的具体步骤 7. **模型名称：小盘价值优选组合1/2[9][36][39]** * **模型构建思路：** 在小盘股范围内，筛选具有价值属性的股票构建组合，以微盘股指数为基准[9][36][39] * **模型具体构建过程：** 报告未详细说明“小盘”的定义、“价值”属性的具体衡量指标以及两个组合的具体差异 8. **模型名称：小盘成长组合[5][7][41]** * **模型构建思路：** 在小盘股范围内，筛选具有成长属性的股票构建组合，以微盘股指数为基准[5][41] * **模型具体构建过程：** 报告未详细说明“小盘”和“成长”的具体衡量指标及组合构建步骤 模型的回测效果 1. **进取组合**，周收益率-2.81%[9][10]，周超额收益（vs 中证500）0.63%[9][10]，2026年以来累计收益率18.21%[9][11]，2026年以来累计超额收益（vs 中证500）6.23%[9][11]，跟踪误差23.38%[9]，最大相对回撤6.14%[9] 2. **平衡组合**，周收益率-2.76%[9][10]，周超额收益（vs 中证500）0.68%[9][10]，2026年以来累计收益率15.44%[9][11]，2026年以来累计超额收益（vs 中证500）3.45%[9][11]，跟踪误差19.68%[9]，最大相对回撤4.99%[9] 3. **沪深300增强组合**，周收益率-0.32%[9][13]，周超额收益（vs 沪深300）0.75%[5][9][13]，2026年以来累计收益率9.42%[9][15]，2026年以来累计超额收益（vs 沪深300）8.76%[5][9][15]，跟踪误差6.52%[9]，最大相对回撤2.09%[9] 4. **中证500增强组合**，周收益率-2.79%[9][13]，周超额收益（vs 中证500）0.65%[9][13]，2026年以来累计收益率10.99%[9][15]，2026年以来累计超额收益（vs 中证500）-0.99%[9][15]，跟踪误差8.38%[9]，最大相对回撤3.17%[9] 5. **中证1000增强组合**，周收益率-3.57%[9][15]，周超额收益（vs 中证1000）0.08%[9][15]，2026年以来累计收益率10.95%[9][15]，2026年以来累计超额收益（vs 中证1000）2.34%[9][15]，跟踪误差8.46%[9]，最大相对回撤2.23%[9] 6. **绩优基金的独门重仓股组合**，周收益率-6.14%[5][9][26]，周超额收益（vs 股票型基金总指数）-3.38%[5][9][26]，2026年以来累计收益率10.20%[5][9][26]，2026年以来累计超额收益（vs 股票型基金总指数）6.36%[5][9][26]，跟踪误差26.00%[9]，最大相对回撤5.18%[9] 7. **盈利、增长、现金流三者兼优组合**，周收益率-5.33%[9][28]，周超额收益（vs 沪深300）-4.26%[9][28]，2026年以来累计收益率-8.57%[9][28]，2026年以来累计超额收益（vs 沪深300）-9.23%[9][28]，跟踪误差15.85%[9]，最大相对回撤12.01%[9] 8. **PB-盈利优选组合**，周收益率-1.51%[5][9][30]，周超额收益（vs 沪深300）-0.44%[5][9][30]，2026年以来累计收益率6.23%[5][9][33]，2026年以来累计超额收益（vs 沪深300）5.57%[5][9][33]，跟踪误差12.73%[9]，最大相对回撤2.38%[9] 9. **GARP组合**，周收益率-1.14%[9][35]，周超额收益（vs 沪深300）-0.07%[9][35]，2026年以来累计收益率12.76%[9][35]，2026年以来累计超额收益（vs 沪深300）12.10%[9][35]，跟踪误差11.54%[9]，最大相对回撤1.53%[9] 10. **小盘价值优选组合1**，周收益率-2.24%[9][36]，周超额收益（vs 微盘股指数）-0.39%[9][36]，2026年以来累计收益率9.86%[9][36]，2026年以来累计超额收益（vs 微盘股指数）-5.98%[9][36]，跟踪误差10.62%[9]，最大相对回撤8.23%[9] 11. **小盘价值优选组合2**，周收益率-2.23%[9][39]，周超额收益（vs 微盘股指数）-0.38%[9][39]，2026年以来累计收益率15.97%[9][39]，2026年以来累计超额收益（vs 微盘股指数）0.13%[9][39]，跟踪误差12.02%[9]，最大相对回撤5.62%[9] 12. **小盘成长组合**，周收益率-2.42%[5][9][41]，周超额收益（vs 微盘股指数）-0.57%[5][9][41]，2026年以来累计收益率11.31%[5][9][41]，2026年以来累计超额收益（vs 微盘股指数）-4.53%[5][9][41]，跟踪误差10.50%[9]，最大相对回撤6.37%[9] 量化因子与构建方式 1. **因子名称：市值因子[44]** * **因子构建思路：** 衡量公司规模大小的风格因子[44] * **因子具体构建过程：** 报告未详细说明具体计算方式（如总市值、流通市值等） * **因子评价：** 上周全市场范围内，大市值股票表现优于小市值股票[5][44] 2. **因子名称：PB因子[44]** * **因子构建思路：** 衡量公司估值水平的风格因子[44] * **因子具体构建过程：** 报告未详细说明具体计算方式（如市净率） * **因子评价：** 上周全市场范围内，低估值（低PB）股票表现优于高估值股票[5][44] 3. **因子名称：PE_TTM因子[44]** * **因子构建思路：** 衡量公司估值水平的风格因子[44] * **因子具体构建过程：** 报告未详细说明具体计算方式（如滚动市盈率） * **因子评价：** 上周全市场范围内，低估值（低PE_TTM）股票表现优于高估值股票[44] 4. **因子名称：反转因子[50][52]** * **因子构建思路：** 技术类因子，认为过去一段时间表现差的股票未来可能反弹，表现好的股票可能回调[50][52] * **因子具体构建过程：** 报告未详细说明具体计算方式（如过去N期的收益率） 5. **因子名称：换手率因子[5][50][52]** * **因子构建思路：** 技术类因子，衡量股票的交易活跃度[5][50][52] * **因子具体构建过程：** 报告未详细说明具体计算方式（如过去N期的平均换手率） * **因子评价：** 上周全市场范围内，低换手率股票表现突出，贡献正收益[5][50] 6. **因子名称：波动率因子[5][50][52]** * **因子构建思路：** 技术类因子，衡量股票价格的波动程度[5][50][52] * **因子具体构建过程：** 报告未详细说明具体计算方式（如过去N期收益率的标准差） * **因子评价：** 上周全市场范围内，低波动率股票表现突出，贡献正收益[5][50] 7. **因子名称：ROE因子[54]** * **因子构建思路：** 基本面因子，衡量公司的盈利能力[54] * **因子具体构建过程：** 报告未详细说明具体计算方式（如净资产收益率） * **因子评价：** 上周全市场范围内，高盈利（高ROE）股票超额收益为正[5][54] 8. **因子名称：SUE因子[54]** * **因子构建思路：** 基本面因子，衡量公司的盈利增长（SUE通常指标准化未预期盈余）[54] * **因子具体构建过程：** 报告未详细说明具体计算方式 * **因子评价：** 上周全市场范围内，高增长（高SUE）股票超额收益为正[5][54] 9. **因子名称：预期净利润调整因子[54]** * **因子构建思路：** 基本面因子，反映分析师对公司未来盈利预期的调整[54] * **因子具体构建过程：** 报告未详细说明具体计算方式（如分析师一致预期净利润的调整幅度） * **因子评价：** 上周全市场范围内，高预期净利润调整股票超额收益为正[5][54] 因子的回测效果 （测试方法：按因子值排序，取最高与最低的10%股票构建等权组合，计算多空收益[43]） 1. **市值因子**，上周全市场多空收益-0.34%[44]，2026年3月以来全市场多空收益-0.34%[44]，2026年以来全市场多空收益6.14%[45] 2. **PB因子**，上周全市场多空收益2.52%[44]，2026年3月以来全市场多空收益2.52%[44]，2026年以来全市场多空收益0.60%[45] 3. **PE_TTM因子**，上周全市场多空收益1.30%[44]，2026年3月以来全市场多空收益1.30%[44]，2026年以来全市场多空收益0.66%[45] 4. **反转因子**，上周全市场多空收益-2.79%[50][52]，2026年3月以来全市场多空收益-2.79%[52]，2026年以来全市场多空收益-8.81%[52] 5. **换手率因子**，上周全市场多空收益0.94%[50][52]，2026年3月以来全市场多空收益0.94%[52]，2026年以来全市场多空收益0.70%[52] 6. **波动率因子**，上周全市场多空收益0.79%[50][52]，2026年3月以来全市场多空收益0.79%[52]，2026年以来全市场多空收益-1.61%[52] 7. **ROE因子**，上周全市场多空收益0.63%[54]，2026年3月以来全市场多空收益0.63%[54]，2026年以来全市场多空收益2.96%[55] 8. **SUE因子**，上周全市场多空收益0.14%[54]，2026年3月以来全市场多空收益0.14%[54]，2026年以来全市场多空收益2.53%[55] 9. **预期净利润调整因子**，上周全市场多空收益1.05%[54]，2026年3月以来全市场多空收益1.05%[54]，2026年以来全市场多空收益1.07%[55]