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：行业拥挤度监测模型** - **模型构建思路**：通过监测申万一级行业指数的拥挤度，识别行业过热或过冷状态[4] - **模型具体构建过程**： 1. 计算行业指数的滚动历史分位数（如30日窗口） 2. 结合主力资金流动数据（净流入/流出）辅助判断 3. 输出拥挤度排名及变动方向（如医药、钢铁、建材拥挤度靠前，汽车、家电较低）[4][14] - **模型评价**：能够动态捕捉行业资金博弈状态，但对极端市场事件的适应性未明确说明 2. **模型名称：溢价率 Z-score 模型** - **模型构建思路**：通过滚动计算ETF溢价率的Z-score，筛选存在套利机会的标的[5] - **模型具体构建过程**： 1. 计算标的ETF的溢价率：$$ \text{溢价率} = \frac{\text{ETF市价} - \text{净值}}{\text{净值}} \times 100\% $$ 2. 滚动计算溢价率的均值（μ）和标准差（σ） 3. 标准化为Z-score：$$ Z = \frac{\text{当前溢价率} - μ}{σ} $$ 4. 设定阈值触发关注信号（如Z-score超过±2）[5][15] - **模型评价**：依赖历史统计规律，需警惕市场流动性不足导致的模型失效 --- 模型的回测效果 1. **行业拥挤度监测模型**： - 拥挤度高位行业：医药、钢铁、建材（具体数值未披露）[4] - 拥挤度低位行业：汽车、家电（具体数值未披露）[4] - 主力资金流向验证：计算机、电子、电力设备持续流出，银行增配[14] 2. **溢价率 Z-score 模型**： - 触发关注信号标的：智能消费ETF（515920）、生物科技ETF（516500）等[15] - 未披露IR或胜率等指标 --- 量化因子与构建方式 1. **因子名称：主力资金净流动因子** - **因子构建思路**：通过主力资金净流入/流出金额衡量行业或ETF的资金动向[4][14] - **因子具体构建过程**： 1. 按日统计申万行业或ETF的主力资金净额（买入-卖出） 2. 滚动计算3日/5日累计净流动（如近3日银行净流入10.96亿元）[14] - **因子评价**：高频数据敏感性高，但易受短期噪音干扰 --- 因子的回测效果 1. **主力资金净流动因子**： - 近3日净流入TOP1行业：银行（+10.96亿元）[14] - 近3日净流出TOP1行业：计算机（-188.00亿元）[14] --- 注：报告中未涉及复合模型或衍生因子，测试结果的指标口径（如年化收益率、IR）未明确披露[4][5][14][15]

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. **高频宏观因子模型** - 构建思路：通过资产组合模拟构建高频宏观因子体系，观察市场交易的宏观预期变化[12] - 具体构建过程： 1. 对利率、汇率、信用等因子直接通过相关指数多空组合构建 2. 对高频经济增长和通胀因子： - 合成低频宏观指标（如工业增加值同比、CPI同比等） - 筛选领先于低频指标的资产（如恒生指数、CRB金属现货等） - 通过滚动多元回归确定资产权重，构建投资组合模拟宏观因子走势[12][13] - 评价：高频指标对低频宏观数据具有领先性，能有效捕捉市场预期变化[13] 2. **债券久期择时模型** - 构建思路：基于改进的Diebold2006模型预测收益率曲线变化[20] - 具体构建过程： - 水平因子预测：结合宏观变量预判和政策利率跟随 - 斜率/曲率因子预测：采用AR(1)模型 - 映射不同久期债券的预期收益[20] - 评价：能动态捕捉利率曲线形态变化 3. **黄金预期收益模型** - 构建思路：将黄金与TIPS实际回报关联[32] - 具体公式： $$E[Real\_Return^{gold}]=k\times E[Real\_Return^{Tips}]$$ $$E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{Tips}]$$ 其中k通过扩展窗口OLS估计，π^e取美联储2%通胀目标[32] - 评价：模型对黄金长期趋势有较强解释力 4. **主动风险预算模型** - 构建思路：将风险平价与主动信号结合动态调整股债配置[37][38] - 具体构建过程： 1. 多维度信号生成： - 股债比价（ERP）：$$ERP=\frac{1}{PE_{ttm}}-YTM_{TB}^{10Y}$$[39] - 股票估值分位数 - 市场流动性（M2-M1剪刀差）[42] 2. 信号通过softmax函数转化为风险预算权重： $$softmax(x)=\frac{\exp(\lambda x)}{\exp(\lambda x)+\exp(-\lambda x)}$$[47] - 评价：相比传统风险平价模型具有更好的动态适应性 5. **行业轮动3.0模型** - 构建思路：从交易行为、景气度等6维度构建子模型并动态合成[53] - 具体构建过程： - 交易行为模型：捕捉日内动量+隔夜反转效应 - 景气度模型：捕捉盈余动量 - 资金流模型：识别主动抢筹行为 - 其他维度包括筹码结构、宏观驱动、技术分析[53][55] - 评价：多维度合成有效提升行业轮动胜率 量化因子与构建方式 1. **转债估值因子** - 百元转股溢价率：衡量转债与正股相对估值[25] - 修正YTM-信用债YTM：剥离转股条款影响，比较偏债转债与信用债价值[25] 2. **转债风格因子** - 转股溢价率偏离度：识别高估值转债 - 理论价值偏离度：结合定价模型识别定价偏差[27] - 20日动量+波动率偏离度：捕捉市场情绪[27] 3. **基金选基因子** - 高质量因子：基于财务质量指标 - 高成长因子：基于盈利增长指标 - 低估值因子：基于估值分位数[86] 模型回测效果 1. **高频宏观因子** - 高频经济增长因子：7月同比上行[13] - 高频消费通胀因子：7月同比下行[17] - 高频生产通胀因子：7月同比上行[17] 2. **债券久期择时** - 7月策略超额收益32.4bp[21][24] - 近一年超额收益-2.11%[21] 3. **黄金预期模型** - 未来一年预期收益率22.4%[32][33] - 过去一年策略绝对回报39.77%[34][35] 4. **主动风险预算** - 全样本年化收益6.54%，收益波动比1.64[52][54] - 8月股票仓位7.44%，债券仓位92.56%[51] 5. **行业轮动3.0** - 7月多空收益3.07%[61][64] - 动态合成模型中景气度/资金流模型权重较高[67] 6. **转债风格轮动** - 2018-2025年化收益24.54%，IR 1.47[29] - 2025年收益35.17%[29] 7. **ETF轮动组合** - 7月超额收益1.83%[71][74] 8. **FOF组合** - 7月收益5.45%，超额-1.81%[83][84]

量化模型与构建方式 1. **模型名称：国内资产BL模型1** - 模型构建思路：BL模型是均值-方差模型的改进，通过贝叶斯理论将主观观点与量化模型结合，优化资产配置权重[14] - 模型具体构建过程： 1) 选择国内资产标的（沪深300、中证1000、国债总财富指数等）[15] 2) 计算资产预期收益与协方差矩阵 3) 结合投资者主观观点调整收益预期 4) 通过优化算法求解最优权重 - 模型评价：有效解决均值-方差模型对预期收益敏感的问题，兼具主观投资的灵活性和量化模型的稳定性[14] 2. **模型名称：全球资产BL模型2** - 模型构建思路：同国内资产BL模型1，但覆盖全球资产（标普500、COMEX黄金等）[15] - 模型具体构建过程： 1) 选择全球资产标的（标普500、企业债指数等）[15] 2) 其余步骤与国内BL模型1一致 3. **模型名称：国内资产风险平价模型** - 模型构建思路：使每类资产对组合风险的贡献相等，穿越经济周期[19] - 模型具体构建过程： 1) 选择8类国内资产（沪深300、中证转债等）[21] 2) 计算资产波动率与相关性矩阵 3) 优化权重使各资产风险贡献均衡 公式： $$ w_i = \frac{1/\sigma_i}{\sum_{j=1}^n 1/\sigma_j} $$ 其中$\sigma_i$为资产i的年化波动率[20] 4. **模型名称：基于宏观因子的资产配置模型** - 模型构建思路：通过增长、通胀等6大宏观因子构建配置框架[23] - 模型具体构建过程： 1) 构造宏观因子Mimicking Portfolio[24] 2) 计算资产因子暴露水平 3) 结合主观宏观判断调整因子暴露目标 4) 反解得到资产配置权重[24] 模型的回测效果 1. **国内资产BL模型1** - 上周收益：0.02% - 7月收益：0.61% - 2025年收益：2.46% - 年化波动：2.16% - 最大回撤：1.31%[17][18] 2. **全球资产BL模型2** - 上周收益：-0.07% - 7月收益：0.51% - 2025年收益：1.59% - 年化波动：1.70% - 最大回撤：1.28%[17][18] 3. **国内资产风险平价模型** - 上周收益：-0.02% - 7月收益：0.36% - 2025年收益：2.70% - 年化波动：1.46% - 最大回撤：0.76%[22][29] 4. **基于宏观因子的资产配置模型** - 上周收益：-0.03% - 7月收益：0.38% - 2025年收益：2.76% - 年化波动：1.36% - 最大回撤：0.64%[28][29] 当前持仓分布（2025年7月） - **国内资产BL模型1**：中证1000(10.51%)、国债(65.14%)、企业债(19.13%)、商品(5.22%)[13] - **全球资产风险平价模型**：标普500(1.54%)、企业债(93.11%)、黄金(2.13%)[13]

量化模型与构建方式 1. **模型名称：民生金工深度学习股票收益预测模型** - **模型构建思路**：基于民生金工历史研究框架，结合日频和分钟频输入数据，通过深度学习预测股票收益，并利用滚动阈值生成交易信号[1][10]。 - **模型具体构建过程**： 1. **输入端**： - 日频特征：51个技术面/情绪面日频特征 + 7个日频基础量价指标 + 10个强化风格因子（通过PPO强化学习生成）[12][22]。 - 分钟频特征：52个分钟频特征（合成至日频）[22]。 2. **基分类器**： - 使用2个GRU分别对日频和分钟频特征解码[22]。 3. **市场信息嵌入**： - 指数量价数据 + 强化风格偏好生成权重嵌入[22]。 4. **损失函数**： - 多期股票收益作为预测目标，多期MSE均值作为损失函数： $$ \text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 $$ 其中，\( y_i \)为实际收益，\( \hat{y}_i \)为预测收益[22][26]。 5. **信号生成**： - 预测值滚动阈值：过去一年预测值的70%分位数作为买入信号，30%分位数作为卖出信号，至少持有10个交易日[30]。 - **模型评价**：模型信号分布集中于0轴附近，右偏且尾部极窄，适合波段择时[27][29]。 2. **模型名称：SimStock股票相似度模型** - **模型构建思路**：通过自监督学习预测股票相似度，结合静态（行业/风格）和动态（量价规律）相关性，生成股票属性向量[47][52]。 - **模型具体构建过程**： 1. **输入数据**： - 个股过去40日量价数据 + Barra风格因子 + 资金流指标（形状为\( N \times 40 \times 20 \)）[52]。 2. **样本构建**： - 正样本：\( X_{\text{正}} = 0.75X + 0.25X_{\text{随机}} \) - 负样本：随机抽取不相关特征[52]。 3. **训练目标**： - 最大化正样本相似度，最小化负样本相似度，使用余弦相似度衡量： $$ \text{相似度} = \frac{\mathbf{v}_i \cdot \mathbf{v}_j}{\|\mathbf{v}_i\| \|\mathbf{v}_j\|} $$ 其中，\( \mathbf{v}_i \)为股票属性向量[52][53]。 4. **输出**：个股属性向量用于初始化GRU隐状态，提升收益预测稳定性[57][59]。 - **模型评价**：相似度预测更关注行业而非市值，动态性更强[56]。 3. **复合模型：改进后的收益预测模型** - **构建思路**：将SimStock输出的股票属性向量初始化GRU隐状态，结合原有日频和分钟频输入[57][59]。 - **评价**：改进后模型显著提升预测稳定性，尤其在高波行业中效果突出[60][64]。 --- 模型的回测效果 1. **民生金工深度学习模型**： - 全A股平均年化收益：27%，累积超额收益77%（2019-2025）[33]。 - 沪深300成分股：年化收益17.2%，夏普比率1.24，最大回撤8%[38][41]。 - 中证500成分股：年化收益18.8%，夏普比率1.58，最大回撤10.3%[41][43]。 - 中证1000成分股：年化收益18.1%，夏普比率1.24，最大回撤21.3%[43][46]。 2. **改进后模型（加入SimStock）**： - 全A股平均年化收益：30%，累积超额收益109%[60]。 - 沪深300成分股：年化收益20.7%，夏普比率1.88，最大回撤8.5%[64][67]。 - 中证500成分股：年化收益23.4%，夏普比率1.97，最大回撤10.8%[68][71]。 - 中证1000成分股：年化收益22.5%，夏普比率1.56，最大回撤20.5%[71][73]。 3. **指数择时效果**： - 沪深300：年化收益5.1%，超额收益5.6%[79]。 - 中证500：年化收益12.4%，超额收益12.2%[82]。 - 中证1000：年化收益15.1%，超额收益14.9%[84]。 - 电力设备及新能源行业：年化收益36%，超额收益31.1%[101][103]。 --- 量化因子与构建方式 1. **因子名称：分钟频因子** - **构建思路**：从日内分钟级数据中提取量价相关性、波动率、动量等特征[109]。 - **具体因子示例**： - 分钟收益率与成交量相关系数 - 尾盘半小时动量 - 下行波动率占比 - 开盘成交占比[109]。 --- 因子的回测效果 1. **择时因子RankIC**：周度平均RankIC 4.5%，双周调仓多头年化收益23.2%（费后）[36]。 2. **改进后因子RankIC**：周度平均RankIC 4.2%，年化收益21.7%[74][75]。

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：普通风险平价模型** - 模型构建思路：通过使组合中每个资产的风险贡献相等来实现风险分散[18] - 模型具体构建过程： 1. 计算资产协方差矩阵 $$\Sigma$$ 2. 求解权重向量 $$w$$ 满足 $$w_i \cdot (\Sigma w)_i = w_j \cdot (\Sigma w)_j$$ 对所有资产 $$i,j$$[14] 3. 当资产不相关时，权重与波动率倒数成正比[18] - 模型评价：适用于低相关资产，但对中国股债等属性差异大的资产需调整权重[21][23] 2. **模型名称：调整风险预算的风险平价模型** - 模型构建思路：通过动态调整不同资产的风险预算倍数来优化配置[27][36] - 模型具体构建过程： 1. 静态调整：权益风险预算设为25，商品/黄金设为36（资产数量开方倍数）[29][36] 2. 动态调整：基于过去6个月夏普比，最高预算为静态值的1.5倍[36] 3. 权重计算：$$w_i = \frac{b_i/\sigma_i}{\sum_j b_j/\sigma_j}$$，其中 $$b_i$$ 为风险预算[28] 3. **模型名称：宏观风险平价模型** - 模型构建思路：引入宏观因子分解资产收益，调整风险预算[38][42] - 模型具体构建过程： 1. 资产收益分解：$$r_{t,i} = \beta_i \cdot F_t + \epsilon_{t,i}$$，其中 $$F_t$$ 为宏观因子[39] 2. 计算宏观因子相关性矩阵 $$\rho_{macro}$$[38] 3. 结合微观风险预算：$$b_i' = b_i \cdot (1 + \frac{Sharpe_i}{max(Sharpe)})$$[38][42] 模型的回测效果 1. **普通风险平价模型** - 年化收益：6.47% | 最大回撤：-2.84% | 波动率：2.79% | 夏普比：2.25 | 月度胜率：74.76%[55] 2. **宏观风险平价模型** - 年化收益：7.99% | 最大回撤：-4.01% | 波动率：3.79% | 夏普比：2.03 | 月度胜率：71.84%[55] 3. **调整风险预算的宏观风险平价模型** - 年化收益：9.11% | 最大回撤：-3.64% | 波动率：3.62% | 夏普比：2.41 | 月度胜率：71.84%[61] 量化因子与构建方式 1. **因子名称：夏普比动态调整因子** - 因子构建思路：根据资产近期夏普比动态调整风险预算[36][59] - 因子具体构建过程： 1. 权益资产：比较1个月夏普比与阈值0.5，高于则预算设为64[59] 2. 可转债资产：比较1个月夏普比与阈值0.6，高于则预算设为36[59] 2. **因子名称：宏观状态权益择时因子** - 因子构建思路：基于宏观信号放大/缩小权益风险预算[59][60] - 因子具体构建过程： 1. 配置信号：权益预算乘以4 2. 非配置信号：权益预算除以4[59] 因子的回测效果 1. **夏普比动态调整因子** - 年化收益提升：+1.12%（宏观模型） | 最大回撤改善：-0.37%[61] 2. **宏观状态权益择时因子** - 年化收益提升：+2.45%（普通模型） | 月度胜率提升：+4.85%[60][61] ETF资产配置实施 - **子类资产调整规则**： 1. 债券：根据10年期国债收益率与20日均线关系切换久期[67] 2. 权益：价值风格时配置70%红利ETF，否则50%；大盘风格时配置80%沪深300ETF[67] - **回测结果**： 年化收益9.43% | 最大回撤-4.16% | 夏普比2.36 | 月度胜率72.15%[69]

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **封板率模型** - 模型构建思路：通过统计涨停股票在收盘时仍保持涨停的比例，反映市场情绪强度[15] - 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，计算当日同时满足盘中最高价涨停与收盘涨停的股票占比[15] - 模型评价：高频指标能有效捕捉短期资金博弈情绪 2. **连板率模型** - 模型构建思路：衡量涨停行情的持续性，反映市场热点延续性[15] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 基于前一日涨停股票池，计算次日仍涨停的比例[15] 3. **股指期货贴水率模型** - 模型构建思路：通过期货与现货价差反映市场预期[28] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500、中证1000主力合约的基差年化值[28] 量化因子与构建方式 1. **大宗交易折价因子** - 因子构建思路：通过大宗交易折价幅度反映机构交易情绪[26] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计全市场大宗交易成交价相对于市价的偏离度[26] 2. **ETF折溢价因子** - 因子构建思路：捕捉资金套利行为引发的定价偏差[23] - 具体构建过程：筛选日成交额超100万的股票型ETF，计算场内价格与IOPV净值偏差[23] 3. **龙虎榜机构净流入因子** - 因子构建思路：跟踪机构席位资金动向识别主力行为[36] - 具体构建过程：汇总龙虎榜中"机构专用"席位净买入金额前十个股[36] 模型的回测效果 1. 封板率模型： - 当日封板率71%（较前日+8%）[15] - 近一月均值65%[15] 2. 连板率模型： - 当日连板率27%（较前日+9%）[15] - 近一月均值22%[15] 3. 股指期货贴水率模型： - 上证50年化升水0.16%（61%分位）[28] - 中证1000年化贴水11.49%（51%分位）[28] 因子的回测效果 1. 大宗交易折价因子： - 当日折价率4.21%（近半年均值5.8%）[26] 2. ETF折溢价因子： - 创新药ETF最高溢价0.63%[23] - 科创芯片ETF最大折价1.13%[23] 3. 龙虎榜机构净流入因子： - 西藏天路单日净流入1.2亿元[36] - 北方长龙单日净流出0.8亿元[36]

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：股指分红点位测算模型** - **模型构建思路**：通过精细化处理指数成分股的分红数据，预测股指期货合约的升贴水情况，考虑分红对指数点位的影响[12][39] - **模型具体构建过程**： 1. **成分股权重计算**：采用中证指数公司每日披露的日度收盘权重数据，确保权重准确性。若成分股发生调整或特殊事件（如解禁），直接使用官方数据替代估算[45][46] 2. **分红金额预测**： - 若公司已公布分红金额，直接采用披露值；否则通过净利润×股息支付率估算[47] - **净利润预测**：分为两类公司处理： - 盈利分布稳定的公司：按历史盈利分布规律预测[50] - 盈利分布不稳定的公司：采用上年同期盈利作为预测值[50] - **股息支付率预测**： - 去年分红公司：采用去年股息支付率[53] - 去年不分红公司：采用最近3年平均股息支付率[53] - 从未分红公司：默认不分红[53] 3. **除息日预测**： - 已公布除息日：直接采用[56] - 未公布时：根据预案/决案阶段，结合历史间隔天数稳定性线性外推；若无稳定性，采用默认日期（7月31日、8月31日或9月30日）[56] 4. **分红点数计算**： $$分红点数 = \sum_{n=1}^{N} \left( \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价 \right)$$ 其中要求除息日在当前日期至期货合约到期日之间（t < τ ≤ T）[39] - **模型评价**：对上证50和沪深300指数的预测准确度较高（误差约5点），中证500指数误差稍大（约10点）[61] 2. **模型名称：股指期货升贴水跟踪模型** - **模型构建思路**：通过扣除分红影响后的基差计算，跟踪主力合约升贴水幅度、期限结构及历史分位点[12][28] - **模型具体构建过程**： 1. **含分红价差计算**： $$含分红价差 = 合约收盘价 - 指数收盘价 + 分红点数$$ 其中分红点数来自分红点位测算模型[13] 2. **年化升贴水计算**： $$年化升贴水 = \left( \frac{含分红价差}{指数收盘价} \right) \times \left( \frac{365}{到期天数} \right) \times 100\%$$ 用于比较不同期限合约的升贴水水平[13] 3. **历史分位点计算**：基于历史基差数据统计当前升贴水幅度所处百分位[28] --- 量化因子与构建方式 1. **因子名称：股息率因子** - **因子构建思路**：通过已实现股息率和剩余股息率衡量指数成分股分红吸引力[16][17] - **因子具体构建过程**： - **已实现股息率**： $$已实现股息率 = \sum_{i=1}^{N1} \left( \frac{个股已分红金额}{个股总市值} \times 个股权重 \right)$$ N1为已分红公司数量[17] - **剩余股息率**：对未分红公司按相同方法计算预期分红贡献[17] - **因子评价**：煤炭、银行、钢铁行业股息率显著高于其他行业[15] 2. **因子名称：行业股息率中位数因子** - **因子构建思路**：统计各行业已公布分红预案股票的股息率中位数，横向比较行业分红水平[15] - **因子具体构建过程**： - 按行业分组计算股息率中位数： $$行业股息率中位数 = \text{Median}\left( \frac{预案分红金额}{当前总市值} \right)$$ 数据来源为已披露分红预案的个股[15] --- 模型的回测效果 1. **股指分红点位测算模型** - 上证50指数：预测误差约5点[61] - 沪深300指数：预测误差约5点[61] - 中证500指数：预测误差约10点[61] 2. **股指期货升贴水跟踪模型** - IH主力合约年化升水2.67%，历史分位点63%[13][28] - IF主力合约年化贴水0.70%，历史分位点51%[13][28] - IC主力合约年化贴水14.35%，历史分位点22%[13][28] - IM主力合约年化贴水14.12%，历史分位点21%[13][28] --- 因子的回测效果 1. **股息率因子** - 上证50指数：已实现股息率2.10%，剩余股息率0.10%[17] - 沪深300指数：已实现股息率1.65%，剩余股息率0.19%[17] - 中证500指数：已实现股息率1.12%，剩余股息率0.10%[17] - 中证1000指数：已实现股息率0.89%，剩余股息率0.04%[17] 2. **行业股息率中位数因子** - 煤炭行业：股息率中位数最高[15] - 银行行业：股息率中位数次高[15] - 钢铁行业：股息率中位数第三[15]

量化模型与构建方式 1. **模型名称：PB-ROE选股策略** - **模型构建思路**：通过整合企业的盈利能力（ROE）与市场定价水平（PB），选取“低估值高盈利”的优质公司[24] - **模型具体构建过程**： 1. 在调仓日将个股按BP（市净率倒数）排序，前20%构成低估组合 2. 按季度ROE排序，前20%构成质量组合 3. 取两者交集作为最终组合[24] 4. 交易规则：买入费用0.1%，卖出费用0.3%，以信号次日开盘价成交[24] - **模型评价**：收益主要来源于因子有效性而非调仓频率优化[24] 2. **模型名称：GARP选股策略** - **模型构建思路**：以合理价格（EP）买入成长性（净利润增长率）突出的股票[53] - **模型具体构建过程**： 1. 调仓日按EP（市盈率倒数）排序，前20%为低估组合 2. 按季度净利润增长率排序，前20%为成长组合 3. 取两者交集构成组合[53] 4. 交易规则同PB-ROE策略[53] 3. **模型名称：超预期选股策略** - **模型构建思路**：结合基本面超预期（SUE）与市场反应超预期（JOR）捕捉PEAD效应[86] - **模型具体构建过程**： 1. 调仓日按SUE（净利润偏离度）排序，前10%为基本面超预期组合 2. 按JOR（公告日股价超额收益）排序，前10%为市场反应超预期组合 3. 取两者交集构成组合[86] *SUE公式*： $$ SUE = \frac{当期净利润同比 - 过去8季均值}{过去8季标准差} $$ *JOR公式*：公告日个股超额收益相对市场基准[86] 模型的回测效果 1. **PB-ROE模型** - 年化收益：15.71%（4/8/10月调仓）[26] - 年化波动：24.18%[26] - 夏普比率：0.73[26] - 最大回撤：-37.06%[26] - 策略容量：1.28亿（平均持股77只）[41] 2. **GARP模型** - 年化收益：21.22%（月度调仓）[56] - 年化波动：27.98%[56] - 夏普比率：0.83[56] - 最大回撤：-42.85%[56] - 策略容量：1.89亿（平均持股173只）[69] 3. **超预期模型** - 年化收益：25.00%（月度调仓）[87] - 年化波动：29.48%[87] - 夏普比率：0.91[87] - 最大回撤：-45.69%[87] - 策略容量：1.01亿（平均持股70只）[100] 量化因子与构建方式 1. **因子名称：BP（市净率倒数）** - **构建思路**：衡量估值水平的反向指标[25] - **测试结果**：IC均值5.0%，IR 0.486[25] 2. **因子名称：EP（市盈率倒数）** - **构建思路**：估值水平代理指标[25] - **测试结果**：IC均值6.5%，IR 0.836[25] 3. **因子名称：SUE** - **构建思路**：量化净利润超预期程度[86] - **测试结果**：IC均值3.6%，IR 0.799[25] 4. **因子名称：JOR** - **构建思路**：捕捉公告日市场反应强度[86] - **测试结果**：IC均值3.4%，IR 0.829[25] 收益来源分析 1. **市场反应滞后** - PB-ROE：公告后12交易日超额累加2.3%[49] - GARP：公告后8交易日超额累加3%[77] - 超预期：公告后8交易日超额累加9%[103] 2. **市场反应不足** - 仅超预期策略在未来20交易日仍有1%超额收益[103] 3. **滞后调仓影响** - PB-ROE年化收益衰减3.74%（15.71%→11.97%）[50] - GARP年化收益衰减8.37%（21.22%→12.85%）[79] - 超预期年化收益衰减9.13%（25.00%→15.87%）[113]

量化模型与构建方式 1. **模型名称：GAN_GRU模型** - **模型构建思路**：结合生成式对抗网络（GAN）和门控循环单元（GRU）的深度学习模型，用于挖掘量价时序特征并生成选股因子[4][13] - **模型具体构建过程**： 1. **数据输入**：使用18个量价特征（如收盘价、成交量、换手率等），采样形状为40*18（过去40天的特征）[17][18] 2. **GAN部分**： - 生成器（G）：采用LSTM结构，输入原始量价时序特征（40×18），输出生成的特征（40×18）[33][37] - 判别器（D）：采用CNN结构，通过卷积层处理二维量价时序特征，输出真假概率[33][35] - 损失函数： - 生成器损失：$$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$[24] - 判别器损失：$$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$[27] 3. **GRU部分**：两层GRU（128,128）提取时序特征，后接MLP（256,64,64）输出预测收益pRet作为因子[22] 4. **训练方式**：半年滚动训练，每半年更新模型参数，训练集与验证集比例80%:20%[18] - **模型评价**：通过对抗训练提升特征生成能力，保留时序特性，适配金融数据的高噪声和非线性特点[33][37] 2. **因子名称：GAN_GRU因子** - **因子构建思路**：利用GAN_GRU模型输出的预测收益pRet作为选股因子，经行业市值中性化+标准化处理[22][41] - **因子具体构建过程**： 1. 模型输出的pRet截面排序，取前10%股票构成多头组合[46] 2. 因子值计算：$$Factor_{GAN\_GRU} = pRet_{标准化} + 行业市值中性化残差$$[22] --- 模型的回测效果 1. **GAN_GRU模型** - IC均值：11.43% | ICIR：0.89 | 年化超额收益率：24.86%[41][42] - 年化收益率：38.52% | 最大回撤率：27.29% | 信息比率（IR）：1.62[42] 2. **GAN_GRU因子（行业表现）** - 当期IC最高行业：家用电器（27.00%）、非银金融（23.08%）[42] - 近一年IC均值最高行业：公用事业（14.43%）、商贸零售（13.33%）[42] - 多头组合超额收益：纺织服饰（5.19%）、公用事业（3.62%）[2][43] --- 量化因子与构建方式 1. **因子名称：GAN_GRU衍生行业因子** - **构建思路**：在申万一级行业内部分层测试GAN_GRU因子表现，生成行业特异性选股信号[42][43] - **具体构建过程**： 1. 按行业分组计算因子IC和多头组合超额收益[42] 2. 行业中性化处理：$$Factor_{行业} = Factor_{原始} - \beta_{行业} \times Industry_{哑变量}$$[22] --- 因子的回测效果 1. **GAN_GRU衍生行业因子** - 全A股多头组合年化超额收益：24.86% | 换手率：0.82[42] - 近一年IC均值：10.97% | 最新一期IC：9.27%[41][42] 2. **行业多头组合** - 近一年月均超额收益：家用电器（5.44%）、建筑材料（4.70%）[2][43] - 全行业跑赢基准比例：30个行业中21个跑赢（70%）[43] --- 其他关键点 - **数据预处理**：量价特征在时序上去极值+标准化，个股截面标准化[18] - **超参数**：batch_size=截面股票数，优化器Adam，学习率1e-4，损失函数IC[18] - **最新多头组合**：裕同科技、青山纸业等（2025年8月前十个股）[5][48]

量化模型与因子总结 量化模型 1. 基于启发式风格划分的认知风险控制模型 模型构建思路：通过结合启发式方法和因子打分法识别市场认知与个体认知差异，控制认知风险[4][15] 模型具体构建过程： 1) 采用时间序列回归划分个股风格： $$r_{t,t}\sim\beta_{\mathit{Value}}\cdot r_{\mathit{Value},t}+\beta_{\mathit{Growth}}\cdot r_{\mathit{Growth},t}+\varepsilon_{t}$$ 约束条件： $$0\leq\beta_{\mathit{Value}}\leq1$$ $$0\leq\beta_{\mathit{Growth}}\leq1$$ $$\beta_{\mathit{Value}}+\beta_{\mathit{Growth}}=1$$ 2) 计算行业风险贡献： $$RiskContribution_{i}=w_{i}\times{\frac{\partial\sigma_{p}}{\partial w_{i}}}=w_{i}\times{\frac{\sum_{j=1}^{n}w_{i}\cdot Cov\left(r_{i},r_{j}\right)}{\sigma_{p}}}$$ 3) 对高风险行业中的认知差异个股偏离置为0[4][15][81] 2. 基于个股收益聚类的隐性风险识别模型 模型构建思路：采用Louvain社区发现算法对个股超额收益相关性进行聚类，识别传统风险模型无法捕捉的隐性风险[4][15][117] 模型具体构建过程： 1) 计算个股超额收益相关性矩阵 2) 应用Louvain算法最大化模块度进行聚类 3) 对近期走势趋同的股票聚类结果进行风险控制[117] 3. 动态风格因子控制模型 模型构建思路：针对风格因子波动率聚集现象，对近期波动率排名靠前、波动率显著放大的风格因子进行严格控制[4][15][81] 模型具体构建过程： 1) 计算风格因子滚动3个月收益率年化波动率 2) 识别波动率显著放大的风格因子 3) 在组合优化中约束高波动风格因子暴露[27][28] 4. 目标跟踪误差下的自适应个股偏离模型 模型构建思路：根据过去跟踪误差动态调整个股偏离幅度[4][15][81] 模型具体构建过程： 1) 计算组合相对基准的滚动3个月跟踪误差 2) 当跟踪误差超过阈值时自动缩小个股偏离 3) 形成跟踪误差-偏离幅度的动态调整机制[31][32] 量化因子 1. 黑天鹅指数因子 因子构建思路：通过风格因子收益率偏离度衡量市场极端程度[24][25] 因子具体构建过程： 1) 计算风格因子日度收益率偏离度： $$\sigma_{s,t}=\frac{\bar{r}_{s,t}-\bar{r}_{s}}{\sigma_{s}}$$ 2) 计算黑天鹅指数： $$BlackSwan_{t}=\frac{1}{N}\times\sum_{s\in S}\left|\sigma_{s,t}\right|$$ 因子评价：有效捕捉市场极端风险事件[24][25] 2. 成长价值风格因子 因子构建思路：综合估值和成长指标构建风格因子[82][83] 因子具体构建过程： 1) 价值因子包含股息率、BP、EPTTM、OCFPTTM四个子因子，权重各1/4 2) 成长因子包含DeltaROEQ、NPQYOY、SUE、AOG四个子因子，权重各1/4[82][83] 因子评价：传统因子打分法可能无法完全捕捉市场实际交易风格[88][93] 模型回测效果 1. 传统中证500指数增强组合 年化超额收益18.77%，相对最大回撤9.68%，信息比3.56，收益回撤比1.94，年化跟踪误差4.88%[5][16] 2. 引入全流程风控的中证500指数增强组合 年化超额收益16.51%，相对最大回撤4.90%，信息比3.94，收益回撤比3.37，年化跟踪误差3.98%[5][16]