量化模型与构建方式 1. 模型名称：二维择时模型 - **模型构建思路**：融合宏观趋势洞察与板块风险控制，捕捉计算机板块的利好信号，实现“攻守兼备”的策略目标[7][37] - **模型具体构建过程**： - **宏观维度**：当10年期美债收益率近1年历史分位回落至10%时，提示积极信号，增配进攻组合至75%[42] - **风险维度**：当计算机指数近1年半衰加权波动率分位回落至20%时，提示双重积极信号，增配进攻组合至100%[42] - **反向信号**：当美债收益率分位升至60%或波动率分位升至80%时，增配防御组合以控制下行风险[43] - **加权方式**：进攻组合和防御组合内部按自由流通市值加权[43] - **调仓频率**：月度调仓[43] - **比较基准**：计算机行业指数[43] - **模型评价**：通过宏观和风险信号的结合，模型在行业上涨阶段具备更强弹性，在下行阶段具备更好的防御能力[44] 2. 模型名称：进阶风险控制下的攻守兼备策略 - **模型构建思路**：在二维择时模型的基础上引入止损机制，进一步优化风险管理[49] - **模型具体构建过程**： - **止损机制**：当个股跌幅达到或超过20%时，触发止损操作，将对应个股仓位减半[49] - **目标**：限制潜在损失，同时保留部分反弹获利机会[49] - **模型评价**：止损机制显著提升了策略的稳健性，降低了整体波动和回撤[49] --- 模型的回测效果 1. 二维择时模型 - 年化收益：14.90%[47] - 年化波动：31.30%[47] - 最大回撤：72.82%[47] - 夏普比：0.60[47] - 超额年化：7.40%[47] - 胜率：49.28%[47] 2. 进阶风险控制下的攻守兼备策略 - 年化收益：16.45%[50] - 年化波动：30.60%[50] - 最大回撤：68.71%[50] - 夏普比：0.65[50] - 超额年化：8.85%[50] - 胜率：16.45%[50] --- 量化因子与构建方式 1. 因子名称：防御属性因子 - **因子构建思路**：通过低波动、低拥挤、筹码分散和高股息等特征筛选出防御属性领先的个股[6][18][19] - **因子具体构建过程**： - **第一层筛选**：按日收益率标准差从小到大排列，选择前50%股票作为基础池[18] - **第二层筛选**：从低拥挤、筹码分散和高股息三个维度筛选得分领先的Top10%个股[19] - **因子评价**：在行业Beta下行阶段表现出较强的抗跌能力，为投资组合提供稳健支撑[19] 2. 因子名称：进攻属性因子 - **因子构建思路**：通过高波动、重创新和高成长等特征筛选出进攻属性领先的个股[6][27][29] - **因子具体构建过程**： - **第一层筛选**：按日标准差从大到小排列，选择前50%股票作为基础池[27] - **第二层筛选**：从重创新和高成长两个维度筛选得分领先的Top15%个股[29] - **因子评价**：在行业Beta上行阶段表现出较强的收益弹性，为投资组合注入短期动能[30] --- 因子的回测效果 1. 防御属性因子 - 年化收益：16.10%[26] - 年化波动：28.03%[26] - 最大回撤：67.76%[26] - 夏普比：0.68[26] - 超额年化：8.52%[26] - 胜率：52.17%[26] 2. 进攻属性因子 - 年化收益：7.25%[35] - 年化波动：38.06%[35] - 最大回撤：79.54%[35] - 夏普比：0.38[35] - 超额年化：0.25%[35] - 胜率：47.83%[35]

量化模型与构建方式 1. 模型名称：综合配置策略 - **模型构建思路**：根据各细分行业的景气度信号，结合拥挤度指标，动态调整行业配置权重，形成综合配置策略[4][66] - **模型具体构建过程**： 1. 每月调仓时，首先根据各行业的景气度信号，筛选出景气上行和景气持平的行业[66] 2. 对景气持平行业的权重设置为景气上行行业的一半，以降低风险[66] 3. 排除拥挤度较高的行业，优先配置拥挤度较低的行业[66] 4. 最终形成综合配置策略[66] - **模型评价**：通过动态调整权重，综合策略在一定程度上规避了高拥挤度行业的波动风险，同时捕捉了景气上行行业的超额收益机会[66] --- 模型的回测效果 综合配置策略 - **最近1个月（2024/7/8-2024/8/6）**：收益1.2%，相对行业等权指数和中证800的超额收益分别为2.4%和2.7%[66][70] - **最近3个月（2024/5/7-2024/8/6）**：收益-7.8%，相对行业等权指数和中证800的超额收益分别为3.6%和2.2%[70] - **最近6个月（2024/2/7-2024/8/6）**：收益8.1%，相对行业等权指数和中证800的超额收益分别为6.4%和7.7%[70] --- 量化因子与构建方式 1. 因子名称：行业景气度因子 - **因子的构建思路**：通过行业内关键指标的边际变化，评估行业景气度的变化趋势[11][28][33][38][43][48][54][58] - **因子具体构建过程**： 1. 收集各行业的核心指标数据，如出口增速、营收增速、价格差等[11][28][33][38][43][48][54][58] 2. 计算指标的边际变化率，判断行业景气度的上行、持平或下行趋势[11][28][33][38][43][48][54][58] 3. 将景气度因子分为三类：景气上行、景气持平、景气下行[11][28][33][38][43][48][54][58] - **因子评价**：景气度因子能够较好地反映行业的基本面变化趋势，为行业配置提供了有效的量化依据[11][28][33][38][43][48][54][58] 2. 因子名称：行业拥挤度因子 - **因子的构建思路**：通过监测行业内资金流入和持仓集中度，评估行业的拥挤程度[62][64] - **因子具体构建过程**： 1. 计算行业内资金流入量和持仓集中度[62][64] 2. 将拥挤度水平与历史数据进行对比，确定当前拥挤度的分位水平[62][64] 3. 标记拥挤度处于滚动3年95%分位阈值以上的行业为高拥挤度行业[62][64] - **因子评价**：拥挤度因子能够有效识别高风险行业，帮助投资者规避潜在的波动风险[62][64] --- 因子的回测效果 行业景气度因子 - **家用电器**：景气度指标边际上行[31] - **光伏**：景气度指标边际上行[35] - **农林牧渔**：景气度指标边际上行[40] - **消费电子**：景气度指标边际上行[45] - **半导体**：景气度指标边际回升[50] - **建筑材料**：水泥景气度指标边际上行[56] - **通信**：通信设备综合景气指标边际上行[60] 行业拥挤度因子 - **交通运输**：拥挤度处于滚动3年95%分位阈值以上[62][64] - **国防军工**：拥挤度处于滚动3年95%分位阈值以上[62][64] - **银行**：拥挤度处于滚动3年95%分位阈值以上[62][64]

量化模型与构建方式 增强策略ETF模型 - **模型名称**：增强策略ETF模型 - **模型构建思路**：通过历史数据统计、建模和测算，构建增强策略ETF，旨在超越业绩比较基准的收益表现[4][18] - **模型具体构建过程**： 1. 选取特定指数（如沪深300、中证500、中证1000等）作为基准指数[18] 2. 通过量化模型对成分股进行优化配置，构建增强策略ETF[18] 3. 对模型进行回测和超额收益率测算，验证其有效性[18] - **模型评价**：增强策略ETF在近一年和2024年以来的表现显示出一定的超额收益能力，部分产品表现优异[18][19] 增强指数型基金模型 - **模型名称**：增强指数型基金模型 - **模型构建思路**：通过量化选股和优化配置，增强指数型基金的收益表现，目标是实现超额收益[27][28] - **模型具体构建过程**： 1. 选取特定指数（如沪深300、中证500、中证1000等）作为基准指数[27][28] 2. 运用量化模型对成分股进行筛选和权重调整[27][28] 3. 对基金的超额收益率进行回测和排名[27][28] - **模型评价**：部分增强指数型基金在近一年和2024年以来的超额收益率表现较好，显示出模型的有效性[27][28] --- 模型的回测效果 增强策略ETF模型 1. 招商中证500增强策略ETF，近一年超额收益率10.88%，2024年以来超额收益率7.63%[18][19] 2. 招商中证1000增强策略ETF，近一年超额收益率8.89%，2024年以来超额收益率5.69%[19] 3. 南方中证500增强策略ETF，近一年超额收益率8.09%，2024年以来超额收益率4.43%[19] 4. 鹏华上证科创板50增强策略ETF，近一年超额收益率8.08%，2024年以来超额收益率5.40%[19] 5. 博时中证500增强策略ETF，近一年超额收益率8.41%，2024年以来超额收益率6.08%[19] 增强指数型基金模型 1. 沪深300增强指数型基金中，大成沪深300增强A，近一年超额收益率7.69%[28] 2. 中证500增强指数型基金中，汇添富中证500指数增强A，近一年超额收益率9.25%[28] 3. 中证1000增强指数型基金中，农银中证1000指数增强A，近一年超额收益率10.01%[28] 4. 国证2000增强指数型基金中，招商国证2000指数增强A，近一年超额收益率11.86%[28]

- 国泰君安量化配置团队开发了Black-Litterman、风险平价、宏观因子3个基础资产配置模型[14] - 使用上述模型在国内股票、债券、商品、黄金4大类资产上开发了大类资产配置策略，并进行样本外跟踪[14] - 2024年以来，国内资产BL策略1收益为5.1%，7月收益为0.84%，最大回撤为0.78%，年化波动为1.25%[15] - 国内资产BL策略2收益为4.72%，7月收益为0.73%，最大回撤为0.65%，年化波动为1.12%[15] - 国内资产风险平价策略收益为4.55%，7月收益为0.46%，最大回撤为0.23%，年化波动为0.89%[15] - 基于宏观因子的资产配置策略收益为3.76%，7月收益为0.44%，最大回撤为0.27%，年化波动为0.92%[15]

量化模型与构建方式 1. 模型名称：大票30组合 - **模型构建思路**：将选股范围限定在上证50与深证100指数成分股（共150只），通过长端动量因子筛选出动量效应最强的30只股票，构建组合，持仓1个月[2][11][14] - **模型具体构建过程**： 1. 每月末在150只大票中，计算每只股票的长端动量因子值[11] 2. 选取长端动量因子值最高的30只股票，作为次月的大票30组合[11] 3. 持仓周期为1个月，月末进行再平衡[11] - **模型评价**：该模型弥补了量价因子在大市值股票池上的应用空白，同时满足了投资者对少而精的投资需求[2][11] 2. 因子名称：长端动量因子 - **因子的构建思路**：基于涨跌幅因子的内在结构，利用振幅切割方法，区分动量效应与反转效应，构造出能够捕捉低振幅下动量效应的因子[67][68] - **因子具体构建过程**： 1. 对选定股票，回溯取其最近160个交易日的数据[68] 2. 计算股票每日的振幅（公式：$ 振幅 = \text{最高价} / \text{最低价} - 1 $）[68] 3. 选择振幅较低的70%交易日，将这些交易日的涨跌幅加总，得到长端动量因子值[68] - **因子评价**：长端动量因子在全市场样本空间内表现稳健，具有显著的动量效应，选股能力强[68] --- 模型的回测效果 1. 大票30组合 - 年化收益率：13.57%[11][18] - 年化超额收益：13.54%（相对沪深300）[11][18] - 样本外4年均跑赢沪深300，2024年累计超额收益13%[2][14] - 风险收益比：0.57（2023年至今）[18] - 年化IR：2.79（2023年至今）[18] - 相对大票150等权基准的超额年化收益：20.69%[19] - 相对偏股混合型基金指数的超额年化收益：23.4%[19] 2. 长端动量因子 - RankIC均值：4.4%[68] - RankICIR值：1.76[68] - 多空对冲年化收益率：11.1%[68] --- 因子的回测效果 1. 长端动量因子 - RankIC均值：4.4%[68] - RankICIR值：1.76[68] - 多空对冲年化收益率：11.1%[68]

- 本报告未涉及量化模型或量化因子的构建、测试及评价内容[1][2][3]

- 宏观因子S1策略的配置比例为：股票2.63%，债券94.74%，商品2.63%[3][17] - 宏观因子S2策略的配置比例为：沪深300(16.29%)，中证500(0.0%)，中证1000(0.79%)，利率债(15.35%)，金融债(14.34%)，信用债(46.79%)，农产品(4.84%)，金属(0.0%)，化工(0.0%)，能源(0.0%)，黄金(1.6%)[3][17] - 宏观因子S1策略的7月回报为0.66%，股债策略回报为0.8%[3] - 宏观因子S2策略的7月回报为0.53%[3] - 宏观因子S1策略的表现指标包括：累计收益率63.09%，年化收益率9.52%，年化波动率6.02%，最大回撤率-9.25%，胜率（D）61.21%，盈亏比0.91，夏普比率1.58，卡玛比率1.03[18] - 宏观因子S2策略的表现指标包括：累计收益率44.4%（稳健型），50.9%（平衡型），57.5%（进取型）；年化收益率7.1%（稳健型），7.9%（平衡型），8.8%（进取型）；年化波动率3.9%（稳健型），4.9%（平衡型），6.0%（进取型）；最大回撤率-5.0%（稳健型），-6.6%（平衡型），-8.2%（进取型）；胜率（D）58.9%（稳健型），59.5%（平衡型），60.3%（进取型）；盈亏比0.99（稳健型），0.96（平衡型），0.92（进取型）；夏普比率1.83（稳健型），1.63（平衡型），1.48（进取型）；卡玛比率1.41（稳健型），1.20（平衡型），1.07（进取型）[19]

量化模型与构建方式 1. 动量因子模型 - **模型名称**：动量因子模型 - **模型构建思路**：基于过去k个交易日跨期反套组合的收益率，构建多周期动量策略[31] - **模型具体构建过程**： - IH使用一年动量因子 - IF、IC等权配置10、20、30、40、60、80、120、250个交易日的动量因子 - 收盘价调仓，交易成本按单边万0.5考虑[31] - **模型评价**：长期动量策略在不同品种上的表现差异较大，IH表现较为稳健，IF和IC的收益率较低[32][33] 2. 年化基差率因子模型 - **模型名称**：年化基差率因子模型 - **模型构建思路**：通过剔除分红后的年化基差率，选择基差率最低和最高的合约进行多空操作[39] - **模型具体构建过程**： - 根据当日14:45各期限合约剔除分红的年化基差率 - 做多年化基差率最低的合约，做空年化基差率最高的合约 - 距离到期日小于10天的合约不在选择范围内 - 收盘价调仓，交易成本按单边万0.5考虑[39] - **模型评价**：IC和IM的表现显著优于IH和IF，尤其在2023年IC的年化收益率达到14.8%[40][43] 3. 线性组合跨品种套利策略 - **模型名称**：线性组合跨品种套利策略 - **模型构建思路**：通过线性组合构建多小盘空大盘的跨品种套利策略[27][46] - **模型具体构建过程**： - 组合包括IF_IH、IC_IF、IC_IH三种线性组合 - 根据历史数据回测，优化组合权重[46] - **模型评价**：IF_IH组合表现较好，年化收益率为5.5%，夏普比率为0.93[46] 4. 非线性组合跨品种套利策略 - **模型名称**：非线性组合跨品种套利策略 - **模型构建思路**：通过非线性组合构建多小盘空大盘的跨品种套利策略[27][52] - **模型具体构建过程**： - 组合包括IF_IH、IC_IF、IC_IH三种非线性组合 - 使用非线性模型优化权重[52] - **模型评价**：IC_IF非线性组合表现最佳，年化收益率为12.2%，夏普比率为1.16[52] 5. 日内择时策略（线性组合） - **模型名称**：日内择时策略（线性组合） - **模型构建思路**：基于日内动量因子，构建线性组合择时策略[28][58] - **模型具体构建过程**： - 组合包括IH、IF、IC的线性因子 - 根据日内动量信号进行交易，优化组合权重[58] - **模型评价**：IC的表现显著优于IH和IF，年化收益率为16.6%，夏普比率为1.49[58] 6. 日内择时策略（非线性组合） - **模型名称**：日内择时策略（非线性组合） - **模型构建思路**：基于日内动量因子，构建非线性组合择时策略[28][63] - **模型具体构建过程**： - 组合包括IH、IF、IC的非线性因子 - 使用非线性模型优化权重[63] - **模型评价**：IH的表现优于IF和IC，年化收益率为6.8%，夏普比率为0.92[63] 7. 基本面量化策略（OLS模型） - **模型名称**：OLS模型 - **模型构建思路**：基于线性回归模型，结合基本面因子预测收益率[102][103] - **模型具体构建过程**： - 使用2015-2020年数据进行五年滚动训练 - 构建市场中性和多空策略 - 回测使用T+1日的10:00-10:10的VWAP价格成交[102] - **模型评价**：多空策略的收益率较高，但今年以来市场中性策略表现更优[106][108] 8. 基本面量化策略（XGB模型） - **模型名称**：XGB模型 - **模型构建思路**：基于XGBoost模型，结合基本面因子预测收益率[102][109] - **模型具体构建过程**： - 使用2015-2020年数据进行五年滚动训练 - 构建市场中性和多空策略 - 回测使用T+1日的10:00-10:10的VWAP价格成交[102] - **模型评价**：多空策略的收益率较高，但今年以来表现有所回落[112][114] 9. 基本面量化策略（合成模型） - **模型名称**：合成模型 - **模型构建思路**：等权合成OLS和XGB模型的预测结果[102][115] - **模型具体构建过程**： - 使用OLS和XGB模型的预测结果，等权合成 - 构建市场中性和多空策略 - 回测使用T+1日的10:00-10:10的VWAP价格成交[102] - **模型评价**：多空策略的收益率较高，但今年以来市场中性策略表现更优[118][119] --- 模型的回测效果 动量因子模型 - IH：年化收益率6.5%，夏普比率0.87，最大回撤-7.6%[32] - IF：年化收益率2.6%，夏普比率0.48，最大回撤-7.0%[32] - IC：年化收益率2.8%，夏普比率0.29，最大回撤-15.2%[32] 年化基差率因子模型 - IH：年化收益率1.3%，夏普比率0.29，最大回撤-4.3%[40] - IF：年化收益率0.3%，夏普比率0.06，最大回撤-4.4%[40] - IC：年化收益率14.8%，夏普比率1.87，最大回撤-4.1%[40] - IM：年化收益率12.5%，夏普比率1.51，最大回撤-7.5%[40] 线性组合跨品种套利策略 - IF_IH：年化收益率5.5%，夏普比率0.93，最大回撤-7.6%[46] - IC_IF：年化收益率-5.6%，夏普比率-0.56，最大回撤-15.5%[46] - IC_IH：年化收益率0.2%，夏普比率0.02，最大回撤-10.6%[46] 非线性组合跨品种套利策略 - IF_IH：年化收益率0.5%，夏普比率0.07，最大回撤-6.0%[52] - IC_IF：年化收益率12.2%，夏普比率1.16，最大回撤-7.1%[52] - IC_IH：年化收益率-12.0%，夏普比率-0.93，最大回撤-24.8%[52] 日内择时策略（线性组合） - IH：年化收益率3.2%，夏普比率0.40，最大回撤-5.3%[58] - IF：年化收益率6.5%，夏普比率0.75，最大回撤-5.4%[58] - IC：年化收益率16.6%，夏普比率1.49，最大回撤-5.2%[58] 日内择时策略（非线性组合） - IH：年化收益率6.8%，夏普比率0.92，最大回撤-4.1%[63] - IF：年化收益率5.6%，夏普比率0.73，最大回撤-5.2%[63] - IC：年化收益率8.0%，夏普比率0.63，最大回撤-10.4%[63] 基本面量化策略（OLS

量化模型与构建方式 1. 模型名称：港股多因子模型 - **模型构建思路**：基于技术面、资金面、基本面和分析师预期四大类因子，构建多因子模型以筛选港股通成分股[27][28] - **模型具体构建过程**： 1. 从港股通成分股中提取四大类因子： - 技术面因子：如动量、波动率等 - 资金面因子：如资金流入流出比例等 - 基本面因子：如市盈率（PE）、市净率（PB）等 - 分析师预期因子：如盈利预测调整等 2. 对因子进行标准化处理，消除量纲影响 3. 根据因子得分加权计算综合得分，选取得分最高的前20只个股构建组合[27][28] - **模型评价**：因子分组表现优异，能够有效捕捉超额收益[27] 2. 模型名称：港股优选20组合 - **模型构建思路**：基于港股多因子模型的得分结果，选取得分最高的20只个股，按等权方式构建组合[29] - **模型具体构建过程**： 1. 每月底根据港股多因子模型的得分结果，选取得分最高的20只个股 2. 按等权方式分配权重 3. 基准选取港股综合指数（930930.CSI）[29] - **模型评价**：全区间内表现优异，超额收益显著[29] --- 模型的回测效果 港股多因子模型 - **超额年化收益率**：15.6% - **超额收益波动比**：1.2 - **回测区间**：2015年1月至2024年7月[29][30][32] 港股优选20组合 - **2024年7月表现**： - 组合收益率：-3.27% - 基准收益率：-3.20% - 超额收益率：-0.07%[29] - **全区间表现（2015年1月至2024年7月）**： - 超额年化收益率：15.6% - 超额收益波动比：1.2 - 超额最大回撤：18.2%[30][32] - **分年度表现**： - 2019年：超额年化收益率35.3%，超额收益波动比2.8 - 2020年：超额年化收益率58.5%，超额收益波动比3.4 - 2021年：超额年化收益率8.6%，超额收益波动比0.8 - 2022年：超额年化收益率-1.2%，超额收益波动比-0.1 - 2023年：超额年化收益率7.7%，超额收益波动比0.8 - 2024年：超额年化收益率27.0%，超额收益波动比2.1[30][32] --- 量化因子与构建方式 1. 因子名称：技术面因子 - **因子构建思路**：通过动量、波动率等指标捕捉市场趋势和价格变化[27][28] - **因子具体构建过程**： 1. 计算个股的历史收益率和波动率 2. 对因子值进行标准化处理[27][28] 2. 因子名称：资金面因子 - **因子构建思路**：通过资金流入流出比例反映市场资金偏好[27][28] - **因子具体构建过程**： 1. 统计个股的资金流入流出数据 2. 归一化处理后计算因子得分[27][28] 3. 因子名称：基本面因子 - **因子构建思路**：通过市盈率（PE）、市净率（PB）等指标衡量公司基本面价值[27][28] - **因子具体构建过程**： 1. 提取个股的PE、PB等基本面数据 2. 对因子值进行标准化处理[27][28] 4. 因子名称：分析师预期因子 - **因子构建思路**：通过盈利预测调整等指标反映市场对公司未来业绩的预期[27][28] - **因子具体构建过程**： 1. 收集分析师对个股的盈利预测数据 2. 计算预测调整幅度并进行标准化处理[27][28] --- 因子的回测效果 技术面因子 - **超额年化收益率**：未单独披露 - **超额收益波动比**：未单独披露 资金面因子 - **超额年化收益率**：未单独披露 - **超额收益波动比**：未单独披露 基本面因子 - **超额年化收益率**：未单独披露 - **超额收益波动比**：未单独披露 分析师预期因子 - **超额年化收益率**：未单独披露 - **超额收益波动比**：未单独披露 [27][28][29][30][32]

量化模型与构建方式 1. **模型名称**：国投证券量化指数增强组合 - **模型构建思路**：采用组合优化的方式构建指数增强组合，使用因子滚动1年的Rank ICIR加权构建复合因子，并通过严格的中性配置策略控制行业和风格暴露[50][51] - **模型具体构建过程**： 1. 确定组合使用的因子，通过因子滚动1年的Rank ICIR加权构建复合因子，若因子权重方向与预期收益方向相反则进行反向归零[50] 2. 采用中性配置策略，确保组合相对于基准指数在中信一级行业上的相对暴露为0，并限制市值、估值、成长的相对暴露偏离为0[50] 3. 控制个股权重相对基准成分股权重偏离不超过1%，保持组合仓位100%，最大化复合因子暴露[50] 4. 对复合因子进行中性化处理，消除其与行业、风格因子的相关性[50] 5. 交易费用为双边0.3%[51] 量化因子与构建方式 1. **因子名称**：估值因子 - **因子构建思路**：基于账面市值比（BP）构建，反映公司估值水平[12] - **因子具体构建过程**： $$BP = \frac{归母股东权益}{总市值}$$[12] 2. **因子名称**：成长因子 - **因子构建思路**：结合营业收入增长率（SGRO）和归母净利润增长率（EGRO）[12] - **因子具体构建过程**： 1. SGRO：过去五个财年年报的每股营业收入按时间回归，回归系数（斜率）除以每股营业收入平均值[12] 2. EGRO：过去五个财年年报的每股归母净利润按时间回归，回归系数（斜率）除以每股归母净利润平均值[12] 3. 合成公式： $$成长因子 = \frac{SGRO + EGRO}{2}$$[12] 3. **因子名称**：盈利因子 - **因子构建思路**：结合 Earnings-to-price ratio（ETOP）和 Cash earnings-to-price ratio（CETOP）[12] - **因子具体构建过程**： $$盈利因子 = \frac{ETOP + CETOP}{2}$$ 其中： $$ETOP = \frac{归母净利润TTM}{总市值}$$ $$CETOP = \frac{经营活动产生的现金流量净额TTM}{总资产}$$[12] 4. **因子名称**：规模因子（LNCAP） - **因子构建过程**： $$LNCAP = \ln(总市值)$$[12] 5. **因子名称**：Beta因子 - **因子构建过程**： 将个股过去252个交易日的日收益率与中证全指日收益率进行半衰指数加权回归（半衰期63个交易日），取回归系数作为BETA[12] 6. **因子名称**：动量因子（RSTR） - **因子构建过程**： 计算过去504个交易日个股累计收益率（不含最近21个交易日），收益率序列使用半衰指数加权（半衰期126个交易日）[12] 7. **因子名称**：流动性因子 - **因子构建过程**： $$流动性因子 = \frac{STOM + STOQ + STOA}{3}$$ 其中： - STOM：过去1个月换手率加总后取对数 - STOQ：过去3个月STOM均值 - STOA：过去12个月STOM均值[12] 8. **因子名称**：非线性市值因子（NLSIZE） - **因子构建过程**： 将股票总市值对数的三次方与对数市值进行加权最小二乘回归（权重为对数市值的平方根），取回归残差作为NLSIZE[12] 模型的回测效果 1. **沪深300指数增强组合** - 近一周超额收益：-0.59% - 近一月超额收益：-0.80% - 近一年超额收益：5.72% - 年化超额收益（2010年以来）：6.98% - 信息比（IR）：2.49 - 月度胜率：72.73%[51][55][57] 2. **中证500指数增强组合** - 近一周超额收益：-0.91% - 近一月超额收益：-1.48% - 近一年超额收益：5.17% - 年化超额收益（2010年以来）：12.31% - 信息比（IR）：3.03 - 月度胜率：79.55%[58][62][64] 3. **中证800指数增强组合** - 近一周超额收益：-1.20% - 近一月超额收益：-1.65% - 近一年超额收益：10.17% - 年化超额收益（2010年以来）：9.30% - 信息比（IR）：2.78 - 月度胜率：73.86%[65][69][71] 4. **中证1000指数增强组合** - 近一周超额收益：-1.18% - 近一月超额收益：-1.34% - 近一年超额收益：13.22% - 年化超额收益（2014年以来）：16.90% - 信息比（IR）：3.23 - 月度胜率：83.19%[72][76][77] 5. **沪深300ESG指数增强组合** - 近一周超额收益：-0.01% - 近一月超额收益：-0.24% - 近一年超额收益：5.79% - 年化超额收益（2020年以来）：7.34% - 信息比（IR）：2.19 - 月度胜率：71.70%[78][81] 因子的回测效果 1. **沪深300股票池因子表现（近一周）** - 表现最佳： - 对数市值（超额收益0.82%） - 20日成交额（超额收益0.68%） - 60日非流动性冲击（超额收益0.66%）[23][26] - 表现最差： - 单季度毛利率（超额收益-0.68%） - 单季度ROA（超额收益-0.58%） - 单季度SP（超额收益-0.55%）[23][26] 2. **中证500股票池因子表现（近一周）** - 表现最佳： - 对数市值（超额收益0.87%） - 20日成交量比率（超额收益0.48%） - 20日收益率标准差（超额收益0.46%）[29] - 表现最差： - EP_TTM（超额收益-1.24%） - 股息率（超额收益-0.81%） - 单季度毛利率（超额收益-0.81%）[29] 3. **中证800股票池因子表现（近一周）** - 表现最佳： - 对数市值（超额收益1.99%） - 盈余质量（超额收益0.81%） - 20日特异度（超额收益0.76%）[32][35] - 表现最差： - 单季度ROA（超额收益-0.84%） - 股息率（超额收益-0.80%） - 单季度毛利率（超额收益-0.78%）[32][35] 4. **中证1000股票池因子表现（近一周）** - 表现最佳： - 对数市值（超额收益0.98%） - 60日动量（超额收益0.75%） - 60日反转（超额收益0.63%）[37][38] - 表现最差： - 单季度毛利率（超额收益-1.23%） - 单季度EP（超额收益-1.18%） - 单季度ROE（超额收益-1.16%）[37][38] 5. **沪深300ESG股票池因子表现（近一周）** - 表现最佳： - 60日成交额（超额收益0.75%） - 20日成交额（超额收益0.70%） - 60日非流动性冲击（超额收益0.58%）[40][42] - 表现最差： - 单季度毛利率（超额收益-0.65%） - 单季度SP（超额收益-0.58%） - 单季度ROA（超额收益-0.51%）[40][42] 6. **全市场股票池因子表现（近一周）** - 表现最佳： - 60日反转 - 20日特异度 - 20日成交量变异系数[45] - 表现最差： - 单季度毛利率 - 股息率 - 60日非流动性冲击[45]