量化因子与构建方式 单因子表现 - **因子名称**：毛利率TTM - **因子的构建思路**：基于企业盈利能力的衡量，毛利率越高，企业盈利能力越强[8] - **因子的具体构建过程**：以过去12个月的毛利率数据作为因子值，剔除行业与市值影响后，构建多头组合[8] - **因子评价**：本周在沪深300股票池中表现较好，收益为1.67%[8][9] - **因子名称**：动量弹簧因子 - **因子的构建思路**：基于动量效应，捕捉短期价格反弹的机会[8] - **因子的具体构建过程**：通过计算股票价格的短期动量变化，剔除行业与市值影响后，构建多头组合[8] - **因子评价**：本周在沪深300股票池中表现较好，收益为1.49%[8][9] - **因子名称**：市盈率因子 - **因子的构建思路**：基于估值水平，市盈率越低，投资价值越高[8] - **因子的具体构建过程**：以市盈率数据为因子值，剔除行业与市值影响后，构建多头组合[8] - **因子评价**：本周在沪深300股票池中表现较好，收益为1.47%[8][9] - **因子名称**：下行波动率占比 - **因子的构建思路**：衡量股票收益的风险特征，下行波动率占比越低，风险越小[12] - **因子的具体构建过程**：计算股票收益的下行波动率占总波动率的比例，剔除行业与市值影响后，构建多头组合[12] - **因子评价**：本周在中证500股票池中表现较好，收益为2.18%[12][13] - **因子名称**：对数市值因子 - **因子的构建思路**：基于市值规模，捕捉小市值股票的超额收益[15] - **因子的具体构建过程**：取股票市值的对数值作为因子值，剔除行业与市值影响后，构建多头组合[15] - **因子评价**：本周在流动性1500股票池中表现较好，收益为2.23%[15][16] 大类因子表现 - **因子名称**：残差波动率因子 - **因子的构建思路**：基于股票收益的波动性，残差波动率越高，收益越高[18] - **因子的具体构建过程**：通过回归模型计算股票收益的残差波动率，剔除行业与市值影响后，构建多头组合[18] - **因子评价**：本周在全市场股票池中表现较好，收益为0.46%[18] - **因子名称**：非线性市值因子 - **因子的构建思路**：基于市值与收益的非线性关系，捕捉小市值股票的超额收益[18] - **因子的具体构建过程**：通过非线性回归模型计算市值因子值，剔除行业与市值影响后，构建多头组合[18] - **因子评价**：本周在全市场股票池中表现较好，收益为0.44%[18] 因子的回测效果 单因子表现 - 毛利率TTM因子，最近1周收益1.67%，最近1个月收益4.63%，最近1年收益-7.88%，最近10年收益-0.73%[9] - 动量弹簧因子，最近1周收益1.49%，最近1个月收益2.91%，最近1年收益-13.67%，最近10年收益76.84%[9] - 市盈率因子，最近1周收益1.47%，最近1个月收益2.49%，最近1年收益-2.83%，最近10年收益61.15%[9] - 下行波动率占比因子，最近1周收益2.18%，最近1个月收益4.69%，最近1年收益2.71%，最近10年收益190.82%[13] - 对数市值因子，最近1周收益2.23%，最近1个月收益0.88%，最近1年收益3.75%，最近10年收益6.09%[16] 大类因子表现 - 残差波动率因子，最近1周收益0.46%[18] - 非线性市值因子，最近1周收益0.44%[18]

量化模型与构建方式 模型名称：主力波动率因子 - 模型构建思路：基于日内1分钟频价格和成交量，识别主力资金的拉升和出货行为，构建波动率因子[1][2][3] - 模型具体构建过程： 1. 引入分钟频数据，提高收益率数据的颗粒度[11] 2. 从两个维度识别不同类型投资者，对日内收益率信息进行拆分和提纯[11] 3. 改进波动率计算方法，提高因子稳定性[11] 4. 状态分类方法一：根据当前分钟的成交量与上一区间最后一分钟的成交量的相对大小，将股票划分为缩量上涨、放量上涨、缩量下跌和放量下跌4种状态[12] 5. 状态分类方法二：根据当前分钟的成交量与当前区间前续分钟的成交量的相对大小，将股票划分为缩量持续上涨、放量持续上涨、平量持续上涨、缩量持续下跌、放量持续下跌和平量持续下跌6种状态[14][15] 6. 计算每种状态对应的时段收益率作为该形态下的日内收益率[24] 7. 对过去20个日度收益率先做截面标准化，取其绝对值，再做截面标准化，然后计算绝对值调整后的过去20日收益率的标准差[24] 8. 将“放量上涨”、“放量持续上涨”、“放量下跌”和“放量持续下跌”这4个状态波动率因子等权合成，得到主力波动率因子[27] - 模型评价：主力波动率因子通过日内交易形态更准确地刻画了主力资金行为对股价的影响，从而更细致地衡量了股票的波动率大小，实现了更优秀的选股效果[76] 模型的回测效果 - 主力波动率因子，IC均值6.75%，Rank IC均值9.06%，多空年化收益33.83%，多空年化夏普比率2.85，多头年化超额收益9.96%，多头超额年化夏普比率1.84[29] - 主力波动率因子在沪深300、中证500、中证1000和国证2000内年年化多空收益分别为10.31%、16.86%、35.46%、37.69%[43] 量化因子与构建方式 因子名称：放量上涨因子 - 因子的构建思路：基于日内分钟频数据，识别放量上涨状态，构建波动率因子[12] - 因子具体构建过程： 1. 按照日内分钟频收益率方向变化的时刻，将日内收益率序列合并为上涨下跌趋势段[12] 2. 对每一分钟判断当前时刻成交量与上一个趋势段的最后一分钟成交量的相对大小[12] 3. 按照收益率的上涨、下跌，以及成交量的相对放量、缩量将日内每分钟行情划分为放量上涨、缩量上涨、放量下跌、缩量下跌4种状态[12] 4. 计算放量上涨状态对应的时段收益率作为该形态下的日内收益率[24] 5. 对过去20个日度收益率先做截面标准化，取其绝对值，再做截面标准化，然后计算绝对值调整后的过去20日收益率的标准差[24] - 因子评价：放量上涨因子能够更好地代表主力资金拉升行为，主力资金的持续流入代表股票目前被看好，上涨概率更大[21] 因子名称：放量持续上涨因子 - 因子的构建思路：基于日内分钟频数据，识别放量持续上涨状态，构建波动率因子[14] - 因子具体构建过程： 1. 按照日内分钟频收益率方向变化的时刻，将日内收益率序列合并为不同趋势段[14] 2. 对于每个趋势段内的每一分钟，比较其对应成交量与区间内每分钟对应成交量的相对大小[14] 3. 按照收益率的上涨、下跌，以及成交量的相对大小将日内每分钟行情划分为放量持续上涨、平量持续上涨、缩量持续上涨、放量持续下跌、平量持续下跌、缩量持续下跌6种状态[14][15] 4. 计算放量持续上涨状态对应的时段收益率作为该形态下的日内收益率[24] 5. 对过去20个日度收益率先做截面标准化，取其绝对值，再做截面标准化，然后计算绝对值调整后的过去20日收益率的标准差[24] - 因子评价：放量持续上涨因子能够更好地代表主力资金拉升行为，主力资金的持续流入代表股票目前被看好，上涨概率更大[21] 因子的回测效果 - 放量上涨因子，IC均值7.04%，Rank IC均值9.63%，多空年化收益35.80%，多空年化夏普比率3.17，多头年化超额收益11.05%，多头年化夏普比率2.19[22] - 放量持续上涨因子，IC均值6.98%，Rank IC均值9.28%，多空年化收益35.84%，多空年化夏普比率3.28，多头年化超额收益10.79%，多头年化夏普比率2.08[24]

量化模型与构建方式 1 模型名称：多元线性回归模型(加入量价因子) 模型构建思路：在传统宏观基本面因子基础上加入量价因子，提升对黄金价格的预测效果[4] 模型具体构建过程： - 基础模型包含4个宏观因子：美联储资产负债表总资产、美债10年期收益率、通胀预期(十年期盈亏平衡通胀率)、美国失业率[23] - 加入量价因子：250日动量因子和DT策略信号(0/1/-1)[27] - 最终模型公式： $$Y = -6492.97 - 11.776 X1 + 55.694 X2 + 0.00003005 X3 + 0.2596 X4 + 246800 X5 - 49.237 X6$$ 其中：Y=伦敦金价，X1=美元指数，X2=美国国债实际收益率，X3=美联储资产负债表总资产，X4=全球黄金储备当月值，X5=伦敦金120日价格动量，X6=DT策略择时信号[51] 模型评价：加入量价因子后修正R方从0.80提升至0.828，能捕捉非基本面驱动因素[30] 2 模型名称：Dual Thrust(DT)择时策略 模型构建思路：基于价格突破机制生成交易信号[19] 模型具体构建过程： ①计算N日内的HH(最高价最高值)、LC(收盘价最低值)、HC(收盘价最高值)、LL(最低价最低值) ②计算上下轨： 上轨 = open + K1*max(HH-LC, HC-LL) 下轨 = open - K2*max(HH-LC, HC-LL) ③突破上轨开多仓，突破下轨开空仓[19] 模型评价：日频策略2010年起夏普比率0.61，年化收益6%[20] 量化因子与构建方式 1 因子名称：时序动量因子 因子构建思路：计算不同周期价格收益率衡量趋势强度[9] 因子具体构建过程： - 定义第i日对数收益： $$r_i = ln(P_i) - ln(P_{i-1})$$ - T日动量=前T日对数收益率加和： $$Momentum_T = \sum_{i=t-T+1}^t r_i$$[12] 因子评价：长周期动量适合捕捉长期趋势，短周期对短期变化更敏感[39] 2 因子名称：全球黄金储备因子 因子构建思路：用90国央行黄金储备量替代传统宏观因子[31] 因子具体构建过程： - 采用90个国家央行自行公布的黄金储备量加总 - 数据频率更高且可追溯性更强[31] 因子评价：相比失业率因子具有更高频特征[31] 模型的回测效果 1 多元线性回归模型(基础版)： - R-squared: 0.800 - Adj R-squared: 0.799 - F-statistic: 1119[23] 2 多元线性回归模型(加入量价因子)： - R-squared: 0.829 - Adj R-squared: 0.828 - F-statistic: 901.5[28] 3 多元线性回归模型(2018-2024年)： - R-squared: 0.910 - Adj R-squared: 0.909 - F-statistic: 563.1[35] 因子的回测效果 1 250日动量因子： - 在模型中t值为11.690 - 系数1.418e+05[28] 2 DT策略信号： - 夏普比率: 0.61 - 卡玛比率: 0.26 - 年化收益: 6%[20] 3 120日动量因子： - 在模型中t值为15.792 - 系数1.221e+05[35]

量化因子与构建方式 1. 因子名称：长单占比因子（LongBuy_1p0、LongBuy_1p5、LongBuy_2p0、LongSell_1p0、LongSell_1p5、LongSell_2p0、LongBuySell_1p0、LongBuySell_1p5、LongBuySell_2p0） - **因子的构建思路**：基于股票交易所逐笔订单数据，统计不同买入或卖出订单号的实际成交完成时间，将成交完成时长大于均值加N倍标准差的订单定义为长单，剩余部分为短单[21][23] - **因子具体构建过程**： - 假设买卖订单中的成交量服从高斯分布 - 计算订单成交完成时间的均值和标准差 - 根据不同的标准差阈值（+1.0、+1.5、+2.0倍标准差）界定长单 - 构建长买单占比因子（LongBuy）、长卖单占比因子（LongSell），并通过相加得到长买长卖单占比因子（LongBuySell） - 短单占比因子等于1减去长单占比因子，因此无需额外构建[21][23] - **因子评价**：长单占比因子能够有效捕捉订单成交时间的特征，具有较强的解释力[21] 2. 因子名称：订单维度解耦的长短单占比因子（LongBuy_LongSell、LongBuy_ShortSell、ShortBuy_LongSell、ShortBuy_ShortSell） - **因子的构建思路**：在长短单因子的基础上，进一步从订单维度解耦，将订单属性拆解为长买单长卖单、长买单短卖单、短买单长卖单、短买单短卖单四种类型[33] - **因子具体构建过程**： - 基于长短单的界定标准（如均值+1.0倍标准差） - 将订单属性按照买入和卖出方向进行组合，构建四种订单维度解耦的因子 - 例如，长买单短卖单因子（LongBuy_ShortSell）表示长买单占比与短卖单占比的组合[33][34] - **因子评价**：通过订单维度的解耦分析，进一步挖掘了订单属性的细节信息，提升了因子的区分能力[33] 3. 因子名称：精选长短单因子组合 - **因子的构建思路**：从上述长短单因子中挑选表现优异者，构建精选因子组合[10][43] - **因子具体构建过程**： - 以因子值对股票进行排序，选取前K个股票（Top-K）构建组合 - 调仓策略为每20个交易日换仓一次，t+1日均价买入，t+21日均价卖出 - 交易费率为双边千分之三[43][44] - **因子评价**：精选因子组合在全市场及各大板块中均表现出色，具有较强的超额收益能力[43] --- 因子的回测效果 1. 长单占比因子 - **5日换仓**： - LongBuySell_1p0因子：RankIC均值7.4%，胜率72%，多头年化收益率22.63%，最大回撤率15.91%，夏普比率1.27[24][28] - 平滑处理后：RankIC均值7.8%，胜率68%，多头年化收益率20.65%，最大回撤率13.44%，夏普比率1.19[24][29] - **20日换仓**： - LongBuySell_1p0因子：RankIC均值10.4%，胜率77%，多头年化收益率23.17%，最大回撤率9.31%，夏普比率1.54[25][30] - 平滑处理后：RankIC均值11.7%，胜率72%，多头年化收益率21.78%，最大回撤率6.84%，夏普比率1.49[25][32] 2. 订单维度解耦的长短单占比因子 - **5日换仓**： - ShortBuy_ShortSell_1p0因子：RankIC均值-7.4%，胜率28%，多头年化收益率22.53%，最大回撤率15.73%，夏普比率1.27[34][38] - 平滑处理后：RankIC均值-7.8%，胜率32%，多头年化收益率20.64%，最大回撤率13.27%，夏普比率1.19[34][37] - **20日换仓**： - ShortBuy_ShortSell_1p0因子：RankIC均值-10.4%，胜率23%，多头年化收益率23.03%，最大回撤率9.17%，夏普比率1.53[36][40] - 平滑处理后：RankIC均值-11.7%，胜率28%，多头年化收益率21.65%，最大回撤率6.79%，夏普比率1.49[36][41] 3. 精选长短单因子组合 - **全市场板块**： - Top-150组合：年化收益率21.41%，最大回撤率18.70%，夏普比率1.31，信息比率1.49[43][49] - **创业板板块**： - Top-150组合：年化收益率21.52%，最大回撤率29.49%，夏普比率1.07，信息比率1.21[50][54] - **沪深300板块**： - Top-50组合：年化收益率6.61%，最大回撤率14.87%，夏普比率0.35，信息比率0.56[56][58] - **中证500板块**： - Top-50组合：年化收益率8.18%，最大回撤率17.63%，夏普比率0.44，信息比率0.64[61][63] - **中证800板块**： - Top-50组合：年化收益率7.93%，最大回撤率16.76%，夏普比率0.44，信息比率0.64[66][69] - **中证1000板块**： - Top-50组合：年化收益率10.59%，最大回撤率20.40%，夏普比率0.58，信息比率0.75[73][74]

量化模型与构建方式 1. 五维行业轮动模型 1. 模型名称：五维行业轮动模型[8] 2. 模型构建思路：基于东吴金工特色选股多因子体系，从微观个股层面出发构建行业轮动模型[8] 3. 模型具体构建过程： - 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] - 利用风格指标对行业内部股票进行划分[8] - 构建行业内部离散指标与行业内部牵引指标[8] - 合成五类行业因子：波动率、基本面、成交量、情绪、动量[8] 4. 模型评价：加入质量因子提升了基本面维度和模型整体的稳定性[3] 2. 沪深300指数增强策略 1. 模型名称：基于五维行业轮动的沪深300指数增强策略[24] 2. 模型构建思路：利用五维行业轮动模型筛选行业进行指数增强[24] 3. 模型具体构建过程： - 每月末取第一组五个行业为增强行业，最后一组五个行业为剔除行业[24] - 剔除属于剔除行业的股票[24] - 将被剔除行业的股票权重等比例赋予增强行业的股票[24] - 构成新的沪深300增强组合，月频调仓[24] 量化因子与构建方式 1. 波动率因子 1. 因子名称：波动率因子[8] 2. 因子构建思路：基于行业内部股票波动率特征构建[8] 2. 基本面因子 1. 因子名称：基本面因子[8] 2. 因子构建思路：基于行业基本面特征构建，加入了质量因子提升稳定性[3] 3. 成交量因子 1. 因子名称：成交量因子[8] 2. 因子构建思路：基于行业成交量特征构建[8] 4. 情绪因子 1. 因子名称：情绪因子[8] 2. 因子构建思路：基于市场情绪特征构建[8] 5. 动量因子 1. 因子名称：动量因子[8] 2. 因子构建思路：基于价格动量特征构建[8] 模型的回测效果 1. 五维行业轮动模型(新) 1. 六分组多空对冲： - 年化收益率：24.26%[15] - 年化波动率：10.46%[15] - IR：2.32[15] - 月度胜率：76.11%[15] - 最大回撤：13.15%[15] 2. 多头对冲全市场行业等权组合： - 年化收益率：11.70%[18] - 年化波动率：6.73%[18] - IR：1.74[18] - 月度胜率：69.91%[18] - 最大回撤：7.87%[18] 2. 沪深300指数增强策略 1. 增强策略： - 年化收益率：10.07%[26] - 波动率：20.25%[26] - IR：0.50[26] - 胜率：52.73%[26] - 最大回撤：27.49%[26] 2. 超额表现： - 年化收益率：13.40%[26] - 波动率：7.52%[26] - IR：1.78[26] - 胜率：70.00%[26] - 最大回撤：5.24%[26] 因子的回测效果 1. 五维因子多空对冲表现(2015/01-2024/07) 1. 波动率因子： - 年化收益率：13.63%[16] - 波动率：9.86%[16] - IR：1.38[16] - 胜率：61.40%[16] - 最大回撤：9.82%[16] - IC：-0.09[16] - ICIR：-1.64[16] - RankIC：-0.08[16] - RankICIR：-1.31[16] 2. 基本面因子： - 年化收益率：8.85%[16] - 波动率：11.36%[16] - IR：0.78[16] - 胜率：57.89%[16] - 最大回撤：20.54%[16] - IC：0.07[16] - ICIR：1.08[16] - RankIC：0.05[16] - RankICIR：0.88[16] 3. 成交量因子： - 年化收益率：9.01%[16] - 波动率：12.21%[16] - IR：0.74[16] - 胜率：59.65%[16] - 最大回撤：17.51%[16] - IC：-0.07[16] - ICIR：-1.06[16] - RankIC：-0.07[16] - RankICIR：-1.08[16] 4. 情绪因子： - 年化收益率：9.28%[16] - 波动率：13.15%[16] - IR：0.71[16] - 胜率：66.67%[16] - 最大回撤：13.56%[16] - IC：0.04[16] - ICIR：0.67[16] - RankIC：0.04[16] - RankICIR：0.62[16] 5. 动量因子： - 年化收益率：11.30%[16] - 波动率：10.60%[16] - IR：1.07[16] - 胜率：61.95%[16] - 最大回撤：13.52%[16] - IC：0.02[16] - ICIR：0.33[16] - RankIC：0.04[16] - RankICIR：0.63[16]

量化模型与构建方式 1. **模型名称**：预期高股息组合模型 - **模型构建思路**：采用两阶段构建预期股息率指标，结合短期反转因子与盈利因子筛选沪深300成份股，每月调仓一次[10] - **模型具体构建过程**： 1. **股票池筛选**：剔除停牌及涨停的沪深300成份股[15] 2. **动量剔除**：剔除21日累计涨幅最高的20%个股（反转因子应用）[15] 3. **盈利剔除**：剔除单季度净利润同比增长率小于0的股票（盈利因子应用）[15] 4. **预期股息率排序**：在剩余个股中按预期股息率排序，选取前30只等权构建组合[11] - **模型评价**：历史表现稳健，超额收益显著且回撤控制较好[13] 2. **模型名称**：红利择时框架 - **模型构建思路**：基于通胀、流动性、利率及市场情绪等5个单因子合成信号判断红利资产多空方向[27] - **模型具体构建过程**： - 单因子信号包括PPI同比（通胀）、M2同比（流动性）、M1-M2剪刀差（流动性）、美国10年期国债收益率（利率）、红利股成交额占比（市场情绪）[27] - 合成信号通过加权或逻辑判断生成最终多空信号（1为看多，0为看空）[27] --- 量化因子与构建方式 1. **因子名称**：预期股息率因子 - **因子构建思路**：分两阶段计算股息率，第一阶段基于年报公告利润分配，第二阶段结合历史分红与基本面指标预测[10] - **因子具体构建过程**：未披露详细公式，但强调基本面指标（如ROE、现金流）与历史分红稳定性的关联性[10] 2. **因子名称**：反转因子 - **因子构建思路**：通过短期价格动量筛选低动量股票[15] - **因子具体构建过程**：计算21日累计涨幅并剔除最高20%个股[15] 3. **因子名称**：盈利因子 - **因子构建思路**：筛选盈利持续改善的股票[15] - **因子具体构建过程**：剔除单季度净利润同比增长率为负的个股[15] --- 模型的回测效果 1. **预期高股息组合模型**： - **累计收益**：358.90%（2009年2月至2017年8月）[13] - **累计超额收益**：107.44%（相对沪深300全收益指数）[13] - **年化超额收益**：8.87%[13] - **最大回撤**：滚动一年最大回撤12.26%[13] - **月度胜率**：60.19%[13] - **近期表现**：2024年7月跑赢沪深300指数0.98%，跑赢中证红利指数4.90%[16] 2. **红利择时框架**： - **最新信号**：2024年8月合成信号为1（看多红利）[27] --- 因子的回测效果 （报告中未单独披露因子测试指标，仅展示组合整体效果）

量化模型与构建方式 1. 模型名称：SAC强化学习模型 - **模型构建思路**：基于Actor-Critic框架的深度强化学习方法，通过双Q网络降低Q值高估风险，并引入熵正则化项以鼓励策略探索[2][20][22] - **模型具体构建过程**： 1. **双Q网络**：使用两个独立的Q网络对目标函数进行估计，目标值计算时选择最小的一个，降低Q值高估风险 2. **熵正则化项**：在目标函数中加入熵正则化项，公式如下： $$ J_{\pi}=\sum_{t=0}^{T}E_{\pi_{\theta}}[r_{t}+\gamma E_{s_{t+1}\sim p(s_{t+1}|s_{t},a_{t})}\left[Q(S_{t+1},a_{t+1})-\alpha\log\pi_{\theta}(a_{t+1}|s_{t+1})\right]] $$ 其中，$r_t$为即时奖励，$\gamma$为折现因子，$\alpha$为熵正则项权重[22][23] 3. **自适应熵系数**：通过优化熵系数动态调整策略的探索程度[23] 4. **目标函数优化**：价值网络梯度优化公式为： $$ \min_{\phi} \mathbb{E}_{(s,a)\sim D} \left[ \frac{1}{2} \left( Q_{\phi}(s,a) - \hat{Q}(s,a) \right)^2 \right] $$ 策略网络梯度优化公式为： $$ \operatorname*{min}_{\theta}\mathbb{E}_{s_{t}\sim D}\left[D\pi_{\theta}(\,\cdot|\,s_{t}\,)/Z_{\phi}(s_{t})\right] $$ 其中，$\hat{Q}(s,a)$为目标Q值，$Z_{\phi}(s_t)$为归一化因子[37] - **模型评价**：通过双Q网络和熵正则化项的引入，模型有效避免了过拟合和局部最优问题，同时提升了策略的探索能力[2][23] 2. 模型名称：StockFormer强化学习模型 - **模型构建思路**：结合Transformer深度学习与SAC强化学习，通过多头注意力机制提取市场状态，优化交易决策[3][26][34] - **模型具体构建过程**： 1. **Transformer模块**： - 使用三个Transformer网络分别预测市场相关状态、短期收益状态和长期收益状态 - 改进Transformer的多头注意力机制，用多头前馈网络（FFNs）代替单个FFN，增强特征解耦能力[30][33] - 输入数据包括个股量价信息、技术因子等，输出潜在状态表示[30][33] 2. **状态合成**：将三个Transformer的输出通过多头注意力层整合为未来状态，再与关系状态合并为SAC的输入状态[34] 3. **SAC强化学习**： - SAC部分继承了Transformer网络结构，输出每日交易行为与持仓 - 奖励函数替换为超额收益-跟踪误差-交易费用，优化交易策略[34][37] - **模型评价**：通过结合深度学习与强化学习，模型在收益弹性和市场主线识别能力上表现优异，但在低频交易中效果有所下降[49][52] 3. 模型名称：Transformer模型 - **模型构建思路**：基于Transformer深度学习模型，通过多头注意力机制预测个股周度收益排序，构建指数增强组合[4][39] - **模型具体构建过程**： 1. **输入数据**：日频行情与20个日频技术因子，包括情绪、动量等因子[39][41] 2. **模型结构**： - 输入维度为26，隐藏层维度为64，层数为2，注意力头数为10 - 损失函数为负IC，优化器为Adam，学习率为0.001[40] 3. **训练与回测**： - 半年度训练一次，训练集+验证集为6年，随机取20%天数作为验证集 - 回测窗口为2019年至2024年5月31日，交易费用为双边千分之三[44] - **模型评价**：模型表现稳定，但在风格适应性和交易拥挤问题上存在一定局限性[44][45] --- 模型的回测效果 1. SAC强化学习模型 - 年化收益：32.7% - 超额收益：29.1% - 信息比率（IR）：2.57 - 周度胜率：60.1% - 最大回撤：-5.5% - 双边换手率：71.14倍[49][50] 2. StockFormer强化学习模型 - 年化收益：32.7% - 超额收益：29.1% - 信息比率（IR）：2.57 - 周度胜率：60.1% - 最大回撤：-5.5% - 双边换手率：71.14倍[49][50] 3. Transformer模型 - 年化收益：17.2% - 超额收益：13.8% - 信息比率（IR）：2.36 - 周度胜率：64.5% - 最大回撤：-4.2% - 双边换手率：35.50倍[44][45] --- 量化因子与构建方式 1. 因子名称：Transformer因子 - **因子构建思路**：基于Transformer模型输出的个股周度收益排序作为选股因子[39][41] - **因子具体构建过程**： 1. **输入数据**：过去60个交易日的个股量价信息与20个技术因子 2. **模型输出**：个股未来5日收益排序分位数，作为因子[40] 3. **因子表现**：周度RankIC均值为10.3%，ICIR为1.02[41][42] - **因子评价**：因子表现尚可，但受限于中证1000成分股的训练范围，可能影响预测效果[41][42] --- 因子的回测效果 1. Transformer因子 - 年化收益：17.2% - 超额收益：13.8% - 信息比率（IR）：2.36 - 周度胜率：64.5% - 最大回撤：-4.2% - 双边换手率：35.50倍[44][45]

- 本周市场整体呈现震荡下行态势，沪深两市成交额一度回落至6000亿以下，仅国防军工行业录得正收益[4][8] - 宽基ETF资金净流入超400亿元，其中300ETF净流入约293亿元[3][38] - 主动权益型基金仓位较上周明显抬升，平均仓位约为86.15%，其中普通股票型基金仓位为87.82%[14][16] - 中盘成长风格仓位上调至28.61%，小盘成长仓位下降至25.36%[24] - 主动权益型基金行业配置中，机械、电子行业配比上调较多，家电行业配比明显下降[28][29] - 基于绩优基金的行业轮动模型显示，超配行业包括有色金属、煤炭、电力及公用事业等，低配行业包括食品饮料、非银行金融等[31][35] - 境内新成立基金21只，总份额约165.95亿元，其中债券型基金占比最高[45][76]

量化因子与构建方式 单因子表现 - **因子名称**：日内波动率与成交金额的相关性 **因子的构建思路**：通过衡量日内波动率与成交金额之间的相关性，捕捉市场短期波动特征 **因子具体构建过程**：计算日内波动率与成交金额的相关性，剔除行业与市值影响后，构建多头组合相对于基准指数的超额收益[8][9][11] - **因子名称**：市净率因子 **因子的构建思路**：基于市净率（PB）衡量股票的估值水平，低市净率股票可能具有更高的投资价值 **因子具体构建过程**：计算股票的市净率，剔除行业与市值影响后，构建多头组合相对于基准指数的超额收益[8][9][11] - **因子名称**：下行波动率占比 **因子的构建思路**：通过衡量下行波动率在总波动率中的占比，捕捉市场风险特征 **因子具体构建过程**：计算下行波动率占比，剔除行业与市值影响后，构建多头组合相对于基准指数的超额收益[8][9][11] - **因子名称**：ROIC增强因子 **因子的构建思路**：基于投资回报率（ROIC）增强策略，捕捉高回报率股票的超额收益潜力 **因子具体构建过程**：计算ROIC指标，剔除行业与市值影响后，构建多头组合相对于基准指数的超额收益[8][9][11] 大类因子表现 - **因子名称**：估值因子 **因子的构建思路**：通过估值指标（如市盈率、市净率等）衡量股票的投资价值 **因子具体构建过程**：基于估值指标构建因子，剔除行业与市值影响后，计算全市场股票池的超额收益[17] - **因子名称**：市值因子 **因子的构建思路**：通过市值大小捕捉市场风格特征 **因子具体构建过程**：基于市值大小构建因子，剔除行业与市值影响后，计算全市场股票池的超额收益[17] - **因子名称**：非线性市值因子 **因子的构建思路**：通过非线性方式衡量市值对股票收益的影响 **因子具体构建过程**：基于非线性市值构建因子，剔除行业与市值影响后，计算全市场股票池的超额收益[17] - **因子名称**：残差波动率因子 **因子的构建思路**：通过残差波动率衡量股票的风险特征 **因子具体构建过程**：基于残差波动率构建因子，剔除行业与市值影响后，计算全市场股票池的超额收益[17] 行业内因子表现 - **因子名称**：净资产增长率因子 **因子的构建思路**：通过净资产增长率衡量企业的成长性 **因子具体构建过程**：计算净资产增长率，剔除行业与市值影响后，分析在各行业的表现[20] - **因子名称**：净利润增长率因子 **因子的构建思路**：通过净利润增长率衡量企业盈利能力的提升 **因子具体构建过程**：计算净利润增长率，剔除行业与市值影响后，分析在各行业的表现[20] - **因子名称**：BP因子 **因子的构建思路**：基于账面市值比（BP）衡量股票的估值水平 **因子具体构建过程**：计算BP指标，剔除行业与市值影响后，分析在各行业的表现[20] - **因子名称**：EP因子 **因子的构建思路**：基于市盈率倒数（EP）衡量股票的估值水平 **因子具体构建过程**：计算EP指标，剔除行业与市值影响后，分析在各行业的表现[20] --- 因子的回测效果 单因子表现 - **沪深300股票池** - 日内波动率与成交金额的相关性：最近1周收益2.11%，最近1个月收益3.46%，最近1年收益2.37%，最近10年净值曲线82.45%[9] - 市净率因子：最近1周收益1.92%，最近1个月收益1.49%，最近1年收益16.20%，最近10年净值曲线90.30%[9] - 下行波动率占比：最近1周收益1.79%，最近1个月收益3.21%，最近1年收益9.67%，最近10年净值曲线94.64%[9] - ROIC增强因子：最近1周收益-1.49%，最近1个月收益-2.23%，最近1年收益-2.83%，最近10年净值曲线51.24%[9] - **中证500股票池** - 下行波动率占比：最近1周收益2.59%，最近1个月收益3.94%，最近1年收益2.30%，最近10年净值曲线183.07%[12] - 市净率因子：最近1周收益2.01%，最近1个月收益4.05%，最近1年收益7.74%，最近10年净值曲线122.82%[12] - 日内波动率与成交金额的相关性：最近1周收益1.74%，最近1个月收益2.09%，最近10年净值曲线158.33%[12] - ROIC增强因子：最近1周收益-0.78%，最近1个月收益-1.11%，最近1年收益3.31%，最近10年净值曲线216.99%[12] - **流动性1500股票池** - 对数市值因子：最近1周收益1.69%，最近1个月收益0.64%，最近1年收益-0.41%，最近10年净值曲线4.45%[15] - 下行波动率占比：最近1周收益1.45%，最近1个月收益2.85%，最近1年收益2.45%，最近10年净值曲线146.61%[15] - 日内波动率与成交金额的相关性：最近1周收益1.21%，最近1个月收益2.38%，最近1年收益2.01%，最近10年净值曲线194.60%[15] - ROIC增强因子：最近1周收益-1.53%，最近1个月收益-1.15%，最近10年净值曲线155.57%[15] 大类因子表现 - 估值因子：本周全市场股票池收益0.59%[17] - 市值因子：本周全市场股票池收益-1.26%[17] - 非线性市值因子：本周全市场股票池收益-0.51%[17] - 残差波动率因子：本周全市场股票池收益-0.50%[17] 行业内因子表现 - 净资产增长率因子：在农林牧渔、银行和休闲服务行业取得正收益[20] - 净利润增长率因子：在农林牧渔、银行和休闲服务行业取得正收益[20] - BP因子：在多数行业正收益明显[20] - EP因子：在多数行业取得负收益[20]

根据提供的文档内容，未发现任何关于量化模型或量化因子的具体描述、构建思路、构建过程、公式或测试结果等相关内容