量化模型与因子总结 量化因子与构建方式 1. **因子名称：DL_EM_Dynamic因子** * **因子构建思路**：采用矩阵分解算法从基金选股网络中提取股票的内在属性，并将其与LSTM生成的因子表示结合，构建动态市场状态因子以增强模型表现[19]。 * **因子具体构建过程**： 1. 利用基金年报、半年报的持仓数据，采用矩阵分解方法，将基金-股票的投资网络矩阵分解为基金内在属性矩阵和股票内在属性矩阵。 2. 使用LSTM模型处理量价等时序数据，生成股票的动态因子表示。 3. 将矩阵分解得到的静态股票内在属性，通过计算其与当日市场热度风格的相似度，转化为动态市场状态因子。 4. 将LSTM生成的动态因子表示与动态市场状态因子进行拼接。 5. 将拼接后的特征共同输入到多层感知机（MLP）中进行训练，最终输出因子预测值[19]。 2. **因子名称：Meta_RiskControl因子** * **因子构建思路**：在深度学习模型中引入风格暴露控制，通过修改损失函数加入风格偏离惩罚，并结合元增量学习框架使模型快速适应市场变化，以控制策略回撤风险[26]。 * **因子具体构建过程**： 1. 模型基础架构为加入了风格因子输入的ALSTM（Attention LSTM）模型。 2. 将模型的预测输出乘以对应股票的因子暴露（即风格暴露）。 3. 设计新的损失函数，在RankIC的基础上，添加对于风格偏离与风格动量的惩罚项。具体地，用预测标签的多头部分风格暴露减去空头部分风格暴露，作为惩罚项的一部分。 4. 在外层训练框架上，沿用元增量学习（Meta Incremental Learning）框架，根据近期市场数据分布对模型进行快速调整和更新[26]。 3. **因子名称：Meta_Master因子** * **因子构建思路**：改进MASTER模型，通过引入由深度风险模型计算的新市场状态特征，并替换损失函数和采用元增量学习训练框架，以提升模型对市场状态的自适应能力和预测准确性[36]。 * **因子具体构建过程**： 1. 市场状态构建：利用深度风险模型（相比Barra风格因子对收益解释度提升5%）计算市场状态；利用近期上涨最好股票的风格来衡量近期市场偏好，共计构建120个新特征来代表市场状态。 2. 模型基础：基于改进的MASTER（Market-Guided Stock Transformer）模型，该模型旨在捕获股票间瞬时和跨时间的相关性，并利用市场信息进行自动特征选择。 3. 损失函数：将损失函数替换为加权均方误差（Weighted MSE），通过放大多头端的预测误差来提高模型在多头端预测的准确率。 4. 训练框架：利用在线的元增量学习（Online Meta Incremental Learning）对模型进行定期更新，使模型能快速适应动态变化的市场[36]。 4. **因子名称：深度学习可转债因子** * **因子构建思路**：针对可转债特性，利用GRU神经网络学习其非线性定价逻辑，通过引入可转债特有的时序因子并与截面属性因子结合，以提升传统可转债投资策略的效果[50]。 * **因子具体构建过程**： 1. 使用门控循环单元（GRU）神经网络作为基础模型，处理可转债的时序数据。 2. 将可转债特有的时序因子（如溢价率、波动率等）引入到GRU模型中。 3. 将GRU模型的输出与可转债的截面属性因子（如转债规模、评级、行业等）进行拼接。 4. 将拼接后的综合特征输入到预测层，用于预测可转债的未来收益[50]。 因子回测效果 1. **DL_EM_Dynamic因子** * 最近一月（4周）表现（中证1000）：RankIC 11.3%, 多空收益 1.4%, 多头超额收益 0.4%[7] * 最近一季（12周）表现（中证1000）：RankIC 9.5%, 多空收益 0.1%, 多头超额收益 -0.9%[7] * 今年表现（中证1000）：RankIC 10.6%, 多空收益 22.3%, 多头超额收益 4.9%[9] * 全历史表现（2019年至今，中证1000）：RankIC 8.3%, 多空收益 65.8%, 多头超额收益 12.2%[9] * 指数增强组合（中证1000，2019年以来）：年化收益 29.7%, 年化超额收益 23.4%, 信息比率(IR) 2.03, 超额收益累计最大回撤 -10.1%[23] 2. **Meta_RiskControl因子** * **全A域表现**: * 最近一月（4周）：RankIC 15.5%, 多空收益 5.2%, 多头超额收益（vs中证800）2.7%[7] * 最近一季（12周）：RankIC 12.2%, 多空收益 9.1%, 多头超额收益（vs中证800）8.9%[7] * 今年表现：RankIC 12.3%, 多空收益 41.0%, 多头超额收益（vs中证800）29.0%[9] * 全历史表现（2019年至今）：RankIC 10.6%, 多空收益 90.3%, 多头超额收益（vs中证800）25.0%[9] * **沪深300增强组合**（2019年以来）：年化收益 20.1%, 年化超额收益 15.0%, 信息比率(IR) 1.58, 超额收益累计最大回撤 -5.8%[31] * **中证500增强组合**（2019年以来）：年化收益 26.1%, 年化超额收益 19.2%, 信息比率(IR) 1.97, 超额收益累计最大回撤 -9.3%[33] * **中证1000增强组合**（2019年以来）：年化收益 34.1%, 年化超额收益 27.0%, 信息比率(IR) 2.36, 超额收益累计最大回撤 -10.2%[35] 3. **Meta_Master因子** * **全A域表现**: * 最近一月（4周）：RankIC 18.9%, 多空收益 5.4%, 多头超额收益（vs中证800）5.1%[7] * 最近一季（12周）：RankIC 14.6%, 多空收益 20.3%, 多头超额收益（vs中证800）19.0%[7] * 今年表现：RankIC 13.5%, 多空收益 64.0%, 多头超额收益（vs中证800）36.8%[9] * 全历史表现（2019年至今）：RankIC 11.7%, 多空收益 90.4%, 多头超额收益（vs中证800）35.6%[9] * **沪深300增强组合**（2019年以来）：年化收益 22.0%, 年化超额收益 17.5%, 信息比率(IR) 2.09, 超额收益累计最大回撤 -7.2%[39] * **中证500增强组合**（2019年以来）：年化收益 23.8%, 年化超额收益 18.2%, 信息比率(IR) 1.9, 超额收益累计最大回撤 -5.8%[45] * **中证1000增强组合**（2019年以来）：年化收益 30.7%, 年化超额收益 25.2%, 信息比率(IR) 2.33, 超额收益累计最大回撤 -8.8%[47] 4. **深度学习可转债因子** * **中证转债域**: * 最近一月（4周）：RankIC 10.1%, 多头超额收益（vs中证转债）0.9%[7] * 最近一季（12周）：RankIC 7.5%, 多头超额收益（vs中证转债）1.2%[7] * 今年表现：RankIC 7.1%, 多头超额收益（vs中证转债）0.3%[9] * 全历史表现（2021年至今）：RankIC 12.0%, 多头超额收益（vs中证转债）9.9%[9] * **分类型表现（2021年以来Top50组合年化超额收益）**: * 偏债型：4.4%[55] * 平衡型：4.0%[55] * 偏股型：5.8%[55] * 偏债+平衡混合策略：10.9%[55]

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. **主动偏股基金仓位高频估测模型** - 构建思路：基于基金每日净值序列，采用带约束条件的多元回归模型估算股票仓位[61] - 具体构建： 1. 以基准指数或构建的资产序列作为自变量 2. 通过回归分析寻找最优仓位估计 3. 构建模拟组合提升估算准确性 4. 输出整体仓位变动趋势及行业配置偏好 - 模型评价：解决了公募基金仓位披露频率低的问题，但估算结果与实际仓位存在差异[61] 2. **REITs指数系列模型** - 构建思路：通过指数化投资反映REITs市场表现，区分底层资产类型[45] - 具体构建： 1. 采用分级靠档法稳定样本份额 2. 使用除数修正法处理非交易因素变动（如新发、扩募） 3. 提供价格指数和全收益指数双版本 4. 细分产权类/特许经营权类指数及12类项目指数[45][46] - 模型评价：为资产配置提供标准化工具，但需注意高分红特性对指数的影响[45] 量化因子与构建方式 1. **行业主题基金标签因子** - 构建思路：通过持仓分析定义基金的长期行业属性[34] - 具体构建： 1. 提取近四期中报/年报持仓数据 2. 划分三类标签： - 行业主题基金（明确主题集中度） - 行业轮动基金（持仓切换显著） - 行业均衡基金（分散配置） 3. 构建对应主题指数（如TMT/新能源/医药等9类）[34][36] - 因子评价：有效区分基金风格，但需动态跟踪标签变化[34] 2. **ETF资金流向因子** - 构建思路：监控不同类型ETF的资金净流入与收益率关系[53][58] - 具体构建： 1. 按宽基/行业/主题等21类细分ETF 2. 计算周度资金净流入： $$净流入 = 当日份额 \times 单位净值 - 前日份额 \times 前日净值$$ 3. 结合收益率分析市场偏好[58] - 因子评价：反映短期市场情绪，但对异常规模变动需过滤[53] 模型的回测效果 1. **REITs指数模型** - 综合指数：年化收益0.32%，最大回撤-42.67%，夏普比率-0.11[48] - 细分指数： - 消费基础设施REITs表现最佳（年化10.69%，夏普0.86） - 特许经营权类REITs表现最差（年化-3.97%）[48] 2. **行业主题基金指数** - TMT主题：本周收益6.16%，年内累计收益32.97%[34][40] - 消费主题：本周收益1.36%，月度波动率最低（3.12%）[36] 因子的回测效果 1. **ETF资金流向因子** - 金融科技ETF：周净流出6.65亿元，但收益率达11.53%[58] - 医药主题ETF：周净流入19.78亿元，收益率3.16%[58] 2. **行业配置因子** - 通信行业：本周仓位增加幅度最大（+2.07pcts）[65] - 银行行业：仓位减持最显著（-1.94pcts）[65] （注：原文未涉及部分模型/因子的具体公式或评价内容已按规则省略）

量化模型与因子总结 量化因子与构建方式 1. 基本面因子 1.1 样例价值因子 - **因子名称**: EP_TTM[36] - **构建思路**: 衡量公司盈利与市值的相对关系，属于经典价值投资框架[36] - **具体构建过程**: 使用TTM口径的归属于母公司所有者的净利润除以总市值 $$ \text{EP\_TTM} = \frac{\text{ttm}(\text{npparentcompanyowners})}{\text{mv}} $$ 其中，`ttm`为滚动四季度的算子，`get`为取数函数[36] - **因子名称**: EP_TTM_DEDUCTED[36] - **构建思路**: 使用扣非净利润来更纯粹地衡量主营业务盈利与市值的关系[36] - **具体构建过程**: 使用TTM口径的扣除非经常性损益后的归母净利润除以总市值 $$ \text{EP\_TTM\_DEDUCTED} = \frac{\text{ttm}(\text{npdeductnonrecurringpl})}{\text{mv}} $$[36] - **因子名称**: BP_LF[36] - **构建思路**: 衡量公司净资产与市值的相对关系（市净率倒数）[36] - **具体构建过程**: 使用归属母公司所有者权益合计除以总市值 $$ \text{BP\_LF} = \frac{\text{sewithoutmi}}{\text{mv}} $$[36] - **因子名称**: SP_TTM[36] - **构建思路**: 衡量公司销售收入与市值的相对关系（市销率倒数）[36] - **具体构建过程**: 使用TTM口径的营业收入除以总市值 $$ \text{SP\_TTM} = \frac{\text{ttm}(\text{operatingrevenue})}{\text{mv}} $$[36] - **因子名称**: OCFP_TTM[36] - **构建思路**: 衡量公司经营活动现金流与市值的相对关系[36] - **具体构建过程**: 使用TTM口径的经营活动现金净流量除以总市值 $$ \text{OCFP\_TTM} = \frac{\text{ttm}(\text{netoperatecashflow})}{\text{mv}} $$[36] - **因子名称**: DIVIDEND_YIELD_TTM[36] - **构建思路**: 衡量公司分红回报率[36] - **具体构建过程**: 使用近12个月分红总额除以总市值 $$ \text{DIVIDEND\_YIELD\_TTM} = \frac{\text{dividend\_ttm}}{\text{mv}} $$[36] 1.2 AI生成价值因子 - **因子名称**: FCFEP_TTM[38] - **构建思路**: 衡量股权自由现金流与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的股权自由现金流除以总市值 $$ \text{FCFEP\_TTM} = \frac{\text{ttm}(\text{fcfe})}{\text{mv}} $$[38] - **因子名称**: EBITDA_P_TTM[38] - **构建思路**: 衡量息税折旧摊销前利润与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的EBITDA除以总市值 $$ \text{EBITDA\_P\_TTM} = \frac{\text{ttm}(\text{ebitda})}{\text{mv}} $$[38] - **因子名称**: FCFFP_TTM[38] - **构建思路**: 衡量企业自由现金流与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的企业自由现金流除以总市值 $$ \text{FCFFP\_TTM} = \frac{\text{ttm}(\text{fcff})}{\text{mv}} $$[38] - **因子名称**: GP_TTM[38] - **构建思路**: 衡量毛利与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的毛利除以总市值 $$ \text{GP\_TTM} = \frac{\text{ttm}(\text{grossprofit})}{\text{mv}} $$[38] - **因子名称**: TBPR_LF[38] - **构建思路**: 衡量有形资产净值与市值的相对关系[38] - **具体构建过程**: 使用有形资产净值除以总市值 $$ \text{TBPR\_LF} = \frac{\text{nettangibleassets}}{\text{mv}} $$[38] - **因子名称**: OPP_TTM[38] - **构建思路**: 衡量营业利润与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的营业利润除以总市值 $$ \text{OPP\_TTM} = \frac{\text{ttm}(\text{operatingprofit})}{\text{mv}} $$[38] - **因子名称**: CSHREVP_TTM[38] - **构建思路**: 衡量销售商品提供劳务收到的现金与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的销售商品提供劳务收到的现金除以总市值 $$ \text{CSHREVP\_TTM} = \frac{\text{ttm}(\text{goodssaleservicerendercash})}{\text{mv}} $$[38] - **因子名称**: REP_LF[38] - **构建思路**: 衡量留存收益与市值的相对关系，反映公司内源性资本积累[38][45] - **具体构建过程**: 使用留存收益除以总市值 $$ \text{REP\_LF} = \frac{\text{retainedearnings}}{\text{mv}} $$[38] - **因子评价**: 与样例因子相关性低，具备独特逻辑视角，衡量市场对公司长期价值创造能力的定价[45] - **因子名称**: OEP_TTM[38] - **构建思路**: 衡量所有者盈余与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的（归母净利润+折旧摊销-资本性支出）除以总市值 $$ \text{OEP\_TTM} = \frac{\text{ttm}(\text{npparentcompanyowners}) + \text{ttm}(\text{currentaccruedda}) - \text{ttm}(\text{fixintanotherassetacquicash})}{\text{mv}} $$[38] - **因子名称**: EBITP_TTM[38] - **构建思路**: 衡量息税前利润与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的EBIT除以总市值 $$ \text{EBITP\_TTM} = \frac{\text{ttm}(\text{ebit})}{\text{mv}} $$[38] - **因子名称**: TCIP_TTM[38] - **构建思路**: 衡量综合收益总额与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的归属于母公司所有者的综合收益除以总市值 $$ \text{TCIP\_TTM} = \frac{\text{ttm}(\text{ciparentcompanyowners})}{\text{mv}} $$[38] - **因子名称**: NWCP_LF[38] - **构建思路**: 衡量净营运资本与市值的相对关系[38] - **具体构建过程**: 使用净营运资本除以总市值 $$ \text{NWCP\_LF} = \frac{\text{networkingcaital}}{\text{mv}} $$[38] - **因子名称**: CEP_TTM[38] - **构建思路**: 衡量现金收益与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的（归母净利润+折旧摊销）除以总市值 $$ \text{CEP\_TTM} = \frac{\text{ttm}(\text{npparentcompanyowners}) + \text{ttm}(\text{currentaccruedda})}{\text{mv}} $$[38] - **因子名称**: CGP_TTM[38] - **构建思路**: 衡量现金毛利与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的（销售商品收到现金-购买商品支付现金）除以总市值 $$ \text{CGP\_TTM} = \frac{\text{ttm}(\text{goodssaleservicerendercash}) - \text{ttm}(\text{goodsservicescashpaid})}{\text{mv}} $$[38] - **因子评价**: 对OCFP_TTM因子的成功增强，更纯粹反映主营业务造血能力[56] - **因子名称**: TPP_TTM[38] - **构建思路**: 衡量利润总额与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的利润总额除以总市值 $$ \text{TPP\_TTM} = \frac{\text{ttm}(\text{totalprofit})}{\text{mv}} $$[38] - **因子名称**: TPICP_LF[38] - **构建思路**: 衡量实收资本与市值的相对关系[38] - **具体构建过程**: 使用实收资本除以总市值 $$ \text{TPICP\_LF} = \frac{\text{totalpaidincapital}}{\text{mv}} $$[38] - **因子名称**: NIEOAP_TTM[38] - **构建思路**: 衡量经营活动净收益与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的经营活动净收益除以总市值 $$ \text{NIEOAP\_TTM} = \frac{\text{ttm}(\text{netincomefromoperating})}{\text{mv}} $$[38] - **因子名称**: NOAP_LF[38] - **构建思路**: 衡量净营运资产与市值的相对关系[38] - **具体构建过程**: 使用（总资产-货币资金-（总负债-带息债务））除以总市值 $$ \text{NOAP\_LF} = \frac{(\text{totalassets} - \text{cashequivalents}) - (\text{totalliability} - \text{interestbeardebt})}{\text{mv}} $$[38] - **因子名称**: TOTAL_YIELD_PLUS_TTM[38] - **构建思路**: 衡量（分红+净偿还债务）与市值的相对关系[38] - **具体构建过程**: 使用（近12个月分红+（4季度前带息债务-当期带息债务））除以总市值 $$ \text{TOTAL\_YIELD\_PLUS\_TTM} = \frac{\text{dividend\_ttm} + (\text{refq}(\text{interestbeardebt}, 4) - \text{interestbeardebt})}{\text{mv}} $$[38] - **因子名称**: REINVESTMENT_YIELD_TTM[38] - **构建思路**: 衡量（净利润-分红）与市值的相对关系，反映再投资水平[38] - **具体构建过程**: 使用TTM口径的（归母净利润-近12个月分红）除以总市值 $$ \text{REINVESTMENT\_YIELD\_TTM} = \frac{\text{ttm}(\text{npparentcompanyowners}) - \text{dividend\_ttm}}{\text{mv}} $$[38] 1.3 样例质量因子 - **因子名称**: EPS_QR[68] - **构建思路**: 衡量单季度每股收益[68] - **具体构建过程**: 使用单季度归母净利润除以最新总股本 $$ \text{EPS\_QR} = \frac{\text{quarter}(\text{npparentcompanyowners})}{\text{paidincapital}} $$[68] - **因子名称**: EPS_TTM[68] - **构建思路**: 衡量TTM口径的每股收益[68] - **具体构建过程**: 使用TTM口径的归母净利润除以最新总股本 $$ \text{EPS\_TTM} = \frac{\text{ttm}(\text{npparentcompanyowners})}{\text{paidincapital}} $$[68] - **因子名称**: BPS_LF[68] - **构建思路**: 衡量每股净资产[68] - **具体构建过程**: 使用归属母公司所有者权益合计除以最新总股本 $$ \text{BPS\_LF} = \frac{\text{sewithoutmi}}{\text{paidincapital}} $$[68] - **因子名称**: ROE_QR[68] - **构建思路**: 衡量单季度净资产收益率[68] - **具体构建过程**: 使用2倍单季度归母净利润除以（当期+上期）股东权益合计平均值 $$ \text{ROE\_QR} = \frac{2 \times \text{quarter}(\text{npparentcompanyowners})}{\text{sewithoutmi} + \text{refq}(\text{sewithoutmi}, 1)} $$[68] - **因子名称**: ROE_TTM[68] - **构建思路**: 衡量TTM口径的净资产收益率[68] - **具体构建过程**: 使用TTM口径的归母净利润除以股东权益合计平均值 $$ \text{ROE\_TTM} = \frac{\text{ttm}(\text{npparentcompanyowners})}{(\text{sewithoutmi} + \text{refq}(\text{sewithoutmi}, 1))/2} $$[68] - **因子名称**: OCFPS_QR[68] - **构建思路**: 衡量单季度每股经营现金流[68] - **具体构建过程**: 使用单季度经营活动现金净流量除以最新总股本 $$ \text{OCFPS\_QR} = \frac{\text{quarter}(\text{netoperatecashflow})}{\text{paidincapital}} $$[68] - **因子名称**: OCFPS_TTM[68] - **构建思路**: 衡量TTM口径的每股经营现金流[68] - **具体构建过程**: 使用TTM口径的经营活动现金净流量除以最新总股本 $$ \text{OCFPS\_TTM} = \frac{\text{ttm}(\text{netoperatecashflow})}{\text{paidincapital}} $$[68] - **因子名称**: OCF_QUALITY_TTM[68] - **构建思路**: 衡量现金流与利润的差异程度[68] - **具体构建过程**: 使用TTM口径的（经营现金流净额-营业利润）除以总资产 $$ \text{OCF\_QUALITY\_TTM} = \frac{\text{ttm}(\text{netoperatecashflow}) - \text{ttm}(\text{operatingprofit})}{\text{totalassets}} $$[68] - **因子名称**: GROSS_PROFIT_QR[68] - **构建思路**: 衡量单季度毛利率与资产的关系[68] - **具体构建过程**: 使用单季度（营业收入-营业成本）除以总资产 $$ \text{GROSS\_PROFIT\_QR} = \frac{\text{quarter}(\text{operatingrevenue}) - \text{quarter}(\text{operatingcost})}{\text{totalassets}} $$[68] - **因子名称**: GROSS_PROFIT_TTM[68] - **构建思路**: 衡量TTM口径的毛利率与资产的关系[68] - **具体构建过程**: 使用TTM口径的（营业收入-营业成本）除以总资产 $$ \text{GROSS\_PROFIT\_TTM} = \frac{\text{ttm}(\text{operatingrevenue}) - \text{ttm}(\text{operatingcost})}{\text{totalassets}} $$[68] 1.4 AI生成质量因子 - **因子名称**: ACEPS_QR[70] - **构建思路**: 衡量（净利润+经营现金流）平均值的每股指标[70] - **具体构建过程**: 使用（单季度归母净利润+单季度经营现金流净额）/2除以最新总股本 $$ \text{ACEPS\_QR} = \frac{\text{quarter}(\text{npparentcompanyowners}) + \text{quarter}(\text{netoperatecashflow})}{2 \times \text{paidincapital}} $$[70] - **因子名称**: CAOPS_QR[70] - **构建思路**: 衡量调整后营业利润的每股指标[70] - **具体构建过程**: 使用（单季度营业利润-（净利润-经营现金流））除以最新总股本 $$ \text{CAOPS\_QR} = \frac{\text{quarter}(\text{operatingprofit}) - (\text{quarter}(\text{npparentcompanyowners}) - \text{quarter}(\text{netoperatecashflow}))}{\text{paidincapital}} $$[70] - **因子名称**: CCEPS_QR[70] - **构建思路**: 衡量现金收益的每股指标[70] - **具体构建过程**: 使用（单季度扣非净利润+单季度折旧摊销）除以最新总股本 $$ \text{CCEPS\_QR} = \frac{\text{quarter}(\text{npdeductnonrecurringpl}) + \text{quarter}(\text{currentaccruedda})}{\text{paidincapital}} $$[70] - **因子名称**: CCPATPS_QR[70] - **构建思路**: 衡量税后现金利润的每股指标[70] - **具体构建过程**: 使用（销售收到现金-购买支付现金-支付职工-支付税费）除以最新总股本 $$ \text{CCPATPS\_QR} = \frac{\text{quarter}(\text{goodssaleservicerendercash}) - \text{quarter}(\text{goodsservicescashpaid}) - \text{quarter}(\text{staffbehalfpaid}) - \text{quarter}(\text{alltaxespaid})}{\text{paidincapital}} $$[70] - **因子名称**: CCPS_QR[70] - **构建思路**: 衡量

量化因子与构建方式 1. **因子名称：Barra风格因子** - **因子构建思路**：基于多维度市场特征构建的经典风险模型因子，涵盖市值、波动性、估值等核心风格维度[15] - **因子具体构建过程**： - **Beta**：历史beta值 - **市值**：总市值取自然对数 - **动量**：历史超额收益率序列均值 - **波动**：$$0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率}$$ - **非线性市值**：市值风格的三次方 - **估值**：市净率倒数 - **流动性**：$$0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率}$$ - **盈利**：$$0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率ttm倒数}$$ - **成长**：$$0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率}$$ - **杠杆**：$$0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率}$$[15] - **因子评价**：全面覆盖市场风格，但需注意因子间可能存在的多重共线性[15] 2. **因子名称：GRU因子** - **因子构建思路**：基于门控循环单元（GRU）模型生成的动态因子，捕捉短期市场特征[4][5][6][7] - **因子具体构建过程**： - 模型输入包括开盘价（open1d）、收盘价（close1d）、Barra风格因子（barra1d/barra5d）的日频或5日频数据 - 通过GRU网络训练预测未来收益，输出因子值为预测收益的标准化值[4][5][6][7] - **因子评价**：对市场短期变化敏感，但需高频调参以避免过拟合[4][5][6][7] 3. **因子名称：技术类因子** - **因子构建思路**：基于价格和交易量数据构建的动量/波动类因子[4][5][6][7] - **因子具体构建过程**： - **动量因子**：20日/60日/120日收益率均值 - **波动因子**：20日/60日/120日收益率标准差 - **中位数离差**：价格序列与中位数的偏离程度[26][30] 4. **因子名称：基本面因子** - **因子构建思路**：基于财务指标构建的估值、盈利、成长类因子[4][5][6][7] - **因子具体构建过程**： - **超预期增长类**：如营业利润超预期增长（同比变化率） - **静态财务类**：ROE、ROA、市盈率（TTM）[28][26] --- 因子回测效果 1. **Barra风格因子** - **非线性市值**：本周多头收益显著[3][16] - **流动性**：全市场多头收益正向[3][16] - **估值/杠杆/盈利**：空头表现强势[3][16] 2. **GRU因子** - **barra1d/close1d**：全市场多空收益强势（中证1000超额1.5%+）[7][33] - **barra5d**：中证500多空收益回撤[6][33] 3. **技术类因子** - **全市场**：20日波动因子多空收益3.58%（近一周）[26] - **中证1000**：120日波动因子多空收益4.85%（近一周）[30] 4. **基本面因子** - **沪深300**：成长类因子多空收益显著为正[5][23] - **中证500**：超预期增长类因子正向，静态财务类负向[6][26] --- 量化模型与构建方式 1. **模型名称：GRU多头组合模型** - **模型构建思路**：基于GRU因子构建的月度调仓多头策略[31] - **模型具体构建过程**： - 选股池：万得全A（剔除ST/上市不满180日股票） - 权重配置：个股权重上限0.2%，行业偏离控制0.01标准差 - 手续费：双边0.3%[31] --- 模型回测效果 1. **GRU多头组合** - **barra5d模型**：今年以来超额中证1000收益6.42%[33] - **close1d模型**：近一周超额回撤2.40%[33] - **多因子组合**：近半年超额收益0.70%[33]

量化模型与构建方式 1. **模型名称：扩散指数模型** - **模型构建思路**：通过监测微盘股成分股未来N天股价涨跌幅的扩散指数临界点，判断市场变盘信号[5][19] - **模型具体构建过程**： 1. 横轴设定未来N天股价相对涨跌幅（1.1至0.9代表涨10%至跌10%） 2. 纵轴设定回顾窗口期长度T天（T从20到10对应未来N=0到10天） 3. 计算扩散指数值（例：横轴0.95和纵轴15天值为0.21，表示未来5天若成分股均跌5%，扩散指数为0.21）[40] 4. 结合三种交易信号方法（首次阈值法、延迟阈值法、双均线法）生成交易信号[5][19] 2. **模型名称：首次阈值法（左侧交易）** - **模型构建思路**：基于扩散指数提前触发空仓信号[5] - **模型具体构建过程**：当扩散指数首次跌破阈值（如2025年5月8日收盘0.9850）时触发空仓[45] 3. **模型名称：延迟阈值法（右侧交易）** - **模型构建思路**：在扩散指数确认趋势后触发信号[5] - **模型具体构建过程**：延迟观察扩散指数变化（如2025年5月15日收盘0.8975触发空仓）[49] 4. **模型名称：双均线法（自适应交易）** - **模型构建思路**：结合均线交叉动态调整仓位[5] - **模型具体构建过程**：短期均线下穿长期均线时翻空（如2025年8月4日信号）[50] 5. **模型名称：小市值低波50策略** - **模型构建思路**：在微盘股成分股中优选小市值和低波动股票[7][37] - **模型具体构建过程**： 1. 筛选微盘股成分股市值最小的50只股票 2. 计算历史波动率并选择低波动标的 3. 每双周调仓一次，费用双边千三[37] - **模型评价**：策略在2025年YTD收益73.21%，但本周超额-1.25%，受市场风格影响较大[37] --- 量化因子与构建方式 1. **因子名称：对数市值因子** - **因子构建思路**：捕捉市值对收益的影响[4][18] - **因子具体构建过程**：$$ \text{因子值} = \ln(\text{总市值}) $$ - **因子评价**：本周rankic 0.206（历史平均-0.033），近期有效性显著提升[4][18] 2. **因子名称：非线性市值因子** - **因子构建思路**：捕捉市值非线性的收益贡献[4] - **因子具体构建过程**：通过分段函数或多项式拟合市值与收益的非线性关系 - **因子评价**：本周rankic 0.206（历史平均-0.033），与对数市值因子表现一致[4] 3. **因子名称：未复权股价因子** - **因子构建思路**：利用股价绝对值筛选标的[4] - **因子具体构建过程**：直接取股票未复权价格 - **因子评价**：本周rankic 0.15（历史平均-0.014），短期有效性增强[4] 4. **因子名称：盈利因子** - **因子构建思路**：衡量公司盈利能力[4] - **因子具体构建过程**：$$ \text{因子值} = \frac{\text{净利润}}{\text{总资产}} $$ - **因子评价**：本周rankic 0.141（历史平均0.022），基本面因子表现稳定[4] 5. **因子名称：单季度净资产收益率因子** - **因子构建思路**：聚焦短期ROE变化[4] - **因子具体构建过程**：$$ \text{因子值} = \frac{\text{单季度净利润}}{\text{净资产}} $$ - **因子评价**：本周rankic 0.137（历史平均0.022），与盈利因子相关性较高[4] 6. **因子名称：非流动性因子** - **因子构建思路**：衡量股票流动性风险[4] - **因子具体构建过程**：$$ \text{因子值} = \frac{\text{日均换手率}^{-1}}{\text{市值}} $$ - **因子评价**：本周rankic -0.128（历史平均0.04），流动性差的股票近期表现不佳[4] 7. **因子名称：动量因子** - **因子构建思路**：捕捉历史收益率延续性[4] - **因子具体构建过程**：$$ \text{因子值} = \text{过去10天收益率} $$ - **因子评价**：本周rankic -0.027（历史平均-0.005），反转效应明显[4] --- 模型的回测效果 1. **扩散指数模型** - 首次阈值法：2025年5月8日触发空仓信号[45] - 延迟阈值法：2025年5月15日触发空仓信号[49] - 双均线法：2025年8月4日触发空仓信号[50] 2. **小市值低波50策略** - 2024年收益7.07%，超额-2.93%[37] - 2025年YTD收益73.21%，本周超额-1.25%[37] --- 因子的回测效果 1. **对数市值因子**：本周rankic 0.206，历史平均-0.033[4] 2. **非线性市值因子**：本周rankic 0.206，历史平均-0.033[4] 3. **未复权股价因子**：本周rankic 0.15，历史平均-0.014[4] 4. **盈利因子**：本周rankic 0.141，历史平均0.022[4] 5. **单季度ROE因子**：本周rankic 0.137，历史平均0.022[4] 6. **非流动性因子**：本周rankic -0.128，历史平均0.04[4] 7. **动量因子**：本周rankic -0.027，历史平均-0.005[4]

根据提供的研报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **模型名称：扩散指数行业轮动模型** - **模型构建思路**：基于价格动量原理，通过行业扩散指数捕捉行业趋势，选择向上趋势的行业进行配置[24] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格趋势强度 2. 选择扩散指数排名靠前的行业作为配置标的 3. 每月进行轮动调仓，配置扩散指数提升较大的行业[25][26] - **模型评价**：在趋势性行情中表现较好，但在市场反转时可能失效[24] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于GRU深度学习网络，利用分钟频量价数据生成行业因子，捕捉短期交易机会[30] - **模型具体构建过程**： 1. 使用GRU网络处理行业分钟频量价数据 2. 输出行业因子得分，反映行业短期动量特征 3. 选择GRU因子得分较高的行业进行配置[31][32] - **模型评价**：在短周期表现较好，但长周期表现一般，极端行情可能失效[30] 量化因子与构建方式 1. **因子名称：行业扩散指数** - **因子构建思路**：衡量行业价格趋势强度，反映行业动量特征[25] - **因子具体构建过程**： 1. 计算行业价格序列的扩散指标 2. 标准化处理得到扩散指数，取值范围0-1 3. 指数越高表示行业趋势越强[26] 2. **因子名称：GRU行业因子** - **因子构建思路**：通过GRU网络提取行业量价特征，反映短期交易信号[31] - **因子具体构建过程**： 1. 输入行业分钟频量价数据到GRU网络 2. 网络输出行业因子得分，得分越高表示短期动量越强[32] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年8月超额收益1.51%[28] - 2025年以来超额收益1.75%[28] 2. **GRU因子行业轮动模型** - 2025年8月超额收益-1.78%[33] - 2025年以来超额收益-6.66%[33] 因子的回测效果 1. **行业扩散指数** - 截至2025年8月15日，排名前六的行业扩散指数值： - 综合金融1.0 - 钢铁1.0 - 非银行金融0.999 - 综合0.998 - 有色金属0.997 - 通信0.997[25] 2. **GRU行业因子** - 截至2025年8月15日，排名前六的GRU因子值： - 有色金属5.67 - 非银行金融4.65 - 建材4.14 - 房地产4.08 - 钢铁3.64 - 基础化工2.71[31]

根据研报内容，总结量化模型与因子如下： 量化因子与构建方式 1. **因子名称**：RSI相对强弱指标 **因子构建思路**：通过计算一定周期内平均涨幅与平均跌幅的比值，判断市场超买或超卖状态[2] **因子具体构建过程**： - 计算公式：$$RSI = 100 - \frac{100}{1 + RS}$$ 其中RS为12天内平均涨幅与平均跌幅的比值[2] - 阈值设定：RSI>70为超买状态，RSI<30为超卖状态[2] **因子评价**：经典动量类指标，适用于短期趋势判断 2. **因子名称**：日内行情趋势 **因子构建思路**：通过5分钟级别成交价捕捉日内价格波动特征[2] **因子具体构建过程**： - 采用分时数据绘制趋势图 - 标记当日最高价（红点）和最低价（红点）[2] 3. **因子名称**：净申购金额 **因子构建思路**：通过净值变化测算资金流动方向[2] **因子具体构建过程**： - 计算公式：$$NETBUY(T) = NAV(T) - NAV(T-1) \times (1+R(T))$$ 其中NAV为ETF净值，R为收益率[2] 因子回测效果 1. **RSI因子** - 华泰柏瑞沪深300ETF取值73.29[4] - 易方达沪深300ETF取值69.68[4] - 南方中证500ETF取值75.37[4] 2. **净申购因子** - 华夏沪深300ETF取值为-3.97亿元[4] - 南方中证500ETF取值为4.57亿元[4] - 华夏上证50ETF取值为20.55亿元[4] 3. **机构持仓占比因子** - 华泰柏瑞沪深300ETF取值83.06%[4] - 华夏沪深300ETF取值91.03%[4] - 嘉实沪深300ETF取值89.88%[4] 注：日内行情趋势因子因属图形化指标未提供具体数值[2]

根据您提供的研报内容，以下是关于量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：动量因子** [29] * **因子构建思路：** 通过计算股票在过去一段时间内的收益率差异，以捕捉价格趋势延续的效应。[29] * **因子具体构建过程：** 以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，综合选择A股市场中动量特征强且流动性相对较高的前100只股票作为指数成分股。[29] * **因子评价：** 该因子旨在表征A股市场中最具动量特征的股票的整体走势。[29] 2. **因子名称：反转因子** [30] * **因子构建思路：** 通过计算股票在短期内的收益率，以捕捉价格反向修正的效应。[30] * **因子具体构建过程：** 以最近一个月股票收益率作为筛选指标，综合选择A股市场中反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权。[30] * **因子评价：** 该因子旨在准确表征我国A股市场各阶段高反转特征个股的整体表现。[30] 3. **因子名称：风格拥挤度因子** [39][128] * **因子构建思路：** 通过衡量特定风格交易的热度或集中度，来判断该风格是否过度拥挤，从而评估其潜在风险与性价比。[39] * **因子具体构建过程：** 1. 计算各风格指数近n个交易日（n=63，即近一个季度）的日均换手率。[128] 2. 在历史时间序列（滚动窗口为6年）上对该换手率进行z-score标准化。[128] 3. 将万得全A指数的同期标准化换手率作为基准。[128] 4. 计算风格指数标准化换手率与万得全A标准化换手率的差值。[128] 5. 最后计算该差值的滚动y年（y=6）历史分位值，得到风格拥挤度分位数。[128] * **因子评价：** 该因子用于监测不同风格（如成长/红利、大盘/小盘）的交易拥挤程度，为风格配置提供风险预警和性价比参考。[39] 4. **因子名称：机构调研活跃度因子** [108][130] * **因子构建思路：** 通过统计机构对上市公司调研的频繁程度，来捕捉市场关注度和潜在的信息优势。[108] * **因子具体构建过程：** 1. 统计板块（指数、行业）的近n个交易日的“日均机构调研次数”。[130] 2. 在滚动y年的历史时间序列上对该值进行z-score标准化。[130] 3. 将万得全A指数的同期标准化值作为基准。[130] 4. 计算板块标准化值与万得全A标准化值的差值，得到“机构调研活跃度”。[130] 5. 最后计算“机构调研活跃度”的滚动y年历史分位数。[130] * **长期口径参数：** n取126（近半年），滚动窗口为6年。[130] * **短期口径参数：** n取63（近一季度），滚动窗口为3年。[130] * **因子评价：** 该因子用于衡量不同板块或行业受机构投资者关注的程度，可能隐含了基本面变化或市场情绪的线索。[108] 因子的回测效果 1. **动量因子** [28] * 近一周收益: 7.3% * 近一月收益: 13.9% * 年初至今收益: 32.1% * 近一周相对收益（动量-反转）: 5.8% * 近一月相对收益（动量-反转）: 9.1% * 年初至今相对收益（动量-反转）: 25.9% 2. **反转因子** [28] * 近一周收益: 1.5% * 近一月收益: 4.8% * 年初至今收益: 6.3% 3. **成长风格因子** [28][39] * 近一周收益（国证成长）: 3.7% * 近一月收益（国证成长）: 5.9% * 年初至今收益（国证成长）: 7.5% * 近一周相对收益（成长-红利）: 4.9% * 近一月相对收益（成长-红利）: 5.0% * 年初至今相对收益（成长-红利）: 8.0% * 当前拥挤度分位: 12% [39] 4. **红利风格因子** [28][39] * 近一周收益（中证红利）: -1.1% * 近一月收益（中证红利）: 0.8% * 年初至今收益（中证红利）: -0.5% * 当前拥挤度分位: 32% [39] 5. **小盘风格因子** [28][39] * 近一周收益（巨潮小盘）: 3.5% * 近一月收益（巨潮小盘）: 7.4% * 年初至今收益（巨潮小盘）: 15.6% * 近一周相对收益（小盘-大盘）: 1.2% * 近一月相对收益（小盘-大盘）: 4.0% * 年初至今相对收益（小盘-大盘）: 8.8% * 当前拥挤度分位: 10% [39] 6. **大盘风格因子** [28][39] * 近一周收益（巨潮大盘）: 2.4% * 近一月收益（巨潮大盘）: 3.4% * 年初至今收益（巨潮大盘）: 6.8% * 当前拥挤度分位: 28% [39] 7. **微盘股风格因子** [28][39] * 近一周收益（万得微盘股）: -0.6% * 近一月收益（万得微盘股）: 8.6% * 年初至今收益（万得微盘股）: 55.7% * 近一周相对收益（微盘股-基金重仓）: -3.8% * 近一月相对收益（微盘股-基金重仓）: 1.9% * 年初至今相对收益（微盘股-基金重仓）: 41.6% * 当前拥挤度分位: 51% [39] 8. **基金重仓风格因子** [28][39] * 近一周收益（基金重仓）: 3.2% * 近一月收益（基金重仓）: 6.8% * 年初至今收益（基金重仓）: 14.1% * 当前拥挤度分位: 23% [39]

根据提供的量化周报内容，以下是总结的量化模型和因子相关内容： 量化模型与构建方式 1.模型名称：A股景气度高频指数；模型构建思路：以上证指数归母净利润同比为Nowcasting目标构建景气度指数[37]；模型具体构建过程：通过跟踪宏观经济指标和行业数据，构建高频更新的景气度指数，反映A股整体盈利周期变化[37][38]；模型评价：能够有效捕捉景气周期转折点 2.模型名称：A股情绪指数；模型构建思路：基于市场波动率和成交额变化方向划分四个象限构造情绪指标[42]；模型具体构建过程：将市场状态分为波动上/下×成交上/下四种组合，其中波动上-成交下区间为显著负收益，其他为正收益[42][43]；模型评价：提供直观的量价情绪判断 3.模型名称：中证500增强组合；模型构建思路：通过多因子选股构建指数增强组合[53]；模型具体构建过程：采用量化选股模型，持仓分散在多个行业，单票权重控制在5%以内[54][55][56] 4.模型名称：沪深300增强组合；模型构建思路：基于量化模型构建指数增强策略[57]；模型具体构建过程：采用因子模型选股，持仓包含金融、消费、科技等多个板块[59][60] 量化因子与构建方式 1.因子名称：BARRA十大类风格因子；因子构建思路：参照BARRA因子模型构建市场风格因子[62]；因子具体构建过程：包括市值(SIZE)、BETA、动量(MOM)、残差波动率(RESVOL)、非线性市值(NLSIZE)、估值(BTOP)、流动性(LIQUIDITY)、盈利(EARNINGS_YIELD)、成长(GROWTH)和杠杆(LVRG)[62] 2.因子名称：行业因子；因子构建思路：构建行业层面的风格因子[63]；因子具体构建过程：包括证券、房地产、电子、国防军工、钢铁、银行等行业因子[63][66] 模型的回测效果 1.A股景气度高频指数，当前指数值22.29，相比2023年底上升16.87[38] 2.中证500增强组合，本周收益2.92%，跑输基准0.96%，2020年至今超额收益50.58%，最大回撤-4.99%[53] 3.沪深300增强组合，本周收益2.28%，跑输基准0.09%，2020年至今超额收益35.61%，最大回撤-5.86%[57] 因子的回测效果 1.Beta因子，本周超额收益较高[63][66] 2.价值因子，本周呈显著负向超额收益[63][66] 3.证券行业因子，本周相对市场跑出较高超额收益[63][66] 4.银行行业因子，本周回撤较多[63][66]

根据提供的研报内容，以下是量化模型和因子的总结： 量化模型与构建方式 1. **模型名称**：攻守兼备红利50组合 **模型构建思路**：结合"稳健+成长"风格，旨在通过主动量化策略在红利资产中实现超额收益[15] **模型具体构建过程**： - 采用"自上而下"选股逻辑，从海量基本面因子库筛选有效选股因子 - 聚焦红利质量表现活跃的细分板块（周度平均收益约1.64%）[16] - 相对纯粹红利资产构建超额收益组合 2. **模型名称**：央国企高分红30组合 **模型构建思路**：专注央国企高分红标的，构建防御性投资组合[15] 3. **模型名称**：电子均衡配置增强组合 **模型构建思路**：在电子板块内进行均衡配置，捕捉细分赛道机会[15] 4. **模型名称**：电子板块优选增强组合 **模型构建思路**：聚焦电子行业成熟期细分赛道的龙头企业[15] 模型的回测效果 1. **攻守兼备红利50组合** - 周度超额收益：1.51%（相对中证红利全收益）[22] - 实现正收益[22] 2. **央国企高分红30组合** - 周度超额收益：0.61%（相对中证红利全收益）[22] 3. **电子板块优选增强组合** - 周度收益：6.20%[31] - 跑赢科技类基金产品中位数[31] 量化因子与构建方式 1. **因子名称**：红利质量因子 **因子构建思路**：筛选具有持续分红能力和高质量财务特征的红利股[16] **因子表现**： - 周度平均收益1.64%[16] - 相对纯粹红利资产超额收益显著[16] 2. **因子名称**：电子终端品因子 **因子表现**： - 相关子行业周度涨幅达8%以上[26] 3. **因子名称**：印制电路板因子 **因子表现**： - 相关子行业周度涨幅达8%以上[26] 4. **因子名称**：集成电路设计因子 **因子表现**： - 相关子行业周度涨幅达8%以上[26] 因子的回测效果 1. **红利质量因子** - 中证红利质量指数周度收益4.19%（超额中证红利指数5.30%）[19] 2. **电子终端品因子** - 相关子行业周度涨幅8%+[26] 3. **印制电路板因子** - 相关子行业周度涨幅8%+[26] 4. **集成电路设计因子** - 相关子行业周度涨幅8%+[26] 注：报告中未提供具体的因子构建公式和详细计算过程，主要展示了策略组合的表现结果和部分细分因子的市场表现[15][16][19][22][26][31]