量化因子与构建方式 1. **因子名称：一个月成交金额** - **因子的构建思路**：通过分析一个月内的成交金额来衡量市场的流动性[10] - **因子具体构建过程**：计算一个月内的成交金额，并通过IC和ICIR来评估因子的有效性。公式如下： $$ r_{k}=\frac{\sum_{t=k+1}^{T}(x_{t}-\bar{x})(x_{t-k}-\bar{x})}{Tx^{2}} $$ 其中，$r_k$为样本的自相关函数，$T$为样本数量，$x_t$为IC时间序列的变量值，$\bar{x}$为均值[12][13] - **因子评价**：该因子在8个月内的ICIR与当期IC具有显著的负相关关系[31] 2. **因子名称：换手率** - **因子的构建思路**：通过分析换手率来衡量市场的活跃度[10] - **因子具体构建过程**：计算换手率，并通过IC和ICIR来评估因子的有效性。公式如下： $$ IC_{t}=\varphi_{1}IC_{t-1}+\varphi_{1}IC_{t-2}+\cdots+\varphi_{n}IC_{t-n}+a_{t}-\theta_{1}a_{t-1}-\theta_{1}a_{t-1}-\cdots-\theta_{m}a_{t-m} $$ 其中，$IC_t$为因子有效性，$\varphi$和$\theta$为模型参数，$a_t$为扰动项[14] - **因子评价**：该因子在10个月内的ICIR与当期IC存在显著的负相关关系[32] 3. **因子名称：一个月股价反转** - **因子的构建思路**：通过分析一个月内的股价反转情况来捕捉市场的短期波动[10] - **因子具体构建过程**：计算一个月内的股价反转，并通过IC和ICIR来评估因子的有效性[36] - **因子评价**：该因子在10个月内的ICIR与当期IC存在显著的负相关关系[36] 4. **因子名称：三个月股价反转** - **因子的构建思路**：通过分析三个月内的股价反转情况来捕捉市场的中期波动[10] - **因子具体构建过程**：计算三个月内的股价反转，并通过IC和ICIR来评估因子的有效性[39] - **因子评价**：该因子在8个月内的ICIR与当期IC存在显著的负相关关系[39] 5. **因子名称：六个月股价反转** - **因子的构建思路**：通过分析六个月内的股价反转情况来捕捉市场的长期波动[10] - **因子具体构建过程**：计算六个月内的股价反转，并通过IC和ICIR来评估因子的有效性[42] - **因子评价**：该因子在8个月内的ICIR与当期IC存在显著的负相关关系[42] 6. **因子名称：流通市值** - **因子的构建思路**：通过分析流通市值来衡量公司的市场规模[10] - **因子具体构建过程**：计算流通市值，并通过IC和ICIR来评估因子的有效性[45] - **因子评价**：该因子在8个月内的ICIR与当期IC存在显著的负相关关系[45] 7. **因子名称：EP（盈利收益率）** - **因子的构建思路**：通过分析盈利收益率来衡量公司的盈利能力[10] - **因子具体构建过程**：计算EP，并通过IC和ICIR来评估因子的有效性[48] - **因子评价**：该因子在6个月内的ICIR与当期IC存在显著的负相关关系[48] 8. **因子名称：SP（销售收益率）** - **因子的构建思路**：通过分析销售收益率来衡量公司的销售效率[10] - **因子具体构建过程**：计算SP，并通过IC和ICIR来评估因子的有效性[51] - **因子评价**：该因子在6个月内的ICIR与当期IC存在显著的负相关关系[51] 9. **因子名称：BP（账面市值比）** - **因子的构建思路**：通过分析账面市值比来衡量公司的账面价值[10] - **因子具体构建过程**：计算BP，并通过IC和ICIR来评估因子的有效性[55] - **因子评价**：该因子在8个月内的ICIR与当期IC存在显著的负相关关系[55] 因子的回测效果 1. **一个月成交金额因子** - **IC**：-5.50% - **ICIR**：-1.09[11] 2. **换手率因子** - **IC**：-6.13% - **ICIR**：-1.57[11] 3. **一个月股价反转因子** - **IC**：-4.67% - **ICIR**：-0.93[11] 4. **三个月股价反转因子** - **IC**：-3.85% - **ICIR**：-0.67[11] 5. **六个月股价反转因子** - **IC**：-2.24% - **ICIR**：-0.37[11] 6. **流通市值因子** - **IC**：-3.16% - **ICIR**：-0.43[11] 7. **EP因子** - **IC**：4.21% - **ICIR**：1.37[11] 8. **SP因子** - **IC**：2.97% - **ICIR**：1.37[11] 9. **BP因子** - **IC**：4.36% - **ICIR**：1.27[11]

量化因子与构建方式 1. **因子名称：一个月成交金额** - **因子的构建思路**：通过观察因子有效性随着因子滞后时间的延长而出现的变化，发现大部分Alpha因子的有效性均存在明显的衰竭现象，且存在相对稳定的"半衰期"[1][2] - **因子具体构建过程**：在2个月的半衰期内，随着因子权重w0和w1由(1,0)逐步变为(0.5,0.5)，因子自相关系数由0.69增加至0.86，换手率迅速下降至原来的69%，而IC_IR的下降则相对缓慢，在半衰期内下降至83%[17][19][49] - **因子评价**：该因子在短期内有效性迅速下降，但通过平滑处理可以有效控制换手率，同时保持较高的信息比率[17][19][49] 2. **因子名称：换手率** - **因子的构建思路**：通过对因子换手率的控制，实现对组合换手率的控制，同时使得因子的IC_IR最大化[2][20] - **因子具体构建过程**：在2个月的半衰期内，随着因子权重w0和w1由(1,0)逐步变为(0.5,0.5)，因子自相关系数由0.49增加至0.74，换手率迅速下降至原来的70%，而IC_IR的下降则相对缓慢，在半衰期内下降至85%[20][23][50] - **因子评价**：该因子在短期内有效性迅速下降，但通过平滑处理可以有效控制换手率，同时保持较高的信息比率[20][23][50] 3. **因子名称：一个月股价反转** - **因子的构建思路**：通过对因子换手率的控制，实现对组合换手率的控制，同时使得因子的IC_IR最大化[2][21] - **因子具体构建过程**：在2个月的半衰期内，随着因子权重w0和w1由(1,0)逐步变为(0.5,0.5)，因子自相关系数由0.02增加至0.51，换手率迅速下降至原来的71%，而IC_IR的下降则相对缓慢，在半衰期内下降至74%[21][24][54] - **因子评价**：该因子在短期内有效性迅速下降，但通过平滑处理可以有效控制换手率，同时保持较高的信息比率[21][24][54] 4. **因子名称：三个月股价反转** - **因子的构建思路**：通过对因子换手率的控制，实现对组合换手率的控制，同时使得因子的IC_IR最大化[2][25] - **因子具体构建过程**：在2个月的半衰期内，随着因子权重w0和w1由(1,0)逐步变为(0.5,0.5)，因子自相关系数由0.02增加至0.51，换手率下降至原来的75%，而由于该因子在半衰期内有效性较低且下降速度快，导致随着权重的调整，IC_IR的下降速度快于换手率的下降幅度，在半衰期内IC_IR下降至65%[25][28][55] - **因子评价**：该因子在短期内有效性迅速下降，但通过平滑处理可以有效控制换手率，同时保持较高的信息比率[25][28][55] 5. **因子名称：六个月股价反转** - **因子的构建思路**：通过对因子换手率的控制，实现对组合换手率的控制，同时使得因子的IC_IR最大化[2][26] - **因子具体构建过程**：在2个月的半衰期内，IC_IR的下降速度同样快于换手率的下降幅度，在半衰期内IC_IR下降至53%[26][29][59] - **因子评价**：该因子在短期内有效性迅速下降，但通过平滑处理可以有效控制换手率，同时保持较高的信息比率[26][29][59] 6. **因子名称：流通市值** - **因子的构建思路**：通过对因子换手率的控制，实现对组合换手率的控制，同时使得因子的IC_IR最大化[2][27] - **因子具体构建过程**：在2个月的半衰期内，随着因子权重w0和w1由(1,0)逐步变为(0.5,0.5)，因子自相关系数由0.85增加至0.92，换手率下降至原来的70%，随着滞后一期因子权重的增加，IC_IR的下降速度逐渐快于换手率的下降幅度，在半衰期内IC_IR下降至61%[27][30][63] - **因子评价**：该因子在短期内有效性迅速下降，但通过平滑处理可以有效控制换手率，同时保持较高的信息比率[27][30][63] 7. **因子名称：每股派息/股价** - **因子的构建思路**：通过对因子换手率的控制，实现对组合换手率的控制，同时使得因子的IC_IR最大化[2][30] - **因子具体构建过程**：在9个月的半衰期内，随着因子权重w0-w9的调整，因子自相关系数由0.7增加至0.92，换手率迅速下降至原来的53%，IC_IR的下降速度则相对缓慢，在半衰期内下降至85%[30][32][64] - **因子评价**：该因子在长期内有效性较为稳定，通过平滑处理可以有效控制换手率，同时保持较高的信息比率[30][32][64] 8. **因子名称：EP** - **因子的构建思路**：通过对因子换手率的控制，实现对组合换手率的控制，同时使得因子的IC_IR最大化[2][33] - **因子具体构建过程**：在3个月的半衰期内，随着因子权重w0-w9的调整，因子自相关系数由0.76增加至0.90，换手率迅速下降至原来的65%，IC_IR的下降速度则相对缓慢，在半衰期内下降至90%[33][37][65] - **因子评价**：该因子在短期内有效性迅速下降，但通过平滑处理可以有效控制换手率，同时保持较高的信息比率[33][37][65] 9. **因子名称：SP** - **因子的构建思路**：通过对因子换手率的控制，实现对组合换手率的控制，同时使得因子的IC_IR最大化[2][34] - **因子具体构建过程**：在3个月的半衰期内，随着因子权重w0-w9的调整，因子自相关系数由0.77增加至0.92，换手率迅速下降至原来的63%，IC_IR的下降速度则相对缓慢，在半衰期内下降至92%[34][38][69] - **因子评价**：该因子在短期内有效性迅速下降，但通过平滑处理可以有效控制换手率，同时保持较高的信息比率[34][38][69] 10. **因子名称：BP** - **因子的构建思路**：通过对因子换手率的控制，实现对组合换手率的控制，同时使得因子的IC_IR最大化[2][39] - **因子具体构建过程**：在3个月的半衰期内，随着因子权重w0-w9的调整，因子自相关系数由0.76增加至0.91，换手率迅速下降至原来的62%，IC_IR的下降速度则相对缓慢，在半衰期内下降至93%[39][35][70] - **因子评价**：该因子在短期内有效性迅速下降，但通过平滑处理可以有效控制换手率，同时保持较高的信息比率[39][35][70] 因子的回测效果 1. **一个月成交金额**，IC_IR值83%，换手率69%[17][19][49] 2. **换手率**，IC_IR值85%，换手率70%

量化模型与构建方式 1. 模型名称：原始BL模型 - **模型构建思路**：基于传统马科维茨模型，引入投资者的主观观点，通过历史信息和先验观点结合，得到后验市场预期回报，从而优化资产配臵[3][14][17] - **模型具体构建过程**： - 优化目标函数为： $$ \operatorname*{max}w^{T}\cdot E_{B L}(r)-{\frac{\delta}{2}}\cdot w^{T}\cdot\Sigma_{B L}\cdot w $$ 约束条件： $$ \left\{\begin{array}{l l}{w\geq0}\\ {\sum w=1}\end{array}\right. $$ 其中，$w$为资产配臵权重，$\delta$为风险厌恶系数，$E_{BL}(r)$和$\Sigma_{BL}$分别为后验收益率和后验协方差矩阵[17][47] - 后验收益率计算公式： $$ E_{B L}(r)=[(\tau\Sigma)^{-1}+P^{T}\Omega^{-1}P]^{-1}[(\tau\Sigma)^{-1}\Pi+P^{T}\Omega^{-1}Q] $$ 其中，$\tau$为无量纲参数，$\Sigma$为历史协方差矩阵，$P$为观点矩阵，$Q$为观点收益，$\Omega$为观点误差矩阵，$\Pi$为市场隐含均衡收益[17][18][24] - 后验协方差矩阵计算公式： $$ \Sigma_{BL}=\Sigma+[(\tau\Sigma)^{-1}+P^{T}\Omega^{-1}P]^{-1} $$[17][18] - 市场隐含均衡收益计算公式： $$ \Pi=\delta\cdot\Sigma\cdot w_{mkt} $$ 其中，$w_{mkt}$为资产市值权重[17][93] - **模型评价**：原始BL模型在A股市场验证有效，但存在参数不稳定、权重两极化等问题[5][72] 2. 模型名称：修正BL模型 - **模型构建思路**：为解决原始BL模型中参数不稳定和权重两极化问题，改用超额收益协方差矩阵，剔除系统性风险的影响[5][74] - **模型具体构建过程**： - 超额收益计算公式： $$ R_{i,t}=\alpha_{i}+\beta_{i}R_{m,t}+\varepsilon_{i} $$ 其中，$R_{i,t}$为第$i$只资产的收益率，$R_{m,t}$为基准收益率，$\alpha_{i}$为超额收益，$\beta_{i}$为市场敏感度[74][75] - 协方差矩阵改为基于超额收益计算，剔除系统性风险[74][75] - **模型评价**：修正后的模型在震荡和下跌市场中表现更优，参数更加稳定，但在上涨市场中收益略低[78][82] --- 模型的回测效果 原始BL模型 - **正确观点下**： - **收益率**：2007年日线收益率为182.24%，2008年为-60.04%，2009年为115.58%，2010年为1.33%[52][53] - **绩效指标**： - 夏普比率：2007年为0.2052，2008年为-0.1969，2009年为0.2282，2010年为-0.0087 - 信息比率：2007年为0.1663，2008年为0.1532，2009年为0.1977，2010年为0.1989 - 跟踪误差：2007年为0.8622，2008年为0.1743，2009年为0.4009，2010年为0.4245 - β系数：2007年为1.1104，2008年为0.9703，2009年为1.0560，2010年为0.7997[56] - **一致预期观点下**： - **收益率**：2007年季度配臵收益率为194.05%，2008年为-61.70%，2009年为124.97%，2010年为0.07%[60][66] - **绩效指标**： - 夏普比率：2007年为0.2023，2008年为-0.0629，2009年为0.1988，2010年为0.0032 - 信息比率：2007年为0.2182，2008年为0.0734，2009年为0.1954，2010年为0.2225 - 跟踪误差：2007年为1.2884，2008年为0.1355，2009年为0.9774，2010年为0.3621 - β系数：2007年为0.9907，2008年为0.9952，2009年为1.0298，2010年为1.0477[60][66] 修正BL模型 - **收益率**：2007年为177.30%，2008年为-61.48%，2009年为105.42%，2010年为4.24%[80][81] - **绩效指标**： - 夏普比率：2007年为0.2101，2008年为-0.0671，2009年为0.2256，2010年为0.0056 - 信息比率：2007年为0.1222，2008年为0.0883，2009年为0.0101，2010年为0.2104 - 跟踪误差：2007年为0.8084，2008年为0.1335，2009年为0.6002，2010年为0.4110 - β系数：2007年为1.0140，2008年为0.9850，2009年为1.0045，2010年为1.0580[80][81] 2011年配臵效果 - **原始BL模型**：累计收益率为1.86%，跑输HS300（2.22%）和中证800（2.14%）[70][86] - **修正BL模型**：累计收益率为2.07%，基本与HS300和中证800持平[86]