量化模型与构建方式 1. 模型名称：风格轮动型基金优选策略 - **模型构建思路**：基于成长价值与大小盘两个维度，通过基金在两个报告期的股票持仓，构建基金绝对主动轮动指标，识别基金是否为风格轮动型基金或风格稳定型基金，并通过主动轮动收益因子刻画基金风格轮动效果[21][22][23] - **模型具体构建过程**： 1. 根据基金报告期的股票持仓数据，计算基金的风格暴露变化 2. 剔除被动变化部分，保留基金经理主动调整的部分，构建绝对主动轮动指标 3. 结合主动轮动收益因子，筛选出风格轮动效果较好的基金 4. 策略采用半年频调仓，每年3月末和8月末进行调仓，选基范围为偏股混合型基金及普通股票型基金，并扣除交易成本[21][22][23] - **模型评价**：通过该策略筛选出的基金，其持仓股票的风格暴露在不同报告期可能会发生较大的变化，体现了基金经理的主动调整能力[21][22][23] 2. 模型名称：基于基金特征和基金能力的综合选基策略 - **模型构建思路**：从基金规模、持有人结构、基金业绩动量、选股能力、隐形交易能力、含金量等多个维度构建选基因子，并进行等权重合成[30][31][33] - **模型具体构建过程**： 1. 构建多个选基因子，包括基金规模类因子、持有人结构类因子、基金业绩动量类因子、选股能力因子、隐形交易能力因子、含金量因子等 2. 对各因子进行等权重合成，形成综合选基因子 3. 策略采用季频调仓，每年1月、4月、7月、10月末进行调仓，并扣除交易成本[30][31][33] - **模型评价**：该策略通过多维度因子综合评估基金特征和能力，能够较全面地刻画基金的潜在表现[30][31][33] 3. 模型名称：基于交易动机因子及股票价差收益因子的选基策略 - **模型构建思路**：结合基金的交易动机因子和股票价差收益因子，筛选出股票价差收益较高、主动交易动机强且业绩粉饰可能性较低的基金[34][35][38] - **模型具体构建过程**： 1. 构建交易动机因子：根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算 2. 构建股票价差收益因子：由基金利润表中股票价差收入（股票投资收益科目）计算得出 3. 将两类因子结合，形成综合选基策略 4. 策略采用半年频调仓，每年3月末和8月末进行调仓，并扣除交易成本[34][35][38] - **模型评价**：该策略能够有效识别交易动机明确且股票价差收益较高的基金，但在某些市场环境下可能表现不佳[34][35][38] 4. 模型名称：交易独特性选基策略 - **模型构建思路**：根据基金经理持股、交易的明细构建网络，计算基金经理交易独特性指标，筛选出交易风格独特的基金[39][42][47] - **模型具体构建过程**： 1. 基于基金经理持股和交易数据，构建基金经理网络 2. 计算每个基金经理与其相关联基金经理在交易方面的差异，形成交易独特性因子 3. 策略采用半年频调仓，每年4月初和9月初进行调仓，并扣除交易成本[39][42][47] - **模型评价**：该策略通过量化基金经理的交易独特性，能够捕捉到部分基金经理的超额收益能力[39][42][47] --- 模型的回测效果 风格轮动型基金优选策略 - **11月份收益率**：0.55% - **年化收益率**：9.07% - **年化波动率**：19.08% - **Sharpe比率**：0.48 - **最大回撤率**：37.30% - **年化超额收益率**：3.90% - **超额最大回撤率**：9.49% - **信息比率（IR）**：0.72 - **11月份超额收益率**：0.51%[27][28][29] 基于基金特征和基金能力的综合选基策略 - **11月份收益率**：0.36% - **年化收益率**：13.39% - **年化波动率**：21.71% - **Sharpe比率**：0.62 - **最大回撤率**：44.27% - **年化超额收益率**：5.41% - **超额最大回撤率**：7.96% - **信息比率（IR）**：1.13 - **11月份超额收益率**：0.28%[33][36][37] 基于交易动机因子及股票价差收益因子的选基策略 - **11月份收益率**：-0.81% - **年化收益率**：9.25% - **年化波动率**：21.77% - **Sharpe比率**：0.42 - **最大回撤率**：48.39% - **年化超额收益率**：3.66% - **超额最大回撤率**：13.04% - **信息比率（IR）**：0.66 - **11月份超额收益率**：-1.09%[35][38][40] 交易独特性选基策略 - **11月份收益率**：0.02% - **年化收益率**：10.24% - **年化波动率**：19.64% - **Sharpe比率**：0.52 - **最大回撤率**：37.26% - **年化超额收益率**：5.28% - **超额最大回撤率**：6.30% - **信息比率（IR）**：1.1 - **11月份超额收益率**：-0.12%[47][48][50]

量化模型与构建方式 1. 模型名称：正套策略模型 - **模型构建思路**：基于国债期货合约的可交割券IRR（隐含回报率）与存单利率的比较，寻找正套机会[28][29] - **模型具体构建过程**： - 计算国债期货合约的可交割券IRR，公式为： $$ IRR = \frac{期货价格 - 现券价格}{现券价格} \times 365 / 剩余天数 $$ 其中，期货价格为当前主力合约价格，现券价格为可交割券的现货价格，剩余天数为合约到期日与当前日期的差值[28] - 比较IRR与3个月存单收益率，若IRR高于存单收益率，则存在正套空间[28] - 选择IRR较高的合约进行正套操作[28] - **模型评价**：正套策略在当前市场环境下具有一定吸引力，尤其是IRR高于存单收益率的情况下，能够提供稳定的套利机会[28] 2. 模型名称：基差策略模型 - **模型构建思路**：通过分析国债期货合约的基差（期货价格与现货价格的差值），寻找基差走阔的机会[33] - **模型具体构建过程**： - 计算基差，公式为： $$ 基差 = 期货价格 - 现货价格 $$ 其中，期货价格为当前主力合约价格，现货价格为可交割券的现货价格[33] - 分析基差的历史分位数，判断当前基差是否处于低位[34] - 若基差处于低位且有走阔预期，则采取做多基差策略[33] - **模型评价**：基差策略在基差处于低位时具有一定的操作空间，但需关注市场情绪和供需变化对基差的影响[33] 3. 模型名称：跨期价差策略模型 - **模型构建思路**：通过分析不同国债期货合约之间的价差，寻找跨期套利机会[42] - **模型具体构建过程**： - 计算跨期价差，公式为： $$ 跨期价差 = 主力合约价格 - 次主力合约价格 $$ 其中，主力合约价格为当前交易量最大的合约价格，次主力合约价格为流动性较好的次月合约价格[42] - 分析价差的历史波动范围，判断当前价差是否具有套利空间[42] - 若价差偏离历史均值，则采取相应的套利操作[42] - **模型评价**：当前跨期价差策略受限于流动性和价差波动范围，暂不推荐操作[42] 4. 模型名称：跨品种策略模型 - **模型构建思路**：通过分析不同期限段国债期货合约之间的价差，寻找收益率曲线平坦化或陡峭化的机会[45] - **模型具体构建过程**： - 计算不同期限段合约的价差，例如2TF-T（2年期与10年期合约价差）[45] - 分析价差的历史分位数，判断当前价差是否处于极端位置[45] - 若价差处于极端位置且有回归预期，则采取相应的套利操作[45] - **模型评价**：当前收益率曲线小幅平坦化，跨品种策略具有一定的操作空间，但需关注市场波动[45] --- 模型的回测效果 1. 正套策略模型 - **IRR区间**： - T2503合约：1.64%-2.42%[28] - TF2503合约：1.95%-2.36%[28] - TS2503合约：2.06%-2.44%[28] - TL2503合约：1.54%-3.23%[28] 2. 基差策略模型 - **基差取值**： - T2503合约：-0.12元[33] - TS2503合约：-0.26元[33] - TF2503合约：-0.10元[33] - TL2503合约：0.17元[33] 3. 跨期价差策略模型 - **跨期价差**： - TF合约：0.16元[42] - T合约：0.04元[42] - TS合约：0.25元[42] - TL合约：0.08元[42] 4. 跨品种策略模型 - **价差取值**： - 2TF-T：104.05元，处于近5年的98%分位数[45] - 2*5Y-10Y：1.26%，处于近5年的99%分位数[45]

量化模型与构建方式 1. 模型名称：短周期利率择时模型 - **模型构建思路**：结合价量形态特征和利率趋势状态，通过两步实现择时判断：一是利用价量特征预测短期波动，二是通过利率中枢变化趋势的状态识别优化模型决策[1][3][21] - **模型具体构建过程**： 1. **短期波动预测**： - 使用国债期货的价量数据（如收盘价、成交量、日内收益率、振幅等）和趋势特征（如调整后收益率、波动率、K线形态等）构建特征[26] - 采用时序网络（如biLSTM-attn）捕捉特征间的非线性关系，生成择时信号[25][41] 2. **利率趋势状态识别**： - 从国债收益率曲线的平移、扭曲、形变幅度三个方面构建特征，识别利率中枢变化趋势[30][31][34] - 平移趋势强度通过信息熵计算，扭曲程度通过KL散度计算，形变幅度则衡量各期限收益率的变化幅度[31][32] 3. **合成择时信号**： - 将价量特征和利率趋势状态特征拼接为特征向量，输入时序网络生成择时信号，信号值大于零为看多，小于等于零为看空[41][42] - **模型评价**： - 相较于传统技术分析，优化后的模型在风险收益比和择时胜率方面有显著提升，且能够更好地适应利率中枢变化趋势[3][42][49] --- 模型的回测效果 1. 短周期利率择时模型 - 策略年化收益：6.63% - 年化超额收益：3.93% - 年化波动率：0.0252 - 择时胜率：58.68% - 平均盈亏比：1.02 - 策略年化夏普比率：2.56 - 基准年化夏普比率：0.71[4][43][42] 2. 价量趋势模型（对比基线策略） - 策略年化收益：4.68% - 年化超额收益：2.03% - 年化波动率：0.0249 - 择时胜率：55.29% - 平均盈亏比：1.03 - 策略年化夏普比率：1.85 - 基准年化夏普比率：0.71[27][29] 3. 技术分析择时模型（基线策略） - 策略年化收益：2.92% - 年化超额收益：0.32% - 年化波动率：0.0250 - 择时胜率：53.40% - 平均盈亏比：0.96 - 策略年化夏普比率：1.16 - 基准年化夏普比率：0.71[27][29] --- 量化因子与构建方式 1. 因子名称：价量特征因子 - **因子的构建思路**：通过国债期货的价量数据提取短期波动特征，捕捉市场情绪和风险偏好变化[3][25] - **因子具体构建过程**： - 收盘价、成交量等特征进行时序z-score标准化 - 日内收益率计算公式： $$ \text{日内收益率} = \ln(\text{close}/\text{open}) $$ - 向上振幅计算公式： $$ \text{向上振幅} = \ln(\text{high}/\text{open}) $$ - 向下振幅计算公式： $$ \text{向下振幅} = \ln(\text{open}/\text{low}) $$ - 趋势特征包括调整后收益率（1个月、3个月、1年）和波动率（短期、中长期）[26] - **因子评价**：价量特征因子提供了丰富的有效信息，显著提升了模型的择时表现[25][27] 2. 因子名称：利率趋势状态因子 - **因子的构建思路**：通过国债收益率曲线的形变特征，识别利率中枢变化趋势[3][30] - **因子具体构建过程**： - 平移趋势强度：通过信息熵计算 $$ T r_{t} = \sum_{i} [(-1) \cdot P_{d_{i},t} \cdot \ln(P_{d_{i},t})] $$ - 扭曲程度：通过KL散度计算 - 形变幅度：衡量各期限收益率相较于上一期的变化幅度[31][32][34] - **因子评价**：利率趋势状态因子能够有效识别利率中枢变化趋势，为择时模型提供了重要的环境状态信息[30][35] --- 因子的回测效果 1. 价量特征因子 - 策略年化收益：4.68% - 年化超额收益：2.03% - 年化波动率：0.0249 - 择时胜率：55.29% - 平均盈亏比：1.03 - 策略年化夏普比率：1.85 - 基准年化夏普比率：0.71[27][29] 2. 利率趋势状态因子 - 策略年化收益：6.63% - 年化超额收益：3.93% - 年化波动率：0.0252 - 择时胜率：58.68% - 平均盈亏比：1.02 - 策略年化夏普比率：2.56 - 基准年化夏普比率：0.71[4][43][42]

量化模型与构建方式 1. 模型名称：因子协方差矩阵模型 - **模型构建思路**：通过多因子模型，将股票协方差矩阵分解为因子协方差矩阵和股票特质风险矩阵的结合，从而实现对股票组合风险的准确预测[1] - **模型具体构建过程**： 1. 使用多因子模型对股票收益进行分解，公式为： $ R_i = \sum_{j=1}^k F_j \beta_{ij} + \epsilon_i $ 其中，$ R_i $ 为股票 $ i $ 的收益，$ F_j $ 为因子 $ j $ 的收益，$ \beta_{ij} $ 为因子 $ j $ 在股票 $ i $ 上的暴露度，$ \epsilon_i $ 为股票 $ i $ 的特质收益[1] 2. 根据因子收益和因子暴露度，构建因子协方差矩阵 $ \Sigma_F $ 和特质风险矩阵 $ \Sigma_{\epsilon} $[1] 3. 最终股票协方差矩阵 $ \Sigma_R $ 的估计公式为： $ \Sigma_R = B \Sigma_F B^T + \Sigma_{\epsilon} $ 其中，$ B $ 为因子暴露矩阵，$ \Sigma_F $ 为因子协方差矩阵，$ \Sigma_{\epsilon} $ 为特质风险矩阵[1] --- 量化因子与构建方式 1. 因子名称：市值因子 - **因子的构建思路**：通过股票市值的大小来衡量其风格特征，通常分为大市值和小市值两种风格[1][2] - **因子具体构建过程**： 1. 计算每只股票的总市值 $ MV_i $ 2. 对股票池中的所有股票按市值从大到小排序，构建市值因子暴露度 $ \beta_{MV} $，公式为： $ \beta_{MV} = \text{log}(MV_i) $ 其中，$ MV_i $ 为股票 $ i $ 的市值[1][2] 2. 因子名称：波动率因子 - **因子的构建思路**：通过股票收益的历史波动率来衡量其风险特征[1][2] - **因子具体构建过程**： 1. 计算股票 $ i $ 在过去 $ n $ 天的收益率 $ R_i $ 2. 计算收益率的标准差 $ \sigma_i $，公式为： $ \sigma_i = \sqrt{\frac{1}{n-1} \sum_{t=1}^n (R_{i,t} - \bar{R}_i)^2} $ 其中，$ R_{i,t} $ 为股票 $ i $ 在 $ t $ 日的收益率，$ \bar{R}_i $ 为股票 $ i $ 的平均收益率[1][2] 3. 因子名称：流动性因子 - **因子的构建思路**：通过股票的交易量和换手率来衡量其流动性特征[1][2] - **因子具体构建过程**： 1. 计算股票 $ i $ 的日均成交量 $ V_i $ 和日均换手率 $ T_i $ 2. 构建流动性因子暴露度 $ \beta_{LIQ} $，公式为： $ \beta_{LIQ} = \frac{V_i}{MV_i} $ 其中，$ V_i $ 为股票 $ i $ 的成交量，$ MV_i $ 为股票 $ i $ 的市值[1][2] 4. 因子名称：价值因子 - **因子的构建思路**：通过股票的基本面估值指标（如市盈率、市净率等）来衡量其价值特征[2] - **因子具体构建过程**： 1. 计算股票 $ i $ 的市盈率 $ PE_i $ 和市净率 $ PB_i $ 2. 构建价值因子暴露度 $ \beta_{VAL} $，公式为： $ \beta_{VAL} = \frac{1}{PE_i} + \frac{1}{PB_i} $ 其中，$ PE_i $ 为股票 $ i $ 的市盈率，$ PB_i $ 为股票 $ i $ 的市净率[2] --- 因子的回测效果 1. 市值因子 - **上周**：贡献了基金重仓指数的-0.50%超额收益和55.79%的超额风险；贡献了微盘股指数的2.57%超额收益和83.84%的超额风险[2] - **本年**：贡献了基金重仓指数的2.16%超额收益和51.88%的超额风险；贡献了微盘股指数的-11.14%超额收益和90.38%的超额风险[2] 2. 波动率因子 - **上周**：贡献了基金重仓指数的-0.06%超额收益和13.90%的超额风险；贡献了中证红利指数的-0.74%超额收益和79.76%的超额风险；贡献了微盘股指数的0.35%超额收益和9.09%的超额风险[2] - **本年**：贡献了基金重仓指数的1.64%超额收益和12.34%的超额风险；贡献了中证红利指数的-8.90%超额收益和63.26%的超额风险；贡献了微盘股指数的10.20%超额收益和4.89%的超额风险[2] 3. 流动性因子 - **上周**：贡献了中证红利指数的0.24%超额收益[2] 4. 价值因子 - **上周**：贡献了中证红利指数的7.29%的超额风险[2] - **本年**：贡献了中证红利指数的5.62%超额收益和8.57%的超额风险[2]

量化模型与构建方式 1. 模型名称：常青低波基金组合策略 - **模型构建思路**：通过量化方法挑选具有低波动特征的主动权益基金，目标是寻找长期稳定收益的基金，满足风险偏好较低的投资者需求[9][11] - **模型具体构建过程**： - 以基金的历史净值回撤和波动水平为核心指标，评估基金经理的投资风格和风险控制能力[11] - 在因子测试中发现，最大回撤和波动率指标具有显著的延续性[11] - 增加基金估值水平的限制，从净值表现和持仓特征两个维度优选基金[11] - 构建低波动特征的主动权益基金组合[11] - **模型评价**：该组合在减小净值波动的同时，保持了较好的收益水平，低波动和小回撤特性在市场波动中得到了验证，适合风险偏好较低的投资者[21] 2. 模型名称：股基增强基金组合策略 - **模型构建思路**：通过挖掘具有更强Alpha收益能力的基金经理，构建风险波动较高且进攻性更强的基金组合，满足高风险偏好投资者的需求[9][12] - **模型具体构建过程**： - 对基金收益率指标进行研究，拆分收益来源[12] - 剔除配置行业的Beta收益，提取剩余的Alpha收益[12] - 发现Alpha收益具有显著延续性，基于此构建组合[12] - 组合在回测中表现出较高的持有期胜率[12] - **模型评价**：组合策略在弱市场环境下表现与基准接近，未来在市场改善后有望展现更强弹性[23] 3. 模型名称：现金增利基金组合策略 - **模型构建思路**：通过多维因子筛选货币基金，优选收益表现更佳的基金，帮助投资者优化现金管理[10][14] - **模型具体构建过程**： - 综合管理费率、托管费率、销售服务费率、久期水平、杠杆水平等因子[14] - 关注机构持仓占比和偏离度等风险指标，避免收益率波动[14] - 构建货币基金优选体系，减少收益波动风险[14] - **模型评价**：策略运行以来持续跑赢基准，超额收益显著，适合现金管理需求[24] 4. 模型名称：海外权益配置基金组合策略 - **模型构建思路**：基于海外市场指数的长期动量和短期反转因子，优选上涨趋势且动能较好的指数，构建全球化投资组合[10][15] - **模型具体构建过程**： - 剔除涨势过高、超买的指数[15] - 选择处于上涨趋势且动能较好的指数作为配置标的[15] - 构建海外权益配置基金组合，拓展全球化投资工具[15] - **模型评价**：组合在美债利率见顶及人工智能科技带动下，累积了较高超额收益，适合全球化配置需求[27] --- 模型的回测效果 1. 常青低波基金组合策略 - 本周收益：1.063%[16] - 近一个月收益：-1.612%[19] - 今年以来收益：10.948%[19] - 策略运行以来收益：5.779%[19] 2. 股基增强基金组合策略 - 本周收益：1.347%[16] - 近一个月收益：-1.774%[19] - 今年以来收益：6.896%[19] - 策略运行以来收益：6.896%[19] 3. 现金增利基金组合策略 - 本周收益：0.034%[17] - 近一个月收益：0.152%[19] - 今年以来收益：1.809%[19] - 策略运行以来收益：2.715%[19] 4. 海外权益配置基金组合策略 - 本周收益：1.269%[17] - 近一个月收益：2.161%[19] - 今年以来收益：17.789%[19] - 策略运行以来收益：23.962%[19]

量化因子与构建方式 1. 因子名称：增强策略因子 - **因子的构建思路**：通过历史数据统计、建模和测算，构建增强策略因子以获取超额收益[5][18] - **因子具体构建过程**： 1. 选取特定指数（如沪深300、中证500、中证1000等）作为基准[5][18] 2. 通过量化模型对指数成分股进行优化，调整权重以实现超额收益[18] 3. 使用历史数据进行回测，验证因子表现[5][18] - **因子评价**：增强策略因子在多个指数中表现出色，部分因子在近一年和2024年以来均取得显著超额收益[18][19] 2. 因子名称：中证1000增强策略因子 - **因子的构建思路**：基于中证1000指数，通过优化权重配置实现超额收益[5][18] - **因子具体构建过程**： 1. 以中证1000指数为基准，构建增强策略模型[18] 2. 对成分股进行权重优化，结合因子选股策略[18] 3. 回测模型表现，验证超额收益能力[18] - **因子评价**：中证1000增强策略因子表现优异，近一年和2024年以来均取得较高超额收益率[18][19] 3. 因子名称：中证500增强策略因子 - **因子的构建思路**：基于中证500指数，通过优化权重配置实现超额收益[5][18] - **因子具体构建过程**： 1. 以中证500指数为基准，构建增强策略模型[18] 2. 对成分股进行权重优化，结合因子选股策略[18] 3. 回测模型表现，验证超额收益能力[18] - **因子评价**：中证500增强策略因子在多个时间窗口均表现良好，部分基金取得显著超额收益[18][19] 4. 因子名称：沪深300增强策略因子 - **因子的构建思路**：基于沪深300指数，通过优化权重配置实现超额收益[5][18] - **因子具体构建过程**： 1. 以沪深300指数为基准，构建增强策略模型[18] 2. 对成分股进行权重优化，结合因子选股策略[18] 3. 回测模型表现，验证超额收益能力[18] - **因子评价**：沪深300增强策略因子在部分基金中表现优异，超额收益稳定[18][19] 5. 因子名称：国证2000增强策略因子 - **因子的构建思路**：基于国证2000指数，通过优化权重配置实现超额收益[5][18] - **因子具体构建过程**： 1. 以国证2000指数为基准，构建增强策略模型[18] 2. 对成分股进行权重优化，结合因子选股策略[18] 3. 回测模型表现，验证超额收益能力[18] - **因子评价**：国证2000增强策略因子在部分基金中表现出色，超额收益显著[18][19] --- 因子的回测效果 增强策略因子 - **上周超额收益率**：21只增强策略ETF表现超过业绩基准，招商中证1000增强策略ETF上周超额收益率为1.18%[18][19] - **2024年以来超额收益率**：招商中证1000增强策略ETF为11.42%，表现最佳[18][19] - **近一年超额收益率**：招商中证1000增强策略ETF为13.08%，表现最佳[18][19] 中证1000增强策略因子 - **上周超额收益率**：汇添富中证1000指数增强A为1.43%，表现最佳[31][34] - **2024年以来超额收益率**：博时中证1000指数增强A为12.62%，表现最佳[32][34] - **近一年超额收益率**：博时中证1000指数增强A为12.62%，表现最佳[32][34] 中证500增强策略因子 - **上周超额收益率**：兴业中证500指数增强A为0.72%，表现最佳[31][34] - **2024年以来超额收益率**：长信中证500指数增强A为7.68%，表现最佳[32][34] - **近一年超额收益率**：长信中证500指数增强A为7.68%，表现最佳[32][34] 沪深300增强策略因子 - **上周超额收益率**：摩根沪深300指数增强A为0.59%，表现最佳[31][34] - **2024年以来超额收益率**：海富通沪深300指数增强A为7.03%，表现最佳[32][34] - **近一年超额收益率**：海富通沪深300指数增强A为7.03%，表现最佳[32][34] 国证2000增强策略因子 - **上周超额收益率**：华夏国证2000指数增强A为1.41%，表现最佳[31][34] - **2024年以来超额收益率**：汇添富国证2000指数增强A为10.17%，表现最佳[32][34] - **近一年超额收益率**：汇添富国证2000指数增强A为10.17%，表现最佳[32][34]

量化因子与构建方式 1. **因子名称**：未上市资产注入 - **因子的构建思路**：筛选存在IPO审核终止、撤回等情况的公司，若其与已上市公司为同一控股股东或实控人，则上市公司存在通过并购重组的方式完成未上市资产注入的可能性[1][2] - **因子具体构建过程**： 1. 从2022年起存在IPO审核终止、撤回等情况的公司中进一步筛选[1] 2. 剔除未上市公司控股股东为上市公司的样本[1] 3. 若同一控股股东下存在多个上市公司，优先按行业进行匹配[1] 4. 剔除速动比率位于全部A股后30%的股票[1] - **因子评价**：该因子通过筛选未上市资产注入的可能性，能够提前捕捉到潜在的并购重组机会[1][2] 2. **因子名称**：产能过剩行业的上下游整合 - **因子的构建思路**：在产能过剩行业中，寻找ROE位于低位、可能存在通过并购重组提升盈利能力需求的行业龙头公司[1][2] - **因子具体构建过程**： 1. 筛选产能过剩行业中的龙头企业[1] 2. 筛选2024Q3 ROETTM在过去5年中的分位数小于30%的公司[1] 3. 剔除速动比率位于全部A股后30%的股票[1] - **因子评价**：该因子通过筛选产能过剩行业中的龙头企业，能够捕捉到通过并购重组提升行业集中度的潜在机会[1][2] 3. **因子名称**：长期破净公司的市值管理需求 - **因子的构建思路**：筛选长期破净、且市净率低于行业平均的上市公司，可能存在较强的市值管理需求[1][2] - **因子具体构建过程**： 1. 筛选截至2024年11月28日，连续12个月破净，且市净率低于所在申万二级行业的平均水平的公司[1] 2. 剔除速动比率位于全部A股后30%的股票[1] 3. 选取PB最低的20只股票构成最终组合[1] - **因子评价**：该因子通过筛选长期破净的公司，能够捕捉到通过并购重组提升估值的潜在机会[1][2] 因子的回测效果 1. **未上市资产注入因子** - **涨幅**：54.0%[1][2] - **超额收益**：25.2%[1][2] 2. **产能过剩行业的上下游整合因子** - **涨幅**：43.5%[1][2] - **超额收益**：14.7%[1][2] 3. **长期破净公司的市值管理需求因子** - **涨幅**：33.1%[1][2] - **超额收益**：4.3%[1][2]

量化因子与构建方式 1. 因子名称：估值偏离因子（EPD） - **因子的构建思路**：结合CTA领域常用的布林带均值回复策略与基本面估值修复逻辑，利用估值指标PE的均值回复特性构建[5] - **因子具体构建过程**：基于PE指标的均值回复特性，构造估值偏离因子EPD，用以捕捉个股估值偏离均值的情况[5] - **因子评价**：该因子能够有效捕捉估值偏离的均值回复特性，具有较好的收益表现[5] 2. 因子名称：缓慢偏离因子（EPDS） - **因子的构建思路**：在EPD因子的基础上，剔除个股估值逻辑变化带来的影响，通过个股信息比率代理估值逻辑被改变的概率[5] - **因子具体构建过程**：在截面上用EPD因子剔除个股估值逻辑被改变的概率（由个股信息比率代理），从而构造缓慢偏离因子EPDS[5] - **因子评价**：该因子通过剔除估值逻辑变化的干扰，进一步提升了因子的稳定性和表现[5] 3. 因子名称：估值异常因子（EPA） - **因子的构建思路**：在EPDS因子的基础上，进一步剔除影响“估值异常”逻辑的Beta、成长与价值风格，最终得到估值异常因子EPA[5] - **因子具体构建过程**：基于EPDS因子，剔除Beta、成长与价值风格的影响，最终形成估值异常因子EPA[5] - **因子评价**：该因子通过多重剔除干扰因素，能够更精准地捕捉估值异常的机会，表现优异[5] --- 因子的回测效果 1. 估值偏离因子（EPD） - 年化收益率：17.64%[6][11] - 年化波动率：9.83%[6][11] - 信息比率（IR）：1.80[6][11] - 月度胜率：71.35%[6][11] - 最大回撤率：8.93%[6][11] 2. 缓慢偏离因子（EPDS） - 年化收益率：16.20%[6][11] - 年化波动率：5.62%[6][11] - 信息比率（IR）：2.88[6][11] - 月度胜率：79.21%[6][11] - 最大回撤率：3.10%[6][11] 3. 估值异常因子（EPA） - 年化收益率：17.15%[6][11] - 年化波动率：5.05%[6][11] - 信息比率（IR）：3.39[6][11] - 月度胜率：81.46%[6][11] - 最大回撤率：3.12%[6][11] 4. 11月单月表现（EPA因子） - 多头组合收益率：5.14%[12] - 空头组合收益率：4.44%[12] - 多空对冲收益率：0.70%[12]

量化因子与构建方式 1. 因子名称：优加换手率 UTR 因子 - **因子的构建思路**：通过结合量小因子（Turn20）和量稳因子（STR），采用“优加法”对因子进行构造，旨在解决“1+1<2”的问题，即在量稳的样本中，量小因子反而越大越好[5] - **因子具体构建过程**： 1. 每月月底，计算所有股票的量小因子（Turn20）和量稳因子（STR）[5] 2. 按照量稳因子从小到大排序，打分为1, 2, ……, N，N为样本数量，记为“得分1”[5] 3. 对于量稳因子排名前50%的样本，按照量小因子从大到小排序，打分为1, 2, ……, N/2，记为“得分2”；最终得分为“得分1+得分2”[5] 4. 对于量稳因子排名后50%的样本，按照量小因子从小到大排序，打分为1, 2, ……, N/2，记为“得分3”；最终得分为“得分1+得分3”[5] 5. 最终构造的因子命名为“优加换手率因子”（UTR）[5] - **因子评价**：通过优加法实现了在量稳样本中量小因子作用方向的优化，解决了传统因子结合中的不足[5] 2. 因子名称：优加换手率 UTR2.0 因子 - **因子的构建思路**：在UTR因子的基础上，将因子值的使用从次序尺度改为等比尺度，并引入神经网络中的激活函数（softsign）作为量小因子的系数，以更好地反映量小因子对收益率的作用[6] - **因子具体构建过程**： 1. 将量小因子（Turn20）和量稳因子（STR）结合，公式如下： $$ \mathrm{UTR2.0}=\mathrm{STR}+s o f t s i g n(\mathrm{STR})\cdot\mathrm{Turn20} $$ 其中，$s o f t s i g n(x)=\frac{x}{1+|x|}$[6] 2. softsign函数的引入使得量小因子的作用方向和强度能够根据量稳因子的值动态调整：量越稳，正作用越强；量越不稳，负作用越强[6] - **因子评价**：UTR2.0因子在收益率略有下降的情况下，显著提升了波动率、信息比率和月度胜率，优化了因子的整体表现[6] --- 因子的回测效果 1. 优加换手率 UTR 因子 - **年化收益率**：未提供具体值 - **年化波动率**：未提供具体值 - **信息比率（IR）**：未提供具体值 - **月度胜率**：未提供具体值 - **最大回撤率**：未提供具体值 2. 优加换手率 UTR2.0 因子 - **年化收益率**：40.28%[6][11] - **年化波动率**：15.08%[6][11] - **信息比率（IR）**：2.67[6][11] - **月度胜率**：75.22%[6][11] - **最大回撤率**：11.03%[6][11] 3. 2024年11月单月表现（UTR2.0因子） - **多头组合收益率**：8.57%[9] - **空头组合收益率**：-1.14%[9] - **多空对冲收益率**：9.71%[9]

根据提供的内容，没有涉及量化主题的模型或因子相关内容，因此无法进行总结