- 本报告未涉及具体的量化模型或因子的构建、公式及测试结果[1][2][3][5]

量化模型与构建方式 1. 模型名称：中证500指数增强策略 - **模型构建思路**：通过在中证500成分股内优选个股，利用多因子模型进行打分，并结合均值-方差优化模型求解最优权重，构建超额收益稳定的组合[8][9] - **模型具体构建过程**： 1. 从技术、估值、财务质量、成长、北向资金五个大类中检验59个单因子，筛选出22个有效因子[8] 2. 对每一大类因子进行合成，依据因子IC值、ICIR值、五组分层、多空收益表现及因子间相关性分析，最终形成五大类合成因子[8] 3. 在样本回测区间（2016年12月30日至2022年2月28日），成长类合成因子表现最佳，IC值为0.07，多空组合的Sharpe比率为1.78，Calmar比率为1.43[8] 4. 将五大类因子合成后作为股票的最终打分，最终打分的因子表现为IC值0.09，多空组合的Sharpe比率为2.92，Calmar比率为3.73[8] 5. 在指数成分股内构建均值-方差优化模型，最大化收益-风险项，同时控制组合在风格、行业、相对基准的暴露，求解最优权重[9] 6. 每月最后一个交易日收盘调仓，持仓期为一个月，每期组合持股数量约为90个[9] - **模型评价**：因子筛选和合成过程严谨，最终打分因子表现较好，回测结果显示策略具有较高的超额收益和风险调整收益[8][9] 2. 模型名称：中证1000指数增强策略 - **模型构建思路**：基于多因子模型，通过等权加权和IC加权方法对因子进行合成，结合均值-方差优化模型构建组合[9] - **模型具体构建过程**： 1. 从估值因子、质量因子、成长因子、分析师因子、北向资金因子、技术因子中筛选有效因子[9] 2. 对因子进行等权加权和IC加权合成，回测时间为2018年至2024年2月29日[9] 3. 等权加权和IC加权策略的超额年化收益均超过12%，等权加权策略的波动率和最大回撤相对更低，两种策略的IR均在2.1左右，Calmar比率在1.3左右[9] 4. 在2024年1月至2024年2月29日期间，IC加权策略的绝对收益为-1.93%，超额中证1000指数收益为7.28%[9] 5. 采用均值-方差优化模型，最大化收益-风险项，同时控制组合在风格、行业、相对基准的暴露，求解最优权重[9] 6. 每月最后一个交易日收盘调仓，持仓期为一个月，每期组合持股数量约为90个[9] - **模型评价**：策略在回测中表现出较高的超额收益和稳定性，尤其是IC加权策略在近期表现更优[9] --- 模型的回测效果 中证500指数增强策略 - **上周**：策略收益为-0.38%，同期指数收益为-1.43%，超额收益为1.05%[2][10] - **本月**：策略收益为-2.22%，同期指数收益为-3.40%，超额收益为1.18%[3][13] - **本年**：策略收益为-1.58%，同期指数收益为-13.06%，超额收益为11.47%[3][15] 中证1000指数增强策略 - **上周**：策略收益为-1.86%，同期指数收益为-2.23%，超额收益为0.37%[2][10] - **本月**：策略收益为-3.93%，同期指数收益为-3.81%，超额收益为-0.11%[3][13] - **本年**：策略收益为-5.23%，同期指数收益为-20.12%，超额收益为14.89%[3][15] --- 量化因子与构建方式 1. 因子名称：波动率_1个月 - **因子的构建思路**：衡量个股在过去一个月内的波动性，作为反映市场情绪和风险的指标[20] - **因子具体构建过程**： 1. 计算个股过去一个月的日均波动率 2. 构建因子分组，计算多空组合的收益率作为因子收益[20] 3. 因子拥挤度通过多空组合的换手率比率和波动率比率的均值计算[21] - **因子评价**：因子收益表现较好，拥挤度较低，适合在组合中增加暴露[23] 2. 因子名称：市值 - **因子的构建思路**：以个股市值为指标，反映规模效应[20] - **因子具体构建过程**： 1. 按市值大小对个股进行分组 2. 计算多空组合的收益率作为因子收益[20] 3. 因子拥挤度通过多空组合的换手率比率和波动率比率的均值计算[21] - **因子评价**：因子收益在本年表现较好，但近期回撤较大，需警惕风险[23][31] 3. 因子名称：一致预期_EPS - **因子的构建思路**：基于分析师对个股未来每股收益的预期，反映市场对公司盈利能力的看法[20] - **因子具体构建过程**： 1. 收集分析师一致预期的EPS数据 2. 构建因子分组，计算多空组合的收益率作为因子收益[20] 3. 因子拥挤度通过多空组合的换手率比率和波动率比率的均值计算[21] - **因子评价**：因子拥挤度较高，需控制组合中该因子的暴露[23][28] --- 因子的回测效果 波动率_1个月因子 - **上周**：因子收益为1.68%，拥挤度为0.45[23] - **本月**：因子收益为2.12%，拥挤度为0.45[23] - **本年**：因子收益为14.07%，拥挤度为0.45[23] 市值因子 - **上周**：因子收益为-1.51%，拥挤度为0.59[23] - **本月**：因子收益为-2.61%，拥挤度为0.59[23] - **本年**：因子收益为11.60%，拥挤度为0.59[23] 一致预期_EPS因子 - **上周**：因子收益为0.01%，拥挤度为1.43[23] - **本月**：因子收益为-1.05%，拥挤度为1.43[23] - **本年**：因子收益为-4.46%，拥挤度为1.43[23]

量化因子与构建方式 - **因子名称：1/PB** - **因子的构建思路**：基于估值类因子，反映公司市净率的倒数，低市净率公司可能具有更高的投资价值[36][37] - **因子具体构建过程**：计算公式为 $ 1/PB $，其中PB为市净率，等于公司市值除以净资产[36][37] - **因子评价**：该因子在近一周、近一个月和近一年均表现较好，尤其在估值类因子中具有显著的超额收益能力[36][38] - **因子名称：股息率** - **因子的构建思路**：基于收益分配能力，反映公司股息与股价的比值，股息率高的公司可能更具吸引力[36][37] - **因子具体构建过程**：计算公式为 $ 股息率 = 每股股息 / 股价 $，其中每股股息为公司分红总额除以总股本[36][37] - **因子评价**：该因子在近一周和近一年表现较好，尤其在收益分配相关因子中具有较高的稳定性[36][38] - **因子名称：PS** - **因子的构建思路**：基于估值类因子，反映公司市销率的倒数，低市销率公司可能具有更高的投资价值[36][37] - **因子具体构建过程**：计算公式为 $ PS = 市值 / 营业收入 $，其中市值为公司总市值，营业收入为公司年度总收入[36][37] - **因子评价**：该因子在近一周表现较差，但在近一年表现较好，显示出一定的周期性[36][37] - **因子名称：对数市值** - **因子的构建思路**：基于规模类因子，反映公司市值的对数值，通常用于衡量公司规模对收益的影响[36][37] - **因子具体构建过程**：计算公式为 $ 对数市值 = \log(市值) $，其中市值为公司总市值[36][37] - **因子评价**：该因子在近一周、近一个月和近一年均表现较好，尤其在规模类因子中具有显著的超额收益能力[36][38] - **因子名称：1/PE** - **因子的构建思路**：基于估值类因子，反映公司市盈率的倒数，低市盈率公司可能具有更高的投资价值[36][37] - **因子具体构建过程**：计算公式为 $ 1/PE $，其中PE为市盈率，等于公司市值除以净利润[36][37] - **因子评价**：该因子在近一年表现较好，尤其在估值类因子中具有较高的稳定性[36][38] 因子的回测效果 - **1/PB因子** - 近一周IC值：21.17%[36][37] - 近一个月平均IC值：5.49%[36][37] - 近一年平均IC值：6.37%[36][37] - 近一周超额收益：1.47%[39] - 近一月超额收益：5.55%[39] - 近一年超额收益：6.08%[39] - **股息率因子** - 近一周IC值：22.66%[36][37] - 近一个月平均IC值：-3.83%[36][37] - 近一年平均IC值：3.88%[36][37] - 近一周超额收益：1.40%[39] - 近一月超额收益：2.68%[39] - 近一年超额收益：11.18%[39] - **PS因子** - 近一周IC值：-21.96%[36][37] - 近一个月平均IC值：0.56%[36][37] - 近一年平均IC值：-4.56%[36][37] - 近一周超额收益：1.28%[39] - 近一月超额收益：4.55%[39] - 近一年超额收益：2.99%[39] - **对数市值因子** - 近一周IC值：-11.01%[36][37] - 近一个月平均IC值：-5.01%[36][37] - 近一年平均IC值：-2.83%[36][37] - 近一周超额收益：1.77%[39] - 近一月超额收益：9.25%[39] - 近一年超额收益：13.85%[39] - **1/PE因子** - 近一周IC值：4.83%[36][37] - 近一个月平均IC值：-6.27%[36][37] - 近一年平均IC值：3.15%[36][37] - 近一周超额收益：1.16%[39] - 近一月超额收益：1.59%[39] - 近一年超额收益：15.58%[39]

量化模型与构建方式 模型名称：打新收益率模型 模型构建思路 通过跟踪不同情景下的打新收益率，估算在不同情景下的打新收益率[2][8] 模型具体构建过程 1. 情景1：所有主板、科创板、创业板的股票都打中 2. 情景2：只打上市时公司已实现正盈利的股票，即所有主板、创业板股票都打，科创板选择只打已实现盈利的新股 3. 情景3：主板新股都打，双创新股只打上市时公司已实现正盈利的股票，且上市PE不超过招股说明书中披露的可比照的同行业市盈率x%幅度的股票，当x%=0时，即只打上市PE不超过同行PE的股票（x在打新数据库中可自选） 4. 情景4：假设能够提前预判双创新股的涨跌情况（即机构的新股定价能力很强），例如，假设双创新股上市后上涨的股票中能够打中y%，而下跌的股票中能够打中z%，主板新股都打。机构定价能力越强，y%越高，z%越低（y，z，测算方式在打新数据库中均可自选）[8][9] 模型评价 该模型通过不同情景的假设，能够较为全面地评估打新策略在不同市场环境下的表现，具有较高的实用性和参考价值[8] 模型的回测效果 1. 情景1：A类2亿规模账户打新收益率1.05%，C类2亿规模账户打新收益率0.83%[2][9] 2. 情景2：A类2亿规模账户打新收益率1.05%，C类2亿规模账户打新收益率0.83%[2][9] 3. 情景3：A类2亿规模账户打新收益率0.89%，C类2亿规模账户打新收益率0.72%（设置参数x%=0%）[2][9] 4. 情景4：A类2亿规模账户打新收益率1.05%，C类2亿规模账户打新收益率0.84%（设置参数y%=100%，z%=0%，模糊估计法）[2][9]

量化模型与构建方式 宏观状态事件预测模型 - **模型名称**：宏观状态事件预测模型 - **模型构建思路**：通过Logit模型预测宏观环境状态，基于多维度宏观变量的变化进行建模[9][27] - **模型具体构建过程**： - 选取短期货币流动性、长端利率、信用、经济增长以及汇率五个维度的宏观变量[21] - 对变量进行平稳化处理，计算变化值及影响系数[24] - 使用Logit模型进行预测，公式为： $ Logit = \frac{1}{1 + e^{-z}} $ 其中，$ z $ 为变量的线性组合[27] - **模型评价**：模型预测值持续下降，已处于历史低位，反映当前宏观环境较弱[9][27] 行业轮动策略模型 - **模型名称**：国联行业轮动策略2.0 - **模型构建思路**：基于经济四象限理论，结合多维度行业风格因子进行行业轮动配置[69][71] - **模型具体构建过程**： - 构建经济四象限：[企业盈利上行，信用上行]、[企业盈利上行，信用下行]、[企业盈利下行，信用上行]、[企业盈利下行，信用下行][69] - 选取行业风格因子，包括一致预期景气、超越预期盈利、龙头效应、行业估值泡沫、反转因子、动量因子、拥挤度、通胀beta等[69] - 在四个象限中对因子进行有效性检验，最终配置高预期收益行业[71] - **模型评价**：策略框架清晰，能够有效捕捉行业轮动机会[71][72] 遗传规划选股模型 - **模型名称**：遗传规划选股模型 - **模型构建思路**：通过遗传规划算法挖掘因子，构建指数增强组合[83][86][93][98] - **模型具体构建过程**： - 股票池：分别选取沪深300、中证500、中证1000和中证全指成分股[83][86][93][98] - 训练集：样本内数据为2016年1月1日至2020年12月31日[83][86][93][98] - 因子挖掘：通过遗传规划算法，设置初始种群、代数和轮数，最终得到多个因子加权复合组成[83][86][93][98] - 策略：每周选择模型得分最高的每个行业内前10%的股票构建多头组合，周频调仓，交易成本为双边千三[83][86][93][98] - **模型评价**：因子挖掘过程复杂，能够有效提升选股能力[83][86][93][98] --- 模型的回测效果 宏观状态事件预测模型 - Logit预测值：2024年8月9日为0.109，上月末值为0.131[27][28] 行业轮动策略模型 - 无剔除版年化超额收益：9.21%[72][77] - 双剔除版年化超额收益：11.43%[72][81] 遗传规划选股模型 - **沪深300选股因子**： - 年化超额收益率：19.34% - 夏普率：1.02 - 今年以来超额收益率：7.60% - 本周超额收益率：1.49%[85][88] - **中证500选股因子**： - 年化超额收益率：12.25% - 夏普率：0.65 - 今年以来超额收益率：8.06% - 本周超额收益率：0.88%[87][90] - **中证1000选股因子**： - 年化超额收益率：19.34% - 夏普率：0.75 - 今年以来超额收益率：6.69% - 本周超额收益率：1.32%[96][97] - **中证全指选股因子**： - 年化超额收益率：24.14% - 夏普率：1.12 - 今年以来超额收益率：9.00% - 本周超额收益率：1.22%[99][101] --- 量化因子与构建方式 微观结构风险因子 - **因子名称**：微观结构风险因子 - **因子构建思路**：通过估值、风险溢价、波动率和流动性四类因子刻画宽基指数的微观结构风险[33] - **因子具体构建过程**： - 估值：市盈率与市净率在过去5年中所处分位数的均值 - 风险溢价：ERP(ep-rf:市盈率倒数减去一年期定存利率)在过去5年中所处分位数 - 波动率：50日波动率在过去5年中所处分位数 - 流动性：自由流通市值换手率在过去5年中所处分位数 - 综合因子：四因子等权相加[34] - **因子评价**：因子具有均值回复特性，能够有效刻画结构性风险[33][34] 行业轮动因子 - **因子名称**：行业轮动因子 - **因子构建思路**：基于多维度行业风格因子进行轮动配置[69][71] - **因子具体构建过程**： - 包括一致预期景气、超越预期盈利、龙头效应、行业估值泡沫、反转因子、动量因子、拥挤度、通胀beta等[69] - 在经济四象限中对因子进行有效性检验，最终配置高预期收益行业[71] - **因子评价**：因子表现稳定，能够捕捉行业轮动机会[71][72] --- 因子的回测效果 微观结构风险因子 - 中证全指结构风险：0.219 - 沪深300结构风险：0.218 - 中证500结构风险：0.254 - 中证1000结构风险：0.276[35] 行业轮动因子 - 历史年化收益率：一致预期行业景气因子表现较好，北向资金因子近期收益率有所回落[59][61]

- 短期价量行业配置模型建议未来一周配置建筑、轻工制造、商贸零售、医药、房地产及综合行业[4] - 宏观择时策略建议8月份的权益配置比例为20%，较7月下降5%[5][31] - 量价类技术因子和低波因子在弱市中表现较好，低估值顺周期板块和红利板块表现优异[5][47] - 选股因子中，反转、质量、技术、价值、波动率因子在全部A股、沪深300、中证500和中证1000股票池中表现较好[47] - 可转债择券因子中，正股价值和转债估值因子上周表现较好[54] - 行业轮动策略的年化收益率为10.65%，夏普比率为0.53，信息比率为0.76[34]

总结 量化因子与构建方式 - **因子名称**：长江动量因子 - **因子的构建思路**：以股票的动量特征为核心，筛选出动量特征强且流动性较高的股票[25] - **因子具体构建过程**： 1. 动量指标计算：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[25] 2. 筛选股票：选择A股市场中动量特征强且流动性较高的前100只股票作为指数成分股[25] 3. 指数构建：以选定股票构建动量指数，表征A股市场中最具动量特征股票的整体走势[25] - **因子名称**：长江反转因子 - **因子的构建思路**：以反转效应为核心，筛选出反转特征强且流动性较高的股票[26] - **因子具体构建过程**： 1. 反转指标计算：最近一个月股票收益率作为筛选指标[26] 2. 筛选股票：选择A股市场中反转效应强且流动性较高的前100只股票作为指数成分股[26] 3. 权重分配：采用成分股近三个月日均成交量进行加权[26] 4. 指数构建：表征A股市场各阶段高反转特征个股的整体表现[26] 因子的回测效果 - **长江动量因子** - **近一周**：动量较反转超额收益为3.7%[24] - **近一月**：动量较反转超额收益为-6.1%[24] - **年初至今**：动量较反转超额收益为-6.1%[24] - **长江反转因子** - **近一周**：反转较动量超额收益为-3.7%[24] - **近一月**：反转较动量超额收益为6.1%[24] - **年初至今**：反转较动量超额收益为6.1%[24] 风格因子与拥挤度 - **成长 vs 红利** - **拥挤度**：成长风格拥挤度处于历史低位（10%），红利风格拥挤度处于历史高位（83%）[30][31] - **超额净值**：成长较红利超额净值近一周上行，红利较成长占优[30][31] - **大盘 vs 小盘** - **拥挤度**：小盘风格拥挤度处于历史低位（2%），大盘风格拥挤度处于历史均衡位置（41%）[35][36] - **超额净值**：小盘较大盘超额净值近一周下行，大盘较小盘占优[35][36] - **微盘股 vs 基金重仓** - **拥挤度**：微盘股拥挤度处于历史极高位置（100%），基金重仓拥挤度处于历史极高位置（99%）[37][38] - **超额净值**：微盘股较基金重仓超额净值近一周上行，基金重仓较微盘股占优[37][38] 风格因子的回测效果 - **成长 vs 红利** - **近一周**：成长较红利超额收益为0.2%[24] - **近一月**：成长较红利超额收益为-1.3%[24] - **年初至今**：成长较红利超额收益为-15.0%[24] - **大盘 vs 小盘** - **近一周**：小盘较大盘超额收益为-0.4%[24] - **近一月**：小盘较大盘超额收益为0.3%[24] - **年初至今**：小盘较大盘超额收益为-12.4%[24] - **微盘股 vs 基金重仓** - **近一周**：微盘股较基金重仓超额收益为2.1%[24] - **近一月**：微盘股较基金重仓超额收益为6.4%[24] - **年初至今**：微盘股较基金重仓超额收益为-13.7%[24]

量化因子与构建方式 - **因子名称：小市值因子** - **因子的构建思路**：小市值因子通过衡量市值较小的股票表现，捕捉市场中小市值股票的超额收益特性[22] - **因子具体构建过程**：使用估值价差、配对相关性、长期收益反转、因子波动率四个指标度量因子拥挤程度，计算复合拥挤度[22][25] - **因子评价**：小市值因子拥挤度迅速回升，表明市场对小市值股票的关注度增加[22][25] - **因子名称：低估值因子** - **因子的构建思路**：低估值因子通过衡量估值较低的股票表现，捕捉市场中低估值股票的超额收益特性[22] - **因子具体构建过程**：同样使用估值价差、配对相关性、长期收益反转、因子波动率四个指标度量因子拥挤程度，计算复合拥挤度[22][25] - **因子评价**：低估值因子拥挤度较高，表明市场对低估值股票的关注度较大[22][25] - **因子名称：高盈利因子** - **因子的构建思路**：高盈利因子通过衡量盈利能力较强的股票表现，捕捉市场中高盈利股票的超额收益特性[22] - **因子具体构建过程**：同样使用估值价差、配对相关性、长期收益反转、因子波动率四个指标度量因子拥挤程度，计算复合拥挤度[22][25] - **因子评价**：高盈利因子拥挤度为负，表明市场对高盈利股票的关注度有所下降[22][25] - **因子名称：高增长因子** - **因子的构建思路**：高增长因子通过衡量增长能力较强的股票表现，捕捉市场中高增长股票的超额收益特性[22] - **因子具体构建过程**：同样使用估值价差、配对相关性、长期收益反转、因子波动率四个指标度量因子拥挤程度，计算复合拥挤度[22][25] - **因子评价**：高增长因子拥挤度为负，表明市场对高增长股票的关注度有所下降[22][25] 因子的回测效果 - **小市值因子** - 估值价差：0.27[25] - 配对相关性：0.50[25] - 市场波动：-0.36[25] - 收益反转：1.21[25] - 综合打分（拥挤度）：0.41[25] - **低估值因子** - 估值价差：1.83[25] - 配对相关性：0.30[25] - 市场波动：-0.80[25] - 收益反转：1.82[25] - 综合打分（拥挤度）：0.79[25] - **高盈利因子** - 估值价差：-0.68[25] - 配对相关性：0.15[25] - 市场波动：-0.10[25] - 收益反转：-0.83[25] - 综合打分（拥挤度）：-0.36[25] - **高增长因子** - 估值价差：-0.46[25] - 配对相关性：0.10[25] - 市场波动：-0.64[25] - 收益反转：-0.50[25] - 综合打分（拥挤度）：-0.37[25]

量化因子与构建方式 高频偏度因子 - **因子的构建思路** 高频偏度因子通过分析股票收益分布特征，捕捉高频数据中的偏度信息，反映市场中收益分布的非对称性[14][16][17] - **因子具体构建过程** 计算方式参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》，具体方法未在本报告中详细列出[14][17] - **因子评价** 高频偏度因子在本周和8月表现出一定的多空收益，但2024年整体收益为负，说明其在长期表现上存在一定波动性[13][14] 下行波动占比因子 - **因子的构建思路** 下行波动占比因子通过分解已实现波动，捕捉市场中下行风险的占比特征[17][20] - **因子具体构建过程** 计算方式参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》，具体方法未在本报告中详细列出[17][20] - **因子评价** 因子在本周和8月表现出较好的多空收益，但2024年整体收益为负，表明其在捕捉下行风险方面具有一定的短期有效性[13][17] 开盘后买入意愿占比因子 - **因子的构建思路** 通过分析开盘后买入意愿的占比，反映市场参与者的交易意图[22][23] - **因子具体构建过程** 计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》，具体方法未在本报告中详细列出[22][23] - **因子评价** 因子在2024年表现出正收益，表明其在捕捉开盘交易意图方面具有一定的有效性[13][22] 开盘后买入意愿强度因子 - **因子的构建思路** 通过分析开盘后买入意愿的强度，进一步量化市场交易意图的强弱[25][26] - **因子具体构建过程** 计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》，具体方法未在本报告中详细列出[25][26] - **因子评价** 因子在2024年表现出正收益，表明其在捕捉开盘交易强度方面具有一定的有效性[13][25] 开盘后大单净买入占比因子 - **因子的构建思路** 通过分析开盘后大单净买入的占比，捕捉市场中大单交易的行为特征[29][30] - **因子具体构建过程** 具体方法未在本报告中详细列出[29][30] - **因子评价** 因子在2024年表现出较高的正收益，表明其在捕捉大单交易行为方面具有较好的有效性[13][29] 开盘后大单净买入强度因子 - **因子的构建思路** 通过分析开盘后大单净买入的强度，进一步量化大单交易的影响力[32][34] - **因子具体构建过程** 具体方法未在本报告中详细列出[32][34] - **因子评价** 因子在2024年表现出较高的正收益，表明其在捕捉大单交易强度方面具有较好的有效性[13][32] 深度学习因子（多颗粒度模型-5日标签） - **因子的构建思路** 基于双向AGRU模型训练，捕捉多颗粒度的市场特征[58][61] - **因子具体构建过程** 通过双向AGRU模型对高频数据进行训练，生成5日标签的因子值[58][61] - **因子评价** 因子在本周、8月及2024年均表现出显著的多空收益，表明其在捕捉市场特征方面具有较高的有效性[13][58] 深度学习因子（多颗粒度模型-10日标签） - **因子的构建思路** 基于双向AGRU模型训练，捕捉多颗粒度的市场特征[62][65] - **因子具体构建过程** 通过双向AGRU模型对高频数据进行训练，生成10日标签的因子值[62][65] - **因子评价** 因子在本周、8月及2024年均表现出显著的多空收益，表明其在捕捉市场特征方面具有较高的有效性[13][62] 深度学习高频因子（改进GRU(50,2)+NN(10)） - **因子的构建思路** 通过改进的GRU和神经网络模型，捕捉高频数据中的复杂特征[51][53] - **因子具体构建过程** 使用GRU(50,2)和NN(10)模型对高频数据进行训练，生成因子值[51][53] - **因子评价** 因子在2024年表现出较高的正收益，表明其在捕捉高频特征方面具有较好的有效性[13][51] 深度学习高频因子（残差注意力LSTM(48,2)+NN(10)） - **因子的构建思路** 通过残差注意力机制和LSTM模型，捕捉高频数据中的复杂特征[56][57] - **因子具体构建过程** 使用残差注意力LSTM(48,2)和NN(10)模型对高频数据进行训练，生成因子值[56][57] - **因子评价** 因子在2024年表现出正收益，表明其在捕捉高频特征方面具有一定的有效性[13][56] --- 因子的回测效果 高频偏度因子 - 本周多空收益：0.25%[13] - 8月多空收益：0.33%[13] - 2024年多空收益：-2.06%[13] 下行波动占比因子 - 本周多空收益：0.46%[13] - 8月多空收益：0.59%[13] - 2024年多空收益：-4.03%[13] 开盘后买入意愿占比因子 - 本周多空收益：-0.04%[13] - 8月多空收益：-0.07%[13] - 2024年多空收益：0.45%[13] 开盘后买入意愿强度因子 - 本周多空收益：0.01%[13] - 8月多空收益：0.04%[13] - 2024年多空收益：1.54%[13] 开盘后大单净买入占比因子 - 本周多空收益：0.04%[13] - 8月多空收益：-0.36%[13] - 2024年多空收益：3.80%[13] 开盘后大单净买入强度因子 - 本周多空收益：0.01%[13] - 8月多空收益：-0.45%[13] - 2024年多空收益：3.73%[13] 深度学习因子（多颗粒度模型-5日标签） - 本周多空收益：0.33%[13] - 8月多空收益：0.41%[13] - 2024年多空收益：6.68%[13] 深度学习因子（多颗粒度模型-10日标签） - 本周多空收益：0.39%[13] - 8月多空收益：0.48%[13] - 2024年多空收益：6.87%[13] 深度学习高频因子（改进GRU(50,2)+NN(10)） - 本周多空收益：0.17%[13] - 8月多空收益：0.25%[13] - 2024年多空收益：3.79%[

- 我们采用总热度指标，对宽基、行业、概念中的个股成分股的总热度指标进行加和，得到宽基、行业、概念层面的"总热度"指标[9] - 股票的浏览、自选与点击次数之和，以同一日在全市场占比的方式进行归一化，将归一化后的数值乘以10000，指标取值区间为[0,10000][9] - 宽基、行业与概念作为一个更大的整体，关注度不足导致错误定价的逻辑不如在个股层面通畅，因此我们将聚合的总热度看作"情绪热度"的代理变量进行追踪[9] 量化模型与构建方式 1. **模型名称**：宽基轮动策略 - **模型构建思路**：通过热度周度变化率构建轮动策略，在每周最后一个交易日买入总热度变化率MA2最大的宽基，如果变化率最大的为"其他"组则空仓[15] - **模型具体构建过程**： - 计算不同组股票周度热度变化率，并取MA2进行平滑处理 - 在每周最后一个交易日买入总热度变化率MA2最大的宽基，如果变化率最大的为"其他"组则空仓[12][15] - **模型评价**：策略2017年来年化收益率8.74%，最大回撤23.5%，2024年来收益为-8.2%[17] 模型的回测效果 1. **宽基轮动策略**： - 年化收益率：8.74%[17] - 最大回撤：23.5%[17] - 2024年来收益：-8.2%[17] 量化因子与构建方式 1. **因子名称**：总热度指标 - **因子的构建思路**：通过股票的浏览、自选与点击次数之和，以同一日在全市场占比的方式进行归一化，将归一化后的数值乘以10000，得到总热度指标[9] - **因子具体构建过程**： - 股票的浏览、自选与点击次数之和 - 以同一日在全市场占比的方式进行归一化 - 将归一化后的数值乘以10000，指标取值区间为[0,10000][9] - **因子评价**：总热度指标作为"情绪热度"的代理变量进行追踪[9] 因子的回测效果 1. **总热度指标**： - 无具体回测效果数据 复合因子与构建方式 1. **因子名称**：热度变化率 - **因子的构建思路**：通过计算每个申万一级、二级行业热度的周度变化率MA2，得到行业层面的热度变化率[20] - **因子具体构建过程**： - 计算每个申万一级、二级行业热度的周度变化率 - 取MA2进行平滑处理[20] - **因子评价**：热度变化率作为行业热度变化的代理变量进行追踪[20] 因子的回测效果 1. **热度变化率**： - 无具体回测效果数据