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

量化因子与构建方式 1. 因子名称：基金超配比例因子（$FOP_{i,t}$） - **因子的构建思路**：衡量公募基金对某只股票的超配程度，反映基金经理对股票的偏好程度[17][41] - **因子具体构建过程**： 公式为： $$FOP_{i,t} = \frac{weight_{fund_{i,t}}}{weight_{market_{i,t}}} - 1$$ 其中，$weight_{fund_{i,t}}$ 表示股票 $i$ 在公募基金持仓中的比重，$weight_{market_{i,t}}$ 表示股票 $i$ 在市场总市值中的比重。$FOP_{i,t}$ 越高，说明公募基金对该股票的超配程度越高[17][41] - **因子评价**：基金超配比例因子能够有效反映公募基金对股票的偏好，但超配程度高的股票并不一定意味着未来收益高，因其对市场情绪的敏感性较强[41][42] 2. 因子名称：基金超配比例变化因子（$FOC_{i,t}$） - **因子的构建思路**：衡量公募基金对某只股票超配比例的时序变化，捕捉基金经理对股票配置的动态调整[41] - **因子具体构建过程**： 公式为： $$FOC_{i,t} = \frac{1 + FOP_{i,t}}{1 + FOP_{i,t-1}} - 1$$ 其中，$FOP_{i,t}$ 表示当前期的超配比例，$FOP_{i,t-1}$ 表示上一期的超配比例。$FOC_{i,t}$ 越高，说明基金对该股票的超配程度提升越显著[41] - **因子评价**：超配比例变化因子在中小盘股的多头端表现优异，能够捕捉到基金经理对股票配置的积极调整[45][47] 3. 因子名称：重仓股超配比例因子（$FOP_{adj\_qtr}$） - **因子的构建思路**：基于季报披露的前十大重仓股数据，剔除抱团效应后，衡量基金对股票的超配程度[48][51] - **因子具体构建过程**： 公式与全持仓超配比例因子类似，但数据来源为季报披露的重仓股数据，且通过剔除抱团效应对数据进行调整[48][51] - **因子评价**：重仓股超配比例因子在大盘股中效果更显著，能够更好地反映基金对大盘股的偏好[48][51] 4. 因子名称：基金持仓因子（$FOA$） - **因子的构建思路**：将全持仓超配比例因子（$FOP_{i,t}$）和重仓股超配比例因子（$FOP_{adj\_qtr}$）合成，综合反映基金持仓对股票的偏好[57][58] - **因子具体构建过程**： 通过对$FOP_{i,t}$和$FOP_{adj\_qtr}$进行加权合成，调仓频率为月频，最终得到基金持仓因子$FOA$[57][58] - **因子评价**：合成后的基金持仓因子选股效果显著增强，能够在多样化的股票池中表现出较好的分组效果[58][60] --- 因子的回测效果 1. 基金超配比例因子（$FOP_{i,t}$） - **全体样本**：多空年化收益14.4%，多头超额年化收益6.8%，多头超额夏普比1.11[47] - **沪深300**：多空年化收益6.4%，多头超额年化收益4.3%，多头超额夏普比0.67[47] - **中证500**：多空年化收益8.4%，多头超额年化收益6.7%，多头超额夏普比1.62[47] - **中证1000**：多空年化收益11.7%，多头超额年化收益7.0%，多头超额夏普比1.13[47] 2. 基金超配比例变化因子（$FOC_{i,t}$） - **全体样本**：多空年化收益9.5%，多头超额年化收益8.2%，多头超额夏普比1.04[57] - **沪深300**：多空年化收益5.9%，多头超额年化收益6.0%，多头超额夏普比1.02[57] - **中证500**：多空年化收益5.0%，多头超额年化收益6.8%，多头超额夏普比1.25[57] - **中证1000**：多空年化收益6.8%，多头超额年化收益9.1%，多头超额夏普比1.30[57] 3. 重仓股超配比例因子（$FOP_{adj\_qtr}$） - **全体样本**：多空年化收益10.0%，多头超额年化收益8.8%，多头超额夏普比1.12[54] - **沪深300**：多空年化收益6.2%，多头超额年化收益6.3%，多头超额夏普比0.89[54] - **中证500**：多空年化收益8.5%，多头超额年化收益8.4%，多头超额夏普比1.35[54] - **中证1000**：多空年化收益9.9%，多头超额年化收益10.4%，多头超额夏普比1.39[54] 4. 基金持仓因子（$FOA$） - **全体样本**：多空年化收益14.0%，多头超额年化收益9.4%，多头超额夏普比1.31[60] - **沪深300**：多空年化收益7.5%，多头超额年化收益5.7%，多头超额夏普比0.83[60] - **中证500**：多空年化收益8.4%，多头超额年化收益7.1%，多头超额夏普比1.40[60] - **中证1000**：多空年化收益11.3%，多头超额年化收益10.3%，多头超额夏普比1.60[60]

量化模型与构建方式 1. 模型名称：指数增强策略（沪深300、中证500、中证1000、中证2000） - **模型构建思路**：通过成分股内选股，利用量化模型在指数成分股中挖掘超额收益机会，构建增强型投资组合[3] - **模型具体构建过程**：基于指数成分股，结合量化因子进行选股，优化组合权重以实现超额收益。具体因子选择和权重优化过程未在报告中详细说明[3] --- 模型的回测效果 1. 沪深300指数增强策略 - 本周收益：2.07%[3] - 本周超额收益：0.87%[3] - 本年收益：10.56%[3] - 本年超额收益：9.35%[3] - 超额最大回撤：-2.76%[3] 2. 中证500指数增强策略 - 本周收益：1.24%[3] - 本周超额收益：0.15%[3] - 本年收益：-0.39%[3] - 本年超额收益：9%[3] - 超额最大回撤：-1.8%[3] 3. 中证1000指数增强策略 - 本周收益：2.44%[3] - 本周超额收益：1.04%[3] - 本年收益：-4.75%[3] - 本年超额收益：12.39%[3] - 超额最大回撤：-1.38%[3] 4. 中证2000指数增强策略 - 本周收益：2.21%[3] - 本周超额收益：1.07%[3] - 本年收益：-14.44%[3] - 本年超额收益：9.55%[3] - 超额最大回撤：-1.47%[3] --- 量化因子与构建方式 1. 因子名称：标准化预期外单季度归母净利润-带漂移项 - **因子的构建思路**：通过标准化处理和漂移调整，捕捉单季度归母净利润的超预期表现[2] - **因子具体构建过程**：未提供详细公式和构建过程[2] 2. 因子名称：标准化预期外市盈率（归母）-带漂移项 - **因子的构建思路**：通过标准化和漂移调整，衡量市盈率的超预期变化[2] - **因子具体构建过程**：未提供详细公式和构建过程[2] 3. 因子名称：标准化预期外单季度营业收入-带漂移项 - **因子的构建思路**：通过标准化和漂移调整，捕捉单季度营业收入的超预期表现[2] - **因子具体构建过程**：未提供详细公式和构建过程[2] 4. 因子名称：EPG分位数 - **因子的构建思路**：通过分位数方法衡量企业盈利增长与估值的匹配程度[2] - **因子具体构建过程**：未提供详细公式和构建过程[2] 5. 因子名称：分析师预测净利润增长率FY3 - **因子的构建思路**：基于分析师预测数据，衡量未来三年净利润增长的预期[2] - **因子具体构建过程**：未提供详细公式和构建过程[2] 6. 因子名称：单季度扣非净利润同比增长率 - **因子的构建思路**：衡量单季度扣非净利润的同比增长情况[2] - **因子具体构建过程**：未提供详细公式和构建过程[2] 7. 因子名称：单季度归母净利润同比增长率 - **因子的构建思路**：衡量单季度归母净利润的同比增长情况[2] - **因子具体构建过程**：未提供详细公式和构建过程[2] 8. 因子名称：单季度营业利润同比增长率 - **因子的构建思路**：衡量单季度营业利润的同比增长情况[2] - **因子具体构建过程**：未提供详细公式和构建过程[2] 9. 因子名称：标准化预期外归母净利润同比 - **因子的构建思路**：通过标准化处理，捕捉归母净利润同比增长的超预期表现[2] - **因子具体构建过程**：未提供详细公式和构建过程[2] 10. 因子名称：单季度归母ROA变动 - **因子的构建思路**：衡量单季度归母ROA的变化情况[2] - **因子具体构建过程**：未提供详细公式和构建过程[2] 11. 因子名称：标准化预期外归母净利润同比-带漂移项 - **因子的构建思路**：通过标准化和漂移调整，捕捉归母净利润同比增长的超预期表现[2] - **因子具体构建过程**：未提供详细公式和构建过程[2] 12. 因子名称：超预期 - **因子的构建思路**：综合衡量多种超预期因子的表现[2] - **因子具体构建过程**：未提供详细公式和构建过程[2] 13. 因子名称：成长 - **因子的构建思路**：衡量企业成长性相关指标的表现[2] - **因子具体构建过程**：未提供详细公式和构建过程[2] 14. 因子名称：分析师超预期 - **因子的构建思路**：基于分析师预测数据，捕捉超预期的表现[2] - **因子具体构建过程**：未提供详细公式和构建过程[2] 15. 因子名称：市值 - **因子的构建思路**：衡量企业市值对收益的影响[2] - **因子具体构建过程**：未提供详细公式和构建过程[2] --- 因子的回测效果 沪深300内表现较好的因子 - 标准化预期外单季度归母净利润-带漂移项[2] - 标准化预期外市盈率（归母）-带漂移项[2] - 标准化预期外单季度营业收入-带漂移项[2] 中证500内表现较好的因子 - EPG分位数[2] - 分析师预测净利润增长率FY3[2] - 单季度扣非净利润同比增长率[2] 中证1000内表现较好的因子 - 单季度归母净利润同比增长率[2] - 单季度营业利润同比增长率[2] - 单季度扣非净利润同比增长率[2] 中证2000内表现较好的因子 - 标准化预期外归母净利润同比[2] - 单季度归母净利润同比增长率[2] - 标准化预期外归母净利润同比-带漂移项[2] 中证全指内表现较好的因子 - EPG分位数[2] - 单季度归母ROA变动[2] - 标准化预期外归母净利润同比[2] 大类因子表现 - 沪深300内较好因子：超预期、成长、分析师超预期[2] - 中证500内较好因子：成长、超预期、市值[2] - 中证1000内较好因子：成长、超预期、分析师[2] - 中证2000内较好因子：超预期、成长、分析师超预期[2] - 中证全指内较好因子：超预期、成长、分析师[2]