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 **打新收益测算模型** - **构建思路**：通过账户规模、中签率及新股收益率计算单账户打新收益，区分A/C类投资者并分板块统计[41] - **具体构建过程**： - 单账户收益公式： $$单账户个股打新收益 = \min（账户规模，申购上限） \times 中签率 \times 收益率$$ - 打满收益公式： $$A/B/C类打满收益 = 申购上限 \times 中签率 \times 收益率$$ - 收益率计算： - 注册制板块（科创板/创业板/主板注册制）采用首日成交均价涨跌幅 - 非注册制主板采用开板日成交均价涨跌幅，未开板则用12个月动态均值替代[41] - **评价**：模型覆盖不同市场规则，但依赖历史数据假设 模型的回测效果 1 **主板打新模型** - 5亿账户A类收益率：0.014%（6月）、累计0.154%（2025年） - C类收益率：0.013%（6月）、累计0.129%（2025年） - 打满收益：A类9.42万元/月，累计81.55万元[43] 2 **创业板打新模型** - 5亿账户A类收益率：0.035%（6月）、累计0.356%（2025年） - C类收益率：0.034%（6月）、累计0.312%（2025年） - 打满收益：A类17.31万元/月，累计177.84万元[44] 3 **科创板打新模型** - 5亿账户A/C类收益率均为0.012%（6月），累计0.233%/0.228%（2025年） - 打满收益：A类73.47万元/月，累计130.32万元[45] 量化因子与构建方式 1 **报价入围率因子** - **构建思路**：反映机构报价有效性，计算为有效报价数占总参与数的比例[55] - **具体构建**： $$报价入围率 = \frac{有效报价个数}{参与报价新股数} \times 100\%$$ - **评价**：高频跟踪可预判中签概率 2 **打新参与度因子** - **构建思路**：衡量机构打新活跃度[55] - **具体构建**： $$参与度 = \frac{参与报价新股数}{网下询价发行新股总数} \times 100\%$$ 因子的回测效果 1 **报价入围率因子** - 主板6月均值86.81%，双创板块89.89%[24] - 头部机构（如富国基金）达100%[59] 2 **打新参与度因子** - 全参与机构：易方达/华夏/招商等（100%）[59] - 高收益机构平均参与度>90%[63] 关键指标取值 | 指标 | 主板 | 创业板 | 科创板 | |---------------------|------------|------------|------------| | **6月中签率（‰）** | A类0.10 | A类0.23 | A类0.44 | | | C类0.09 | C类0.22 | C类0.44 | | **首日涨幅（%）** | 188.17 | 148.85 | 274.44 | [24] | **打满收益（万元）**| A类9.42 | A类17.31 | A类73.47 | [43][44][45]

量化因子与构建方式 1 因子名称：新价量相关性RPV因子 因子构建思路：通过划分价量四象限，利用月度IC均值有效甄别出价量相关性因子的反转效应和动量效应，在"动量因子切割"研究的基础上，以相关性的形式加入"成交量"的信息，分别为日内、隔夜的价量相关性找到最佳代表，并完成信息叠加[6] 因子具体构建过程： - 日内价量相关性采用CCOIV指标（收盘价与日内换手率的相关系数），体现收盘价序列与换手率序列的反转效应 - 隔夜价量相关性采用COV指标（隔夜收益率与昨日换手率的相关系数），体现隔夜收益率与昨日换手率的动量效应 - 将CCOIV和COV标准化后等权合成RPV因子[6] 因子评价：通过叠加日内反转与隔夜动量效应，显著提升因子区分能力[6] 2 因子名称：聪明版日频价量相关性SRV因子 因子构建思路：改进RPV因子中的日内价量相关性部分，通过识别"聪明"交易时段（知情交易集中时段），使用更高信息含量的换手率指标[6] 因子具体构建过程： - 日内部分：将下午交易时段每分钟换手率与涨跌幅计算"聪明"指标，选取指标最高的20%时段（24分钟）作为知情交易时段，计算该时段换手率与下午涨跌幅的相关系数 - 隔夜部分：将RPV中的昨日全天换手率替换为昨日最后半小时换手率（信息密度更高） - 将改进后的日内与隔夜相关性指标标准化后等权合成SRV因子[6] 因子评价：通过捕捉知情交易时段信息，因子稳定性和区分能力显著优于RPV[6] 因子的回测效果 1 新价量相关性RPV因子（2014/01-2025/06）： - 年化收益率14.57% - 年化波动率7.73% - IR 1.89 - 月度胜率72.99% - 最大回撤10.63%[7][10] 2025年6月当月表现： - 多头组合收益率6.09% - 空头组合收益率5.95% - 多空对冲收益率0.14%[10] 2 聪明版日频价量相关性SRV因子（2014/01-2025/06）： - 年化收益率17.28% - 年化波动率6.50% - IR 2.66 - 月度胜率75.18% - 最大回撤3.74%[7][10] 2025年6月当月表现： - 多头组合收益率6.33% - 空头组合收益率6.78% - 多空对冲收益率-0.45%[10] 历史回测补充数据（2014/01-2023/08/31）： - RPV因子年化收益16.29%，IR 2.41[6] - SRV因子年化收益18.91%，IR 3.07，最大回撤3.11%，月度胜率80.00%[6]

量化模型与构建方式 1. 因子名称："日与夜的殊途同归"新动量因子；因子构建思路：基于日内与隔夜各自的价量关系，分别对日内因子、隔夜因子进行改进，再重新合成新的动量因子[6][7]；因子具体构建过程：将交易时段切割为日与夜两个部分，分别探索各自的价量关系，在传统动量因子基础上加入成交量信息进行修正[7]；因子评价：选股能力显著优于传统动量因子[6] 模型的回测效果 1. "日与夜的殊途同归"新动量因子（2014/02-2025/06），年化收益率18.15%，年化波动率8.79%，信息比率2.07，月度胜率77.37%，最大回撤率9.07%[1][7][14] 2. "日与夜的殊途同归"新动量因子（2014/01/01-2022/07/31），IC均值-0.045，年化ICIR-2.59，10分组多空对冲年化收益率22.64%，信息比率2.85，月度胜率83.33%，最大回撤率5.79%[6] 3. "日与夜的殊途同归"新动量因子（2025年6月），10分组多头组合收益率6.19%，10分组空头组合收益率6.71%，10分组多空对冲收益率-0.52%[1][10] 传统动量因子对比 1. 传统动量因子（2014/01/01-2022/07/31），10分组多空对冲信息比率1.09，月度胜率62.75%，最大回撤20.35%[6]

量化因子与构建方式 1. **因子名称**：重拾自信2.0 RCP因子 **因子构建思路**：基于行为金融学中的过度自信预期偏差，通过计算利好超涨和股价回调的时间点差距构造第一代过度自信因子CP，进一步剔除日内收益后得到第二代重拾自信因子RCP[6] **因子具体构建过程**： - 使用高频分钟序列数据计算股价快速上涨和快速下跌的时间差作为CP因子 - 将CP因子与日内收益正交，提取残差项作为RCP因子[6] - 在2.0版本中，使用标准化因子代替排序值以保留更多因子信息[7] **因子评价**：新因子通过纯净化处理效果显著改进，能够捕捉投资者过度自信后的修正行为[6][7] 2. **因子名称**：过度自信CP因子 **因子构建思路**：根据DHS模型，用股价快速上涨和下跌的时间差作为代理变量[6] **因子具体构建过程**： - 基于高频分钟数据识别利好超涨和回调的时间点 - 计算两者时间差作为因子值[6] 因子的回测效果 1. **重拾自信2.0 RCP因子**（全体A股，2014/02-2025/06）： - 年化收益率：18.45%[10] - 年化波动率：7.69%[10] - 信息比率（IR）：2.40[10] - 月度胜率：78.10%[10] - 最大回撤率：5.89%[10] - 6月多空对冲收益率：-0.89%（多头4.75%，空头5.64%）[11] 2. **重拾自信2.0 RCP因子**（回测期2014/01/01-2022/08/31）： - IC均值：0.04[3] - 年化ICIR：3.27[3] - 10分组多空年化收益率：20.69%[3] - 信息比率：2.91[3] - 月度胜率：81.55%[3] 3. **过度自信CP因子**（原始版本）： - 未提供具体数值，但提及RCP因子改进后表现显著优于CP因子[6]

量化因子与构建方式 1. **因子名称：估值偏离EPD因子** - **构建思路**：结合布林带均值回复策略与基本面估值修复逻辑，利用PE指标的均值回复特性构建[7][8] - **具体构建过程**： 1. 计算个股PE时间序列的布林带上下轨（均值±标准差） 2. 定义估值偏离度：$$EPD = \frac{PE_t - \mu_{PE}}{\sigma_{PE}}$$，其中$\mu_{PE}$为PE均值，$\sigma_{PE}$为PE标准差[7] 3. 因子值越大表示估值偏离历史均值程度越高，预期未来均值回复概率越大[7] 2. **因子名称：缓慢偏离EPDS因子** - **构建思路**：在EPD基础上剔除个股估值逻辑变化的干扰（通过个股信息比率代理）[7][8] - **具体构建过程**： 1. 计算个股信息比率IR（衡量估值逻辑稳定性） 2. 调整EPD因子：$$EPDS = EPD \times (1 - IR)$$，IR越高则因子权重越低[7] 3. 通过降低高波动个股的权重，增强因子稳健性[8] 3. **因子名称：估值异常EPA因子** - **构建思路**：在EPDS基础上剔除Beta、成长与价值风格的影响[7][8] - **具体构建过程**： 1. 对EPDS因子进行横截面回归，剥离市场Beta、估值（BP）、成长（GP）等风格暴露 2. 取回归残差作为EPA因子值：$$EPA = EPDS - (\beta_1 \cdot Beta + \beta_2 \cdot BP + \beta_3 \cdot GP)$$[7] 3. 保留纯粹的"估值异常"信号，避免风格干扰[8] 因子回测效果 | 因子名称 | 年化收益率 | 年化波动率 | 信息比率(IR) | 月度胜率 | 最大回撤率 | |----------------|------------|------------|--------------|------------|------------| | 估值偏离EPD | 17.61% | 9.98% | 1.76 | 70.81% | 8.93% | | 缓慢偏离EPDS | 16.27% | 5.70% | 2.85 | 78.92% | 3.10% | | 估值异常EPA | 17.25% | 5.10% | 3.38 | 81.08% | 3.12% | *数据来源：2010/02-2025/06全市场回测（剔除北交所）[8][13]* 补充说明 - **6月EPA因子表现**：多头组合收益7.40%，空头组合收益5.61%，多空对冲收益1.78%[15] - **历史RankIC表现**：EPA因子月度RankIC均值0.061，RankICIR达4.75（2010/01-2022/05）[7]

根据研报内容，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. **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，结合反转因子与盈利因子辅助筛选，从沪深300成份股中优选股票构建组合[4][9] **模型具体构建过程**： (1) 剔除停牌及涨停的沪深300成份股作为待选股票池[14] (2) 剔除股票池中短期动量最高的20%股票（21日累计涨幅最高的20%个股）[14] (3) 剔除股票池中盈利下滑的个股（单季度净利润同比增长率小于0的股票）[14] (4) 按预期股息率排序，选取预期股息率最高的30只个股等权构建组合[10] **模型评价**：通过历史分红与基本面指标预测股息率，结合短期影响因素增强选股效果 2. **模型名称**：红利择时框架 **模型构建思路**：基于通胀、流动性、利率和市场情绪等5个单因子信号合成综合信号，判断红利资产配置方向[24][26] **模型具体构建过程**： - 通胀因子：PPI同比（高位看多，低位看空） - 流动性因子：M2同比（高位看空）、M1-M2剪刀差（高位看空） - 利率因子：美国10年期国债收益率（高位看多） - 市场情绪因子：红利股成交额占比（上行看多） - 合成信号：各子信号加权综合[26] 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**：两阶段构建，第一阶段基于年报公告利润分配计算股息率，第二阶段利用历史分红与基本面指标预测股息率[4][9] 2. **因子名称**：反转因子 **因子构建思路**：剔除21日累计涨幅最高的20%个股，避免追涨[14] 3. **因子名称**：盈利因子 **因子构建思路**：剔除单季度净利润同比增长率为负的个股，确保盈利质量[14] 模型的回测效果 1. **预期高股息组合模型**： - 累计收益：358.90%（2009/2-2017/8）[12] - 累计超额收益：107.44%（相对沪深300全收益指数）[12] - 年化超额收益：8.87%[12] - 最大回撤：12.26%（滚动一年）[12] - 月度胜率：60.19%[12] - 2025年6月表现：组合收益1.84%，跑输沪深300指数0.83%，跑赢中证红利指数2.40%[15][17] 2. **红利择时框架**： - 2025年7月信号：合成信号为0（看空红利）[24][26] 因子的回测效果 1. **预期股息率因子**： - 2025年6月Top4持仓股收益：新华保险（16.79%）、工业富联（13.60%）、赣锋锂业（12.72%）、江西铜业（9.90%）[16][20] 2. **反转因子**： - 通过剔除高动量股票控制组合波动性[14] 3. **盈利因子**： - 有效规避盈利下滑个股的负向贡献[14]

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：券商金股业绩增强组合** - **模型构建思路**：通过多因子方式从券商金股股票池中优选股票，以对标公募基金中位数为基准，控制组合与券商金股股票池在个股、风格上的偏离，同时以全体公募基金的行业分布为行业配置基准[44] - **模型具体构建过程**： 1. 以券商金股股票池为选股空间和约束基准 2. 采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离 3. 以全体公募基金的行业分布为行业配置基准 4. 每月初汇总券商金股，根据被推荐家数加权构建券商金股指数，并于每月第一天收盘价调仓 5. 计算收益时以主动股基最近报告期的权益仓位中位数作为券商金股指数的仓位[19][44] - **模型评价**：历史表现稳健，能够稳定战胜偏股混合型基金指数，在公募主动股基中排名靠前[44][45] 量化因子与构建方式 1. **因子名称：单季度营收增速** - **因子表现**：最近一个月表现较好[29] 2. **因子名称：SUR（标准化未预期收入）** - **因子表现**：最近一个月和今年以来表现较好[29] 3. **因子名称：分析师净上调幅度** - **因子表现**：最近一个月表现较好[29] 4. **因子名称：EPTTM（市盈率TTM）** - **因子表现**：最近一个月和今年以来表现较差[29] 5. **因子名称：波动率** - **因子表现**：最近一个月和今年以来表现较差[29] 6. **因子名称：剥离涨停动量** - **因子表现**：最近一个月表现较差[29] 7. **因子名称：总市值** - **因子表现**：今年以来表现较好[29] 8. **因子名称：SUE（标准化未预期盈利）** - **因子表现**：今年以来表现较好[29] 9. **因子名称：预期股息率** - **因子表现**：今年以来表现较差[29] 模型的回测效果 1. **券商金股业绩增强组合** - 本月（20250603-20250630）绝对收益5.34%，相对偏股混合型基金指数超额收益1.00%[43] - 本年（20250102-20250630）绝对收益10.59%，相对偏股混合型基金指数超额收益2.73%[43] - 在主动股基中排名28.16%分位点（977/3469）[43] - 全样本（2018.1.2-2025.6.30）年化收益19.34%，相对偏股混合型基金指数年化超额14.38%[45] 2. **券商金股指数** - 本月（20250603-20250630）收益3.71%，偏股混合型基金指数收益4.34%[22] - 本年（20250102-20250630）收益6.89%，偏股混合型基金指数收益7.86%[22] 因子的回测效果 1. **单季度营收增速**：最近一个月表现较好[29] 2. **SUR**：最近一个月和今年以来表现较好[29] 3. **分析师净上调幅度**：最近一个月表现较好[29] 4. **EPTTM**：最近一个月和今年以来表现较差[29] 5. **波动率**：最近一个月和今年以来表现较差[29] 6. **剥离涨停动量**：最近一个月表现较差[29] 7. **总市值**：今年以来表现较好[29] 8. **SUE**：今年以来表现较好[29] 9. **预期股息率**：今年以来表现较差[29]

根据提供的券商金股研究报告，总结量化模型与因子内容如下： --- 量化模型与构建方式 1. **模型名称**：优选金股组合模型 **模型构建思路**：基于新进金股样本，结合业绩超预期因子（SUE因子）进行选股，采用券商推荐数量加权构建组合[24] **模型具体构建过程**： - 筛选新进金股样本（相对上月首次被推荐的金股） - 计算每只金股的业绩超预期因子（SUE因子），公式为： $$SUE = \frac{实际EPS - 预期EPS}{预期EPS的标准差}$$ 其中实际EPS为最新财报披露值，预期EPS为市场一致预期值 - 选择SUE因子排名前30的金股 - 组合权重按券商推荐次数加权（推荐次数越多权重越高） **模型评价**：通过捕捉业绩超预期信号和券商共识效应，增强组合超额收益能力[24] 2. **因子名称**：业绩超预期因子（SUE因子） **因子构建思路**：衡量公司实际盈利与市场预期的偏离程度，反映基本面惊喜[24] **因子具体构建过程**： - 获取个股最新财报披露的实际EPS值 - 获取财报发布前的市场一致预期EPS值 - 计算历史预期EPS的标准差（滚动12期） - 按公式 $$SUE = \frac{实际EPS - 预期EPS}{预期EPS的标准差}$$ 标准化处理 **因子评价**：在新进金股中选股效果显著，能有效识别业绩拐点[24] --- 模型的回测效果 1. **优选金股组合模型** - 6月收益率：5.4% - 2025年收益率：12.0% - 年化收益率：20.1% - 年化波动率：25.3% - 收益波动比（IR）：0.79 - 最大回撤：24.6%[26] 2. **基准金股组合（全部金股）** - 6月收益率：3.4% - 2025年收益率：8.8% - 年化收益率：11.2% - 年化波动率：23.4% - 收益波动比（IR）：0.48 - 最大回撤：42.6%[21] --- 因子的回测效果 1. **SUE因子（新进金股样本）** - 年化IC：0.15 - ICIR：1.2 - 多空组合年化收益：18.3%[24] --- 注：报告未涉及其他量化模型或因子，故未总结相关内容[1][2][3][4][5][6][7][9][11][12][13][14][15][16][17][19][20][22][23][25][27][28][29][30][31][32][33][34][35][36][37][38][39]

量化因子与构建方式 1 因子名称：二阶动量 因子构建思路：通过计算价格与均值的偏离程度来衡量动量效应[6] 因子具体构建过程： $$二阶动量 = -mean\left(\frac{Close_{t-window1:t}}{Close_t} - EWMA\left(mean\left(\frac{Close_{t-window1:t}}{Close_t}\right), window2\right), window\right)$$ 其中Close表示收盘价，EWMA表示指数加权移动平均[7] 2 因子名称：动量期限差 因子构建思路：通过不同时间窗口的价格变化差异捕捉动量效应[6] 因子具体构建过程： $$动量期限差 = \frac{Close_t - Close_{t-window1}}{Close_{t-window1}} - \frac{Close_t - Close_{t-window2}}{Close_{t-window2}}$$[7] 3 因子名称：成交金额波动 因子构建思路：通过成交金额的标准差衡量市场活跃度[6] 因子具体构建过程： $$成交金额波动 = -STD(Amount)$$[7] 4 因子名称：成交量波动 因子构建思路：通过成交量的标准差衡量市场波动[6] 因子具体构建过程： $$成交量波动 = -STD(Volume)$$[7] 5 因子名称：换手率变化 因子构建思路：通过不同时间窗口换手率均值比较捕捉资金流动变化[6] 因子具体构建过程： $$换手率变化 = \frac{Mean(turnover_{t-window1:t})}{Mean(turnover_{t-window2:t})}$$[7] 6 因子名称：多空对比总量 因子构建思路：通过价格位置与成交量加权计算多空力量对比[6] 因子具体构建过程： $$多空对比总量 = \sum_{i=t-window}^t \frac{Close_i - Low_i}{High_i - Low_i} - EWMA(Volume \times Close, window1)$$[7] 7 因子名称：多空对比变化 因子构建思路：通过多空力量的变化速度捕捉市场情绪转变[6] 因子具体构建过程： $$多空对比变化 = \frac{Close - Low}{High - Low} - EWMA\left(\frac{Volume \times (High - Close)}{High - Low}, window2\right)$$[7] 8 因子名称：量价背离协方差 因子构建思路：通过价格与成交量排名的协方差捕捉量价背离现象[6] 因子具体构建过程： $$量价背离协方差 = -rank\{covariance[rank(Close), rank(Volume), window]\}$$[7] 9 因子名称：量价相关系数 因子构建思路：直接计算价格与成交量的相关系数[6] 因子具体构建过程： $$量价相关系数 = -correlation(Close, Volume, window)$$[7] 10 因子名称：一阶量价背离 因子构建思路：通过成交量变化与价格开盘关系的相关性捕捉短期背离[6] 因子具体构建过程： $$一阶量价背离 = Volume_i - correlation[Rank(Volume_{i-1}), Rank(Close_i - Open_i), window]$$[7] 11 因子名称：量幅同向 因子构建思路：通过成交量变化与价格振幅的相关性捕捉量价同向运动[6] 因子具体构建过程： $$量幅同向 = Rank\left(\frac{Volume_i}{Volume_{i-1}}\right) - correlation\left[Rank\left(\frac{High_i}{Low_i}\right), window\right]$$[7] 复合因子构建方式： 将11个量价因子等权加权构建复合因子，每月末选取中信一级行业（剔除综合和综合金融）中复合因子最高的五个行业，行业间等权配置[6][7] 因子的回测效果 1 量价行业轮动组合，累计收益750.70%[8] 2 量价行业轮动组合，累计超额收益648.89%（vs行业等权）[8] 3 量价行业轮动组合，2025年上半年月胜率100%[6] 4 量价行业轮动组合，2025年6月超额收益0.04%[9] 5 量价行业轮动组合，2025年前6个月超额收益3.32%[9]

量化模型与构建方式 1. 五维行业轮动模型 - **模型名称**：五维行业轮动模型 - **模型构建思路**：基于行业内部普遍存在的风格差异，利用风格指标对行业内部股票进行划分，通过构建行业内部离散指标与行业内部牵引指标合成行业最终因子[6] - **模型具体构建过程**： 1) 以东吴金工特色多因子划分标准对微观因子进行大类划分，将微观因子划分为五大类：波动率、基本面、成交量、情绪、动量[6] 2) 以大类选股因子的风格偏好为参照，构建行业内部离散指标与行业内部牵引指标[6] 3) 最终得到五类合成行业因子：波动率因子、基本面因子、成交量因子、情绪因子、动量因子[6] 4) 将五类因子合成构建行业轮动模型[6] - **模型评价**：模型通过多维度因子合成，能够有效捕捉行业轮动特征[6] 2. 沪深300指数增强策略 - **模型名称**：基于五维行业轮动的沪深300指数增强策略 - **模型构建思路**：利用五维行业轮动模型的行业分组结果进行指数成分股调整[22] - **模型具体构建过程**： 1) 每个月月末取第一组的五个行业为增强行业，取最后一组的五个行业为剔除行业[22] 2) 根据月末各个股票在沪深300的权重将属于剔除行业的股票剔除[22] 3) 将被剔除行业的股票权重根据增强行业的股票权重等比例赋予增强行业的股票[22] 4) 构成新的沪深300增强组合，月频调仓[22] 量化因子与构建方式 1. 波动率因子 - **因子名称**：波动率因子 - **因子构建思路**：基于行业内部股票的波动率特征构建[6] - **因子具体构建过程**：通过行业内部股票波动率离散度和牵引指标合成[6] 2. 基本面因子 - **因子名称**：基本面因子 - **因子构建思路**：基于行业内部股票的基本面特征构建[6] - **因子具体构建过程**：通过行业内部股票基本面离散度和牵引指标合成[6] 3. 成交量因子 - **因子名称**：成交量因子 - **因子构建思路**：基于行业内部股票的成交量特征构建[6] - **因子具体构建过程**：通过行业内部股票成交量离散度和牵引指标合成[6] 4. 情绪因子 - **因子名称**：情绪因子 - **因子构建思路**：基于行业内部股票的市场情绪特征构建[6] - **因子具体构建过程**：通过行业内部股票情绪离散度和牵引指标合成[6] 5. 动量因子 - **因子名称**：动量因子 - **因子构建思路**：基于行业内部股票的动量特征构建[6] - **因子具体构建过程**：通过行业内部股票动量离散度和牵引指标合成[6] 模型的回测效果 1. 五维行业轮动模型 - 年化收益率：21.59%[10] - 年化波动率：10.77%[10] - 信息比率(IR)：2.00[10] - 月度胜率：73.33%[10] - 历史最大回撤：13.30%[10] 2. 五维行业轮动模型多头组合 - 年化收益率：10.52%[14] - 年化波动率：6.59%[14] - 信息比率(IR)：1.60[14] - 月度胜率：70.83%[14] - 历史最大回撤：9.36%[14] 3. 沪深300指数增强策略 - 超额年化收益率：8.90%[23] - 超额年化波动率：7.50%[23] - 信息比率(IR)：1.19[23] - 月胜率：69.42%[23] - 最大回撤：12.74%[23] 因子的回测效果 1. 波动率因子 - 年化收益率：11.62%[14] - 波动率：10.16%[14] - 信息比率(IR)：1.14[14] - 胜率：60.00%[14] - 最大回撤：14.27%[14] - IC：-0.08[14] - ICIR：-1.43[14] - RankIC：-0.07[14] - RankICIR：-1.10[14] 2. 基本面因子 - 年化收益率：5.66%[14] - 波动率：9.93%[14] - 信息比率(IR)：0.57[14] - 胜率：56.00%[14] - 最大回撤：21.50%[14] - IC：0.05[14] - ICIR：0.74[14] - RankIC：0.04[14] - RankICIR：0.61[14] 3. 成交量因子 - 年化收益率：7.65%[14] - 波动率：12.11%[14] - 信息比率(IR)：0.63[14] - 胜率：58.40%[14] - 最大回撤：18.51%[14] - IC：-0.06[14] - ICIR：-0.94[14] - RankIC：-0.07[14] - RankICIR：-0.95[14] 4. 情绪因子 - 年化收益率：7.87%[14] - 波动率：12.91%[14] - 信息比率(IR)：0.61[14] - 胜率：64.00%[14] - 最大回撤：14.79%[14] - IC：0.03[14] - ICIR：0.52[14] - RankIC：0.03[14] - RankICIR：0.47[14] 5. 动量因子 - 年化收益率：11.69%[14] - 波动率：10.71%[14] - 信息比率(IR)：1.09[14] - 胜率：61.29%[14] - 最大回撤：13.52%[14] - IC：0.02[14] - ICIR：0.40[14] - RankIC：0.05[14] - RankICIR：0.73[14]