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：人工智能全球大类资产配置模型** - **模型构建思路**：基于机器学习模型和因子投资的思路，对各资产进行打分排序，构建月频量化等权配置策略[30] - **模型具体构建过程**： 1. 使用历史数据统计和建模，生成资产打分 2. 根据打分结果分配权重，形成可投资组合 3. 每月动态调整权重[30] - **模型评价**：在各维度上表现优于基准，具有较好的超额收益能力[30] 2. **模型名称：动态宏观事件因子的股债轮动策略** - **模型构建思路**：基于宏观择时模块和风险预算模型框架，构建不同风险偏好的配置策略[37] - **模型具体构建过程**： 1. 使用经济增长和货币流动性指标生成信号 2. 根据信号强度分配股票和债券权重 3. 输出进取型、稳健型和保守型三种配置方案[37][38] - **模型评价**：长期表现优于基准，风险调整后收益较好[37] 3. **模型名称：红利风格择时策略** - **模型构建思路**：使用经济增长和货币流动性指标构建动态事件因子体系，对红利指数进行择时[45] - **模型具体构建过程**： 1. 选取10个宏观经济指标 2. 通过因子体系合成最终信号 3. 根据信号决定仓位[45][48] - **模型评价**：相较于基准指数有显著稳定性提升[45] 模型的回测效果 1. **人工智能全球大类资产配置模型** - 年化收益率：13.76% - 年化波动率：18.28% - 最大回撤：16.53% - 夏普比率：0.75 - 超额年化收益率：9.02%[30][36] 2. **动态宏观事件因子的股债轮动策略** - 进取型年化收益率：19.93% - 稳健型年化收益率：11.00% - 保守型年化收益率：6.06% - 进取型最大回撤：-13.72% - 稳健型夏普比率：1.18[37][44] 3. **红利风格择时策略** - 年化收益率：15.84% - 年化波动率：17.68% - 最大回撤：-21.70% - 夏普比率：0.89[45][49] 量化因子与构建方式 1. **因子名称：经济增长因子** - **因子构建思路**：通过工业增加值、PMI等指标衡量经济增长状况[37][40] - **因子具体构建过程**： 1. 收集工业增加值同比、PMI新订单等数据 2. 标准化处理后加权合成[40] 2. **因子名称：货币流动性因子** - **因子构建思路**：通过国债利率、银行间利率等指标衡量流动性状况[37][40] - **因子具体构建过程**： 1. 收集DR007、M1-M2剪刀差等数据 2. 标准化处理后加权合成[40] 3. **因子名称：红利风格因子** - **因子构建思路**：通过消费者信心指数、PPI等指标判断红利风格机会[48] - **因子具体构建过程**： 1. 选取10个宏观经济指标 2. 通过动态事件因子体系合成信号[48] 因子的回测效果 1. **经济增长因子** - 4月份信号强度：50%[38] - 对配置权重影响显著[37] 2. **货币流动性因子** - 4月份信号强度：40%[38] - 对短期配置调整有指导作用[37] 3. **红利风格因子** - 4月份合成信号：0%[48] - 有效控制回撤[45]

根据提供的量化研报内容，以下是全面详细的总结： 量化模型与构建方式 1. **行业景气度-趋势-拥挤度轮动模型** - 构建思路：通过景气度、趋势强度和拥挤度三维度筛选行业，规避高拥挤板块[8] - 具体构建： 1. 景气度：采用分析师预期ROE的z-score $$ z_{ROE} = \frac{ROE_{FTTM} - \mu_{ROE}}{\sigma_{ROE}} $$ 2. 趋势：计算行业动量得分（过去3个月收益率） 3. 拥挤度：综合换手率、融资余额等指标构建分位数阈值[37] - 模型评价：进攻性强，需依赖拥挤度指标控制风险[96] 2. **行业库存景气反转模型** - 构建思路：筛选低库存分位数（<80%）、资本开支合理（<80%）、毛利率和现金流改善的行业[17] - 具体构建： 1. 剔除条件：库存/资本开支分位数>80% 或 毛利率/现金流分位数<20% 2. 补库信号：库存同比+营收同比同步回升[21][22] 3. 加权方式：结合分析师景气指数FAPI和趋势得分[94] - 模型评价：左侧布局型策略，对补库周期敏感[99] 3. **PB-ROE选股模型** - 构建思路：在行业配置基础上筛选估值性价比个股[13] - 具体构建： 1. 行业权重分配后，选取行业内PB-ROE分位数前40%股票 2. 加权方式：$$ Score = 0.6 \times \frac{1}{PB} + 0.4 \times ROE $$[13] - 模型评价：价值成长平衡型策略[107] 模型的回测效果 1. **行业景气度-趋势模型** - 2023年超额收益：+9.3%（vs Wind全A） - 2024年超额收益：+5.0% - 2025年超额收益：+2.2%（至4月底） - IR：1.74，最大回撤-7.4%[96] 2. **库存景气反转模型** - 2023年绝对收益：+13.0% - 2024年绝对收益：+25.6%（vs行业等权+14.5%） - 2025年超额收益：+1.7% - IR：1.76[99][102] 3. **PB-ROE选股组合** - 年化超额收益：22.9%（vs Wind全A） - 2024年绝对收益：+14.6% - 2025年超额收益：+1.0% - IR：2.02[107][108] 量化因子与构建方式 1. **分析师景气指数(FAPI)** - 构建思路：整合分析师盈利预测调整方向与幅度[94] - 具体构建： $$ FAPI_i = \sum_{j=1}^n w_j \cdot \frac{EPS_{i,j}^{rev} - EPS_{i,j}^{old}}{|EPS_{i,j}^{old}|} $$ 其中$w_j$为分析师权重，按历史准确性调整[94] 2. **拥挤度因子** - 构建思路：监测交易过热风险[37] - 具体构建： 1. 换手率分位数（20日） 2. 融资余额占比变化 3. 相对强弱指数RSI(14) 阈值设定为综合分位数>80%视为高拥挤[37] 因子的回测效果 1. **FAPI因子** - 国防军工行业z-score：+2.2（最高） - TMT行业z-score：-1.7（最低）[94] 2. **拥挤度因子** - 在TMT板块触发预警（分位数>90%）[8] - 有效规避2024Q4通信行业-10.1%回撤[37]

量化模型与构建方式 1 模型名称：综合指数趋势跟踪模型 模型构建思路：基于标的价格走势的局部延续性假设，通过价格变动与波动率的比较判断趋势方向[3] 模型具体构建过程： - 计算T日收盘价与T-20日收盘价的差值del - 计算T-20日至T日（不含）的波动率Vol - 趋势判断规则： $$ |del| > N \times Vol $$ 时判定为趋势形成（N=1），方向与del符号一致 $$ |del| \leq N \times Vol $$ 时延续前一日趋势方向[3] 模型评价：在趋势明显阶段表现良好，但盘整期净值下降明显，年化收益回撤比较低[4] 模型的回测效果 1 综合指数趋势跟踪模型： - 年化收益：13.05% - 波动率（年化）：26.25% - 夏普率：0.50 - 最大回撤：27.97% - 指数期间总回报率：-6.43%[3] （注：报告中未涉及量化因子相关内容，故不展示该部分）

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：偏锋涨跌幅 **因子构建思路**：基于股票相对于市场的超额动量，捕捉个股日内"超额动量"现象[10] **因子具体构建过程**： - 动量基准：每分钟计算市场上所有上涨/下跌股票收益率的平均值，分别作为正向/负向动量基准[13] - 偏离度：计算每只股票1分钟收益率与同方向动量基准之差，若收益率为0或无同向股票则为0[13] - 偏离度偏度：每分钟计算全市场股票偏离度的偏度，将偏度>0的时刻作为"动量时刻"[13] - 因子合成：将每只股票"动量时刻"的1分钟对数偏离度加总，计算过去20天标准差得到最终因子[13] **因子评价**：有效捕捉股价在特殊时段的快速波动与反应[31] 2. **因子名称**：量涌波动率 **因子构建思路**：根据成交量形态划分日内时段，刻画"区段收益稳定性"[17] **因子具体构建过程**： - 时段划分：采用二分法按成交量峰值划分时段(剔除开盘10分钟)，进行6次划分理想得到64个区间[23] - 时段≥3分钟：按1分钟成交量最大值(不含首尾分钟)划分为二[23] - 时段=2分钟：划分为两个1分钟时段[23] - 时段=1分钟：不再划分[23] - 波动率计算：计算各划分时段收益率的标准差作为当日因子值[23] - 因子合成：计算日频因子标准化后的20天标准差得到最终因子[23] **因子评价**：反映不同情绪投资者介入造成的股价过度反应[31] 3. **因子名称**：动量脉冲 **因子构建思路**：将"偏锋涨跌幅"和"量涌波动率"因子等权合成[27] **因子具体构建过程**： - 直接对两个因子进行等权合成[27] - 在月频上进行测试[27] 因子回测效果 1. **偏锋涨跌幅因子** - IC均值：6.29%[14] - Rank IC均值：9.20%[14] - 多空年化收益：29.13%[14] - 多空年化夏普比率：2.25[14] - 多头年化超额收益：7.46%[14] - 多头超额年化夏普比率：1.52[14] 2. **量涌波动率因子** - IC均值：6.83%[24] - Rank IC均值：10.06%[24] - 多空年化收益：31.95%[24] - 多空年化夏普比率：2.83[24] - 多头年化超额收益：8.42%[24] - 多头超额年化夏普比率：1.78[24] 3. **动量脉冲因子** - IC均值：6.98%[29] - Rank IC均值：10.24%[29] - 多空年化收益：31.93%[29] - 多空年化夏普比率：2.50[29] - 多头年化超额收益：7.88%[29] - 多头超额年化夏普比率：1.55[29] - 分市场表现： - 沪深300：Rank IC 4.37%，多空年化12.14%[48] - 中证500：Rank IC 7.96%，多空年化20.41%[48] - 中证1000：Rank IC 10.51%，多空年化27.09%[48] - 国证2000：Rank IC 11.99%，多空年化33.06%[48] 4. **周频调仓表现** - 偏锋涨跌幅：多空年化51.46%，Rank IC 7.61%[42] - 量涌波动率：多空年化57.61%，Rank IC 8.49%[42] - 动量脉冲：多空年化60.09%，Rank IC 8.61%[42] 5. **与其他因子对比** - 与主力波动率相关性：76.3%[52] - 与虹吸效应相关性：22.2%[52] - 与主买成交特异性相关性：63.4%[52] - 主力波动率：Rank IC 10.12%，多头超额10.83%[54] - 虹吸效应：Rank IC 8.44%，多头超额8.64%[54] - 主买成交特异性：Rank IC 11.21%，多头超额9.00%[54] 基础因子表现 1. **日内小时收益率因子** - 第1小时：Rank IC 6.49%，多空年化16.59%[8] - 第2小时：Rank IC 5.84%，多空年化19.02%[8] - 第3小时：Rank IC 6.22%，多空年化21.74%[8] - 第4小时：Rank IC 6.99%，多空年化27.35%[8] 2. **日内小时波动率因子** - 第1小时：Rank IC 7.95%，多空年化21.91%[9] - 第2小时：Rank IC 6.33%，多空年化15.60%[9] - 第3小时：Rank IC 6.41%，多空年化16.15%[9] - 第4小时：Rank IC 6.27%，多空年化19.75%[9]

量化模型与构建方式 1. **模型名称**：RL-TBN（基于文本网络的强化学习模型） - **模型构建思路**：通过融合强化学习的动态优化与文本网络（TBN）的结构化先验，构建数据驱动的协方差矩阵估计框架。强化学习采用近似策略优化（PPO）算法，TBN用于衡量企业间的产品相似性[3] - **模型具体构建过程**： 1. **收缩方法**：将样本协方差矩阵向目标矩阵收缩，公式为： $$\widetilde{\mathbf{R}}_{t}=(1-\alpha)\widehat{\mathbf{R}}_{t}+\alpha\mathbf{\widetilde{R}}_{t}$$ 其中$\alpha$为收缩强度，$\widetilde{\mathbf{R}}_{t}$为目标矩阵（如TBN或单位矩阵）[32][33] 2. **TBN构建**：解析公司10-K报告中的产品描述，计算企业间相似性得分。通过归一化词向量和余弦相似度构建TBN矩阵： $$B_{t}={\frac{M_{t}M_{t}^{\mathsf{T}}}{\|M_{t}\|_{F}^{2}}}$$ $M_t$为归一化后的企业产品描述矩阵[37][38] 3. **强化学习优化**： - 状态定义为股票收益向量$s_t = (r_{1,t}, r_{2,t}, ..., r_{N,t})$ - 动作为收缩强度$\alpha_t$ - 奖励函数采用指数效用：$r_t = \frac{1 - e^{-\gamma r_{p,t}}}{\gamma}$，其中$r_{p,t}$为投资组合收益率[48] - 使用PPO算法更新策略，目标函数为： $$J(\theta) = \mathbb{E}[\min(\rho_t(\theta) A_t, \text{clip}(\rho_t(\theta), 1-\epsilon, 1+\epsilon) A_t)]$$ $\rho_t$为策略比率，$A_t$为优势函数[53] - **模型评价**：RL-TBN结合了TBN的低波动性优势和RL的动态适应性，能有效降低估计误差并提升投资组合稳健性[4][5] 量化因子与构建方式 1. **因子名称**：基于文本网络的相似性因子（TBN因子） - **因子构建思路**：通过分析公司10-K报告中的产品描述，量化企业间产品相似性，作为股票相关性的先验信息[36] - **因子具体构建过程**： 1. 提取每家公司10-K报告中描述产品的非通用名词（约200个/公司） 2. 构建二进制词向量$P_i$并归一化： $$V_{i}={\frac{P_{i}}{\|P_{i}\|_{2}^{2}}}$$ 3. 计算企业间余弦相似度，形成TBN矩阵$B_t$[37][38] - **因子评价**：TBN因子具有低波动性和基本面关联性，能捕捉行业结构和供应链关系，优于传统相关性矩阵[23][24] --- 模型的回测效果 1. **RL-TBN模型**： - 年化波动率：0.088 - 夏普比率：1.351 - 风险价值（VaR）：0.129 - 换手率：未明确数值（但提及考虑20bps交易成本）[4][77][79] 2. **基准模型对比**： - 样本协方差法（Sample）：波动率0.186，夏普比率0.805 - TBN固定收缩法（TBN_Half）：波动率0.186，夏普比率0.805 - 等权重组合（Naive）：波动率未明确，夏普比率低于RL-TBN[77][79] --- 因子的回测效果 1. **TBN因子**： - 预测股票相关性：滞后一期的TBN相似性得分对下一期股票相关性的回归系数为0.349（显著）[106] - 矩阵范数稳定性：TBN的Frobenius范数波动显著低于样本相关性矩阵[100][101] - 经济周期敏感性：高收缩强度（$\alpha>0.773$）与低投资者情绪（-0.106）和高宏观经济不确定性（0.938）显著相关[94][95] --- 补充分析 - **面板向量自回归（PVAR）**：验证TBN与股票相关性的动态关系，过渡矩阵显示TBN对相关性有持续影响[109][110] - **脉冲响应分析**：TBN相似性得分每增加1单位，未来股票相关性下降0.133单位（统计显著）[106][110]

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. **模型名称**：打新收益测算模型 **模型构建思路**：通过计算不同规模账户在不同板块（主板、创业板、科创板）的打新收益率，评估打新策略的收益表现[36] **模型具体构建过程**： - 单账户个股打新收益公式： $$单账户个股打新收益 = min（账户规模，申购上限） \times 中签率 \times 收益率$$ - A/B/C类投资者打满收益公式： $$A/B/C类投资者打满收益 = 申购上限 \times A/B/C类网下中签率 \times 收益率$$ 其中： - 中签率采用个股网下打新实际中签结果 - 收益率计算：科创板/创业板/注册制主板新股采用首日成交均价涨跌幅；非注册制主板新股采用开板日成交均价涨跌幅，未开板时用动态12个月开板收益率均值替代[36] 2. **模型名称**：基金打新表现评估模型 **模型构建思路**：通过参与度和报价入围率量化基金产品的打新能力[52] **模型具体构建过程**： - 参与度计算公式： $$参与度 = \frac{参与报价新股数}{网下询价发行新股总数}$$ - 报价入围率计算公式： $$报价入围率 = \frac{有效报价个数}{参与报价新股数}$$ - 打新收益率以最新季报规模为基准计算[52] 模型的回测效果 1. **打新收益测算模型** - 主板A类5亿账户：4月收益率0.039%，累计收益率0.126%[38][44] - 创业板C类5亿账户：4月收益率0.064%，累计收益率0.259%[41][45] - 科创板A类打满收益：2025年累计51.61万元[42] 2. **基金打新表现模型** - 高收益基金示例：鹏扬景泰成长A（005352.OF）4月估算收益率0.269%[53] - 机构表现：易方达基金4月估算打新收益0.72亿元，参与度100%[56] 量化因子与构建方式 1. **因子名称**：中签率因子 **因子构建思路**：反映不同投资者类别（A/C类）的配售概率差异[22] **因子具体构建过程**： - 直接采用Wind提供的网下中签率数据 - 主板A类中签率：4月均值0.11‰，创业板0.27‰[22] 2. **因子名称**：首日涨幅因子 **因子构建思路**：捕捉新股上市首日的价格波动特征[21] **因子具体构建过程**： - 计算公式： $$首日涨幅 = \frac{首日成交均价 - 发行价}{发行价} \times 100\%$$ - 4月主板首日涨幅均值240.69%，创业板219.73%[21] 因子的回测效果 1. **中签率因子** - 主板A类中签率：0.11‰（4月），创业板C类中签率：0.24‰[22] - 与打满收益强相关（主板A类打满收益21.7万元）[46] 2. **首日涨幅因子** - 主板首日涨幅标准差：45.70pct（环比下降）[21] - 创业板首日涨幅极值：泰禾股份（301665.SZ）达289.97%[20] 注：所有数据均基于2025年4月新股上市日统计[22][36]，未包含风险提示等非核心内容。

量化模型与构建方式 1. **模型名称**：RSI相对强弱指标 **模型构建思路**：通过计算一定周期内平均涨幅和平均跌幅的比值，判断市场超买或超卖状态[2] **模型具体构建过程**： - 计算公式：$$RSI = 100 - \frac{100}{1 + RS}$$ - 其中RS为12天内平均涨幅与平均跌幅的比值 - RSI>70为超买状态，RSI<30为超卖状态[2] **模型评价**：简单直观的动量指标，但需结合其他指标避免误判 2. **模型名称**：日内行情趋势 **模型构建思路**：基于5分钟级别成交价构建日内价格波动趋势[2] **模型具体构建过程**： - 提取当日最高价（红点）和最低价 - 绘制连续成交价形成的趋势线[2] 3. **模型名称**：净申购金额计算 **模型构建思路**：通过净值变化推算资金流动情况[2] **模型具体构建过程**： - 计算公式：$$NETBUY(T) = NAV(T) - NAV(T-1) \times (1+R(T))$$ - 其中NAV(T)为当日净值，R(T)为收益率[2] 量化因子与构建方式 1. **因子名称**：T+0交易标识 **因子构建思路**：标记支持T+0交易的ETF品种[2] **因子具体构建过程**： - 直接提取基金公告中的交易规则属性[2] 2. **因子名称**：机构持仓占比 **因子构建思路**：反映机构投资者持仓偏好[3] **因子具体构建过程**： - 剔除联接基金持仓后计算机构持有比例 - 数据来源为年报/半年报披露值[3] 模型的回测效果 1. **RSI相对强弱指标** - 测试样本：宽基ETF（沪深300ETF等）RSI值分布在53.92-67.46区间[4] - 主题ETF（如军工ETF）RSI最高达63.90[7] 2. **净申购模型** - 宽基ETF最大单日净流出18.85亿元（510300.SH）[4] - 科创50ETF（588000.SH）获6.81亿元净申购[4] 因子的回测效果 1. **T+0交易因子** - 港股/美股ETF均支持T+0（如513180.SH）[4] - A股ETF均不支持T+0（除跨境品种）[4] 2. **机构持仓因子** - 宽基ETF机构占比普遍>80%（如510330.SH达91.03%）[4] - 行业ETF分化明显（银行ETF最高69.66%，证券ETF最低1.69%）[7] 注：所有公式严格按$$公式$$格式呈现，数据引用自文档[2][3][4][7]的原始表格内容

量化模型与构建方式 1. **模型名称：大小盘轮动模型** - **模型构建思路**：基于宏观经济指标、市场状态和微观特征构建多维度信号，综合判断大小盘风格轮动方向[27][34] - **模型具体构建过程**： 1. **宏观经济维度**：筛选固定资产投资、PMI、信用利差等12项指标，定义事件模式（如历史高位、边际变化）并计算信号得分[27][34] 2. **市场状态维度**：使用中证全指的波动率、BP、DRP等代理变量，结合事件研究法生成信号[27][34] 3. **微观特征维度**：通过大单买入强度、改进反转、换手率等量价因子捕捉资金流向和交易情绪[27][34] 4. **综合加权**：各子模型信号加权平均，最终输出大小盘风格观点[27] 2. **模型名称：价值成长轮动模型** - **模型构建思路**：从盈利预期、贴现率和投资者情绪角度构建多因子信号，判断价值与成长风格轮动[31][34] - **模型具体构建过程**： 1. **宏观经济维度**：选取PPI-CPI、M1/M2同比、国债收益率等9项指标，定义事件触发条件[30][34] 2. **市场状态维度**：基于中证全指换手率、波动率、红利超额收益等计算动量信号[30][34] 3. **微观特征维度**：结合未预期毛利、换手率标准差等因子反映业绩和交易差异[30][34] 4. **综合决策**：各子模型一致看多成长风格时输出强信号[23][30] --- 模型的回测效果 1. **大小盘轮动模型** - 年化超额收益：10.93%[16] - IR：1.38[16] - 超额月胜率：64.19%[16] - 最大相对回撤：-19.15%[19] 2. **价值成长轮动模型** - 年化超额收益：19.02%[21] - IR：2.05[21] - 超额月胜率：70.95%[25] - 最大相对回撤：-14.17%[25] --- 量化因子与构建方式 1. **因子名称：改进反转因子** - **因子构建思路**：捕捉20日股价反转效应，调整后增强小盘股信号[27] - **因子具体构建过程**： $$改进反转 = \frac{P_{t-20}}{P_t} - 1$$ 其中$P_t$为当日价格，$P_{t-20}$为20日前价格[27] 2. **因子名称：换手率标准差因子** - **因子构建思路**：通过60日换手率波动衡量交易情绪分化[27][30] - **因子具体构建过程**： $$换手率标准差 = \sqrt{\frac{1}{60}\sum_{i=1}^{60}(Turn_i - \overline{Turn})^2}$$ 其中$Turn_i$为第i日换手率，$\overline{Turn}$为60日均值[27][30] --- 因子的回测效果 1. **改进反转因子** - 小盘风格组合年化超额：11.99%（2013年）[19] - 月胜率：66.67%（2013年）[19] 2. **换手率标准差因子** - 成长风格组合年化超额：47.65%（2021年）[25] - IR：3.96（2021年）[25]

量化因子与构建方式 1. **因子名称**：优加换手率 UTR2.0 - **因子构建思路**：结合量稳因子（STR）和量小因子（Turn20），通过等比尺度替代原次序尺度，并引入激活函数调整量小因子的作用强度[6][7] - **因子具体构建过程**： 1. 每月底计算所有股票的 **Turn20**（量小因子）和 **STR**（量稳因子） 2. 使用激活函数 **softsign** 调整量小因子的系数，使其与量稳因子关联： $$\mathrm{UTR2.0}=\mathrm{STR}+s o f t s i g n(\mathrm{STR})\cdot\mathrm{Turn20}$$ 其中 $$softsign(x)=\frac{x}{1+|x|}$$ 3. 最终因子值为 **STR** 与调整后的 **Turn20** 之和[7] - **因子评价**：相比原UTR因子，收益略降但波动率、信息比率和月度胜率更优[1][7] --- 因子的回测效果 1. **优加换手率 UTR2.0 因子**（2006年1月至2025年4月，全体A股10分组多空对冲）： - 年化收益率：40.30% - 年化波动率：15.04% - 信息比率（IR）：2.68 - 月度胜率：75.32% - 月度最大回撤：11.03%[1][8][12] 2. **2025年4月单月表现**（全体A股10分组）： - 多头组合收益率：1.20% - 空头组合收益率：-4.90% - 多空对冲收益率：6.10%[10][13] --- 其他说明 - **图表支持**：净值走势图（2006/01-2025/04）及4月多头组合净值展示[5][11][13] - **原始UTR因子构建方法**（对比参考）：基于排序打分法，分主分组调整量小因子方向[6]

量化因子与构建方式 1. **因子名称**：信息分布均匀度UID因子 - **因子构建思路**：基于个股分钟数据，在计算每日高频波动率的基础上构建，旨在改进传统波动率因子，提升选股能力[6] - **因子具体构建过程**： 1. 使用分钟级涨跌幅数据计算每日高频波动率 2. 通过换手率分布均匀度算法改进传统换手率因子，具体公式未明确给出但提及需增加1行代码实现优化[6] 3. 剔除市场风格和行业干扰后得到纯净UID因子[1] - **因子评价**：选股效果显著优于传统波动率因子，且携带增量信息，与原有因子库相关性较低[6] 因子的回测效果 1. **信息分布均匀度UID因子**（2014/01-2025/04全市场测试） - 年化收益率：26.99%[1][7][10] - 年化波动率：9.98%[1][7][10] - 信息比率（IR）：2.70[1][7][10] - 月度胜率：79.26%[1][7][10] - 最大回撤率：6.05%[1][7][10] - 2025年4月单月表现： - 多头组合收益率：-0.07%[10] - 空头组合收益率：-3.78%[10] - 多空对冲收益率：3.72%[10] 2. **纯净UID因子**（剔除风格/行业干扰后） - 年化ICIR：-3.17[1]