根据提供的文档内容，没有涉及到量化模型或量化因子的具体构建、测试结果或评价等相关内容

量化模型与构建方式 1. 模型名称：A股景气指数 - **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标，构建A股景气度高频指数，用于观察市场景气变化趋势[43] - **模型具体构建过程**：通过归母净利润同比数据，结合高频数据进行指数化处理，形成景气度指数[43] - **模型评价**：该指数能够较好地反映市场景气的变化趋势，当前景气指数呈现震荡上行趋势，显示市场景气度有所回升[46] 2. 模型名称：A股情绪指数 - **模型构建思路**：基于市场量价数据，将市场划分为波动率和成交额的四个象限，构造情绪指数，包含见底预警与见顶预警[48] - **模型具体构建过程**： - 将市场波动率和成交额的变化方向划分为四个象限 - 统计各象限的收益特征，发现“波动上-成交下”区间为显著负收益，其余区间为显著正收益 - 据此构造情绪指数，分为见底预警指数和见顶预警指数[48][49] - **模型评价**：情绪指数能够较为直观地反映市场情绪变化，当前综合信号为“多”，表明市场情绪偏乐观[51] 3. 模型名称：指数增强组合 - **模型构建思路**：基于策略模型，通过优化持仓权重，构建中证500和沪深300增强组合，力求在基准指数基础上获取超额收益[57][66] - **模型具体构建过程**： - 中证500增强组合：2020年至今相对中证500指数超额收益42.23%，最大回撤-4.99%[57] - 沪深300增强组合：2020年至今相对沪深300指数超额收益20.44%，最大回撤-5.86%[66] - 持仓权重优化：根据策略模型，动态调整持仓权重，具体持仓明细详见报告[61][68] - **模型评价**：增强组合在长期表现上取得了显著的超额收益，但短期内表现不佳，本周分别跑输基准0.39%和0.24%[57][66] 4. 模型名称：风格因子模型（BARRA因子模型） - **模型构建思路**：基于BARRA因子模型，构建十大类风格因子，用于分析市场风格表现及收益归因[70] - **模型具体构建过程**： - 构建因子：包括市值（SIZE）、Beta、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[70] - 因子收益分析：近一周Beta因子超额收益较高，高动量股表现优异，残差波动率和杠杆因子表现不佳[71] - 收益归因：通过因子暴露分析主要指数的收益来源，发现创业板指、中证500等在Beta因子上暴露较大，表现较好[77][78] - **模型评价**：风格因子模型能够有效分解市场收益来源，为投资者提供风格配置参考[77] --- 模型的回测效果 1. A股景气指数 - **当前取值**：20.88，相比2023年底上升15.45，显示景气度显著回升[46] 2. A股情绪指数 - **见底预警指数信号**：多[51] - **见顶预警指数信号**：空[51] - **综合信号**：多[51] 3. 指数增强组合 - **中证500增强组合**： - 本周收益率：3.67%，跑输基准0.39%[57] - 2020年至今超额收益：42.23%[57] - 最大回撤：-4.99%[57] - **沪深300增强组合**： - 本周收益率：1.90%，跑输基准0.24%[66] - 2020年至今超额收益：20.44%[66] - 最大回撤：-5.86%[66] 4. 风格因子模型 - **近一周因子表现**： - Beta因子：超额收益较高[71] - 动量因子：高动量股表现优异[71] - 残差波动率因子：表现不佳[71] - 杠杆因子：表现不佳[71] - **主要指数收益归因**： - 创业板指、中证500、Wind全A：在Beta因子上暴露较大，表现较好[77] - 上证综指、上证50：在Beta因子上暴露较小，表现不佳[77]

量化模型与构建方式 1. 模型名称：GDPNOW模型 - **模型构建思路**：基于高频经济数据对宏观经济增长进行实时预测，旨在捕捉短期内GDP增速的边际变化趋势[17] - **模型具体构建过程**：通过整合多种高频经济指标（如工业生产、零售销售、固定资产投资等），利用动态因子模型对GDP增速进行预测。模型通过历史数据校准权重，实时更新预测值[17] - **模型评价**：能够快速反映经济增长的短期变化趋势，但可能受高频数据波动性影响[17] --- 模型的回测效果 1. GDPNOW模型 - **最新预测值**：2025年一季度GDP增速预测为4.2%（截至1月18日更新）[17] --- 量化因子与构建方式 1. 因子名称：BARRA风格因子 - **因子的构建思路**：通过多维度的风格因子（如市值、成长、动量等）分析市场风格偏好及其对股票收益的影响[30] - **因子具体构建过程**： - **市值因子**：衡量股票市值对收益的影响，公式为：$ 市值因子 = \log(市值) $，其中市值为股票的总市值 - **成长因子**：基于企业盈利增长率构建，公式为：$ 成长因子 = \frac{\text{未来盈利预测}}{\text{当前盈利}} $ - **动量因子**：基于过去一段时间的股票收益率构建，公式为：$ 动量因子 = \text{过去N个月的累计收益率} $ - **盈利能力因子**：衡量企业盈利能力，公式为：$ 盈利能力因子 = \frac{\text{净利润}}{\text{总资产}} $ - **投资质量因子**：衡量企业投资效率，公式为：$ 投资质量因子 = \frac{\text{资本支出}}{\text{总资产}} $[30][31] - **因子评价**：本周基本面因子表现显著提升，资金偏好成长高于价值，且更加青睐盈利能力和投资质量较高的股票[30] --- 因子的回测效果 1. BARRA风格因子 - **换手因子**：本周收益为0.1%，上周为-0.2%[31] - **财务杠杆因子**：本周收益为0.1%，上周为-0.2%[31] - **盈利波动因子**：本周收益为0.2%，上周为0.0%[31] - **盈利质量因子**：本周收益为0.2%，上周为0.0%[31] - **盈利能力因子**：本周收益为0.5%，上周为0.1%[31] - **投资质量因子**：本周收益为0.2%，上周为0.1%[31] - **长期反转因子**：本周收益为0.1%，上周为-0.2%[31] - **EP价值因子**：本周收益为-0.1%，上周为-0.3%[31] - **BP价值因子**：本周收益为0.1%，上周为-0.1%[31] - **成长因子**：本周收益为0.2%，上周为0.4%[31] - **动量因子**：本周收益为0.1%，上周为1.1%[31] - **非线性市值因子**：本周收益为-0.1%，上周为-0.4%[31] - **市值因子**：本周收益为-0.6%，上周为-0.2%[31] - **波动率因子**：本周收益为0.0%，上周为-0.3%[31] - **贝塔因子**：本周收益为1.3%，上周为0.4%[31] - **股息率因子**：本周收益为0.0%，上周为-0.2%[31]

量化模型与构建方式 1. 模型名称：戴维斯双击策略 - **模型构建思路**：以较低的市盈率（PE）买入具有成长潜力的股票，待成长性显现、市盈率相应提高后卖出，从而通过EPS和PE的“双击”效应获取收益[1][7] - **模型具体构建过程**： - 筛选盈利增速加速增长的标的，理论上这些标的的PE向下空间能得到有效控制[7] - 通过PEG指标评估股票定价的合理性，PEG指标结合了盈利增速和市盈率，适用于成长性较高的公司[7] - **模型评价**：策略在回测期内表现出较高的稳定性，7个完整年度的超额收益均超过11%[9] 2. 模型名称：净利润断层策略 - **模型构建思路**：结合基本面和技术面，通过“净利润惊喜”和“断层跳空”两个核心要素筛选股票[12] - **模型具体构建过程**： - 核心要素： - “净利润”：指业绩超预期的股票 - “断层”：指盈余公告后首个交易日股价出现明显向上跳空，反映市场对盈余报告的认可程度[12] - 筛选规则： - 每期筛选过去两个月内业绩预告和正式财报中满足超预期事件的股票 - 按盈余公告日跳空幅度排序，选取前50只股票等权构建组合[12] - **模型评价**：策略在历史回测中表现出较高的收益率，且超额收益显著[15] 3. 模型名称：沪深300增强组合 - **模型构建思路**：基于投资者偏好因子（GARP型、成长型、价值型）构建组合，寻找估值低、盈利能力强或成长潜力高的股票[3][17] - **模型具体构建过程**： - GARP型因子： - 构建PBROE因子：PB与ROE的分位数之差，筛选估值低且盈利能力强的股票 - 构建PEG因子：PE与增速的分位数之差，筛选价值被低估且成长潜力高的股票[17] - 成长型因子：通过营业收入、毛利润、净利润增速筛选高速成长的股票[17] - 价值型因子：关注长期稳定高ROE的公司，适合长期持有[17] - **模型评价**：历史回测显示超额收益稳定，适合增强型投资策略[17] --- 模型的回测效果 1. 戴维斯双击策略 - 年化收益：26.45%[9] - 年化超额收益：21.08%[9] - 全样本超额收益：21.70%[9] - 最大相对回撤：-20.14%[9] - 收益回撤比：1.08[9] 2. 净利润断层策略 - 年化收益：27.96%[15] - 年化超额收益：26.49%[15] - 全样本超额收益：26.49%[13] - 最大相对回撤：-37.12%[13] - 收益回撤比：0.71[13] 3. 沪深300增强组合 - 年化收益：9.03%[17] - 年化超额收益：8.59%[17] - 全样本超额收益：8.59%[17] - 最大相对回撤：-9.18%[17] - 收益回撤比：0.94[17]

量化模型与构建方式 1. 量能择时模型 - **模型名称**：量能择时模型 - **模型构建思路**：通过量能信号判断市场的多空观点 - **模型具体构建过程**： - 计算各大宽基指数的量能信号 - 根据量能信号判断市场的多空观点 - 例如，截至2025年1月17日，北证50指数的量能择时信号为看多，其余各大宽基指数的量能择时信号为谨慎[27][28] - **模型评价**：该模型通过量能信号来判断市场的多空观点，能够较好地捕捉市场的短期趋势 2. 沪深300上涨家数占比情绪指标 - **模型名称**：沪深300上涨家数占比情绪指标 - **模型构建思路**：通过计算沪深300指数成分股的上涨家数占比来判断市场情绪 - **模型具体构建过程**： - 计算沪深300指数成分股过去N日收益大于0的个股数占比 - 例如，沪深300指数N日上涨家数占比 = 沪深300指数成分股过去N日收益大于0的个股数占比[28][29] - **模型评价**：该指标可以较快捕捉上涨机会，但在市场过热阶段可能会错失部分上涨收益，对下跌市场的判断存在缺陷 3. 动量情绪指标 - **模型名称**：动量情绪指标 - **模型构建思路**：通过对沪深300上涨家数占比指标进行两次不同窗口期的平滑来捕捉指标变动情况 - **模型具体构建过程**： - 计算沪深300指数N日上涨家数占比并进行窗口期为N1和N2的移动平均，分别称之为慢线和快线，其中N1>N2 - 当快线>慢线时，看多沪深300指数[30][31] - **模型评价**：该指标能够较好地捕捉市场情绪的变化，适用于判断市场的短期趋势 4. 均线情绪指标 - **模型名称**：均线情绪指标 - **模型构建思路**：通过计算沪深300收盘价八均线数值来判断市场情绪 - **模型具体构建过程**： - 计算沪深300收盘价八均线数值，均线参数为8，13，21，34，55，89，144，233 - 当日沪深300指数收盘价大于八均线指标值的数量超过5时，看多沪深300指数[32][33] - **模型评价**：该指标能够较好地反映市场的趋势状态，适用于判断市场的中短期趋势 模型的回测效果 量能择时模型 - **量能择时模型**，北证50指数量能择时信号为看多，其余各大宽基指数量能择时信号为谨慎[27][28] 沪深300上涨家数占比情绪指标 - **沪深300上涨家数占比情绪指标**，最近一周向上，上涨家数占比在75%左右水平[29] 动量情绪指标 - **动量情绪指标**，快线慢线同步向上，快线处在慢线之上，预计在未来一段时间内将维持乐观态度[30][31] 均线情绪指标 - **均线情绪指标**，短期内沪深300指数处于情绪非景气区间[38]

量化模型与构建方式 1. 模型名称：TWOBETA模型 - **模型构建思路**：通过双Beta因子模型，捕捉市场中科技板块的超额收益机会[2][3][9] - **模型具体构建过程**：未在报告中详细说明具体的构建过程，仅提到该模型用于推荐科技板块的投资方向[2][3][9] - **模型评价**：该模型在1月继续推荐科技板块，表现出对消费电子、传媒、机器人等领域的关注，具有一定的行业指向性[2][3][9] 2. 模型名称：行业配置模型 - **模型构建思路**：基于中期视角，结合行业困境反转特性，推荐消费、新能源等板块[2][3][9] - **模型具体构建过程**：未在报告中详细说明具体的构建过程，仅提到该模型用于中期行业配置的推荐[2][3][9] - **模型评价**：模型推荐的困境反转型板块具有一定的逻辑合理性，能够结合市场趋势进行行业选择[2][3][9] 3. 模型名称：仓位管理模型 - **模型构建思路**：结合估值指标和短期趋势信号，动态调整股票配置的仓位比例[3][9] - **模型具体构建过程**： - 使用Wind全A指数的PE和PB估值分位点作为参考 - 当前PE位于50分位点附近，PB位于10分位点附近，属于中等偏下和较低水平 - 根据估值水平和短期趋势信号，建议将仓位调整至80%[3][9] - **模型评价**：模型能够结合估值和趋势信号，提供明确的仓位建议，具有一定的实用性[3][9] 4. 模型名称：择时体系 - **模型构建思路**：通过均线距离和趋势线信号，判断市场整体环境和趋势[2][3][8] - **模型具体构建过程**： - 定义Wind全A指数的长期均线（120日）和短期均线（20日） - 计算均线距离：当前20日线为4944.9，120日线为4665.6，均线距离为6% - 绝对距离大于3%，短期均线位于长期均线上方 - 当前趋势线位于5045点，5日均线为4860点，低于趋势线，显示市场仍处于震荡格局[2][3][8] - **模型评价**：模型通过均线和趋势线信号，能够较好地反映市场的震荡状态，具有一定的参考价值[2][3][8] --- 模型的回测效果 1. TWOBETA模型 - 无具体指标值披露 2. 行业配置模型 - 无具体指标值披露 3. 仓位管理模型 - 仓位建议：80%[3][9] 4. 择时体系 - 均线距离：6%[2][3][8] - 绝对距离：大于3%[2][3][8] - 当前趋势线：5045点[2][3][8] - 5日均线：4860点[2][3][8] --- 量化因子与构建方式 本报告未涉及具体的量化因子构建内容 --- 因子的回测效果 本报告未涉及具体的量化因子回测内容

- A股短期模型信号互有多空，特征成交量模型与特征龙虎榜机构模型与智能沪深300模型看空，智能中证500模型看多[1][3][12] - 中期涨跌停模型看多，月历效应模型中性[13] - 长期动量模型所有宽基指数看多[14] - 综合模型中，A股综合兵器V3模型看多，A股综合国证2000模型中性[15] - 港股中期成交额倒波幅模型看多[16]

量化模型与构建方式 1. 模型名称：股指期货基差修正模型 - **模型构建思路**：基差是股指期货合约价格与标的指数价格的差值，分红会影响基差，因此需要剔除分红的影响以更准确地分析基差[17] - **模型具体构建过程**： 1. 定义基差： $ 基差 = 合约收盘价 - 标的指数收盘价 $ 2. 分红调整后的基差公式： $ 预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红 $ 3. 年化基差公式： $ 年化基差 = (实际基差 + (预期)分红点位) / 指数价格 × 360 / 合约剩余天数 $ 公式中，"实际基差"为当前基差值，"预期分红点位"为未来分红的预估值，"指数价格"为标的指数当前价格，"合约剩余天数"为期货合约到期的剩余天数[17] 2. 模型名称：期现对冲策略模型 - **模型构建思路**：通过持有现货指数和做空股指期货合约，利用基差收敛的特性实现对冲收益[38] - **模型具体构建过程**： 1. **连续对冲策略**： - 现货端：持有标的指数的全收益指数 - 期货端：使用70%资金持有现货，30%资金做空股指期货合约 - 调仓规则：连续持有季月/当月合约，直至合约到期前2日平仓并换仓至下一合约[39] 2. **最低贴水策略**： - 现货端：同上 - 期货端：选择年化基差贴水幅度最小的合约进行开仓，持有8个交易日或到期前2日换仓[40] 3. 模型名称：信达波动率指数（Cinda-VIX） - **模型构建思路**：借鉴海外VIX指数编制方法，结合中国期权市场实际情况，反映市场对标的资产未来波动的预期[56] - **模型具体构建过程**： - 基于期权市场隐含波动率计算，VIX具有期限结构，反映投资者对不同期限内波动的预期[56] 4. 模型名称：信达波动率偏斜指数（Cinda-SKEW） - **模型构建思路**：通过捕捉不同行权价格期权隐含波动率的偏斜特征，衡量市场对标的资产未来收益分布的预期[62] - **模型具体构建过程**： - 计算不同行权价格的隐含波动率，分析其偏斜程度 - SKEW指数高于100表示市场对极端负面事件的担忧加剧[62] --- 模型的回测效果 1. 股指期货基差修正模型 - **IC当季合约**：当前基差贴水3.51%，相较前一周基差上行[18] - **IF当季合约**：当前基差贴水0.16%，相较前一周基差下行[22] - **IH当季合约**：当前基差升水1.41%，相较前一周基差上行[27] - **IM当季合约**：当前基差贴水6.02%，相较前一周基差上行[33] 2. 期现对冲策略模型 - **IC对冲策略**： - 年化收益：当月连续对冲-1.94%，季月连续对冲-2.00%，最低贴水策略-0.93% - 波动率：4.07%-5.00% - 最大回撤：-7.51%-8.34% - 净值：0.9525-0.9772[42] - **IF对冲策略**： - 年化收益：当月连续对冲0.97%，季月连续对冲0.84%，最低贴水策略1.38% - 波动率：2.90%-3.28% - 最大回撤：-3.95%-4.06% - 净值：1.0242-1.0347[47] - **IH对冲策略**： - 年化收益：当月连续对冲1.31%，季月连续对冲2.06%，最低贴水策略1.74% - 波动率：3.09%-3.55% - 最大回撤：-3.75%-4.22% - 净值：1.0329-1.0520[50] - **IM对冲策略**： - 年化收益：当月连续对冲-4.85%，季月连续对冲-4.33%，最低贴水策略-3.74% - 波动率：4.25%-5.30% - 最大回撤：-11.11%-13.84% - 净值：0.8838-0.9096[53] 3. 信达波动率指数（Cinda-VIX） - **30日VIX值**： - 上证50：23.52 - 沪深300：23.65 - 中证500：34.78 - 中证1000：35.24[56] 4. 信达波动率偏斜指数（Cinda-SKEW） - **SKEW值**： - 上证50：95.22 - 沪深300：97.05 - 中证500：98.08 - 中证1000：100.16[63]

- 本报告中提到的量化模型包括GFTD模型和LLT模型[88] - GFTD模型和LLT模型的历史择时成功率为80%左右[88] - 这些模型在市场波动不确定性下可能存在信号失效的风险[88] - 报告中提到的宏观因子包括货币政策、财政政策、流动性、通胀水平以及其他经济指标[60] - 宏观因子的变化趋势与股市、债市、大宗商品的变化趋势密切相关[60] - 报告中列出了对市场影响较大的宏观因子事件，例如PMI、CPI同比、PPI同比等[61] - 通过历史均线将宏观因子走势分为趋势上行和趋势下行，并统计其对资产未来一个月收益率的影响[63] - 当前宏观因子趋势对权益市场的影响包括：PMI 3月均线上行看多、CPI同比1月均线下行看多等[64] - 报告中提到的市场情绪指标包括新高新低比例指标、个股均线结构指标、基金仓位、ETF规模变化、期权成交量看涨看跌比、市场交易活跃度等[36][37][41][42][52][55] - 近5个交易日，ETF资金流入111.65亿元，融资盘增加约47亿元，两市日均成交11830亿元[87] - 中证全指风险溢价跟踪显示，截至2025年1月17日，风险溢价指标为3.63%，两倍标准差边界为4.65%[86] - 沪深300的PE为12.7倍，位于历史45%分位，创业板指的PE为31.9倍，位于历史12%分位[25] - 主要指数PE_TTM统计显示，沪深300、上证50、创业板指等指数的PE_TTM走势[27][29] - 主要行业指数PE_TTM统计显示，电力设备、建筑装饰、纺织服饰、美容护理、食品饮料等行业的PE_TTM距离其历史底部估值最近[29] - 主要行业指数PB_LF统计显示，不同行业的PB_LF和其分位数[33][35] - 年初至今A股个股基于收益区间的占比分布统计显示，不同收益区间的个股占比情况[67] - 年初至今A股个股收益中位数统计显示，个股收益的中位数情况[70] - 主要指数超跌指标统计显示，不同指数的超跌情况[78] - 行业指数超跌指标统计显示，不同行业指数的超跌情况[81]

量化因子与构建方式 1. **因子名称**：WTR因子 - **因子的构建思路**：基于分析师的目标价格预测，考虑报告发布时的价格而不是月末计算因子时的股票价格[79] - **因子具体构建过程**：构造加权目标收益率因子，公式如下： $$ W T R=\sum{\frac{P_{i}^{e}}{P_{i}^{0}}}={\frac{\sum P_{i}^{e}\times P/P_{i}^{0}}{P}}=\sum{\frac{P_{i}^{e}}{P}}\omega_{i}=T R\times W $$ 其中，$P_{i}^{0}$表示在第$i$家机构发布价格预测前一个交易日的收盘价；$P_{i}^{e}$为第$i$家机构发布的股票目标价格；$P$为月末计算因子时的股票收盘价；$\omega_{i}$表示在不同行情下，对不同机构预测的目标价格应赋予的系数[80][81] - **因子评价**：因子的收益大多集中在多头端，说明高预期收益率的股票要明显比低预期收益率的股票要好，分析师对于个股的价格预测存在有效的选股能力[84] 2. **因子名称**：MTR因子 - **因子的构建思路**：基于加权预期收益率因子的同比变化，反映分析师预期的变化在短期对市场的冲击影响[88] - **因子具体构建过程**：构造调整预期收益率因子，公式如下： $$ M T R=d i f f(W T R) $$ [88] - **因子评价**：MTR因子的多空收益主要贡献在空头端，分析师下调收益率的含义相对而言更加明确一些[91] 3. **因子名称**：CTR因子 - **因子的构建思路**：基于分析师预期数据中的关注度因子，反映股票热度的差异性[94] - **因子具体构建过程**：构造关注度修正因子，公式如下： $$ C T R=R a n k(W T R)*R a n k(C) $$ 具体步骤： 1. 在横截面上计算WTR因子的排序值，记为$Rank(WTR)$ 2. 在横截面上计算C因子的排序值，若是不同股票为相同值，则按照WTR因子内部排序，记为$Rank(C)$ 3. 将两个排序值进行乘积运算，得到CTR因子[94][95] - **因子评价**：CTR因子的多头年化收益率较高，胜率同样比原始因子的表现更好[98] 4. **因子名称**：TR_ICIR因子 - **因子的构建思路**：将WTR因子、MTR因子和CTR因子等权组合，利用ICIR加权合成[99] - **因子具体构建过程**：对比原始的因子在全市场上的表现，合成因子在选股上的效果更优[100] - **因子评价**：合成因子的表现要优于原始因子，在稳定性上有明显的提升[100] 因子的回测效果 1. **WTR因子** - **ICIR**：1.52 (N=20), 1.41 (N=40), 1.346 (N=60), 1.264 (N=90)[86] - **IR**：1.265 (N=20), 1.047 (N=40), 0.996 (N=60), 0.997 (N=90)[86] - **年化收益**：0.144 (N=20), 0.142 (N=40), 0.141 (N=60), 0.147 (N=90)[86] - **夏普比率**：0.522 (N=20), 0.517 (N=40), 0.515 (N=60), 0.538 (N=90)[86] - **月度胜率**：0.696 (N=20), 0.667 (N=40), 0.667 (N=60), 0.623 (N=90)[86] 2. **MTR因子** - **ICIR**：2.022 (N=20), 1.87 (N=40), 1.808 (N=60), 1.933 (N=90)[93] - **IR**：1.772 (N=20), 1.486 (N=40), 1.537 (N=60), 1.616 (N=90)[93] - **年化收益**：0.123 (N=20), 0.117 (N=40), 0.115 (N=60), 0.117 (N=90)[93] - **夏普比率**：0.456 (N=20), 0.434 (N=40), 0.426 (N=60), 0.43 (N=90)[93] - **月度胜率**：0.703 (N=20), 0.681 (N=40), 0.681 (N=60), 0.688 (N=90)[93] 3. **CTR因子** - **ICIR**：1.061 (N=20), 0.973 (N=40), 0.919 (N=60), 0.823 (N=90)[99] - **IR**：1.233 (N=20), 1.108 (N=40), 1.124 (N=60), 0.967 (N=90)[99] - **年化收益**：0.125 (N=20), 0.135 (N=40), 0.144 (N=60), 0.144 (N=90)[99] - **夏普比率**：0.469 (N=20), 0.506 (N=40), 0.546 (N=60), 0.549 (N=90)[99] - **月度胜率**：0.623 (N=20), 0.645 (N=40), 0.674 (N=60), 0.609 (N=90)[99] 4. **TR_ICIR因子** - **ICIR**：1.533[100] - **IR**：1.401[100] - **年化收益**：0.149[100] - **夏普比率**：0.545[100] - **月度胜率**：0.674[100]