根据提供的研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：大小盘风格因子** - 构建思路：衡量市场大小盘风格偏向的均衡性[11] - 具体构建过程：通过计算大盘股与小盘股的相对收益差异，结合市值加权指标动态调整风格暴露[11][13] - 因子评价：反映市场风格切换的敏感性，但需结合波动率因子优化稳定性[13] 2. **因子名称：价值成长风格因子** - 构建思路：评估价值股与成长股的风格分化程度[11] - 具体构建过程：基于PB/PE等估值指标分组，计算两组收益率的滚动差异[11][13] 3. **因子名称：行业轮动因子** - 构建思路：捕捉行业超额收益离散度的变化[11] - 具体构建过程：计算各行业指数超额收益的标准差，并采用3个月移动窗口平滑[11][13] 4. **因子名称：商品趋势强度因子** - 构建思路：量化商品期货板块的趋势延续性[27] - 具体构建过程：对南华商品指数各板块计算20日动量得分： $$Trend_{i,t} = \frac{P_{i,t}}{P_{i,t-20}} - 1$$ 其中$P_{i,t}$为第$i$板块t日价格[27][30] 5. **因子名称：期权隐含波动率偏度因子** - 构建思路：反映市场对极端事件的定价差异[35] - 具体构建过程：计算虚值看涨/看跌期权隐含波动率差值，标准化后得到偏度指标[35][36] 因子回测效果 1. **大小盘风格因子** - 上周方向：均衡[13] - 波动率：下降[13] 2. **价值成长风格因子** - 上周方向：均衡[13] - 波动率：下降[13] 3. **行业轮动因子** - 超额收益离散度：下降[13] - 轮动速度：下降[13] 4. **商品趋势强度因子** - 能化/黑色板块：趋势性强[27] - 贵金属板块：趋势强度下降27%[27][30] 5. **期权隐含波动率偏度因子** - 中证1000偏度：上升[35] - 上证50偏度：下降[36] 注：报告中未提及具体量化模型构建，仅跟踪现有因子表现[11][13][27][35]

量化因子与构建方式 1. **因子名称**：换手率变化率的稳定GTR因子 **因子构建思路**：通过识别换手率波动率高的股票中换手率稳定增长或下降的股票，构建描述这种趋势的稳定性指标[6] **因子具体构建过程**： - 基于换手率变化率的加速度意义，结合稳定性特征构建 - 公式未明确给出，但核心逻辑为计算换手率变化率的稳定性（如标准差或平滑处理）[6] **因子评价**：与东吴金工全系列换手率因子相关性低于0.1，且对其他换手率因子有增强作用[6] 2. **因子名称**：纯净优加TPS_Turbo因子 **因子构建思路**：将GTR因子与Turn20因子通过纯净优加法合成增强[6] **因子具体构建过程**： - 采用纯净优加法（具体公式未披露）对GTR和Turn20因子加权合成 - 目标为保留Turn20因子的选股能力并叠加GTR的稳定性特征[6] 3. **因子名称**：纯净优加SPS_Turbo因子 **因子构建思路**：将GTR因子与STR因子通过纯净优加法合成增强[6] **因子具体构建过程**： - 类似TPS_Turbo，但合成对象为STR因子 - 参考《成交价改进换手率》报告中SPS因子的构建方法[6] --- 因子的回测效果 （2006年1月至2025年4月，全市场10分组多空对冲） 1. **换手率变化率的稳定GTR因子** - 年化收益率：13.20% - 年化波动率：10.29% - IR：1.28 - 月度胜率：66.96% - 最大回撤率：10.81%[7][11] 2. **纯净优加TPS_Turbo因子** - 年化收益率：36.20% - 年化波动率：13.27% - IR：2.73 - 月度胜率：78.26% - 最大回撤率：9.86%[7][11] 3. **纯净优加SPS_Turbo因子** - 年化收益率：37.44% - 年化波动率：10.94% - IR：3.42 - 月度胜率：81.30% - 最大回撤率：7.22%[7][11] --- 2025年4月单月表现 1. **GTR因子** - 多头收益率：-2.04% - 空头收益率：-2.91% - 多空对冲收益率：0.88%[14] 2. **TPS_Turbo因子** - 多头收益率：0.14% - 空头收益率：-5.51% - 多空对冲收益率：5.56%[15] 3. **SPS_Turbo因子** - 多头收益率：-0.29% - 空头收益率：-4.73% - 多空对冲收益率：4.44%[19]

量化模型与构建方式 1. **模型名称：DFQ-Diversify** - **模型构建思路**：通过自监督领域识别与对抗训练机制，实现标签预测任务与领域识别任务的显式解耦，以增强模型的分布外泛化能力[2][3][10] - **模型具体构建过程**： 1. **核心模块**： - **update_d模块**：执行领域识别任务，通过对抗机制抑制标签信息学习。包含特征提取器（GRU）、领域瓶颈层（dbottleneck）、领域分类器（dclassifier）和标签对抗判别器（ddiscriminator）。梯度反转层用于抑制标签预测能力[23][25][27] - **set_dlabel模块**：动态更新样本的潜在领域标签，通过无监督聚类优化领域划分[28][29] - **update模块**：执行标签预测任务，通过对抗机制抑制领域信息依赖。包含共享特征提取器、标签瓶颈层（bottleneck）、标签分类器（classifier）和领域对抗判别器（discriminator）[30][32][33] 2. **对抗训练机制**： - 模块间对抗：update_d与update共享特征提取器，目标相反形成动态博弈[43][44] - 模块内双损失：update_d优化领域预测损失（交叉熵）和标签对抗损失（MSE）；update优化标签预测损失（MSE）和领域对抗损失（交叉熵）[45][46] - 梯度反转层：在反向传播中反转梯度符号，实现特征解耦[47][48] 3. **动态领域划分**：通过自监督聚类在时间和截面维度识别潜在领域，满足领域内一致性高、领域间差异显著的标准[34][35][36] - **模型评价**：相比Factorvae-pro模型，Diversify无需预设环境变量，通过动态领域划分和对抗训练显著提升泛化能力，尤其在复杂市场环境中表现稳健[10][50][53] 2. **模型名称：GRU基础模型** - **模型构建思路**：作为对比基准，采用标准GRU结构进行标签预测，无领域解耦设计[55] - **模型具体构建过程**： - 输入60个量价特征，通过GRU层提取时序特征后直接预测20日收益率[55] --- 模型的回测效果 1. **DFQ-Diversify模型** - **中证全指股票池（2020-2024）**： - IC：12.41% | IC_IR：1.24 | rankIC：14.73% | rankIC_IR：1.29 - 多头年化超额收益：32.33% | 最大回撤：-7.55% | 换手率：74.08%[55] - **沪深300增强组合**： - 信息比率（IR）：1.89 | 年化超额收益：11.27%[6] - **中证500增强组合**： - 信息比率（IR）：1.67 | 年化超额收益：12.19%[6] 2. **GRU基础模型** - **中证全指股票池（2020-2024）**： - IC：12.01% | IC_IR：1.20 | rankIC：14.11% | rankIC_IR：1.30 - 多头年化超额收益：26.44% | 最大回撤：-6.80% | 换手率：78.20%[55] --- 关键参数与对比 1. **独立瓶颈层效果**： - 独立dbottleneck和bottleneck的Diversify模型（IC 12.41%）优于共享瓶颈层（IC 10.99%）和无瓶颈层（IC 11.81%）[60] 2. **双路径训练优势**： - 双路径训练的Diversify（rankIC 14.73%）显著优于单路径合并训练（rankIC 14.01%）[61][62] 3. **领域数量选择**： - latent_domain_num=2时模型表现最优（IC 12.41%），过多领域数（如domain_num=5）导致性能下降（IC 10.92%）[84] --- 因子绩效表现（中性化后） 1. **中证全指股票池**： - 中性化因子IC：11.02% | rankIC：13.15% | 多头年化超额收益：28.19%[48] --- 领域可视化分析 1. **领域分布**： - 训练中领域=1的占比从51.24%升至58.09%，反映模型对领域结构的自适应学习[63][79] - 领域标签同时包含时序（同一股票领域归属随时间变化）和截面（同一时间不同股票领域差异）信息[71][75][77]

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**：港股优选20组合 **模型构建思路**：基于港股通样本股中的四大类因子（技术面、资金面、基本面和分析师预期面）构建多因子模型，筛选表现优异的个股[37][38] **模型具体构建过程**： - 每月底对港股通成分股（545只）进行因子评分 - 选取分数最高的前20只个股按等权方式构建组合 - 基准为港股综合指数(HKD) (930930.CSI)[39] **模型评价**：四大类因子在港股通成分股中分组表现优异，历史超额收益稳定[37][38] 2. **因子分类**： - **技术面因子**：未披露具体计算方式[38] - **资金面因子**：通过香港联交所持股明细计算四类资金流（南下/外资/中资/港资及其他）的持仓市值占比变化[19][23] - **基本面因子**：包含PEttm、ROEttm等指标（见表3）[45] - **分析师预期因子**：未披露具体计算方式[38] 模型的回测效果 1. **港股优选20组合**： - 2025年4月超额收益率0.17%（组合-3.40% vs 基准-3.57%）[39] - 全区间（2015.1-2025.4）超额年化收益率13.7%，超额收益波动比1.0[39][40] - 分年度表现： - 最佳年份2020年（超额年化58.5%，波动比3.4） - 最差年份2025年（超额年化-10.7%，波动比-0.9）[40] 量化因子与构建方式 1. **资金流因子**： **构建思路**：跟踪四类经纪商（南下/外资/中资/港资及其他）的资金流向[19] **具体构建**： - 计算每只港股通标的在四类经纪商的持仓市值占比 - 归一化处理：$$ \text{持仓占比} = \frac{\text{单类持仓市值}}{\sum(\text{四类持仓市值})} $$[19][23] **因子评价**：南下资金流向与个股超额收益显著相关（如赤峰黄金净流入30.2%对应54.9%涨幅）[35] 2. **基本面因子**： **具体指标**： - PEttm：滚动市盈率 $$ \text{PE} = \frac{\text{市值}}{\text{近12月净利润}} $$ - ROEttm：滚动净资产收益率 $$ \text{ROE} = \frac{\text{近12月净利润}}{\text{净资产}} $$[45] 因子的回测效果 1. **资金流因子**： - 南下资金净流入前十个股平均收益13.2%，显著跑赢外资系（-9.0%）[35] - 行业层面：家电/煤炭/基础化工等南下资金偏好行业表现突出[23][26] 2. **基本面因子**： - 组合中低PE高ROE个股占比60%（如农业银行PE5.8x/ROE9.4%）[45] - 成长板块（如百济神州PE-44.2x）在5月组合中配置比例提升[44] 注：技术面因子和分析师预期因子的具体构建公式及测试结果未在研报中披露[38]

根据提供的文档内容，该报告主要涉及航运市场数据和贸易政策分析，但未提及具体的量化模型或因子构建相关内容。文档中主要包含以下信息： 1 航运市场数据 - 上海出口集装箱运价综合指数SCFI现值为1341，较前值下跌0.51%[2] - 中国出口集装箱运价指数CCFI现值为0，较前值下跌100%[2] - SCFI-美西现值为2272，较前值上涨6.12%[2] - SCFIS-美西现值为1321，较前值上涨7.37%[2] - SCFI-美东现值为3283，较前值上涨0.80%[2] - SCFI-西北欧现值为1200，较前值下跌4.76%[2] 2 航运衍生品数据 - EC2506合约现价1299.5，较前值下跌1.87%[2] - EC2508合约现价1509.9，较前值上涨0.28%[2] - EC2510合约现价1265.0，较前值上涨0.51%[2] - EC2512合约现价1450.0，与前值持平[2] 3 贸易政策影响 - 中国对美出口放缓促使制造商转向欧洲市场[1][3] - 美国对汽车零部件加征25%关税[4] - 马士基宣布征收旺季附加费2000-2500美元/箱[5] - 特朗普威胁对中国实施新一轮制裁[11] 4 市场分析观点 - 现货运价已跌破长协价，下行空间有限[7] - 欧线运价供大于求，货量一般但供给较多[7] - 需关注美国关税政策和6月开舱价格[7] 注：文档中未发现量化模型或因子相关内容，因此无法按照要求总结模型或因子构建细节。报告主要内容集中在航运市场数据跟踪和贸易政策对航运市场的影响分析[1][2][3][4][5][7][11]

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] - **具体构建过程**： 1. 计算个股PE的Z-score，衡量其与历史均值的偏离程度： $$EPD = \frac{PE_t - \mu_{PE}}{\sigma_{PE}}$$ 其中$\mu_{PE}$为滚动窗口内PE均值，$\sigma_{PE}$为标准差[7] 2. 通过Z-score识别估值异常（高估或低估）的股票[7] - **因子评价**：捕捉短期估值偏离后的均值回复效应，但易受个股估值逻辑突变影响[7] 2. **因子名称：缓慢偏离EPDS因子** - **构建思路**：在EPD基础上剔除估值逻辑可能发生变化的个股（通过信息比率筛选）[7] - **具体构建过程**： 1. 计算个股信息比率IR，衡量其估值逻辑稳定性[7] 2. 对EPD因子进行截面调整： $$EPDS = EPD \times (1 - P_{change})$$ 其中$P_{change}$为估值逻辑改变概率（由IR代理）[7] - **因子评价**：降低"伪异常"干扰，提升因子稳健性[7] 3. **因子名称：估值异常EPA因子** - **构建思路**：在EPDS基础上进一步剥离Beta、成长与价值风格的影响[7] - **具体构建过程**： 1. 对EPDS因子进行多因子正交化处理： $$EPA = EPDS - \beta_1 \cdot MKT - \beta_2 \cdot HML - \beta_3 \cdot SMB$$ 其中MKT、HML、SMB分别代表市场、价值、规模因子[7] 2. 保留纯估值异常效应[7] - **因子评价**：逻辑纯净度高，兼具收益性与稳定性[7] 因子的回测效果 1. **EPD因子**（2010/02-2025/04） - 年化收益率：17.65% - 年化波动率：10.02% - 信息比率（IR）：1.76 - 月度胜率：71.04% - 最大回撤率：8.93%[8][10] 2. **EPDS因子**（2010/02-2025/04） - 年化收益率：16.31% - 年化波动率：5.73% - 信息比率（IR）：2.85 - 月度胜率：79.23% - 最大回撤率：3.10%[8][10] 3. **EPA因子**（2010/02-2025/04） - 年化收益率：17.30% - 年化波动率：5.12% - 信息比率（IR）：3.38 - 月度胜率：80.87% - 最大回撤率：3.12%[8][10] - **2025年4月表现**： - 多头组合收益率：-3.30% - 空头组合收益率：-3.02% - 多空对冲收益率：-0.28%[13]

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**：宏观驱动型投顾策略 - **构建思路**：基于宏观经济指标（如关税政策、债市波动）调整资产配置比例，侧重政策对冲和季节性效应[5][6] - **具体构建过程**： 1. 根据关税冲击预期增加信用债配置比例（+4.4%），减少货币比例（-3.8%）[8][35] 2. 久期调整：纯债型投顾久期增加0.13年，固收+型增加0.12年[7][34] 3. 行业轮动：增配食品饮料（+0.53%），减配电子（-0.78%）和电力设备（-0.31%）[36][37] - **模型评价**：政策敏感性强，但依赖宏观预测准确性 2. **模型名称**：指数驱动型投顾策略 - **构建思路**：通过跟踪指数基金（如沪深300、中证500）进行风格配置，结合超额收益排名动态调整[9][41] - **具体构建过程**： 1. 筛选指数基金调仓幅度：港股类指数增配1.1%，科创板类减配1.1%[41] 2. 小盘/微盘配置：微盘股比例从5.31%增至5.54%，小盘股维持5.34%[45][48] - **模型评价**：风格稳定性高，但需警惕市场风格切换风险 --- 模型的回测效果 1. **宏观驱动型模型**： - 4月绝对收益：-0.78%[17] - 近1年收益率：6.5%（黄金类QDII）[53] - Calmar比率：3.01（固收+型产品）[26] 2. **指数驱动型模型**： - 4月绝对收益：-2.34%[17] - 中证2000调仓幅度：-1.5%（低超额收益产品）[41] - 信息比率（IR）：未披露 --- 量化因子与构建方式 1. **因子名称**：久期调整因子 - **构建思路**：反映利率预期变化对债券配置的影响[6][7] - **具体构建过程**： - 久期计算公式：$$ \Delta D = \sum (w_i \cdot D_i) $$，其中$w_i$为债券权重，$D_i$为单券久期[34] - 纯债型产品久期调整均值+0.13年[34] 2. **因子名称**：行业轮动因子 - **构建思路**：基于关税政策与内需消费趋势捕捉行业超额收益[5][36] - **具体构建过程**： 1. 行业配置比例变化：食品饮料（+0.53%）vs 电子（-0.78%）[36] 2. 红利基金比例先升后降（5.38%→5.54%→5.49%）[42][43] --- 因子的回测效果 1. **久期调整因子**： - 固收+型产品久期调整与收益相关性：+0.12年久期对应1.6%收益[26][34] 2. **行业轮动因子**： - 食品饮料行业4月超额收益：+0.53%[36] - 微盘股配置收益贡献：+0.23%（5.31%→5.54%）[45] --- 注：以上内容严格基于研报数据，未包含风险提示等非核心信息[55][60]

量化模型与构建方式 1. **模型名称：美联储流动性指数模型** - 模型构建思路：结合数量维度和价格维度构建美联储流动性指数，用于判断市场流动性状态[7] - 模型具体构建过程：通过量化美联储政策工具（如资产负债表规模、利率等）和市场反应（如高收益债利差、新兴市场权益表现等）合成指数，指数>0代表宽松，<0代表收缩[7][9] - 模型评价：对高收益债和新兴市场权益等流动性敏感资产具有显著预测能力[7] 2. **模型名称：CDS-AH股择时模型** - 模型构建思路：利用中国主权CDS（信用违约互换）与AH股收益的负相关性构建择时信号[12][13] - 模型具体构建过程： 1) 计算CDS的20日差分 2) 当差分下行时触发看多信号 3) 结合港股历史数据优化阈值[12][13] - 模型评价：年化超额收益5.7%，与港股收益拟合度优于A股[12][15] 3. **模型名称：利率债收益预测模型** - 模型构建思路：通过拆解利率债收益来源，预测不同久期债券的未来回报[17][20] - 模型具体构建过程： 1) 利率建模：$$ r_{t} = \alpha + \beta X_{t} + \epsilon_{t} $$，其中X为宏观经济变量 2) 蒙特卡洛模拟利率路径 3) 计算持有期预期收益[17][20] - 模型评价：短久期策略卡玛比率达2.94，优于长久期配置[19] 4. **模型名称：A股收益预测模型（GK模型）** - 模型构建思路：基于股息率、盈利增长、估值变化等要素预测宽基指数收益[22][26] - 模型具体构建过程： $$ R_{t+1} = D_{t} + \Delta E_{t} + \Delta P/E_{t} $$ 其中D为股息率，ΔE为盈利增速，ΔP/E为估值变化[26] - 模型评价：对沪深300与中证500的收益差预测能力稳定[22][23] 5. **模型名称：赔率+胜率策略** - 模型构建思路：结合资产赔率（估值）和胜率（宏观因子）构建风险预算组合[65][70] - 模型具体构建过程： 1) 赔率指标：股债风险溢价（权益）、CCB定价误差（转债） 2) 胜率指标：货币/信用/增长/通胀/海外五因子评分 3) 风险预算加权[65][70] - 模型评价：2011年以来年化收益6.9%，最大回撤2.8%[72] --- 量化因子与构建方式 1. **因子名称：质量因子** - 构建思路：筛选盈利稳定、财务健康的股票[46][48] - 具体构建过程： 1) 计算EPS稳定性、ROE波动率 2) 标准化后加权合成[48] - 因子评价：当前呈现"高赔率-中等趋势-低拥挤"特征[46] 2. **因子名称：成长因子** - 构建思路：捕捉营收/净利润高增长股票[47][49] - 具体构建过程： 1) 计算净利润同比、营收TTM同比 2) 行业中性化处理[49] - 因子评价：当前估值吸引力下降，拥挤度较高[47] 3. **因子名称：小盘因子** - 构建思路：利用市值效应获取超额收益[53][55] - 具体构建过程： $$ Size = \ln(MCap) $$ 其中MCap为总市值[55] - 因子评价：当前拥挤度0.3倍标准差，风险较高[53] 4. **因子名称：行业轮动三标尺因子** - 构建思路：结合景气度、趋势、拥挤度筛选行业[60][63] - 具体构建过程： 1) 趋势：过去12个月IR 2) 拥挤度：换手率比率+波动率比率 3) 景气度：分析师预期修正[63] - 因子评价：2011年以来信息比率1.12[61] --- 模型的回测效果 1. **美联储流动性指数模型** - 宽松区间年化夏普比率：标普500（1.52）、纳斯达克（1.78）、高收益债（1.21）[9][11] 2. **CDS-AH股择时模型** - 年化收益：11.8% vs 基准6.1% - 最大回撤：19.1% vs 64.1%[15] 3. **利率债收益预测模型** - 短久期策略年化收益：6.8% - 卡玛比率：2.94[19] 4. **A股收益预测模型** - 沪深300预测收益：19.7% - 中证500预测收益：-27.8%[26] 5. **赔率+胜率策略** - 2014年以来年化收益：7.6% - 夏普比率：3.48[72] --- 因子的回测效果 1. **质量因子** - 当前赔率：1.3倍标准差 - 拥挤度：-1.1倍标准差[48] 2. **成长因子** - 当前趋势：0.5倍标准差 - 赔率：-1.1倍标准差[49] 3. **行业轮动因子** - 2019年以来超额收益：9.3% - 信息比率：0.88[61]

量化模型与构建方式 1. **模型名称**：微盘股扩散指数择时模型（首次阈值法） - **模型构建思路**：基于万得微盘股指数成分股过去20日上涨比例的扩散指数，通过设定阈值（0.9和0.1）进行左侧交易决策[65] - **模型具体构建过程**： 1. 计算扩散指数：过去20个交易日上涨股票比例 2. 当扩散指数≥0.9时空仓，≤0.1时满仓 3. 必须满仓后才能空仓，反之亦然 4. 其他时间维持上一期信号 - **模型评价**：样本外回撤可控但易过早止盈，2024年9月牛市过早敲出[65] 2. **模型名称**：微盘股扩散指数择时模型（延迟阈值法） - **模型构建思路**：改进首次阈值法的反转逻辑为动量逻辑，通过延迟触发阈值减少误判[67] - **模型具体构建过程**： 1. 扩散指数上一日≥0.9且当日跌破0.9时空仓 2. 上一日≤0.1且当日突破0.1时满仓 3. 其他时间维持上一期信号 - **模型评价**：保留牛市收益能力更强，2024年9月未过早止盈[67] 3. **模型名称**：微盘股扩散指数择时模型（双均线法） - **模型构建思路**：采用10日MA与20日MA的均线交叉自适应市场变化，避免固定阈值依赖[70] - **模型具体构建过程**： 1. 计算扩散指数的10日短期均线（MA10） 2. 计算MA10的20日长期均线（MA20） 3. MA10上穿MA20时满仓，下穿时空仓 - **模型评价**：参数平滑不足导致2024年12月短暂误判，但整体回撤控制最佳[70] 模型的回测效果 1. **首次阈值法**：2025年4月7日触发满仓信号（扩散指数0.0225）[65] 2. **延迟阈值法**：2025年4月22日触发开仓信号[67] 3. **双均线法**：2025年4月30日触发开仓信号[70] 量化因子与构建方式 1. **因子名称**：微盘股拥挤度因子 - **因子构建思路**：通过前十大股东中公募/金融机构持股占比衡量市场拥挤程度[51] - **因子具体构建过程**： 1. 计算公募基金持股占流通市值比例： $$ \text{公募拥挤度} = \frac{\text{前十大股东公募持股市值}}{\text{指数总流通市值}} $$ 2. 计算金融机构持股占流通市值比例： $$ \text{机构拥挤度} = \frac{\text{前十大股东机构持股市值}}{\text{指数总流通市值}} $$ - **因子评价**：有效识别历史低位，2025Q1微盘股公募拥挤度仅0.20%[51] 2. **因子名称**：市值分层因子 - **因子构建思路**：按成分股市值分层（30亿/50亿/100亿以下）统计基金持仓变化[25][28][32] - **因子具体构建过程**： 1. 筛选对应市值区间的成分股 2. 计算公募基金持仓市值及占流通市值比例 3. 监测季度环比变化（如2024Q4 50亿以下市值持仓下降40bp）[41] 因子的回测效果 1. **微盘股拥挤度因子**： - 公募持股占比0.20%（历史最低0.07%）[51] - 金融机构持股占比1.29%（历史最低0.88%）[51] 2. **50亿以下市值因子**：2025Q1公募重仓占比0.28%，较2024Q4下降5.05bp[44] 3. **100亿以下市值因子**：2025Q1公募重仓占比0.56%，较2024Q4上升3.53bp[47]

量化模型与构建方式 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，再考虑过度修正后剔除日内收益得到第二代RCP因子[7] 因子具体构建过程： - 首先构造过度自信因子CP：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代理变量 - 然后将CP因子与日内收益进行正交处理，取残差项作为RCP因子[7] - 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[8] 因子评价：该因子捕捉了投资者从过度自信到修正的心理过程，表现优于传统组合方式[7] 模型的回测效果 1. 重拾自信2.0 RCP因子（2014/02-2025/04）： - 年化收益率：18.84% - 年化波动率：7.71% - 信息比率(IR)：2.44 - 月度胜率：79.26% - 最大回撤率：5.89%[8][11] 2. 重拾自信2.0 RCP因子（2025年4月）： - 10分组多头组合收益率：-1.62% - 10分组空头组合收益率：-2.45% - 多空对冲收益率：0.84%[11] 3. 原始回测期（2014/01/01-2022/08/31）： - IC均值：0.04 - 年化ICIR：3.27 - 10分组多空对冲年化收益率：20.69% - 信息比率：2.91 - 月度胜率：81.55%[7]