量化因子与构建方式 1. 因子名称：信息分布均匀度（UID）因子 - **因子的构建思路**：基于高频波动率数据，利用个股分钟数据计算每日高频波动率，构建信息分布均匀度（UID）因子，旨在改进传统波动率因子，提升选股效果[1][5] - **因子具体构建过程**： 1. 收集个股的分钟级别数据 2. 计算每日高频波动率 3. 在此基础上，构造信息分布均匀度（UID）因子 4. 剔除市场常用风格和行业的干扰，得到纯净的UID因子[1][5] - **因子评价**： 1. 选股效果显著优于传统波动率因子 2. 剔除风格和行业干扰后，纯净UID因子仍具备较强的选股能力[1][5] --- 因子的回测效果 1. 信息分布均匀度（UID）因子 - **年化收益率**：27.18%[6][10] - **年化波动率**：9.99%[6][10] - **信息比率（IR）**：2.72[6][10] - **月度胜率**：80.00%[6][10] - **最大回撤率**：6.05%[6][10] 2. 11月单月表现 - **多头组合收益率**：6.68%[9] - **空头组合收益率**：1.59%[9] - **多空对冲收益率**：5.08%[9]

量化模型与构建方式 1. 三维择时模型 - **模型名称**：三维择时模型 - **模型构建思路**：通过市场分歧度、流动性和景气度三个维度来判断市场走势 - **模型具体构建过程**： - **市场分歧度**：衡量市场参与者对未来走势的分歧程度 - **流动性**：衡量市场的资金流动情况 - **景气度**：衡量经济的整体健康状况 - 公式： $$ \text{择时信号} = f(\text{分歧度}, \text{流动性}, \text{景气度}) $$ - **模型评价**：在高波动环境下，流动性仍在下行趋势，模型偏向于震荡下跌[9][11][12] 2. 资金流共振策略 - **模型名称**：资金流共振策略 - **模型构建思路**：通过监控融资融券和大单资金的流动，选择资金流入共振的行业 - **模型具体构建过程**： - **融资融券资金因子**：barra市值因子中性化后的融资净买入-融券净买入，取最近10日均值后的环比变化率 - **主动大单资金因子**：行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值 - 公式： $$ \text{资金流共振因子} = \text{融资融券因子} + \text{主动大单因子} $$ - **模型评价**：策略2018年以来费后年化超额收益14.5%，信息比率1.4，相对北向-大单共振策略回撤更小[21][23][25] 模型的回测效果 - **三维择时模型**： - **上周回报**：1.03%（沪深300增强组合），1.87%（中证500增强组合），2.77%（中证1000增强组合）[40][41] - **上周超额**：-0.29%（沪深300增强组合），0.10%（中证500增强组合），0.14%（中证1000增强组合）[40][41] - **本月回报**：0.84%（沪深300增强组合），-0.87%（中证500增强组合），1.98%（中证1000增强组合）[40][41] - **本月超额**：0.18%（沪深300增强组合），-0.03%（中证500增强组合），0.80%（中证1000增强组合）[40][41] - **本年回报**：20.97%（沪深300增强组合），16.42%（中证500增强组合），7.08%（中证1000增强组合）[40][41] - **本年超额**：6.82%（沪深300增强组合），8.63%（中证500增强组合），1.95%（中证1000增强组合）[40][41] - **超额年化收益率**：11.20%（沪深300增强组合），13.47%（中证500增强组合），14.36%（中证1000增强组合）[40][41] - **超额Sharpe**：1.97（沪深300增强组合），2.81（中证500增强组合），2.30（中证1000增强组合）[40][41] 量化因子与构建方式 1. 动量因子 - **因子名称**：动量因子 - **因子的构建思路**：通过股票的历史收益率来预测未来收益 - **因子具体构建过程**： - **1年收益率**：过去1年的收益率 - 公式： $$ \text{动量因子} = \text{过去1年收益率} $$ - **因子评价**：表现较好，最近一周相对于中证全指的超额收益达到2%以上[32][33][34] 2. 波动率因子 - **因子名称**：波动率因子 - **因子的构建思路**：通过股票的历史波动率来预测未来波动 - **因子具体构建过程**： - **60日上行波动率/下行波动率**：过去60天的上行波动率与下行波动率的比值 - 公式： $$ \text{波动率因子} = \frac{\text{60日上行波动率}}{\text{60日下行波动率}} $$ - **因子评价**：表现较好，最近一周相对于中证全指的超额收益达到2%以上[32][33][34] 3. 估值因子 - **因子名称**：估值因子 - **因子的构建思路**：通过股票的估值水平来预测未来收益 - **因子具体构建过程**： - **总市值的对数对账面价值对数，净利润对数以及负债合计对数做横截面回归的取残差**：估值因子的计算方法 - 公式： $$ \text{估值因子} = \text{总市值的对数} - \text{账面价值对数} - \text{净利润对数} - \text{负债合计对数} $$ - **因子评价**：表现较好，最近一周相对于中证全指的超额收益达到2%以上[32][33][34] 因子的回测效果 - **动量因子**： - **近一周多头超额**：3.00%[34] - **近一个月多头超额**：9.01%[34] - **近一年多头超额**：28.92%[34] - **波动率因子**： - **近一周多头超额**：2.50%[34] - **近一个月多头超额**：7.22%[34] - **近一年多头超额**：18.39%[34] - **估值因子**： - **近一周多头超额**：2.55%[34] - **近一个月多头超额**：8.47%[34] - **近一年多头超额**：19.44%[34]

量化模型与构建方式 1. 模型名称：基于技术指标的指数仓位调整模型 - **模型构建思路**：以量价数据为基础，通过技术指标信号调整标的仓位，获取超额收益[6] - **模型具体构建过程**： - 构建27个技术指标信号，测试其在沪深300、中证500、中证1000及31个申万一级行业指数上的表现[6] - 通过相关性分析，设计多信号组合策略，包括5信号策略和7信号策略[6] - 信号处理方式分为两种： - **后置买卖法**：先合并信号后处理，信号稳健，适合风险偏好低的投资者，称为“滚动稳健策略”[6] - **前置买卖法**：先处理信号后合并，追涨能力强，适合风险偏好高的投资者，称为“滚动追涨策略”[6] - **模型评价**：模型表现出较强的超额收益能力，滚动稳健策略适合低风险偏好投资者，滚动追涨策略适合高风险偏好投资者[6] --- 模型的回测效果 非滚动部分 - **优选单信号**： - 沪深300：0.00%[8] - 中证500：2.50%[8] - 中证1000：-1.28%[8] - **5信号策略**： - 沪深300：0.56%[8] - 中证500：0.00%[8] - 中证1000：0.00%[8] - **7信号策略**： - 沪深300：-0.87%[8] - 中证500：0.71%[8] - 中证1000：-1.43%[8] 滚动部分 - **滚动稳健策略**： - 沪深300：-0.87%[10] - 中证500：-0.70%[10] - 中证1000：-2.36%[10] - **滚动追涨策略**： - 沪深300：-0.78%[10] - 中证500：-0.12%[10] - 中证1000：-0.77%[10] --- 量化因子与构建方式 1. 因子名称：技术指标信号因子 - **因子的构建思路**：基于量价数据，利用技术指标信号生成买卖信号，调整仓位[6] - **因子具体构建过程**： - 设计27个技术指标信号，测试其在不同指数上的表现[6] - 通过量价“背离”概念设计的技术指标，在34个指数上的平均超额年化收益率为3.75%[3][6] - 结合多个信号，构建5信号和7信号策略[6] - **因子评价**：单因子表现稳定，量价背离因子在多指数上表现出较高的超额收益能力[3][6] --- 因子的回测效果 单因子 - **量价背离因子**：在34个指数上的平均超额年化收益率为3.75%[3][6] 多信号因子 - **5信号策略**： - 中证1000：年化收益率2.54%，超额年化收益率11.27%[3] - **滚动稳健策略**： - 平均超额年化收益率3.99%[3] - **滚动追涨策略**： - 超额收益波动性略高于滚动稳健策略，适合看涨后市的投资者[3]

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，实时预测宏观经济指标（如GDP增速），以捕捉短期内宏观经济的边际变化[25] - **模型具体构建过程**：通过收集高频经济数据（如PMI、经济意外指数等），结合统计和机器学习方法，动态更新对GDP增速的预测值[25] - **模型评价**：短期内宏观经济预测边际变化趋于平稳，略微向下，模型对经济走势的预测具有一定参考价值[25] 2. 模型名称：AI价量模型 - **模型构建思路**：从日频价量数据中提取行业指数的趋势、波动和价量形态特征，利用深度神经网络对行业配置价值进行预测[17] - **模型具体构建过程**： 1. 提取日频价量数据，计算行业指数的趋势、波动和价量形态特征 2. 使用深度神经网络对行业配置价值进行预测 3. 将预测结果标准化至[-1,1]区间，得出各行业的配置得分[17] - **模型评价**：模型能够动态反映行业配置价值的变化，提供短期行业配置建议[17] 3. 模型名称：风险预算模型 - **模型构建思路**：基于风险预算的资产配置方法，结合市场信号动态调整大类资产的配置权重[13] - **模型具体构建过程**： 1. 确定基准权重，作为资产配置的初始参考 2. 根据市场信号（如宏观经济、流动性等）调整主动权重 3. 计算均衡配置比例，形成最终的资产配置方案[13] - **模型评价**：模型能够结合市场信号动态调整资产配置，适应市场变化[13] --- 模型的回测效果 1. GDPNOW模型 - **预测GDP增速**：2024年四季度预测值为5.0%，相较于上周无变化[25] 2. AI价量模型 - **行业配置得分**： - 建筑材料：0.40 - 银行：0.36 - 机械设备：0.32 - 交通运输：0.28 - 非银金融：0.23[17] 3. 风险预算模型 - **资产配置权重**： - 股票：基准权重7.2%，主动权重9.7% - 美股：基准权重7.6%，主动权重10.1% - 债券：基准权重66.5%，主动权重60.9% - CRB商品：基准权重3.8%，主动权重3.5% - 黄金：基准权重11.9%，主动权重11.2% - 原油：基准权重2.9%，主动权重4.6%[13] --- 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**：通过多因子模型分解股票收益，分析不同风格因子（如价值、成长、动量等）对市场表现的影响[35] - **因子具体构建过程**： 1. 收集股票的基本面和市场数据 2. 计算各风格因子（如换手率、财务杠杆、盈利能力等）的收益表现 3. 分析因子收益的变化趋势，评估市场风格偏好[35] - **因子评价**：本周资金对价值和成长的偏好无明显差异，市场调整期间短期动量强的股票表现较好，小盘风格相对占优[35] --- 因子的回测效果 1. BARRA风格因子 - **因子收益表现**： - 换手：-0.5% - 财务杠杆：0.1% - 盈利波动：0.2% - 盈利质量：-0.2% - 盈利能力：-0.3% - 投资质量：0.1% - 长期反转：-0.1% - EP价值：0.2% - BP价值：-0.1% - 成长：0.0% - 动量：0.2% - 非线性市值：-0.6% - 市值：-1.0% - 波动率：-0.4% - 股息率：-0.1%[36]

量化模型与构建方式 1. 模型名称：风格轮动模型 - **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，结合基础风格因子（估值、市值、波动率、动量），逐步构造风格择时与打分体系[1][8] - **模型具体构建过程**： 1. 优选80个底层因子作为原始特征[8] 2. 基于这些因子构造640个微观特征[8] 3. 使用常用指数作为风格股票池，取代风格因子的绝对比例划分，构造新的风格收益作为标签[8] 4. 通过滚动训练随机森林模型，优选特征并规避过拟合风险，得到风格推荐[8] 5. 构建从风格择时到风格评分，再到实际投资的风格轮动框架[8] - **模型评价**：通过随机森林模型的滚动训练，有效规避了过拟合风险，模型能够从风格择时到实际投资形成完整的风格轮动框架[8] --- 模型的回测效果 1. 风格轮动模型 - **年化收益率**：22.97%[9][10] - **年化波动率**：24.55%[9][10] - **信息比率（IR）**：0.94[9][10] - **月度胜率**：60.31%[9][10] - **历史最大回撤**：28.33%[10] 2. 风格轮动模型（对冲市场基准） - **年化收益率**：14.07%[9][10] - **年化波动率**：11.62%[9][10] - **信息比率（IR）**：1.21[9][10] - **月度胜率**：67.94%[9][10] - **历史最大回撤**：8.98%[10] --- 量化因子与构建方式 1. 因子名称：估值因子 - **因子的构建思路**：基于个股的估值水平，作为风格因子之一参与风格轮动模型的构建[8] - **因子具体构建过程**：通过东吴金工多因子体系，结合估值相关的底层因子，构造估值因子[8] 2. 因子名称：市值因子 - **因子的构建思路**：基于个股市值大小，作为风格因子之一参与风格轮动模型的构建[8] - **因子具体构建过程**：通过东吴金工多因子体系，结合市值相关的底层因子，构造市值因子[8] 3. 因子名称：波动率因子 - **因子的构建思路**：基于个股的波动率水平，作为风格因子之一参与风格轮动模型的构建[8] - **因子具体构建过程**：通过东吴金工多因子体系，结合波动率相关的底层因子，构造波动率因子[8] 4. 因子名称：动量因子 - **因子的构建思路**：基于个股的动量特征，作为风格因子之一参与风格轮动模型的构建[8] - **因子具体构建过程**：通过东吴金工多因子体系，结合动量相关的底层因子，构造动量因子[8] --- 因子的回测效果 1. 估值因子 - **今年来实际收益率（多空对冲）**：约5%[14][20] - **今年来择时后收益率（多空对冲）**：显著提升，择时正确率超过70%[12][15] 2. 市值因子 - **今年来实际收益率（多空对冲）**：约10%[14][20] - **今年来择时后收益率（多空对冲）**：显著提升，择时正确率超过70%[12][15] 3. 波动率因子 - **今年来实际收益率（多空对冲）**：约20%[14][20] - **今年来择时后收益率（多空对冲）**：显著提升，择时正确率超过70%[12][15] 4. 动量因子 - **今年来实际收益率（多空对冲）**：约15%[14][20] - **今年来择时后收益率（多空对冲）**：显著提升，择时正确率超过70%[12][15]

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，获得EPS和PE的“双击”收益[1][7] - **模型具体构建过程**：通过PEG指标评估股票定价的合理性，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] - **模型评价**：策略在2010-2017年回测期内表现稳定，年化收益26.45%，超额基准21.08%，且每年超额收益均超过11%，具有较好的稳定性[10] 2. 模型名称：净利润断层策略 - **模型构建思路**：结合基本面与技术面，通过“净利润惊喜”和“断层跳空”双击选股[2][12] - **模型具体构建过程**： 1. 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 2. 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**：策略自2010年至今年化收益28.28%，年化超额基准26.47%，表现出较高的收益能力[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稳定的股票[3][17] - **模型具体构建过程**： 1. 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 2. 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可靠的股票 3. 综合成长型和价值型投资者偏好，结合营业收入、毛利润、净利润增速及长期稳定高ROE的公司，构建增强组合[17] - **模型评价**：历史回测显示超额收益稳定，适合长期投资[17] --- 模型的回测效果 1. 戴维斯双击策略 - 年化收益：26.45%[10] - 年化超额收益：21.08%[10] - 全样本超额收益：21.34%[8] - 最大相对回撤：-16.69%[8] - 收益回撤比：1.28[8] 2. 净利润断层策略 - 年化收益：28.28%[15] - 年化超额收益：26.47%[15] - 全样本超额收益：26.47%[14] - 最大相对回撤：-19.09%[14] - 收益回撤比：1.39[14] 3. 沪深300增强组合 - 年化收益：9.03%[17] - 年化超额收益：8.40%[17] - 全样本超额收益：8.40%[17] - 最大相对回撤：-9.18%[17] - 收益回撤比：0.92[17]

量化模型与构建方式 1. 高频宏观因子 - **因子名称**：高频宏观因子 - **因子的构建思路**：通过资产组合模拟构建一套高频宏观因子体系，用以观察市场交易的宏观预期变化[12] - **因子具体构建过程**： 1. 真实宏观指标合成低频宏观因子 2. 筛选领先于低频宏观因子的资产 3. 以资产同比收益率为自变量，低频宏观因子同比为因变量，通过滚动多元领先回归确定资产权重，构建投资组合模拟宏观因子走势[12] - **因子评价**：高频经济增长、高频通货膨胀（消费端、生产端）相比于对应低频宏观因子有一定领先性[13][18] 2. 债券久期择时模型 - **模型名称**：债券久期择时模型 - **模型构建思路**：利用改进的Diebold2006模型预测即期收益率曲线，并映射出不同久期债券的预期收益[21] - **模型具体构建过程**： 1. 模型分别预测水平、斜率、曲率因子 2. 水平因子的预测基于宏观变量预判和政策利率跟随 3. 斜率和曲率因子的预测基于AR(1)模型[21] - **模型评价**：模型预测未来三个月水平因子下降，斜率因子陡峭化，曲率因子增凸，推荐持有1年期短久期债券[21] 3. 转债配置模型 - **模型名称**：转债配置模型 - **模型构建思路**：比较转债和正股的相对估值，比较偏债型转债与同等级期限的信用债配置价值，以及在转债内部进行风格轮动[24] - **模型具体构建过程**： 1. 构建"百元转股溢价率"指标，计算滚动历史分位数衡量转债和正股当前的相对配置价值 2. 取"修正YTM–信用债YTM"中位数衡量偏债型转债和信用债之间的相对配置价值 3. 选择转债20日动量与转债波动率偏离度作为市场情绪捕捉指标，双周频调仓构建转债风格轮动组合[24][26][28] - **模型评价**：高估值转债会系统性地带来负收益，转债风格轮动组合表现优于转债等权指数[26][28] 4. 黄金预期收益模型 - **模型名称**：黄金预期收益模型 - **模型构建思路**：将黄金和美国抗通胀债券(TIPS)的远期实际回报关联，构建黄金的预期收益模型[29] - **模型具体构建过程**： 1. 公式：$E[Real\_Return^{gold}]=k\times E[Real\_Return^{Tips}]$ 2. 公式：$E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{Tips}]$ 3. 扩展窗口OLS估计参数k，以美联储长期通胀目标2%作为π^e的代理[29] - **模型评价**：模型测算未来一年黄金的预期收益率为21.5%[29] 模型的回测效果 1. **高频宏观因子**： - 高频经济增长同比下行[12] - 高频通货膨胀（消费端）同比下行[18] - 高频通货膨胀（生产端）同比上行[18] 2. **债券久期择时模型**： - 11月回报16.7bp，等权基准收益率为94.4bp，策略超额收益-77.6bp[22] - 最近一年，零息国债久期调整策略回报4.05%，等权基准收益率为7.41%，策略超额收益-3.36%[22] 3. **转债配置模型**： - "百元转股溢价率"为19.48%[25] - "修正YTM–信用债YTM"中位数为1.16%[25] - 债风格轮动年化收益为21.79%，最大回撤15.59%，信息比率1.36，月度胜率64.2%[28] - 今年以来收益为19.94%，最大回撤为15.59%[28] 4. **黄金预期收益模型**： - 未来一年黄金的预期收益率为21.5%[29] - 基于TIPS收益率的择时模型过去一年绝对回报为36.33%[33]

- 近期，华夏、华泰柏瑞、易方达、嘉实、南方、华安等多家基金公司发布公告，宣布将调降旗下部分基金以及联接基金的管理费率、托管费率至0.15%/年、0.05%/年[3] - 预计截至2024年11月23日，头部宽基类ETF基本完成降费[3] - 从规模占比上来看，预计2024年11月23日相比去年年末，管理费率为0.15%/年的ETF从之前的不足10%跃升至接近70%，管理费率为0.05%/年的ETF从之前的不足14%跃升至超过70%[3]

- 本次报告聚焦电子板块，提出了两种画像刻画方法：第一种是沿“消费—制造—科技”三条投资主线定位电子企业；第二种是融合资本密集度和产业生命周期，将电子企业分为创新驱动型（轻资产）、成长扩张型（重资产）以及成熟回报型（重资产）三类[3] - 综合验证显示，第二种方法更适合电子行业制造业属性突出、业务模式多样的特点，为后续量化选股提供了框架基础[3]

量化模型与构建方式 1. 稳健复合因子 - **模型名称**：稳健复合因子 - **模型构建思路**：基于低波动、低估值、低换手、高股息四类因子，合成稳健复合因子，用于筛选稳健股票池[3][65][67] - **模型具体构建过程**： - **样本空间**：选择中证800与中证1000成分股的并集，剔除ST股及上市不满1年的新股[67] - **因子定义**： - **低波动**：日度收益滚动240天标准差 - **低估值**：EPQ（单季度净利润/总市值）、EBIT2EV（单季度EBIT/总市值+带息债务）、SPQ（单季度营业收入/总市值） - **低换手**：日度换手率滚动240天均值 - **高股息**：最近年度报告期现金股利总和（税前）/总市值[62][68] - **因子合成**：将上述四类因子等权合成稳健复合因子[67][68] - **股票选择**：每月末在样本空间中选择稳健复合因子排名前300的股票构建稳健股票池[67] - **模型评价**：稳健复合因子能够有效捕捉低波动、高收益的股票特征，选股能力较强[65][67] 2. 增强复合因子 - **模型名称**：增强复合因子 - **模型构建思路**：在稳健股票池基础上，采用动量、成长、分析师预期、股息率、高频等因子进行复合打分，进一步精选股票[77][78] - **模型具体构建过程**： - **因子定义**： - **动量因子**：新高动量（当日收盘价/过去一年最高价-1） - **分析师预期因子**：过去3个月分析师一致预期净利润上调幅度均值 - **成长因子**：标准化预期外盈利（SUE）、单季度ROE同比增速（DeltaROE） - **股息率因子**：最近年报汇总股息率 - **高频因子**：大单及漫长订单精选复合因子[78] - **因子处理**：对选股因子进行缺失值填充、去极值、标准化处理[77] - **因子合成**：将单因子等权合成增强复合因子[79] - **股票选择**：根据增强复合因子值排序，选择排名靠前的股票[82] - **模型评价**：增强复合因子在稳健股票池中表现优异，能够进一步提升选股能力[77][79] 3. 稳健精选组合 - **模型名称**：稳健精选组合 - **模型构建思路**：基于增强复合因子对稳健股票池进行精选，同时限制行业与个股权重，构建分散化的稳健精选组合[82][84] - **模型具体构建过程**： - **样本空间**：稳健股票池（中证1800样本空间中采用稳健复合因子选取前300只股票）[82] - **选股方式**：基于增强复合因子值排序，选择排名靠前的50只股票[82] - **赋权方法**： - 对增强复合因子进行Z-Score标准化，并映射到正态分布的累积分布函数上，最终归一化得到权重[84][87][89] - 限制行业权重上限为15%，个股权重上限为3%[90][93] - **调仓频率**：月末调仓[82] - **交易设置**：调仓日涨停股票不买入、跌停股票不卖出，交易费用为双边千三[82] - **模型评价**：稳健精选组合通过分散化权重限制，进一步提升了策略的稳健性和可落地性[82][84] --- 模型的回测效果 稳健复合因子 - **年化收益**：13.81% - **相对中证800全收益指数年化超额**：7.31% - **最大回撤**：45.71% - **净值波动**：22.60% - **累计创新高天数**：191天[73][75][76] 增强复合因子 - **月度RankIC均值**：7.83% - **年化RankICIR**：1.64 - **多头月均超额收益**：0.84% - **空头月均超额收益**：-0.81%[79][80] 稳健精选组合 - **年化收益**：26.53% - **相对中证红利全收益指数年化超额**：15.14% - **相对红利低波100全收益指数年化超额**：13.17% - **相对中诚信防御100全收益指数年化超额**：9.04% - **最大回撤**：37.73% - **累计创新高天数**：338天 - **创新高率**：10.85%[97][99][107][110] --- 量化因子与构建方式 1. 低波动因子（Vol240） - **因子构建思路**：衡量股票价格的波动性 - **因子具体构建过程**：日度收益滚动240天标准差[62] - **因子评价**：RankIC均值为5.89%，年化ICIR为1.05，表现较好[63] 2. 低估值因子（EPQ、EBIT2EV、SPQ） - **因子构建思路**：衡量股票的估值水平 - **因子具体构建过程**： - EPQ：单季度净利润/总市值 - EBIT2EV：单季度EBIT/(总市值+带息债务) - SPQ：单季度营业收入/总市值[62] - **因子评价**：EPQ表现最佳，RankIC均值为5.14%，年化ICIR为1.41[63] 3. 低换手因子（Turn240） - **因子构建思路**：衡量股票的交易活跃度 - **因子具体构建过程**：日度换手率滚动240天均值[62] - **因子评价**：RankIC均值为3.63%，年化ICIR为0.70，表现一般[63] 4. 高股息因子（DivLYR） - **因子构建思路**：衡量股票的分红能力 - **因子具体构建过程**：最近年度报告期现金股利总和（税前）/总市值[62] - **因子评价**：RankIC均值为2.76%，年化ICIR为0.83，表现一般[63] --- 因子的回测效果 低波动因子（Vol240） - **RankIC均值**：5.89% - **年化ICIR**：1.05 - **RankIC胜率**：62.36% - **多头月均超额收益**：0.04% - **空头月均超额收益**：-0.56%[63] 低估值因子（EPQ） - **RankIC均值**：5.14% - **年化ICIR**：1.41 - **RankIC胜率**：64.04% - **多头月均超额收益**：0.49% - **空头月均超额收益**：-0.45%[63] 低换手因子（Turn240） - **RankIC均值**：3.63% - **年化ICIR**：0.70 - **RankIC胜率**：61.24% - **多头月均超额收益**：0.08% - **空头月均超额收益**：-0.27%[63] 高股息因子（DivLYR） - **RankIC均值**：2.76% - **年化ICIR**：0.83 - **RankIC胜率**：58.99% - **多头月均超额收益**：0.14% - **空头月均超额收益**：0.01%[63]