量化模型与构建方式 1. **模型名称**：核心卫星化模型 **模型构建思路**：通过增加基准成份股或基准指数的仓位，降低主动管理部分权重以达到降低组合跟踪误差的目标[2] **模型具体构建过程**：使用网格搜索法进行参数遍历，在满足跟踪误差<M%的情况下找到最优仓位参数。具体步骤包括： - 输入投资组合X（股票代码及权重）和基准指数Y - 设定跟踪误差阈值M% - 通过网格搜索遍历不同基准指数配置比例（如10%-90%，步长5%） - 计算各比例下组合的跟踪误差和收益率 - 选择满足跟踪误差<M%条件下收益率最大的配置比例 **模型评价**：实现简单直接，但可能牺牲部分主动管理收益[16] 2. **模型名称**：行业中性化模型 **模型构建思路**：通过调整组合中各行业权重使其与基准指数一致，降低行业配置带来的跟踪误差[3] **模型具体构建过程**： - 保持组合持仓股票不变 - 计算基准指数Y的中信一级行业权重分布 - 调整组合中各行业内股票权重，使组合行业权重与基准一致 - 对于组合中未配置的行业，使用行业指数ETF进行填充 - 输出中性化后的持仓权重[31] **模型评价**：有效降低行业配置偏离，但可能限制基金经理的行业选择能力[32] 3. **模型名称**：风格中性化模型 **模型构建思路**：通过组合优化调整个股权重，使组合相对基准的风格偏离最小[4] **模型具体构建过程**： - 基于Barra风格因子体系（Size、Beta、Momentum等10个因子） - 构建多目标优化方程： $$ \min \sum_{i=1}^{n} w_i \cdot StyleExposure_i + \lambda \cdot \sum_{i=1}^{n} |w_i - w_{i,original}| $$ 其中$StyleExposure_i$为股票i的风格暴露，$\lambda$为调整幅度权重参数 - 求解得到最优个股权重分配[36] **模型评价**：操作复杂度较高，需依赖完整的风格因子体系[37] 4. **模型名称**：组合哑铃化模型 **模型构建思路**：通过配置相关性低的互补策略（如成长+价值），降低组合整体波动[5] **模型具体构建过程**： - 识别原组合主导风格（如成长型） - 选择相关性低的对冲策略（如价值型指数） - 按等权重或其他优化比例配置互补策略 - 定期（如季度）进行再平衡[41] **模型评价**：适合风格极致的基金，但需考虑策略间的实际对冲效果[42] 模型的回测效果 1. **核心卫星化模型** - 日偏离度：从2.27%降至1.12% - 跟踪误差：显著降低[18] 2. **行业中性化模型** - 最大日偏离度：从6.39%降至0.96% - 行业配置偏差：完全消除[33] 3. **风格中性化模型** - 平均日偏离度：从1.49%降至1.06% - 超额收益：从-9.55%提升至+3.55%[38] 4. **组合哑铃化模型** - 年化收益率：7.57%（基准4.81%） - 年化波动率：19.23%（基准21.42%） - 最大回撤：45.60%（基准46.70%） - 超额最大回撤：从33.36%降至19.88%[46] 量化因子与构建方式 1. **因子名称**：基准指数替代因子 **因子构建思路**：用少量股票构建能稳定跟踪基准指数的替代组合[20] **因子具体构建过程**： - **核心龙头股+行业代表法**： 1) 筛选基准指数中市值前30%的股票 2) 对每个中信一级行业，确保至少有1只代表股票 3) 等比例放大各行业权重至基准水平 4) 控制总股票数量在50只左右[23] - **优化抽样法**： $$ \min \sum_{t=1}^{T} (R_{portfolio,t} - R_{benchmark,t})^2 $$ 约束条件：股票数量≤50，行业权重偏差≤1%[21] **因子评价**：平衡了跟踪效果与组合简洁性[28] 因子的回测效果 1. **基准指数替代因子** - 跟踪误差：2.91% - 行业覆盖：100%中信一级行业[28]

量化因子与构建方式 1 **因子名称**：盈利预期期限结构因子 **因子构建思路**：通过分析分析师对上市公司未来多年盈利预测的趋势（期限结构），将盈利预测数据与年度变量拟合斜率，量化分析师的乐观、中性或悲观预期[7] **因子具体构建过程**： - 将未来年度（如第1年、第2年等）作为X轴，对应盈利预测值作为Y轴 - 对数据点进行线性回归，计算斜率： $$ \text{斜率} = \frac{n\sum xy - (\sum x)(\sum y)}{n\sum x^2 - (\sum x)^2} $$ 其中，\( x \)为年度变量，\( y \)为盈利预测值，\( n \)为预测年度数 - 根据斜率正负和大小划分期限结构形态（向上倾斜/水平/向下倾斜）[7] **因子评价**：历史表现稳定，能有效捕捉分析师预期差异[9] 2 **因子名称**：合成动量ff因子 **因子构建思路**：将盈利预期期限结构因子（动量ff）与传统分析师预期调升因子（如一致预期净利润3个月变化率）结合，提升稳定性和收益能力[11] **因子具体构建过程**： - 标准化处理两个因子的数值 - 按一定权重线性合成（具体权重未披露）： $$ \text{合成动量ff} = w_1 \times \text{动量ff} + w_2 \times \text{预期调升因子} $$ **因子评价**：兼具高收益与稳定性，2021年后回撤显著改善[11] --- 因子的回测效果 1 **盈利预期期限结构因子**：累计IC表现稳定（图示趋势，无具体数值）[8][9] 2 **合成动量ff因子**：累计IC曲线优于传统预期调升因子（图示对比）[12] --- 量化模型与构建方式 1 **模型名称**：多指数选股组合模型 **模型构建思路**：基于合成动量ff因子在不同指数成分股中筛选排名靠前的股票构建组合[15] **模型具体构建过程**： - 在沪深300、中证500、中证800、中证1000成分股中分别选取因子排名前50、50、100、100的股票 - 等权重配置，定期调仓（频率未明确）[15] --- 模型的回测效果 1 **沪深300选股组合**： - 2025年6月超额收益4.29% - 2025上半年累计超额收益5.36%[15] 2 **中证500选股组合**： - 2025年6月超额收益2.36% - 2025上半年累计超额收益3.76%[15] 3 **中证800选股组合**： - 2025年6月超额收益3.72% - 2025上半年累计超额收益5.55%[15] 4 **中证1000选股组合**： - 2025年6月超额收益1.69% - 2025上半年累计超额收益4.17%[15]

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：港股优选20组合** - **模型构建思路**：基于港股通样本股，结合技术面、资金面、基本面和分析师预期四大类因子，筛选得分最高的前20只个股构建等权组合[37][38] - **模型具体构建过程**： 1. 因子分类：技术面（如动量、波动率）、资金面（如南下资金净流入占比）、基本面（如PE、ROE）、分析师预期（如盈利预测调整）[38] 2. 因子标准化：对每类因子内的指标进行Z-score标准化处理 3. 综合评分：加权汇总四大类因子得分（未披露具体权重） 4. 组合构建：每月末选取总分前20的个股等权配置，基准为港股综合指数(HKD)[39] - **模型评价**：长期表现优异，但存在年度波动（如2025年超额收益为负）[40] 2. **因子名称：资金流因子** - **因子构建思路**：通过港股通标的在四类经纪商（南下/外资/中资/港资及其他）的持仓变化捕捉资金流向[19] - **因子具体构建过程**： 1. 数据来源：香港联交所持股明细 2. 计算单月净流入占比： $$净流入占比=\frac{本月持仓市值-上月持仓市值}{上月总持仓市值}$$ 3. 分类统计：按行业/个股维度计算四类资金流均值[23][24][25][26] - **因子评价**：南下资金流因子对个股收益预测效果显著（前10个股平均收益25.7%）[32][36] 模型的回测效果 1. **港股优选20组合** - 全区间（2015.1-2025.6）： - 超额年化收益率：13.3% - 超额收益波动比：1.0 - 最大回撤：18.2%[40] - 2025年6月单月： - 组合收益率：4.6% - 基准收益率：3.9% - 超额收益率：0.8%[39] 2. **资金流因子** - 2025年6月四类资金流前10个股平均收益： - 南下资金系：25.7% - 外资系：13.5% - 中资系：14.0% - 港资及其他：10.2%[36] 量化因子与构建方式 1. **因子名称：基本面因子（PE/ROE）** - **因子构建思路**：采用港股通成分股的估值与盈利能力指标[46] - **因子具体构建过程**： 1. PEttm = 总市值 / 最近12个月净利润 2. ROEttm = 最近12个月净利润 / 期末净资产 3. 行业中性化处理：计算个股与行业均值的偏离度[46] 2. **因子名称：技术面因子** - **构建思路**：包含动量、波动率等传统技术指标（未披露具体公式）[38] 因子的回测效果 1. **基本面因子** - 2025年7月组合PEttm范围：1.4（金斯瑞生物科技）至75.4（中芯国际）[46] - ROEttm范围：-9.5%（哔哩哔哩）至103.7%（金斯瑞生物科技）[46] （注：部分因子如技术面、分析师预期因子的具体测试结果未在研报中披露）

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. **优化复制模型** - **构建思路**：通过数学优化方法最小化跟踪误差，复制目标指数的收益[31] - **具体构建过程**： 1. 定义资产组合收益率： $${\tilde{R}}_{t}=\Sigma_{i=1}^{M}{\widetilde{W}}_{i,t}\cdot Y_{i,t}=Y_{t}\cdot{\overline{{W}}}_{t}$$ 其中${\widetilde{W}}_{i,t}$为持仓权重，$Y_{i,t}$为资产收益[31] 2. 目标函数为跟踪误差最小化： $$w=a r g\,m i n\;\;\;T E$$ 其中$TE=\sqrt{\frac{1}{T}\Sigma_{t=1}^{T}(\tilde{R}_t-R_t)^2}$[32] 3. 添加约束条件： 权重和为1：$$\Sigma_{i=1}^{N}w_{i}=1$$[33] 非负约束：$$0\leq w_{i}\leq1$$[35] 行业/风格中性约束： $$z_{l o w}\leq\frac{X_{s}^{T}w-X_{s}^{T}\tilde{w}}{s_{b}}\leq z_{u p}$$ $$w_{l o w}^{I}\leq X_{I}^{T}w-X_{I}^{T}\bar{w}\leq w_{u p}^{I}$$[36] - **评价**：灵活平衡成本与精度，但依赖历史数据可能产生模型风险[30] 2. **Barra多因子模型** - **构建思路**：基于CAPM和Fama-French三因子模型扩展，解释个股收益来源[47] - **具体构建过程**： 因子收益方程： $${\begin{bmatrix}r_{1}\\ r_{2}\\ \vdots\\ r_{n}\end{bmatrix}}={\begin{bmatrix}x_{11}\\ x_{21}\\ \vdots\\ x_{n1}\end{bmatrix}}f_{1}+{\begin{bmatrix}x_{12}\\ x_{22}\\ \vdots\\ x_{n2}\end{bmatrix}}f_{2}+\cdots+{\begin{bmatrix}x_{1m}\\ x_{2m}\\ \vdots\\ x_{n m}\end{bmatrix}}f_{m}+{\begin{bmatrix}u_{1}\\ u_{2}\\ \vdots\\ u_{n}\end{bmatrix}}$$ 其中$x_{ij}$为股票i对因子j的暴露，$f_j$为因子收益[46] 3. **TCN神经网络因子挖掘模型** - **构建思路**：通过时序卷积网络挖掘高频量价Alpha因子[52] - **评价**：相比遗传规划算法能发现更复杂的非线性关系[51] 量化因子与构建方式 1. **波动类因子** - 特异率：1减Fama-French三因子模型拟合优度[48] - 残差波动率：Fama-French三因子回归残差的标准差[48] - 换手率变异系数：换手率标准差/均值[48] 2. **空头意愿因子** - 每笔成交额：总成交额/成交笔数[48] - 高量每笔成交：高成交量区间的每笔成交额占比[48] 3. **交易拥挤度因子** - 量价相关性：成交量与价格的秩相关系数[48] - 高量交易成本：最高20%价格区间的成交量占比[48] 4. **质量因子** - 盈利因子：扣非ROE与资产报酬率的均值[48] 5. **成长因子** - 绝对净利润增长：单季度扣非净利润时间序列回归斜率[48] 模型的回测效果 1. **沪深300指数增强基金** - 年化超额收益：3.74%[23] - 信息比率(IR)：1.51[23] - 跟踪误差：2.22%[23] - 超额胜率：72%[23] 因子的回测效果 1. **打新增强** - 2025年打新收益：2.13%（科创板4.34%，创业板2.52%）[67] 2. **股指期货增强** - 2025年基差：沪深300(-6.75%)、中证500(-13.60%)[72] 3. **大宗交易增强** - 历史折价率中位数：5.38%（2025年8.23%）[74] 4. **定向增发增强** - 历史折价率中位数：14.55%（2025年11.87%）[77]

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**：煤炭行业利润预测模型 - **构建思路**：基于动力煤长协价格机制和产能因子同比变化，预测行业营收和利润增速[10][13] - **具体构建过程**： 1. 价格因子：根据每月最后一期价格指数确定下月销售价格 2. 产能因子：结合历史产能数据计算同比变化 3. 利润预测公式： $$ \text{利润增速} = f(\text{价格因子}, \text{产能因子}) $$ 4. 输出结果为单季度利润同比增速预测值[11] - **模型评价**：能够有效捕捉煤价与产能对利润的联动影响，但依赖长协价格机制的稳定性 2. **模型名称**：生猪供需缺口预测模型 - **构建思路**：利用能繁母猪存栏数据与6个月后生猪出栏的稳定比例关系，预测供需平衡[14][15] - **具体构建过程**： 1. 计算历史出栏系数： $$ \text{出栏系数} = \frac{\text{单季度生猪出栏}}{\text{6个月前能繁母猪存栏}} $$ 2. 预测未来产能： $$ \text{6个月后潜在产能} = \text{当前能繁母猪存栏} \times \text{上年同期出栏系数} $$ 3. 供需缺口 = 潜在产能 - 上年同期出栏量[16] - **模型评价**：经验证可识别价格上行周期，但对存栏数据质量敏感 3. **模型名称**：普钢行业利润预测模型 - **构建思路**：结合钢材售价与铁矿石、焦炭等成本指标，测算单吨盈利及利润增速[17][21] - **具体构建过程**： 1. 单吨盈利 = 钢材综合售价 - (铁矿石成本 + 焦炭成本 + 喷吹煤成本 + 废钢成本) 2. 利润增速 = 单吨盈利同比变化 × 产量调整因子[19] - **模型评价**：成本端覆盖全面，但需动态跟踪原材料价格波动 4. **模型名称**：燃料型炼化利润预测模型 - **构建思路**：通过成品油与原油价差（裂解价差）测算行业利润[28][31] - **具体构建过程**： 1. 裂解价差 = 成品油价格 - 原油价格 2. 利润增速 = 裂解价差同比变化 × 产能利用率[29] - **模型评价**：对油价波动敏感，需结合新钻井数据辅助判断 --- 量化因子与构建方式 1. **因子名称**：PMI滚动均值因子 - **构建思路**：监测制造业PMI的12期滚动均值变化，判断行业景气阈值[21] - **具体构建过程**： $$ \text{PMI滚动均值} = \frac{\sum_{i=t-11}^{t} \text{PMI}_i}{12} $$ 当环比变化超过设定阈值时触发信号[21] 2. **因子名称**：玻璃/水泥盈利因子 - **构建思路**：跟踪价格与成本指标计算毛利变化[23][26] - **具体构建过程**： $$ \text{玻璃毛利} = \text{浮法玻璃价格} - (\text{纯碱成本} + \text{能源成本}) $$ $$ \text{水泥毛利} = \text{水泥价格} - \text{煤炭燃料成本} $$[27] 3. **因子名称**：基建托底预期因子 - **构建思路**：综合商品房销售与PMI数据判断基建预期[23][27] - **具体构建过程**： 1. 输入指标：商品房销售面积同比、制造业PMI滚动均值 2. 输出信号：当两者同步恶化时触发基建预期[27] --- 模型回测效果 1. **煤炭行业模型**： - 预测25年7月利润同比增速：-5.2%（中性信号）[13] - 历史回测超额收益：-4.0%（2025年6月）[10] 2. **生猪供需模型**： - 预测25Q4供需缺口：-18万头（均衡状态）[16] - 历史肉价周期识别准确率：78%（2012-2025）[15] 3. **普钢行业模型**： - 预测25年6月利润增速：-3.8%（中性信号）[21] - 单吨盈利回测值：215元/吨（2025年6月）[19] 4. **炼化行业模型**： - 预测25年6月利润增速：0.5%（同比持平）[31] - 裂解价差回测值：12美元/桶[29] --- 因子回测效果 1. **PMI滚动均值因子**： - 阈值触发准确率：62%（2010-2025）[21] 2. **玻璃盈利因子**： - 25年6月毛利同比：-8.3%[26] 3. **基建托底因子**： - 信号触发频率：年均1.2次（2011-2025）[27] --- 注：所有模型及因子均基于行业轮动系列报告方法论构建[9]，测试结果截至2025年6月[10][13][16][21][26][27][29][31]

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **封板率模型** - 模型构建思路：通过统计涨停股票在最高价和收盘时的表现，反映市场情绪和资金封板意愿[15] - 模型具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日最高价涨停且收盘仍涨停的股票占比[15] - 模型评价：高频指标，能有效捕捉短期资金情绪变化 2. **连板率模型** - 模型构建思路：衡量涨停股的持续性，反映市场接力资金强度[15] - 模型具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 筛选上市满3个月的股票，计算连续两日涨停的比例[15] 3. **股指期货贴水率模型** - 模型构建思路：通过期货与现货价差反映市场预期[26] - 模型具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 对上证50、沪深300、中证500、中证1000主力合约分别计算[26] - 模型评价：中长期市场情绪指标，但对合约剩余时间敏感 量化因子与构建方式 1. **大宗交易折价因子** - 因子构建思路：大宗交易折价幅度反映机构资金交易成本[24] - 因子具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计近半年日均折价率及当日值[24] 2. **ETF折溢价因子** - 因子构建思路：ETF场内价格与净值偏差反映套利资金活跃度[22] - 因子具体构建过程：筛选日成交额超100万的股票型ETF，计算(交易价格/净值-1)[22] 3. **龙虎榜机构净流入因子** - 因子构建思路：跟踪机构席位资金动向捕捉主力意图[33] - 因子具体构建过程：统计龙虎榜披露的机构专用席位净买入金额前十个股[33] 模型的回测效果 1. 封板率模型： - 当日值65%（前值79%）[15] - 近一月分位数34%[15] 2. 连板率模型： - 当日值16%（前值25%）[15] - 近一月分位数28%[15] 3. 股指期货贴水率模型： - 中证500年化贴水率21.6%（近一年8%分位）[26] - 中证1000年化贴水率16.26%（近一年34%分位）[26] 因子的回测效果 1. 大宗交易折价因子： - 当日折价率9.33%（半年均值5.72%）[24] 2. ETF折溢价因子： - 最大溢价1.01%（电池龙头ETF）[22] - 最大折价0.72%（科创综指ETF）[22] 3. 龙虎榜机构净流入因子： - 单日最大净流入1.2亿元（悦康药业）[33] - 单日最大净流出0.8亿元（新恒汇）[33]

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]