量化模型与构建方式 1. 模型名称：PB-ROE-50组合 - **模型构建思路**：基于PB（市净率）和ROE（净资产收益率）两个指标，筛选出具有较高投资价值的股票，构建组合[24] - **模型具体构建过程**：以PB和ROE为核心因子，结合中证500和中证800股票池，进行样本筛选和组合构建，采用月频调仓策略[24][25] 2. 模型名称：大宗交易组合 - **模型构建思路**：通过分析大宗交易的成交金额比率和成交金额波动率，提炼出高成交、低波动的股票，构建组合[29] - **模型具体构建过程**： 1. 统计大宗交易股票的成交金额比率和6日成交金额波动率 2. 按照“高成交、低波动”原则筛选股票 3. 采用月频调仓方式构建组合[29][30] 3. 模型名称：定向增发组合 - **模型构建思路**：基于定向增发事件效应，结合市值因素、调仓周期及仓位控制，构建事件驱动型选股组合[34] - **模型具体构建过程**： 1. 以股东大会公告日为时间节点 2. 综合考虑市值因素、调仓周期及仓位控制 3. 构建定向增发事件驱动选股组合[34][35] 模型的回测效果 1. PB-ROE-50组合 - **中证500股票池**：本周超越基准收益率1.13%，今年以来超额收益率11.60%，本周绝对收益率-0.94%，今年以来绝对收益率-7.09%[25] - **中证800股票池**：本周超越基准收益率0.95%，今年以来超额收益率6.73%，本周绝对收益率-1.11%，今年以来绝对收益率-11.14%[25] - **全市场股票池**：本周超越基准收益率-0.10%，今年以来超额收益率-0.08%，本周绝对收益率-2.14%，今年以来绝对收益率-16.81%[25] 2. 大宗交易组合 - **本周超越基准收益率**：1.82% - **今年以来超额收益率**：-11.57% - **本周绝对收益率**：-0.26% - **今年以来绝对收益率**：-26.38%[30] 3. 定向增发组合 - **本周超越基准收益率**：2.15% - **今年以来超额收益率**：-10.39% - **本周绝对收益率**：0.07% - **今年以来绝对收益率**：-25.40%[35] 量化因子与构建方式 1. 因子名称：Beta因子 - **因子构建思路**：衡量股票相对于市场的系统性风险，捕捉市场波动带来的收益机会[17] - **因子具体构建过程**：通过回归分析计算股票收益与市场收益的相关性，得到Beta值[17] 2. 因子名称：动量因子 - **因子构建思路**：基于股票价格的历史表现，捕捉价格延续性带来的收益机会[17] - **因子具体构建过程**：计算股票在一定时间窗口内的累计收益率，作为动量因子值[17] 3. 因子名称：市值因子 - **因子构建思路**：基于股票市值大小，捕捉小市值股票的超额收益特征[17] - **因子具体构建过程**：以股票市值为指标，构建因子值，并剔除行业和市值影响[17] 4. 因子名称：非线性市值因子 - **因子构建思路**：通过非线性变换，进一步挖掘市值因子的潜在收益特征[17] - **因子具体构建过程**：对市值因子进行非线性变换，构建新的因子值[17] 5. 因子名称：盈利因子 - **因子构建思路**：基于企业盈利能力，捕捉高盈利企业的超额收益特征[17] - **因子具体构建过程**：以ROE、ROA等盈利指标为基础，构建因子值[17] 6. 因子名称：流动性因子 - **因子构建思路**：衡量股票的流动性水平，捕捉流动性溢价带来的收益机会[17] - **因子具体构建过程**：以换手率、成交量等流动性指标为基础，构建因子值[17] 因子的回测效果 1. Beta因子 - **最近1周收益**：0.30%[17] 2. 动量因子 - **最近1周收益**：0.22%[17] 3. 市值因子 - **最近1周收益**：-0.32%[17] 4. 非线性市值因子 - **最近1周收益**：-0.48%[17] 5. 盈利因子 - **最近1周收益**：-0.66%[17] 6. 流动性因子 - **最近1周收益**：-0.64%[17]

量化模型与构建方式 1. 模型名称：隐马尔可夫模型（HMM） - **模型构建思路**：基于隐马尔可夫模型，通过识别当前行业所处状态，计算当前行业状态序列与历史中显著上涨或下跌状态序列的平均相似度，预测行业未来上涨概率，进而构建行业轮动策略[2][9][33] - **模型具体构建过程**： 1. **模型定义**：隐马尔可夫模型由初始状态概率向量、状态转移概率矩阵和观测概率矩阵决定，表示为三元组 $\lambda=(A,B,\pi)$[23] - 初始状态概率向量 $\pi=[\pi_{i}]$，表示初始时刻处于某状态的概率[22][23] - 状态转移概率矩阵 $A=[a_{i,j}]$，表示从状态 $q_i$ 转移到状态 $q_j$ 的概率[19][20] - 观测概率矩阵 $B=[b_{j,k}]$，表示在状态 $q_j$ 下生成观测 $v_k$ 的概率[20][21] 2. **状态序列生成**：基于行业量价数据，利用隐马尔可夫模型生成状态序列[35] 3. **状态匹配**：通过滚动采样历史状态序列，计算当前行业状态序列与历史显著上涨、显著下跌状态序列的相似度[36][37] - 相似度计算公式： $$ S_{i}=\begin{cases}1.0&\text{if}\ W_{i}^{\text{Now}}=W_{i}^{\text{Part}}\\ 0.5&\text{if}\ W_{i}^{\text{Now}}=W_{i-1}^{\text{Part}}\ \text{or}\ W_{i}^{\text{Now}}=W_{i+1}^{\text{Part}}\\ 0&\text{otherwise}\end{cases} $$ $$ S=\sum_{i=1}^{K}S_{i} $$ 其中 $W_{i}^{\text{Now}}$ 和 $W_{i}^{\text{Part}}$ 分别为观察窗口和待比较窗口的状态序列[54] 4. **行业优选**：选择预测上涨概率较高的前五分之一行业（六个）等权配置[43] 5. **参数优化**：通过样本内回测，选择涨跌阈值为3.5%、观察窗口长度为5作为最优参数[64] - **模型评价**：隐马尔可夫模型能够有效提取多维特征的抽象状态，降低噪声，提升预测能力[89] --- 模型的回测效果 样本内表现 - **累计超额收益**：2022年为7.02%，2023年为9.03%[71][73] - **最大回撤**：2022年为3.50%，2023年为3.40%[71][73] - **月度胜率**：2022年为66.67%，2023年为91.67%[71][73] - **年化波动率**：2022年为5.91%，2023年为5.33%[71][73] - **月盈亏比**：2022年为1.76，2023年为0.48[71][73] 样本外表现 - **累计超额收益**：2024年前8个月为10.75%[74][75] - **最大回撤**：2024年前8个月为2.80%[74][75] - **月度胜率**：2024年前8个月为75.00%[74][75] - **年化波动率**：2024年前8个月为6.77%[74][75] - **月盈亏比**：2024年前8个月为1.91[74][75] 样本外行业表现 - **Top行业收益排名**：2024年前8个月中，第1名出现4次，前3名共计8次，前5名共计13次，前10名共计20次，前15名共计28次，占比58%[83] - **月度换手率**：2024年前8个月平均月度换手率为53%[83] --- 量化因子与构建方式 1. 因子名称：日收益率、20日波动率、20日波动率差分、日换手率、日换手率差分 - **因子的构建思路**：通过多维特征代理变量描述行业状态，提取与市场波动相关的关键信息[40][48] - **因子具体构建过程**： 1. **特征选择**：剔除收盘价因子，最终选择5个因子[48] 2. **标准化处理**：采用Z-Score标准化方法，公式为： $$ X'=\frac{X-\text{Mean}(X)}{\text{Std}(X)} $$ 其中 $\text{Mean}(X)$ 为均值，$\text{Std}(X)$ 为标准差[49][50] 3. **特征矩阵生成**：基于行业量价数据，生成训练特征矩阵和预测特征矩阵[35] - **因子评价**：因子选择合理，能够有效反映市场状态，提升模型预测能力[40][48] --- 因子的回测效果 样本内表现 - **累计超额收益**：在涨跌阈值3.5%、观察窗口长度5的情况下，累计超额收益为16.7%[64] - **最大回撤**：3.50%[64] - **月度胜率**：79%[64] - **信息比率（IR）**：1.40[63] 样本外表现 - **累计超额收益**：10.75%[74][75] - **最大回撤**：2.80%[74][75] - **月度胜率**：75.00%[74][75] - **信息比率（IR）**：未明确提及

量化因子与构建方式 1. 因子名称：BuyTransaction_BuyOrder_ratio_09150920 - **因子的构建思路**：基于集合竞价阶段的逐笔订单数据，利用买单成交量与买单委托量的比例构建因子，反映市场中买方力量的强弱[7][20][22] - **因子具体构建过程**：该因子计算的是09:15~09:20时段内，买单成交量与买单委托量的比值，具体公式未披露[22] - **因子评价**：分档收益表现出较好的单调性，能够有效区分股票的未来表现[34][36] 2. 因子名称：BuyWithdrew_BuyOrder_ratio_09150920 - **因子的构建思路**：基于集合竞价阶段的逐笔订单数据，利用买单撤单量与买单委托量的比例构建因子，反映市场中买方撤单行为的强弱[7][20][22] - **因子具体构建过程**：该因子计算的是09:15~09:20时段内，买单撤单量与买单委托量的比值，具体公式未披露[22] - **因子评价**：分档收益表现出较好的单调性，能够有效区分股票的未来表现[42][44] 3. 因子名称：Transaction_Order_ratio_09200925 - **因子的构建思路**：基于集合竞价阶段的逐笔订单数据，利用成交量与委托量的比例构建因子，综合反映市场中买卖双方的成交强度[7][20][22] - **因子具体构建过程**：该因子计算的是09:20~09:25时段内，成交量与委托量的比值，具体公式未披露[22] - **因子评价**：分档收益表现出较好的单调性，能够有效区分股票的未来表现[52][53] 4. 因子名称：BuyTransaction_BuyOrder_ratio_09150925 - **因子的构建思路**：基于集合竞价阶段的逐笔订单数据，利用买单成交量与买单委托量的比例构建因子，反映市场中买方力量的强弱[7][20][22] - **因子具体构建过程**：该因子计算的是09:15~09:25时段内，买单成交量与买单委托量的比值，具体公式未披露[22] - **因子评价**：分档收益表现出较好的单调性，能够有效区分股票的未来表现[61][62] 5. 因子名称：SellTransaction_SellOrder_ratio_14571500 - **因子的构建思路**：基于集合竞价阶段的逐笔订单数据，利用卖单成交量与卖单委托量的比例构建因子，反映市场中卖方力量的强弱[7][20][22] - **因子具体构建过程**：该因子计算的是14:57~15:00时段内，卖单成交量与卖单委托量的比值，具体公式未披露[22] - **因子评价**：分档收益表现出较好的单调性，能够有效区分股票的未来表现[71][72] --- 因子的回测效果 1. BuyTransaction_BuyOrder_ratio_09150920因子 - **超额年化收益率**：Top-30组合为6.73%，Top-50组合为5.91%，Top-100组合为5.82%，Top-150组合为5.65%，Top-200组合为5.81%[34][38] - **信息比率（IR）**：Top-30组合为0.35，Top-50组合为0.31，Top-100组合为0.31，Top-150组合为0.30，Top-200组合为0.31[38][41] 2. BuyWithdrew_BuyOrder_ratio_09150920因子 - **超额年化收益率**：Top-30组合为11.88%，Top-50组合为10.26%，Top-100组合为8.28%，Top-150组合为7.41%，Top-200组合为6.55%[42][47] - **信息比率（IR）**：Top-30组合为0.60，Top-50组合为0.52，Top-100组合为0.43，Top-150组合为0.35，Top-200组合为0.29[47][50] 3. Transaction_Order_ratio_09200925因子 - **超额年化收益率**：Top-30组合为6.49%，Top-50组合为5.94%，Top-100组合为5.20%，Top-150组合为4.90%，Top-200组合为4.63%[52][59] - **信息比率（IR）**：Top-30组合为0.34，Top-50组合为0.31，Top-100组合为0.27，Top-150组合为0.25，Top-200组合为0.25[59][61] 4. BuyTransaction_BuyOrder_ratio_09150925因子 - **超额年化收益率**：Top-30组合为5.63%，Top-50组合为6.07%，Top-100组合为5.47%，Top-150组合为5.20%，Top-200组合为5.25%[61][69] - **信息比率（IR）**：Top-30组合为0.30，Top-50组合为0.33，Top-100组合为0.28，Top-150组合为0.29，Top-200组合为0.29[69][71] 5. SellTransaction_SellOrder_ratio_14571500因子 - **超额年化收益率**：Top-30组合为10.90%，Top-50组合为10.37%，Top-100组合为9.98%，Top-150组合为9.22%，Top-200组合为8.62%[71][78] - **信息比率（IR）**：Top-30组合为0.54，Top-50组合为0.53，Top-100组合为0.52，Top-150组合为0.46，Top-200组合为0.46[78][80]

量化模型与构建方式 1. 模型名称：RSAP-DFM（Regime-Shifting Adaptive Posterior Dynamic Factor Model） - **模型构建思路**：RSAP-DFM 是一种基于连续状态的动态因子模型，旨在通过双重状态转换对股票收益进行动态显式映射，同时引入对抗学习思想的后验因子以纠正因子映射偏差[3][4][15] - **模型具体构建过程**： 1. **特征嵌入提取器**：利用GRU模型从股票时间序列数据中提取隐藏特征，公式如下： $$ \begin{array}{c} z_{t}=\sigma(W_{x}x+U_{z}h_{t-1}+b_{z}), \\ r_{t}=\sigma(W_{r}x+U_{r}h_{t-1}+b_{r}), \\ \bar{h}_{t}=\operatorname{tanh}(W_{h}x+U_{h}(r_{t}\odot h_{t-1})+b_{h}), \\ h_{t}=z_{t}\odot h_{t-1}+(1-z_{t})\odot\bar{h}_{t} \end{array} $$ 其中，$⊙$为哈达玛乘积，$W∗$和$U∗$为可训练的权重和偏差[33][34] 2. **双重状态转换编码器**：动态提取宏观经济特征$m$，并通过状态转换跳跃编码器和加载编码器分别描述因子收益和因子暴露的状态转换，公式如下： $$ h^{\mathrm{ri}}={\mathrm{LeakyReLU}}(\mathbf{w}^{\mathrm{ri}}m+b^{\mathrm{ri}}) $$ $$ l_{\alpha}=\phi_{\mathrm{pi}}^{\alpha}(h^{\mathrm{ri}}),\quad l_{\beta}=\phi_{\mathrm{pi}}^{\beta}(h^{\mathrm{ri}}) $$[35][36][40] 3. **基于多头注意力的因子编码器**：通过多头注意力机制和变分编码器生成先验因子$\lambda_{\mathrm{prior}}$，公式如下： $$ [\mu_{\mathrm{prior}},\sigma_{\mathrm{prior}}]=\pi_{\mathrm{prior}}(h_{\mathrm{multi}},e^{\pi\mathrm{i}}) $$ $$ \lambda_{\mathrm{prior}}\sim{\mathcal{N}}(\mu_{\mathrm{prior}},\mathrm{diag}(\sigma_{\mathrm{prior}}^{2})) $$[42][45] 4. **双动态因子模型**：结合因子收益和因子暴露，输出预测收益率$\hat{r}$，公式如下： $$ \phi_{\mathrm{DDF}}(e,m,\lambda)=l_{\alpha}\alpha(e)+l_{\beta}\beta(e)\lambda $$ $$ \mu_{r}^{(i)}=l_{\alpha}^{(i)}\mu_{\alpha}^{(i)}+\sum_{k=1}^{K}l_{\beta}^{(i,k)}\beta^{(i,k)}\mu_{\mathrm{prior}}^{(k)} $$[46][50] 5. **自适应因子后验模块**：基于梯度的对抗学习思想，通过扰动$\lambda_{G}$增强因子的鲁棒性，公式如下： $$ \lambda_{G}=\lambda_{\mathrm{prior}}+\epsilon\frac{g^{*}}{\|\ g^{*}\ \|},\quad g^{*}=\frac{\partial l(r,\hat{r})}{\partial\lambda_{\mathrm{prior}}} $$[51] 6. **双层优化算法**：通过主任务和辅助任务的交替优化提升模型性能，公式如下： $$ \ell_{M}=\text{MSE}(\hat{r},r) $$ $$ \ell_{A}=\text{MSE}(\phi_{\text{DDF}}(e,m,\lambda_{G}),r)+\text{MSE}(\hat{r},r) $$[53][54] - **模型评价**：RSAP-DFM 在捕捉宏观经济状态、动态因子建模和预测股票收益方面表现出色，具有较高的鲁棒性和可解释性[4][15][77] --- 模型的回测效果 1. RSAP-DFM 模型 - **IC**：CSI100为0.0768，CSI300为0.0855，CSI500为0.0854[66] - **ICIR**：CSI100为0.4260，CSI300为0.6194，CSI500为0.7317[66] - **Rank IC**：CSI100为0.0870，CSI300为0.0961，CSI500为0.1025[66] - **Rank ICIR**：CSI100为0.4852，CSI300为0.6849，CSI500为0.8770[66] 2. 多空策略投资表现 - **累计多空收益率**：RSAP-DFM 在CSI100、CSI300和CSI500数据集上的表现均优于基线模型[74] - **夏普比率**：RSAP-DFM 在三个数据集上的夏普比率显著高于其他模型[74] --- 量化因子与构建方式 1. 因子名称：后验因子（Posterior Factor） - **因子的构建思路**：通过基于梯度的对抗学习方法，动态调整因子以增强其鲁棒性和预测能力[51][69] - **因子具体构建过程**： 1. 构建$P$个投资组合，并根据股票潜在特征$e$动态分配权重$w_{p}$，公式如下： $$ w_{p}=\mathrm{Softmax(Linear(e,P))} $$ 2. 计算投资组合收益率$R$： $$ R=w_{p}^{T}r $$ 3. 将$R$映射到$K$个高斯分布，生成后验因子$\lambda_{R}$，公式如下： $$ \mu_{\rm post}=w_{\rm post}R+b_{\rm post} $$ $$ \sigma_{\rm post}=log(1+exp(w_{\rm post}R+b_{\rm post})) $$ $$ \lambda_{R}\sim N(\mu_{\rm post},{\rm diag}(\sigma_{\rm post}^{2})) $$[69][72] - **因子评价**：后验因子通过动态调整权重和对抗学习增强了模型的鲁棒性和预测能力[51][71] --- 因子的回测效果 1. 后验因子 - **IC**：CSI100为0.0768，CSI300为0.0855，CSI500为0.0854[66] - **ICIR**：CSI100为0.4260，CSI300为0.6194，CSI500为0.7317[66] - **Rank IC**：CSI100为0.0870，CSI300为0.0961，CSI500为0.1025[66] - **Rank ICIR**：CSI100为0.4852，CSI300为0.6849，CSI500为0.8770[66]

量化因子与构建方式 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，分别改进日内因子和隔夜因子，再重新合成新的动量因子[6][7] - **因子具体构建过程**： 1. 将交易时段切割为日与夜，分别计算日内收益率（日内动量）和隔夜收益率（隔夜动量）[7] 2. 引入成交量信息，对日内和隔夜动量因子进行修正，增强信号的稳定性[7] 3. 将修正后的日内因子和隔夜因子加权合成新动量因子[7] - **因子评价**：选股能力显著优于传统动量因子，稳定性高且最大回撤低[6][7] 因子的回测效果 1. **"日与夜的殊途同归"新动量因子**（2014/02-2024/08，全体A股剔除北交所股票）： - 年化收益率：19.39%[1][7][9] - 年化波动率：8.12%[1][9] - 信息比率（IR）：2.39[1][7][9] - 月度胜率：79.53%[1][9] - 月度最大回撤率：9.07%[1][9] 2. **8月单月表现**（2024/08）： - 10分组多头组合收益率：-3.31%[1][9] - 10分组空头组合收益率：-6.01%[1][9] - 多空对冲收益率：2.70%[1][9] 对比传统动量因子 - **传统动量因子**（2014/01/01-2022/07/31，全体A股）： - 10分组多空对冲信息比率：1.09[6] - 月度胜率：62.75%[6] - 最大回撤：20.35%[6] - **新动量因子优势**：信息比率（2.85）、月度胜率（83.33%）、最大回撤（5.79%）均显著优于传统因子[6][7]

量化模型与构建方式 宏观状态事件预测模型 - **模型名称**：宏观状态事件预测模型 - **模型构建思路**：通过Logit模型预测宏观环境状态 - **模型具体构建过程**： - 选取短期货币流动性、长端利率、信用、经济增长以及汇率五个维度的宏观变量[20] - 对宏观变量进行平稳化处理，计算其当期变化及影响系数[23] - 使用Logit模型进行预测，公式为： $$ \text{Logit} = \frac{1}{1 + e^{-(\beta_0 + \beta_1 X_1 + \beta_2 X_2 + ... + \beta_n X_n)}} $$ 其中，$X_i$为各宏观变量，$\beta_i$为相应的回归系数[26] - **模型评价**：模型能够较好地反映宏观环境的变化趋势[26] 中观景气指数2.0 - **因子名称**：中观景气指数2.0 - **因子的构建思路**：通过对行业基本面的刻画，合成上证指数的景气指数 - **因子具体构建过程**： - 追踪上下游行业部门，分解财务指标，重构行业景气度追踪框架[30] - 计算各行业景气指数，按市值权重加权合成上证指数的景气指数2.0[29] - **因子评价**：能够较为准确地反映行业的景气度变化[29] 微观结构风险因子 - **因子名称**：微观结构风险因子 - **因子的构建思路**：通过估值、风险溢价、波动率和流动性四类因子刻画各宽基指数的微观结构风险 - **因子具体构建过程**： - 估值：市盈率与市净率在过去5年中所处分位数的均值 - 风险溢价：ERP(ep-rf:市盈率倒数减去一年期定存利率)在过去5年中所处的分位数 - 波动率：50日波动率在过去5年中所处分位数 - 流动性：自由流通市值换手率在过去5年中所处分位数 - 结构风险因子：四因子等权相加[35] - **因子评价**：能够较为全面地反映各宽基指数的微观结构风险[35] 衍生品择时信号 - **因子名称**：衍生品择时信号 - **因子的构建思路**：基于股指期货基差与指数自身的相关性趋势构建择时信号 - **因子具体构建过程**： - 通过股指期货基差与指数自身的相关性进行分组测试，构建日频择时信号[38] - **因子评价**：能够反映市场情绪的变化[38] 多维度择时模型 - **模型名称**：多维度择时模型 - **模型构建思路**：结合宏观、微观、中观信号和股指期货基差信号，合成四维度非线性择时模型 - **模型具体构建过程**： - 根据宏观、微观、中观信号将A股划分为9个状态，分别对应多空信号形成三维大周期择时信号 - 在此基础上叠加股指期货基差产生的衍生品信号，合成四维度非线性择时模型[40] - **模型评价**：能够综合多维度信号进行择时[40] 风格配置模型 - **模型名称**：风格配置模型 - **模型构建思路**：通过宏观、利率、汇率、中观景气度和微观风险结构等指标构建多个信号，进行风格配置 - **模型具体构建过程**： - 大小盘轮动：选定因果关系较为显著的信号，回归得到的信号进行标准化、归一化，生成目标仓位，调仓频率为月度[47][49] - 成长价值轮动：选定因果关系较为显著的信号，回归得到的信号进行标准化、归一化，生成目标仓位，调仓频率为月度[54][55] - **模型评价**：能够较好地进行风格配置[47][54] 行业轮动策略 - **模型名称**：行业轮动策略 - **模型构建思路**：通过信用及企业盈利构建经济四象限，结合多维度行业风格因子进行行业轮动 - **模型具体构建过程**： - 构建多维度行业风格因子，包括一致预期景气、超越预期盈利、龙头效应、行业估值泡沫、反转因子、动量因子、拥挤度、通胀beta - 在四个经济象限分别对各因子进行有效性检验，基于四个经济象限的因子轮动并配置相应的高预期收益行业[77] - **模型评价**：能够较好地进行行业轮动[77] 遗传规划选股模型 - **模型名称**：遗传规划选股模型 - **模型构建思路**：通过遗传规划因子挖掘模型挖掘因子，构建多头组合进行选股 - **模型具体构建过程**： - 沪深300、中证500、中证1000、中证全指分别构建选股模型，选股因子由遗传规划因子挖掘模型挖掘得到 - 每周最后一个交易日选择模型得分最高的每个行业内的前10%的股票构建多头组合，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边千三[86][90][94][98] - **模型评价**：能够较好地进行选股并获取超额收益[86][90][94][98] 模型的回测效果 宏观状态事件预测模型 - **宏观状态事件预测模型**，最新Logit预测值为0.074，上月末值为0.131[26] 中观景气指数2.0 - **中观景气指数2.0**，当前景气指数为2.161[29] 微观结构风险因子 - **微观结构风险因子**，A股整体结构性风险系数恢复至平稳位置[35] 衍生品择时信号 - **衍生品择时信号**，最新信号为-0.2[38] 多维度择时模型 - **多维度择时模型**，最新信号为空头信号（0）[41] 风格配置模型 - **大小盘轮动**，最新一期大小盘信号为1，模型风格配置偏向配置大盘[49] - **成长价值轮动**，最新一期成长价值指标模型信号为1，模型整体风格配置偏向成长板块[54] 行业轮动策略 - **行业轮动策略**，9月基准收益率为-2.24%，无剔除版因子轮动行业增强收益为-3.81%，超额为-1.57%；双剔除版因子轮动行业增强收益为-3.29%，超额为-1.05%[66] 遗传规划选股模型 - **沪深300**，年化超额收益率19.05%，夏普率0.99，今年以来超额收益率7.13%，本周模型收益率-2.13%，超额收益率0.58%[87] - **中证500**，年化超额收益率12.47%，夏普率0.63，今年以来超额收益率10.74%，本周模型收益率-0.83%，超额收益率1.36%[91] - **中证1000**，年化超额收益率19.37%，夏普率0.72，今年以来超额收益率8.46%，本周模型收益率-2.88%，超额收益率-0.27%[95] - **中证全指**，年化超额收益率24.17%，夏普率1.10，今年以来超额收益率11.21%，本周模型收益率-2.01%，超额收益率0.49%[99]

- 本报告未涉及量化模型或量化因子的构建、测试及相关内容[1][2][3]

量化因子与构建方式 1. 因子名称：TPS因子（Turn20 conformed by PLUS） - **因子的构建思路**：从考察日频换手率稳定性的角度，结合成交价改进的方式，构造了TPS因子[4][13] - **因子具体构建过程**： 1. 以传统换手率因子Turn20为基础，Turn20因子的计算方式为过去20个交易日的换手率取平均值，并进行横截面市值中性化[9] 2. 在Turn20因子的基础上，结合影线差作为价格因子，利用日频数据和双分组打分的结果，改进换手率因子，最终构造出TPS因子[13] - **因子评价**：TPS因子计算过程简单，效果优秀，表现大幅优于传统换手率和换手率变化率因子，且在剔除市场常用风格和行业干扰后，仍具备较强的选股能力[4][13] 2. 因子名称：SPS因子（STR conformed by PLUS） - **因子的构建思路**：从考察日频换手率稳定性的角度，结合成交价改进的方式，构造了SPS因子[4][13] - **因子具体构建过程**： 1. 以量稳换手率因子STR为基础，STR因子旨在解决传统换手率因子组内收益标准差单调性的问题[10] 2. 在STR因子的基础上，结合影线差作为价格因子，利用日频数据和双分组打分的结果，改进换手率因子，最终构造出SPS因子[13] - **因子评价**：SPS因子计算过程简单，效果优秀，表现大幅优于传统换手率和换手率变化率因子，且在剔除市场常用风格和行业干扰后，仍具备较强的选股能力[4][13] --- 因子的回测效果 1. TPS因子 - 年化收益率：39.52%[4][14] - 年化波动率：15.70%[4][14] - 信息比率（IR）：2.52[4][14] - 月度胜率：77.93%[4][14] - 最大回撤率：18.03%[4][14] 2. SPS因子 - 年化收益率：43.43%[4][16] - 年化波动率：12.70%[4][16] - 信息比率（IR）：3.42[4][16] - 月度胜率：83.78%[4][16] - 最大回撤率：11.60%[4][16] 3. 8月份因子表现 - **TPS因子**： - 多头组合收益率：-1.99%[4][16] - 空头组合收益率：-7.73%[4][16] - 多空对冲收益率：5.74%[4][16] - **SPS因子**： - 多头组合收益率：-1.76%[4][19] - 空头组合收益率：-6.66%[4][19] - 多空对冲收益率：4.90%[4][19]

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 - **因子的构建思路**：换手率波动率高的股票中，存在相当一部分换手率稳定增长或换手率稳定下降的股票，其在未来仍然有上涨的可能性[1][6] - **因子具体构建过程**：基于换手率变化率所具有的加速度意义，再加上新因子所具备的稳定性，构造了换手率变化率的稳定GTR因子[1][6] - **因子评价**：新因子从回测指标上来讲相对平庸，但其所具备的"新"，以及其能够加强其余换手率因子的特点，将是本报告讨论的重点[1][6] 2. **因子名称**：纯净优加TPS_Turbo因子 - **因子的构建思路**：使用GTR因子对Turn20和STR做纯净优加，得到TPS_Turbo因子[6] - **因子具体构建过程**：通过纯净优加法对因子进行合成增强，得到选股能力优秀的TPS_Turbo因子[6] 3. **因子名称**：纯净优加SPS_Turbo因子 - **因子的构建思路**：使用GTR因子对Turn20和STR做纯净优加，得到SPS_Turbo因子[6] - **因子具体构建过程**：通过纯净优加法对因子进行合成增强，得到选股能力优秀的SPS_Turbo因子[6] 因子的回测效果 1. **换手率变化率的稳定GTR因子** - 年化收益率：13.57%[1][7][11] - 年化波动率：10.30%[1][7][11] - 信息比率（IR）：1.32[1][7][11] - 月度胜率：66.67%[1][7][11] - 最大回撤率：10.81%[1][7][11] 2. **纯净优加TPS_Turbo因子** - 年化收益率：36.54%[1][7][11] - 年化波动率：12.99%[1][7][11] - 信息比率（IR）：2.81[1][7][11] - 月度胜率：78.83%[1][7][11] - 最大回撤率：9.86%[1][7][11] 3. **纯净优加SPS_Turbo因子** - 年化收益率：37.79%[1][7][11] - 年化波动率：10.69%[1][7][11] - 信息比率（IR）：3.53[1][7][11] - 月度胜率：81.98%[1][7][11] - 最大回撤率：7.22%[1][7][11]

量化因子与构建方式 换手率变化率的稳定 GTR 因子 - **因子名称**：换手率变化率的稳定 GTR 因子 - **因子的构建思路**：通过分析换手率波动率高的股票，发现其中存在换手率稳定增长或下降的股票，这些股票在未来仍有上涨的可能性。基于换手率变化率的加速度意义，再加上新因子的稳定性，构建了换手率变化率的稳定 GTR 因子[1][6] - **因子具体构建过程**：选取换手率波动率高的股票，计算其换手率变化率的稳定性，构建出换手率变化率的稳定 GTR 因子[1][6] - **因子评价**：新因子从回测指标上来看相对平庸，但其具备的"新"以及能够加强其余换手率因子的特点，使其具有一定的研究价值[1][6] 纯净优加 TPS_Turbo 因子 - **因子名称**：纯净优加 TPS_Turbo 因子 - **因子的构建思路**：使用纯净优加法对 GTR 因子进行合成增强，得到选股能力优秀的 TPS_Turbo 因子[6] - **因子具体构建过程**：将 GTR 因子与 Turn20 和 STR 因子进行纯净优加，得到 TPS_Turbo 因子[6] 纯净优加 SPS_Turbo 因子 - **因子名称**：纯净优加 SPS_Turbo 因子 - **因子的构建思路**：使用纯净优加法对 GTR 因子进行合成增强，得到选股能力优秀的 SPS_Turbo 因子[6] - **因子具体构建过程**：将 GTR 因子与 Turn20 和 STR 因子进行纯净优加，得到 SPS_Turbo 因子[6] 因子的回测效果 换手率变化率的稳定 GTR 因子 - **年化收益率**：13.57%[1][7][11] - **年化波动率**：10.30%[1][7][11] - **信息比率（IR）**：1.32[1][7][11] - **月度胜率**：66.67%[1][7][11] - **最大回撤率**：10.81%[1][7][11] 纯净优加 TPS_Turbo 因子 - **年化收益率**：36.54%[1][7][11] - **年化波动率**：12.99%[1][7][11] - **信息比率（IR）**：2.81[1][7][11] - **月度胜率**：78.83%[1][7][11] - **最大回撤率**：9.86%[1][7][11] 纯净优加 SPS_Turbo 因子 - **年化收益率**：37.79%[1][7][11] - **年化波动率**：10.69%[1][7][11] - **信息比率（IR）**：3.53[1][7][11] - **月度胜率**：81.98%[1][7][11] - **最大回撤率**：7.22%[1][7][11]