量化模型与构建方式 1. 模型名称：右侧行业景气趋势模型 - **模型构建思路**：通过景气度、趋势和拥挤度三个维度筛选行业，选择景气高、趋势强且拥挤度不高的行业，适用于右侧市场环境[8][10][81] - **模型具体构建过程**： - 景气度：衡量行业基本面和盈利能力 - 趋势：基于市场动量因子，捕捉强势行业 - 拥挤度：通过资金流向和持仓集中度，规避高拥挤风险 - 结合上述指标，构建行业配置权重，并进一步叠加PB-ROE选股策略[12][81][93] - **模型评价**：模型表现稳健，适用于右侧市场环境，进攻性强，样本外表现优异[8][81] 2. 模型名称：左侧行业库存景气反转模型 - **模型构建思路**：基于赔率-胜率框架，结合行业库存周期，挖掘困境反转机会，适用于左侧市场环境[8][16][83] - **模型具体构建过程**： - 剔除库存和资本开支历史分位数>80%、毛利率和自由现金流占比历史分位数<20%的行业 - 重点关注库存压力较小且具备补库条件的行业 - 结合分析师长期看好的行业，捕捉补库周期中的反转机会[16][83][86] - **模型评价**：模型在困境反转行情中表现较好，适合捕捉左侧市场机会[16][83] 3. 模型名称：行业景气度选股模型 - **模型构建思路**：基于行业景气度模型，进一步落实到个股层面，选择估值性价比高的股票[12][93] - **模型具体构建过程**： - 根据行业配置模型确定行业权重 - 在行业内选取PB-ROE估值性价比排名前40%的股票 - 按流通市值和PB-ROE打分加权，构建投资组合[12][93] - **模型评价**：模型样本外表现优异，超额收益显著[12][93] 4. 模型名称：行业ETF配置模型 - **模型构建思路**：将行业景气度模型应用于ETF投资，便于投资者直接落地操作[89][93] - **模型具体构建过程**： - 基于行业景气度模型，筛选景气度高的行业 - 配置对应的行业ETF，形成投资组合[89][93] - **模型评价**：策略年化超额收益显著，信息比率较高[89][93] --- 模型的回测效果 1. 右侧行业景气趋势模型 - 年化超额收益：16.3% - 信息比率：1.74 - 超额最大回撤：-7.4% - 月度胜率：71% - 2023年超额收益：9.3% - 2024年截止7月底超额收益：8.0%[81][82] 2. 左侧行业库存景气反转模型 - 年化超额收益：16.5% - 信息比率：1.76 - 超额最大回撤：-8.7% - 2023年绝对收益：17.8%，相对行业等权超额收益：21.6% - 2024年截止7月底绝对收益：-3.4%，相对行业等权超额收益：9.6%[86][87] 3. 行业景气度选股模型 - 年化超额收益：22.9% - 信息比率：2.02 - 超额最大回撤：-8.0% - 月度胜率：74% - 2022年超额收益：10.2% - 2023年超额收益：10.4% - 2024年截止7月底绝对收益：5.5%，超额收益：13.2%[12][93][95] 4. 行业ETF配置模型 - 年化超额收益：18.2% - 信息比率：1.87 - 2023年超额收益：6.0% - 2024年截止7月底超额收益：2.2%[89][91] --- 量化因子与构建方式 1. 因子名称：PB-ROE因子 - **因子构建思路**：通过PB（市净率）和ROE（净资产收益率）结合，衡量估值性价比，筛选高性价比股票[12][93] - **因子具体构建过程**： - 计算PB和ROE的历史分位数 - 对行业内股票进行PB-ROE综合打分 - 选取前40%的股票构建投资组合[12][93] --- 因子的回测效果 1. PB-ROE因子 - 样本外年化超额收益：10%以上 - 2022年超额收益：10.2% - 2023年超额收益：10.4% - 2024年截止7月底超额收益：13.3%[12][93]

量化模型与构建方式 1. 模型名称：股指期货跨期价差套利策略 - **模型构建思路**：基于股指期货跨期价差的均值回归特性，构造动态布林轨择时策略，通过价差的上下轨信号进行正套或反套操作[28] - **模型具体构建过程**： - **正套策略**：当期限价差低于布林轨下轨时，买入当月合约、卖出次月合约；当期限价差高于布林轨上轨时清仓 - **反套策略**：当期限价差高于布林轨上轨时，买入次月合约、卖出当月合约；当期限价差低于布林轨下轨时清仓[28] - **模型评价**：策略基于均值回归特性，逻辑清晰，适用于跨期价差波动较大的市场环境[28] --- 模型的回测效果 1. 股指期货跨期价差套利策略 - **IH正套**：平均收益0.46%，最大收益4.10%，最小收益-0.70%，开仓胜率80.65%，盈亏比2.27，平均持仓天数33[29] - **IH反套**：平均收益0.52%，最大收益4.00%，最小收益-0.79%，开仓胜率81.25%，盈亏比2.58，平均持仓天数37.2[29] - **IF正套**：平均收益0.40%，最大收益5.13%，最小收益-0.24%，开仓胜率75.56%，盈亏比5.05，平均持仓天数36.5[29] - **IF反套**：平均收益0.41%，最大收益4.36%，最小收益-0.57%，开仓胜率89.13%，盈亏比1.36，平均持仓天数38.7[29] - **IC正套**：平均收益0.36%，最大收益2.27%，最小收益-0.31%，开仓胜率86.21%，盈亏比2.24，平均持仓天数39.2[29] - **IC反套**：平均收益0.46%，最大收益2.81%，最小收益-0.53%，开仓胜率86.67%，盈亏比1.68，平均持仓天数36.8[29] - **IM正套**：平均收益0.34%，最大收益0.57%，最小收益0.09%，开仓胜率100.00%，盈亏比未计算，平均持仓天数38.6[29] - **IM反套**：平均收益0.32%，最大收益0.93%，最小收益-0.31%，开仓胜率80.00%，盈亏比1.56，平均持仓天数50[29] --- 量化因子与构建方式 1. 因子名称：持仓量认沽认购比（PCR） - **因子构建思路**：通过期权持仓量的认沽认购比，反映期权投资者对未来市场的观点[23] - **因子具体构建过程**： - 计算公式： $ PCR = \frac{\text{认沽期权持仓量}}{\text{认购期权持仓量}} $ 其中，认沽期权持仓量和认购期权持仓量分别为期权市场中对应方向的持仓量总和[23] - **因子评价**：该因子能够直观反映市场情绪，适合作为市场情绪监测的辅助指标[23] 2. 因子名称：VIX指数 - **因子构建思路**：基于标的期权的隐含波动率，衡量市场对未来30天波动率的预期[25] - **因子具体构建过程**： - 使用上证50ETF期权数据编制VIX指数，计算每日各期限隐含波动率（IV）的均值后，再计算日均值[25] - **因子评价**：VIX指数是市场风险预期的重要指标，能够反映投资者对未来市场波动的担忧程度[25] --- 因子的回测效果 1. 持仓量认沽认购比（PCR） - 沪深300对应期权持仓PCR为85.49%[23] 2. VIX指数 - 上证50-VIX收于13.89，较上上周边际下降[25] - CBOE-VIX收于20.37，较上上周边际下降[25]

- 模型名称：封板率与连板率模型 - 模型构建思路：通过统计股票在盘中涨停和连板的情况，分析市场情绪 - 模型具体构建过程： - 封板率的计算方式为： $ 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} $ - 连板率的计算方式为： $ 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} $ - 模型评价：封板率和连板率可以反映市场的短期情绪和资金活跃度[16][17] - 模型名称：股指期货升贴水模型 - 模型构建思路：通过计算股指期货主力合约的年化升贴水率，分析市场对未来的预期 - 模型具体构建过程： - 年化贴水率的计算方式为： $ 年化贴水率 = \frac{基差}{指数价格} \times \left( \frac{250}{合约剩余交易日数} \right) $ - 模型评价：股指期货升贴水率可以反映市场对未来的预期和对冲成本[28][30][31] - 因子名称：两融余额因子 - 因子的构建思路：通过计算两融余额占流通市值比重和两融交易占市场成交额比重，分析市场资金流向 - 因子具体构建过程： - 计算两融余额占流通市值比重： $ 两融余额占流通市值比重 = \frac{两融余额}{市场总流通市值} $ - 计算两融交易占市场成交额比重： $ 两融交易占市场成交额比重 = \frac{融资买入额 + 融券卖出额}{市场总成交额} $ - 因子评价：两融余额因子可以反映市场的资金活跃度和投资者的风险偏好[18][21][23] - 因子名称：ETF折溢价因子 - 因子的构建思路：通过统计ETF的折溢价情况，分析投资者情绪 - 因子具体构建过程： - 计算ETF的折溢价率： $ 折溢价率 = \frac{ETF场内交易价格 - ETF场外净值}{ETF场外净值} $ - 因子评价：ETF折溢价因子可以反映市场的投资情绪和资金流向[24][27] - 封板率与连板率模型，封板率57%，连板率17%[16][17] - 股指期货升贴水模型，上证50股指期货主力合约年化升水率1.86%，沪深300股指期货主力合约年化贴水率0.12%，中证500股指期货主力合约年化升水率4.56%，中证1000股指期货主力合约年化升水率5.75%[28][30][31] - 两融余额因子，两融余额14220亿元，占流通市值比重2.2%，两融交易占市场成交额比重7.6%[18][21][23] - ETF折溢价因子，机器人100ETF溢价1.67%，中证1000增强ETF折价0.78%[24][27]

- 本次报告未涉及量化模型或量化因子的具体构建、测试及评价内容[1][2][3] - 报告主要内容集中在基金市场表现、资金流向、基金成立与发行等方面[1][2][3] - 涉及的量化策略基金仅提及名称和募资规模，如“汇泉智享量化选股”募资4.87亿元、“东方红红利量化选股”新发行等，但未提供具体的量化模型或因子构建细节[39][40][41]

量化模型与构建方式 1. 模型名称：300ETF基金智能定投策略 - **模型构建思路**：以300ETF指数基金为投资标的，在普通基金定投的基础上，根据沪深300指数的市盈率估值高低，动态调整投资额度。估值越低，定投倍数越高；估值越高，定投倍数越低，甚至暂停定投[18] - **模型具体构建过程**： 1. 根据沪深300指数历史市盈率(PE)的均值和标准差，将市盈率估值划分为多个区间 2. 在估值较低的区间，增加定投倍数；在估值较高的区间，减少定投倍数或暂停定投 3. 当市盈率被严重高估时，尝试对300ETF持仓进行减仓或清仓操作，以规避估值回归带来的价格下跌风险[18] - **模型评价**：策略通过动态调整投资额度，在风险控制和收益提升方面表现较好[20] 2. 模型名称：300ETF基金智能定投及备兑策略 - **模型构建思路**：在基金智能定投策略的基础上，结合300ETF期权备兑策略，通过赚取权利金来增强收益[19] - **模型具体构建过程**： 1. 在基金定投策略持有300ETF现货的基础上，判断市场是否处于长期震荡状态 2. 若市场处于长期震荡状态，则选择300ETF期权备兑开仓，赚取权利金 3. 若市场不处于震荡状态，则不进行备兑操作[19] - **模型评价**：策略在震荡市场中能够有效增强收益，同时保持较好的风险控制能力[25] 3. 模型名称：支持向量机算法的沪深300指数择时策略 - **模型构建思路**：利用支持向量机（SVM）模型对沪深300指数进行择时，通过分析市场特征向量，预测未来市场趋势[29] - **模型具体构建过程**： 1. 选取12个指标作为特征向量，包括换手率、ADTM、ATR、CCI、MACD、MTM、ROC、SOBV、STD26、STD5、两融交易额占A股成交额（%）、上一交易周收益率[30] 2. 使用训练集数据训练支持向量机模型，建立输入与输出的映射关系 3. 根据模型预测结果，采取以下操作： - 若结果为“买入”，则单向做多策略和双向多空策略均买入指数 - 若结果为“卖出”，单向做多策略空仓，双向多空策略卖出指数[30] - **模型评价**：支持向量机模型在股票择时中具有一定的有效性，能够在不同市场环境下提供较好的收益和风险控制[29][30] --- 模型的回测效果 1. 300ETF基金智能定投策略 - **期末净值**：0.96[20] - **年化收益率**：-1.00%[20] - **年化波动率**：16.78%[24] - **最大回撤**：22.39%[24] - **夏普比率**：-0.24[24] 2. 300ETF基金智能定投及备兑策略 - **期末净值**：0.96[24] - **年化收益率**：-1.12%[24] - **年化波动率**：17.22%[27] - **最大回撤**：19.61%[27] - **夏普比率**：-0.25[27] 3. 支持向量机算法的沪深300指数择时策略 - **单向做多策略**： - **期末净值**：1.12[31] - **年化收益率**：2.6%[34] - **年化波动率**：27.36%[34] - **最大回撤**：30.06%[34] - **夏普比率**：-0.02[34] - **双向多空策略**： - **期末净值**：1.50[32] - **年化收益率**：9.2%[34] - **年化波动率**：38.96%[34] - **最大回撤**：27.92%[34] - **夏普比率**：0.16[34] 4. 支持向量机策略2024年表现 - **单向做多策略**： - **期末净值**：1.02[34] - **年化收益率**：3.0%[37] - **年化波动率**：25.07%[37] - **最大回撤**：5%[37] - **夏普比率**：0.00[37] - **双向多空策略**： - **期末净值**：1.05[36] - **年化收益率**：8.6%[37] - **年化波动率**：33.18%[37] - **最大回撤**：10%[37] - **夏普比率**：0.17[37]

量化模型与构建方式 1. 模型名称：基于交易动机因子及股票价差收益因子的选基策略 - **模型构建思路**：通过构造交易动机因子和股票价差收益因子，筛选出股票价差收益较高、拥有主动交易动机且业绩粉饰可能性较低的基金[20][21] - **模型具体构建过程**： - **交易动机因子**：由估值/流动性动机因子和业绩粉饰动机因子等权合成 - 估值/流动性动机因子：根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20只股票成交额占比数据计算[42] - **股票价差收益因子**：由基金利润表中股票价差收入（股票投资收益科目）计算得出[42] - 策略采用半年频调仓方式，每年3月末和8月末调仓，从主动权益型基金中进行筛选，并扣除交易成本[21] - **模型评价**：策略长期跑赢万得偏股混合型基金指数，具有较好的超额收益能力，但在市场环境变化时可能存在失效风险[21][24] 2. 模型名称：基于基金特征和基金能力的综合选基策略 - **模型构建思路**：从基金规模、持有人结构、基金业绩动量、选股能力、隐形交易能力、含金量等多个维度构建选基因子，并进行等权重合成[2][28] - **模型具体构建过程**： - **基金规模类因子**：基于基金规模和份额（合并口径）[42] - **持有人结构类因子**：基于员工持有份额占比[42] - **基金业绩动量类因子**：由4因子模型alpha、夏普比率、区间胜率、HM模型中的择时能力系数等权合成，使用过去1年的基金净值数据计算[42] - **选股能力因子**：基于多期Brinson模型，使用基金季频重仓股数据计算，由选股胜率和选股超额收益率等权合成[42] - **隐形交易能力因子**：由隐形收益能力因子和风险转移能力因子等权合成，从收益和风险两个层面度量基金交易带来的贡献[43] - **含金量因子**：考察基金重仓股中包含的券商金股情况[43] - 策略采用季频调仓方式，在每年1、4、7、10月末进行调仓，并扣除交易成本[28] - **模型评价**：策略在2013年至2021年表现较好，但2022年至2023年未能跑赢基准，2024年表现有所回升[30][36] 3. 模型名称：风格轮动型基金优选策略 - **模型构建思路**：基于成长价值与大小盘两个维度，通过基金持仓数据构建绝对主动轮动指标，识别风格轮动型基金，并根据主动轮动收益因子刻画风格轮动效果[31] - **模型具体构建过程**： - **绝对主动轮动指标**：剔除被动变化部分，保留基金经理主动调整的部分[43] - **主动轮动收益因子**：根据区间风格主动变化及区间风格因子收益计算，体现基金风格轮动的结果[43] - 策略采用半年频调仓方式，每年3月末和8月末调仓，选基范围为偏股混合型基金及普通股票型基金，并扣除交易成本[31] - **模型评价**：策略在2024年表现优于基准，具有一定的超额收益能力[32][36] --- 模型的回测效果 1. 基于交易动机因子及股票价差收益因子的选基策略 - **7月份收益率**：-1.59%[24] - **年化收益率**：8.93%[24] - **年化波动率**：21.80%[24] - **Sharpe比率**：0.41[24] - **最大回撤率**：48.39%[24] - **年化超额收益率**：4.24%[24] - **超额最大回撤率**：12.19%[24] - **信息比率（IR）**：0.78[24] - **7月份超额收益率**：0.61%[24] 2. 基于基金特征和基金能力的综合选基策略 - **7月份收益率**：-2.75%[30] - **年化收益率**：12.95%[30] - **年化波动率**：21.50%[30] - **Sharpe比率**：0.60[30] - **最大回撤率**：44.27%[30] - **年化超额收益率**：5.81%[30] - **超额最大回撤率**：7.96%[30] - **信息比率（IR）**：1.24[30] - **7月份超额收益率**：-0.60%[30] 3. 风格轮动型基金优选策略 - **7月份收益率**：-1.78%[36] - **年化收益率**：7.88%[36] - **年化波动率**：18.56%[36] - **Sharpe比率**：0.42[36] - **最大回撤率**：37.30%[36] - **年化超额收益率**：4.04%[36] - **超额最大回撤率**：9.49%[36] - **信息比率（IR）**：0.75[36] - **7月份超额收益率**：0.35%[36] --- 量化因子与构建方式 1. 因子名称：交易动机因子 - **因子构建思路**：通过估值/流动性动机因子和业绩粉饰动机因子等权合成[42] - **因子具体构建过程**： - 估值/流动性动机因子：根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20只股票成交额占比数据计算[42] 2. 因子名称：股票价差收益因子 - **因子构建思路**：通过基金利润表中的股票价差收入计算[42] - **因子具体构建过程**： - 直接从基金利润表中提取股票投资收益科目数据[42] 3. 因子名称：绝对主动轮动指标 - **因子构建思路**：剔除被动变化部分，保留基金经理主动调整的部分[43] - **因子具体构建过程**： - 根据基金报告期之间的风格变化，剔除被动变化部分，计算主动调整部分[43] 4. 因子名称：主动轮动收益因子 - **因子构建思路**：通过区间风格主动变化及区间风格因子收益计算[43] - **因子具体构建过程**： - 结合基金持仓数据，计算区间内风格因子收益并提取主动变化部分[43]

- 本周市场各宽基指数弱势下行，小盘成长风格相对较弱[2][7] - 本周普通股票型基金、偏股混合型基金的股票仓位分别为86.04%、77.14%，较上周仓位分别下降0.17%、0.06%[2][9] - 本周新成立的股票型基金募集规模10.2亿元、混合型基金募集规模11.3亿元，合计规模21.5亿元，较上周减少7.1亿元[2][14] - 本周北向资金净流入合计为-147.6亿元，而上周该数据为32.2亿元[2][15] - 本周融资余额较上周减少55亿元，减至14063亿元；融券余额为184亿元，较上周减少28亿元[2][18] - 本周行业间收益率的标准差为1.94%，较上周上行0.14%，显示本周行业间收益的差异较上周小幅扩大[2][21][22] - 本周各行业日均换手率的标准差为1.09%，与上周相比上行0.37%[3][24] - 本周中证1000指数预期复合增长率环比下调0.15%，相对较大；而沪深300指数与上周相比则基本持平，微幅下调0.01%[3][28] - 本周医药等行业预期复合增长率上调0.57%，相对较大；而下调幅度较大的为机械等行业，下调0.54%[3][31]

量化模型与构建方式 模型名称：支持向量机（SVM） - **模型构建思路**：采用支持向量机模型对沪深300指数进行择时，通过训练集数据训练模型，并对未来市场趋势进行预判[1][9] - **模型具体构建过程**： 1. 选取价量、资金等22个指标作为备选特征向量，根据相关系数矩阵，逐一剔除相关系数较强的指标，最终剩余12个指标：换手率、ADTM、ATR、CCI、MACD、MTM、ROC、SOBV、STD26、STD5、两融交易额占A股成交额（%）、上一交易周收益率[1][9] 2. 初始策略将2013-01-01至2017-12-31作为训练集，样本数据频率为周，共计256周。在训练样本中，将下周周收益为正的定义为1，下周周收益率为负的定义为0[9] 3. 通过对核函数选择、对参数进行寻优，得到一个训练模型，对2018年1月2日至2018年1月5日进行预测。之后将训练样本长度增加一周，重新修正模型，再预测下一周[9] 4. 对未满五天交易周之后一周的策略延续上一周操作，在此操作下策略表现相对更为优异[9] - **模型评价**：模型在预测下跌时的准确率较高，但在预测上涨时的准确率相对较弱[16] 模型的回测效果 - **单向做多策略** - 期末净值：1.11[2][10] - 累计收益率：10.62%[2][10] - 超额收益率：27.78%[2][10] - 最大回撤：30.06%[2][10] - **双向多空策略** - 期末净值：1.48[2][12] - 累计收益率：47.67%[2][12] - 超额收益率：64.83%[2][12] - 最大回撤：27.92%[2][12] - **策略运行以来表现** - 单向做多策略期末净值：1.55[13] - 双向多空策略期末净值：2.92[13] - 沪深300指数期末净值：0.83[13] - 单向做多策略超额收益率：72.85%[13] - 双向多空策略超额收益率：209.73%[13] - **策略2022年以来模拟实盘交易表现** - 单向做多策略期末净值：0.76[3][18] - 双向多空策略期末净值：0.80[3][18] - 沪深300指数期末净值：0.71[3][18] - 单向做多策略超额收益率：4.94%[3][18] - 双向多空策略超额收益率：8.96%[3][18] 因子的回测效果 - **模型准确率分布情况** - 收益率区间 <-10%：训练集准确率100.00%，测试集准确率100.00%[17] - 收益率区间 [-10%，-8%)：训练集准确率100.00%，测试集准确率100.00%[17] - 收益率区间 [-8%，-6%)：训练集准确率100.00%，测试集准确率75.00%[17] - 收益率区间 [-6%，-4%)：训练集准确率77.78%，测试集准确率58.82%[17] - 收益率区间 [-4%，-2%)：训练集准确率72.00%，测试集准确率66.67%[17] - 收益率区间 [-2%，0%)：训练集准确率63.08%，测试集准确率57.29%[17] - 收益率区间 [0%，2%)：训练集准确率89.01%，测试集准确率50.00%[17] - 收益率区间 [2%，4%)：训练集准确率75.00%，测试集准确率43.86%[17] - 收益率区间 [4%，6%)：训练集准确率83.33%，测试集准确率50.00%[17] - 收益率区间 [6%，8%)：训练集准确率100.00%，测试集准确率75.00%[17] - 收益率区间 [8%，10%)：训练集准确率100.00%，测试集无数据[17] - 收益率区间 ≥10%：训练集准确率100.00%，测试集无数据[17] - 整体：训练集准确率78.91%，测试集准确率54.65%[17]

- 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][4][10]

量化因子与构建方式 1. 因子名称：BP_LR（市净率倒数） - **因子的构建思路**：通过市净率的倒数衡量股票的价值属性，市净率越低，倒数值越高，表明股票可能被低估[1][14] - **因子具体构建过程**： 公式为： $ BP\_LR = \frac{股东权益合计（不含少数股东权益）}{总市值} $ 其中，股东权益合计和总市值均取自最新财报数据[44] - **因子评价**：该因子在价值风格中表现较为突出，过去一周收益排名靠前[14] 2. 因子名称：Ln_FloatCap（流通市值的自然对数） - **因子的构建思路**：通过流通市值的自然对数衡量股票的规模属性，较小的市值可能对应更高的收益潜力[1][14] - **因子具体构建过程**： 公式为： $ Ln\_FloatCap = \ln(流通市值) $ 流通市值为股票的可流通部分市值[44] - **因子评价**：该因子在小盘风格中表现较好，过去一周收益为正，且行业中性多空组合收益为0.63%[1][14] 3. 因子名称：RealizedVolatility_240D（240日已实现波动率） - **因子的构建思路**：通过计算过去240天的收益率标准差，衡量股票的波动性，波动性较高的股票可能具有更高的风险溢价[1][14] - **因子具体构建过程**： 公式为： $ RealizedVolatility\_240D = \sqrt{\frac{1}{n-1} \sum_{i=1}^{n} (r_i - \bar{r})^2} $ 其中，$ r_i $为每日收益率，$ \bar{r} $为平均收益率，$ n $为240天[44] - **因子评价**：该因子在技术类因子中表现突出，过去一周收益排名靠前[1][14] 4. 因子名称：TurnoverAvg_20D（20日平均换手率） - **因子的构建思路**：通过计算过去20天的日均换手率，衡量股票的交易活跃度，换手率较高的股票可能反映市场对其关注度较高[1][14] - **因子具体构建过程**： 公式为： $ TurnoverAvg\_20D = \frac{\sum_{i=1}^{20} Turnover_i}{20} $ 其中，$ Turnover_i $为每日换手率[44] - **因子评价**：该因子在量价类因子中表现较为突出，过去一周收益排名靠前[1][14] --- 因子的回测效果 1. BP_LR因子 - **行业中性多空组合收益**：过去一周为0.76%[42] - **IC均值**：全样本为5.50%[42] - **ICIR**：全样本为0.50[42] 2. Ln_FloatCap因子 - **行业中性多空组合收益**：过去一周为0.62%[42] - **IC均值**：全样本为2.46%[42] - **ICIR**：全样本为0.15[42] 3. RealizedVolatility_240D因子 - **行业中性多空组合收益**：过去一周为2.15%[42] - **IC均值**：全样本为6.63%[42] - **ICIR**：全样本为0.48[42] 4. TurnoverAvg_20D因子 - **行业中性多空组合收益**：过去一周为0.89%[42] - **IC均值**：全样本为8.20%[42] - **ICIR**：全样本为0.62[42]