量化模型与构建方式 1. 主动风险预算模型 - **模型名称**：主动风险预算模型 - **模型构建思路**：将风险平价模型与主动信号结合，通过股债横向比价、股票纵向估值水平、市场流动性三个维度构建主动风险预算指标，计算出股票与债券的配置权重[2][10] - **模型具体构建过程**： 1. **股债横向比价维度**：借鉴美联储FED模型，将股权风险溢价定义为： $$ ERP = \frac{1}{PE_{ttm}} - YTM_{TB}^{10Y} $$ 其中，$PE_{ttm}$为中证800市盈率ttm，$YTM_{TB}^{10Y}$为10年期国债到期收益率。当股权风险溢价 > 5%时超配权益资产，当 < 2%时低配权益资产[12][13] 2. **股票纵向估值水平维度**：滚动窗口计算股票估值在近5年历史中的分位数，当估值分位数位于25%之下时超配权益资产，反之当估值分位数位于75%之上时低配权益资产[14] 3. **市场流动性维度**：M2与M1的差额为准货币，包括单位定期存款、个人存款、证券保证金等；M2-M1剪刀差反映了可随时兑换成货币的资金边际变化。当$M2 - M1 \geq 5%$时，市场流动性宽松，超配权益资产；当$M2 - M1 \leq -5%$时，市场流动性收紧，低配权益资产[16] 4. **信号汇总**：将三个维度的信号汇总，代入softmax函数，计算权益资产风险预算权重： $$ softmax(x) = \frac{\exp(\lambda x)}{\exp(\lambda x) + \exp(-\lambda x)} $$ 其中，$x$为权益汇总信号，$\lambda$为风险调整系数[19] - **模型评价**：通过多维度动态调整资产波动贡献，提供稳健的资产配置建议[10] 2. 行业轮动模型 - **模型名称**：行业轮动模型 - **模型构建思路**：从交易行为、资金面、基本面三个维度出发，分别构建6个行业轮动子模型，对一级行业指数进行打分，每月选择分数最高的前三分之一行业作为多头组合[24] - **模型具体构建过程**： 1. **交易行为维度**：由黄金率模型和龙头股模型组成。黄金率模型捕捉行业日内动量+隔夜反转效应；行业龙头股模型捕捉行业内龙头股领先、普通股滞后效应[26] 2. **资金面维度**：由北向双轮驱动模型和机构资金流模型组成。北向双轮驱动模型捕捉高活跃成交+高净流入特征的外资偏好；机构资金流模型捕捉超大单抢筹+小单退出的供需特征[26] 3. **基本面维度**：由历史景气度模型与预期景气度模型组成。历史景气度模型核心捕捉行业上的盈余动量效应；预期景气度模型核心是捕捉行业的戴维斯双击效应[26] - **模型评价**：通过多维度综合打分优选行业，提供行业轮动配置建议[24] 模型的回测效果 主动风险预算模型 - **年化收益率**：6.27%[2] - **最大回撤**：4.89%[2] - **收益波动比**：1.61[2] - **收益回撤比**：1.28[2] 行业轮动模型 - **6月组合平均收益率**：-7.63%[29] - **基准组合收益率**：-7.14%[29] - **超额收益率**：-0.48%[29] 因子的回测效果 主动风险预算模型因子 - **ERP信号**：5.57%（截至2024/6/28）[15] - **PE_ttm估值分位点**：21.4%（截至2024/6/28）[17] - **M2-M1剪刀差**：11.2%（截至2024/05）[18] 行业轮动模型因子 - **6月三分组多空收益率**：0.02%[27] - **6月行业ETF组合收益率**：-5.56%[36] - **有ETF跟踪的行业平均收益率**：-5.89%[36] - **超额收益率**：0.33%[36]

量化模型与构建方式 1. 模型名称：中性约束条件下最大化因子暴露组合 - **模型构建思路**：在行业和风格暴露保持中性的基础上，最大化目标因子在组合中的暴露[17][20] - **模型具体构建过程**： 1. 确定个股权重向量 $w$ 和基准组合权重向量 $w_b$[20][21] 2. 目标函数：$Max \ w^{\prime} X_{target}$，其中 $X_{target}$ 为目标因子载荷矩阵[20] 3. 约束条件： - 行业中性：$(w-w_b)^{\prime} X_{ind} = 0$，$X_{ind}$ 为行业暴露矩阵[20] - 风格中性：$(w-w_b)^{\prime} X_{Beta} = 0$，$X_{Beta}$ 为风格因子载荷矩阵[20] - 个股权重偏离限制：$|w-w_b| \leq 1\%$[20] - 组合权重总和为 1：$w^{\prime} 1 = 1$[20] - 组合仓位为 100%：$w^{\prime} B = 1$，其中 $B$ 用于判断个股是否属于基准指数成分股[21] 4. 每月月末依据上述限制条件构建组合[21] - **模型评价**：通过严格的中性化约束，确保组合在行业和风格上的暴露中性化，提升因子暴露的纯度[20][21] 2. 模型名称：指数增强组合 - **模型构建思路**：通过复合因子优化组合权重，在严格中性化约束下实现对基准指数的增强[45][46] - **模型具体构建过程**： 1. 确定影响显著的因子，并通过因子滚动 1 年的 Rank ICIR 加权构建复合因子[45] 2. 若因子权重方向与预期因子收益方向相反，则进行权重反向归零[45] 3. 采用严格中性配置策略： - 行业暴露为 0：$(w-w_b)^{\prime} X_{ind} = 0$[45] - 风格暴露为 0：$(w-w_b)^{\prime} X_{Beta} = 0$[45] - 个股权重偏离限制：$|w-w_b| \leq 1\%$[45] 4. 最大化复合因子暴露，最终构建指数增强组合[45] - **模型评价**：通过复合因子优化和中性化处理，指数增强组合能够稳定战胜基准指数[46][53][59] --- 模型的回测效果 1. 中性约束条件下最大化因子暴露组合 - **沪深300股票池**： - 最近1周：单季度净利润同比因子超额收益率为0.91%，240日动量因子为0.87%，标准化预期外收入因子为0.85%[22][26] - 最近1月：240日动量因子超额收益率为2.74%，盈余质量因子为2.09%，60日动量因子为2.01%[23][26] - 最近1年：240日动量因子超额收益率为8.37%，股息率因子为11.43%，前十大股东持股比例因子为6.05%[23][26] - **中证500股票池**： - 最近1周：BP因子超额收益率为1.54%，120日三因子模型残差波动率因子为1.54%，240日三因子模型残差波动率因子为1.45%[27][29] - 最近1月：240日动量因子超额收益率为2.79%，标准化预期外收入因子为1.92%，单季度净利润同比因子为2.44%[29] - 最近1年：240日动量因子超额收益率为6.53%，股息率因子为6.96%，标准化预期外收入因子为7.13%[29] - **中证1000股票池**： - 最近1周：240日三因子模型残差波动率因子超额收益率为1.96%，BP因子为1.70%，60日收益率标准差因子为1.58%[31][34] - 最近1月：240日动量因子超额收益率为2.95%，标准化预期外收入因子为3.36%，单季度净利润同比因子为2.46%[34] - 最近1年：240日动量因子超额收益率为9.84%，单季度毛利率因子为14.07%，单季度ROA因子为13.77%[34] 2. 指数增强组合 - **沪深300指数增强组合**： - 最近1周超额收益：0.74%[46] - 最近1月超额收益：1.71%[46] - 最近1年超额收益：7.97%[46] - 全样本期（2010年至今）：年化超额收益为7.09%，信息比为2.53，月度胜率为73.56%[52] - **中证500指数增强组合**： - 最近1周超额收益：0.91%[53] - 最近1月超额收益：1.73%[53] - 最近1年超额收益：9.11%[53] - 全样本期（2010年至今）：年化超额收益为12.56%，信息比为3.09，月度胜率为80.46%[58] - **中证1000指数增强组合**： - 最近1周超额收益：1.09%[59] - 最近1月超额收益：2.93%[59] - 最近1年超额收益：15.79%[59] - 全样本期（2014年至今）：年化超额收益为17.28%，信息比为3.30，月度胜率为84.62%[64] - **沪深300ESG指数增强组合**： - 最近1周超额收益：0.76%[65] - 最近1月超额收益：1.78%[65] - 最近1年超额收益：7.90%[65] - 全样本期（2020年至今）：年化超额收益为7.62%，信息比为2.27，月度胜率为72.55%[68]

量化因子与构建方式 1. 因子名称：盈利预期调整因子（Earnings Consensus Adjustment Factor, ECA） - **因子的构建思路**：通过对EPS预期数据在时序上进行Z-Score标准化处理，平滑因子波动，避免简单差值或百分比变动的局限性[55] - **因子具体构建过程**： 1. 使用过去12期的EPS预期数据进行时序标准化处理 2. 对财报真空期的数据采用前值填充，填充跨度不超过4个月 3. 计算得到因子值[55][56] - **因子评价**：因子在2021年后表现减弱，与A股市场成长风格退潮具有较高同步性[56][57] 2. 因子名称：目标价收益率因子（Target Price Return Factor, TPR） - **因子的构建思路**：基于分析师一致预期的目标价与当前实际价格的比值，衡量个股未来收益率空间[59] - **因子具体构建过程**： 1. 目标价收益率因子计算公式： $$ factor_{t} = \frac{tp_{t}}{ap_{t}} - 1 $$ 其中，$tp_{t}$为当前时刻分析师一致预期的目标价，$ap_{t}$为当前时刻上市公司的实际价格 2. 对股价进行复权调整以消除股本变动的影响[59][60] - **因子评价**：因子在回测前期表现优异，但中期波动较大，胜率下降，近期表现有所转弱[60][63] 3. 因子名称：投资评级因子（Recommendation Type Factor, RT） - **因子的构建思路**：将分析师对个股的投资评级离散化为数值，并通过时序标准化处理生成因子值[71] - **因子具体构建过程**： 1. 投资评级从高到低赋分：买入（5分）、增持（4分）、持有（3分）、减持（2分）、卖出（1分），无意见赋为空值 2. 根据分析师推荐数量加权计算个股的投资评级得分 3. 对得分进行时序标准化处理，窗口期为12期，缺失值前向填充，跨度不超过4个月[71][76] - **因子评价**：因子表现严格单调，空头端区分度更强，市场对评级下调个股的敏感度显著高于评级上调个股[77][79] 4. 因子名称：复合分析师因子（Merged Analyst Factor, MA） - **因子的构建思路**：将盈利预期调整、目标价收益率和投资评级变动三个因子等权合成，衡量分析师多维度观点的综合变化[82] - **因子具体构建过程**： 1. 对ECA、TPR、RT三个因子进行等权合成 2. 测试期内对因子表现进行回测[82][85] - **因子评价**：复合因子在预测显著性和稳定性上均有所提升，但近一年仍无法完全规避超额收益的回撤[85][89] --- 因子的回测效果 1. 盈利预期调整因子（ECA） - **RankIC均值**：2.14% - **年化RankICIR**：1.11[55][57] 2. 目标价收益率因子（TPR） - **RankIC均值**：2.27% - **年化RankICIR**：1.09[60][61] 3. 投资评级因子（RT） - **RankIC均值**：1.72% - **年化RankICIR**：1.34[76][77] 4. 复合分析师因子（MA） - **RankIC均值**：2.36% - **年化RankICIR**：1.65 - **多头端年化收益率**：9.24% - **多空超额年化收益率**：7.11% - **最大回撤**：-7.84% - **月度胜率**：约70%[85][87][90] --- 因子在宽基指数增强中的表现 1. 沪深300指数 - **增强组合年化收益率**：9.22% - **超额收益率波动比**：1.09 - **超额收益率最大回撤**：-8.92%[94][102] 2. 中证500指数 - **增强组合年化收益率**：10.53% - **超额收益率波动比**：1.59 - **超额收益率最大回撤**：-10.46%[95][102] 3. 中证1000指数 - **增强组合年化收益率**：8.16% - **超额收益率波动比**：1.46 - **超额收益率最大回撤**：-8.66%[97][102]

- 本次提供的文档中未包含任何量化模型或量化因子的相关内容[1][2][3]

量化模型与构建方式 1. 模型名称：基于景气度、超预期和动量的行业轮动复合模型 - **模型构建思路**：综合考虑行业景气度、业绩超预期和动量因子，通过边际思维筛选出表现优异的行业板块[29][30] - **模型具体构建过程**： 1. 从景气度、超预期和动量因子中筛选出13个备选因子，包括公告后1日异常收益、过去91天预测净利率-FY2环比3月变动、行业残差动量等[29] 2. 通过因子IC值和分组测试，选择因子间相关性较低的因子进行复合模型合成[30] 3. 复合模型因子包括：客户议价力环比增量、过去91天预测净利率-FY2环比3月变动、公告后1日异常收益、公告后跳空幅度和行业残差动量[30] 4. 模型回测时间为2011年以来，测试多头组合的收益表现[30] - **模型评价**：该模型通过边际思维策略，能够有效捕捉行业轮动机会，但在指数估值较高或微观结构恶化时可能出现较大回撤[30] 2. 模型名称：应用估值和拥挤度的行业轮动复合模型 - **模型构建思路**：在行业轮动复合模型的基础上，加入估值趋势和交易拥挤度因子，规避指数下行风险[29][30] - **模型具体构建过程**： 1. 在景气度、超预期和动量模型优选行业板块的基础上，加入估值趋势和交易拥挤度因子[30] 2. 估值趋势因子包括PBPE与PB估值因子，交易拥挤度因子包括收益率波动率、量价相关系数等6类因子[29] 3. 通过因子测试和复合模型合成，优化多头组合的收益表现[30] 4. 模型回测时间为2011年以来，测试多头组合的收益表现[30] - **模型评价**：该模型在规避指数下行风险方面表现优异，能够显著提升收益率和降低回撤[30] --- 模型的回测效果 1. 基于景气度、超预期和动量的行业轮动复合模型 - 年化收益率：16.68%[30] - 超额年化收益率：11.36%[30] - SHARP比率：0.65[30] - 最大回撤：51.13%[30] 2. 应用估值和拥挤度的行业轮动复合模型 - 年化收益率：30.72%[30] - 超额年化收益率：26.64%[30] - SHARP比率：1.74[30] - 最大回撤：19.16%[30]

量化因子与构建方式 1. 因子名称：供给因子 - **因子的构建思路**：通过分析供给端的变化（如产量、库存等）来捕捉市场供给信号[5][9][11] - **因子具体构建过程**： - 结合产量、库存等供给端数据，提取供给变化的信号 - 例如，玻璃产量下滑但同比偏高，供给因子释放空头信号[9] - 铁矿石发货量增加，供给因子由中性转为空头[10] - 再生铅利润反馈转为中性，供给端多头信号减弱[11] 2. 因子名称：需求因子 - **因子的构建思路**：通过分析需求端的变化（如开工率、成交数据等）来捕捉市场需求信号[5][9][11] - **因子具体构建过程**： - 结合下游开工率、商品房成交数据等指标，提取需求变化的信号 - 例如，传统下游开工率小幅下滑，需求因子转为多头[5] - 二线城市商品房成交数据释放多头信号，但贡献度较低，需求端中性[9] - 电蓄价格抬升，需求端多头信号略转弱[11] 3. 因子名称：库存因子 - **因子的构建思路**：通过分析库存变化（如累库、去库等）来捕捉市场库存信号[5][9][10][11] - **因子具体构建过程**： - 结合库存累积或下降的情况，提取库存变化的信号 - 例如，甲醇内地及港口库存小幅增加，库存因子释放空头信号[5] - 浮法玻璃库存因子贡献度持续走弱，库存端中性延续[9] - 铁矿石进口贸易矿库存增加，库存因子维持多头信号[10] - 上期所期货注册及非注册仓单库存下降，库存因子转为多头[11] 4. 因子名称：价差因子 - **因子的构建思路**：通过分析期现价差、基差等变化来捕捉市场价差信号[5][9][10][11] - **因子具体构建过程**： - 结合期现价差、基差等指标，提取价差变化的信号 - 例如，甲醇市场价释放多头信号，但南华甲醇指数释放空头信号，价差端转为中性[8] - 玻璃期现价格下跌，主连基差因子释放空头信号，价差端中性转为空头[9] - 西澳至青岛运费上行，负向反馈减弱，价差因子维持中性[10] - 精矿进口利润增加，现货价格抬升，价差因子空头转为中性[11] 5. 因子名称：利润因子 - **因子的构建思路**：通过分析生产利润变化来捕捉市场利润信号[9][11] - **因子具体构建过程**： - 结合生产成本、价格等数据，提取利润变化的信号 - 例如，玻璃生产利润小幅下滑，利润因子释放空头信号[9] - 再生铅利润反馈转为中性，利润因子多头信号减弱[11] 6. 因子名称：合成因子 - **因子的构建思路**：通过综合供给、需求、库存、价差、利润等因子信号，形成整体市场判断[5][9][10][11] - **因子具体构建过程**： - 将各因子信号按照权重合成，形成综合信号 - 例如，本周综合信号多头，主要受需求端影响[5] - 本周综合信号空头，主要受供给端和价差端影响[9] - 本周综合信号由多头转为中性，主要受供给端和库存端影响[10] - 本周综合信号维持多头，主要受库存端和价差端影响[11] --- 因子的回测效果 1. 供给因子 - 上周收益：0.49%[5]，1.20%[9]，0.26%[11] - 当月收益：0.15%[5]，2.66%[9]，0.68%[11] 2. 需求因子 - 上周收益：0.42%[5]，0.00%[9]，0.26%[11] - 当月收益：-0.03%[5]，-0.29%[9]，0.20%[11] 3. 库存因子 - 上周收益：0.00%[9][11]，-0.47%[10] - 当月收益：0.91%[9]，-0.41%[10][11] 4. 价差因子 - 上周收益：-0.38%[5]，1.10%[9]，0.79%[11] - 当月收益：-0.38%[5]，2.22%[9]，0.90%[11] 5. 利润因子 - 上周收益：0.42%[9] - 当月收益：3.23%[9] 6. 合成因子 - 上周收益：0.18%[5]，0.73%[9]，0.35%[11]，-0.19%[10] - 当月收益：-0.08%[5]，2.66%[9]，0.36%[11]，-0.41%[10]

量化模型与构建方式 1. 模型名称：常青低波基金组合 - **模型构建思路**：结合基金持仓维度因子和净值维度因子，优选具有低波动特征的主动权益基金，满足市场风险较高环境下的防御需求，同时适合期望收益稳定的投资者[3][9] - **模型具体构建过程**： - 以挑选具有长期稳定收益特征的基金为目标，寻找主动权益基金中的业绩“常青树”[11] - 通过基金历史较长时间的净值回撤和波动水平，反映基金经理的投资风格及风险控制能力[11] - 在因子测试中发现，基金的最大回撤和波动率指标在未来具有较高延续性[11] - 增加基金估值水平限制，从净值表现和持仓特征两个维度优选低波基金[11] - **模型评价**：低波动特征帮助投资者在权益投资中获得长期稳定收益回报，且在市场大幅波动中表现出较低回撤水平[3][18][19] 2. 模型名称：现金增利基金组合 - **模型构建思路**：基于货币基金多维特征因子，构建货币基金筛选体系，优选收益表现更优秀的货币基金，优化短期闲置资金收益水平[4][9] - **模型具体构建过程**： - 综合考虑管理费率、托管费率、销售服务费率、久期水平、杠杆水平等因素[12] - 关注机构持仓占比及偏离度等风险指标，避免收益率波动较大[12] - 通过风险剔除和打分优选双重筛选，构建货币基金优选体系[20] - **模型评价**：能够帮助投资者在投资货币基金时获取更高收益水平，同时减少收益波动风险[12][20] 3. 模型名称：海外权益配置基金组合 - **模型构建思路**：基于长短期技术指标，结合指数动量和反转效应，筛选全球权益指数，构建QDII基金组合，满足全球化配置需求[5][10] - **模型具体构建过程**： - 根据长期动量和短期反转因子，剔除涨势过高、出现超买的指数[13] - 选择处于上涨趋势且上升动能较好的指数作为配置标的[13] - 构建海外权益配置基金组合，为投资者提供全球化投资辅助工具[14] - **模型评价**：能够显著增强收益并分散风险，适合作为A股权益市场的补充投资工具[16][23] --- 模型的回测效果 1. 常青低波基金组合 - **本周收益率**：-0.821%[18] - **近一个月收益率**：-3.908%[18] - **今年以来收益率**：7.145%[2][18] - **换仓以来收益率**：11.854%[18] - **基准收益率（中证主动式股票型基金指数）**： - 本周：-1.211%[18] - 近一个月：-4.958%[18] - 今年以来：-4.026%[18] - 换仓以来：12.044%[18] 2. 现金增利基金组合 - **本周收益率**：0.038%[15] - **近一个月收益率**：0.170%[18] - **今年以来收益率**：1.021%[2][18] - **换仓以来收益率**：0.276%[18] - **基准收益率（中证货币基金指数）**： - 本周：0.032%[18] - 近一个月：0.149%[18] - 今年以来：0.922%[18] - 换仓以来：0.244%[18] 3. 海外权益配置基金组合 - **本周收益率**：0.311%[16] - **近一个月收益率**：2.332%[18] - **今年以来收益率**：11.460%[2][18] - **换仓以来收益率**：2.623%[18] - **基准收益率（中证全指）**： - 本周：-1.662%[18] - 近一个月：-7.312%[18] - 今年以来：-6.847%[18] - 换仓以来：-4.442%[18]

- 本周股指均震荡下跌，主要由于政策未超预期，LPR利率持平，国内宏观经济需求端复苏偏慢，房地产表现低迷，居民收入预期下行[1][9][79] - 上证50与沪深300的估值水平和业绩预期相对较强，短期内上下波动空间有限，适宜卖出宽跨式策略[2][80] - 期权指标方面，上证50ETF期权成交量PCR为95.83，持仓量PCR为67.77；上交所300ETF期权成交量PCR为87.27，持仓量PCR为73.14；深交所300ETF期权成交量PCR为75.99，持仓量PCR为81.41；沪深300指数期权成交量PCR为86.29，持仓量PCR为64.96；中证1000指数期权成交量PCR为109.22，持仓量PCR为58.41[38][39][41] - 隐含波动率方面，上证50ETF期权2024年07月平值期权隐含波动率为12.48%，标的30交易日历史波动率为9.57%；上交所300ETF期权2024年07月平值期权隐含波动率为12.92%，标的30交易日历史波动率为8.89%；深交所300ETF期权2024年07月平值期权隐含波动率为12.75%，标的30交易日历史波动率为8.87%；沪深300指数期权2024年07月平值期权隐含波动率为12.98%，标的30交易日历史波动率为9.03%；中证1000指数期权2024年07月平值期权隐含波动率为20.75%，标的30交易日历史波动率为15.70%[56][57][60]

- 本周市场情绪整体延续上周，市场缩量明显，观望情绪浓厚[8][9] - 本周各类型ETF基金资金净流入146.21亿元，其中境内股票ETF净流入102.81亿元，债券ETF净流入13.43亿元，商品ETF净流入1.18亿元，境外ETF净流入28.79亿元[3][37] - 主动权益型基金整体仓位较此前1周略有下行，"固收+"基金仓位仍处较低位置波动状态[15][18] - 本周主动偏股型基金的净值涨跌幅平均值为-0.82%，基金总数为4325，上涨数目为1001，占比23.14%[13] - 本周主动权益型基金配置比例上调较多的行业有电子、汽车、农林牧渔、非银行金融、机械，配比下调较多的行业有计算机、食品饮料、家电、综合金融、有色金属[28][29] - 基于绩优基金持仓倾向的边际变化，研发了相应行业轮动模型并予以及时跟踪，绩优基金行业轮动策略受益于较强的灵活性，其收益风险特征明显好于动量、景气度策略的同期表现[30][31] - 本周主力资金净流出约1373.76亿元，主力流入汽车，流出电子、计算机；主动资金流入汽车、银行[60][61] - 本周新成立基金数目共计31只，主动权益型基金新发总份额约为31.50亿元[3][42] - 近三月，CTA复合策略、宏观策略、股票多头策略赚钱效应相对较弱，累计收益分别为-2.00%、-1.99%、-0.65%；近一年，债券策略表现稳定大幅领先，累计收益12.84%[80][81]

量化模型与构建方式 量化组合模型 1. **模型名称**：基于研报覆盖度调整的指数增强模型 **模型构建思路**：在不同宽基指数（如沪深300、中证500、中证1000）内，根据研报覆盖度区分高覆盖度和低覆盖度域，分别选用适配的因子进行增强，以提升组合的超额收益表现[49] **模型具体构建过程**： - 将宽基指数内的股票按照研报覆盖度划分为高覆盖度域和低覆盖度域 - 针对不同覆盖度域，分别选用适配的因子进行选股和权重调整 - 通过优化算法构建增强组合，目标是实现超额收益最大化 **模型评价**：该模型通过因子适配性提升了增强效果，表现优于统一因子选股策略[49] --- 量化因子与构建方式 动量因子 1. **因子名称**：动量因子 **因子的构建思路**：基于股票过去一段时间的收益率，捕捉价格趋势延续性[42][43] **因子具体构建过程**： - 计算股票在过去1年到1个月的收益率（$mom\_1y\_1m$） - 对收益率数据进行市值和行业中性化处理 - 按照因子方向选取前20%的股票作为多头组合 **因子评价**：动量因子在不同时间维度和宽基指数中表现较好，尤其在大市值股票中胜率较高[42][43] 净利润同比因子 2. **因子名称**：净利润同比因子 **因子的构建思路**：通过衡量企业净利润的同比增长，捕捉盈利能力的变化趋势[43] **因子具体构建过程**： - 计算单季度净利润同比增速（$yoy\_np\_q$） - 对数据进行市值和行业中性化处理 - 按因子方向选取前20%的股票作为多头组合 **因子评价**：净利润同比因子在时间维度上表现稳定，尤其在大市值股票中表现更强[43] 研发销售收入占比因子 3. **因子名称**：研发销售收入占比因子 **因子的构建思路**：通过衡量企业研发投入占销售收入的比例，捕捉成长性和创新能力[44][45] **因子具体构建过程**： - 计算研发投入占销售收入的比例（$tot\_rd\_ttm\_to\_sales$） - 对数据进行市值和行业中性化处理 - 按因子方向选取前20%的股票作为多头组合 **因子评价**：该因子在小市值股票中表现较好，能够有效捕捉成长性[44][45] --- 因子的回测效果 1. **动量因子** - 近一周多头超额收益：1.34% - 近一个月多头超额收益：3.68% - 近一年多头超额收益：4.19%[43] 2. **净利润同比因子** - 近一周多头超额收益：0.92% - 近一个月多头超额收益：0.89% - 近一年多头超额收益：-1.29%[43] 3. **研发销售收入占比因子** - 沪深300中的多头超额收益：2.82% - 中证500中的多头超额收益：3.40% - 中证1000中的多头超额收益：3.92% - 国证2000中的多头超额收益：4.28%[45] --- 模型的回测效果 1. **基于研报覆盖度调整的指数增强模型** - **沪深300增强组合** - 上周超额收益：-0.03% - 本月超额收益：-0.33% - 本年超额收益：10.99% - 超额年化收益率：9.99% - 超额Sharpe比率：1.48[49][50] - **中证500增强组合** - 上周超额收益：1.22% - 本月超额收益：2.50% - 本年超额收益：9.31% - 超额年化收益率：13.50% - 超额Sharpe比率：2.44[49][50] - **中证1000增强组合** - 上周超额收益：0.30% - 本月超额收益：1.45% - 本年超额收益：6.96% - 超额年化收益率：14.51% - 超额Sharpe比率：2.12[49][50]