量化因子与构建方式 1. **因子名称**：优加换手率UTR2.0 - **构建思路**：通过结合量稳因子（STR）和量小因子（Turn20），并引入激活函数（softsign）动态调整量小因子的作用方向与强度，以解决原UTR因子在次序尺度下信息丢失的问题[6][7] - **具体构建过程**： 1. 每月计算所有股票的Turn20（量小因子）和STR（量稳因子） 2. 使用等比尺度结合两因子，公式为： $$\mathrm{UTR2.0}=\mathrm{STR}+softsign(\mathrm{STR})\cdot\mathrm{Turn20}$$ 其中$$softsign(x)=\frac{x}{1+|x|}$$，STR的符号决定Turn20的正负作用，绝对值大小调节强度[7] - **因子评价**：相比原UTR因子，收益略降但波动率、信息比率和月度胜率更优，稳定性提升[3] 2. **因子名称**：原UTR因子 - **构建思路**：通过排序打分法结合量稳因子和量小因子，优先筛选量稳股票中量大的标的[6] - **具体构建过程**： 1. 按STR从小到大排序并打分（得分1） 2. 对STR前50%样本按Turn20从大到小排序打分（得分2），后50%按Turn20从小到大打分（得分3） 3. 最终得分为得分1+得分2（前50%）或得分1+得分3（后50%）[6] 因子回测效果 1. **优加换手率UTR2.0因子**（2006/01-2025/03，全体A股）： - 年化收益率：40.07% - 年化波动率：15.06% - 信息比率（IR）：2.66 - 月度胜率：75.22% - 最大回撤率：11.03%[8][10] - 2025年3月多空对冲收益率：7.69%（多头2.05%，空头-5.64%）[10] 2. **原UTR因子**（对比数据）： - 收益降低但波动率、IR和胜率优化（未提供具体数值）[3] 其他说明 - **图表支持**：图1展示UTR2.0因子净值走势（2006-2025），图2展示2025年3月多头组合净值走势[5][11][12] - **关键改进**：通过激活函数实现动态系数调整，解决了因子结合中的方向一致性问题[7]

量化模型与构建方式 1 因子名称：信息分布均匀度UID因子 因子构建思路：基于个股分钟数据，在计算每日高频波动率的基础上构建，旨在改进传统波动率因子[6] 因子具体构建过程： - 使用分钟级别涨跌幅数据计算高频波动率 - 通过换手率分布均匀度计算方法改进传统换手率因子 - 构建过程中剔除了市场常用风格和行业干扰，得到纯净UID因子[6] 因子评价：选股效果大幅优于传统波动率因子，且携带足够增量信息可作为独立因子加入因子库[6] 因子的回测效果 1 UID因子 - 年化收益率：26.80%[7][10] - 年化波动率：10.00%[7][10] - 信息比率(IR)：2.68[7][10] - 月度胜率：79.10%[7][10] - 最大回撤率：6.05%[7][10] - 3月份多头组合收益率：1.48%[10] - 3月份空头组合收益率：-2.52%[10] - 3月份多空对冲收益率：4.00%[10] - 年化ICIR：-3.17（纯净因子）[1]

量化因子与构建方式 1 **因子名称**：换手率分布均匀度UTD因子 **因子构建思路**：通过分钟成交量数据改进传统换手率因子，解决传统因子对高换手率股票未来收益误判的问题[6][7] **因子具体构建过程**： - 基于个股分钟成交量数据，计算换手率分布的均匀度 - 传统换手率因子（Turn20）仅计算过去20日日均换手率，而UTD因子通过分钟数据细化分布特征，降低高换手率组内收益标准差的分化[7] - 具体公式未在报告中明确给出，但核心逻辑是通过分钟数据分布均匀性修正传统换手率的线性假设[7] **因子评价**：UTD因子显著降低误判，选股效果优于传统因子，且在剔除风格、行业干扰后仍保持稳健[7] 2 **因子名称**：传统换手率因子（Turn20） **因子构建思路**：过去20日日均换手率反映短期交易活跃度，低换手率股票未来可能上涨[6] **因子具体构建过程**： - 每月月底计算个股过去20个交易日的日均换手率 - 对换手率做市值中性化处理，消除市值影响[6] **因子评价**：逻辑简单但存在高换手率组内收益分化问题，导致误判[7] --- 因子的回测效果 1 **UTD因子**（2014/01-2025/03，全市场10分组多空对冲）： - 年化收益率：19.83%[1][7][11] - 年化波动率：7.42%[1][7][11] - 信息比率（IR）：2.67[1][7][11] - 月度胜率：76.87%[1][7][11] - 最大回撤率：5.51%[1][7][11] - 2025年3月多空对冲收益率：3.12%（多头1.40%，空头-1.72%）[10] 2 **传统换手率因子（Turn20）**（2006/01-2021/04，全市场）： - 月度IC均值：-0.072[6] - 年化ICIR：-2.10[6] - 多空对冲年化收益率：33.41%[6] - 信息比率（IR）：1.90[6] - 月度胜率：71.58%[6] --- 补充说明 - UTD因子通过分钟数据优化了传统换手率因子的分布假设，解决了高换手率组内收益标准差递增的问题[7] - 传统换手率因子虽有多空收益，但高换手率组内股票未来涨跌分化严重，导致逻辑缺陷[7]

量化因子与构建方式 1. **因子名称：TPS（Turn20 conformed by PLUS）** - **构建思路**：从考察日频换手率稳定性的角度，结合价格因子（影线差）改进传统换手率因子（Turn20），以解决传统换手率因子组内收益标准差单调递增的问题[8][9][10] - **具体构建过程**： 1. 计算传统换手率因子Turn20：取过去20个交易日换手率的平均值，并进行横截面市值中性化[7] 2. 选取价格因子影线差（反映日内多空情绪）[9][10] 3. 将影线差与Turn20结合，通过价量配合逻辑（如放量上涨投赞成票、缩量上涨投反对票）构建TPS因子[9][10] - **因子评价**：计算简单且效果优秀，显著优于传统换手率因子，且在剔除市场风格和行业干扰后仍保持选股能力[10][12] 2. **因子名称：SPS（STR conformed by PLUS）** - **构建思路**：基于量稳换手率因子（STR），同样引入影线差价格因子进行改进，以增强选股稳定性[8][10] - **具体构建过程**： 1. 使用STR因子（量稳换手率）作为基础[8] 2. 结合影线差价格因子，通过价量配合逻辑调整STR因子[10] - **因子评价**：表现大幅优于传统换手率因子，组内标准差问题得到改善，纯净因子选股能力较强[10][13] --- 因子的回测效果 1. **TPS因子（2006/01-2025/03）** - 年化收益率：39.34% - 年化波动率：15.82% - 信息比率（IR）：2.49 - 月度胜率：77.29% - 最大回撤率：18.19%[12] - **2025年3月表现**： - 多头组合收益率：2.43% - 空头组合收益率：-6.18% - 多空对冲收益率：8.61%[13] 2. **SPS因子（2006/01-2025/03）** - 年化收益率：42.91% - 年化波动率：13.19% - 信息比率（IR）：3.25 - 月度胜率：83.41% - 最大回撤率：11.58%[13] - **2025年3月表现**： - 多头组合收益率：1.56% - 空头组合收益率：-5.89% - 多空对冲收益率：7.45%[15] --- 对比基准因子 - **传统换手率因子（Turn20）**： - 月度IC均值：-0.076 - 年化ICIR：-2.23 - 多空对冲年化收益率：37.71% - 信息比率：2.20 - 月度胜率：70.79%[7]

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 **因子构建思路**：通过捕捉换手率波动率高的股票中稳定增长或下降的趋势，构建描述换手率变化率稳定性的指标[6] **因子具体构建过程**：基于换手率变化率的加速度意义，结合稳定性特征，构造新因子GTR。具体步骤包括计算换手率变化率的时间序列稳定性，并通过统计方法筛选具有持续趋势的股票[6] **因子评价**：与东吴金工全系列换手率因子相关性低（<0.1），且对其他换手率因子具有增强作用[6] 2. **因子名称**：纯净优加TPS_Turbo因子 **因子构建思路**：将GTR因子与Turn20因子通过纯净优加法合成，增强选股能力[6] **因子具体构建过程**：采用纯净优加法对GTR和Turn20因子进行加权合成，具体权重未披露[6] 3. **因子名称**：纯净优加SPS_Turbo因子 **因子构建思路**：将GTR因子与STR因子通过纯净优加法合成，提升因子稳定性[6] **因子具体构建过程**：类似TPS_Turbo，使用纯净优加法合成GTR和STR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：13.20% - 年化波动率：10.32% - 信息比率（IR）：1.28 - 月度胜率：66.81% - 月度最大回撤：10.81% - 3月多空对冲收益：2.58%（多头1.39%，空头-1.19%）[7][14] 2. **纯净优加TPS_Turbo因子** - 年化收益率：36.00% - 年化波动率：13.28% - 信息比率（IR）：2.71 - 月度胜率：78.17% - 月度最大回撤：9.86% - 3月多空对冲收益：7.58%（多头2.37%，空头-5.21%）[7][15] 3. **纯净优加SPS_Turbo因子** - 年化收益率：37.32% - 年化波动率：10.96% - 信息比率（IR）：3.41 - 月度胜率：81.22% - 月度最大回撤：7.22% - 3月多空对冲收益：5.85%（多头1.43%，空头-4.42%）[7][18] --- 关键引用说明 - 因子构建逻辑及评价引用自文档[6] - 长期绩效数据（2006/01-2025/03）引用自文档[7] - 3月短期绩效数据引用自文档[14][15][18]

量化模型与构建方式 1. **定价权计算模型** - **构建思路**：将定价权定义为资金流驱动收益的绝对值，结合资金净流入强度（量）和价格影响力（价），综合反映公募基金对市场的影响[12]。 - **具体构建过程**： 1. 分解股票超额收益为各类资金驱动收益和剩余收益： $$定价权 = |资金流驱动的收益| = |资金净流入| × 价格影响力$$ 其中，资金净流入占比衡量资金流强度，价格影响力系数γ通过卡尔曼滤波估计[14]。 2. 计算公募定价权百分比：公募驱动收益绝对值除以其他收益绝对值之和[14]。 - **评价**：兼顾交易量和价格影响，避免传统方法的片面性[12]。 2. **卡尔曼滤波算法** - **构建过程**：用于动态估计价格影响力系数γ，通过预测和更新步骤迭代优化： - 状态预测：$${\widehat{\mathbf{x}_{\mathbf{k}}^{\mathbf{k}}}}=A_{\mathbf{k}}{\widehat{\mathbf{x}_{\mathbf{k}-1}}}+\mathbf{B}_{\mathbf{k}}\mathbf{u}_{\mathbf{k}}$$ - 误差协方差预测：$$\mathbf{P_{k}^{-}}=\mathbf{A_{k}}\mathbf{P_{k-1}}\mathbf{A_{k}^{T}}+\mathbf{Q_{k}}$$ - 卡尔曼增益计算：$$\mathrm{K_{k}=P_{k}^{-}H_{k}^{T}\bigl(H_{k}P_{k}^{-}H_{k}^{T}+R_{k}\bigr)^{-1}}$$ - 状态更新：$${\widehat{\mathbf{x_{k}}}}={\widehat{\mathbf{x_{k}}}}+\mathrm{K_{k}}(\mathbf{z_{k}}-\mathrm{H_{k}}{\widehat{\mathbf{x_{k}}}})$$[95][96][97][101] 量化因子与构建方式 1. **基金净流入因子** - **构建思路**：基于公募季度净流入与成交额比例，反映资金主动交易行为[79]。 - **具体构建**：因子值=季度净流入/成交额，季频调仓（1/4/7/10月末）[79]。 - **评价**：在大盘股中选股效果显著，但需避免博弈性调仓干扰[79]。 2. **基金净流入（低分歧）因子** - **构建思路**：引入分歧度指标（当月净流入/交易绝对值之和），筛选公募观点一致的股票[84]。 - **具体构建**：加总分歧度至季度，组合调仓时点同基础因子[84]。 - **评价**：全样本池选股效果提升，空头区分度增强[84]。 3. **基金净流入（温和买入）因子** - **构建思路**：用公募驱动收益替代净流入，筛选波动较低的温和买入股票[86]。 - **具体构建**：因子值=季度驱动收益/过去12月收益标准差[86]。 - **评价**：小盘股（中证1000）表现更优，避免短期冲击影响[86]。 模型与因子的回测效果 1. **基金净流入因子** - 沪深300：RankIC均值3.42%，多空年化收益8.34%，多头超额收益5.89%[82]。 - 中证500：RankIC均值2.32%，多空年化收益9.04%，多头超额收益10.24%[82]。 2. **基金净流入（低分歧）因子** - 沪深300：RankIC均值5.18%，多空年化收益14.93%，多头超额收益8.53%[85]。 - 中证1000：RankIC均值3.28%，多空年化收益19.68%，多头超额收益14.22%[85]。 3. **基金净流入（温和买入）因子** - 中证1000：RankIC均值2.72%，多空年化收益15.45%，多头超额收益25.67%[87]。 其他关键指标 - **公募定价权行业分布**： - 高弹性行业（如电力设备、有色金属）定价权较高，2024年电力设备定价权11%[24][26]。 - 北上资金在高ROE行业（如银行）定价权更高（2024年银行定价权21%）[27][28]。 - **调仓周期影响**：新发基金周期下消费/新能源龙头减持周期长（如贵州茅台减持1367天），科技股周期较短[54][56]。

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：EP(TTM)因子** - **构建思路**：衡量企业净利润与市值的比率，作为价值因子的代表[23] - **构建过程**： 1. 对中证国企指数成分股计算EP(TTM) = 净利润(TTM)/总市值 2. 进行市值中性化处理以消除风格偏差 3. 每月初按因子值排序，前20%作为多头组合，后20%作为空头组合[23] - **评价**：历史表现稳定，2021年后RankIC持续提升[31] 2. **因子名称：BP(LF)因子** - **构建思路**：采用账面市值比衡量企业净资产价值[23] - **构建过程**： 1. 计算BP(LF) = 净资产(LF)/总市值 2. 同样进行市值中性化处理 3. 分组方式与EP因子相同[27] - **评价**：在2014年、2017年等市场环境下表现突出[27] 3. **因子名称：股息率(TTM)因子** - **构建思路**：反映企业分红能力的高股息策略因子[23] - **构建过程**： 1. 计算股息率(TTM) = 近12个月现金分红/当前股价 2. 对异常值处理（如>7%的股息率需重新验证） 3. 采用相同的分组回测方法[28] - **评价**：防御性特征显著，2018年市场下行期多空收益达18.17%[28] 因子回测效果 | 因子名称 | 多空收益率 | RankIC | 夏普比率 | 测试区间 | |----------------|------------|----------|----------|------------------------| | EP(TTM)因子 | 9.14% | 5.56% | 1.19 | 2012-2025[26] | | BP(LF)因子 | 11.41% | 6.80% | 1.37 | 2012-2025[27] | | 股息率(TTM)因子| 8.96% | 5.81% | 1.37 | 2012-2025[28] | 关键指标说明 1. **恒生港股通央企红利指数**采用净股息率加权： $$净股息率=\frac{除税后每股派息}{收盘价}$$ 且对>7%的股息率进行二次验证[40] 2. 因子中性化处理采用市值调整方法，确保风格纯粹性[23] 3. 回测采用月度调仓，以月初开盘价交易[23]

量化模型与构建方式 1. **模型名称**：行业拥挤度监测模型 - **模型构建思路**：通过监测申万一级行业指数的拥挤度，识别当前市场过热或过冷的行业[3] - **模型具体构建过程**： 1. 计算行业指数的短期价格波动与长期趋势偏离度 2. 结合成交量、资金流向等指标综合评估拥挤程度 3. 输出每日行业拥挤度排名及变动情况[3] - **模型评价**：能够有效捕捉行业短期过热风险，但对极端市场环境适应性有限[3] 2. **模型名称**：溢价率Z-score模型 - **模型构建思路**：通过滚动计算ETF溢价率的Z-score，识别存在套利机会的标的[4] - **模型具体构建过程**： 1. 计算ETF当前溢价率：$$溢价率 = (市价 - IOPV)/IOPV$$ 2. 滚动计算过去N个交易日的溢价率均值μ和标准差σ 3. 计算Z-score：$$Z = (当前溢价率 - μ)/σ$$ 4. 设定阈值触发关注信号（如Z>2或Z<-2）[4] - **模型评价**：对短期套利机会敏感，但需结合流动性风险综合判断[4] --- 量化因子与构建方式 1. **因子名称**：主力资金净流入因子 - **因子构建思路**：监测主力资金在行业/ETF中的净流入方向[3][6] - **因子具体构建过程**： 1. 按交易日统计申万一级行业或ETF的主力资金净额 2. 计算3日滚动累计净流入：$$净流入_{T-2→T} = \sum_{i=T-2}^{T}净流入_i$$[14] - **因子评价**：对短期资金动向反应灵敏，但需区分主力资金性质[14] 2. **因子名称**：行业拥挤度因子 - **因子构建思路**：量化行业交易过热程度的复合指标[3] - **因子具体构建过程**： 1. 标准化处理价格波动率、换手率、资金集中度等子指标 2. 加权合成综合拥挤度得分：$$拥挤度 = \sum_{i=1}^{n}w_i \cdot 标准化(子指标_i)$$[3] --- 模型的回测效果 1. **行业拥挤度监测模型**： - 有效识别医药生物、环保等高拥挤行业（拥挤度>85%分位数）[3] - 通信、传媒拥挤度处于历史20%分位数以下[3] 2. **溢价率Z-score模型**： - 触发关注信号的ETF包括黄金ETF（Z=2.3）、房地产ETF基金（Z=-2.1）[16] --- 因子的回测效果 1. **主力资金净流入因子**： - 近3日净流入TOP3行业：公用事业（+4.55亿元）、医药生物（-0.92亿元）、石油石化（-2.72亿元）[14] - 净流出TOP3行业：计算机（-111.96亿元）、机械设备（-106.29亿元）、电力设备（-98.95亿元）[14] 2. **行业拥挤度因子**： - 钢铁、医药生物拥挤度单日变动幅度超15%[3] - 通信、传媒拥挤度持续低于阈值（<30%）[3]

根据提供的金融工程日报内容，以下是量化模型与因子的结构化总结： --- 量化因子与构建方式 1. **封板率因子** - 构建思路：通过涨停股盘中表现衡量市场情绪强度[15] - 具体构建： $$封板率=\frac{\text{最高价涨停且收盘涨停股票数}}{\text{最高价涨停股票数}}$$ 筛选上市满3个月的股票，统计日内涨停后维持涨停的比例[15] - 因子评价：反映短期资金封板意愿的稳定性 2. **连板率因子** - 构建思路：捕捉连续涨停股的市场动量效应[15] - 具体构建： $$连板率=\frac{\text{连续两日收盘涨停股票数}}{\text{昨日收盘涨停股票数}}$$ 需满足上市时间>3个月且前一日涨停的条件[15] - 因子评价：衡量市场极端情绪延续性 3. **股指期货贴水率因子** - 构建思路：利用期现价差反映市场预期[26] - 具体构建： $$年化贴水率=\frac{\text{基差}}{\text{指数价格}} \times \frac{250}{\text{合约剩余交易日数}}$$ 分别计算上证50/沪深300/中证500/中证1000主力合约贴水率[26] - 因子评价：体现对冲成本与市场分歧程度 4. **大宗交易折价率因子** - 构建思路：跟踪大额资金交易溢价水平[24] - 具体构建： $$折价率=\frac{\text{大宗交易总成交金额}}{\text{当日成交份额总市值}}-1$$ 统计近半年日均折价率与单日偏离值[24] - 因子评价：反映机构投资者交易偏好 --- 因子回测效果 1. **封板率因子** - 当日值：62%（较前日下降0%）[15] - 近一月分位数：未披露具体分位 2. **连板率因子** - 当日值：12%（较前日下降14%）[15] - 近一月分位数：未披露具体分位 3. **股指期货贴水率因子** - 上证50年化贴水率：-0.44%（44%分位）[26] - 沪深300年化贴水率：-3.32%（38%分位）[26] - 中证500年化贴水率：-11.75%（20%分位）[26] - 中证1000年化贴水率：-13.58%（34%分位）[26] 4. **大宗交易折价率因子** - 当日值：4.29%（近半年均值5.41%）[24] - 近半年分位数：未披露具体分位 --- 关键说明 - 所有因子均基于Wind数据源构建[21][26][15] - 股指期货贴水率计算采用主力合约数据[26] - 大宗交易统计包含单笔成交金额≥100万元的交易[24] （注：报告中未涉及量化模型的具体构建，故仅总结因子相关内容）

量化因子与构建方式 1. **因子名称：理想反转因子** - **构建思路**：通过识别大单成交日来捕捉A股反转效应，切割出反转属性最强的交易日[5][16] - **具体构建过程**： 1. 回溯股票过去20日数据，计算每日平均单笔成交金额（成交金额/成交笔数）[46] 2. 选取单笔成交金额最高的10个交易日，加总其涨跌幅记为M_high；选取最低的10个交易日，加总涨跌幅记为M_low[46] 3. 计算因子值：$$M = M_{\text{high}} - M_{\text{low}}$$[46] - **因子评价**：逻辑清晰，有效捕捉反转效应[5] 2. **因子名称：聪明钱因子** - **构建思路**：从分钟价量数据中识别机构交易行为，跟踪聪明钱的参与价位[5][16] - **具体构建过程**： 1. 回溯股票过去10日分钟数据，计算指标$$S_t = |R_t| / V_t^{0.25}$$（R_t为分钟涨跌幅，V_t为分钟成交量）[44] 2. 按S_t排序，取成交量累积占比前20%的分钟作为聪明钱交易[44] 3. 计算聪明钱交易的VWAP（成交量加权均价）和全体交易的VWAP，因子值：$$Q = \text{VWAP}_{\text{smart}} / \text{VWAP}_{\text{all}}$$[44][47] - **因子评价**：机构行为跟踪能力强[5] 3. **因子名称：APM因子** - **构建思路**：分析日内不同时段（隔夜/下午）交易行为差异导致的残差反转效应[5][16] - **具体构建过程**： 1. 回溯20日数据，分离隔夜与下午的股票收益率（r）和指数收益率（R）[48] 2. 回归$$r = \alpha + \beta R + \epsilon$$，得到残差序列$$\epsilon_t$$[48] 3. 计算隔夜与下午残差差异：$$\delta_t = \epsilon_{\text{隔夜},t} - \epsilon_{\text{下午},t}$$[48] 4. 构造统计量：$$\mathrm{stat} = \frac{\mu(\delta_t)}{\sigma(\delta_t)/\sqrt{N}}$$[48] 5. 对动量因子横截面回归取残差作为APM因子[49] - **因子评价**：日内时段切割提升反转效果[5] 4. **因子名称：理想振幅因子** - **构建思路**：基于股价高低状态切割振幅信息，捕捉结构性差异[5][16] - **具体构建过程**： 1. 计算过去20日每日振幅（最高价/最低价-1）[51] 2. 按收盘价分位数选取高价态（前25%）和低价态（后25%）交易日，分别计算振幅均值V_high和V_low[51] 3. 因子值：$$V = V_{\text{high}} - V_{\text{low}}$$[51] - **因子评价**：价态分层增强信息含量[5] 5. **因子名称：交易行为合成因子** - **构建思路**：加权整合四个交易行为因子，提升稳定性[34] - **具体构建过程**： 1. 对单因子进行行业内去极值与标准化[34] 2. 滚动12期ICIR加权计算合成因子值[34] - **因子评价**：综合效果优于单因子[34] --- 因子回测效果 | 因子名称 | IC均值 | rankIC均值 | IR | 多空对冲月度胜率 | 3月多空收益 | 近12月胜率 | |------------------|----------|------------|-------|------------------|-------------|------------| | 理想反转因子 | -0.051 | -0.061 | 2.55 | 78.3% | 1.85% | 66.7% | [6][17] | 聪明钱因子 | -0.038 | -0.062 | 2.78 | 82.4% | 4.10% | 100.0% | [6][22] | APM因子 | 0.030 | 0.035 | 2.34 | 78.2% | 1.88% | 83.3% | [6][26] | 理想振幅因子 | -0.054 | -0.073 | 3.02 | 83.8% | 4.18% | 83.3% | [6][30] | 交易行为合成因子 | 0.069 | 0.093 | 3.37 | 82.0% | 4.73% | 83.3% | [6][34] **补充说明**：合成因子在中小盘（国证2000/中证1000）中IR达3.02/3.01，显著优于中证800的1.31[37]