量化模型与构建方式 增强策略ETF模型 - **模型名称**：增强策略ETF模型 - **模型构建思路**：通过量化选股和优化组合策略，增强指数型ETF的收益表现，力求在跟踪指数的基础上实现超额收益[23][24] - **模型具体构建过程**： 1. 选取目标指数作为基准，例如中证500、中证1000、沪深300等[23] 2. 应用量化选股模型，结合因子分析（如基本面因子、技术面因子等）筛选股票[23] 3. 通过优化算法构建投资组合，确保组合的风险收益特征与目标指数相符，同时实现超额收益[23] 4. 定期调整组合权重，动态优化以适应市场变化[23] - **模型评价**：增强策略ETF模型通过量化手段实现了对基准指数的超额收益，表现出较强的收益增强能力[24] 增强指数型基金模型 - **模型名称**：增强指数型基金模型 - **模型构建思路**：通过量化策略优化指数基金的投资组合，力求在跟踪指数的基础上实现超额收益[33] - **模型具体构建过程**： 1. 选取目标指数作为基准，例如沪深300、中证500、中证1000等[33] 2. 应用量化选股策略，结合多因子模型筛选优质股票[33] 3. 通过优化算法调整权重，构建增强型投资组合[33] 4. 定期再平衡组合，确保与市场动态保持一致[33] - **模型评价**：增强指数型基金模型在多个指数类别中均表现出色，尤其在中证1000指数中，超额收益率显著[33] --- 模型的回测效果 增强策略ETF模型 - 景顺长城中证500增强策略ETF，上周超额收益率0.40%，2024年以来超额收益率4.65%，近一年超额收益率7.68%[25] - 招商中证500增强策略ETF，上周超额收益率0.46%，2024年以来超额收益率7.00%，近一年超额收益率12.28%[25] - 博时中证1000增强策略ETF，上周超额收益率0.63%，2024年以来超额收益率2.95%，近一年超额收益率7.11%[25] 增强指数型基金模型 - 国泰君安沪深300指数增强A，上周超额收益率0.59%，近一年超额收益率4.32%[34] - 博道中证500指数增强A，上周超额收益率0.64%，近一年超额收益率5.89%[34] - 博时中证1000指数增强A，上周超额收益率1.14%，近一年超额收益率11.74%[34] - 鹏华国证2000指数增强A，上周超额收益率0.79%，近一年超额收益率7.62%[34]

量化因子与构建方式 1. 因子名称：量稳换手率因子（STR） - **因子的构建思路**：从考察“日频换手率稳定性”的角度出发，构造了量稳换手率因子（STR，The Stability of Turnover Rate），以衡量股票换手率的稳定性，旨在改进传统换手率因子的不足[1][8] - **因子具体构建过程**： 1. 使用日频数据，计算每只股票的日换手率 2. 参考换手率分布均匀度（UTD）因子的研究思路，重点考察换手率的稳定性 3. 构造STR因子，具体计算公式未在报告中明确列出，但其核心在于衡量换手率的稳定性，而非绝对值或变化率[8] - **因子评价**：STR因子计算过程简单，且在回测中表现优异，显著优于传统换手率因子和换手率变化率因子[1][8] 2. 因子名称：传统换手率因子（Turn20） - **因子的构建思路**：基于过去20个交易日的日均换手率，衡量股票的流动性特征[6] - **因子具体构建过程**： 1. 每月月底计算每只股票过去20个交易日的日均换手率 2. 对换手率数据进行市值中性化处理，以剔除市值对因子的干扰[6] - **因子评价**：传统换手率因子表现较好，但其逻辑存在缺陷。例如，在换手率最大的分组中，组内股票的未来收益差异较大，可能导致误判[6][7] --- 因子的回测效果 1. 量稳换手率因子（STR） - 年化收益率：41.49%[9][14] - 年化波动率：14.38%[9][14] - 信息比率（IR）：2.89[9][14] - 月度胜率：77.73%[9][14] - 最大回撤率：9.96%[9][14] 2. 传统换手率因子（Turn20） - 年化收益率：33.41%[6] - 年化波动率：未提及 - 信息比率（IR）：1.90[6] - 月度胜率：71.58%[6] - 最大回撤率：未提及 --- 其他补充信息 - **STR因子与传统因子的对比**：在回测期内（2006/01-2021/04），STR因子的表现显著优于传统换手率因子（Turn20），尤其在年化收益率、信息比率和月度胜率等指标上均有明显提升[1][6][9] - **STR因子多空对冲的月度表现**：2024年5月，STR因子在全体A股中，10分组多空对冲的收益率为1.35%，多头组合收益率为-1.60%，空头组合收益率为-2.95%[12]

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 - **因子的构建思路**：基于分钟成交量数据，改进传统换手率因子，构造换手率分布均匀度因子（UTD），以减弱对股票样本的误判程度，并提升选股效果[1][6] - **因子具体构建过程**： 1. 收集个股的分钟成交量数据 2. 计算换手率分布的均匀度，具体方法未在报告中详细列出 3. 对因子值进行分组，形成10分组多空对冲组合[1][6] - **因子评价**：UTD因子在选股效果上明显优于传统因子，且在剔除市场常用风格、行业和特色因子的干扰后，仍具备一定的选股效果[1][6] 2. 因子名称：传统换手率因子（Turn20） - **因子的构建思路**：基于过去20个交易日的日均换手率，构造传统换手率因子，选股逻辑为换手率越小的股票未来越可能上涨，换手率越大的股票未来越可能下跌[5] - **因子具体构建过程**： 1. 每月月底计算每只股票过去20个交易日的日均换手率 2. 对换手率因子值进行市值中性化处理 3. 按因子值对股票进行分组，形成10分组多空对冲组合[5] - **因子评价**：传统换手率因子在选股逻辑上存在一定误判，尤其在换手率最大的分组中，组内成分股未来收益差异较大，导致部分未来大涨的样本被误判[6] --- 因子的回测效果 换手率分布均匀度（UTD）因子 - **年化收益率**：20.26%[1][6][10] - **年化波动率**：7.38%[1][6][10] - **信息比率（IR）**：2.74[1][6][10] - **月度胜率**：75.81%[1][6][10] - **最大回撤率**：5.51%[1][6][10] 传统换手率因子（Turn20） - **年化收益率**：33.41%[5] - **信息比率（IR）**：1.90[5] - **月度胜率**：71.58%[5] - **月度IC均值**：-0.072[5] - **年化ICIR**：-2.10[5] --- 5月单月表现 换手率分布均匀度（UTD）因子 - **多头组合收益率**：-2.88%[1][9] - **空头组合收益率**：-2.07%[1][9] - **多空对冲收益率**：-0.82%[1][9]

量化因子与构建方式 1. 因子名称：信息分布均匀度（UID）因子 - **因子的构建思路**：基于个股分钟数据，计算每日高频波动率，进一步构建信息分布均匀度因子（UID），以改进传统波动率因子的选股效果[1][5] - **因子具体构建过程**： 1. 收集个股的分钟级别数据 2. 计算每日的高频波动率 3. 在此基础上，构造信息分布均匀度因子（UID），具体计算公式未在报告中明确列出[1][5] - **因子评价**： 1. UID 因子选股效果显著优于传统波动率因子 2. 剔除市场常用风格和行业干扰后，UID 因子仍具备较好的选股能力，表现出较高的纯净性和增量信息价值[1][5] --- 因子的回测效果 1. 全市场回测效果（2014/01-2024/05） - 年化收益率：28.00%[6][10] - 年化波动率：9.66%[6][10] - 信息比率（IR）：2.90[6][10] - 月度胜率：80.65%[6][10] - 最大回撤率：5.13%[6][10] 2. 回测期内分组测试效果（2014/01-2020/07） - 月度 IC 均值：-0.059[1] - 月度 RankIC 均值：-0.074[1] - 年化 ICIR：-4.19[1] - 年化 RankICIR：-4.23[1] - 5 分组多空对冲年化收益率：21.32%[1] - 5 分组多空对冲年化波动率：5.84%[1] - 5 分组多空对冲信息比率（IR）：3.65[1] - 5 分组多空对冲月度胜率：83.12%[1] - 5 分组多空对冲最大回撤率：2.18%[1] 3. 剔除风格和行业干扰后的效果 - 年化 ICIR：-3.17[1] - 全市场 5 分组多空对冲年化收益率：12.96%[1] - 全市场 5 分组多空对冲信息比率（IR）：2.61[1] - 全市场 5 分组多空对冲月度胜率：75.32%[1] - 全市场 5 分组多空对冲最大回撤率：1.22%[1] 4. 2024 年 5 月份表现 - 10 分组多头组合收益率：-4.29%[9] - 10 分组空头组合收益率：-1.86%[9] - 10 分组多空对冲收益率：-2.43%[9]

量化模型与构建方式 PB-ROE-50 策略 - **模型名称**：PB-ROE-50 策略 - **模型构建思路**：寻找市场中的预期差，同时叠加超预期因子增强组合收益[2][41] - **模型具体构建过程**： - 以 Wilcox（1984）推导出的 PB-ROE 定价模型为基础得到预期差股票池 - 选择 SUE、ROE 同比增长等因子精选 50 只股票构造出 PB-ROE-50 组合[41] - **模型评价**：该策略在各股票池中均出现回撤，基于中证 500、800 和全市场股票池的超额收益分别为-0.17%、-0.46% 和-0.54%[2][41] 机构调研策略 - **模型名称**：机构调研策略 - **模型构建思路**：通过公募调研和知名私募调研挖掘超额 alpha[2][51] - **模型具体构建过程**： - 根据机构调研数据，通过上市公司被调研次数和被调研前股票相对于基准的涨跌幅进行选股[51] - **模型评价**：公募调研选股策略和私募调研跟踪策略在 5 月份均出现回撤，分别相对中证 800 获取超额收益-1.73% 和-0.69%[2][51] 模型的回测效果 PB-ROE-50 策略 - **中证 500**：今年以来超额收益率 11.70%，上月超额收益率 -0.17%，今年以来绝对收益率 8.31%，上月绝对收益率 -1.68%[45] - **中证 800**：今年以来超额收益率 8.18%，上月超额收益率 -0.46%，今年以来绝对收益率 4.90%，上月绝对收益率 -1.97%[45] - **全市场**：今年以来超额收益率 3.41%，上月超额收益率 -0.54%，今年以来绝对收益率 0.28%，上月绝对收益率 -2.04%[45] 机构调研策略 - **公募调研选股**：今年以来超额收益率 -11.51%，上月超额收益率 -1.73%，今年以来绝对收益率 -9.24%，上月绝对收益率 -2.85%[52] - **私募调研跟踪**：今年以来超额收益率 -22.99%，上月超额收益率 -0.69%，今年以来绝对收益率 -21.01%，上月绝对收益率 -1.82%[52] 量化因子与构建方式 上涨家数占比情绪指标 - **因子名称**：上涨家数占比情绪指标 - **因子的构建思路**：通过计算指数成分股的近期正收益的个数来判断市场情绪[25] - **因子具体构建过程**： - 计算方法：沪深 300 指数 N 日上涨家数占比 = 沪深 300 指数成分股过去 N 日收益大于 0 的个股数占比[25] - 指标值处理及开平仓信号应用：N=230，N1=50，N2=35，当快线大于慢线时，看多市场[26][28] - **因子评价**：该指标可以较快捕捉上涨机会，但在对下跌市场的判断存在缺陷，难以有效规避下跌风险[25] 均线情绪指标 - **因子名称**：均线情绪指标 - **因子的构建思路**：通过八均线体系的使用方式判断标的指数的趋势状态[33] - **因子具体构建过程**： - 计算方法：计算沪深 300 收盘价八均线数值，均线参数为 8，13，21，34，55，89，144，233[33] - 指标值处理及开平仓信号应用：当日沪深 300 指数收盘价大于八均线指标值的数量超过 5 时，看多沪深 300 指数[37] - **因子评价**：短期内沪深 300 指数处于情绪非景气区间[33] 因子的回测效果 上涨家数占比情绪指标 - **沪深 300 指数**：当前正处于情绪景气区间[26] 均线情绪指标 - **沪深 300 指数**：短期内处于情绪非景气区间[33]

量化模型与构建方式 1. 股债横截面策略 - **模型名称**：股债横截面策略 - **模型构建思路**：在金融期货盘面内，运用多策略模型择优配置合约，实现净值稳定增长 - **模型具体构建过程**： - 短周期模型聚焦于市场风格、外部因素、资金面三大高频金融数据板块 - 长周期模型关注市场预期，聚焦于宏观经济数据等低频指标 - 从高维数据中选出有效且相对独立的因子，依照主观分析框架，建立具有样本外泛化能力的模型 - 持仓量主要是考虑机构多空单持仓量进行合成[16] - **模型评价**：模型通过多策略和多因子分析，能够较好地捕捉市场变化，具有较强的泛化能力[16] 2. 国债期货跨品种套利策略 - **模型名称**：国债期货跨品种套利策略 - **模型构建思路**：基于基本面三因子模型与趋势回归模型产生的信号共振 - **模型具体构建过程**： - 基本面因子采用Nelson和Siegel提出的瞬时远期利率函数，将利率期限结构分解为水平、斜率和曲率三个部分 - 使用PCA主成分分析、最大方差化因子旋转法结合logistic回归构建三因子模型 - 信号分为三类：'1'即利差较大可能降低，'0'即利差变动趋势不确定或维持振荡，'-1'即利差较大可能上升 - 运用趋势回归模型过滤信号，产生共振时交易 - 实际操作中采用久期中性配比调整10-5Y价差，即1:1.8的比例 - 公式为： $$ \mathbf{R}(t)=\beta_{0}+\beta_{1}\frac{1-e^{-t/\tau}}{t/\tau}+\beta_{2}\left(\frac{1-e^{-t/\tau}}{t/\tau}-e^{-t/\tau}\right) $$ - **模型评价**：该模型通过多种方法结合，能够灵活拟合不同周期的收益率曲线，具有较高的灵活度和准确性[22] 模型的回测效果 股债横截面策略 - **区间收益**： - 近1周：-0.02% - 近1月：0.65% - 近3月：3.2% - 近6月：4.87% - 近1年：7.42% - 近3年：24.82%[21] - **区间最大回撤**： - 近1周：0.22% - 近1月：0.48% - 近3月：0.48% - 近6月：0.48% - 近1年：0.83% - 近3年：3.08%[21] 国债期货跨品种套利策略 - **N-S模型信号**： - 2024/5/27：-1 - 2024/5/28：0 - 2024/5/29：0 - 2024/5/30：0 - 2024/5/31：-1[25] - **趋势回归模型信号**： - 2024/5/27：0 - 2024/5/28：0 - 2024/5/29：0 - 2024/5/30：0 - 2024/5/31：0[25] 量化因子与构建方式 1. 宏观基本面中高频因子 - **因子名称**：宏观基本面中高频因子 - **因子的构建思路**：通过高频数据反映经济动能、通胀、流动性等方面的变化 - **因子具体构建过程**： - 经济动能因子：包括高炉开工率、PTA开工率、炼油厂开工率、汽车轮胎开工率、涤纶长丝开工率等[2] - 通胀因子：包括菜篮子产品批发价格指数、中信行业指数、市场价、南华苯乙烯指数、液化天然气到岸价、复合肥指数、天然橡胶结算价等[3] - 流动性因子：包括DR007、DR001、GC001、GC007、SHIBOR、美元指数、同业存单收益率等[4] - **因子评价**：这些因子能够较全面地反映市场的经济动能、通胀和流动性情况，对市场走势有较好的预测能力[2][3][4] 因子的回测效果 宏观基本面中高频因子 - **经济动能因子**： - 高炉开工率：股指移动相关性0.72，国债移动相关性-0.74 - PTA开工率：股指移动相关性0.52，国债移动相关性-0.48 - 炼油厂开工率：股指移动相关性0.04，国债移动相关性0.00 - 汽车轮胎开工率：股指移动相关性0.40，国债移动相关性-0.42 - 涤纶长丝开工率：股指移动相关性-0.71，国债移动相关性0.79[2] - **通胀因子**： - 菜篮子产品批发价格指数：股指移动相关性-0.03，国债移动相关性-0.12 - 中信行业指数：股指移动相关性-0.33，国债移动相关性0.41 - 市场价：股指移动相关性-0.62，国债移动相关性0.67 - 南华苯乙烯指数：股指移动相关性-0.64，国债移动相关性0.70 - 液化天然气到岸价：股指移动相关性0.75，国债移动相关性-0.74 - 复合肥指数：股指移动相关性0.79，国债移动相关性-0.88 - 天然橡胶结算价：股指移动相关性-0.51，国债移动相关性0.64[3] - **流动性因子**： - DR007：股指移动相关性0.32，国债移动相关性-0.21 - DR001：股指移动相关性0.22，国债移动相关性-0.09 - GC001：股指移动相关性0.10，国债移动相关性-0.08 - GC007：股指移动相关性0.10，国债移动相关性-0.07 - SHIBOR隔夜：股指移动相关性0.23，国债移动相关性-0.11 - SHIBOR1周：股指移动相关性0.43，国债移动相关性-0.33 - 美元指数：股指移动相关性-0.57，国债移动相关性0.56 - 同业存单收益率：股指移动相关性0.40，国债移动相关性-0.31[4]

量化模型与构建方式 1. 模型名称：预期高股息组合 - **模型构建思路**： 通过两阶段构建预期股息率指标，第一阶段基于年报公告的利润分配情况计算股息率，第二阶段结合历史分红与基本面指标预测股息率。随后利用反转因子与盈利因子作为辅助筛选条件，从沪深300成份股中优选出股票，最终构建预期高股息组合[3][10][16] - **模型具体构建过程**： 1. 剔除停牌及涨停的沪深300成份股，形成初步待选股票池[15] 2. 剔除股票池中短期动量最高的20%股票（即21日累计涨幅最高的20%个股）[15] 3. 剔除股票池中盈利下滑的个股（即单季度净利润同比增长率小于0的股票）[15] 4. 在剩余股票中，按预期股息率排序，选取预期股息率最高的30只个股，等权构建组合[11] - **模型评价**： 该模型通过结合股息率、反转因子和盈利因子，能够有效筛选出高股息率且基本面较好的股票，具有较强的逻辑性和实用性[3][10] --- 模型的回测效果 1. 预期高股息组合 - **累计收益**：266.62%[12] - **累计超额收益**：88.03%[12] - **年化超额收益**：7.63%[12] - **超额收益的滚动一年最大回撤**：9.43%[12] - **月度超额胜率**：60.19%[12] --- 量化因子与构建方式 1. 因子名称：预期股息率因子 - **因子的构建思路**： 通过年报公告的利润分配情况计算股息率，并结合历史分红与基本面指标对股息率进行预测，最终形成预期股息率因子[3][10][16] - **因子具体构建过程**： 1. 根据年报公告的利润分配情况，计算股息率[10] 2. 利用历史分红数据与基本面指标（如盈利能力等），对未来股息率进行预测[10] 2. 因子名称：反转因子 - **因子的构建思路**： 反转因子用于捕捉短期内股价的回调趋势，作为辅助筛选条件[3][10][16] - **因子具体构建过程**： 1. 计算股票的短期动量（如21日累计涨幅）[15] 2. 剔除短期动量最高的20%股票[15] 3. 因子名称：盈利因子 - **因子的构建思路**： 盈利因子用于衡量企业盈利能力的变化，作为辅助筛选条件[3][10][16] - **因子具体构建过程**： 1. 计算单季度净利润同比增长率[15] 2. 剔除单季度净利润同比增长率小于0的股票[15] --- 因子的回测效果 1. 预期股息率因子 - **累计收益**：266.62%[12] - **累计超额收益**：88.03%[12] - **年化超额收益**：7.63%[12] - **超额收益的滚动一年最大回撤**：9.43%[12] - **月度超额胜率**：60.19%[12] 2. 反转因子 - **辅助筛选效果**：剔除了短期动量最高的20%股票，降低了组合的短期波动性[15] 3. 盈利因子 - **辅助筛选效果**：剔除了盈利下滑的个股，提升了组合的基本面质量[15]

量化因子与构建方式 1. 因子名称：SUR（单季度超预期幅度因子） - **因子的构建思路**：衡量公司单季度业绩相较市场预期的超额表现，反映公司盈利能力的超预期程度[3][27] - **因子具体构建过程**：通过对公司单季度财报数据与市场一致预期数据进行对比，计算超预期幅度，公式为： $ SUR = \frac{实际值 - 预期值}{预期值} $ 其中，实际值为公司单季度财报披露的关键指标（如净利润），预期值为市场一致预期值[3][27] - **因子评价**：最近一个月表现较好，说明该因子在短期内对选股有一定的有效性[3][27] 2. 因子名称：EPTTM（滚动市盈率因子） - **因子的构建思路**：通过滚动市盈率（TTM）衡量公司估值水平，反映市场对公司未来盈利能力的预期[3][27] - **因子具体构建过程**：以公司最近四个季度的净利润总和为分母，当前市值为分子，计算滚动市盈率，公式为： $ EPTTM = \frac{市值}{最近四个季度净利润总和} $ 其中，市值为当前股票总市值，净利润为公司财报披露的季度数据[3][27] - **因子评价**：最近一个月和今年以来均表现较好，说明该因子在不同时间窗口下均具备一定的选股能力[3][27] 3. 因子名称：预期股息率因子 - **因子的构建思路**：通过预期股息率衡量公司未来分红能力，反映公司对股东回报的潜力[3][27] - **因子具体构建过程**：以市场对公司未来一年分红的预期金额为分子，当前股价为分母，计算预期股息率，公式为： $ 预期股息率 = \frac{预期分红金额}{当前股价} $ 其中，预期分红金额为市场一致预期值，当前股价为公司最新交易价格[3][27] - **因子评价**：最近一个月表现较好，说明该因子在短期内对选股有一定的有效性[3][27] 4. 因子名称：分析师净上调幅度因子 - **因子的构建思路**：通过分析师对公司盈利预测的上调幅度，反映市场对公司未来业绩的乐观程度[3][27] - **因子具体构建过程**：以分析师对公司未来盈利预测的上调幅度为基础，计算净上调幅度，公式为： $ 分析师净上调幅度 = \frac{上调预测值 - 下调预测值}{总预测值} $ 其中，上调预测值和下调预测值分别为分析师对公司盈利预测的上调和下调部分[3][27] - **因子评价**：今年以来表现较好，说明该因子在中长期内对选股有一定的有效性[3][27] 5. 因子名称：剥离涨停动量因子 - **因子的构建思路**：通过剥离涨停效应后的动量因子，衡量股票价格的持续上涨趋势[3][27] - **因子具体构建过程**：剔除涨停日对股票收益率的影响后，计算剩余收益率的动量效应，公式为： $ 剥离涨停动量 = \frac{剔除涨停日收益率的累计值}{时间窗口} $ 其中，剔除涨停日收益率为股票在非涨停日的收益率[3][27] - **因子评价**：今年以来表现较好，说明该因子在中长期内对选股有一定的有效性[3][27] 6. 因子名称：总市值因子 - **因子的构建思路**：通过公司总市值衡量其规模效应，反映市场对公司整体价值的评估[3][27] - **因子具体构建过程**：以公司当前股价乘以总股本，计算总市值，公式为： $ 总市值 = 当前股价 \times 总股本 $ 其中，当前股价为公司最新交易价格，总股本为公司已发行的股票总数[3][27] - **因子评价**：今年以来表现较差，说明该因子在中长期内对选股的有效性较弱[3][27] 7. 因子名称：日内收益率因子 - **因子的构建思路**：通过日内收益率衡量股票的短期波动性，反映市场对股票的短期情绪[3][27] - **因子具体构建过程**：以股票日内开盘价和收盘价的差值为基础，计算日内收益率，公式为： $ 日内收益率 = \frac{收盘价 - 开盘价}{开盘价} $ 其中，收盘价和开盘价分别为股票当日的交易价格[3][27] - **因子评价**：最近一个月和今年以来均表现较差，说明该因子在不同时间窗口下对选股的有效性较弱[3][27] 8. 因子名称：盈余公告后跳空超额因子 - **因子的构建思路**：通过公司盈余公告后股价的跳空幅度，衡量市场对公司业绩公告的反应[3][27] - **因子具体构建过程**：以公司盈余公告后首个交易日的开盘价和前一交易日的收盘价为基础，计算跳空幅度，公式为： $ 盈余公告后跳空超额 = \frac{公告日开盘价 - 前一日收盘价}{前一日收盘价} $ 其中，公告日开盘价为公司盈余公告后首个交易日的开盘价格[3][27] - **因子评价**：今年以来表现较差，说明该因子在中长期内对选股的有效性较弱[3][27] --- 因子的回测效果 最近一个月表现较好的因子 - SUR因子，表现较好[3][27] - EPTTM因子，表现较好[3][27] - 预期股息率因子，表现较好[3][27] 最近一个月表现较差的因子 - 单季度超预期幅度因子，表现较差[3][27] - 日内收益率因子，表现较差[3][27] - 单季度净利润增速因子，表现较差[3][27] 今年以来表现较好的因子 - 分析师净上调幅度因子，表现较好[3][27] - 剥离涨停动量因子，表现较好[3][27] - EPTTM因子，表现较好[3][27] 今年以来表现较差的因子 - 总市值因子，表现较差[3][27] - 日内收益率因子，表现较差[3][27] - 盈余公告后跳空超额因子，表现较差[3][27]

- 本周A股市场整体呈现震荡调整主基调，沪指围绕3100点波动，市场交投活跃度清淡，热点板块快速轮动，行业轮动强度有所抬升[7][8][12] - 受MSCI中国指数调整影响，部分个股在周五尾盘集合竞价出现异动，市场流动性较弱，成交量较低难以支撑热点行情持续性[7][12] - 基本面层面，5月中国官方制造业PMI回落至49.5%，景气度落入收缩区间，对市场情绪产生一定影响[7] - 当前市场估值处于相对合理水平，政策发力为市场提供一定底部支持，指数下行空间有限[7]

量化因子与构建方式 1. 因子名称：势能因子 - **因子的构建思路**：通过分析过去一段时间内个股的走势形态，筛选出表现较好的个股，并对其行业占比进行排序，进而判断行业的相对强弱[2][10] - **因子具体构建过程**： 1. 选取过去7个交易日的个股数据 2. 计算不同行业中走势形态较好的个股占比 3. 对行业占比进行排序，得出军工、电子、计算机、煤炭、汽车、机械设备、通信、公用事业等行业的占比相对较高[2][10] 4. 结合过去20个交易日的赚钱效应和温度计指标，进一步筛选出未来可能具有更高热度和机会的行业[2][10] - **因子评价**：该因子能够较好地捕捉短期市场中行业的相对强弱，但需要结合其他指标（如量价性价比）进行进一步验证[2][10] 2. 因子名称：量价性价比因子 - **因子的构建思路**：通过量价关系和性价比的综合分析，评估行业的投资吸引力，筛选出具有较高性价比的行业[2][10] - **因子具体构建过程**： 1. 计算行业的量价指标（具体指标未明确） 2. 结合性价比分析，筛选出未来可能具有更高热度和机会的行业[2][10] - **因子评价**：该因子能够从量价和性价比的角度提供投资参考，但具体构建细节未完全披露[2][10] 量化模型与构建方式 1. 模型名称：行业四轮驱动模型 - **模型构建思路**：通过多维度信号的综合分析，捕捉行业轮动机会，筛选出潜在的投资方向[2][10][17] - **模型具体构建过程**： 1. 结合模型既有规则，分析行业的信号变化 2. 新增信号的行业包括有色金属、通信、电子、传媒、计算机等[2][10][17] 3. 信号类型包括“随钱效应异动”“弱势行业反转”“强势上涨中继”等[17] - **模型评价**：该模型能够较好地捕捉行业轮动中的潜在机会，但信号的具体计算方法未披露[2][10][17] 因子的回测效果 1. **势能因子**：过去7个交易日中，军工、电子、计算机、煤炭、汽车、机械设备、通信、公用事业的占比相对较高[2][10] 2. **量价性价比因子**：煤炭和公用事业的赚钱效应和温度计指标偏高，但未来新质生产力方向的热度和机会可能更值得关注[2][10] 模型的回测效果 1. **行业四轮驱动模型**：新增信号的行业包括有色金属、通信、电子、传媒、计算机等，信号类型包括“随钱效应异动”“弱势行业反转”“强势上涨中继”等[2][10][17]