量化市场因子表现 - 本周残差波动率因子和杠杆因子获得正收益，分别为0.50%和0.36%，而beta因子、规模因子和动量因子表现不佳，收益分别为-1.10%、-0.92%和-0.70%，市场呈现小市值风格占优和显著反转效应 [4] - 在沪深300股票池中，大单净流入因子、市盈率因子和5日成交量标准差表现领先，收益分别为1.63%、1.50%和1.40%，而单季度营业利润同比增长率、5日反转和总资产增长率因子表现落后，收益分别为-1.67%、-1.83%和-2.26% [5] - 在中证500股票池中，下行波动率占比、大单净流入和市净率因子表现较好，收益分别为2.64%、2.22%和2.09%，总资产增长率、早盘后收益因子和动量弹簧因子表现较差，收益分别为-0.37%、-0.78%和-1.00% [5] - 在流动性1500股票池中，对数市值因子、日内波动率与成交金额的相关性和下行波动率占比表现领先，收益分别为1.76%、1.52%和1.38%，而ROE稳定性、总资产增长率和ROA稳定性因子表现落后，收益分别为-1.76%、-1.94%和-2.08% [5] 因子行业内表现 - 本周净资产增长率因子在钢铁行业表现较好，但在多数其他行业表现较差，净利润增长率因子在综合行业表现较好 [6] - 每股净资产因子和每股经营利润TTM因子在各行业普遍表现欠佳 [6] - 5日动量因子在综合、煤炭、电气设备行业呈现明显动量效应，而在石油石化、美容护理行业呈现反转效应，1月动量因子在综合、煤炭、纺织服装行业有动量效应，在石油石化行业有反转效应 [6] - 估值类因子中，BP因子在房地产行业表现较好，EP因子在多数行业表现不佳，对数市值因子在钢铁行业表现较好，残差波动率因子和流动性因子在综合、煤炭行业表现较好 [6][7] 投资组合策略跟踪 - 本周PB-ROE-50组合超额收益出现回撤，在中证500、中证800和全市场股票池中的超额收益分别为-0.23%、-0.98%和-1.39% [8] - 公募调研选股策略和私募调研跟踪策略获得正超额收益，相对于中证800的超额收益分别为1.82%和1.06% [9] - 大宗交易组合和定向增发组合均获得正超额收益，相对于中证全指的超额收益分别为2.39%和2.16% [10][11]

根据研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 Barra风格因子 **1 因子名称：Beta** **因子构建思路：** 衡量股票相对于市场的系统性风险[15] **因子具体构建过程：** 采用历史beta值进行计算[15] **2 因子名称：市值** **因子构建思路：** 衡量公司规模大小[15] **因子具体构建过程：** 对总市值取自然对数[15] $$市值 = ln(总市值)$$ **3 因子名称：动量** **因子构建思路：** 衡量股票价格趋势[15] **因子具体构建过程：** 计算历史超额收益率序列的均值[15] **4 因子名称：波动** **因子构建思路：** 综合衡量股票价格波动特征[15] **因子具体构建过程：** 采用加权组合方式计算波动率[15] $$波动 = 0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$ **5 因子名称：非线性市值** **因子构建思路：** 捕捉市值因子的非线性效应[15] **因子具体构建过程：** 对市值风格进行三次方变换[15] $$非线性市值 = 市值^3$$ **6 因子名称：估值** **因子构建思路：** 衡量股票估值水平[15] **因子具体构建过程：** 采用市净率的倒数[15] $$估值 = \frac{1}{市净率}$$ **7 因子名称：流动性** **因子构建思路：** 衡量股票交易活跃程度[15] **因子具体构建过程：** 采用不同时间窗口换手率的加权组合[15] $$流动性 = 0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$ **8 因子名称：盈利** **因子构建思路：** 综合衡量公司盈利能力[15] **因子具体构建过程：** 采用多种盈利指标的加权组合[15] $$盈利 = 0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率TTM倒数$$ **9 因子名称：成长** **因子构建思路：** 衡量公司成长性[15] **因子具体构建过程：** 综合多种增长指标的加权组合[15] $$成长 = 0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$ **10 因子名称：杠杆** **因子构建思路：** 衡量公司财务杠杆水平[15] **因子具体构建过程：** 采用多种杠杆指标的加权组合[15] $$杠杆 = 0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$ GRU模型因子 **11 因子名称：barra1d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对市场数据进行建模，输入特征包含Barra风格因子，预测周期为1天[4][8] **12 因子名称：barra5d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对市场数据进行建模，输入特征包含Barra风格因子，预测周期为5天[4][8] **13 因子名称：open1d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对开盘价相关数据进行建模，预测周期为1天[4][8] **14 因子名称：close1d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对收盘价相关数据进行建模，预测周期为1天[4][8] **15 因子名称：多因子组合** **因子构建思路：** 综合多个因子的复合策略[8] **因子具体构建过程：** 将多个单一因子进行组合配置，形成综合性的多因子策略[8] 因子的回测效果 Barra风格因子多空收益表现（全市场） | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | |---------|---------|---------|---------|----------|----------|----------| | 动量 | 3.49% | -6.50% | -22.13% | -14.88% | -18.33% | -17.11% | | Beta | 2.21% | -7.75% | 6.80% | 28.44% | 9.16% | 19.67% | | 波动 | 1.90% | -3.76% | -12.86% | 6.09% | 8.66% | -11.40% | | 流动性 | 1.67% | 46.39% | 8.56% | 8.77% | 20.41% | 25.21% | | 市值 | 0.45% | -6.89% | -12.57% | -39.47% | -41.79% | -34.81% | | 非线性市值 | 0.28% | -6.47% | -12.98% | -34.37% | -39.42% | -30.77% | | 成长 | 0.22% | 2.03% | 2.39% | 0.89% | -9.61% | 4.14% | | 盈利 | 1.43% | 3.55% | 7.94% | 14.39% | 3.18% | 1.16% | | 杠杆 | 2.13% | 4.08% | -4.92% | 16.59% | 6.54% | 1.95% | | 估值 | 3.52% | 6.78% | 0.22% | 4.37% | 16.82% | 16.61% | GRU模型多头组合超额收益表现 | 策略因子名称 | 近一周 | 近一月 | 近三月 | 近六月 | 今年以来 | |-------------|-------|-------|-------|-------|----------| | open1d | 0.32% | 1.81% | -0.69% | 1.36% | 6.02% | | close1d | 1.41% | 4.17% | -1.73% | 2.27% | 4.33% | | barra1d | -0.34% | -0.65% | 0.92% | 1.80% | 4.71% | | barra5d | 1.44% | 5.42% | -0.50% | 2.74% | 7.34% | | 多因子 | 0.57% | 2.54% | -0.60% | -0.01% | 0.89% |

量化市场跟踪：大类因子表现 - 全市场股票池中估值因子获取正收益0.40% [4] - 市值因子和非线性市值因子分别获取负收益-0.72%和-0.40% 显示市场为小市值风格 [4] - 动量因子和Beta因子分别获取负收益-0.79%和-0.43% 市场表现为反转效应 [4] 量化市场跟踪：单因子表现 - 沪深300股票池中表现较好的因子有市盈率TTM倒数(3.05%)、市盈率因子(2.30%)、市净率因子(2.06%) [5] - 沪深300股票池中表现较差的因子有总资产毛利率TTM(-2.11%)、总资产增长率(-1.80%)、单季度总资产毛利率(-1.58%) [5] - 中证500股票池中表现较好的因子有市盈率TTM倒数(2.71%)、市净率因子(2.07%)、市盈率因子(1.74%) [5] - 中证500股票池中表现较差的因子有总资产毛利率TTM(-2.13%)、单季度总资产毛利率(-2.02%)、单季度ROA同比(-1.50%) [5] - 流动性1500股票池中表现较好的因子有市盈率TTM倒数(1.74%)、市盈率因子(1.68%)、市净率因子(1.34%) [5] - 流动性1500股票池中表现较差的因子有早盘后收益因子(-3.00%)、毛利率TTM(-2.64%)、单季度总资产毛利率(-2.50%) [5] 量化市场跟踪：因子行业内表现 - 基本面因子在各行业表现分化 净资产增长率因子、净利润增长率因子、每股净资产因子、每股经营利润TTM因子在石油石化行业均获取正收益 [6] - 估值类因子中BP因子表现良好 在多数行业获取正收益 [6] - 残差波动率因子和流动性因子在综合行业正收益明显 [6] - 市值风格上本周多数行业小市值风格显著 [6] 投资组合跟踪：PB-ROE-50组合 - 本周PB-ROE-50组合在中证500和中证800股票池中获取正超额收益 [7] - 中证500股票池中获得超额收益1.00% [7] - 中证800股票池中获得超额收益0.48% [7] - 全市场股票池中获得超额收益-2.00% [7] 投资组合跟踪：机构调研组合 - 本周私募调研跟踪策略获取负超额收益 [8] - 公募调研选股策略相对中证800获得超额收益0.00% [8] - 私募调研跟踪策略相对中证800获得超额收益-1.96% [8] 投资组合跟踪：大宗交易组合 - 本周大宗交易组合相对中证全指获取正超额收益1.08% [9] 投资组合跟踪：定向增发组合 - 本周定向增发组合相对中证全指获取正超额收益1.93% [10]

量化模型与构建方式 1 PB-ROE-50 组合 - **模型名称**：PB-ROE-50 组合[23] - **模型构建思路**：基于市净率（PB）和净资产收益率（ROE）两个基本面指标进行选股，旨在挑选出估值合理且盈利能力强的股票[23] - **模型具体构建过程**：该组合的具体构建过程未在报告中详细阐述，但明确指出其核心是结合PB和ROE指标进行选股[23] 2 机构调研组合 - **模型名称**：机构调研组合[25] - **模型构建思路**：根据公募基金和私募基金的调研活动来构建选股策略，跟踪机构调研行为以挖掘潜在投资机会[25] - **模型具体构建过程**：报告提及了公募调研选股策略和私募调研跟踪策略，但未详细说明其具体的构建步骤和规则[25] 3 大宗交易组合 - **模型名称**：大宗交易组合[29] - **模型构建思路**：基于“高成交、低波动”原则，通过分析大宗交易数据来构建选股组合，认为大宗交易背后蕴含超额信息[29] - **模型具体构建过程**：组合根据“大宗交易成交金额比率”越高、“6日成交金额波动率”越低的准则进行月频调仓[29] 具体构建方法可参考2023年8月5日的报告《提炼大宗交易背后蕴含的超额信息——量化选股系列报告之十一》[29] 4 定向增发组合 - **模型名称**：定向增发组合[35] - **模型构建思路**：以定向增发事件作为驱动，在再融资政策收紧的背景下，分析定增事件效应并构建投资组合[35] - **模型具体构建过程**：以股东大会公告日为时间节点，综合考虑市值因素、调仓周期以及仓位控制来构造组合[35] 具体方法详见2023年11月26日报告《多角度解析定向增发中的投资机会——量化选股系列报告之十二》[35] 模型的回测效果 1 PB-ROE-50 组合业绩表现 - **中证500股票池**：本周超越基准收益率1.00%，今年以来超额收益率3.16%，本周绝对收益率0.96%，今年以来绝对收益率32.03%[24] - **中证800股票池**：本周超越基准收益率0.48%，今年以来超额收益率16.96%，本周绝对收益率1.07%，今年以来绝对收益率41.77%[24] - **全市场股票池**：本周超越基准收益率-2.00%，今年以来超额收益率19.87%，本周绝对收益率-1.38%，今年以来绝对收益率48.96%[24] 2 机构调研组合业绩表现 - **公募调研选股策略**：本周超越基准收益率0.00%，今年以来超额收益率12.56%，本周绝对收益率0.58%，今年以来绝对收益率36.44%[26] - **私募调研跟踪策略**：本周超越基准收益率-1.96%，今年以来超额收益率15.09%，本周绝对收益率-1.38%，今年以来绝对收益率39.50%[26] 3 大宗交易组合业绩表现 - **大宗交易组合**：本周超越基准收益率1.08%，今年以来超额收益率36.00%，本周绝对收益率1.71%，今年以来绝对收益率69.00%[30] 4 定向增发组合业绩表现 - **定向增发组合**：本周超越基准收益率1.93%，今年以来超额收益率-2.27%，本周绝对收益率2.57%，今年以来绝对收益率21.45%[36] 量化因子与构建方式 1 大类因子 - **估值因子**：本周在全市场股票池中获取正收益0.40%[18] - **市值因子**：本周在全市场股票池中获取负收益-0.72%，市场表现为小市值风格[18] - **非线性市值因子**：本周在全市场股票池中获取负收益-0.40%[18] - **动量因子**：本周在全市场股票池中获取负收益-0.79%，市场表现为反转效应[18] - **Beta因子**：本周在全市场股票池中获取负收益-0.43%[18] 2 单因子（列举部分） 报告在沪深300、中证500和流动性1500股票池中跟踪了大量单因子的表现[12][14][16] 因子方向包括正向和负向，收益为剔除行业与市值影响后多头组合相对于基准指数的超额收益[12] 例如市盈率TTM倒数、市净率因子、总资产毛利率TTM等[13][15][17] 因子的回测效果 1 沪深300股票池因子表现（部分因子） - **市盈率TTM倒数**：最近1周收益3.05%，最近1月收益8.84%，最近1年收益5.38%，最近10年收益58.36%[13] - **市盈率因子**：最近1周收益2.30%，最近1月收益6.90%，最近1年收益-5.53%，最近10年收益18.98%[13] - **市净率因子**：最近1周收益2.06%，最近1月收益5.65%，最近1年收益-4.89%，最近10年收益34.98%[13] - **总资产毛利率TTM**：最近1周收益-2.11%，最近1月收益-5.93%，最近1年收益7.00%，最近10年收益-15.93%[13] 2 中证500股票池因子表现（部分因子） - **市盈率TTM倒数**：最近1周收益2.71%，最近1月收益7.16%，最近1年收益-0.03%，最近10年收益45.90%[15] - **市净率因子**：最近1周收益2.07%，最近1月收益4.41%，最近1年收益-6.49%，最近10年收益48.83%[15] - **市盈率因子**：最近1周收益1.74%，最近1月收益5.59%，最近1年收益-2.56%，最近10年收益25.32%[15] - **总资产毛利率TTM**：最近1周收益-2.13%，最近1月收益-4.89%，最近1年收益0.13%，最近10年收益17.65%[15] 3 流动性1500股票池因子表现（部分因子） - **市盈率TTM倒数**：最近1周收益1.74%，最近1月收益3.82%，最近1年收益-0.37%，最近10年收益59.73%[17] - **市盈率因子**：最近1周收益1.68%，最近1月收益3.19%，最近1年收益-3.03%，最近10年收益41.51%[17] - **市净率因子**：最近1周收益1.34%，最近1月收益4.18%，最近1年收益-4.58%，最近10年收益77.40%[17] - **早盘后收益因子**：最近1周收益-3.00%，最近1月收益-1.10%，最近1年收益12.49%，最近10年收益69.92%[17]

根据研报内容，现总结如下： 量化模型与构建方式 1. **模型名称：三维择时框架**[7][12] * **模型构建思路**：通过监控市场分歧度、流动性和景气度三个维度的变化趋势，对市场整体走势进行判断[7] * **模型具体构建过程**：模型基于三个核心指标： * 市场分歧度指数：反映市场参与者观点的差异程度[11][16] * 市场流动性指数：反映市场资金面的宽松程度[17] * A股景气度指数2.0：反映上市公司基本面的景气状况[7][19] 通过观察这三个指标的趋势（上升或下降）组合，形成对市场状态的综合判断[7][12] 2. **模型名称：ETF热点趋势策略**[25] * **模型构建思路**：根据ETF价格的上涨形态和短期市场关注度的提升，筛选出具有趋势性机会的ETF构建投资组合[25] * **模型具体构建过程**： * 第一步：筛选出最高价与最低价同时呈现上涨形态的ETF[25] * 第二步：计算支撑阻力因子，该因子基于最高价与最低价近20日的回归系数的相对陡峭程度[25] * 第三步：在支撑阻力因子的多头组中，选择近5日换手率与近20日换手率比值最高的ETF，即短期关注度明显提升的品种[25] * 第四步：最终选取10只ETF，采用风险平价方法构建组合[25] 3. **模型名称：资金流共振策略**[32][33] * **模型构建思路**：结合融资融券资金流和主动大单资金流，寻找两类资金共同看好的行业进行配置[32][33] * **模型具体构建过程**： * **行业融资融券资金因子构建**： 1. 计算个股的融资净买入减去融券净卖出值[29][33] 2. 对该值进行Barra市值因子中性化处理[33] 3. 在行业层面将中性化后的个股值加总[33] 4. 取最近50日的均值，然后计算其两周环比变化率作为最终因子值[33] * **行业主动大单资金因子构建**： 1. 计算行业的主动大单净流入[33] 2. 对该净流入值进行最近一年成交量的时序中性化处理[33] 3. 取最近10日的均值，并进行排序打分[33] * **策略逻辑**：在主动大单因子打分头部（剔除极端行业）的行业中，剔除融资融券因子同样处于头部的行业（因研究发现其有稳定的负向超额），以提高策略稳定性，最终选出共振行业[33][36] 模型的回测效果 1. **三维择时框架**：模型历史表现展示于图表中，但未提供具体的量化指标数值[14] 2. **ETF热点趋势策略**：策略今年以来表现展示于图表中，但未提供具体的量化指标数值[26] 3. **资金流共振策略**：该策略自2018年以来，费后年化超额收益为13.5%，信息比率（IR）为1.7，相对于北向-大单共振策略回撤更小[33]；策略上周实现2.86%的绝对收益和0.19%的超额收益（相对行业等权）[33] 量化因子与构建方式 1. **因子名称：风格因子（Barra系列）**[39][40] * **因子构建思路**：采用Barra框架下的经典风格因子，用于描述股票在不同维度上的风险收益特征[39][40] * **因子具体构建过程**：报告提及了多个Barra风格因子，包括： * Size（规模） * Beta（贝塔） * Momentum（动量） * Volatility（波动率） * Non-Linear Size（非线性规模） * Value（价值） * Liquidity（流动性） * Earnings Yield（盈利收益率） * Growth（成长） * Leverage（杠杆） 报告未详细描述每个因子的具体计算方法，但指出其遵循Barra标准体系[40] 2. **因子名称：Alpha因子**[43][44][45] * **因子构建思路**：构建多样化的选股因子，从不同维度捕捉个股的超额收益来源[43][44][45] * **因子具体构建过程**：报告列举了多个Alpha因子及其简要说明： * `illia`：每天一个亿成交量能推动的股价涨幅[45] * `In volume mean 1m`：近1个月成交量的自然对数均值[45] * `In volume mean 3m`：近3个月成交量的自然对数均值[45] * `In volume std 1m`：近1个月成交量的自然对数标准差[45] * `specific mom1`：一个月残差动量[45] * `stk quantity q`：根据基金年报和半年报披露持股数统计，基金总持股数环比增速[45] * `spread bias`：`-(ln(个股净值) - ln(特征组合净值))`，过去60日标准化，特征组合由过去252日收益率相关系数最高的10只股票等权构成[45] * `reverse 1m`：1个月的收益率（反转因子）[45] * `tot rd ttm to sales`：研发销售收入占比[45] * `rate up 30d`：过去30天上调评级家数[45] * `duvol`：60日上行波动率/下行波动率[45] * `roa q delta report`：单季度ROA同比差值（考虑快报、预估）[45] * 报告还提到其他因子如单季度净利润同比增长（考虑快报、预估）、研发总投入占资产比、`(当前一致预测 np_FY1 - 3个月前一致预测 np_FY1) / |3个月前一致预测 np_FY1|`等[46] 因子的回测效果 1. **风格因子近期表现（最近一周）**[39][40]： * Size: -2.86% * Beta: 3.05% * Momentum: 1.28% * Volatility: -0.03% * Non-Linear Size: -2.62% * Value: -1.90% * Liquidity: 2.06% * Earnings Yield: -2.08% * Growth: -0.12% * Leverage: -0.74% 2. **Alpha因子多头超额收益（近一周）**[44][45]： * `illia`: 1.48% * `In volume mean 1m`: 0.99% * `In volume mean 3m`: 0.94% * `In volume std 1m`: 0.92% * `In volume mean 6m`: 0.91% * `specific mom1`: 0.91% * `In volume std 3m`: 0.90% * `In volume mean 12m`: 0.77% * `In volume std 6m`: 0.77% * `stk quantity q`: 0.71% * `spread bias`: 0.68% * `reverse 1m`: 0.62% * `tot rd ttm to sales`: 0.59% * `volume 1m div 12m`: 0.53% * `rate up 30d`: 0.52% * `specific mom6`: 0.52% * `volume std 1m div 12m`: 0.48% * `duvol`: 0.46% * `roa q delta report`: 0.44%

量化市场跟踪：大类因子表现 - 本周全市场股票池动量因子获取正收益0.43%，市场表现为动量效应 [4] - 本周Beta因子、市值因子、非线性市值因子分别获取负收益-1.50%、-0.91%、-0.54%，市场表现为小市值风格 [4] 量化市场跟踪：单因子表现（沪深300股票池） - 本周表现较好的因子有5日成交量的标准差 (2.12%)、下行波动率占比 (1.78%)、成交量的5日指数移动平均 (1.35%) [5] - 本周表现较差的因子有5日反转(-3.60%)、单季度总资产毛利率 (-3.43%)、单季度ROA (-3.38%) [5] 量化市场跟踪：单因子表现（中证500股票池） - 本周表现较好的因子有市盈率TTM倒数(3.99%)、下行波动率占比 (3.80%)、市盈率因子 (3.17%) [5] - 本周表现较差的因子有5日反转 (-1.95%)、5日平均换手率(-1.17%)、成交量的5日指数移动平均 (-1.15%) [5] 量化市场跟踪：单因子表现（流动性1500股票池） - 本周表现较好的因子有日内波动率与成交金额的相关性(2.27%)、下行波动率占比 (1.80%)、市净率因子(1.51%) [5] - 本周表现较差的因子有单季度EPS (-1.36%)、标准化预期外收入(-1.29%)、5日反转(-1.25%) [5] 量化市场跟踪：因子行业内表现 - 本周基本面因子在非银金融行业正收益较为一致，包括净资产增长率因子、净利润增长率因子、每股净资产因子、每股经营利润TTM因子 [6] - 本周估值类因子中，BP因子和EP因子在家用电器、综合、非银金融行业正收益较为一致 [6] - 本周残差波动率因子和流动性因子在煤炭行业正收益明显 [6] - 本周食品饮料、美容护理、银行行业大市值风格显著 [6] 投资组合跟踪：PB-ROE-50组合 - 本周PB-ROE-50组合在中证500股票池中获取正超额收益0.15% [7] - 本周PB-ROE-50组合在中证800股票池中获得超额收益-1.50% [7] - 本周PB-ROE-50组合在全市场股票池中获得超额收益-2.52% [7] 投资组合跟踪：机构调研组合 - 本周公募调研选股策略相对中证800获得超额收益-0.94% [8] - 本周私募调研跟踪策略相对中证800获得超额收益-4.83% [8] 投资组合跟踪：大宗交易组合 - 本周大宗交易组合相对中证全指获取正超额收益1.56% [9] 投资组合跟踪：定向增发组合 - 本周定向增发组合相对中证全指获取正超额收益1.86% [10]

根据研报内容，以下是关于量化模型、量化因子的总结： 量化模型与构建方式 1. **模型名称：PB-ROE-50 组合**[2][24] **模型构建思路：** 基于市净率（PB）和净资产收益率（ROE）这两个基本面指标进行选股，旨在寻找估值合理且盈利能力强的公司[24] **模型具体构建过程：** 报告未详细描述该组合的具体构建步骤和筛选标准，仅提及组合名称和其跟踪表现[24][25] 2. **模型名称：机构调研组合**[3][26] **模型构建思路：** 基于机构调研行为构建选股策略，包括公募调研选股策略和私募调研跟踪策略，认为机构的调研活动蕴含了选股信息[3][26] **模型具体构建过程：** 报告未详细描述该组合的具体构建步骤和筛选标准[26][27] 3. **模型名称：大宗交易组合**[3][30] **模型构建思路：** 基于大宗交易事件，通过统计分析发现“大宗交易成交金额比率”越高、“6日成交金额波动率”越低的股票后续表现更佳，依据“高成交、低波动”原则构建组合[30] **模型具体构建过程：** 采用月频调仓方式构造大宗交易组合，具体构建方法可参考2023年8月5日的报告《提炼大宗交易背后蕴含的超额信息——量化选股系列报告之十一》[30] 4. **模型名称：定向增发组合**[3][36] **模型构建思路：** 基于定向增发事件，以股东大会公告日为时间节点，挖掘定向增发事件带来的投资机会[36] **模型具体构建过程：** 在构建组合时综合考虑了市值因素、调仓周期以及对仓位的控制，具体构建方法可参考2023年11月26日的报告《多角度解析定向增发中的投资机会——量化选股系列报告之十二》[36] 模型的回测效果 1. **PB-ROE-50 组合**[25] 本周超越基准收益率（中证500）：0.15% 本周超越基准收益率（中证800）：-1.50% 本周超越基准收益率（全市场）：-2.52% 今年以来超额收益率（中证500）：3.60% 今年以来超额收益率（中证800）：15.72% 今年以来超额收益率（全市场）：20.48% 本周绝对收益率（中证500）：-5.02% 本周绝对收益率（中证800）：-4.48% 本周绝对收益率（全市场）：-5.90% 今年以来绝对收益率（中证500）：26.95% 今年以来绝对收益率（中证800）：35.06% 今年以来绝对收益率（全市场）：43.36% 2. **机构调研组合**[27] **公募调研选股策略：** 本周超越基准收益率（中证800）：-0.94% 今年以来超额收益率（中证800）：11.01% 本周绝对收益率：-3.93% 今年以来绝对收益率：29.56% **私募调研跟踪策略：** 本周超越基准收益率（中证800）：-4.83% 今年以来超额收益率（中证800）：13.95% 本周绝对收益率：-7.71% 今年以来绝对收益率：33.00% 3. **大宗交易组合**[31] 本周超越基准收益率（中证全指）：1.56% 今年以来超额收益率（中证全指）：33.14% 本周绝对收益率：-1.96% 今年以来绝对收益率：58.41% 4. **定向增发组合**[37] 本周超越基准收益率（中证全指）：1.86% 今年以来超额收益率（中证全指）：-3.31% 本周绝对收益率：-1.67% 今年以来绝对收益率：15.04% 量化因子与构建方式 1. **因子名称：动量因子**[1][18] **因子构建思路：** 捕捉股票价格的趋势效应[1] **因子具体构建过程：** 报告未提供具体构建公式 2. **因子名称：Beta 因子**[1][18] **因子构建思路：** 衡量股票相对于市场的系统性风险[1] **因子具体构建过程：** 报告未提供具体构建公式 3. **因子名称：市值因子**[1][18] **因子构建思路：** 反映公司规模大小对收益的影响[1] **因子具体构建过程：** 报告未提供具体构建公式，但提及了“对数市值因子”[13][15][17] 4. **因子名称：非线性市值因子**[1][18] **因子构建思路：** 捕捉市值与收益之间的非线性关系[1] **因子具体构建过程：** 报告未提供具体构建公式 5. **因子名称：5日成交量的标准差**[12][13] **因子构建思路：** 衡量近期成交量波动程度[12] **因子具体构建过程：** 报告未提供具体构建公式 6. **因子名称：下行波动率占比**[12][14][16] **因子构建思路：** 衡量下行风险相对于总波动的比例[12][14][16] **因子具体构建过程：** 报告未提供具体构建公式 7. **因子名称：成交量的5日指数移动平均**[12][14] **因子构建思路：** 使用指数移动平均平滑近期成交量，反映成交量趋势[12][14] **因子具体构建过程：** 报告未提供具体构建公式 8. **因子名称：市盈率TTM倒数**[12][14][16] **因子构建思路：** 估值因子，市盈率的倒数，也称为盈利收益率[12][14][16] **因子具体构建过程：** 报告未提供具体构建公式 9. **因子名称：日内波动率与成交金额的相关性**[12][14][16] **因子构建思路：** 捕捉价格波动与成交金额之间的关系[12][14][16] **因子具体构建过程：** 报告未提供具体构建公式 10. **因子名称：市净率因子 (BP因子)**[12][14][16][22] **因子构建思路：** 估值因子，衡量股价与每股净资产的关系[12][14][16][22] **因子具体构建过程：** 报告未提供具体构建公式 11. **因子名称：市盈率因子**[12][14][16] **因子构建思路：** 估值因子，衡量股价与每股收益的关系[12][14][16] **因子具体构建过程：** 报告未提供具体构建公式 12. **因子名称：EPT TM分位点**[13][15][17] **因子构建思路：** 估值因子，可能为盈利价格比在一定时期内的分位数[13][15][17] **因子具体构建过程：** 报告未提供具体构建公式 13. **因子名称：市销率TTM倒数**[13][15][17] **因子构建思路：** 估值因子，市销率的倒数[13][15][17] **因子具体构建过程：** 报告未提供具体构建公式 14. **因子名称：5日反转**[12][14][16] **因子构建思路：** 短期反转效应，近期表现差的股票未来可能反弹[12][14][16] **因子具体构建过程：** 报告未提供具体构建公式 15. **因子名称：5日平均换手率**[14][15] **因子构建思路：** 流动性因子，衡量近期股票交易活跃度[14][15] **因子具体构建过程：** 报告未提供具体构建公式 16. **因子名称：净资产增长率因子**[22] **因子构建思路：** 基本面因子，反映公司净资产的增长情况[22] **因子具体构建过程：** 报告未提供具体构建公式 17. **因子名称：净利润增长率因子**[22] **因子构建思路：** 基本面因子，反映公司净利润的增长情况[22] **因子具体构建过程：** 报告未提供具体构建公式 18. **因子名称：每股净资产因子**[22] **因子构建思路：** 基本面因子，反映公司的账面价值[22] **因子具体构建过程：** 报告未提供具体构建公式 19. **因子名称：每股经营利润TTM因子**[22] **因子构建思路：** 基本面因子，反映公司持续经营业务的盈利能力[22] **因子具体构建过程：** 报告未提供具体构建公式 20. **因子名称：EP因子**[22] **因子构建思路：** 估值因子，盈利价格比[22] **因子具体构建过程：** 报告未提供具体构建公式 21. **因子名称：残差波动率因子**[22] **因子构建思路：** 风险因子，衡量无法被市场因素解释的特有波动[22] **因子具体构建过程：** 报告未提供具体构建公式 22. **因子名称：流动性因子**[22] **因子构建思路：** 衡量股票的变现能力[22] **因子具体构建过程：** 报告未提供具体构建公式 因子的回测效果 *注：报告提供了大量因子在不同股票池和不同时间窗口的表现数据[13][15][17][18][22][23]，由于因子数量众多且指标值列表庞大，此处不逐一罗列每个因子在所有指标下的具体数值。回测效果的具体数值请参考原报告中的对应图表（图1, 图2, 图3, 图4, 图5及相应表格）[13][15][17][20][23]。报告中因子表现的指标主要包括最近1周收益、最近1个月收益、最近1年收益、最近10年收益以及净值曲线等[13][15][17]。*

根据研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. Barra风格因子[14] **因子构建思路**：采用经典的Barra风险模型框架，构建多个维度（如市场、估值、盈利等）的风格因子，用于描述股票的风险收益特征[14] **因子具体构建过程**： - **Beta因子**：历史beta - **市值因子**：总市值取自然对数 - **动量因子**：历史超额收益率序列均值 - **波动因子**：$$0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$ - **非线性市值因子**：市值风格的三次方 - **估值因子**：市净率倒数 - **流动性因子**：$$0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$ - **盈利因子**：$$0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率ttm倒数$$ - **成长因子**：$$0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$ - **杠杆因子**：$$0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$ 2. 技术类因子[19][26][30] **因子构建思路**：基于股价和交易量数据构建动量、波动率等技术指标因子 **因子具体构建过程**： - **20日动量因子**：基于20日价格变化的动量指标 - **60日动量因子**：基于60日价格变化的动量指标 - **120日动量因子**：基于120日价格变化的动量指标 - **20日波动因子**：基于20日价格波动率 - **60日波动因子**：基于60日价格波动率 - **120日波动因子**：基于120日价格波动率 - **中位数离差因子**：价格相对于中位数的偏离程度 3. 基本面因子[22][26][29] **因子构建思路**：基于财务报表数据构建估值、盈利、成长等基本面指标 **因子具体构建过程**： - **估值类因子**：市盈率、市销率等估值指标 - **盈利类因子**：ROE、ROA、营业利润率等盈利能力指标 - **成长类因子**：ROC增长、ROA增长、营业利润增长等成长性指标 - **超预期增长类因子**：ROC超预期增长、ROA超预期增长、净利润超预期增长等 - **静态财务因子**：营业周转率等静态财务指标 量化模型与构建方式 1. GRU模型[20][32] **模型构建思路**：使用门控循环单元（GRU）神经网络预测股票收益，基于不同训练目标构建多个模型变体 **模型具体构建过程**： - **close1d模型**：预测未来一日close to close收益的GRU模型 - **open1d模型**：预测未来一日open to open收益的GRU模型 - **barra1d模型**：基于Barra因子体系预测收益的GRU模型 - **barra5d模型**：基于Barra因子体系预测5日收益的GRU模型 2. 多因子模型[32] **模型构建思路**：综合多个有效因子构建复合多因子选股模型 模型的回测效果 1. GRU模型多头组合表现[33] - **open1d模型**：近一周超额0.68%，近一月-1.02%，近三月-2.91%，近六月2.05%，今年以来4.85% - **close1d模型**：近一周超额1.29%，近一月-2.29%，近三月-6.21%，近六月0.42%，今年以来1.44% - **barra1d模型**：近一周超额-0.17%，近一月0.42%，近三月1.64%，近六月3.68%，今年以来5.22% - **barra5d模型**：近一周超额1.60%，近一月-2.60%，近三月-5.71%，近六月0.56%，今年以来3.45% 2. 多因子组合表现[33] - 近一周超额1.35%，近一月-0.76%，近三月-2.34%，近六月-1.07%，今年以来0.88% 因子的回测效果 1. 技术类因子多空收益表现[19][26][30] - **20日动量因子**：全市场近一周-1.61%，中证500近一周-3.50%，中证1000近一周-2.35% - **60日动量因子**：全市场近一周-3.11%，中证500近一周-3.51%，中证1000近一周-3.74% - **120日动量因子**：全市场近一周-2.86%，中证500近一周-3.81%，中证1000近一周-3.46% - **20日波动因子**：全市场近一周-3.10%，中证500近一周-3.97%，中证1000近一周-4.54% - **60日波动因子**：全市场近一周-2.78%，中证500近一周-2.30%，中证1000近一周-3.90% - **120日波动因子**：全市场近一周-1.93%，中证500近一周-3.38%，中证1000近一周-4.01% 2. 基本面因子多空收益表现[22][26][29] - **估值类因子**：沪深300内多数表现为负向，如市盈率因子近一周-1.62% - **盈利类因子**：沪深300内ROE因子近一周-0.86%，ROA因子近一周-0.71% - **成长类因子**：沪深300内ROC增长因子近一周0.68%，ROA增长因子近一周0.82% - **超预期增长类因子**：沪深300内ROC超预期增长近一周-0.25%，净利润超预期增长近一周0.68%

文章核心观点 - 基金经理杨光阐述其投资体系，核心是在理性计算与人性洞察之间寻找动态平衡 [1] - 投资策略强调通过量化纪律来实现定性的宏观认知，以应对资产定价底层逻辑的深刻变革 [1][2] - 投资框架旨在构建一个能够自我进化、经受时间考验的体系，而非追逐短期热点 [9] 资产定价新范式 - 认为传统的估值模型或在逐渐失效，资产定价的底层逻辑正经历深刻变革 [2] - 新的定价范式以"科技进步、新质生产力、人群共识"为核心 [1][2] - 此认知源于对时代脉搏的敏锐感知，如新一代消费者拥抱国货品牌和硬科技企业崛起 [2] 定量执行系统 - 投资导航系统由CPPI技术和风险预算模型两个核心部件构成 [3] - CPPI技术具备风险敞口机制、自动平衡和纪律优先三大特点，以杜绝人为情绪干扰 [3] - 风险预算模型能根据市场环境智能调整风险预算分配，实现精细化的资源配置 [3] - 在因子权重设定上，会给予代表新质生产力的因子更高权重，体现定性对定量的指导 [3] 组合构建与平衡 - 组合构建需协调短期与长期，通过设置不同时间维度参数来过滤噪音、把握信号 [4][6] - 强调坚守核心策略与保持灵活性的智慧，需建立清晰的信号体系来界定调整时机 [7] - 在资产选择上，将符合新质生产力方向的资产纳入核心观察池，但具体配置权重由模型根据风险收益比客观决定 [8] - 组合调整主要基于严格的信号触发机制，并会考虑交易成本和对投资者的影响，采取分步实施策略 [8] 模型优化与沟通 - 投资体系需要在持续优化中前行，通过数据分析、模型优化和配置调整来寻找更优解 [9] - 未来计划在定期报告中阐释业绩背后的投资思路，以帮助投资者建立理性预期 [8]

量化模型与构建方式 1. 风格因子模型 - **模型名称**：BARRA风格因子模型[16] - **模型构建思路**：参考BARRA因子模型构建10个风格因子，以捕捉A股市场的风格变化[16] - **模型具体构建过程**：通过细分因子合成大类风格因子，细分因子构造方式及大类因子合成方式见表3[16]。具体因子构建如下： - 估值因子=BP，其中BP（Book to Price）=归母股东权益/总市值[17] - 成长因子=（SGRO+EGRO）/2，其中： - SGRO（Sales growth）：过去五个财年年报的每股营业收入按时间进行回归，将回归系数（斜率）除以每股营业收入的平均值[17] - EGRO（Earnings growth）：过去五个财年年报的每股归母净利润按时间进行回归，将回归系数（斜率）除以每股归母净利润的平均值[17] - 盈利因子=（ETOP+CETOP）/2，其中： - ETOP（Earnings-to-price ratio）：归母净利润TTM/总市值[17] - CETOP（Cash earnings-to-price ratio）：经营活动产生的现金流量净额TTM/总资产[17] - 规模因子=LNCAP，其中LNCAP（Natural log of market cap）=总市值的对数[17] - Beta因子=BETA，将个股过去252个交易日的日收益率与中证全指日收益率进行半衰指数加权回归，半衰期为63个交易日，最终取回归系数作为BETA[17] - 动量因子=RSTR，其中RSTR（Relative strength）=过去504个交易日个股累计收益率，不含最近21个交易日，收益率序列使用半衰指数加权，半衰期为126个交易日[17] - 流动性因子=（STOM+STOQ+STOA）/3，其中： - STOM（Share turnover, one month）：个股过去1个月的换手率加总，之后取对数[17] - STOQ（Average share turnover, trailing 3 months）：个股过去3个月STOM的均值[17] - STOA（Average share turnover, trailing 12 months）：个股过去12个月STOM的均值[17] - 波动性因子=（DASTD+CMRA+HSIGMA）/3，其中： - DASTD（Daily standard deviation）：过去250个交易日个股相对于所有股票等权指数的超额收益率的标准差，计算标准差时使用半衰指数加权，半衰期为40个交易日[17] - CMRA（Cumulative range）：计算个股过去12个月内的累计对数收益率，将累计最高收益与累积最低收益做差[17] - HSIGMA（Historical sigma）：计算BETA时残差的标准差[17] - 非线性市值因子=NLSIZE，将股票总市值对数的三次方与对数市值进行加权最小二乘回归，其中权重为对数市值的平方根，最终取回归残差作为NLSIZE[17] - 杠杆因子=（MLEV+DTOA+BLEV）/3，其中： - MLEV（Market leverage）：非流动负债/总市值[17] - DTOA（Debt to assets）：总负债/总资产[17] - BLEV（Book leverage）：非流动负债/归属母公司股东权益[17] 2. 中性约束条件下最大化因子暴露组合构建方法 - **模型名称**：中性约束条件下最大化因子暴露组合[22][23] - **模型构建思路**：在确保投资组合相对基准指数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[23] - **模型具体构建过程**：参考附录中的具体构建方法[23] 量化因子与构建方式 1. 估值因子 1. **因子名称**：BP[22] - 因子构建思路：衡量账面价值与市场价值的比率[22] - 因子具体构建过程：归属母公司股东权益/总市值[22] - 参考方向：正向[22] 2. **因子名称**：单季度EP[22] - 因子构建思路：衡量单季度盈利与市值的比率[22] - 因子具体构建过程：单季度归母净利润/总市值[22] - 参考方向：正向[22] 3. **因子名称**：EP_TTM[22] - 因子构建思路：衡量滚动盈利与市值的比率[22] - 因子具体构建过程：归母净利润TTM/总市值[22] - 参考方向：正向[22] 4. **因子名称**：单季度SP[22] - 因子构建思路：衡量单季度营收与市值的比率[22] - 因子具体构建过程：单季度营业收入/总市值[22] - 参考方向：正向[22] 5. **因子名称**：SP_TTM[22] - 因子构建思路：衡量滚动营收与市值的比率[22] - 因子具体构建过程：营业收入TTM/总市值[22] - 参考方向：正向[22] 6. **因子名称**：单季度CFEV[22] - 因子构建思路：衡量单季度现金流与调整市值的比率[22] - 因子具体构建过程：单季度经营活动产生的现金流量净额/（市值+短期借款+长期借款+应付债券-货币资金）[22] - 参考方向：正向[22] 7. **因子名称**：CFEV_TTM[22] - 因子构建思路：衡量滚动现金流与调整市值的比率[22] - 因子具体构建过程：经营活动产生的现金流量净额TTM/（市值+短期借款+长期借款+应付债券-货币资金）[22] - 参考方向：正向[22] 2. 成长因子 8. **因子名称**：单季度净利润同比增速[22] - 因子构建思路：衡量单季度净利润同比增长情况[22] - 因子具体构建过程：单季度归母净利润同比增长率[22] - 参考方向：正向[22] 9. **因子名称**：单季度营业收入同比增速[22] - 因子构建思路：衡量单季度营业收入同比增长情况[22] - 因子具体构建过程：单季度营业收入同比增长率[22] - 参考方向：正向[22] 10. **因子名称**：单季度营业利润同比增速[22] - 因子构建思路：衡量单季度营业利润同比增长情况[22] - 因子具体构建过程：单季度营业利润同比增长率[22] - 参考方向：正向[22] 11. **因子名称**：标准化预期外盈利[22] - 因子构建思路：衡量盈利超出预期的程度[22] - 因子具体构建过程：（当前季度归母净利润-（去年同期单度归母净利润+过去8个季度单季归母净利润同比增长均值））/过去8个季度的单季度归母净利润同比增长值的标准差[22] - 参考方向：正向[22] 12. **因子名称**：标准化预期外收入[22] - 因子构建思路：衡量收入超出预期的程度[22] - 因子具体构建过程：（当前季度营业收入-（去年同期单度营业收入+过去8个季度单季度营业收入同比增长均值））/过去8个季度的单季度营业收入同比增长值的标准差[22] - 参考方向：正向[22] 13. **因子名称**：单季度ROE同比[22] - 因子构建思路：衡量单季度ROE同比变化[22] - 因子具体构建过程：ROE单季度同比变化[22] - 参考方向：正向[22] 14. **因子名称**：单季度ROA同比[22] - 因子构建思路：衡量单季度ROA同比变化[22] - 因子具体构建过程：ROA单季度同比变化[22] - 参考方向：正向[22] 3. 质量因子 15. **因子名称**：单季度ROE[22] - 因子构建思路：衡量单季度净资产收益率[22] - 因子具体构建过程：单季度归母净利润/归属母公司股东权益[22] - 参考方向：正向[22] 16. **因子名称**：单季度ROA[22] - 因子构建思路：衡量单季度总资产收益率[22] - 因子具体构建过程：单季度归母净利润/总资产[22] - 参考方向：正向[22] 17. **因子名称**：单季度毛利率[22] - 因子构建思路：衡量单季度毛利率水平[22] - 因子具体构建过程：（单季度营业收入-单季度营业成本）/单季度营业收入[22] - 参考方向：正向[22] 18. **因子名称**：单季度营业利润率[22] - 因子构建思路：衡量单季度营业利润率水平[22] - 因子具体构建过程：单季度营业利润/单季度营业收入[22] - 参考方向：正向[22] 19. **因子名称**：单季度净利润率[22] - 因子构建思路：衡量单季度净利润率水平[22] - 因子具体构建过程：单季度归母净利润/单季度营业收入[22] - 参考方向：正向[22] 20. **因子名称**：盈余质量[22] - 因子构建思路：衡量盈余质量[22] - 因子具体构建过程：（经营活动现金流量净额-营业利润）/总资产[22] - 参考方向：正向[22] 21. **因子名称**：流动比率[22] - 因子构建思路：衡量流动性风险[22] - 因子具体构建过程：流动资产/流动负债[22] - 参考方向：正向[22] 4. 规模因子 22. **因子名称**：对数市值[22] - 因子构建思路：衡量公司规模[22] - 因子具体构建过程：总市值的对数[22] - 参考方向：负向[22] 5. 反转因子 23. **因子名称**：20日反转[22] - 因子构建思路：衡量短期反转效应[22] - 因子具体构建过程：个股过去20个交易日收益率[22] - 参考方向：负向[22] 24. **因子名称**：60日反转[22] - 因子构建思路：衡量中期反转效应[22] - 因子具体构建过程：个股过去60个交易日收益率[22] - 参考方向：负向[22] 6. 动量因子 25. **因子名称**：60日动量[22] - 因子构建思路：衡量中期动量效应[22] - 因子具体构建过程：个股过去60个交易日（排除近20日）收益率[22] - 参考方向：正向[22] 26. **因子名称**：240日动量[22] - 因子构建思路：衡量长期动量效应[22] - 因子具体构建过程：个股过去240个交易日（排除近20日）收益率[22] - 参考方向：正向[22] 27. **因子名称**：盈余公告前隔夜动量[22] - 因子构建思路：衡量盈余公告前的隔夜动量效应[22] - 因子具体构建过程：个股盈余公告前20个交易日的隔夜收益[22] - 参考方向：正向[22] 28. **因子名称**：盈余公告次日开盘跳空超额[22] - 因子构建思路：衡量盈余公告次日的开盘跳空效应[22] - 因子具体构建过程：个股盈余公告次日开盘价/昨日收盘价-中证全指次日开盘价/昨日收盘价[22] - 参考方向：正向[22] 7. 流动性因子 29. **因子名称**：20日换手率[22] - 因子构建思路：衡量短期换手率水平[22] - 因子具体构建过程：个股过去20个交易日换手率的平均值[22] - 参考方向：负向[22] 30. **因子名称**：60日换手率[22] - 因子构建思路：衡量中期换手率水平[22] - 因子具体构建过程：个股过去60个交易日换手率的平均值[22] - 参考方向：负向[22] 31. **因子名称**：20日换手率波动[22] - 因子构建思路：衡量短期换手率波动[22] - 因子具体构建过程：个股过去20个交易日换手率的标准差[22] - 参考方向：负向[22] 32. **因子名称**：60日换手率波动[22] - 因子构建思路：衡量中期换手率波动[22] - 因子具体构建过程：个股过去60个交易日换手率的标准差[22] - 参考方向：负向[22] 33. **因子名称**：20日非流动性冲击[22] - 因子构建思路：衡量短期非流动性冲击[22] - 因子具体构建过程：个股过去20个交易日的收益率绝对值/过去20日成交额的均值[22] - 参考方向：正向[22] 34. **因子名称**：60日非流动性冲击[22] - 因子构建思路：衡量中期非流动性冲击[22] - 因子具体构建过程：个股过去60个交易日的收益率绝对值/过去60日成交额的均值[22] - 参考方向：正向[22] 8. 波动性因子 35. **因子名称**：20日收益率标准差[22] - 因子构建思路：衡量短期收益波动[22] - 因子具体构建过程：个股过去20个交易日的日收益率标准差[22] - 参考方向：负向[22] 36. **因子名称**：60日收益率标准差[22] - 因子构建思路：衡量中期收益波动[22] - 因子具体构建过程：个股过去60个交易日的日收益率标准差[22] - 参考方向：负向[22] 37. **因子名称**：20日特异度[22] - 因子构建思路：衡量短期特异度[22] - 因子具体构建过程：个股过去20个交易日的日收益与Fama-French三因子回归的拟合度[22] - 参考方向：负向[22] 38. **因子名称**：60日特异度[22] - 因子构建思路：衡量中期特异度[22] - 因子具体构建过程：个股过去60个交易日的日收益与Fama-French三因子回归的拟合度[22] - 参考方向：负向[22] 39. **因子名称**：20日三因子模型残差波动率[22] - 因子构建思路：衡量三因子模型残差的短期波动[22] - 因子具体构建过程：个股过去20个交易日的日收益对Fama-French三因子回归的残差的标准差[22] - 参考方向：负向[22] 40. **因子名称**：120日三因子模型残差波动率[22] - 因子构建思路：衡量三因子模型残差的中期波动[22] - 因子具体构建过程：个股过去120个交易日的日收益对Fama-French三因子回归的残差的标准差[22] - 参考方向：负向[22] 41. **因子名称**：240日三因子模型残差波动率[22] - 因子构建思路：衡量三因子模型残差的长期波动[22] - 因子具体构建过程：个股过去240个交易日的日收益对Fama-French三因子回归的残差的标准差[22] - 参考方向：负向[22] 9. 分红因子 42. **因子名称**：股息率[22] - 因子构建思路：衡量分红收益[22] - 因子具体构建过程：最近4个季度分红/总市值[22] - 参考方向：正向[22] 10. 公司治理因子 43. **因子名称**：前五大股东持股比例[22] - 因子构建思路：衡量股权集中度[22] - 因子具体构建过程：前五大股东持股比例合计[22] - 参考方向：正向[22] 44. **因子名称**：前十大股东持股比例[22] - 因子构建思路：衡量股权集中度[22] - 因子具体构建过程：前十大股东持股比例合计[22] - 参考方向：正向[22] 11. 技术因子 45. **因子名称**：20日成交额[22] - 因子构建思路：衡量短期成交活跃度[22] - 因子具体构建过程：过去20个交易日日均成交额[22] - 参考方向：负向[22] 46. **因子名称**：60日成交额[22] - 因子构建思路：衡量中期成交活跃度[22] - 因子具体构建过程：过去60个交易日日均成交额[22] - 参考方向：负向[22] 47. **因子名称**：60日偏度[22] - 因子构建思路：衡量中期收益偏度[22] - 因子具体构建过程：过去60个交易日日度收益率数据计算的偏度[22] - 参考方向：负向[22] 48. **因子名称**：240日偏度[22] - 因子构建思路：衡量长期收益偏度[22] - 因子具体构建过程：过去240个交易日日度收益率数据计算的偏度[22] - 参考方向：负向[22] 49. **因子名称**：20日成交量变异系数[22] - 因子构建思路：衡量短期成交量波动[22] - 因子具体构建过程：过去20个交易日成交量的标准差/过去20个交易日成交量均值[22] - 参考方向：负向[22] 50. **因子名称**：60日成交量变异系数[22] - 因子构建思路：衡量中期成交量波动[22] - 因子具体构建过程：过去60个交易日成交量的标准差/过去60个交易日成交量均值[22] - 参考方向：负向[22] 51. **因子名称**：20日成交量比率[22] - 因子构建思路：衡量