量化模型与因子总结 量化因子与构建方式 1. **因子名称：Barra风格因子** [14][15]；**因子构建思路**：基于股票的不同特征维度构建系统化的风格因子体系，用于描述和解释股票收益的差异性[15]；**因子具体构建过程**：共包含10个风格因子，具体构建公式如下： * **Beta因子**：计算股票的历史Beta值。$$ Beta $$ * **市值因子**：取总市值的自然对数。$$ 市值 = \ln(总市值) $$ * **动量因子**：计算历史超额收益率序列的均值。$$ 动量 $$ * **波动因子**：由历史超额收益率序列波动率、累积超额收益率离差和历史残差收益率序列波动率加权合成。$$ 波动 = 0.74 \times \sigma_{超额收益} + 0.16 \times D_{累积超额收益} + 0.1 \times \sigma_{残差收益} $$ * **非线性市值因子**：取市值风格的三次方。$$ 非线性市值 = (市值风格)^3 $$ * **估值因子**：取市净率的倒数。$$ 估值 = \frac{1}{市净率} $$ * **流动性因子**：由月换手率、季换手率和年换手率加权合成。$$ 流动性 = 0.35 \times Turnover_{月} + 0.35 \times Turnover_{季} + 0.3 \times Turnover_{年} $$ * **盈利因子**：由分析师预测盈利价格比、市现率倒数和市盈率TTM倒数加权合成。$$ 盈利 = 0.68 \times \frac{E_{预测}}{P} + 0.21 \times \frac{1}{P/CF} + 0.11 \times \frac{1}{PE_{TTM}} $$ * **成长因子**：由分析师预测长期盈利增长率、分析师预测短期盈利增长率、盈利增长率和营业收入增长率加权合成。$$ 成长 = 0.18 \times G_{长期预测} + 0.11 \times G_{短期预测} + 0.24 \times G_{盈利} + 0.47 \times G_{营收} $$ * **杠杆因子**：由市场杠杆率、账面杠杆率和资产负债率加权合成。$$ 杠杆 = 0.38 \times Leverage_{市场} + 0.35 \times Leverage_{账面} + 0.27 \times 资产负债率 $$ 2. **因子名称：GRU因子** [18][20][24][26]；**因子构建思路**：使用门控循环单元（GRU）神经网络模型捕捉股票价格的时序特征以预测收益[18][20][24][26]；**因子具体构建过程**：报告提及了多个基于GRU的模型，区别在于输入数据和预测目标的不同，具体有： * **barra1d模型**：使用Barra风险模型数据作为输入，预测1天收益[18][20][24][26] * **barra5d模型**：使用Barra风险模型数据作为输入，预测5天收益[20][24][26] * **open1d模型**：以开盘价相关数据作为输入，预测1天收益[32] * **close1d模型**：以收盘价相关数据作为输入，预测1天收益[20][32] 3. **因子名称：多因子组合** [32]；**因子构建思路**：将多个因子信号组合成一个综合信号进行投资[32]；**因子具体构建过程**：报告中未详细说明具体组合的因子和权重方法[32] 4. **因子名称：基本面因子** [18][20][23][26]；**因子构建思路**：基于公司财务报表数据构建因子，评估公司的盈利能力、成长性、估值等基本面状况[18][20][23][26]；**因子具体构建过程**：报告中列举了多类基本面因子，财务指标均采用TTM方式计算，并在测试前进行了行业中性化处理[17]。具体因子包括： * **超预期增长类**：如roa超预期增长、营业利润率超预期增长、净利润超预期增长、roc超预期增长[18][21][27] * **增长类**：如roa增长、营业利润率增长、roc增长[18][21][27] * **静态财务类**：如roa、roc、营业利润率、市销率、营业周转率、市盈率、EOI[21][27] * **估值类**：如市净率倒数（见Barra估值因子）[20][26] 5. **因子名称：技术类因子** [18][20][23][26]；**因子构建思路**：基于股票的交易价格和成交量数据构建因子，捕捉市场的交易行为特征[18][20][23][26]；**因子具体构建过程**：报告中提及的技术因子在测试前进行了行业中性化处理[17]。具体因子包括： * **动量因子**：如20日动量、60日动量、120日动量[25][30] * **波动因子**：如20日波动、60日波动、120日波动、长期波动[18][25][30] * **其他**：中位数离差因子[25][30] 因子回测效果 回测设置通用参数：选股范围为万得全A，剔除ST、*ST、停牌不可交易及上市不满120日的股票[16][17]。多空组合每月末调仓，做多因子值前10%的股票，做空后10%的股票，等权配置[16][17]。基本面因子均使用TTM财务数据并经过行业中性化处理[17]。 1. **风格因子（全市场）** [16] * 近期表现：市值、非线性市值、流动性因子的多头表现强势；盈利、估值、成长因子的空头表现较好[2][16] 2. **全市场股池因子** [18] * **基本面因子**：本周多空收益多数为正；超预期增长类因子表现较强，增长类因子次之；静态财务因子多头收益不显著[3][18] * **技术类因子**：多空收益多数为正，仅长期波动因子为负[3][18] * **GRU因子**：多空表现较弱，仅barra1d模型取得正向多空收益[3][18] 3. **沪深300股池因子** [20] * **基本面因子**：本周多空收益表现多数为正；估值类因子多头收益显著；静态财务因子多空收益表现较强，增长类财务因子次之[4][20] * **技术面因子**：多空收益均为正向，动量因子表现较强[4][20] * **GRU因子**：多空收益表现分化；close1d和barra5d模型多空收益回撤较多；barra1d模型表现较强[4][20] 4. **中证500股池因子** [23][24] * **基本面因子**：多空收益表现分化；静态财务因子多空收益显著偏负；增长类和超预期增长类因子多空表现为正向[5][23] * **技术面因子**：多空表现均为正向[5][24] * **GRU因子**：多空收益表现较弱；仅barra1d模型多空表现强势[5][24] 5. **中证1000股池因子** [26] * **基本面因子**：多空收益表现分化；估值类因子多空收益显著为正；静态财务因子多数表现为正向；增长类和超预期增长类财务因子均为负向[6][26] * **技术因子**：多空表现多数为正，仅长期动量和中位数离差因子为负且不显著[6][26] * **GRU因子**：多空收益表现较弱；仅barra1d模型取得微弱的多空收益[6][26] 模型回测效果 回测设置参数：选股池为万得全A，剔除ST、*ST、停牌不可交易及上市不满180日的股票；业绩基准为中证1000指数；月度调仓；双边千3手续费；个股权重上限千2；风格偏离0.5标准差；行业偏离0.01[31]。 1. **open1d模型** [32][33] * 近一周超额收益: 0.22% * 近一月超额收益: -1.23% * 近三月超额收益: -1.56% * 近六月超额收益: 4.68% * 今年以来超额收益: 5.45% 2. **close1d模型** [32][33] * 近一周超额收益: -0.20% * 近一月超额收益: -2.64% * 近三月超额收益: -3.36% * 近六月超额收益: 2.44% * 今年以来超额收益: 2.92% 3. **barra1d模型** [32][33] * 近一周超额收益: 0.14% * 近一月超额收益: 1.20% * 近三月超额收益: 0.28% * 近六月超额收益: 2.54% * 今年以来超额收益: 4.77% 4. **barra5d模型** [32][33] * 近一周超额收益: -0.59% * 近一月超额收益: -2.84% * 近三月超额收益: -2.81% * 近六月超额收益: 3.35% * 今年以来超额收益: 5.03% 5. **多因子组合** [32][33] * 近一周超额收益: -0.50% * 近一月超额收益: -1.67% * 近三月超额收益: -2.37% * 近六月超额收益: 2.28% * 今年以来超额收益: -0.10%

量化模型与构建方式 1. **模型名称：中证500增强组合**[4][12][19] * **模型构建思路**：基于量化策略模型进行选股和权重配置，旨在获得超越中证500指数的超额收益[12][19][46] * **模型具体构建过程**：根据策略模型生成持仓列表，包含多只股票及其对应的持仓权重，构成投资组合[12][48][50] 2. **模型名称：沪深300增强组合**[4][14][21] * **模型构建思路**：基于量化策略模型进行选股和权重配置，旨在获得超越沪深300指数的超额收益[14][21][51] * **模型具体构建过程**：根据策略模型生成持仓列表，包含多只股票及其对应的持仓权重，构成投资组合[14][51][54] 3. **因子名称：十大类风格因子**[55] * **因子的构建思路**：参照BARRA因子模型，构建描述A股市场不同风险收益特征的风格因子[55] * **因子具体构建过程**：构建的因子包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[55] 4. **模型名称：A股景气度高频指数**[28][29][31] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标构建指数，用于观察A股景气周期[28][31] * **模型具体构建过程**：详情请参考报告《视角透析：A股景气度高频指数构建与观察》[28] 5. **模型名称：A股情绪指数**[31][32][36] * **模型构建思路**：基于市场波动率和成交额的变化方向划分象限并构造情绪指数，用于市场情绪刻画和择时[31][32][34] * **模型具体构建过程**：将市场按照波动率和成交额的变化方向划分为四个象限，其中波动上-成交下的区间为显著负收益，其余都为显著正收益，据此构造了包含见底预警与见顶预警的A股情绪指数，相关研究请参考报告《视角透析：A股情绪指数构建与观察》[31][32] 模型的回测效果 1. **中证500增强组合**，本周收益1.82%，本周超额收益-1.56%，2020年至今超额收益49.43%，最大回撤-4.99%[12][19][46] 2. **沪深300增强组合**，本周收益1.40%，本周超额收益0.02%，2020年至今超额收益39.41%，最大回撤-5.86%[14][21][51] 量化因子与构建方式 1. **因子名称：行业因子**[56][59] * **因子的构建思路**：用于衡量不同行业相对于市场市值加权组合的收益表现[56][59] * **因子具体构建过程**：报告中未详细描述具体构建过程，但提及了房地产、钢铁、保险、证券、消费者服务等行业因子[56][59] 因子的回测效果 1. **Beta因子**，近一周纯因子收益率表现较高[56][59] 2. **残差波动率因子**，近一周纯因子收益率呈较为显著的负向超额收益[56][59] 3. **成长因子**，近期表现优异[56] 4. **非线性市值因子**，近期表现不佳[56] 5. **价值因子**，近期表现不佳[56] 6. **房地产行业因子**，近一周纯因子收益率相对市场市值加权组合跑出较高超额收益[56][59] 7. **钢铁行业因子**，近一周纯因子收益率相对市场市值加权组合跑出较高超额收益[56][59] 8. **保险行业因子**，近一周纯因子收益率回撤较多[56][59] 9. **证券行业因子**，近一周纯因子收益率回撤较多[56][59] 10. **消费者服务行业因子**，近一周纯因子收益率回撤较多[56][59]

量化因子与构建方式 1. 因子名称：Barra风格因子[15] 因子构建思路：采用Barra框架下的多个风格维度，包括市场相关、估值、盈利、成长、流动性等，通过线性组合或直接计算方式构建[15] 因子具体构建过程： * Beta因子：直接使用历史beta值[15] * 市值因子：对总市值取自然对数[15] * 动量因子：计算历史超额收益率序列的均值[15] * 波动因子：由历史超额收益率序列波动率、累积超额收益率离差、历史残差收益率序列波动率三部分按权重组合而成，公式为 $$0.74 * 历史超额收益率序列波动率 + 0.16 * 累积超额收益率离差 + 0.1 * 历史残差收益率序列波动率$$[15] * 非线性市值因子：对市值风格值取三次方[15] * 估值因子：使用市净率的倒数[15] * 流动性因子：由月换手率、季换手率、年换手率按权重组合而成，公式为 $$0.35 * 月换手率 + 0.35 * 季换手率 + 0.3 * 年换手率$$[15] * 盈利因子：由分析师预测盈利价格比、市现率倒数、市盈率ttm倒数按权重组合而成，公式为 $$0.68 * 分析师预测盈利价格比 + 0.21 * 市现率倒数 + 0.11 * 市盈率ttm倒数$$[15] * 成长因子：由分析师预测长期盈利增长率、分析师预测短期利率增长率、盈利增长率、营业收入增长率按权重组合而成，公式为 $$0.18 * 分析师预测长期盈利增长率 + 0.11 * 分析师预测短期利率增长率 + 0.24 * 盈利增长率 + 0.47 * 营业收入增长率$$[15] * 杠杆因子：由市场杠杆率、账面杠杆、资产负债率按权重组合而成，公式为 $$0.38 * 市场杠杆率 + 0.35 * 账面杠杆 + 0.27 * 资产负债率$$[15] 2. 因子名称：基本面因子[18][20][22][24][26] 因子构建思路：基于公司财务数据，从盈利能力、成长性、估值等多个维度构建因子，涉及的财务指标均为ttm方式计算[17] 因子具体构建过程：报告中提及的具体基本面因子包括营业利润超预期增长、营业周转率、市盈率、roe、roc超预期增长、市销率、roa超预期增长、roa增长、roc增长、营业利润率、净利润超预期增长、营业利润率增长、roa等[20][24][26] 3. 因子名称：技术类因子[18][20][22][24][26] 因子构建思路：基于市场交易数据，从动量、波动等维度构建因子[18][20][22][24][26] 因子具体构建过程：报告中提及的具体技术类因子包括120日动量、20日波动、20日动量、120日波动、中位数离差、60日波动、60日动量等[24][26] 4. 因子名称：GRU因子[18][20][22][24][26] 因子构建思路：基于GRU深度学习模型构建的因子[18][20][22][24][26] 因子具体构建过程：报告中提及的具体GRU因子模型包括barra5d、open1d、close1d、barra1d等[18][20][22][24][26] 5. 因子名称：多因子组合[8][29] 因子构建思路：将多个因子组合成一个综合性的多因子模型[8][29] 因子的回测效果 1. Barra风格因子，近一周多空收益表现：市值因子多头表现较好，非线性市值因子多头表现较好，成长因子多头表现较好，流动性因子多头表现较好，盈利因子多头表现较好，估值因子空头表现强势[3][16] 2. 基本面因子（全市场），近一周多空收益表现：均为正向，营业相关因子多空收益最强，权益类收益相关因子多空表现次之[4] 基本面因子（沪深300），近一周多空收益表现：均为正向，营业相关因子多空收益最强，权益类收益相关因子多空表现次之[5][20] 基本面因子（中证500），近一周多空收益表现：多数为正，估值因子多空收益显著为正，超预期增长类因子多空表现次之[6][22] 基本面因子（中证1000），近一周多空收益表现：多数为正，增长类和超预期增长类因子多空表现显著为正，静态财务因子多空收益表现不显著[7][26] 3. 技术类因子（全市场），近一周多空收益表现：均为正向，波动因子多空收益较为显著[4] 技术类因子（沪深300），近一周多空收益表现：均为正向，波动因子多空收益较为显著[5][20] 技术类因子（中证500），近一周多空收益表现：均为正向[6][22][24] 技术类因子（中证1000），近一周多空收益表现：均为正向[7][26] 4. GRU因子（全市场），近一周多空收益表现：barra1d模型多空收益表现较好，其余模型均有所回撤[18] GRU因子（沪深300），近一周多空收益表现：barra5d和open1d模型多空表现有所回撤，close1d和barra1d模型多空收益表现较好[5][20] GRU因子（中证500），近一周多空收益表现：barra5d模型多空收益回撤较大，barra1d模型多空收益强势[6][22] GRU因子（中证1000），近一周多空收益表现：barra5d模型多空收益表现较差，barra1d模型多空表现较好[7][26] 5. 多头组合策略（比较基准：中证1000指数），近一周超额收益：open1d模型 -0.97%，close1d模型 -1.68%，barra1d模型 0.57%，barra5d模型 -2.17%，多因子组合 -0.29%[29] 多头组合策略（比较基准：中证1000指数），近一月超额收益：open1d模型 -2.85%，close1d模型 -4.50%，barra1d模型 0.75%，barra5d模型 -3.76%，多因子组合 -2.43%[29] 多头组合策略（比较基准：中证1000指数），近三月超额收益：open1d模型 -2.74%，close1d模型 -3.80%，barra1d模型 0.48%，barra5d模型 -2.91%，多因子组合 -2.79%[29] 多头组合策略（比较基准：中证1000指数），近六月超额收益：open1d模型 3.10%，close1d模型 0.92%，barra1d模型 1.61%，barra5d模型 3.17%，多因子组合 1.69%[29] 多头组合策略（比较基准：中证1000指数），今年以来超额收益：open1d模型 4.20%，close1d模型 1.90%，barra1d模型 4.38%，barra5d模型 4.13%，多因子组合 0.01%[29]

核心观点 - 风格因子在中国股票市场具有显著的长期风险回报表现 超过市场因子 其中14个风格因子中有9个展现出统计学上显著的风险调整回报 [2] - 因子相关性变化和离散度上升为主动型投资组合经理创造战术性Alpha机会 估值与动量因子组合可有效降低波动率并提升风险调整回报 [12][15][19] - 风格因子的条件表现具有一致性 如Beta因子在不同市场环境下表现符合预期 盈利收益率 Beta 动能和利润因子在市场极端情况下波动显著 [6][8][9] 长期因子表现 - 市场因子年化回报率4.2% 但波动率高达26.9% 风险调整后回报率仅0.16 统计不显著 [2] - 14个风格因子中9个风险调整回报统计显著 阈值0.44 其中Beta因子年化回报6.6% 信息比率1.45 动量因子年化回报4.9% 信息比率1.29 [2] - 流动性因子年化回报-4.7% 规模因子年化回报-7.6% 残差波动率因子年化回报-9.2% 均表现较差 [2] 近期因子表现 - 2021-2024年间盈利收益率 股息收益率和动量因子信息比率在0.60至1.21之间 市场因子信息比率为-0.37 [4] - 缩短时间范围至4年后统计显著性阈值升至0.96 多数因子风险调整回报未通过检验 [4] 因子条件表现 - Beta因子在市场回报前五分之一时期回报率1.5% 后五分之一时期降至-0.1% [6] - 盈利收益率 Beta 动能和利润因子在市场极端情况下回报波动较大 [6] - 残差波动率和流动性因子在不同市场周期中表现出一致性模式 [9] 因子相关性变化 - 价值与Beta相关性从接近零降至历史低点-0.65 后回升至-0.34 [12] - 动量与Beta相关性曾降至-0.70 后回升至-0.40 [12] - 价值与动量相关性从历史高位0.78回落至接近零的长期平均水平 [12] 因子组合优化 - 等权重配置估值和动量因子的组合年化回报3.5% 波动率2.3% 风险调整回报1.5 高于单一因子 [15] - 估值因子风险调整回报0.83 动量因子1.15 组合分散效益显著 [15] 因子波动特征 - Beta因子是2025年上半年表现最佳因子 但年化波动率7.5% 接近历史高点8.1% [17] - 动量因子波动率在2024年11月达9% 为20年最高 2025年4月降至5.4% [17] - 中盘股和股息收益率因子波动率最低 [17] 因子离散度机会 - 12周移动平均离散度0.45% 接近20年数据的第75百分位数 中位数0.35% [19] - 高离散度表明因子走势分化 主动型基金经理可通过偏离基准获取Alpha [19]

量化模型与因子总结 量化模型 1. 基于启发式风格划分的认知风险控制模型 模型构建思路：通过结合启发式方法和因子打分法识别市场认知与个体认知差异，控制认知风险[4][15] 模型具体构建过程： 1) 采用时间序列回归划分个股风格： $$r_{t,t}\sim\beta_{\mathit{Value}}\cdot r_{\mathit{Value},t}+\beta_{\mathit{Growth}}\cdot r_{\mathit{Growth},t}+\varepsilon_{t}$$ 约束条件： $$0\leq\beta_{\mathit{Value}}\leq1$$ $$0\leq\beta_{\mathit{Growth}}\leq1$$ $$\beta_{\mathit{Value}}+\beta_{\mathit{Growth}}=1$$ 2) 计算行业风险贡献： $$RiskContribution_{i}=w_{i}\times{\frac{\partial\sigma_{p}}{\partial w_{i}}}=w_{i}\times{\frac{\sum_{j=1}^{n}w_{i}\cdot Cov\left(r_{i},r_{j}\right)}{\sigma_{p}}}$$ 3) 对高风险行业中的认知差异个股偏离置为0[4][15][81] 2. 基于个股收益聚类的隐性风险识别模型 模型构建思路：采用Louvain社区发现算法对个股超额收益相关性进行聚类，识别传统风险模型无法捕捉的隐性风险[4][15][117] 模型具体构建过程： 1) 计算个股超额收益相关性矩阵 2) 应用Louvain算法最大化模块度进行聚类 3) 对近期走势趋同的股票聚类结果进行风险控制[117] 3. 动态风格因子控制模型 模型构建思路：针对风格因子波动率聚集现象，对近期波动率排名靠前、波动率显著放大的风格因子进行严格控制[4][15][81] 模型具体构建过程： 1) 计算风格因子滚动3个月收益率年化波动率 2) 识别波动率显著放大的风格因子 3) 在组合优化中约束高波动风格因子暴露[27][28] 4. 目标跟踪误差下的自适应个股偏离模型 模型构建思路：根据过去跟踪误差动态调整个股偏离幅度[4][15][81] 模型具体构建过程： 1) 计算组合相对基准的滚动3个月跟踪误差 2) 当跟踪误差超过阈值时自动缩小个股偏离 3) 形成跟踪误差-偏离幅度的动态调整机制[31][32] 量化因子 1. 黑天鹅指数因子 因子构建思路：通过风格因子收益率偏离度衡量市场极端程度[24][25] 因子具体构建过程： 1) 计算风格因子日度收益率偏离度： $$\sigma_{s,t}=\frac{\bar{r}_{s,t}-\bar{r}_{s}}{\sigma_{s}}$$ 2) 计算黑天鹅指数： $$BlackSwan_{t}=\frac{1}{N}\times\sum_{s\in S}\left|\sigma_{s,t}\right|$$ 因子评价：有效捕捉市场极端风险事件[24][25] 2. 成长价值风格因子 因子构建思路：综合估值和成长指标构建风格因子[82][83] 因子具体构建过程： 1) 价值因子包含股息率、BP、EPTTM、OCFPTTM四个子因子，权重各1/4 2) 成长因子包含DeltaROEQ、NPQYOY、SUE、AOG四个子因子，权重各1/4[82][83] 因子评价：传统因子打分法可能无法完全捕捉市场实际交易风格[88][93] 模型回测效果 1. 传统中证500指数增强组合 年化超额收益18.77%，相对最大回撤9.68%，信息比3.56，收益回撤比1.94，年化跟踪误差4.88%[5][16] 2. 引入全流程风控的中证500指数增强组合 年化超额收益16.51%，相对最大回撤4.90%，信息比3.94，收益回撤比3.37，年化跟踪误差3.98%[5][16]

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：Barra风格因子** - **构建思路**：基于多维度市场特征构建的综合风格因子体系，涵盖市值、动量、波动等核心风格[15] - **具体构建过程**： - **Beta因子**：历史beta值 - **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**： $$0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率}$$ - **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**： $$0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率}$$ - **盈利因子**： $$0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率TTM倒数}$$ - **成长因子**： $$0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率}$$ - **杠杆因子**： $$0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率}$$[15] 2. **因子名称：GRU模型衍生因子** - **构建思路**：结合GRU神经网络模型生成的量价与基本面特征因子[3][4][5][6] - **具体构建过程**： - **barra1d/barra5d因子**：基于Barra风格因子与GRU模型的1日/5日周期特征融合 - **open1d/close1d因子**：GRU模型对开盘价/收盘价序列的时序特征提取[3][6] 3. **因子名称：技术类因子** - **构建思路**：基于历史价格与波动率的反向因子[26][29] - **具体构建过程**： - **动量因子**：20日/60日/120日历史收益率 - **波动因子**：20日/60日/120日收益率波动率 - **中位数离差因子**：收益率分布偏离度[26][29] 因子回测效果 | 因子类别 | 测试范围 | 近期表现（多空收益） | 长期表现（年化） | |----------------|----------------|------------------------------------|---------------------------| | **Barra风格因子** | 万得全A | 估值因子多头+，流动性/市值因子空头+[16] | 波动因子五年年化-8.97%[26] | | **GRU因子** | 中证1000 | barra5d多空收益+，barra1d回撤-[6] | barra5d超额收益8.63%[31] | | **技术类因子** | 中证500 | 120日动量多空-13.99%[26] | 60日波动年化-15.23%[29] | 模型回测效果 | 模型名称 | 超额收益（vs中证1000） | |----------------|------------------------| | **barra1d** | 近一周-0.24%[31] | | **barra5d** | 今年以来+8.63%[31] | | **多因子组合** | 近六月+2.60%[31] | 评价 - **Barra因子**：体系完整但部分因子（如非线性市值）近期失效风险显著[16][34] - **GRU模型因子**：在中小盘股中表现稳健，但需警惕高频交易环境下的过拟合风险[6][35]

量化模型与因子分析总结 量化因子与构建方式 1. **因子名称：Barra风格因子** **因子构建思路**：基于多维度市场特征构建的综合风格因子体系，涵盖市场风险、市值、动量等核心维度[15] **因子具体构建过程**： - Beta因子：历史beta值 - 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：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. **因子名称：GRU因子** **因子构建思路**：基于门控循环单元神经网络模型开发的量价预测因子[3][4][5][6] **因子具体构建过程**：包含barra1d、barra5d、close1d、open1d四种衍生模型，通过GRU网络学习历史量价序列与未来收益的映射关系[31] 3. **因子名称：技术类因子** **因子构建思路**：捕捉股票价格行为特征的技术指标[22][24][30] **因子具体构建过程**： - 动量类：20日/60日/120日动量 - 波动类：20日/60日/120日波动率 - 中位数离差：价格分布偏离度指标 4. **因子名称：基本面因子** **因子构建思路**：反映公司财务质量和成长性的多维度指标[19][20][23][26] **因子具体构建过程**： - 增长类：toa增长、净利润超预期增长、营业利润增长 - 财务质量：roc超预期增长、roe增长、营业利润率 - 估值类：市销率、市盈率、roa、roe 因子回测效果 1. **Barra风格因子** - 最近一周多空收益：beta/动量/成长因子多头表现较好，杠杆/估值/盈利因子空头强势[2][16] 2. **GRU因子** - barra1d模型：全市场多空收益为正，沪深300超额0.35%[7][31] - barra5d模型：今年以来超额中证1000收益8.56%[7][34] - close1d模型：中证1000多空收益回撤1.59%[31] 3. **技术类因子** - 沪深300：多空收益显著为正，高动量高波动股票占优[21][22] - 中证500：波动类因子多空收益显著为正[24] - 中证1000：所有技术因子多空收益均为正向，波动类最显著[30] 4. **基本面因子** - 全市场：成长类因子正向，估值类不显著[18][19] - 沪深300：增长类和静态财务因子表现强势[20] - 中证500：超预期增长和增长类因子显著[23] - 中证1000：多数因子多空收益为负，增长类最显著[26][28] 多头组合表现 1. **GRU多头组合** - barra1d：近一周超额0.35%，今年以来超额3.85%[34] - barra5d：近六月超额7.63%，今年以来超额8.56%[34] - close1d：近三月超额5.29%，今年以来超额7.25%[34] 2. **多因子组合** - 近一周超额回撤0.19%，今年以来超额2.73%[34]

量化模型与构建方式 1. 模型名称：带约束的加权最小二乘法模型 - 模型构建思路：用于估计纯因子收益率，通过加权最小二乘法解决因子暴露矩阵不满秩问题，并引入行业因子约束条件[44][45] - 模型具体构建过程： 1. 构建股票收益率与因子暴露的线性模型：$$r=X f+u$$，其中X为因子暴露矩阵，f为纯因子收益率向量[44] 2. 定义流通市值平方根加权的权重矩阵W：$$W=\begin{bmatrix}\dfrac{\sqrt{s_{1}}}{\sum_{i=1}^{N}\sqrt{s_{i}}}&0&\cdots&0\\ \\ 0&\dfrac{\sqrt{s_{2}}}{\sum_{i=1}^{N}\sqrt{s_{i}}}&\cdots&0\\ \vdots&\vdots&\ddots&\vdots\\ \\ 0&0&\cdots&\dfrac{\sqrt{s_{N}}}{\sum_{i=1}^{N}\sqrt{s_{i}}}\end{bmatrix}$$[45] 3. 添加行业因子约束条件：$$s_{I_{1}}f_{I_{1}}+s_{I_{2}}f_{I_{2}}+\cdots+s_{I_{Q}}f_{I_{Q}}=0$$[49] 4. 通过Cholesky分解求解带约束的线性方程组，最终得到纯因子收益率估计值：$${\hat{f}}=C(C^{\prime}X^{\prime}W X C)^{-1}C^{\prime}X^{\prime}W r$$[59] - 模型评价：该模型通过引入国家因子和行业约束，使收益结构更清晰，能更敏感响应行业间相关系数变化[44] 量化因子与构建方式 1. 因子名称：市值(size) - 因子构建思路：反映公司规模对股票收益的影响，是Fama-French三因子模型中的核心因子[22] - 因子具体构建过程：使用对数总市值作为二级因子，直接作为一级因子[24] - 因子评价：同时具备高统计显著性与低换手率特征，是10个一级因子中的特例[83] 2. 因子名称：非线性市值(sizenl) - 因子构建思路：捕捉市值非线性效应，解决小市值股票风险溢价异常问题[22] - 因子具体构建过程： 1. 将标准化后的SIZE因子值取三次幂 2. 与SIZE因子值正交取残差 3. 进行缩尾和标准化处理[24] - 因子评价：受经济含义制约不宜强求其分布的正态性[27] 3. 因子名称：贝塔值(beta) - 因子构建思路：衡量股票系统性风险，源自CAPM模型[22] - 因子具体构建过程： 1. 计算个股无风险超额收益率对市场指数超额收益率的时间序列回归系数 2. 回归窗口252日，半衰期63日 3. 公式：$$r_t - r_{ft} = \alpha + \beta R_t + e_t$$[24] - 因子评价：与国家纯因子收益率高度相关(67.68%)，能反映国家因子无法解释的市场风险[84] 4. 因子名称：残差波动率(resvol) - 因子构建思路：衡量股票特异性风险，由三个二级因子合成[24] - 因子具体构建过程： 1. 日度标准差(DASTD，权重0.74)：过去252个交易日每日超额收益波动率，半衰期42日 2. 累积范围(CMRA，权重0.16)：计算12个月累计对数收益率极差 3. 历史Sigma(HSIGMA，权重0.10)：BETA计算式中残差的波动率[24] - 因子评价：与技术类因子liquidity存在较强共线性(相关系数0.53)[84] 5. 因子名称：动量(momentum) - 因子构建思路：捕捉股票价格趋势效应[22] - 因子具体构建过程： 1. 计算504个交易日的加权无风险超额对数收益率之和 2. 滞后期21日，半衰期126日 3. 公式：$$RSTR = \sum w_t [\ln(1+r_t)-\ln(1+r_{ft})]$$[24] - 因子评价：换手率较高但t值绝对值也较高(3.45)[83] 6. 因子名称：流动性(liquidity) - 因子构建思路：反映股票交易成本与市场冲击风险[22] - 因子具体构建过程： 1. 月度换手率(STOM，权重0.35)：前21日换手率和的对数值 2. 季度换手率(STOQ，权重0.35)：基于STOM计算3个月均值 3. 年度换手率(STOA，权重0.30)：基于STOM计算12个月均值[24] - 因子评价：属于"类alpha因子"，长期年化收益-9.46%，IR-3.05，反映低流动性资产补偿[85] 7. 因子名称：账面市值比(btop) - 因子构建思路：衡量价值投资效应[22] - 因子具体构建过程：使用普通股账面价值除以当前市值作为二级因子，直接作为一级因子[24] - 因子评价：与value因子存在逻辑冗余和共线性(相关系数0.39)[23][84] 8. 因子名称：价值(value) - 因子构建思路：综合衡量股票估值水平[22] - 因子具体构建过程： 1. 预测盈市比(EPFWD，权重0.68)：分析师预测净利润(FY1)除以市值 2. 现市比TTM(CETOP，权重0.21)：滚动12个月现金盈利/市值 3. 盈市比TTM(ETOP，权重0.11)：滚动12个月净利润/市值[24] - 因子评价：年化收益4.32%，IR1.80，表现较好但存在冗余[86] 9. 因子名称：成长(growth) - 因子构建思路：反映公司盈利增长能力[22] - 因子具体构建过程： 1. 长期预测净利润增速(EGRLF，权重0.18)：2年期利润增速 2. 短期预测净利润增速(EGRSF，权重0.11)：1年期利润增速 3. 净利润增长率(EGRO，权重0.24)：过去5年EPS回归系数/平均EPS 4. 销售收入增长率(SGRO，权重0.47)：过去5年每股销售收入回归系数/均值[24][28] - 因子评价：解释力度相对较弱(average_|t|仅1.18)[83] 10. 因子名称：杠杆(leverage) - 因子构建思路：衡量公司财务风险[22] - 因子具体构建过程： 1. 市场杠杆(MLEV，权重0.38)：(ME+PE+LD)/ME 2. 资产负债率(DTOA，权重0.35)：总负债/总资产 3. 账面杠杆(BLEV，权重0.27)：(BE+PE+LD)/BE[24] - 因子评价：年化收益-0.44%，IR-0.24，表现较弱[86] 模型的回测效果 1. 国家因子模型，年化收益率4.75%，年化波动率21.00%，IR0.23[86] 2. beta因子模型，年化收益率8.20%，年化波动率4.87%，IR1.69[86] 3. size因子模型，年化收益率-6.82%，年化波动率4.57%，IR-1.49[86] 4. liquidity因子模型，年化收益率-9.46%，年化波动率3.10%，IR-3.05[86] 5. value因子模型，年化收益率4.32%，年化波动率2.40%，IR1.80[86] 因子的回测效果 1. size因子，average_|t|4.22，percent_|t|>2 66.80%，r2_gain0.53%[86] 2. beta因子，average_|t|4.27，percent_|t|>2 67.42%，r2_gain0.45%[86] 3. momentum因子，average_|t|3.45，percent_|t|>2 58.92%，r2_gain0.35%[86] 4. resvol因子，average_|t|2.94，percent_|t|>2 54.10%，r2_gain0.27%[86] 5. growth因子，average_|t|1.18，percent_|t|>2 17.26%，r2_gain0.04%[86]

报告核心观点 - 风险资产有望延续优势，盈利因子有望修复 [1] - 大类资产配置方面，风险资产有望延续相对优势，2025年三季度国内股票配置比例持续提升、债券维持高位，海外美股配置略降、美债略升 [2] - A股市场风格方面，盈利因子有望修复，小市值优势有望延续，未来一个月占优风格为高盈利、小市值、高估值 [2] 大类资产配置 BL模型简介 - Black - Litterman（BL）模型融合市场共识与主动观点，以市场均衡收益率为基准，结合主观观点与先验预期收益率，用贝叶斯方法修正预期收益分布，生成组合权重，解决传统均值 - 方差模型问题，可基于不同目标得到最优配置比例 [3] - 报告使用的是基于周期嵌套理论改良版BL模型，基于不同周期定位下大类资产表现修正市场均衡观点，输出最优资产组合，提升组合夏普比率 [3] 未来1个季度内外弱补库延续 - 基于库存周期理论和中期策略，未来一个季度内外弱补库有望延续 [4] - 海外补库动能有韧性，美消费支出平稳，投资领先指标PMI未显著走弱，企业补库动能有保障 [4] - 国内政策有支撑，虽内生增长动力待夯实，但政策确定性增强，为市场注入稳定预期，修正中长期结构性担忧，弱补库韧性短期有望延续 [4] 模型历史表现回测 - BL模型历史回测显示，基于其输出的资产配置比例可提升组合年度胜率、降低最大回撤风险 [5] - 国内资产方面，BL模型输出的组合仅在2013及2017年小幅回撤，其余多数年份年化收益率超3%，组合年度收益率均值4.8% [5][7] - 海外资产方面，基于BL模型输出的组合相较等权重组合，回撤降低，收益率与胜率大幅提升，最大化效用条件下可提升夏普比例 [5][8] 未来一个季度风险资产依旧相对占优 - 基于股债商汇四资产的BL模型限制条件为各类资产不得做空、货币资产配置上限不超10%，优化目标为最大化效用 [10] - 国内资产方面，2025年三季度A股配置比例持续提升，债券资产配置比例维持相对高位，与A股估值强支撑、基本面弱复苏的假设相符 [10] - 海外资产方面，三季度美股配置比例略有降低，美债配置比例略有抬升，反映海外风险资产波动增加、点位偏高，基本面韧性或受考验，下半年联储降息预期或提升 [10] A股市场风格 二季度小市值、低估值因子表现强势 - 2025年6月6日报告构建了市值、估值、盈利、动量四大关键维度的风格因子模型 [13] - 截至2025年6月30日，二季度市场风格为小市值、低估值、弱盈利、弱反转，5月以来小市值因子突出，6月高盈利因子有所表现 [13] - 这反映市场剩余流动性充裕、盈利预期偏弱、外部因素冲击致市场情绪偏弱 [13] 盈利因子有望修复，小市值优势有望延续 - 未来一个月市场占优风格为高盈利、小市值、高估值，小市值趋势确定性高，盈利因子短期有望修复 [17] - 模型假设货币环境维持相对宽松合意水平，信用环境磨底弱修复，存量社融增速或自5月高点边际放缓 [17] - 基本面角度，三季度价格端有望止跌小幅修复，未来一个月呈现量平价弱修复格局 [17] - 风险偏好角度，6月下旬市场风偏加速修复，未来一段时间或自当前水位小幅调整，节奏先下后上 [17] - 进入7月中报交易窗口，盈利因子修复确定性提升，高盈利组合有望跑赢，小市值风格是下半年最确定的风格方向 [17] 主要宽基指数推荐 - 未来一个月可重点关注创业板指、中证A500以及中证2000 [20] - 梳理主要宽基指数近3年风格属性，中证2000、北证50小市值属性强，沪深300、创业板指、中证A500有不同程度大市值属性 [20][21] - 创业板指、中证1000、中证500高估值属性强，创业板指、中证A500等高盈利属性强 [20][21]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：Beta因子** - 因子构建思路：衡量股票相对于市场的系统性风险[16] - 因子具体构建过程：直接使用历史beta值作为因子值[16] 2. **因子名称：市值因子** - 因子构建思路：衡量公司规模大小[16] - 因子具体构建过程：总市值取自然对数 $$ \text{市值因子} = \ln(\text{总市值}) $$ [16] 3. **因子名称：动量因子** - 因子构建思路：衡量股票历史超额收益表现[16] - 因子具体构建过程：计算历史超额收益率序列的均值[16] 4. **因子名称：波动因子** - 因子构建思路：衡量股票价格波动性[16] - 因子具体构建过程：复合波动指标计算如下： $$ 0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率} $$ [16] 5. **因子名称：非线性市值因子** - 因子构建思路：捕捉市值风格的非线性效应[16] - 因子具体构建过程：市值风格的三次方[16] 6. **因子名称：估值因子** - 因子构建思路：衡量股票估值水平[16] - 因子具体构建过程：使用市净率倒数作为因子值[16] 7. **因子名称：流动性因子** - 因子构建思路：衡量股票交易活跃程度[16] - 因子具体构建过程：复合流动性指标计算如下： $$ 0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率} $$ [16] 8. **因子名称：盈利因子** - 因子构建思路：衡量公司盈利能力[16] - 因子具体构建过程：复合盈利指标计算如下： $$ 0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率ttm倒数} $$ [16] 9. **因子名称：成长因子** - 因子构建思路：衡量公司成长性[16] - 因子具体构建过程：复合成长指标计算如下： $$ 0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率} $$ [16] 10. **因子名称：杠杆因子** - 因子构建思路：衡量公司财务杠杆水平[16] - 因子具体构建过程：复合杠杆指标计算如下： $$ 0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率} $$ [16] 11. **因子名称：GRU因子** - 因子构建思路：基于GRU神经网络模型构建的复合因子[19][21][24][27] - 因子评价：在不同市场环境下表现分化，需要结合其他因子使用[19][21][24][27] 12. **因子名称：多因子组合** - 因子构建思路：综合多个因子构建的组合[31] - 因子评价：本周表现较弱，但长期表现稳定[31] 因子回测效果 1. **Beta因子** - 最近一周多空收益：多头表现较好[17] - 最近一月多空收益：多头表现较好[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 2. **市值因子** - 最近一周多空收益：空头表现强势[17] - 最近一月多空收益：空头表现强势[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 3. **盈利因子** - 最近一周多空收益：空头表现强势[17] - 最近一月多空收益：空头表现强势[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 4. **估值因子** - 最近一周多空收益：空头表现强势[17] - 最近一月多空收益：空头表现强势[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 5. **流动性因子** - 最近一周多空收益：多头表现较好[17] - 最近一月多空收益：多头表现较好[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 6. **GRU因子** - open1d模型： - 近一周超额收益：-0.35%[32] - 近一月超额收益：-0.71%[32] - 近三月超额收益：4.21%[32] - 近六月超额收益：5.85%[32] - 今年以来超额收益：6.30%[32] - close1d模型： - 近一周超额收益：0.55%[32] - 近一月超额收益：0.40%[32] - 近三月超额收益：5.04%[32] - 近六月超额收益：6.40%[32] - 今年以来超额收益：6.31%[32] - barra1d模型： - 近一周超额收益：0.17%[32] - 近一月超额收益：0.32%[32] - 近三月超额收益：1.97%[32] - 近六月超额收益：4.09%[32] - 今年以来超额收益：3.93%[32] - barra5d模型： - 近一周超额收益：0.13%[32] - 近一月超额收益：0.39%[32] - 近三月超额收益：4.48%[32] - 近六月超额收益：7.59%[32] - 今年以来超额收益：7.56%[32] 7. **多因子组合** - 近一周超额收益：-0.38%[32] - 近一月超额收益：-0.04%[32] - 近三月超额收益：1.43%[32] - 近六月超额收益：3.56%[32] - 今年以来超额收益：2.82%[32]