量化模型与构建方式 1. **模型名称：因子挖掘2.0模型框架（GRU+GAT_SA加权_考虑财务）**[2][18] * **模型构建思路**：在1.0版本（LSTM+MLP）基础上进行升级，通过GRU网络挖掘时序信息，通过GAT网络挖掘股票间的截面关联信息，并使用自注意力（SA）加权方式融合不同关联网络（行业、财务、资金流）的GAT输出，最后拼接财务指标以增强多头表现。[2][18][24][25][32][35] * **模型具体构建过程**： 1. **输入**：使用不同的特征集（如PV、G、C等）作为模型输入。[19] 2. **时序信息提取**：输入特征首先通过GRU（门控循环单元）网络，提取时间序列上的隐藏信息。[24] 3. **截面信息提取**：将GRU的输出作为GAT（图注意力网络）的输入。GAT网络根据预定义的股票关联图（如行业关联、财务关联、资金流关联）聚合邻居节点的信息。[25][27] 4. **多网络融合**：对于三种不同关联网络（行业、财务、资金流）的GAT输出，不采用简单等权合成，而是引入一个可学习的MLP层进行SA加权。该MLP层的输入为过去20日的Barra风格因子收益，输出经Softmax归一化后得到各网络的动态权重。[7][32] 5. **财务信息融合**：将SA加权融合后的GAT输出，与截面标准化后的财务指标（9大类，含原始值、同比、环比）进行拼接。[35][36][37] 6. **输出**：拼接后的特征通过一个全连接层（MLP），输出最终的因子预测值。[35] 2. **模型名称：收益率牵引因子模型**[27] * **模型构建思路**：基于资金流关联网络，通过聚合同状态股票集的收益率信息来构建选股因子，是GAT网络思想的雏形。[27] * **模型具体构建过程**： 1. **构建关联状态**：在每个交易日，回看过去20个交易日，根据小单净流入强度将股票分为20种状态。[27] 2. **计算同状态股票集收益**：对于股票A，找到与其处于相同状态的所有股票，计算该股票集合的收益平均值。[27] 3. **计算因子值**：将股票A自身的收益对同状态股票集收益平均值进行回归，所得的残差即为股票A的因子值。[27] $$因子值_A = 残差(收益_A \sim 同状态股票集平均收益)$$ 3. **因子名称：ML_C（综合深度学习因子）**[7][69] * **因子构建思路**：将多个单一特征集（PV, G, C, HF, DP）以及二维度交叉挖掘出的因子，按照其多头收益表现进行加权合成，得到最终的综合因子。[69] * **因子具体构建过程**： 1. **单一维度挖掘**：使用“GRU+GAT_SA加权_考虑财务”模型，分别对PV、G、C、HF、DP五个特征集进行训练，得到五个基础因子。[68] 2. **二维度交叉挖掘**：尝试将任意两个特征维度放在一起进行联合挖掘，维度间使用SA加权，得到一系列二维因子。[69] 3. **合成**：将步骤1得到的基础因子和步骤2得到的二维因子，按照各自的多头收益表现进行加权，合成最终的ML_C因子。[69] 4. **因子名称：G（技术指标和K线状态变量）**[7][19][45] * **因子构建思路**：从图形识别思路出发，基于基础行情（开、高、低、收、成交量）计算技术指标和合成K线，并通过状态变量编码进行特征拓展。[45] * **因子具体构建过程**：报告未提供具体计算的技术指标列表和K线状态变量编码公式，但指出其转化思路来源于《深度学习赋能技术分析》报告。[45][46] 5. **因子名称：C（大小单资金流）**[7][19][52] * **因子构建思路**：基于大小单资金流原始数据，通过计算衍生指标和状态变量来增强特征。[52][54] * **因子具体构建过程**： 1. **原始数据**：使用AshareMoneyFlow基础表中的资金流数据。[52] 2. **衍生指标**：计算如资金流过去250日的分位点等特征。[54] 3. **状态变量转化**：针对每类资金流（如买入、卖出、主动买入、主动卖出），每日判断四个问题：净买入>0？主动净买入>0？主动买入比例>0.5？主动卖出比例>0.5？将答案转化为状态变量。[54][55] 6. **因子名称：HF（高频特征）**[7][19][59] * **因子构建思路**：将高频数据降维至日度特征进行挖掘。[59] * **因子具体构建过程**：输入特征包括两部分：1) 分钟收益率和分钟成交量相关衍生指标；2) 逐笔成交数据降频至分钟频后计算的相关衍生指标，具体指标来源于前期相关报告。[59] 7. **因子名称：DP（遗传算法有效因子）**[7][19][60] * **因子构建思路**：将前期通过遗传算法挖掘出的有效因子（Alpha185因子集）作为特征，输入深度学习模型进行“再掘金”。[60][65] * **因子具体构建过程**：从Alpha185因子集中，筛选在2017年之前表现较好且缺失度较低的48个因子作为输入特征。在挖掘时，由于输入已是有效因子，不再使用时序网络（GRU），而直接采用GAT网络进行截面信息挖掘。[60][65] 8. **模型名称：行业轮动因子合成模型**[89][91][92] * **模型构建思路**：采用自下而上的方法，将个股因子通过多种方式聚合至行业层面，构建行业轮动因子。[89] * **模型具体构建过程**： 1. **聚合方法**：对个股因子采用5种聚合方式生成行业因子：(1)因子值均值（等权）；(2)因子值市值加权；(3)因子值分域后等权（前1/3标1，后2/3标-1，其余0，取均值）；(4)因子值分域后市值加权；(5)选取因子值前20%的股票，统计其数量占行业股票总数的比例。[89] 2. **因子选取与合成**：选取“综合因子ML_C”等5个特定因子在特定聚合方式下生成的行业轮动因子，进行等权合成，得到最终的行业轮动因子。[91][92] 9. **模型名称：强化学习风格优选模型**[5][76][77] * **模型构建思路**：针对深度学习因子风格倾向性强的问题，结合强化学习进行风格轮动，实现Alpha与Beta的协同优选，以降低极端市场环境下的回撤。[5][76] * **模型具体构建过程**：基于《深度学习赋能风格轮动和多策略融合》中的方案，将风格轮动转化为截面标的优选问题，使用强化学习SAC方法进行日度决策。在调仓日，汇总过去20个交易日的风格action值进行排序，选取排名靠前的10种风格。[77][80] 模型的回测效果 *测试区间均为2020年1月1日至2025年11月28日，双周频调仓，因子经市值行业中性化处理。多头超额基准：全市场为中证全指，宽基内为对应宽基指数。[24]* 1. **GRU+GAT_SA加权_考虑财务模型 (基于PV特征集)**，10日RankIC 11.7%，年化RankICIR 5.7，多空对冲年化收益 58.9%，多空对冲信息比率 5.1，多空对冲最大回撤 -4.8%，多空对冲胜率 82.7%，多头超额年化收益 24.1%，多头超额信息比率 3.0，多头超额最大回撤 -5.4%，多头超额胜率 72.0%。[39][44] 2. **GRU+GAT_SA加权_考虑财务模型 (基于G特征集)**，10日RankIC 11.0%，年化RankICIR 5.8，多空对冲年化收益 59.9%，多空对冲信息比率 6.2，多空对冲最大回撤 -2.5%，多空对冲胜率 82.7%，多头超额年化收益 23.3%，多头超额信息比率 3.3，多头超额最大回撤 -5.4%，多头超额胜率 75.3%。[47][49] 3. **GRU+GAT_SA加权_考虑财务模型 (基于C特征集)**，10日RankIC 10.6%，年化RankICIR 5.1，多空对冲年化收益 56.4%，多空对冲信息比率 5.2，多空对冲最大回撤 -4.4%，多空对冲胜率 81.3%，多头超额年化收益 19.5%，多头超额信息比率 2.8，多头超额最大回撤 -5.6%，多头超额胜率 70.0%。[56][58] 4. **GRU+GAT_SA加权_考虑财务模型 (基于HF特征集)**，10日RankIC 11.6%，年化RankICIR 5.9，多空对冲年化收益 57.5%，多空对冲信息比率 5.8，多空对冲最大回撤 -5.2%，多空对冲胜率 82.0%，多头超额年化收益 19.1%，多头超额信息比率 2.6，多头超额最大回撤 -7.4%，多头超额胜率 73.3%。[59][62] 5. **GRU+GAT_SA加权_考虑财务模型 (基于DP特征集)**，10日RankIC 11.4%，年化RankICIR 6.2，多空对冲年化收益 49.2%，多空对冲信息比率 4.4，多空对冲最大回撤 -4.7%，多空对冲胜率 76.0%，多头超额年化收益 20.3%，多头超额信息比率 2.8，多头超额最大回撤 -4.6%，多头超额胜率 70.0%。[65][66] 6. **PV和G因子合成 (基于GRU+GAT_SA加权_考虑财务模型)**，全市场10日RankIC 12.4%，年化RankICIR 6.0，多空对冲年化收益 66.7%，多空对冲信息比率 6.0，多空对冲最大回撤 -4.5%，多空对冲胜率 82.7%，多头超额年化收益 24.5%，多头超额信息比率 3.3，多头超额最大回撤 -3.9%，多头超额胜率 75.3%。[50][51] 7. **ML_C (综合深度学习因子)**，全市场10日RankIC 14.2%，年化RankICIR 6.3，多空对冲年化收益 72.7%，多空对冲信息比率 6.1，多空对冲最大回撤 -4.8%，多空对冲胜率 82.0%，多头超额年化收益 26.1%，多头超额信息比率 3.1，多头超额最大回撤 -5.0%，多头超额胜率 74.0%。[7][72] 8. **ML_C因子在沪深300样本空间**，10日RankIC 8.6%，年化RankICIR 2.7，多空对冲年化收益 26.4%，多空对冲信息比率 1.9，多空对冲最大回撤 -14.6%，多空对冲胜率 60.7%，多头超额年化收益 12.4%，多头超额信息比率 1.3，多头超额最大回撤 -6.3%，多头超额胜率 57.3%。[73][75] 9. **ML_C因子在中证500样本空间**，10日RankIC 9.4%，年化RankICIR 3.5，多空对冲年化收益 37.9%，多空对冲信息比率 2.8，多空对冲最大回撤 -15.5%，多空对冲胜率 70.0%，多头超额年化收益 13.7%，多头超额信息比率 2.0，多头超额最大回撤 -5.3%，多头超额胜率 66.7%。[73][75] 10. **ML_C因子在中证1000样本空间**，10日RankIC 11.8%，年化RankICIR 4.7，多空对冲年化收益 57.0%，多空对冲信息比率 4.1，多空对冲最大回撤 -12.4%，多空对冲胜率 78.0%，多头超额年化收益 17.3%，多头超额信息比率 2.3，多头超额最大回撤 -8.1%，多头超额胜率 65.3%。[74][75] 11. **行业轮动因子 (5因子等权合成)**，10日RankIC 9.21%，多头年化收益 17.93%，多头年化波动率 25.44%，多头最大回撤 -20.23%，多头胜率 54.67%，夏普比率 0.70，多空对冲年化收益 22.41%，多空对冲信息比率 1.70，多空对冲最大回撤 -9.96%，多空对冲胜率 60.00%。[92][94] 12. **上证50增强 (行业轮动方案)**，超额年化收益 4.95%，超额年化波动率 2.17%，超额信息比率 2.28，超额最大回撤 -1.98%。[5][95][97] 13. **上证50增强 (Barra优化框架)**，超额年化收益 5.82%，超额年化波动率 2.78%，超额信息比率 2.09，超额最大回撤 -3.03%。[99][101] 14. **沪深300增强 (Barra优化框架)**，超额年化收益 6.77%，超额年化波动率 3.29%，超额信息比率 2.06，超额最大回撤 -3.81%。[5][103][106] 15. **中证500增强 (Barra优化框架)**，超额年化收益 10.72%，超额年化波动率 3.78%，超额信息比率 2.83，超额最大回撤 -3.31%。[5][103][109] 16. **中证1000增强 (Barra优化框架)**，超额年化收益 14.41%，超额年化波动率 4.42%，超额信息比率 3.26，超额最大回撤 -3.34%。[5][103][112] 量化因子与构建方式 1. **因子名称：收益率牵引因子**[27] * **因子构建思路**：基于资金流关联网络，通过聚合同状态股票集的收益率信息来构建选股因子。[27] * **因子具体构建过程**： 1. **构建关联状态**：在每个交易日，回看过去20个交易日，根据小单净流入强度将股票分为20种状态。[27] 2. **计算同状态股票集收益**：对于股票A，找到与其处于相同状态的所有股票，计算该股票集合的收益平均值。[27] 3. **计算因子值**：将股票A自身的收益对同状态股票集收益平均值进行回归，所得的残差即为股票A的因子值。[27] $$因子值_A = 残差(收益_A \sim 同状态股票集平均收益)$$ * **因子评价**：该因子具备一定的选股效果，是GAT网络挖掘因子思想的雏形。[27] 2. **因子名称：开源金工特色大小单资金流人工因子（大单残差、小单残差、主动买卖、散户羊群效应、超大单关注度）**[52][53] * **因子构建思路**：基于AshareMoneyFlow基础表，从不同角度人工构建的交易行为因子。[52] * **因子具体构建过程**：报告未提供具体公式，仅列出因子名称及来源报告。[53] 因子的回测效果 *测试区间均为2020年1月1日至2025年11月28日，双周频调仓。[53]* 1. **收益率牵引因子**，10日RankIC 2.3%。[27] 2. **大单残差因子**，10日RankIC 2.1%，RankICIR 1.6。[53] 3. **小单残差因子**，10日RankIC -2.2%，RankICIR -1.9。[53] 4. **主动买卖因子**，10日RankIC 4.8%，RankICIR 3.5。[53] 5. **散户羊群效应因子**，10日RankIC -3.0%，RankICIR -2.3。[53] 6. **超大单关注度因子**，10日RankIC 5.3%，RankICIR 3.9。[53]

核心观点 报告系统性地构建了一套基于大语言模型与提示工程的自动化因子研究框架，旨在探索AI在量化投资全链条中的应用潜力。该框架成功应用于低频量价、基本面和高频数据的因子挖掘与优化，并利用大模型分析非结构化文本构建情绪因子。最终，通过融合AI生成的多维信息，构建的综合中证800指数增强策略实现了超额收益和信息比率的显著提升，验证了AI在量化研究中实现“1+1>2”效果的巨大潜力[1]。 低频量价因子的优化与生成 - 报告以Alpha158因子库为基础，通过人机交互的迭代循环，对经典量价因子进行深度优化与生成。例如，波动率因子std20经过优化后，其RankIC均值从4.03%提升至7.80%，ICIR从0.31提升至0.55[1][37]。 - AI能够识别原始因子的逻辑缺陷并提出有效改进方案。以std20因子为例，其改进方案引入了平均真实波幅和成交量加权机制，优化效果在5至60日的多个窗口期下均具备普适性[1][37][42]。 - 通过为模型提供已验证的“成功案例”作为先验知识，实现了从零生成新因子的突破，成功挖掘出多个与样例因子相关性低、ICIR在0.8以上的新因子。这些AI生成因子在样本外跟踪中表现持续稳健，部分因子的样本外ICIR能达到1.0以上[1]。 基本面因子挖掘 - 在基本面维度，AI展现出强大的因子发现能力，不仅能生成经典因子的增强版本，更能从新颖视角对价值、质量、成长三类因子进行有效拓展与创新[1]。 - 具体案例包括：从留存收益角度构建了REP_LF因子，从应收账款周转率角度构建了ART_QR因子，并生成了现金毛利CGP_TTM的增强版本[1]。 高频因子挖掘 - 在高频维度，通过赋予AI直接生成Python代码的能力，挖掘出一批逻辑新颖且表现优异的高频因子。其中部分强信号因子的多空组合年化收益超过60%[1]。 - 将AI高频因子库融入融合了日K与周K行情数据的AGRU神经网络模型后，模型的年化多头超额收益由18.24%显著提升至25.28%，RankIC均值提升了0.71个百分点[1]。 非结构化文本情绪分析 - 利用Gemini 2.5 Pro大模型对近百万字的上市公司调研纪要进行深度解析，并通过双速动态衰减模型构建了周度情绪因子[1]。 - 研究发现，该情绪因子呈现出独特的非对称预测能力，即正面情绪与股价上涨关系不强，但负面情绪是未来股价下跌的强预警信号，其空头组合年化超额收益达8.26%，显著优于传统因子。该因子与传统量价及基本面因子的相关性极低，可作为独立且有效的补充信息源[1]。 综合策略构建与效果 - 最终构建了一个多维信息融合的综合策略：将AI挖掘的高频因子与低频行情数据融合进AGRU神经网络，形成核心Alpha；再利用AI文本情绪因子对该核心Alpha进行空头端风险调整，构建了最终的中证800指数增强策略[1]。 - 与未加入调研因子调整的策略相比，最终策略在保持换手率基本不变的情况下，年化超额收益由11.15%提升至11.81%，信息比率由2.18提升至2.31，且近三年超额提升皆超过1个百分点[1]。

根据提供的研报内容，以下是关于量化因子与模型的总结。 量化因子与构建方式 1. **因子名称**：涨跌类因子 (KeyPeriod_ret) [7][25][26] - **因子构建思路**：基于分钟频因子构建逻辑的改进，采用逐笔订单数据，通过识别日内不同涨跌幅表现的重点时段（如横盘、下跌、上涨时段），并统计这些时段内的量价特征来构建因子[7][25] - **因子具体构建过程**：首先，根据分钟线的涨跌幅对交易日内的分钟时段进行分类，例如，将涨跌幅接近于零的时段定义为横盘时段 (ret_zero)，将涨跌幅处于最低5%的时段定义为下跌时段 (ret_low5pct)，将涨跌幅处于最高5%的时段定义为上涨时段 (ret_top5pct)。然后，在这些定义出的关键时段内，使用Level 2逐笔订单数据计算特定的量价指标。构建过程还包含了主买 (buy) 和主卖 (sell) 的区分，例如 KeyPeriod_ret_low5pct_buy 和 KeyPeriod_ret_low5pct_sell，分别代表在下跌时段内的主买和主卖相关特征[26][27][30] 2. **因子名称**：价格类因子 (KeyPeriod_price) [7][25][31] - **因子构建思路**：通过识别日内股价相对高低的关键时段，并统计这些时段内的量价特征来构建因子[7][25] - **因子具体构建过程**：根据分钟线的价格水平对交易日内的分钟时段进行分类，例如，将价格处于最低5%的时段定义为低价时段 (price_low5pct)，将价格处于最高5%的时段定义为高价时段 (price_top5pct)。然后，在这些关键时段内使用Level 2逐笔订单数据计算量价指标。同样包含主买 (buy) 和主卖 (sell) 的区分，例如 KeyPeriod_price_low5pct_buy 和 KeyPeriod_price_low5pct_sell[32] 3. **因子名称**：成交金额类因子 (KeyPeriod_amount) [7][25][34] - **因子构建思路**：通过识别日内成交金额相对大小的关键时段，并统计这些时段内的量价特征来构建因子[7][25] - **因子具体构建过程**：根据分钟线的成交金额对交易日内的分钟时段进行分类，例如，将成交金额处于最高30%的时段定义为大成交金额时段 (amount_top30pct)，将成交金额处于最低50%的时段定义为小成交金额时段 (amount_low50pct)。然后，在这些关键时段内使用Level 2逐笔订单数据计算量价指标。构建过程也包含了主买 (buy) 和主卖 (sell) 的区分，例如 KeyPeriod_amount_top30pct_buy 和 KeyPeriod_amount_top30pct_sell[35] 4. **因子名称**：量价协同类因子 (KeyPeriod_sync) [7][25][37] - **因子构建思路**：通过识别日内量价关系（协同或背离）的关键时段，并统计这些时段内的量价特征来构建因子[7][25] - **因子具体构建过程**：首先需要定义一个量价协同指标（具体公式未在提供内容中明确给出，但逻辑是衡量价格变动与成交量变动的一致性），然后根据该指标对交易日内的分钟时段进行分类，例如，将量价协同度处于最低50%的时段定义为量价背离时段 (sync_low50pct)，将量价协同度处于最高5%的时段定义为量价协同时段 (sync_top5pct)。接着，在这些关键时段内使用Level 2逐笔订单数据计算量价指标。构建过程同样包含主买 (buy) 和主卖 (sell) 的区分，例如 KeyPeriod_sync_low50pct_buy 和 KeyPeriod_sync_low50pct_sell[38] 因子的回测效果 1. **KeyPeriod_ret_zero 因子** (20日换仓，5日平滑因子)，RankIC均值: -5.36%，胜率: 85.1% [7][27] 2. **KeyPeriod_ret_low5pct 因子** (20日换仓，5日平滑因子)，RankIC均值: 5.47%，胜率: 84.1% [7][27] 3. **KeyPeriod_price_low5pct 因子** (20日换仓，5日平滑因子)，RankIC均值: 5.59%，胜率: 85.3% [7][32] 4. **KeyPeriod_amount_top30pct 因子** (20日换仓，5日平滑因子)，RankIC均值: 11.23%，胜率: 84.8% [7][35] 5. **KeyPeriod_amount_low50pct 因子** (20日换仓，5日平滑因子)，RankIC均值: -10.50%，胜率: 75.0% [7][35] 6. **KeyPeriod_sync_low50pct 因子** (20日换仓，5日平滑因子)，RankIC均值: 6.00%，胜率: 81.5% [7][38]

量化模型与构建方式 1. **模型名称：LSTMtech** - **模型构建思路**：直接使用LSTM模型对股价数据（开、高、低、收、成交量）及技术指标进行因子挖掘[15] - **模型具体构建过程**：输入层为原始量价数据及talib生成的技术指标，采用6年训练集+2年验证集的滚动训练方式，每年更新模型参数[15] - **模型评价**：多头分组效果不够单调，但整体选股能力稳定[15] 2. **模型名称：LSTMdeap_tech** - **模型构建思路**：先通过遗传算法挖掘有效技术因子，再与原始数据共同输入LSTM模型[24][26] - **模型具体构建过程**： 1. 使用遗传算法在2010-2016年数据中挖掘有效因子（框架见图4）[20][22] 2. 将遗传算法因子与原始技术指标合并作为LSTM输入[26] 3. 保持相同的滚动训练机制（6年训练+2年验证）[26] - **模型评价**：绩效显著优于纯LSTM模型，且能覆盖原始LSTM因子的alpha信息[26] 3. **模型名称：LSTMgraph** - **模型构建思路**：将技术指标转化为人为定义的状态变量后输入LSTM[33][41] - **模型具体构建过程**： 1. 对K线形态（实体/影线）和技术指标（如均线相对位置）进行状态编码[33] 2. 合成1-20日K线状态变量作为输入[41] 3. 采用相同LSTM框架训练[41] - **模型评价**：解决了CNN图形识别耗时耗资源的问题，同时保留形态特征[32][41] 4. **复合模型名称：LSTMdeap_tech_graph** - **模型构建思路**：等权合成LSTMdeap_tech与LSTMgraph因子[47][49] - **模型具体构建过程**： 1. 验证两因子相关性（51.48%）及残差选股效果（见图16）[47][49] 2. 直接等权加权合成[49] - **模型评价**：多维度技术信号互补，绩效进一步提升[49] 5. **复合模型名称：LSTMdeap_tech_graph_pro** - **模型构建思路**：将LSTMdeap_tech_graph与交易行为因子LSTMpro等权合成[54] - **模型具体构建过程**：基于38.61%的低相关性直接合成[54] - **模型评价**：多头超额收益显著提升，收益波动比优化[54] --- 量化因子与构建方式 1. **因子名称：Tech_similarity** - **构建思路**：基于技术指标状态匹配历史相似形态[35] - **具体构建过程**： 1. 按月回看5个交易日，匹配股价/MACD/涨跌停/成交量状态[35] 2. 计算匹配日后续20天超额收益均值[35] $$因子值=\frac{1}{5}\sum_{i=1}^{5} (匹配日_i未来20天超额收益)$$ 2. **因子名称：K_similarity** - **构建思路**：基于K线形态匹配历史相似模式[39] - **具体构建过程**： 1. 对日/周/月K线及成交量状态编码[39] 2. 采用与Tech_similarity相同的计算逻辑[39] 3. **复合因子名称：Tech_K_similarity** - **构建思路**：等权合成Tech_similarity与K_similarity[40] - **具体构建过程**：验证两因子25.49%相关性后直接合成[40] --- 模型的回测效果 | 模型名称 | RankIC(2019-) | RankICIR | 多空年化收益 | 多头超额年化 | |------------------------|---------------|----------|--------------|--------------| | LSTMtech | 7.42% | 4.25 | 24.02% | - | [15] | LSTMdeap_tech | 9.27% | 4.54 | 32.44% | - | [26] | LSTMgraph | 9.01% | 4.70 | 32.25% | - | [41][44] | LSTMdeap_tech_graph | 10.89% | 4.99 | 37.28% | 9.40% | [49] | LSTMdeap_tech_graph_pro | 11.93% | - | 39.85% | 11.34% | [54] --- 因子的回测效果 | 因子名称 | RankIC(2013-) | RankICIR | 多空年化收益 | |-------------------|---------------|----------|--------------| | Tech_similarity | 4.97% | 3.05 | 20.22% | [35][37] | K_similarity | 5.10% | 3.09 | 19.25% | [39][42] | Tech_K_similarity | 5.89% | 3.25 | 25.97% | [40][43]