量化模型与构建方式 1. **模型名称**：DFQ-FactorGCL - **模型构建思路**：基于超图卷积神经网络和时间残差对比学习的股票收益预测模型[6] - **模型具体构建过程**：未详细描述 2. **模型名称**：DFQ-FactorVAE-pro - **模型构建思路**：加入特征选择与环境变量模块的FactorVAE模型[6] - **模型具体构建过程**：未详细描述 3. **模型名称**：Neural ODE - **模型构建思路**：时序动力系统重构下深度学习因子挖掘模型[6] - **模型具体构建过程**：未详细描述 量化因子与构建方式 1. **因子名称**：Beta风格因子 - **因子构建思路**：衡量股票对市场波动的敏感性，基于贝叶斯压缩后的市场Beta[16] - **因子具体构建过程**：$$Beta = \text{贝叶斯压缩后的市场Beta}$$[16] - **因子评价**：近期表现突出，市场对高Beta股票偏好稳定[11][13] 2. **因子名称**：UMR因子（一个月UMR） - **因子构建思路**：风险调整后的动量因子，基于一个月窗口计算[21] - **因子具体构建过程**：未详细描述 - **因子评价**：在中证全指样本空间中表现最佳[47] 3. **因子名称**：DELTAROA - **因子构建思路**：单季总资产收益率同比变化[21] - **因子具体构建过程**：$$DELTAROA = \text{单季总资产收益率} - \text{去年同期总资产收益率}$$[21] - **因子评价**：在中证1000样本空间中表现最佳[36] 4. **因子名称**：非流动性冲击 - **因子构建思路**：衡量股票流动性风险，基于过去20个交易日日度涨跌幅绝对值比成交额的均值[21] - **因子具体构建过程**：$$ILLIQ\_1M = \frac{\sum_{t=1}^{20} |r_t|}{V_t}$$[21] - **因子评价**：在国证2000样本空间中表现最佳[39] 5. **因子名称**：预期PEG - **因子构建思路**：一致预期滚动PE与个股滚动净利复合增长率的比值[21] - **因子具体构建过程**：$$TTM\_FPEG = \frac{\text{一致预期滚动PE}}{\text{个股滚动净利复合增长率}}$$[21] - **因子评价**：在沪深300样本空间中表现最佳[24] 6. **因子名称**：一年动量 - **因子构建思路**：剔除近1个月的过去一年涨跌幅[21] - **因子具体构建过程**：$$MOMENTUM\_1Y = \sum_{t=2}^{12} r_t$$[21] - **因子评价**：在中证500样本空间中表现最佳[28] 模型的回测效果 1. **DFQ-FactorGCL模型**：未提供具体回测数据 2. **DFQ-FactorVAE-pro模型**：未提供具体回测数据 3. **Neural ODE模型**：未提供具体回测数据 因子的回测效果 1. **Beta风格因子**： - 近一周收益：0.88%[13] - 近一月收益：5.18%[13] - 今年以来收益：21.07%[13] 2. **一个月UMR因子**： - 近一周收益：1.82%[47] - 近一月收益：1.49%[47] - 今年以来收益：6.19%[47] 3. **DELTAROA因子**： - 近一周收益：0.63%[36] - 近一月收益：1.57%[36] - 今年以来收益：8.06%[36] 4. **非流动性冲击因子**： - 近一周收益：1.26%[39] - 近一月收益：1.99%[39] - 今年以来收益：12.11%[39] 5. **预期PEG因子**： - 近一周收益：0.75%[24] - 近一月收益：2.07%[24] - 今年以来收益：7.23%[24] 6. **一年动量因子**： - 近一周收益：0.84%[28] - 近一月收益：2.33%[28] - 今年以来收益：3.83%[28] 附录 - **MFE组合构建方式**：通过线性规划最大化单因子暴露，控制行业、风格等约束[63] - 目标函数：$$max\ f^{T}w$$[63] - 约束条件：风格偏离、行业偏离、换手率等[63]

量化模型与构建方式 1. **模型名称：GAN_GRU模型** - **模型构建思路**：结合生成式对抗网络（GAN）和门控循环单元（GRU）的深度学习模型，通过GAN处理量价时序特征后，利用GRU进行时序编码生成选股因子[9][10] - **模型具体构建过程**： 1. **数据输入**：18个量价特征（如收盘价、成交量等），采样形状为40*18（过去40天的特征）[13][14] 2. **GAN部分**： - 生成器（LSTM）：输入原始量价特征（40,18），输出生成的特征（40,18）[29][32] - 判别器（CNN）：处理二维时序特征，损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ 生成器损失函数为： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$[20][23] 3. **GRU部分**：两层GRU(128,128) + MLP(256,64,64)，输出预测收益pRet作为因子[18] 4. **训练细节**：半年度滚动训练，Adam优化器，学习率1e-4，损失函数为IC[14] - **模型评价**：通过对抗训练提升特征生成能力，保留时序性质的同时增强特征逼真度[26][29] --- 模型的回测效果 1. **GAN_GRU模型** - **IC均值**：11.54%（全A股，2019-2025）[36] - **ICIR**：0.89[37] - **年化超额收益率**：24.95%[37] - **信息比率（IR）**：1.56[37] - **最大回撤**：27.29%[37] - **最新一期IC**：8.34%（2025年6月）[36] - **行业表现**：建筑装饰、公用事业等行业IC均值最高（19.68%、17.15%）[37][39] --- 量化因子与构建方式 1. **因子名称：GAN_GRU因子** - **因子构建思路**：基于GAN_GRU模型输出的预测收益pRet，经行业市值中性化+标准化处理后作为选股因子[18][36] - **因子具体构建过程**： 1. 模型输出预测收益pRet 2. 截面标准化+行业市值中性化处理[18] - **因子评价**：在全A股范围内表现稳定，行业适应性较强[36][40] --- 因子的回测效果 1. **GAN_GRU因子** - **多头组合超额收益**： - 家用电器行业最高（7.27%单月，5.90%近一年）[40][41] - 全行业近一年均跑赢基准[40] - **行业IC排名**：建筑装饰（26.10%单月）、基础化工（25.43%）[37][39] - **换手率**：0.83[37] --- 多头组合示例（2025年6月） - **前十个股**：凤凰传媒、川投能源、海尔智家等[42][44] - **行业排名第一个股**：中国电建（建筑装饰）、宝信软件（计算机）等[42]

报告行业投资评级 未提及 报告的核心观点 本周市场正收益风格集中在Growth风格上，负收益风格表现在Size风格上；EPTTM一年分位点是中证全指成分股中本周表现最好的因子 [1] 各部分总结 风格因子近期表现 - Growth因子本周正收益2.17%，较上一周0.79%显著提升，市场对成长型股票偏好增强；Trend因子本周收益1.39%，较上一周3.09%有所回落但仍为正收益，市场对趋势投资策略认可较高；Beta因子本周收益0.49%，较上一周 -2.86%显著回升，市场对高Beta股票关注恢复 [9] - Liquidity、SOE、Volatility、Certainty、Value、Cubic size、Size因子本周收益为负，市场对高流动性资产、国有企业股票、高波动性资产、确定性投资策略、价值投资策略、小盘股的关注度减弱 [10] 因子表现监控 因子库 - 指数增强因子库涵盖估值、成长、盈利、分析师预期、景气度、分红、公司治理、PEAD、流动性、波动率、反转与动量等维度 [16] 不同样本空间因子表现 - 沪深300指数选股空间：最近一周分析师认可度等因子表现较好，一个月反转等因子表现较差；最近一月预期PEG等因子表现较好，单季净利同比增速环比变化等因子表现较差 [6][21] - 中证500指数选股空间：最近一周单季营收同比增速等因子表现较好，一年动量等因子表现较差；最近一月一个月反转等因子表现较好，一个月UMR等因子表现较差 [6][25] - 中证800指数选股空间：最近一周单季EP等因子表现较好，一个月反转等因子表现较差；最近一月预期PEG等因子表现较好，单季净利同比增速环比变化等因子表现较差 [6][29] - 中证1000指数选股空间：最近一周EPTTM一年分位点等因子表现较好，盈余公告最低价跳空超额等因子表现较差；最近一月高管薪酬等因子表现较好，公募持股市值等因子表现较差 [6][33] - 国证2000指数选股空间：最近一周预期ROE环比变化等因子表现较好，三个月UMR等因子表现较差；最近一月标准化预期外盈利等因子表现较好，公募持股市值等因子表现较差 [6][38] - 创业板指选股空间：最近一周预期ROE环比变化等因子表现较好，EPTTM一年分位点等因子表现较差；最近一月标准化预期外盈利等因子表现较好，EPTTM一年分位点等因子表现较差 [6][43] - 中证全指选股空间：最近一周EPTTM一年分位点等因子表现较好，一个月反转等因子表现较差；最近一月六个月UMR等因子表现较好，一年动量等因子表现较差 [6][47] 公募基金指数增强产品表现跟踪 沪深300指数增强产品 - 最近一周超额收益最高1.42%，最低 -0.15%，中位数0.37%；前三名分别为申万菱信沪深300优选指数增强A、中欧沪深300指数量化增强A、申万菱信沪深300指数增强A [6][52] 中证500指数增强产品 - 最近一周超额收益最高0.90%，最低 -0.04%，中位数0.33%；前三名分别为华泰紫金中证500指数增强A、平安中证500指数增强A、博时中证500指数增强A [6][56] 中证1000指数增强产品 - 最近一周超额收益最高0.95%，最低 -0.24%，中位数0.18%；前三名分别为汇添富中证1000指数增强A、招商中证1000指数增强A、万家中证1000指数增强A [6][60] 附录 - 构建MFE组合可判断因子在给定基准中是否有效，采用组合优化模型构建单因子MFE组合，目标函数为最大化单因子暴露，约束条件包括风格、行业、个股偏离度、成分股权重占比、个股权重上下限、换手率等 [61]

量化模型与构建方式 1. **模型名称**：GAN_GRU模型 - **模型构建思路**：结合生成式对抗网络（GAN）和门控循环单元（GRU）的深度学习模型，通过GAN处理量价时序特征后，利用GRU进行时序编码生成选股因子[9][10]。 - **模型具体构建过程**： 1. **数据输入**：18个量价特征（如收盘价、成交量等），采样形状为40*18（过去40天的特征）[13][14]。 2. **预处理**：时序去极值+标准化，截面标准化[14]。 3. **GAN部分**： - 生成器（G）：LSTM结构，输入噪声生成逼真量价特征，损失函数为： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ - 判别器（D）：CNN结构，区分真实与生成特征，损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ - 交替训练G和D直至收敛[20][21][23][26]。 4. **GRU部分**：两层GRU(128,128) + MLP(256,64,64)，输出预测收益pRet作为因子[18]。 - **模型评价**：有效捕捉量价时序特征的非线性关系，生成因子具有较高区分度[9][18]。 --- 量化因子与构建方式 1. **因子名称**：GAN_GRU因子 - **因子构建思路**：基于GAN_GRU模型输出的预测收益pRet，经行业市值中性化+标准化处理后作为选股因子[18][37]。 - **因子具体构建过程**： 1. 模型训练：半年滚动训练（每年6月30日、12月31日更新），预测未来20日收益[14]。 2. 因子生成：对全A股（剔除ST及上市不足半年股票）输出pRet，中性化处理[14][18]。 --- 模型的回测效果 1. **GAN_GRU模型**： - IC均值：11.57% | ICIR：0.89 | 年化超额收益率：25.01% - 年化波动率：24.02% | IR：1.66 | 最大回撤：27.29%[37][38]。 --- 因子的回测效果 1. **GAN_GRU因子**： - **全A表现**： - 近一年IC均值：11.54% | 最新一期IC：-0.28%[37][38]。 - **行业表现**： - 当期IC前五行业：社会服务（30.15%）、国防军工（28.07%）、银行（25.31%）[39]。 - 近一年超额收益前五行业：石油石化（5.60%）、建筑材料（5.29%）、家用电器（5.06%）[42]。 - **多头组合**： - 当期超额收益最高行业：商贸零售（8.22%）、国防军工（7.15%）[42]。 - 最新前十个股：顺威股份、博深股份、九典制药等[44][48]。

量化模型与构建方式 1. **模型名称**：RNN+Neural ODE+MLP融合模型 **模型构建思路**：通过RNN进行时序数据压缩和降维，利用Neural ODE学习时序演化规律重构数据，最后通过MLP捕捉alpha信息以提升选股鲁棒性[3][6]。 **模型具体构建过程**： - **Encoder层（RNN）**：对时序数据降维和特征提取。 - **Decoder层（Neural Jump SDE）**：拟合时序数据的微分动力系统，重构数据。公式： $$\left\{\begin{array}{l}dx(t)=v(x(t),t)dt+\sigma(x(t),t)dB(t),t\in[0,T]\\ \hat{y}=F(x(T))\\ x(0)=\hat{x}\end{array}\right.$$ 其中$v$和$\sigma$为全连接层加激活函数构成[22][26]。 - **MLP层**：对重构数据提取特征预测收益率。损失函数包括重构损失、KL散度和MSE损失： $$\alpha\log(p(x|\theta))+\beta\operatorname{KL}(N(\mu,e x p(\sigma/2))||N(0,\delta I))+(\hat{\sigma}-y)^{2}$$[31][32] **模型评价**：通过数据重构降低噪声影响，提升样本外泛化能力[3][34]。 2. **模型名称**：Baseline模型（ABCM模型） **模型构建思路**：基于神经网络的alpha和beta因子协同挖掘，生成选股因子[37]。 **模型评价**：作为对比基准，新模型在多头超额和抗风险能力上显著优于Baseline[39][43]。 3. **衍生模型**： - **Model1**：Neural ODE生成因子与Baseline因子等权组合[42]。 - **Model2**：Neural SDE生成因子与Baseline因子等权组合[42]。 - **Model3**：Model1因子剥离短期风险后的残差因子[42]。 --- 量化因子与构建方式 1. **因子名称**：Model1因子 **因子构建思路**：基于RNN+Neural ODE+MLP模型生成的alpha因子，通过数据重构增强稳定性[6][26]。 **因子评价**：多头超额显著提升，换手率降低，抗极端市场能力更强[39][43]。 2. **因子名称**：行业轮动因子 **因子构建思路**：将选股因子按行业流通市值加权聚合，生成行业得分[50][51]。 **因子评价**：Model1因子行业RankIC达12.55%，Top组年化超额25.27%，优于Baseline[52][53]。 --- 模型的回测效果 1. **RNN+Neural ODE+MLP模型（Model1）**： - **RankIC均值**：16.33%（中证全指）[39] - **Top组年化超额**：54.54%[39] - **最大回撤**：-6.63%（2024年）[43] - **换手率**：59.73%（较Baseline下降）[39] 2. **Baseline模型**： - **RankIC均值**：16.39%[39] - **Top组年化超额**：52.63%[39] - **最大回撤**：-5.25%[43] 3. **行业轮动表现**： - **Model1因子**：RankIC 12.55%，Top组超额25.27%[52] - **Baseline因子**：RankIC 12.20%，Top组超额23.05%[52] --- 因子的回测效果 1. **指数增强策略**： - **沪深300指增**：Model1年化超额16.67%，夏普比率3.14[65]。 - **中证500指增**：Model1年化超额21.37%，夏普比率3.21[72]。 - **中证1000指增**：Model1年化超额32.41%，夏普比率4.37[80]。 2. **Top组合绝对收益**： - **Model1**：年化收益43.80%，最大回撤-40.84%[59]。 - **Baseline**：年化收益40.15%，最大回撤-42.41%[59]。 --- 关键公式总结 1. **Neural SDE前向传播**： $$\left\{\begin{array}{l}dx(t)=v(x(t),t)dt+\sigma(x(t),t)dB(t)\\ \hat{y}=F(x(T))\\ x(0)=\hat{x}\end{array}\right.$$[22] 2. **总损失函数**： $$\alpha\log(p(x|\theta))+\beta\operatorname{KL}(N(\mu,e x p(\sigma/2))||N(0,\delta I))+(\hat{\sigma}-y)^{2}$$[32]

报告行业投资评级 未提及 报告的核心观点 - 取消对时间及股票的约束，运用所有股票的历史时间序列量价信息，挖掘有效的K线形态及其适配的量价状态 [1][16] - 结合股票量价状态信息构建K线形态投资框架，可大幅提升预测精度与投资胜率 [2][19] - 不同K线形态有不同的有效性和正负向，结合量价状态可增强其有效性 [4] 根据相关目录分别进行总结 引言 - 前期报告依次探索基于截面与时序相似的量化选股因子，本次取消对时间及股票的约束，挖掘有效K线形态 [15][16] K线形态投资框架 - K线是资金运行轨迹的外化表现，结合股票量价状态信息构建投资框架可提升预测精度与胜率 [2][19] - K线形态识别使用阴阳属性、实体占比等K线特征，结果整理为0 - 1变量 [20][22][23] - 量价状态识别使用成交量的放量与缩量、股票价格的高位和低位，结果整理为0 - 1变量，与K线形态识别结果通过集合相交聚合信息 [24] - 成交量放量与缩量通过相邻两天成交量相对变化定义 [25] - 股票价格相对位置通过当前股票价格在过去N日的历史分位刻画，后续测试选用N = 120 [26][27] K线形态有效性测试 - 回测时间区间为2009年1月5日至2025年5月16日，股票范围为沪深京A股，持仓周期为5日、10日、20日，剔除ST股和近20日平均成交额为0的股票 [29] 有效的K线形态 单K形态 - 大阳线是正向形态，出现后股票未来5日、10日、20日收益率平均值依次为1.84%、2.52%、3.42%，与成交量放量和股票价格低位状态适配时有效性增强 [35][36] - 跳空低开大阴线有较强反转属性，价格低位时为正向形态，高位时为负向形态，结合量价状态可提升有效性 [43][44][45] - 锤头线是负向形态，跳空低开的锤头线有效性提升，股价高位时有效性进一步增强 [49][50][54] - 倒锤线是正向形态，股价底部时有效性增强，底部出现且伴随跳空高开（低）时有效性进一步增强 [60][61][62] - 十字星形态较中性，上十字星倾向负向，下十字星倾向正向，结合量价和开盘状态可构建有效形态 [68][69][70] 双K形态 - 仙人指路是正向形态，出现后股票未来5日、10日、20日收益率平均值依次为0.96%、1.38%、2.35%，与成交量放量和股票价格低位状态适配时有效性增强 [75][79] - 继往开来是正向形态，出现后股票未来5日、10日、20日收益率平均值依次为0.30%、0.70%、1.48%，与股票价格低位状态适配时有效性增强 [84][85] - 射击之星是负向形态，出现后股票未来5日、10日、20日收益率平均值依次为 - 0.66%、 - 0.57%、 - 0.86%，与成交量缩量和股票价格高位状态适配时有效性增强 [92][93] - 阴包阳形态在价格低位时为正向形态，顶部时为负向形态，结合成交量状态可增强有效性 [97][98][100] - 阳包阴是正向形态，出现后股票未来5日、10日、20日收益率平均值依次为0.76%、0.80%、1.40%，与成交量放量和股票价格低位状态适配时有效性增强 [108][109] - 旭日东升是正向形态，出现后股票未来5日、10日、20日收益率平均值依次为1.32%、1.55%、1.92%，与成交量放量和股票价格低位状态适配时有效性增强 [116][117] - 曙光初现是正向形态，出现后股票未来5日、10日、20日收益率平均值依次为0.84%、0.77%、1.72%，与成交量放量和股票价格低位状态适配时有效性增强 [123][124] - 乌云盖顶是负向形态，股票价格高位且成交量缩量时有效性增强 [131][132] - 倾盆大雨是负向形态，股票价格高位时有效性增强 [141][142]

量化模型与构建方式 1. **模型名称**：东方A股因子风险模型(DFQ-2020) - **模型构建思路**：基于风格类风险因子构建多因子模型，用于解释股票收益的风险来源[14] - **模型具体构建过程**： - 包含10类风格因子（如Size、Beta、Trend等），每类因子由多个子因子合成[14] - 因子计算示例： - **Size因子**：总市值对数 - **Beta因子**：贝叶斯压缩后的市场Beta - **Trend因子**：通过指数加权移动平均比率计算，如 $$Trend\_120 = \frac{EWMA(halflife=20)}{EWMA(halflife=120)}$$ - **Volatility因子**：包含5个子因子，如过去243天的标准波动率、FF3特质波动率等[14] - **模型评价**：覆盖市场主要风险维度，因子定义清晰且具有经济逻辑 2. **MFE组合构建模型** - **构建思路**：通过组合优化最大化单因子暴露，同时控制行业、风格等约束[54] - **具体构建过程**： - 目标函数：最大化因子暴露 $$max\ f^{T}w$$ - 约束条件包括： - 风格暴露限制 $$s_{l}\leq X(w-w_{b})\leq s_{h}$$ - 行业偏离限制 $$h_{l}\leq H(w-w_{b})\leq h_{h}$$ - 换手率约束 $$\Sigma|w-w_{0}|\leq to_{h}$$[54] - **模型评价**：更贴近实际投资约束，能有效检验因子在复杂条件下的表现 --- 量化因子与构建方式 1. **因子名称**：单季ROE - **构建思路**：反映公司当期净资产收益率，属于盈利类因子[19] - **具体构建**： $$Quart\_ROE = \frac{单季净利润*2}{期初净资产+期末净资产}$$[19] 2. **因子名称**：一个月反转 - **构建思路**：捕捉短期价格反转效应[19] - **具体构建**：过去20个交易日涨跌幅的相反数 3. **因子名称**：标准化预期外盈利（SUE） - **构建思路**：衡量盈利超预期程度[19] - **具体构建**： $$SUE = \frac{单季实际净利-预期净利}{预期净利标准差}$$ 4. **因子名称**：特异度（IVR_1M） - **构建思路**：反映个股收益脱离市场共同因素的程度[19] - **具体构建**： $$IVR\_1M = 1 - R^2_{FF3}$$（Fama-French三因子回归拟合度） --- 模型回测效果 1. **DFQ-2020风格因子表现**（中证全指样本） - Liquidity因子：近一周收益5.44%，近一年年化33.79%[11] - Size因子：近一周收益-5.96%，历史年化-29.56%[11] 2. **MFE组合模型** - 沪深300增强产品：近一周超额收益中位数-0.07%，最高0.47%[47] - 中证1000增强产品：今年以来超额收益中位数3.28%，最高9.18%[53] --- 因子回测效果 1. **沪深300样本空间** - 预期PEG因子：近一周收益0.88%，近一年年化2.96%[22] - 单季ROE因子：近一周收益0.86%，历史年化4.25%[22] 2. **中证1000样本空间** - 一个月反转因子：近一周收益1.03%，近一年年化-10.62%[32] - 特异度因子：近一周收益0.76%，历史年化4.98%[32] 3. **创业板指样本空间** - 标准化预期外盈利：近一周收益16.09%，近一年年化32.15%[39] - 3个月盈利上下调：近一周收益-3.87%，历史年化-12.03%[39] --- 附录：MFE组合构建细节 - **优化变量**：$w$为股票权重向量，$w_b$为基准权重[54] - **行业约束**：$B_b$为成分股0-1矩阵，限制成分股权重占比[57] - **换仓频率**：月末调仓，双边交易成本0.3%[58]

量化模型与构建方式 1. **模型名称**：DFQ-FactorVAE-pro - **模型构建思路**：在FactorVAE模型基础上加入特征选择与环境变量模块，提升因子选股能力[5] - **模型具体构建过程**： 1. 特征选择模块通过LASSO回归筛选有效因子： $$ \min_{\beta} \left( \|Y - X\beta\|_2^2 + \lambda \|\beta\|_1 \right) $$ 其中$Y$为收益，$X$为因子矩阵，$\lambda$为惩罚系数 2. 环境变量模块引入宏观经济指标（如PMI、利率）作为条件变量 3. 通过变分自编码器(VAE)学习因子非线性关系： $$ \mathcal{L} = \mathbb{E}_{q(z|x)}[\log p(x|z)] - \beta D_{KL}(q(z|x)\|p(z)) $$ - **模型评价**：相比传统FactorVAE，在因子稳定性和环境适应性上有显著提升 量化因子与构建方式 1. **因子名称**：3个月盈利上下调 - **构建思路**：反映分析师对盈利预期的调整方向与幅度[6][22] - **具体构建**： $$ \text{因子值} = \frac{\text{上调家数} - \text{下调家数}}{\text{覆盖机构总数}} \times \text{调整幅度标准化值} $$ 其中调整幅度使用过去3个月EPS预测变化率的Z-score 2. **因子名称**：UMR（风险调整后动量） - **构建思路**：结合动量效应与波动率调整[19] - **具体构建**： - 计算窗口期（1/3/6/12个月）收益率 - 除以同期波动率： $$ \text{UMR} = \frac{r_t}{\sigma_t} \times \sqrt{T} $$ $T$为时间周期调整系数 3. **因子名称**：DELTAROA - **构建思路**：捕捉资产收益率边际变化[22][29] - **具体构建**： $$ \text{DELTAROA} = \frac{\text{本期ROA} - \text{去年同期ROA}}{\text{资产规模}} $$ 4. **因子名称**：特异度（IVR_1M） - **构建思路**：衡量个股收益脱离市场共同因素的程度[19] - **具体构建**： $$ \text{IVR} = 1 - R^2_{\text{FF3}} $$ 其中$R^2_{\text{FF3}}$为Fama-French三因子模型拟合度 因子回测效果 沪深300样本空间 1. **3个月盈利上下调**： - 最近一周：0.76% - 近一年年化：5.38% - IR：0.84[22] 2. **六个月UMR**： - 最近一月：1.56% - 历史年化：5.37% - 最大回撤：3.2%[22] 中证500样本空间 1. **一个月UMR**： - 最近一周：1.16% - 今年以来：2.37% - 近十年趋势：5.61%[25] 2. **特异度**： - 最近一月：-1.73% - 信息比率：0.48[25] 中证1000样本空间 1. **一个月换手**： - 最近一周：1.89% - 近一年年化：13.64% - 胜率：68%[32] 2. **标准化预期外收入**： - 最近一月：1.20% - 历史年化：5.70%[32] 模型回测效果 1. **DFQ-FactorVAE-pro**： - 中证800增强年化超额：7.2% - 最大回撤：4.5% - 月度胜率：73%[5] 组合构建方法 1. **MFE组合优化模型**： - 目标函数：最大化因子暴露$f^Tw$ - 关键约束： - 风格暴露$s_l \leq X(w-w_b) \leq s_h$ - 行业中性$h_l \leq H(w-w_b) \leq h_h$ - 换手率$\Sigma|w-w_0| \leq to_h$[56] - 优化方法：线性规划求解

点击注册小程序 特别申明： 本订阅号中所涉及的证券研究信息由光大证券研究所编写，仅面向光大证券专业投资者客户，用作新媒体形势下研究 信息和研究观点的沟通交流。非光大证券专业投资者客户，请勿订阅、接收或使用本订阅号中的任何信息。本订阅号 难以设置访问权限，若给您造成不便，敬请谅解。光大证券研究所不会因关注、收到或阅读本订阅号推送内容而视相 关人员为光大证券的客户。 报告摘要 沪深300股票池中，本周表现较好的因子有动量调整大单 (2.40%)、大单净流入 (2.32%)、动量调整小单 (1.82%)。表现较差的因子有单季度总资产毛利率(-2.60%)、总资产增长率(-2.48%)、单季度ROA (-2.14%)。 中证500股票池中，本周表现较好的因子有动量调整小单(2.99%)、市盈率因子(2.89%)、市净率因子 (2.75%)。表现较差的因子有5日成交量的标准差(-0.57%)、净利润率TTM (-0.48%)、营业利润率TTM (-0.27%)。 流动性1500股票池中，本周表现较好的因子有市盈率因子(2.79%)、市盈率TTM倒数(2.10%)、日内波动率 与成交金额的相关性 (1.89%)。表现较差 ...