量化因子与构建方式 1. **因子名称：传统动量因子** - **构建思路**：基于基金过去一段时间的业绩表现（如历史收益、夏普比、Alpha收益）作为动量指标，预测未来收益[3][4][5] - **具体构建过程**： - **历史收益因子**：计算基金过去20日、61日、122日、244日、366日、488日的收益率均值[20] - **夏普比因子**：计算基金过去不同窗口期的夏普比（收益/波动率）[25] - **Alpha动量因子**：通过Fama-French三因子模型剥离市场、市值和估值风险溢价，回归公式： $$R_{p}-r_{f}\!\sim\!\!\alpha+\beta_{1}(R_{M}-r_{f})+\beta_{2}(R_{M}-r_{f})^{2}+\beta_{3}S M B+\beta_{4}H M L+\varepsilon_{p}$$ 其中，$R_p$为基金收益，$r_f$为无风险利率，$R_M$为市场收益，$SMB$和$HML$分别为市值和估值因子[29][30] - **行业剥离Alpha动量**：在回归中加入Wind行业指数收益，公式： $$R_{p}-r_{f}{\sim}\alpha+\beta_{1}(R_{M}-r_{f})+\beta_{2}(R_{M}-r_{f})^{2}+\sum_{i=1}^{11}\beta_{2+i}\,l n d_{i}+\varepsilon_{p}$$ 其中$Ind_i$为行业指数收益[51] - **因子评价**：传统动量因子易受Beta风险干扰，尤其在行业轮动期表现不稳定[4][15][17] 2. **因子名称：低分化动量因子** - **构建思路**：筛选基金收益分化度较低的日期，计算其收益指标以降低Beta风险干扰[5][21][56] - **具体构建过程**： - **低分化收益因子**：按主动权益基金日度收益分化度分组，取分化度最低1/5样本的日度收益均值[66][67] - **低分化排序动量**：对分化度最低组的基金收益排序取均值[81] - **低分化夏普比**：计算分化度最低组的夏普比[86] - **合成低分化动量**：将上述三个因子等权合成[93] - **因子评价**：低分化日期收益对未来预测能力更强，受Beta干扰更小，时序稳定性显著优于传统动量[5][67][93] --- 因子的回测效果 1. **传统动量因子** - **历史收益因子（过去244日）**：Rank IC 5.81%，Rank ICIR 0.54，年化多空收益1.85%，胜率59.35%[20] - **夏普比因子（过去244日）**：Rank IC 6.44%，Rank ICIR 0.64，年化多空收益2.04%，胜率61.79%[25] - **Alpha动量因子（过去122日）**：Rank IC 6.01%，Rank ICIR 0.57，年化多空收益2.79%，胜率66.67%[31] - **行业剥离Alpha动量（过去122日）**：Rank IC 7.81%，Rank ICIR 0.97，年化多空收益5.04%，胜率69.92%[53] 2. **低分化动量因子** - **低分化收益因子（过去3个月）**：Rank IC 10.03%，Rank ICIR 1.06，年化多空收益9.23%，胜率69.11%[67][73] - **低分化排序动量（过去3个月）**：Rank IC 10.08%，Rank ICIR 1.09，年化多空收益8.39%，胜率68.29%[81] - **低分化夏普比（过去3个月）**：Rank IC 9.63%，Rank ICIR 1.10，年化多空收益9.89%，胜率71.54%[87] - **合成低分化动量**：Rank IC 10.10%，Rank ICIR 1.09，年化多空收益9.23%，胜率71%，最高组季均超额1.25%[93][94] --- 关键结论 - 低分化动量因子通过聚焦分化度低的日期，显著提升了因子稳定性和预测能力（Rank ICIR提升至1.09），且与传统动量因子相关性低（秩相关系数<26%）[5][93] - 传统动量因子在行业轮动月表现更弱（剔除后Rank ICIR从0.54升至0.66），均衡型基金中动量效应更强（Rank IC 7.86% vs 板块型2.44%）[15][17][46]