量化模型与构建方式 1. 模型名称：DecompGRU模型 **模型构建思路**：在GRU基线模型的基础上，通过两个简单的去均值模块实现时序和截面的信息交互上的改进[18] **模型具体构建过程**：模型分别基于IC、加权MSE损失函数训练两个模型[18] 2. 模型名称：多头TOP组合 **模型构建思路**：基于DecompGRU模型得分构建周度多头选股组合[9] **模型具体构建过程**：等权持有集成打分最高的200只股票；每周首个交易日根据上周五收盘后更新的因子值进行周频调仓；选股范围为中证全指；买入时剔除涨跌停、停牌股票，不考虑交易成本；对比基准为WIND全A等权指数[9] 3. 模型名称：ETF轮动组合 **模型构建思路**：将端到端模型的个股得分聚合至ETF，构建ETF轮动组合[12] **模型具体构建过程**：ETF池限定在行业、主题型ETF；若多个ETF跟踪同一指数相同，则保留5日成交额均值最大的一只ETF；调仓时要求ETF最近5日的日均成交额大于2000万，最近20日日均成交额大于1000万；周度不定期调仓，每期持仓ETF数量在2-6只；对比基准为万得ETF指数[12] 模型的回测效果 1. 多头TOP组合 累计绝对收益41.11%，相对全A等权超额13.98%，最大回撤10.08%，周度胜率64.52%，月度胜率100%，10月绝对收益1.78%，10月超额-0.07%[11] 2. ETF轮动组合 累计绝对收益19.06%，相对基准超额-2.00%，最大回撤7.82%，周度胜率62.50%，月度胜率57.14%，10月绝对收益-2.04%，10月超额-1.18%[14][15] 量化因子与构建方式 1. 因子名称：个股总热度指标 **因子构建思路**：从行为的角度探讨在个股层面因有限注意力导致的过度定价与反应不足现象，使用同花顺基于用户行为数据得到的个股热度指标[19] **因子具体构建过程**：股票的浏览、自选与点击次数之和，以同一日在全市场占比的方式进行归一化，将归一化后的数值乘以10000，指标取值区间为[0,10000][19] **因子计算公式**：$$个股总热度 = \frac{浏览次数+自选次数+点击次数}{全市场总次数} \times 10000$$[19] 2. 因子名称：宽基热度变化率 **因子构建思路**：将全A样本按照主流宽基指数分组，对每组成分股总热度指标进行求和，计算周度热度变化率[20][22] **因子具体构建过程**：将全A样本按照沪深300、中证500、中证1000、中证2000以及"其他"来进行分组，对每一组中的成分股总热度指标进行求和处理，得到4个主流宽基指数的热度以及"其他"组热度，计算不同组股票周度热度变化率，并取MA2进行平滑处理[20][22] 3. 因子名称：行业热度变化率 **因子构建思路**：采用相同方法获得行业层面的热度，计算申万一级、二级行业热度的周度变化率MA2[31] **因子具体构建过程**：对每个申万一级、二级行业中的成分股总热度指标进行求和处理，计算每个行业热度的周度变化率，并取MA2进行平滑处理[31] 4. 因子名称：概念热度变化率 **因子构建思路**：采用相同方法获得概念层面的热度，计算每个概念热度的周度变化率[36] **因子具体构建过程**：对每个概念中的成分股总热度指标进行求和处理，计算每个概念热度的周度变化率[36] 因子的回测效果 1. 宽基热度动量组合 2017年来年化收益率8.74%，最大回撤23.5%，2025年组合收益为38.5%，对比基准宽基等权组合收益为32.9%[28] 2. 高热度概念+低热度个股组合 BOTTOM组年化收益15.71%，最大回撤28.89%，2025年来BOTTOM组收益42.1%[41] 3. 本周宽基热度变化率 热度变化率最大的为中证2000，相比上周提高1.55%，最小的为沪深300，相比上周降低2.03%[28][30] 4. 本周行业热度变化率 一级行业中正向变化前5的行业分别为石油石化(提高48.6%)、综合、农林牧渔、建筑材料、煤炭，负向变化前5的行业分别为食品饮料、银行、纺织服饰、商贸零售、有色金属(降低-14.2%)；二级行业中热度正向变化率最大的5个行业是油服工程、航天装备Ⅱ、冶钢原料、文娱用品、元件[35] 5. 本周概念热度变化率 热度变化最大的5个概念为科创次新股(360.2%)、中韩自贸区(183.3%)、青蒿素(82.8%)、家庭医生(74.1%)、云办公(72.7%)[35][36][44]

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：DecompGRU模型 - **模型构建思路**：基于趋势分解的时序+截面端到端模型，通过改进GRU基线模型实现时序和截面信息交互[8] - **模型具体构建过程**： 1. 使用两个去均值模块处理时序和截面数据 2. 基于IC和加权MSE损失函数分别训练两个子模型（DecompGRU_IC、DecompGRU_MSE）[14] 3. 输出个股得分并构建组合： - 选股范围：中证全指 - 调仓频率：周频（每周首个交易日调仓） - 组合构建：等权持有得分TOP200股票，剔除涨跌停/停牌股[8] - **模型评价**：通过分解模块增强模型对市场趋势的捕捉能力，实现端到端预测[14] 2. **ETF轮动模型** - **构建思路**：将DecompGRU个股得分聚合至行业/主题ETF[10] - **具体构建**： 1. ETF池筛选标准： - 行业/主题型ETF - 5日成交额均值>2000万，20日日均成交额>1000万 - 同指数ETF保留成交额最大者 2. 持仓规则：每期持有3-6只ETF，周度不定期调仓[10] --- 量化因子与构建方式 1. **情绪热度因子** - **构建思路**：通过同花顺用户行为数据（浏览/自选/点击）构建市场情绪代理指标[18] - **具体构建**： 1. 个股热度计算： $$总热度 = \frac{浏览+自选+点击次数}{全市场总和} \times 10000$$ 取值区间[0,10000][18] 2. 聚合方法： - 宽基热度：按成分股分组（沪深300/中证500/中证1000/中证2000/其他）求和[19] - 行业热度：按申万一级/二级行业分组求和[30] - 概念热度：按概念成分股分组求和[39] - **因子评价**：有效捕捉市场有限注意力导致的定价偏差[17] 2. **热度变化率因子** - **构建过程**： 1. 计算周度热度变化率： $$\Delta H_t = \frac{H_t - H_{t-1}}{H_{t-1}}$$ 2. 取MA2平滑处理[22] 3. 应用场景： - 宽基轮动：买入变化率最大的宽基（排除"其他"组）[24] - 概念组合：筛选变化率TOP5概念中的低热度个股[42] 3. **估值分位数因子** - **构建方法**： 1. 计算滚动5年PE/PB历史分位数[50] 2. 行业分位数回溯至2015年[53] 3. 输出： - 宽基分位数（沪深300/中证500/中证1000）[52] - 申万一级/二级行业分位数[54] --- 模型回测效果 | 模型/组合 | 累计收益 | 超额收益 | 最大回撤 | 周胜率 | 月胜率 | 测试周期 | |---------------------|----------|----------|----------|--------|--------|----------------| | DecompGRU TOP200 | 24.54% | 9.80% | 10.08% | 72.22% | 100% | 2025/3/31-8/1 [10] | | ETF轮动组合 | 12.97% | 8.65% | 6.16% | 68.42% | 75% | 2025/3/18-8/1 [12] | | 宽基热度轮动策略 | 18.8%* | 1.7%* | 23.5% | - | - | 2017-2025 [27] | | 概念BOTTOM组合 | 27%** | - | 28.89% | - | - | 2025年内 [44] | （*相对宽基等权基准 **年化15.71%） --- 因子回测效果 1. **宽基热度变化率**（2025/8/1）： - 中证500：+10.21% - 中证2000：-6.02% [29] 2. **行业热度变化率**（2025/8/1）： - 正向TOP5：建筑材料(+83.5%)、建筑装饰、社会服务、钢铁、食品饮料 - 负向TOP5：公用事业(-32.5%)、轻工制造、纺织服饰、汽车、房地产 [38] 3. **估值分位数**： - 宽基：中证500(95%) > 中证1000(84%) > 沪深300(70%) [52] - 一级行业高估：电力设备/计算机/银行(>80%) - 一级行业低估：农林牧渔/家电(<20%) [53]