报告行业投资评级 * 报告未明确给出具体的行业投资评级 [1][2][3][5][7][8][9] 报告的核心观点 * 上周（20260224-20260227）高频选股因子整体表现优异，但多粒度因子的多头超额收益出现回撤 [1][2] * 基于人工智能（AI）的指数增强组合在上周普遍出现超额收益回撤 [2][5] 高频因子表现汇总 * 日内高频偏度因子上周、2月、2026年至今（YTD）的多空收益分别为0.49%、0.31%、4.31% [5][11] * 日内下行波动占比因子上周、2月、2026年YTD的多空收益分别为0.23%、1.06%、5.81% [5][11] * 开盘后大单净买入占比因子上周、2月、2026年YTD的多空收益分别为0.73%、2.26%、4.81% [5][11] * 开盘后大单净买入强度因子上周、2月、2026年YTD的多空收益分别为0.46%、1.84%、3.70% [5][11] * 尾盘成交占比因子上周、2月、2026年YTD的多空收益分别为0.28%、0.45%、4.75% [5][11] * 平均单笔流出金额占比因子上周、2月、2026年YTD的多空收益分别为-0.56%、-1.33%、-2.89% [5][13] * 大单推动涨幅因子上周、2月、2026年YTD的多空收益分别为-0.57%、-0.76%、0.63% [5][13] 深度学习与多粒度因子表现 * 改进GRU(50,2)+NN(10)因子上周、2月、2026年YTD的多空收益分别为1.27%、3.12%、5.26% [13] * 残差注意力LSTM(48,2)+NN(10)因子上周、2月、2026年YTD的多空收益分别为1.16%、3.84%、4.33% [13] * 多颗粒度模型（5日标签）因子上周、2月、2026年YTD的多空收益分别为0.22%、2.13%、7.62%，但多头超额收益在上周为-0.04% [5][13] * 多颗粒度模型（10日标签）因子上周、2月、2026年YTD的多空收益分别为-0.37%、1.76%、5.83%，多头超额收益在上周为-0.34% [5][13] AI增强组合表现 * 周度调仓的AI空气指增组合上周、2月、2026年YTD的超额收益/绝对收益率分别为-1.13%/2.25%、1.34%/5.23%、3.74%/15.79% [5][14] * 日度调仓的AI空气指增组合上周、2月、2026年YTD的超额收益/绝对收益率分别为-0.57%/2.81%、2.22%/6.11%、4.93%/16.98% [5][14] * 周度调仓的中证500 AI增强宽约束组合上周、2月、2026年YTD的超额收益/绝对收益率分别为-2.69%/1.63%、-1.14%/2.30%、-3.99%/11.99% [5][14] * 周度调仓的中证500 AI增强严约束组合上周、2月、2026年YTD的超额收益/绝对收益率分别为-1.54%/2.78%、0.29%/3.73%、-1.43%/14.55% [5][14] * 周度调仓的中证1000 AI增强宽约束组合上周、2月、2026年YTD的超额收益/绝对收益率分别为-2.70%/1.64%、-1.03%/2.68%、0.24%/12.96% [5][14] * 周度调仓的中证1000 AI增强严约束组合上周、2月、2026年YTD的超额收益/绝对收益率分别为-1.03%/3.31%、0.06%/3.76%、0.86%/13.57% [5][14]

报告行业投资评级 报告未明确给出对具体行业的投资评级 [1][4][5][62][69][70][71] 报告的核心观点 报告核心观点为通过深度学习因子（DecompGRU模型）构建的选股及ETF轮动策略在样本外测试中持续取得显著超额收益，同时市场情绪（热度）与估值监控数据揭示了近期资金关注度变化及板块估值状态，为投资者提供量化参考 [1][2][3][10][13][14][24][35][40][41][43][45][46][62][63] 根据相关目录分别进行总结 一、深度学习因子跟踪 - **多头选股组合表现**：基于DecompGRU模型得分TOP200构建的周度多头组合，自2025年3月31日至2026年2月27日，累计绝对收益84.37%，相对中证全指等权超额收益43.11%，2026年2月绝对收益5.41%，超额1.50% [1][10] - **ETF轮动组合表现**：将个股得分聚合为ETF轮动组合，自2025年3月18日至2026年2月27日，累计绝对收益53.40%，相对万得主题ETF指数超额收益17.47%，2026年2月绝对收益9.51%，超额8.18% [1][13][14] 二、情绪因子跟踪 - **宽基指数热度变化**：本周（20260224-20260227）宽基热度变化率最大的是中证1000，相比上周提高3.63%，最小的是中证2000，相比上周降低2.85%，基于宽基热度动量构建的策略在2026年累计收益为5.6% [2][24][62] - **申万行业热度变化**： - 一级行业中，热度正向变化率前五的行业为钢铁、环保、公用事业、计算机、建筑材料；负向变化率前五的行业为食品饮料、商贸零售、纺织服饰、美容护理、社会服务 [2][62] - 二级行业中，热度正向变化率最大的五个行业是农化制品、数字媒体、出版、影视院线、环保设备Ⅱ [2][62] - **概念热度变化**：本周概念热度变化最大的五个概念为化肥、磷化工、培育钻石、稀土永磁、农村电商，其中“高热度概念+低热度个股”组合在2026年累计收益为1.4% [2][40][41][62] 三、市场估值监控 - **宽基估值分位数**：截至2026年2月27日，沪深300、中证500、中证1000的滚动5年历史估值分位数分别为91%、100%、100% [3][43][62][63] - **行业估值分位数（自2015年回溯）**： - 一级行业中，估值处于历史分位数80%以上的包括：电力设备、电子、建筑材料、轻工制造、环保、国防军工、基础化工、商贸零售、钢铁、计算机、煤炭；估值处于历史20%以下的有食品饮料、综合、非银金融 [3][45][62][63] - 二级行业中，估值处于历史分位数80%以上的多达30个行业，包括风电设备、冶钢原料、航天装备、电子化学品、环保设备、软件开发、半导体、生物制品等 [3][46][63] 四、本周事件跟踪 - **股权激励**：本周共发生9起股权激励事件，涉及恒而达、江苏北人、卫宁健康、顺网科技等公司，激励标的物均为股票或期权 [47][50] - **重要股东增减持**：本周共发生18起重要股东增减持事件，其中17起为减持，1起为增持（保龄宝），涉及孚日股份、达意隆、长光华芯等公司 [51][52] - **定增事件**：本周共发生5起定增事件，涉及合康新能、中富通、民德电子、锐新科技、ST人福，拟募集资金总额从约6.43亿元至35亿元不等 [53][54] - **分析师覆盖与评级**：本周分析师首次覆盖12只个股，包括山高环能、博菲电气、万邦达等；上调3只个股评级，包括华绿生物、千禾味业、寒武纪 [55][56][57] - **机构调研**：本周机构调研最多的前20只个股包括风华高科、哈尔斯、晶科能源、杰瑞股份、锡业股份、本钢板材等 [58] - **公司回购**：本周公告回购事件涉及13家公司，其中4家已实施，9家为董事会预案，回购目的多为实施股权激励或员工持股计划，温氏股份计划回购金额最高，达12亿元 [59][60][61]

量化模型与构建方式 1. **模型名称：DecompGRU深度学习选股模型**[1][7][8] * **模型构建思路**：基于DecompGRU（基于趋势分解的时序+截面端到端模型）架构，对个股进行集成打分，用于选股[7][8]。 * **模型具体构建过程**：该模型在2025年3月发布的报告《AI+HI 系列（7）：DecompGRU：基于趋势分解的时序+截面端到端模型》中提出，本报告进行样本外追踪。模型的具体构建过程未在本报告中详细说明，但核心是使用DecompGRU模型对股票进行打分[8]。 2. **模型名称：宽基热度动量轮动策略**[2][21][24] * **模型构建思路**：利用不同宽基指数（及“其他”组）周度总热度变化率构建轮动策略，买入市场关注度提升最快的板块[21]。 * **模型具体构建过程**： 1. 计算不同宽基组（沪深300、中证500、中证1000、中证2000、“其他”）的周度总热度变化率[21]。 2. 对周度热度变化率取2期移动平均（MA2）进行平滑[21]。 3. 在每周最后一个交易日，买入总热度变化率MA2最大的宽基指数[21]。 4. 如果变化率最大的为“其他”组，则选择空仓[21]。 3. **模型名称：高热度概念+低热度个股组合（BOTTOM组合）**[2][36][40] * **模型构建思路**：在每周热度变化最大的热门概念中，选取概念内个股热度排名靠后的股票构建组合，利用热门板块内关注度不足的个股可能存在的补涨机会获取超额收益[36][40]。 * **模型具体构建过程**： 1. 在每周最后一个交易日，选出本周热度变化率最大的5个概念，将其成分股作为选股股票池[40]。 2. 从股票池中排除流通市值最小的20%股票[40]。 3. 从每个热门概念中，选出该概念内总热度排名最后的10只个股[40]。 4. 等权持有所有选出的个股，构建BOTTOM组合[40]。 量化因子与构建方式 1. **因子名称：个股总热度**[15] * **因子构建思路**：基于同花顺用户行为数据（浏览、自选、点击），构建反映市场对个股关注度的情绪代理指标[15]。 * **因子具体构建过程**：将个股单日的浏览、自选与点击次数求和，然后除以全市场所有股票当日的该三项行为次数之和，进行归一化，最后将归一化后的数值乘以10000。公式如下： $$个股总热度 = \frac{个股单日（浏览次数+自选次数+点击次数）}{全市场单日（浏览次数+自选次数+点击次数）之和} \times 10000$$ 该因子取值区间为[0,10000][15]。 2. **因子名称：宽基/行业/概念总热度**[15][16][27][35] * **因子构建思路**：将个股总热度因子在宽基指数、申万行业或概念层面进行聚合，得到更高层面的情绪热度代理变量[15]。 * **因子具体构建过程**：对于目标群体（如沪深300指数、钢铁行业、化肥概念），将该群体内所有成分股的“个股总热度”指标进行求和，即得到该群体的总热度[16][27][35]。 3. **因子名称：热度变化率**[2][21][27][35] * **因子构建思路**：计算宽基、行业或概念总热度的周度环比变化，反映市场情绪热度的边际变化方向与强度[2][21]。 * **因子具体构建过程**：计算目标群体本周总热度与上周总热度的变化率。报告中常使用其2期移动平均值（MA2）[21][27]。 $$热度变化率 = \frac{本周总热度 - 上周总热度}{上周总热度}$$ $$热度变化率MA2 = \frac{热度变化率_{t} + 热度变化率_{t-1}}{2}$$ 模型的回测效果 1. **DecompGRU深度学习选股模型（TOP200多头组合）**[1][8][10] * 累计绝对收益：84.37% * 相对全指等权超额收益：43.11% * 最大回撤：10.08% * 周度胜率：65.96% * 月度胜率：100% * 2026年2月绝对收益：5.41% * 2026年2月超额收益：1.50% 2. **DecompGRU深度学习选股模型（ETF轮动组合）**[1][11][13][14] * 累计绝对收益：53.40% * 相对万得主题ETF指数超额收益：17.47% * 最大回撤：7.82% * 周度胜率：62.50% * 月度胜率：72.73% * 2026年2月绝对收益：9.51% * 2026年2月超额收益：8.18% 3. **宽基热度动量轮动策略**[2][24] * 2017年以来年化收益率：8.74% * 最大回撤：23.5% * 2026年累计收益：5.6% 4. **高热度概念+低热度个股组合（BOTTOM组合）**[2][36][41] * 年化收益：15.71% * 最大回撤：28.89% * 2026年以来收益：1.4% 因子的回测效果 （注：本报告未提供单个因子的独立回测绩效指标，如IC、IR等。因子效果体现在上述模型的构建与回测结果中）

报告行业投资评级 * 报告未对特定行业给出明确的“推荐”、“中性”或“回避”评级 [1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62][63][64][65][66] 报告核心观点 * 基于深度学习模型DecompGRU构建的量化选股策略表现优异，其多头选股组合自2025年3月31日以来累计绝对收益达74.91%，相对中证全指等权指数超额收益为38.96% [2][8][10] * 市场情绪监控显示，本周（2026年1月26日至30日）投资者关注度显著转向大盘蓝筹，沪深300指数热度环比提升11.05%，而“其他”非主流股票热度下降6.49% [3][24] * 行业层面，石油石化、有色金属、食品饮料、煤炭、纺织服饰成为本周市场情绪关注度提升最快的五大一级行业 [3][34] * 当前市场估值分化显著，中证500与中证1000指数的估值处于滚动5年历史分位数的100%高位，而食品饮料、非银金融等行业估值则处于2015年以来的历史低位（分位数20%以下） [4][44][46] 根据相关目录分别总结 一、深度学习因子跟踪 * **多头TOP组合**：基于DecompGRU模型筛选得分最高的200只股票构建周度调仓组合，截至2026年1月30日，样本外累计绝对收益74.91%，超额收益38.96%，2026年1月单月绝对收益8.99%，超额收益0.98% [2][8][10] * **ETF轮动组合**：将模型个股得分聚合至行业及主题ETF构建轮动组合，截至2026年1月30日，样本外累计绝对收益40.08%，相对万得主题ETF指数超额收益5.93%，2026年1月单月绝对收益10.98%，超额收益3.37% [2][11][13][14] 二、情绪因子跟踪 * **宽基指数热度**：本周沪深300指数热度变化率最大，环比提高11.05%，“其他”组股票热度变化率最小，环比降低6.49% [3][24]；基于宽基热度变化率的轮动策略在2026年累计收益为6.6% [3][24] * **申万行业热度**：本周一级行业中，热度正向变化率前五名为石油石化（环比提高79.5%）、有色金属、食品饮料、煤炭、纺织服饰；负向变化率前五名为国防军工（环比降低-25.6%）、社会服务、计算机、商贸零售、通信 [3][34]；二级行业中，热度正向变化率最大的五个行业是饰品、贵金属、种植业、白酒Ⅱ、油服工程 [3][34] * **概念热度**：本周热度变化最大的五个概念为大豆（变化率283.5%）、转基因（变化率228%）、玉米（变化率193.8%）、禽流感（变化率189.8%）、金属锌（变化率133.8%） [3][42][43]；策略上，每周选取高热度概念中的低热度个股构建组合，该策略在2026年累计收益为3.7% [3][42] 三、市场估值监控 * **宽基估值**：截至2026年1月30日，沪深300、中证500、中证1000的滚动5年历史估值分位数分别为91%、100%、100% [4][44] * **行业估值**：从2015年回溯，估值处于历史分位数80%以上的一级行业包括电子、电力设备、轻工制造、建筑材料、国防军工、环保、商贸零售、钢铁、基础化工、计算机、煤炭、医药生物 [4][46]；估值处于历史分位数20%以下的一级行业有食品饮料、非银金融、综合 [4][46]；估值处于历史分位数80%以上的二级行业多达30个，包括风电设备、航天装备、软件开发、半导体等 [4][47] 四、本周事件跟踪 * **股权激励**：本周共发生13起股权激励事件，涉及奥尼电子、先导基电、天合光能等公司 [48][51] * **重要股东增减持**：本周共发生32起重要股东增减持事件，其中减持28起，增持4起 [53] * **定增事件**：本周共发生16起定增事件，涉及华神科技、运机集团、湖南黄金等公司 [56] * **分析师行为**：本周分析师首次覆盖21只个股，包括农产品、中信海直等；上调8只个股评级，包括宁波银行、学大教育、中国中免等 [57][58][59] * **机构调研**：本周机构调研最多个股TOP20包括精智达、九号公司-WD、上海银行等 [60][61] * **股份回购**：本周公告回购事件相关个股共计33只，其中ST云动计划回购股份占总股本比例高达99.2463% [63][64]

量化模型与构建方式 1. **模型名称：DecompGRU深度学习选股模型**[8] * **模型构建思路**：基于趋势分解的时序+截面端到端深度学习模型，用于预测股票未来收益，并据此构建选股组合[8]。 * **模型具体构建过程**：模型架构基于《AI+HI系列（7）：DecompGRU：基于趋势分解的时序+截面端到端模型》报告[8]。具体构建过程未在本文中详细描述，但应用方式为：使用该模型对股票进行集成打分，每周根据得分最高的股票构建组合[8]。 2. **模型名称：宽基热度动量轮动策略**[21] * **模型构建思路**：利用不同宽基指数（及“其他”组）周度热度变化率的短期动量进行轮动，买入热度上升最快的宽基指数[21]。 * **模型具体构建过程**： 1. 将全A股票按沪深300、中证500、中证1000、中证2000及“其他”分组[16]。 2. 计算每组股票周度的“总热度”指标：对组内所有个股的“总热度”指标（定义见下文情绪因子）进行求和[16]。 3. 计算每组热度指标的周度变化率，并取2周移动平均（MA2）进行平滑[19]。 4. 在每周最后一个交易日，买入总热度变化率MA2最大的宽基组对应的指数（或等权组合），若变化率最大的为“其他”组则空仓[21]。 3. **模型名称：高热度概念+低热度个股选股模型**[39][41] * **模型构建思路**：在每周热度上升最快的概念板块中，选取该概念内市场关注度（热度）最低的个股，利用市场对热门板块内低关注度个股的反应不足或延迟来获取超额收益[38][41]。 * **模型具体构建过程**： 1. 在每周最后一个交易日，选出本周热度变化率最大的5个概念[41]。 2. 将这5个概念对应的所有成分股作为选股股票池，并排除股票池中流通市值最小的20%股票[41]。 3. 从每个热门概念中，选出其成分股中“总热度”指标排名最后的10只个股[41]。 4. 等权持有上述筛选出的所有个股，构建“BOTTOM”组合[41]。 模型的回测效果 1. **DecompGRU深度学习选股模型（多头TOP200组合）**[10] * 样本外累计绝对收益：74.91%[10] * 相对全指等权超额收益：38.96%[10] * 最大回撤：10.08%[10] * 绝对收益周度胜率：68.18%[10] * 绝对收益月度胜率：100%[10] * 2026年1月绝对收益：8.99%[10] * 2026年1月超额收益：0.98%[10] 2. **DecompGRU深度学习选股模型（ETF轮动组合）**[13][14] * 样本外累计绝对收益：40.08%[13] * 相对万得主题ETF指数超额收益：5.93%[13] * 最大回撤：7.82%[13] * 绝对收益周度胜率：64.44%[13] * 绝对收益月度胜率：70.00%[13] * 2026年1月绝对收益：10.98%[14] * 2026年1月超额收益：3.37%[14] 3. **宽基热度动量轮动策略**[24] * 2017年以来年化收益率：8.74%[24] * 最大回撤：23.5%[24] * 2026年累计收益：6.6%[24] 4. **高热度概念+低热度个股选股模型（BOTTOM组合）**[42] * 历史年化收益：15.71%[42] * 最大回撤：28.89%[42] * 2026年以来累计收益：3.7%[42] 量化因子与构建方式 1. **因子名称：个股总热度**[15] * **因子构建思路**：利用同花顺用户行为数据（浏览、自选、点击），构建反映市场对个股关注度的情绪代理指标[15]。 * **因子具体构建过程**： 1. 获取个股每日的浏览、自选与点击次数[15]。 2. 将这三项数据求和[15]。 3. 将该和值除以当日全市场所有股票的该项和值总和，进行归一化[15]。 4. 将归一化后的数值乘以10000，使得因子取值区间落在[0, 10000][15]。 * **公式**： $$个股总热度_{i,t} = \frac{(浏览_{i,t} + 自选_{i,t} + 点击_{i,t})}{\sum_{j=1}^{N}(浏览_{j,t} + 自选_{j,t} + 点击_{j,t})} \times 10000$$ 其中，$i$ 代表个股，$t$ 代表交易日，$N$ 代表全市场股票总数[15]。 2. **因子名称：宽基/行业/概念总热度**[16] * **因子构建思路**：将个股层面的总热度因子向上聚合，得到宽基指数、行业或概念板块层面的整体市场情绪热度指标[15][16]。 * **因子具体构建过程**：对于特定的股票集合$G$（例如某个宽基指数的所有成分股、某个申万行业的所有股票、或某个概念的所有成分股），将其包含的所有个股在$t$日的“个股总热度”值进行求和[16]。 * **公式**： $$集合G的总热度_{t} = \sum_{i \in G} 个股总热度_{i,t}$$ [16] 3. **因子名称：热度变化率（MA2）**[19][28] * **因子构建思路**：计算宽基、行业或概念“总热度”指标的周度环比变化，并平滑处理，以捕捉市场关注度的边际变化趋势[19][28]。 * **因子具体构建过程**： 1. 计算集合$G$在第$w$周的“总热度”值（通常为周五的数值或周均值）[19]。 2. 计算周度热度变化率：$(本周总热度 - 上周总热度) / 上周总热度$[19]。 3. 对计算出的周度变化率序列取2周移动平均（MA2），得到平滑后的热度变化率因子[19][28]。 因子的回测效果 *(注：本报告未提供单个因子的独立分层测试结果，如多空组合收益、IC值、IR等。所有因子效果均通过上述构建的具体策略模型来体现。)*

量化模型与因子总结 量化因子与构建方式 1. **因子名称：日内高频偏度因子** **因子构建思路：** 捕捉股票日内收益的分布特征，特别是偏度信息，以预测未来收益[13] **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[13]。通常，此类因子基于日内高频收益率数据计算其偏度统计量。 2. **因子名称：日内下行波动占比因子** **因子构建思路：** 分解已实现波动，关注下行波动部分在总波动中的占比，以衡量风险特征[18] **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[18]。 3. **因子名称：开盘后买入意愿占比因子** **因子构建思路：** 基于开盘后一段时间内的高频交易数据，通过直观逻辑或机器学习方法，将高频信息低频化，构建反映买入意愿的因子[23] **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[23]。 4. **因子名称：开盘后买入意愿强度因子** **因子构建思路：** 与买入意愿占比因子类似，但更侧重于衡量买入意愿的强度而非比例[27] **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[27]。 5. **因子名称：开盘后大单净买入占比因子** **因子构建思路：** 分析开盘后大单资金的净买入行为占比，捕捉主力资金动向[32] 6. **因子名称：开盘后大单净买入强度因子** **因子构建思路：** 衡量开盘后大单净买入行为的强度[36] 7. **因子名称：改进反转因子** **因子构建思路：** 对传统反转因子进行改进，以提升预测效果[41] 8. **因子名称：尾盘成交占比因子** **因子构建思路：** 利用尾盘时段成交金额在全天成交中的占比信息构建因子[46] 9. **因子名称：平均单笔流出金额占比因子** **因子构建思路：** 通过分析平均单笔流出金额的占比来构建因子[51] 10. **因子名称：大单推动涨幅因子** **因子构建思路：** 构建反映大单交易对股价上涨推动作用的因子[57] 11. **因子名称：改进 GRU(50,2)+NN(10)因子** **因子构建思路：** 使用改进的GRU（门控循环单元）神经网络与全连接神经网络（NN）相结合的深度学习模型处理高频数据，生成选股因子[62] **因子具体构建过程：** 模型结构为GRU(50,2)与NN(10)的组合，具体网络架构和训练细节未在报告中详述[62]。 12. **因子名称：残差注意力 LSTM(48,2)+NN(10)因子** **因子构建思路：** 使用结合了残差连接和注意力机制的LSTM（长短期记忆网络）与全连接神经网络相结合的深度学习模型处理高频数据，生成选股因子[64] **因子具体构建过程：** 模型结构为残差注意力LSTM(48,2)与NN(10)的组合，具体网络架构和训练细节未在报告中详述[64]。 13. **因子名称：多颗粒度模型-5日标签因子** **因子构建思路：** 使用基于双向AGRU（可能指注意力GRU）训练的多颗粒度模型，以5日收益率为预测标签，生成选股因子[67] **因子具体构建过程：** 因子基于双向AGRU训练得到，预测标签为5日收益率[67]。 14. **因子名称：多颗粒度模型-10日标签因子** **因子构建思路：** 使用基于双向AGRU训练的多颗粒度模型，以10日收益率为预测标签，生成选股因子[68] **因子具体构建过程：** 因子基于双向AGRU训练得到，预测标签为10日收益率[68]。 量化模型与构建方式 1. **模型名称：周度调仓的中证500 AI增强宽约束组合** **模型构建思路：** 基于“多颗粒度模型-10日标签”因子构建中证500指数增强组合，在较宽松的风险约束下最大化预期收益[72] **模型具体构建过程：** * **核心信号：** 使用“多颗粒度模型-10日标签”因子作为股票的预期超额收益（μi）来源[72]。 * **优化目标：** 最大化组合预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$ 其中，wi为股票i的权重，μi为股票i的预期超额收益[73]。 * **风险约束：** 包括个股权重约束（1%）、行业偏离约束（1%）、市值因子暴露约束（0.3）、市值3次方因子暴露约束（0.3）、PB因子暴露约束（0.3）以及换手率约束（0.3）等“宽约束”条件[73]。 * **交易设置：** 周度调仓，假设以次日均价成交，并扣除双边3‰的交易成本[74]。 2. **模型名称：周度调仓的中证500 AI增强严约束组合** **模型构建思路：** 基于“多颗粒度模型-10日标签”因子构建中证500指数增强组合，在更严格的风险约束下控制组合风险[72] **模型具体构建过程：** * **核心信号：** 使用“多颗粒度模型-10日标签”因子作为股票的预期超额收益（μi）来源[72]。 * **优化目标：** 最大化组合预期收益，目标函数同上[73]。 * **风险约束：** 在宽约束基础上增加了更严格的约束，包括更严格的市值暴露约束（0.1）、市值2次方因子暴露约束（0.1），并新增了ROE因子暴露约束（0.3）、SUE因子暴露约束（0.3）、波动率因子暴露约束（0.3）以及成份股权重约束（0.8）等“严约束”条件[73]。 * **交易设置：** 周度调仓，假设以次日均价成交，并扣除双边3‰的交易成本[74]。 3. **模型名称：周度调仓的中证1000 AI增强宽约束组合** **模型构建思路：** 基于“多颗粒度模型-10日标签”因子构建中证1000指数增强组合，在较宽松的风险约束下最大化预期收益[72] **模型具体构建过程：** 与中证500 AI增强宽约束组合类似，但基准指数和对应的约束条件数值针对中证1000指数设定[73]。 4. **模型名称：周度调仓的中证1000 AI增强严约束组合** **模型构建思路：** 基于“多颗粒度模型-10日标签”因子构建中证1000指数增强组合，在更严格的风险约束下控制组合风险[72] **模型具体构建过程：** 与中证500 AI增强严约束组合类似，但基准指数和对应的约束条件数值针对中证1000指数设定[73]。 因子的回测效果 （数据来源：表2，统计周期为上周、1月、2026年至今（YTD），以及2026年周胜率）[10][12] 1. **日内高频偏度因子**，IC（历史/2026年）: 0.019/-0.007，e^(-rank mae)（历史/2026年）: 0.324/0.312，多空收益（上周/1月/2026YTD）: 0.29%/0.29%/0.29%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.99%/0.99%/0.99%，2026年周胜率: 1/1[10] 2. **日内下行波动占比因子**，IC（历史/2026年）: 0.016/-0.001，e^(-rank mae)（历史/2026年）: 0.323/0.313，多空收益（上周/1月/2026YTD）: 0.22%/0.22%/0.22%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.95%/0.95%/0.95%，2026年周胜率: 1/1[10] 3. **开盘后买入意愿占比因子**，IC（历史/2026年）: 0.025/0.032，e^(-rank mae)（历史/2026年）: 0.321/0.324，多空收益（上周/1月/2026YTD）: 1.04%/1.04%/1.04%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: -0.41%/-0.41%/-0.41%，2026年周胜率: 0/1[10] 4. **开盘后买入意愿强度因子**，IC（历史/2026年）: 0.030/0.027，e^(-rank mae)（历史/2026年）: 0.326/0.323，多空收益（上周/1月/2026YTD）: 0.65%/0.65%/0.65%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.62%/0.62%/0.62%，2026年周胜率: 1/1[10] 5. **开盘后大单净买入占比因子**，IC（历史/2026年）: 0.035/-0.006，e^(-rank mae)（历史/2026年）: 0.322/0.306，多空收益（上周/1月/2026YTD）: -0.52%/-0.52%/-0.52%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: -0.53%/-0.53%/-0.53%，2026年周胜率: 0/1[10] 6. **开盘后大单净买入强度因子**，IC（历史/2026年）: 0.024/0.004，e^(-rank mae)（历史/2026年）: 0.320/0.308，多空收益（上周/1月/2026YTD）: -0.07%/-0.07%/-0.07%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: -0.66%/-0.66%/-0.66%，2026年周胜率: 0/1[10] 7. **改进反转因子**，IC（历史/2026年）: 0.030/0.037，e^(-rank mae)（历史/2026年）: 0.330/0.328，多空收益（上周/1月/2026YTD）: 1.77%/1.77%/1.77%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 1.89%/1.89%/1.89%，2026年周胜率: 1/1[10] 8. **尾盘成交占比因子**，IC（历史/2026年）: 0.026/0.084，e^(-rank mae)（历史/2026年）: 0.322/0.334，多空收益（上周/1月/2026YTD）: 2.67%/2.67%/2.67%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 1.35%/1.35%/1.35%，2026年周胜率: 1/1[10] 9. **平均单笔流出金额占比因子**，IC（历史/2026年）: 0.008/0.013，e^(-rank mae)（历史/2026年）: 0.317/0.319，多空收益（上周/1月/2026YTD）: 0.45%/0.45%/0.45%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.14%/0.14%/0.14%，2026年周胜率: 1/1[12] 10. **大单推动涨幅因子**，IC（历史/2026年）: 0.018/-0.007，e^(-rank mae)（历史/2026年）: 0.325/0.327，多空收益（上周/1月/2026YTD）: 0.22%/0.22%/0.22%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.43%/0.43%/0.43%，2026年周胜率: 1/1[12] 11. **改进 GRU(50,2)+NN(10)因子**，IC（历史/2026年）: 0.065/0.001，e^(-rank mae)（历史/2026年）: 0.336/0.324，多空收益（上周/1月/2026YTD）: 0.16%/0.16%/0.16%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.26%/0.26%/0.26%，2026年周胜率: 1/1[12] 12. **残差注意力 LSTM(48,2)+NN(10)因子**，IC（历史/2026年）: 0.062/-0.016，e^(-rank mae)（历史/2026年）: 0.334/0.324，多空收益（上周/1月/2026YTD）: -0.26%/-0.26%/-0.26%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: 0.86%/0.86%/0.86%，2026年周胜率: 1/1[12] 13. **多颗粒度模型-5日标签因子**，IC（历史/2026年）: 0.079/-0.007，e^(-rank mae)（历史/2026年）: 0.343/0.322，多空收益（上周/1月/2026YTD）: 0.25%/0.25%/0.25%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.68%/0.68%/0.68%，2026年周胜率: 1/1[12] 14. **多颗粒度模型-10日标签因子**，IC（历史/2026年）: 0.073/-0.030，e^(-rank mae)（历史/2026年）: 0.342/0.313，多空收益（上周/1月/2026YTD）: -0.78%/-0.78%/-0.78%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: -0.05%/-0.05%/-0.05%，2026年周胜率: 0/1[12] 模型的回测效果 （数据来源：表3，统计周期为上周、1月、2026年至今（YTD），以及2026年周胜率）[13] 1. **周度调仓的中证500 AI增强宽约束组合**，超额收益（上周/1月/2026YTD）: -2.61%/-2.61%/-2.61%，2026年周胜率: 0/2[13] 2. **周度调仓的中证500 AI增强严约束组合**，超额收益（上周/1月/2026YTD）: -1.84%/-1.84%/-1.84%，2026年周胜率: 0/2[13] 3. **周度调仓的中证1000 AI增强宽约束组合**，超额收益（上周/1月/2026YTD）: -2.10%/-2.10%/-2.10%，2026年周胜率: 0/2[13] 4. **周度调仓的中证1000 AI增强严约束组合**，超额收益（上周/1月/2026YTD）: -1.63%/-1.63%/-1.63%，2026年周胜率: 0/2[13]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：DecompGRU多头选股模型**[7] * **模型构建思路**：基于DecompGRU深度学习模型对个股进行打分，选取得分最高的股票构建多头组合，以获取超额收益[7]。 * **模型具体构建过程**： 1. 模型基础：采用《AI+HI系列（7）：DecompGRU：基于趋势分解的时序+截面端到端模型》中提出的DecompGRU模型架构[7]。 2. 股票池：中证全指成分股[7]。 3. 组合构建：每周首个交易日，根据上周五收盘后更新的模型因子值，等权重买入集成打分最高的200只股票[7]。 4. 调仓规则：周频调仓[7]。 5. 交易限制：买入时剔除涨跌停、停牌股票，不考虑交易成本[7]。 6. 业绩基准：中证全指等权指数[7]。 2. **模型名称：DecompGRU ETF轮动模型**[10] * **模型构建思路**：将DecompGRU模型对个股的得分聚合至行业或主题ETF，构建一个ETF轮动组合[10]。 * **模型具体构建过程**： 1. ETF池：限定在行业、主题型ETF。若多个ETF跟踪同一指数，则保留5日成交额均值最大的一只[10]。 2. 流动性筛选：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[10]。 3. 组合构建：将个股模型得分聚合至ETF，根据得分进行轮动[10]。 4. 调仓规则：周度不定期调仓，每期持仓ETF数量在2-6只[10]。 5. 业绩基准：万得ETF指数[10]。 量化因子与构建方式 1. **因子名称：个股总热度**[14] * **因子构建思路**：从行为金融学角度，利用用户行为数据（浏览、自选、点击）构建个股层面的关注度指标，作为市场情绪的代理变量[14]。 * **因子具体构建过程**： 1. 数据来源：同花顺基于用户行为数据得到的个股热度指标[14]。 2. 计算方法：取股票的浏览、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，再将归一化后的数值乘以10000[14]。 3. 公式：$$个股总热度 = \frac{个股（浏览+自选+点击）次数}{全市场（浏览+自选+点击）次数总和} \times 10000$$[14] 4. 取值范围：指标取值区间为[0, 10000][14]。 2. **衍生因子：宽基/行业/概念总热度**[14][15][26][35] * **因子构建思路**：将个股总热度指标按照所属的宽基指数、申万行业或概念板块进行聚合，得到更高层面的情绪热度代理变量[14]。 * **因子具体构建过程**： 1. **宽基热度**：将全A样本按沪深300、中证500、中证1000、中证2000及“其他”分组，对每组内所有成分股的“个股总热度”指标进行求和，得到各宽基指数的热度[15]。 2. **行业热度**：采用相同方法，对申万一级、二级行业内所有成分股的“个股总热度”指标进行求和，得到行业热度[26]。 3. **概念热度**：采用相同方法，对每个概念板块内所有成分股的“个股总热度”指标进行求和，得到概念热度[35]。 3. **衍生因子：热度变化率（MA2）**[18][20][26] * **因子构建思路**：计算宽基、行业或概念总热度的周度变化率，并取2周移动平均（MA2）进行平滑，以捕捉市场关注度的边际变化趋势[18][20][26]。 * **因子具体构建过程**： 1. 计算每周的总热度值。 2. 计算周度热度变化率：$$热度变化率_t = \frac{总热度_t - 总热度_{t-1}}{总热度_{t-1}}$$ 3. 对计算出的周度变化率序列取2周移动平均（MA2）进行平滑[18][20][26]。 模型的回测效果 （数据统计区间：2025年3月31日至2025年12月31日[9]） 1. **DecompGRU多头选股模型**，累计绝对收益60.48%，相对全指等权超额收益34.62%，最大回撤10.08%，周度胜率67.50%，月度胜率100%[9]。2025年12月单月绝对收益7.57%，超额收益5.46%[9]。 2. **DecompGRU ETF轮动模型**，累计绝对收益26.23%，相对基准（万得ETF指数）超额收益1.56%，最大回撤7.82%，周度胜率60.98%，月度胜率66.67%[12][13]。2025年12月单月绝对收益2.35%，超额收益-1.51%[13]。 因子的回测效果 1. **宽基热度动量组合**（基于热度变化率MA2的轮动策略）：策略自2017年以来年化收益率8.74%，最大回撤23.5%[23]。2025年累计收益为36.8%，同期基准（宽基等权组合）收益为35%[23]。 2. **高热度概念+低热度个股组合**（BOTTOM组）：历史回测年化收益15.71%，最大回撤28.89%[41]。2025年以来累计收益41.8%[41]。

量化模型与因子总结 量化因子与构建方式 **1. 深度学习因子** 1. **因子名称**：agru_dailyquote[5][56] * **因子构建思路**：基于日频行情数据，使用注意力门控循环单元（AGRU）深度学习模型构建的Alpha因子[5]。 * **因子具体构建过程**：报告未提供该深度学习因子的具体构建公式和详细计算步骤，仅提及了模型类型（AGRU）和使用的数据源（日频行情）[5]。 * **因子评价**：在全市场月度换仓条件下，该因子历史RankIC均值为13.94%，历史胜率达91.63%，表现出较高的预测能力和稳定性[5][56]。 2. **因子名称**：DL_1[5][56] * **因子构建思路**：使用深度学习模型构建的Alpha因子[5]。 * **因子具体构建过程**：报告未提供该深度学习因子的具体构建公式和详细计算步骤[5]。 * **因子评价**：在全市场月度换仓条件下，该因子历史RankIC均值为14.08%，历史胜率为87.97%[5][56]。 3. **因子名称**：fimage[5][56] * **因子构建思路**：基于图像数据的深度学习因子[5]。 * **因子具体构建过程**：报告未提供该深度学习因子的具体构建公式和详细计算步骤[5]。 * **因子评价**：在全市场月度换仓条件下，该因子历史RankIC均值为5.17%，历史胜率为78.11%[5][56]。 **2. Level-2高频因子** 1. **因子名称**：integrated_bigsmall_longshort[5][56] * **因子构建思路**：综合大小单和长短单信息的复合因子[5][56]。 * **因子具体构建过程**：报告未提供该复合因子的具体构建公式和详细计算步骤[56]。 * **因子评价**：在全市场月度换仓条件下，该因子近期表现较好，近一月RankIC均值为15.18%，历史RankIC均值为11.10%，历史胜率为75.86%[5][56]。 2. **因子名称**：bigbuy[56] * **因子构建思路**：基于Level-2数据的大单买入因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 3. **因子名称**：bigsell[56] * **因子构建思路**：基于Level-2数据的大单卖出因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 4. **因子名称**：bigbuy_bigsell[56] * **因子构建思路**：大单买入与大单卖出合成的因子[56]。 * **因子具体构建过程**：报告未提供该合成因子的具体构建公式和详细计算步骤[56]。 5. **因子名称**：longbuy[56] * **因子构建思路**：基于Level-2数据的长单买入因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 6. **因子名称**：longsell[56] * **因子构建思路**：基于Level-2数据的长单卖出因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 7. **因子名称**：integrated_bigsmall[56] * **因子构建思路**：综合大小单信息的因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 8. **因子名称**：integrated_longshort[56] * **因子构建思路**：综合长短单信息的因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 **3. 分钟频因子** 1. **因子名称**：Amihud_illiq[5][58] * **因子构建思路**：衡量股票非流动性的因子，基于Amihud非流动性指标构建[5][58]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[58]。经典的Amihud非流动性指标计算公式通常为： $$Illiq_{it} = \frac{|R_{it}|}{VOLD_{it}}$$ 其中，$R_{it}$为股票i在第t日的收益率，$VOLD_{it}$为股票i在第t日的成交金额（以万元计）。因子值通常取一定时间窗口内的平均值。 * **因子评价**：在全市场月度换仓条件下，该因子近期表现较好，近一月RankIC均值为16.88%，历史RankIC均值为11.17%，历史胜率为74.95%[5][58]。 2. **因子名称**：real_var[56] * **因子构建思路**：日内已实现方差因子，衡量股票日内价格波动[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 3. **因子名称**：real_skew[56] * **因子构建思路**：日内已实现偏度因子，衡量股票日内收益率分布的不对称性[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 4. **因子名称**：real_kurtosis[56] * **因子构建思路**：日内已实现峰度因子，衡量股票日内收益率分布的尖峭程度[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 **4. 风格因子** 报告列出了盈利、成长、杠杆、流动、技术、规模、质量、估值共8大类45个风格因子[5][59][60]。这些均为传统基本面与市场面因子，报告未提供其具体构建过程。部分示例如下： 1. **因子名称**：销售净利率、毛利率、ROE、ROA（盈利类）[59] 2. **因子名称**：股东权益增长率、净利润增长率、EPS增长率（成长类）[59] 3. **因子名称**：资产负债率、长期负债比率（杠杆类）[59] 4. **因子名称**：1个月成交金额、换手率（流动类）[59] 5. **因子名称**：一个月股价反转、三个月股价反转（技术类）[59] 6. **因子名称**：流通市值、总资产（规模类）[59] 7. **因子名称**：存货周转率、流动比率（质量类）[60] 8. **因子名称**：EP、BP、SP、DP（估值类）[60] 因子的回测效果（全市场，月度换仓） 以下为报告“表1：因子表现分析（全市场，月度换仓）”中部分因子的历史表现汇总[56][58][59][60]。指标包括：近一周RankIC均值、近一月RankIC均值、近一年RankIC均值、历史以来RankIC均值、历史胜率。 1. **agru_dailyquote因子**，近一周RankIC均值5.18%，近一月RankIC均值12.44%，近一年RankIC均值14.42%，历史以来RankIC均值13.94%，历史胜率91.63%[56] 2. **DL_1因子**，近一周RankIC均值4.00%，近一月RankIC均值19.68%，近一年RankIC均值16.48%，历史以来RankIC均值14.08%，历史胜率87.97%[56] 3. **fimage因子**，近一周RankIC均值-0.17%，近一月RankIC均值3.95%，近一年RankIC均值3.92%，历史以来RankIC均值5.17%，历史胜率78.11%[56] 4. **integrated_bigsmall_longshort因子**，近一周RankIC均值-4.74%，近一月RankIC均值15.18%，近一年RankIC均值9.78%，历史以来RankIC均值11.10%，历史胜率75.86%[56] 5. **Amihud_illiq因子**，近一周RankIC均值-3.21%，近一月RankIC均值16.88%，近一年RankIC均值13.34%，历史以来RankIC均值11.17%，历史胜率74.95%[58] 6. **一个月股价反转因子**，近一周RankIC均值-13.27%，近一月RankIC均值-4.60%，近一年RankIC均值-9.14%，历史以来RankIC均值-7.01%，历史胜率68.05%[59] 7. **BP(行业相对)因子**，近一周RankIC均值-2.04%，近一月RankIC均值7.28%，近一年RankIC均值6.13%，历史以来RankIC均值6.29%，历史胜率71.92%[60] 模型的回测效果（指数增强） 以下为报告第二部分中，三个深度学习因子在控制行业、市值等偏离度，并进行月末换仓、双边千三计费的条件下，于“沪深300”板块进行指数增强策略的回测表现（2020-2025年）[21][34][49]。指标包括：总收益、年化收益率、最大回撤率、年化波动率、信息比率(IR)、夏普比率、收益回撤比。 1. **agru_dailyquote因子模型**，总收益68.73%，年化收益率9.29%，最大回撤率-7.29%，年化波动率4.30%，信息比率(IR)2.16，夏普比率1.58，收益回撤比1.27[21] 2. **DL_1因子模型**，总收益39.95%，年化收益率5.87%，最大回撤率-9.15%，年化波动率4.37%，信息比率(IR)1.34，夏普比率0.77，收益回撤比0.64[34] 3. **fimage因子模型**，总收益45.52%，年化收益率6.58%，最大回撤率-3.58%，年化波动率3.70%，信息比率(IR)1.78，夏普比率1.10，收益回撤比1.84[49]

根据研报内容，以下是关于量化因子和模型的总结。 量化因子与构建方式 1. **因子名称：日内高频偏度因子** 因子构建思路：通过分析股票日内收益的分布特征，捕捉其偏度信息以预测未来表现[12] 因子具体构建过程：具体计算方式请参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[12] 2. **因子名称：日内下行波动占比因子** 因子构建思路：将已实现波动率分解，计算下行波动部分在总波动中的占比[17] 因子具体构建过程：具体计算方式请参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[17] 3. **因子名称：开盘后买入意愿占比因子** 因子构建思路：基于开盘后一段时间内的高频交易数据，衡量买入意愿的相对强度[22] 因子具体构建过程：具体计算方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[22] 4. **因子名称：开盘后买入意愿强度因子** 因子构建思路：在买入意愿占比的基础上，进一步衡量买入意愿的绝对强度[25] 因子具体构建过程：具体计算方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[25] 5. **因子名称：开盘后大单净买入占比因子** 因子构建思路：分析开盘后大单净买入金额在总成交额中的占比，捕捉大资金动向[30] 6. **因子名称：开盘后大单净买入强度因子** 因子构建思路：衡量开盘后大单净买入的绝对强度[34] 7. **因子名称：改进反转因子** 因子构建思路：对传统反转因子进行改进，以更好地捕捉价格反转效应[40] 8. **因子名称：尾盘成交占比因子** 因子构建思路：通过分析尾盘成交额在日总成交额中的占比，捕捉资金在尾盘的动向[44] 9. **因子名称：平均单笔流出金额占比因子** 因子构建思路：计算平均单笔流出金额在总流出金额中的占比，分析资金流出特征[49] 10. **因子名称：大单推动涨幅因子** 因子构建思路：衡量由大单交易推动的股价上涨幅度[54] 11. **因子名称：改进 GRU(50,2)+NN(10)因子** 因子构建思路：使用改进的门控循环单元（GRU）神经网络结合全连接网络（NN）从高频数据中提取预测信号[58] 12. **因子名称：残差注意力 LSTM(48,2)+NN(10)因子** 因子构建思路：使用结合了残差连接和注意力机制的长短期记忆网络（LSTM）结合全连接网络（NN）进行深度学习因子构建[59] 13. **因子名称：多颗粒度模型-5日标签因子** 因子构建思路：基于双向A-GRU网络，使用5日收益作为预测标签进行训练，从多时间颗粒度数据中学习[64] 14. **因子名称：多颗粒度模型-10日标签因子** 因子构建思路：基于双向A-GRU网络，使用10日收益作为预测标签进行训练[65] 因子的回测效果 1. **日内高频偏度因子**，历史IC 0.019[9]，2025年IC 0.023[9]，历史 e^(-rank mae) 0.324[9]，2025年 e^(-rank mae) 0.327[9]，上周多空收益 -0.26%[9]，11月多空收益 0.49%[9]，2025YTD多空收益 22.76%[9]，2025年周胜率 30/46[9]，上周多头超额收益 0.42%[9]，11月多头超额收益 1.46%[9]，2025YTD多头超额收益 6.14%[9]，2025年多头周胜率 25/46[9] 2. **日内下行波动占比因子**，历史IC 0.016[9]，2025年IC 0.020[9]，历史 e^(-rank mae) 0.323[9]，2025年 e^(-rank mae) 0.325[9]，上周多空收益 0.38%[9]，11月多空收益 1.35%[9]，2025YTD多空收益 20.32%[9]，2025年周胜率 32/46[9]，上周多头超额收益 0.41%[9]，11月多头超额收益 1.08%[9]，2025YTD多头超额收益 3.54%[9]，2025年多头周胜率 26/46[9] 3. **开盘后买入意愿占比因子**，历史IC 0.025[9]，2025年IC 0.024[9]，历史 e^(-rank mae) 0.321[9]，2025年 e^(-rank mae) 0.321[9]，上周多空收益 0.28%[9]，11月多空收益 -0.01%[9]，2025YTD多空收益 19.33%[9]，2025年周胜率 36/46[9]，上周多头超额收益 0.47%[9]，11月多头超额收益 0.28%[9]，2025YTD多头超额收益 8.78%[9]，2025年多头周胜率 29/46[9] 4. **开盘后买入意愿强度因子**，历史IC 0.030[9]，2025年IC 0.027[9]，历史 e^(-rank mae) 0.326[9]，2025年 e^(-rank mae) 0.326[9]，上周多空收益 0.27%[9]，11月多空收益 0.57%[9]，2025YTD多空收益 26.36%[9]，2025年周胜率 35/46[9]，上周多头超额收益 -0.22%[9]，11月多头超额收益 -0.55%[9]，2025YTD多头超额收益 10.06%[9]，2025年多头周胜率 33/46[9] 5. **开盘后大单净买入占比因子**，历史IC 0.035[9]，2025年IC 0.020[9]，历史 e^(-rank mae) 0.322[9]，2025年 e^(-rank mae) 0.317[9]，上周多空收益 -0.20%[9]，11月多空收益 -0.44%[9]，2025YTD多空收益 20.50%[9]，2025年周胜率 32/46[9]，上周多头超额收益 -0.21%[9]，11月多头超额收益 -0.63%[9]，2025YTD多头超额收益 9.22%[9]，2025年多头周胜率 29/46[9] 6. **开盘后大单净买入强度因子**，历史IC 0.024[9]，2025年IC 0.014[9]，历史 e^(-rank mae) 0.320[9]，2025年 e^(-rank mae) 0.316[9]，上周多空收益 -0.88%[9]，11月多空收益 -1.89%[9]，2025YTD多空收益 10.71%[9]，2025年周胜率 27/46[9]，上周多头超额收益 -0.66%[9]，11月多头超额收益 -1.23%[9]，2025YTD多头超额收益 7.50%[9]，2025年多头周胜率 31/46[9] 7. **改进反转因子**，历史IC 0.031[9]，2025年IC 0.022[9]，历史 e^(-rank mae) 0.330[9]，2025年 e^(-rank mae) 0.330[9]，上周多空收益 0.27%[9]，11月多空收益 -0.09%[9]，2025YTD多空收益 21.93%[9]，2025年周胜率 35/46[9]，上周多头超额收益 -0.43%[9]，11月多头超额收益 -0.68%[9]，2025YTD多头超额收益 7.79%[9]，2025年多头周胜率 26/46[9] 8. **尾盘成交占比因子**，历史IC 0.026[9]，2025年IC 0.016[9]，历史 e^(-rank mae) 0.322[9]，2025年 e^(-rank mae) 0.319[9]，上周多空收益 0.81%[9]，11月多空收益 0.25%[9]，2025YTD多空收益 16.02%[9]，2025年周胜率 30/46[9]，上周多头超额收益 0.77%[9]，11月多头超额收益 0.31%[9]，2025YTD多头超额收益 5.33%[9]，2025年多头周胜率 25/46[9] 9. **平均单笔流出金额占比因子**，历史IC 0.008[11]，2025年IC -0.005[11]，历史 e^(-rank mae) 0.317[11]，2025年 e^(-rank mae) 0.315[11]，上周多空收益 -1.33%[11]，11月多空收益 -2.74%[11]，2025YTD多空收益 -5.80%[11]，2025年周胜率 21/46[11]，上周多头超额收益 -0.07%[11]，11月多头超额收益 -0.48%[11]，2025YTD多头超额收益 -1.93%[11]，2025年多头周胜率 18/46[11] 10. **大单推动涨幅因子**，历史IC 0.018[11]，2025年IC 0.010[11]，历史 e^(-rank mae) 0.325[11]，2025年 e^(-rank mae) 0.326[11]，上周多空收益 0.36%[11]，11月多空收益 0.71%[11]，2025YTD多空收益 9.32%[11]，2025年周胜率 30/46[11]，上周多头超额收益 -0.17%[11]，11月多头超额收益 -0.43%[11]，2025YTD多头超额收益 2.17%[11]，2025年多头周胜率 25/46[11] 11. **改进 GRU(50,2)+NN(10)因子**，历史IC 0.066[11]，2025年IC 0.047[11]，历史 e^(-rank mae) 0.336[11]，2025年 e^(-rank mae) 0.333[11]，上周多空收益 -1.32%[11]，11月多空收益 -0.71%[11]，2025YTD多空收益 44.83%[11]，2025年周胜率 38/46[11]，上周多头超额收益 -0.77%[11]，11月多头超额收益 -1.01%[11]，2025YTD多头超额收益 7.21%[11]，2025年多头周胜率 26/46[11] 12. **残差注意力 LSTM(48,2)+NN(10)因子**，历史IC 0.063[11]，2025年IC 0.046[11]，历史 e^(-rank mae) 0.334[11]，2025年 e^(-rank mae) 0.331[11]，上周多空收益 -1.50%[11]，11月多空收益 -1.23%[11]，2025YTD多空收益 44.56%[11]，2025年周胜率 42/46[11]，上周多头超额收益 -0.83%[11]，11月多头超额收益 -0.92%[11]，2025YTD多头超额收益 7.90%[11]，2025年多头周胜率 27/46[11] 13. **多颗粒度模型-5日标签因子**，历史IC 0.080[11]，2025年IC 0.068[11]，历史 e^(-rank mae) 0.344[11]，2025年 e^(-rank mae) 0.341[11]，上周多空收益 0.75%[11]，11月多空收益 2.56%[11]，2025YTD多空收益 63.15%[11]，2025年周胜率 42/46[11]，上周多头超额收益 1.07%[11]，11月多头超额收益 2.36%[11]，2025YTD多头超额收益 24.44%[11]，2025年多头周胜率 38/46[11] 14. **多颗粒度模型-10日标签因子**，历史IC 0.074[11]，2025年IC 0.062[11]，历史 e^(-rank mae) 0.342[11]，2025年 e^(-rank mae) 0.342[11]，上周多空收益 0.91%[11]，11月多空收益 2.55%[11]，2025YTD多空收益 57.70%[11]，2025年周胜率 41/46[11]，上周多头超额收益 0.98%[11]，11月多头超额收益 2.27%[11]，2025YTD多头超额收益 24.14%[11]，2025年多头周胜率 36/46[11] 量化模型与构建方式 1. **模型名称：中证500 AI增强宽约束组合** 模型构建思路：基于深度学习因子（多颗粒度模型-10日标签）构建中证500指数增强组合，采用较宽的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$，其中 $$w_i$$ 为股票i的权重，$$\mu_i$$ 为股票i的预期超额收益[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.3，市净率（PB）因子暴露0.3，市值三次方因子暴露0.3，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 2. **模型名称：中证500 AI增强严约束组合** 模型构建思路：基于深度学习因子（多颗粒度模型-10日标签）构建中证500指数增强组合，采用更严格的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.1，市净率（PB）因子暴露0.3，市值二次方因子暴露0.1，ROE因子暴露0.3，SUE因子暴露0.3，波动率因子暴露0.3，成份股权重约束0.8，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 3. **模型名称：中证1000 AI增强宽约束组合** 模型构建思路：基于深度学习因子（多颗粒度模型-10日标签）构建中证1000指数增强组合，采用较宽的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.3，市净率（PB）因子暴露0.3，市值三次方因子暴露0.3，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 4. **模型名称：中证1000 AI增强严约束组合** 模型构建思路：基于深度学习因子（多颗粒度模型-10日标签）构建中证1000指数增强组合，采用更严格的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.1，市净率（PB）因子暴露0.3，市值二次方因子暴露0.1，ROE因子暴露0.3，SUE因子暴露0.3，波动率因子暴露0.3，成份股权重约束0.8，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 模型的回测效果 1. **中证500 AI增强宽约束组合**，上周超额收益 2.02%[12]，11月超额收益 3.38%[12]，2025YTD超额收益 7.31%[12]，2025年周胜率 27/46[12] 2. **中证500 AI增强严约束组合**，上周超额收益 0.73%[12]，11月超额收益 2.35%[12]，2025YTD超额收益 10.58%[12]，2025年周胜率 30/46[12] 3. **中证1000 AI增强宽约束组合**，上周超额收益 2.41%[12]，11月超额收益 4.46%[12]，2025YTD超额收益 18.45%[12]，2025年周胜率 31/46[12] 4. **中证1000 AI增强严约束组合**，上周超额收益 1.00%[12]，11月超额收益 1.83%[12]，2025YTD超额收益 20.66%[12]，

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]