量化模型与因子总结 量化模型 1. 基于启发式风格划分的认知风险控制模型 模型构建思路：通过结合启发式方法和因子打分法识别市场认知与个体认知差异，控制认知风险[4][15] 模型具体构建过程： 1) 采用时间序列回归划分个股风格： $$r_{t,t}\sim\beta_{\mathit{Value}}\cdot r_{\mathit{Value},t}+\beta_{\mathit{Growth}}\cdot r_{\mathit{Growth},t}+\varepsilon_{t}$$ 约束条件： $$0\leq\beta_{\mathit{Value}}\leq1$$ $$0\leq\beta_{\mathit{Growth}}\leq1$$ $$\beta_{\mathit{Value}}+\beta_{\mathit{Growth}}=1$$ 2) 计算行业风险贡献： $$RiskContribution_{i}=w_{i}\times{\frac{\partial\sigma_{p}}{\partial w_{i}}}=w_{i}\times{\frac{\sum_{j=1}^{n}w_{i}\cdot Cov\left(r_{i},r_{j}\right)}{\sigma_{p}}}$$ 3) 对高风险行业中的认知差异个股偏离置为0[4][15][81] 2. 基于个股收益聚类的隐性风险识别模型 模型构建思路：采用Louvain社区发现算法对个股超额收益相关性进行聚类，识别传统风险模型无法捕捉的隐性风险[4][15][117] 模型具体构建过程： 1) 计算个股超额收益相关性矩阵 2) 应用Louvain算法最大化模块度进行聚类 3) 对近期走势趋同的股票聚类结果进行风险控制[117] 3. 动态风格因子控制模型 模型构建思路：针对风格因子波动率聚集现象，对近期波动率排名靠前、波动率显著放大的风格因子进行严格控制[4][15][81] 模型具体构建过程： 1) 计算风格因子滚动3个月收益率年化波动率 2) 识别波动率显著放大的风格因子 3) 在组合优化中约束高波动风格因子暴露[27][28] 4. 目标跟踪误差下的自适应个股偏离模型 模型构建思路：根据过去跟踪误差动态调整个股偏离幅度[4][15][81] 模型具体构建过程： 1) 计算组合相对基准的滚动3个月跟踪误差 2) 当跟踪误差超过阈值时自动缩小个股偏离 3) 形成跟踪误差-偏离幅度的动态调整机制[31][32] 量化因子 1. 黑天鹅指数因子 因子构建思路：通过风格因子收益率偏离度衡量市场极端程度[24][25] 因子具体构建过程： 1) 计算风格因子日度收益率偏离度： $$\sigma_{s,t}=\frac{\bar{r}_{s,t}-\bar{r}_{s}}{\sigma_{s}}$$ 2) 计算黑天鹅指数： $$BlackSwan_{t}=\frac{1}{N}\times\sum_{s\in S}\left|\sigma_{s,t}\right|$$ 因子评价：有效捕捉市场极端风险事件[24][25] 2. 成长价值风格因子 因子构建思路：综合估值和成长指标构建风格因子[82][83] 因子具体构建过程： 1) 价值因子包含股息率、BP、EPTTM、OCFPTTM四个子因子，权重各1/4 2) 成长因子包含DeltaROEQ、NPQYOY、SUE、AOG四个子因子，权重各1/4[82][83] 因子评价：传统因子打分法可能无法完全捕捉市场实际交易风格[88][93] 模型回测效果 1. 传统中证500指数增强组合 年化超额收益18.77%，相对最大回撤9.68%，信息比3.56，收益回撤比1.94，年化跟踪误差4.88%[5][16] 2. 引入全流程风控的中证500指数增强组合 年化超额收益16.51%，相对最大回撤4.90%，信息比3.94，收益回撤比3.37，年化跟踪误差3.98%[5][16]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：Barra风格因子** - **构建思路**：基于多维度市场特征构建的综合风格因子体系，涵盖市值、动量、波动等核心风格[15] - **具体构建过程**： - **Beta因子**：历史beta值 - **市值因子**：总市值取自然对数 - **动量因子**：历史超额收益率序列均值 - **波动因子**： $$0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率}$$ - **非线性市值因子**：市值风格的三次方 - **估值因子**：市净率倒数 - **流动性因子**： $$0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率}$$ - **盈利因子**： $$0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率TTM倒数}$$ - **成长因子**： $$0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率}$$ - **杠杆因子**： $$0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率}$$[15] 2. **因子名称：GRU模型衍生因子** - **构建思路**：结合GRU神经网络模型生成的量价与基本面特征因子[3][4][5][6] - **具体构建过程**： - **barra1d/barra5d因子**：基于Barra风格因子与GRU模型的1日/5日周期特征融合 - **open1d/close1d因子**：GRU模型对开盘价/收盘价序列的时序特征提取[3][6] 3. **因子名称：技术类因子** - **构建思路**：基于历史价格与波动率的反向因子[26][29] - **具体构建过程**： - **动量因子**：20日/60日/120日历史收益率 - **波动因子**：20日/60日/120日收益率波动率 - **中位数离差因子**：收益率分布偏离度[26][29] 因子回测效果 | 因子类别 | 测试范围 | 近期表现（多空收益） | 长期表现（年化） | |----------------|----------------|------------------------------------|---------------------------| | **Barra风格因子** | 万得全A | 估值因子多头+，流动性/市值因子空头+[16] | 波动因子五年年化-8.97%[26] | | **GRU因子** | 中证1000 | barra5d多空收益+，barra1d回撤-[6] | barra5d超额收益8.63%[31] | | **技术类因子** | 中证500 | 120日动量多空-13.99%[26] | 60日波动年化-15.23%[29] | 模型回测效果 | 模型名称 | 超额收益（vs中证1000） | |----------------|------------------------| | **barra1d** | 近一周-0.24%[31] | | **barra5d** | 今年以来+8.63%[31] | | **多因子组合** | 近六月+2.60%[31] | 评价 - **Barra因子**：体系完整但部分因子（如非线性市值）近期失效风险显著[16][34] - **GRU模型因子**：在中小盘股中表现稳健，但需警惕高频交易环境下的过拟合风险[6][35]

量化模型与因子分析总结 量化因子与构建方式 1. **因子名称：Barra风格因子** **因子构建思路**：基于多维度市场特征构建的综合风格因子体系，涵盖市场风险、市值、动量等核心维度[15] **因子具体构建过程**： - Beta因子：历史beta值 - 市值因子：总市值取自然对数 - 动量因子：历史超额收益率序列均值 - 波动因子： $$0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$ - 非线性市值：市值风格的三次方 - 估值因子：市净率倒数 - 流动性因子： $$0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$ - 盈利因子： $$0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率ttm倒数$$ - 成长因子： $$0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$ - 杠杆因子： $$0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$ 2. **因子名称：GRU因子** **因子构建思路**：基于门控循环单元神经网络模型开发的量价预测因子[3][4][5][6] **因子具体构建过程**：包含barra1d、barra5d、close1d、open1d四种衍生模型，通过GRU网络学习历史量价序列与未来收益的映射关系[31] 3. **因子名称：技术类因子** **因子构建思路**：捕捉股票价格行为特征的技术指标[22][24][30] **因子具体构建过程**： - 动量类：20日/60日/120日动量 - 波动类：20日/60日/120日波动率 - 中位数离差：价格分布偏离度指标 4. **因子名称：基本面因子** **因子构建思路**：反映公司财务质量和成长性的多维度指标[19][20][23][26] **因子具体构建过程**： - 增长类：toa增长、净利润超预期增长、营业利润增长 - 财务质量：roc超预期增长、roe增长、营业利润率 - 估值类：市销率、市盈率、roa、roe 因子回测效果 1. **Barra风格因子** - 最近一周多空收益：beta/动量/成长因子多头表现较好，杠杆/估值/盈利因子空头强势[2][16] 2. **GRU因子** - barra1d模型：全市场多空收益为正，沪深300超额0.35%[7][31] - barra5d模型：今年以来超额中证1000收益8.56%[7][34] - close1d模型：中证1000多空收益回撤1.59%[31] 3. **技术类因子** - 沪深300：多空收益显著为正，高动量高波动股票占优[21][22] - 中证500：波动类因子多空收益显著为正[24] - 中证1000：所有技术因子多空收益均为正向，波动类最显著[30] 4. **基本面因子** - 全市场：成长类因子正向，估值类不显著[18][19] - 沪深300：增长类和静态财务因子表现强势[20] - 中证500：超预期增长和增长类因子显著[23] - 中证1000：多数因子多空收益为负，增长类最显著[26][28] 多头组合表现 1. **GRU多头组合** - barra1d：近一周超额0.35%，今年以来超额3.85%[34] - barra5d：近六月超额7.63%，今年以来超额8.56%[34] - close1d：近三月超额5.29%，今年以来超额7.25%[34] 2. **多因子组合** - 近一周超额回撤0.19%，今年以来超额2.73%[34]

量化模型与构建方式 1. 模型名称：带约束的加权最小二乘法模型 - 模型构建思路：用于估计纯因子收益率，通过加权最小二乘法解决因子暴露矩阵不满秩问题，并引入行业因子约束条件[44][45] - 模型具体构建过程： 1. 构建股票收益率与因子暴露的线性模型：$$r=X f+u$$，其中X为因子暴露矩阵，f为纯因子收益率向量[44] 2. 定义流通市值平方根加权的权重矩阵W：$$W=\begin{bmatrix}\dfrac{\sqrt{s_{1}}}{\sum_{i=1}^{N}\sqrt{s_{i}}}&0&\cdots&0\\ \\ 0&\dfrac{\sqrt{s_{2}}}{\sum_{i=1}^{N}\sqrt{s_{i}}}&\cdots&0\\ \vdots&\vdots&\ddots&\vdots\\ \\ 0&0&\cdots&\dfrac{\sqrt{s_{N}}}{\sum_{i=1}^{N}\sqrt{s_{i}}}\end{bmatrix}$$[45] 3. 添加行业因子约束条件：$$s_{I_{1}}f_{I_{1}}+s_{I_{2}}f_{I_{2}}+\cdots+s_{I_{Q}}f_{I_{Q}}=0$$[49] 4. 通过Cholesky分解求解带约束的线性方程组，最终得到纯因子收益率估计值：$${\hat{f}}=C(C^{\prime}X^{\prime}W X C)^{-1}C^{\prime}X^{\prime}W r$$[59] - 模型评价：该模型通过引入国家因子和行业约束，使收益结构更清晰，能更敏感响应行业间相关系数变化[44] 量化因子与构建方式 1. 因子名称：市值(size) - 因子构建思路：反映公司规模对股票收益的影响，是Fama-French三因子模型中的核心因子[22] - 因子具体构建过程：使用对数总市值作为二级因子，直接作为一级因子[24] - 因子评价：同时具备高统计显著性与低换手率特征，是10个一级因子中的特例[83] 2. 因子名称：非线性市值(sizenl) - 因子构建思路：捕捉市值非线性效应，解决小市值股票风险溢价异常问题[22] - 因子具体构建过程： 1. 将标准化后的SIZE因子值取三次幂 2. 与SIZE因子值正交取残差 3. 进行缩尾和标准化处理[24] - 因子评价：受经济含义制约不宜强求其分布的正态性[27] 3. 因子名称：贝塔值(beta) - 因子构建思路：衡量股票系统性风险，源自CAPM模型[22] - 因子具体构建过程： 1. 计算个股无风险超额收益率对市场指数超额收益率的时间序列回归系数 2. 回归窗口252日，半衰期63日 3. 公式：$$r_t - r_{ft} = \alpha + \beta R_t + e_t$$[24] - 因子评价：与国家纯因子收益率高度相关(67.68%)，能反映国家因子无法解释的市场风险[84] 4. 因子名称：残差波动率(resvol) - 因子构建思路：衡量股票特异性风险，由三个二级因子合成[24] - 因子具体构建过程： 1. 日度标准差(DASTD，权重0.74)：过去252个交易日每日超额收益波动率，半衰期42日 2. 累积范围(CMRA，权重0.16)：计算12个月累计对数收益率极差 3. 历史Sigma(HSIGMA，权重0.10)：BETA计算式中残差的波动率[24] - 因子评价：与技术类因子liquidity存在较强共线性(相关系数0.53)[84] 5. 因子名称：动量(momentum) - 因子构建思路：捕捉股票价格趋势效应[22] - 因子具体构建过程： 1. 计算504个交易日的加权无风险超额对数收益率之和 2. 滞后期21日，半衰期126日 3. 公式：$$RSTR = \sum w_t [\ln(1+r_t)-\ln(1+r_{ft})]$$[24] - 因子评价：换手率较高但t值绝对值也较高(3.45)[83] 6. 因子名称：流动性(liquidity) - 因子构建思路：反映股票交易成本与市场冲击风险[22] - 因子具体构建过程： 1. 月度换手率(STOM，权重0.35)：前21日换手率和的对数值 2. 季度换手率(STOQ，权重0.35)：基于STOM计算3个月均值 3. 年度换手率(STOA，权重0.30)：基于STOM计算12个月均值[24] - 因子评价：属于"类alpha因子"，长期年化收益-9.46%，IR-3.05，反映低流动性资产补偿[85] 7. 因子名称：账面市值比(btop) - 因子构建思路：衡量价值投资效应[22] - 因子具体构建过程：使用普通股账面价值除以当前市值作为二级因子，直接作为一级因子[24] - 因子评价：与value因子存在逻辑冗余和共线性(相关系数0.39)[23][84] 8. 因子名称：价值(value) - 因子构建思路：综合衡量股票估值水平[22] - 因子具体构建过程： 1. 预测盈市比(EPFWD，权重0.68)：分析师预测净利润(FY1)除以市值 2. 现市比TTM(CETOP，权重0.21)：滚动12个月现金盈利/市值 3. 盈市比TTM(ETOP，权重0.11)：滚动12个月净利润/市值[24] - 因子评价：年化收益4.32%，IR1.80，表现较好但存在冗余[86] 9. 因子名称：成长(growth) - 因子构建思路：反映公司盈利增长能力[22] - 因子具体构建过程： 1. 长期预测净利润增速(EGRLF，权重0.18)：2年期利润增速 2. 短期预测净利润增速(EGRSF，权重0.11)：1年期利润增速 3. 净利润增长率(EGRO，权重0.24)：过去5年EPS回归系数/平均EPS 4. 销售收入增长率(SGRO，权重0.47)：过去5年每股销售收入回归系数/均值[24][28] - 因子评价：解释力度相对较弱(average_|t|仅1.18)[83] 10. 因子名称：杠杆(leverage) - 因子构建思路：衡量公司财务风险[22] - 因子具体构建过程： 1. 市场杠杆(MLEV，权重0.38)：(ME+PE+LD)/ME 2. 资产负债率(DTOA，权重0.35)：总负债/总资产 3. 账面杠杆(BLEV，权重0.27)：(BE+PE+LD)/BE[24] - 因子评价：年化收益-0.44%，IR-0.24，表现较弱[86] 模型的回测效果 1. 国家因子模型，年化收益率4.75%，年化波动率21.00%，IR0.23[86] 2. beta因子模型，年化收益率8.20%，年化波动率4.87%，IR1.69[86] 3. size因子模型，年化收益率-6.82%，年化波动率4.57%，IR-1.49[86] 4. liquidity因子模型，年化收益率-9.46%，年化波动率3.10%，IR-3.05[86] 5. value因子模型，年化收益率4.32%，年化波动率2.40%，IR1.80[86] 因子的回测效果 1. size因子，average_|t|4.22，percent_|t|>2 66.80%，r2_gain0.53%[86] 2. beta因子，average_|t|4.27，percent_|t|>2 67.42%，r2_gain0.45%[86] 3. momentum因子，average_|t|3.45，percent_|t|>2 58.92%，r2_gain0.35%[86] 4. resvol因子，average_|t|2.94，percent_|t|>2 54.10%，r2_gain0.27%[86] 5. growth因子，average_|t|1.18，percent_|t|>2 17.26%，r2_gain0.04%[86]

报告核心观点 - 风险资产有望延续优势，盈利因子有望修复 [1] - 大类资产配置方面，风险资产有望延续相对优势，2025年三季度国内股票配置比例持续提升、债券维持高位，海外美股配置略降、美债略升 [2] - A股市场风格方面，盈利因子有望修复，小市值优势有望延续，未来一个月占优风格为高盈利、小市值、高估值 [2] 大类资产配置 BL模型简介 - Black - Litterman（BL）模型融合市场共识与主动观点，以市场均衡收益率为基准，结合主观观点与先验预期收益率，用贝叶斯方法修正预期收益分布，生成组合权重，解决传统均值 - 方差模型问题，可基于不同目标得到最优配置比例 [3] - 报告使用的是基于周期嵌套理论改良版BL模型，基于不同周期定位下大类资产表现修正市场均衡观点，输出最优资产组合，提升组合夏普比率 [3] 未来1个季度内外弱补库延续 - 基于库存周期理论和中期策略，未来一个季度内外弱补库有望延续 [4] - 海外补库动能有韧性，美消费支出平稳，投资领先指标PMI未显著走弱，企业补库动能有保障 [4] - 国内政策有支撑，虽内生增长动力待夯实，但政策确定性增强，为市场注入稳定预期，修正中长期结构性担忧，弱补库韧性短期有望延续 [4] 模型历史表现回测 - BL模型历史回测显示，基于其输出的资产配置比例可提升组合年度胜率、降低最大回撤风险 [5] - 国内资产方面，BL模型输出的组合仅在2013及2017年小幅回撤，其余多数年份年化收益率超3%，组合年度收益率均值4.8% [5][7] - 海外资产方面，基于BL模型输出的组合相较等权重组合，回撤降低，收益率与胜率大幅提升，最大化效用条件下可提升夏普比例 [5][8] 未来一个季度风险资产依旧相对占优 - 基于股债商汇四资产的BL模型限制条件为各类资产不得做空、货币资产配置上限不超10%，优化目标为最大化效用 [10] - 国内资产方面，2025年三季度A股配置比例持续提升，债券资产配置比例维持相对高位，与A股估值强支撑、基本面弱复苏的假设相符 [10] - 海外资产方面，三季度美股配置比例略有降低，美债配置比例略有抬升，反映海外风险资产波动增加、点位偏高，基本面韧性或受考验，下半年联储降息预期或提升 [10] A股市场风格 二季度小市值、低估值因子表现强势 - 2025年6月6日报告构建了市值、估值、盈利、动量四大关键维度的风格因子模型 [13] - 截至2025年6月30日，二季度市场风格为小市值、低估值、弱盈利、弱反转，5月以来小市值因子突出，6月高盈利因子有所表现 [13] - 这反映市场剩余流动性充裕、盈利预期偏弱、外部因素冲击致市场情绪偏弱 [13] 盈利因子有望修复，小市值优势有望延续 - 未来一个月市场占优风格为高盈利、小市值、高估值，小市值趋势确定性高，盈利因子短期有望修复 [17] - 模型假设货币环境维持相对宽松合意水平，信用环境磨底弱修复，存量社融增速或自5月高点边际放缓 [17] - 基本面角度，三季度价格端有望止跌小幅修复，未来一个月呈现量平价弱修复格局 [17] - 风险偏好角度，6月下旬市场风偏加速修复，未来一段时间或自当前水位小幅调整，节奏先下后上 [17] - 进入7月中报交易窗口，盈利因子修复确定性提升，高盈利组合有望跑赢，小市值风格是下半年最确定的风格方向 [17] 主要宽基指数推荐 - 未来一个月可重点关注创业板指、中证A500以及中证2000 [20] - 梳理主要宽基指数近3年风格属性，中证2000、北证50小市值属性强，沪深300、创业板指、中证A500有不同程度大市值属性 [20][21] - 创业板指、中证1000、中证500高估值属性强，创业板指、中证A500等高盈利属性强 [20][21]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：Beta因子** - 因子构建思路：衡量股票相对于市场的系统性风险[16] - 因子具体构建过程：直接使用历史beta值作为因子值[16] 2. **因子名称：市值因子** - 因子构建思路：衡量公司规模大小[16] - 因子具体构建过程：总市值取自然对数 $$ \text{市值因子} = \ln(\text{总市值}) $$ [16] 3. **因子名称：动量因子** - 因子构建思路：衡量股票历史超额收益表现[16] - 因子具体构建过程：计算历史超额收益率序列的均值[16] 4. **因子名称：波动因子** - 因子构建思路：衡量股票价格波动性[16] - 因子具体构建过程：复合波动指标计算如下： $$ 0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率} $$ [16] 5. **因子名称：非线性市值因子** - 因子构建思路：捕捉市值风格的非线性效应[16] - 因子具体构建过程：市值风格的三次方[16] 6. **因子名称：估值因子** - 因子构建思路：衡量股票估值水平[16] - 因子具体构建过程：使用市净率倒数作为因子值[16] 7. **因子名称：流动性因子** - 因子构建思路：衡量股票交易活跃程度[16] - 因子具体构建过程：复合流动性指标计算如下： $$ 0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率} $$ [16] 8. **因子名称：盈利因子** - 因子构建思路：衡量公司盈利能力[16] - 因子具体构建过程：复合盈利指标计算如下： $$ 0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率ttm倒数} $$ [16] 9. **因子名称：成长因子** - 因子构建思路：衡量公司成长性[16] - 因子具体构建过程：复合成长指标计算如下： $$ 0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率} $$ [16] 10. **因子名称：杠杆因子** - 因子构建思路：衡量公司财务杠杆水平[16] - 因子具体构建过程：复合杠杆指标计算如下： $$ 0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率} $$ [16] 11. **因子名称：GRU因子** - 因子构建思路：基于GRU神经网络模型构建的复合因子[19][21][24][27] - 因子评价：在不同市场环境下表现分化，需要结合其他因子使用[19][21][24][27] 12. **因子名称：多因子组合** - 因子构建思路：综合多个因子构建的组合[31] - 因子评价：本周表现较弱，但长期表现稳定[31] 因子回测效果 1. **Beta因子** - 最近一周多空收益：多头表现较好[17] - 最近一月多空收益：多头表现较好[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 2. **市值因子** - 最近一周多空收益：空头表现强势[17] - 最近一月多空收益：空头表现强势[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 3. **盈利因子** - 最近一周多空收益：空头表现强势[17] - 最近一月多空收益：空头表现强势[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 4. **估值因子** - 最近一周多空收益：空头表现强势[17] - 最近一月多空收益：空头表现强势[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 5. **流动性因子** - 最近一周多空收益：多头表现较好[17] - 最近一月多空收益：多头表现较好[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 6. **GRU因子** - open1d模型： - 近一周超额收益：-0.35%[32] - 近一月超额收益：-0.71%[32] - 近三月超额收益：4.21%[32] - 近六月超额收益：5.85%[32] - 今年以来超额收益：6.30%[32] - close1d模型： - 近一周超额收益：0.55%[32] - 近一月超额收益：0.40%[32] - 近三月超额收益：5.04%[32] - 近六月超额收益：6.40%[32] - 今年以来超额收益：6.31%[32] - barra1d模型： - 近一周超额收益：0.17%[32] - 近一月超额收益：0.32%[32] - 近三月超额收益：1.97%[32] - 近六月超额收益：4.09%[32] - 今年以来超额收益：3.93%[32] - barra5d模型： - 近一周超额收益：0.13%[32] - 近一月超额收益：0.39%[32] - 近三月超额收益：4.48%[32] - 近六月超额收益：7.59%[32] - 今年以来超额收益：7.56%[32] 7. **多因子组合** - 近一周超额收益：-0.38%[32] - 近一月超额收益：-0.04%[32] - 近三月超额收益：1.43%[32] - 近六月超额收益：3.56%[32] - 今年以来超额收益：2.82%[32]

量化模型与构建方式 1. **模型名称：GRU模型** - **模型构建思路**：结合基本面和量价特征的时序预测模型，用于股票多空组合构建[3][4][5][6] - **模型具体构建过程**： 1. 输入数据包括量价特征（如开盘价、收盘价）和Barra风格因子（如市值、波动率）[15][17] 2. 通过GRU神经网络对时序特征进行训练，生成股票评分 3. 每月末按评分排序，构建多空组合（前10%做多，后10%做空）[17] - **模型评价**：在不同市场环境下表现分化，对量价特征捕捉能力较强但稳定性待提升[3][4][6] 2. **模型名称：多因子模型** - **模型构建思路**：综合基本面与技术面因子构建复合评分[7][30] - **模型具体构建过程**： 1. 因子标准化与行业中性化处理[17] 2. 动态加权组合财务因子（如市盈率、营收增长率）和技术因子（如动量、波动率）[15][28] 3. 约束条件包括行业偏离≤0.01、风格偏离≤0.5σ[29] --- 量化因子与构建方式 1. **因子名称：Barra风格因子** - **因子构建思路**：基于经典风险模型拆解市场风格收益来源[15] - **因子具体构建过程**： - **市值因子**：总市值自然对数 $$ \text{Size} = \ln(\text{MarketCap}) $$ - **波动因子**：复合波动率计算 $$ \text{Volatility} = 0.74\sigma_{ret} + 0.16|\text{CAR}| + 0.1\sigma_{residual} $$ - **流动性因子**：多期换手率加权 $$ \text{Liquidity} = 0.35\text{Turnover}_{1M} + 0.35\text{Turnover}_{3M} + 0.3\text{Turnover}_{1Y} $$ - **盈利因子**：复合财务指标 $$ \text{Earnings} = 0.68\frac{E}{P} + 0.21\frac{1}{P/CF} + 0.11\frac{1}{P/E_{ttm}} $$ - **因子评价**：市值和估值因子近期表现稳健，动量因子持续失效[16][17] 2. **因子名称：技术类因子** - **构建思路**：捕捉价格序列中的趋势与反转特征[28] - **具体构建过程**： - **动量因子**：N日收益率均值（20/60/120日） - **波动因子**：滚动窗口收益率标准差[28] - **因子评价**：中证1000成分股中动量因子空头收益显著[26][28] 3. **因子名称：基本面因子** - **构建思路**：财务指标加权（静态与动态结合）[18][21] - **具体构建过程**： - **超预期增长因子**：分析师预测与历史增长率差值 - **估值因子**：市盈率/市净率倒数[15][27] --- 模型的回测效果 | 模型名称 | 近一周超额收益 | 今年以来超额收益 | IR（三年年化） | |----------------|----------------|------------------|----------------| | GRU-barra5d | -0.31% | 7.42% | - | [30][31] | GRU-close1d | -0.40% | 5.73% | - | [30][31] | 多因子模型 | 0.66% | 3.28% | - | [30][31] --- 因子的回测效果 | 因子类型 | 中证1000多空收益（近一周） | 沪深300多空收益（近一周） | |----------------|----------------------------|---------------------------| | 市值因子 | - | 正向显著 | [16][21] | 60日动量 | -2.17% | 负向 | [22][28] | 市盈率因子 | 正向显著 | 负向 | [26][27] | 波动率因子 | -1.53% | 正向显著 | [22][28]

量化模型与构建方式 1. **模型名称：GRU模型** - 模型构建思路：结合基本面和量价特征的GRU模型，用于预测股票收益[2] - 模型具体构建过程：报告中未详细描述构建过程，但提到基于历史数据训练，涉及barra1d、open1d、close1d、barra5d等不同参数变体[4][5][6][7] - 模型评价：多空收益表现强势，尤其在沪深300和中证1000股池中表现突出[5][7] 2. **模型名称：多因子组合模型** - 模型构建思路：综合基本面和技术类因子构建的多因子选股模型[8] - 模型具体构建过程：未详细描述，但涉及行业中性化处理和月度调仓[17][29] --- 量化因子与构建方式 **Barra风格因子** 1. **因子名称：Beta** - 因子构建思路：衡量股票历史系统性风险[15] - 因子具体构建过程：历史beta值计算 2. **因子名称：市值** - 因子构建思路：反映股票规模特征[15] - 因子具体构建过程：总市值取自然对数 3. **因子名称：动量** - 因子构建思路：捕捉股票历史超额收益趋势[15] - 因子具体构建过程：历史超额收益率序列均值 4. **因子名称：波动** - 因子构建思路：衡量股票价格波动性[15] - 因子具体构建过程： $$0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率}$$ 5. **因子名称：非线性市值** - 因子构建思路：捕捉市值非线性的影响[15] - 因子具体构建过程：市值风格的三次方 6. **因子名称：估值** - 因子构建思路：反映股票估值水平[15] - 因子具体构建过程：市净率倒数 7. **因子名称：流动性** - 因子构建思路：衡量股票交易活跃度[15] - 因子具体构建过程： $$0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率}$$ 8. **因子名称：盈利** - 因子构建思路：反映公司盈利能力[15] - 因子具体构建过程： $$0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率TTM倒数}$$ 9. **因子名称：成长** - 因子构建思路：捕捉公司增长潜力[15] - 因子具体构建过程： $$0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率}$$ 10. **因子名称：杠杆** - 因子构建思路：衡量公司财务杠杆水平[15] - 因子具体构建过程： $$0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率}$$ **基本面因子** - **构建思路**：基于财务指标（如ROA、ROE、营收增长率等）计算，并进行行业中性化处理[17] - **具体因子**：包括静态财务因子（如市销率）、增长类因子（如ROA增长）、超预期增长类因子（如净利润超预期增长）[25][26] **技术类因子** - **构建思路**：基于量价数据（如动量、波动率）构建[17] - **具体因子**： - 20日/60日/120日动量：不同时间窗口的历史收益率[28] - 20日/60日/120日波动：不同时间窗口的收益率波动[28] - 中位数离差：价格偏离中位数的程度[28] --- 模型的回测效果 1. **GRU模型** - 近一周超额收益：0.06%-0.95%（不同参数变体）[31] - 今年以来超额收益：4.31%-7.75%（barra5d表现最佳）[31] 2. **多因子组合模型** - 近一周超额收益：0.13%[31] - 今年以来超额收益：2.61%[31] --- 因子的回测效果 **全市场股池** - **基本面因子**：增长类和超预期增长类因子多空收益为正，静态类因子不显著[18] - **技术类因子**：中短期动量和波动类因子多空收益为正，长期动量为负[18] - **GRU因子**：barra5d模型多空收益表现最佳[18] **沪深300股池** - **基本面因子**：估值类因子多空收益显著[20] - **技术类因子**：波动类因子多空收益突出[20] - **GRU因子**：close1d模型表现强势[20] **中证500股池** - **基本面因子**：静态财务因子多空收益最显著[22] - **技术类因子**：长期波动和中位数离差表现为负[22] - **GRU因子**：close1d模型表现强势，barra1d和open1d回撤[22] **中证1000股池** - **基本面因子**：静态财务因子多空收益强势，超预期增长类为负[24] - **技术类因子**：长期动量和波动为负，中短期动量为正[24] - **GRU因子**：barra5d模型多空收益强势[24]

报告核心观点 - 构建基于风格因子的A股风格投资体系，年内A股占优风格为高盈利、高估值、小市值；制造业PMI边际回暖，但内需仍需政策支持 [7][8][9] 6月金股组合 - 6月金股组合包含顺丰控股（002352.SZ）、安集科技（688019.SH）、佰仁医疗（688198.SH）、岭南控股（000524.SZ）、青岛啤酒（600600.SH）、索辰科技（688507.SH） [2] 市场指数表现 - 上证综指收盘价3385.36，涨0.04%；深证成指收盘价10183.70，跌0.19%；沪深300收盘价3873.98，跌0.09%；中小100收盘价6379.94，跌0.26%；创业板指收盘价2039.44，跌0.45% [4] 行业表现（申万一级） - 有色金属、通信、石油石化、建筑装饰、基础化工涨幅居前，分别为1.16%、1.00%、0.88%、0.79%、0.74%；美容护理、纺织服饰、食品饮料、传媒、非银金融跌幅居前，分别为-1.70%、-1.18%、-0.92%、-0.85%、-0.84% [5] 策略研究 - 自下而上构建A股风格因子组合，体系分为市值、估值、盈利、动量四个维度 [7] - 不同时期A股主导因子不同，2013 - 2014年为盈利因子，2015 - 2016年中为小市值因子，2016年8月 - 2018年为估值因子，2019 - 2021年初为盈利因子，2021 - 2023年为市值因子，2024年以来进入风格轮动或转换期，2025年起高估值因子重新走强 [7] - 新兴成长类资产小市值风格优势明显，红利资产体现为显著低估值因子 [7] - 盈利因子与经济周期、估值因子与市场情绪、市值因子与剩余流动性、动量因子与交易拥挤度和增量资金结构相关，增量资金方向与结构影响市场风格 [8] - 构建基于风格因子的A股风格投资体系，年内A股占优风格为高盈利、高估值、小市值 [8] 固定收益 - 5月制造业PMI为49.5%，比上月上升0.5个百分点，“抢出口”持续但边际放缓，部分分项指数下降，其余回升 [9] - 内需相对外需不足，新订单增长较新出口订单不足，5月新出口订单上行2.8个百分点至47.5%，新订单仅上涨0.6个百分点 [9] - 出厂价格降幅放缓，产成品库存下行，主要原材料购进价格走低，企业抬高原材料库存量 [9][10] - 5月建筑业PMI扩张速度放缓，服务业PMI小幅加快0.1个百分点至50.2%，节假日带动服务业景气度提升 [10] - 目前内需修复相对外需不足，价格筑底，后续需政策工具缓解内需问题 [10]

报告核心观点 - 构建基于风格因子的A股风格投资体系，不同宏观及市场因子决定当前A股占优风格因子，对应不同风格资产或底层投资组合 [3] - 年内视角下，A股占优风格为高盈利、高估值、小市值，具备业绩弹性的科技成长及中游制造板块有望获较强超额收益 [3] 风格因子的构建及其表现 风格因子的构建 - 通过自下而上方式构建风格因子组合，体系分市值、估值、盈利、动量四个维度，构建时将样本内股票按因子指标高低排序分组，计算各组加权涨跌幅、因子收益率或拟合因子净值曲线 [9] - 市值因子：将全A上市满1个月股票按总市值排序分大、中、小市值三组，做多小市值组合并做空大市值组合得因子收益率，2010年至今小市值风格优势明显，2017 - 2018年及2024年1 - 8月大市值占优，做多小市值做空大市值组合约有5倍收益 [12] - 估值因子：采用PE(TTM)指标，将全A上市满1个月股票按市盈率排序分高、中、低估值三组，做多高PE组合并做空低PE组合得因子收益率，A股低估值风格优势显著，2017 - 2018年及2022 - 2024年优势累计，高估值行情在2013 - 2014年、2019 - 2021年及2024Q4出现 [13][14] - 盈利因子：采用盈利增速的万得一致预期数据，按盈利预期由高到低排序分组，做多高增速组合并做空低增速组合得因子收益率，A股盈利因子走势有周期性，2010 - 2014年、2019 - 2021年高盈利增速占优，2016 - 2018年、2022 - 2024年8月低盈利增速占优 [16] - 动量因子：采用1个月动量，基于前一个月涨跌幅排序分组，做多前期涨跌幅前30%组合并做空后30%组合得因子收益率，A股整体反转效应明显，2010 - 2012年及2021年至今反转效应增强，2017及2020年动量效应阶段性出现 [18] 全A风格因子表现 - 2013 - 2014年，A股呈盈利因子主导行情，2014年3月后市值因子影响提升，小市值优势显著 [24] - 2015 - 2016年中，小市值因子优势明显，反转因子阶段性走强，盈利因子暴露度下降，估值因子暴露度提升 [24] - 2016年8月 - 2018年，A股呈估值因子主导风格，低估值风格是超额收益主要来源，市场呈大市值风格，高增速组合走弱，动量效应增强 [24] - 2019 - 2021年初，市场进入盈利因子主导行情，高盈利组合跑赢，动量效应强化 [24] - 2021 - 2023年，市场进入市值因子主导阶段，2021年8月前高盈利小市值风格占优，8月后小市值优势强化，反转效应增强，2023年小市值、低估值因子体现优势 [27] - 2024年以来，A股进入风格轮动或转换期，前三季度低估值、低盈利优势延续，市值风格切换，四季度高估值、小市值走强，反转效应增强，高盈利风格修复 [27] - 2025年起，高估值因子重新走强，市场情绪回升，高估值、强反转因子表现突出，盈利因子底部修复 [27] 不同类型资产风格因子表现 - 新兴成长类资产小市值风格优势明显，2021年7月后小市值加速崛起，反转趋势显著；2015年前高估值风格占优，2015 - 2018年中低估值走强，2021年7月后低估值风格增强；2022年8月前高盈利增风格占优，8月后低盈利增速、低估值占优；动量因子表现与全A类似，2021年7月后反转趋势增强 [29] - 红利资产低估值因子优势明显，市值因子呈周期性大小轮动；2021年中之前高盈利风格优势显著，此后盈利因子走弱，近两年趋稳；2019年以来反转效应更强势 [33] 风格因子影响因素 盈利因子及其影响因素 - 盈利因子与经济周期高度相关，经济基本面上行时，高盈利增速股票表现更好，用库存周期指征经济周期，2017年后同向相关性明显，2017年前有阶段性反向相关性 [45] 估值因子及其影响因素 - 估值因子与市场情绪高度相关，市场情绪回暖时，高估值股票表现更优，股债风险溢价与估值因子走势高度相关，换手率和涨停家数占比可辅助判断 [49] 市值因子及其影响因素 - 市值因子与剩余流动性高度相关，剩余流动性越充裕，小市值因子表现越强势，2017年4月 - 2019年1月及2023年12月 - 2024年8月二者背离，因市场担忧内需结构转换和经济增长中枢下行，风险偏好走弱，低估值主导 [53] 动量因子及其影响因素 - 动量因子与交易拥挤度、增量资金结构相关，交易拥挤度提升，动量效应增强，市场无显著增量资金时，反转因子强势 [56] - 2010 - 2014年H1，市场增量资金不显著，反转效应强；2014H2 - 2015H1，两融资金主导行情，小市值与高盈利优势明显；2017 - 2018年，北上资金主导，低估值因子主导，动量效应增强；2019 - 2021Q2，主动型公募资金主导，高盈利增速主导；此后无新趋势性主导资金，反转效应增强，低估值趋势走强，高盈利趋势走弱 [57] 风格因子体系及其应用 风格投资体系 - 宏观及市场层面因子影响并决定市场风格表现及占优风格因子，盈利因子受经济周期影响，估值因子受市场情绪影响，市值因子受剩余流动性影响，动量因子受增量资金和交易拥挤度影响 [61] - 不同宏观及市场因子决定A股占优风格因子，可据此买入底层股票组合或投资不同类型风格资产或宽基指数 [66] 基于风格投资体系的A股市场风格展望 - 预计2025年国内经济弱复苏、信用磨底修复、货币持续宽松，市场情绪小幅修复，ERP至少到3.5%左右 [68] - 年内A股占优风格为高盈利、高估值、小市值，当前A股对年内盈利修复未充分计价，高盈利、高估值因子有上行空间，科技成长及中游制造板块有望获超额收益；短期高盈利及小市值风格或阶段性调整 [73]