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]，

根据提供的研报内容，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：价格区间因子**[11][12] * **因子构建思路**：该因子衡量股票在日内不同价格区间成交的活跃程度，能体现投资者对股票未来走势的预期[11]。具体地，股票在日内高价格区间投资行为聚集程度与成交活跃度越低，未来上涨可能性越大；低价格区间的平均每笔成交量越大，大资金活跃程度越高，股票未来上涨可能性越大[11]。 * **因子具体构建过程**：该因子是三个细分因子的合成因子。首先构建三个细分因子： * **高价格80%区间成交量因子 (VH80TAW)**：衡量在日内最高价80%及以上价格区间成交的活跃度。 * **高价格80%区间成交笔数因子 (MIH80TAW)**：衡量在日内最高价80%及以上价格区间成交的频繁程度。 * **低价格10%区间每笔成交量因子 (VPML10TAW)**：衡量在日内最低价10%及以下价格区间平均每笔成交的规模。 然后，以25%、25%和50%的权重对VH80TAW、MIH80TAW和VPML10TAW三个因子进行合成[14]。最后，对合成后的因子进行行业和市值中性化处理，得到最终的价格区间因子。 * **因子评价**：该因子展现出了较强的预测效果，在样本外表现出色，超额净值曲线稳定向上，今年以来表现比较稳定[11][17]。 2. **因子名称：量价背离因子**[22] * **因子构建思路**：该因子主要衡量股票价格与成交量的相关性。一般而言，相关性越低，未来上涨的可能性越高[3]。 * **因子具体构建过程**：该因子是两个细分因子的合成因子。首先构建两个细分因子： * **价格与成交笔数相关性因子 (CorrPM)**：计算高频快照数据中价格与成交笔数的相关性。 * **价格与成交量相关性因子 (CorrPV)**：计算高频快照数据中价格与成交量的相关性。 然后，对上述两个因子进行等权合成[22]。最后，对合成后的因子进行行业和市值中性化处理，得到最终的量价背离因子。 * **因子评价**：该因子近几年表现一直不太稳定，多空净值曲线趋近走平，但去年超额收益处于历史较高水平，今年以来表现良好[3][24]。 3. **因子名称：遗憾规避因子**[25] * **因子构建思路**：该因子基于行为金融学的遗憾规避理论，通过考察股票当天被投资者卖出后反弹的比例和程度来构建。如某只股票买入浮亏占比较高或程度较大时，预期收益更高；卖出后股价反弹的占比越高或程度越大时，预期收益更低[25]。 * **因子具体构建过程**：该因子是两个细分因子的合成因子。首先利用逐笔成交数据区分每笔交易的主动买卖方向，并加入小单和尾盘的限制来构建细分因子： * **卖出反弹占比因子 (LCVOLESW)**。 * **卖出反弹偏离因子 (LCPESW)**。 然后，对上述两个因子进行等权合成[31]。最后，对合成后的因子进行行业和市值中性化处理，得到最终的遗憾规避因子。 * **因子评价**：该因子样本外超额收益稳定，表明A股投资者的遗憾规避情绪依然会显著影响股价的预期收益，但今年以来表现一般[3][34]。 4. **因子名称：斜率凸性因子**[36] * **因子构建思路**：该因子从投资者耐心与供求关系弹性的角度出发，利用限价订单簿的委托量和委托价信息，刻画订单簿的斜率和凸性对预期收益的影响。买方斜率越大（需求弹性小）或卖方斜率越小（供给弹性大），对应股票更高的预期收益[36]。 * **因子具体构建过程**：该因子是两个细分因子的合成因子。首先将委托量数据按档位累加，用委托价和累计委托量计算买卖方的订单簿斜率，并区分为： * **低档斜率因子 (Slope_ablW)**。 * **高档位卖方凸性因子 (Slope_alhW)**。 然后，对上述两个因子进行等权合成[39]。最后，对合成后的因子进行行业和市值中性化处理，得到最终的斜率凸性因子。 * **因子评价**：该因子自2016年以来收益保持平稳，但在样本外整体表现也比较平淡，年度表现欠佳[3][41]。 5. **因子名称：高频“金”组合合成因子**[3][43] * **因子构建思路**：将上述表现较好的高频因子（价格区间因子、量价背离因子、遗憾规避因子）进行合成，构建用于中证1000指数增强的策略因子[3]。 * **因子具体构建过程**：将价格区间因子、量价背离因子、遗憾规避因子这三类高频因子进行等权合成[3][43]。 6. **因子名称：高频&基本面共振组合合成因子**[4][47] * **因子构建思路**：将高频因子与基本面因子结合，利用其低相关性以提升多因子投资组合的表现[47]。 * **因子具体构建过程**：将高频“金”组合合成因子（基于价格区间、量价背离、遗憾规避因子）与三个比较有效的基本面因子（一致预期、成长和技术因子）进行等权合成[4][47]。 因子的回测效果 1. **价格区间因子**[13] * 多空收益率（上周）：-2.20% * 多空收益率（本月以来）：-2.20% * 多空收益率（今年以来）：12.72% * 多头超额收益率（上周）：-0.05% * 多头超额收益率（本月以来）：-0.05% * 多头超额收益率（今年以来）：5.08% 2. **量价背离因子**[13][22] * 多空收益率（上周）：0.77% * 多空收益率（本月以来）：0.77% * 多空收益率（今年以来）：17.97% * 多头超额收益率（上周）：0.21% * 多头超额收益率（本月以来）：0.21% * 多头超额收益率（今年以来）：5.97% 3. **遗憾规避因子**[13] * 多空收益率（上周）：-0.20% * 多空收益率（本月以来）：-0.20% * 多空收益率（今年以来）：17.27% * 多头超额收益率（上周）：-0.47% * 多头超额收益率（本月以来）：-0.47% * 多头超额收益率（今年以来）：0.34% 4. **斜率凸性因子**[3][38] * 多空收益率（上周）：-1.67% (基于中证800指数) * 多空收益率（本月以来）：-1.67% (基于中证800指数) * 多空收益率（今年以来）：-13.85% (基于中证800指数) * 多头超额收益率（上周）：-0.66% (基于中证800指数) * 多头超额收益率（本月以来）：-0.66% (基于中证800指数) * 多头超额收益率（今年以来）：-4.58% (基于中证800指数) 量化模型与构建方式 1. **模型名称：高频“金”组合中证1000指数增强策略**[3][43] * **模型构建思路**：基于合成的高频“金”组合因子，构建中证1000指数增强策略[3]。 * **模型具体构建过程**：使用高频“金”组合合成因子进行选股。策略调仓频率为周度，手续费率为单边千分之二，基准为中证1000指数。为降低调仓成本，加入了换手率缓冲机制[43]。 2. **模型名称：高频&基本面共振组合中证1000指数增强策略**[4][47] * **模型构建思路**：基于合成的高频&基本面共振组合因子，构建中证1000指数增强策略，旨在结合高频因子和基本面因子的优势[4][47]。 * **模型具体构建过程**：使用高频&基本面共振组合合成因子进行选股。策略调仓频率为周度，手续费率为单边千分之二，基准为中证1000指数[47]。 模型的回测效果 1. **高频“金”组合中证1000指数增强策略**[43][46][48] * 年化收益率：9.75% * 年化波动率：23.92% * Sharpe比率：0.41 * 最大回撤率：47.77% * 双边换手率（周度）：14.66% * 年化超额收益率：10.09% * 跟踪误差：4.28% * 信息比率(IR)：2.36 * 超额最大回撤：6.04% * 超额收益率（上周）：0.12% * 超额收益率（本月以来）：0.12% * 超额收益率（今年以来）：6.15% 2. **高频&基本面共振组合中证1000指数增强策略**[47][50][52] * 年化收益率：14.04% * 年化波动率：23.54% * Sharpe比率：0.60 * 最大回撤率：39.60% * 双边换手率（周度）：22.54% * 年化超额收益率：14.28% * 跟踪误差：4.18% * 信息比率(IR)：3.41 * 超额最大回撤：4.52% * 超额收益率（上周）：-0.45% * 超额收益率（本月以来）：-0.45% * 超额收益率（今年以来）：6.60%

量化因子与构建方式 1. 价格区间因子 **因子构建思路**：衡量股票在日内不同价格区间成交的活跃程度，以体现投资者对未来走势的预期[3] **因子具体构建过程**：利用三秒快照数据，分析不同价格区间的成交行为[12] - 高价格80%区间成交量因子（VH80TAW）：计算日内高价格80%区间的成交量，与未来收益呈负相关[12] - 高价格80%区间成交笔数因子（MIH80TAW）：计算日内高价格80%区间的成交笔数，与未来收益呈负相关[12] - 低价格10%区间每笔成交量因子（VPML10TAW）：计算日内低价格10%区间的平均每笔成交量，与未来收益呈正相关[12] - 合成方法：以25%、25%和50%的权重对三个细分因子进行合成，然后进行行业市值中性化处理[14] **因子评价**：展现出了较强的预测效果，今年以来表现比较稳定[3] 2. 量价背离因子 **因子构建思路**：衡量股票价格与成交量的相关性，相关性越低，未来上涨可能性越高[3] **因子具体构建过程**：利用高频快照数据计算价格与成交量的相关关系[22] - 价格与成交笔数相关性因子（CorrPM）：计算价格与成交笔数的相关性[22] - 价格与成交量相关性因子（CorrPV）：计算价格与成交量的相关性[22] - 合成方法：对两个细分因子进行等权合成，然后进行行业市值中性化处理[23] **因子评价**：近几年表现一直不太稳定，多空净值曲线趋近走平[3] 3. 遗憾规避因子 **因子构建思路**：通过考察股票当天被投资者卖出后反弹的比例和程度，体现投资者的遗憾规避情绪对股价预期收益的影响[3] **因子具体构建过程**：利用逐笔成交数据区分主动买卖方向，加入小单和尾盘限制[26] - 卖出反弹占比因子（LCVOLESW）：衡量卖出后股价反弹的占比[26] - 卖出反弹偏离因子（LCPESW）：衡量卖出后股价反弹的程度[26] - 合成方法：对两个细分因子进行等权合成，然后进行行业市值中性化处理[32] **因子评价**：样本外超额收益稳定，表明A股投资者的遗憾规避情绪会显著影响股价预期收益[3] 4. 斜率凸性因子 **因子构建思路**：从投资者耐心与供求关系弹性角度出发，刻画订单簿的斜率和凸性对预期收益的影响[3] **因子具体构建过程**：利用限价订单簿的委托量和委托价信息计算斜率[36] - 低档斜率因子（Slope_abl）：计算低档位的订单簿斜率[36] - 高档位卖方凸性因子（Slope_alh）：计算高档位的卖方凸性[36] - 合成方法：对两个细分因子进行等权合成，然后进行行业市值中性化处理[41] **因子评价**：因子自2016年以来收益保持平稳趋势[43] 量化模型与构建方式 1. 高频"金"组合中证1000指数增强策略 **模型构建思路**：将三类高频因子等权合成构建指数增强策略[3] **模型具体构建过程**： - 因子合成：将价格区间因子、量价背离因子、遗憾规避因子进行等权合成[3] - 调仓频率：周度调仓[44] - 手续费：单边千分之二[44] - 风险控制：加入换手率缓冲机制降低调仓成本[44] - 基准：中证1000指数[44] **模型评价**：在样本外表现出色，有较强的超额收益水平[47] 2. 高频&基本面共振组合中证1000指数增强策略 **模型构建思路**：将高频因子与有效的基本面因子结合提升多因子投资组合表现[48] **模型具体构建过程**： - 因子构成：高频因子（价格区间、量价背离、遗憾规避） + 基本面因子（一致预期、成长、技术因子）[48] - 合成方法：等权合成[48] - 调仓频率：周度调仓[48] - 基准：中证1000指数[48] **模型评价**：各项业绩指标均有提升，样本外表现稳定，有较强的超额收益水平[50] 因子的回测效果 1. 价格区间因子 - 上周多头超额收益率：0.28%[2][13] - 本月以来多头超额收益率：-0.41%[2][13] - 今年以来多头超额收益率：4.70%[2][13] - 上周多空收益率：-0.42%[13] - 本月以来多空收益率：-0.60%[13] - 今年以来多空收益率：13.53%[13] 2. 量价背离因子 - 上周多头超额收益率：0.18%[2][13] - 本月以来多头超额收益率：-1.47%[2][13] - 今年以来多头超额收益率：5.73%[2][13] - 上周多空收益率：1.82%[13] - 本月以来多空收益率：0.50%[13] - 今年以来多空收益率：15.99%[13] 3. 遗憾规避因子 - 上周多头超额收益率：-0.86%[2][13] - 本月以来多头超额收益率：-1.21%[2][13] - 今年以来多头超额收益率：1.04%[2][13] - 上周多空收益率：0.73%[13] - 本月以来多空收益率：1.04%[13] - 今年以来多空收益率：15.54%[13] 4. 斜率凸性因子 - 上周多头超额收益率：0.96%[2] - 本月以来多头超额收益率：0.63%[2] - 今年以来多头超额收益率：-7.40%[2] 模型的回测效果 1. 高频"金"组合中证1000指数增强策略 - 年化收益率：9.31%[44] - 年化波动率：23.97%[44] - Sharpe比率：0.39[44] - 最大回撤率：47.77%[44] - 双边换手率（周度）：14.66%[44] - 年化超额收益率：10.20%[3][44] - 跟踪误差：4.28%[44] - 信息比率：2.38[44] - 超额最大回撤：6.04%[3][44] - 上周超额收益：0.80%[3] - 本月以来超额收益：0.83%[3] - 今年以来超额收益：6.58%[3] 2. 高频&基本面共振组合中证1000指数增强策略 - 年化收益率：13.67%[50] - 年化波动率：23.59%[50] - Sharpe比率：0.58[50] - 最大回撤率：39.60%[50] - 双边换手率（周度）：22.54%[50] - 年化超额收益率：14.49%[4][50] - 跟踪误差：4.19%[50] - 信息比率：3.46[50] - 超额最大回撤：4.52%[4][50] - 上周超额收益：1.14%[4] - 本月以来超额收益：1.22%[4] - 今年以来超额收益：7.66%[4]

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：基于股票日内高频收益的分布特征构建，捕捉收益分布的非对称性[13] - 因子具体构建过程：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] **2 因子名称：日内下行波动占比因子** - 因子构建思路：通过分解已实现波动，衡量下行波动在总波动中的占比[18] - 因子具体构建过程：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：基于开盘后的交易行为数据，衡量买入意愿的强度[22] - 因子具体构建过程：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：进一步量化开盘后买入意愿的强度水平[26] - 因子具体构建过程：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》[26] **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在总交易中的占比[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强度水平[35] **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优化[40] **8 因子名称：尾盘成交占比因子** - 因子构建思路：分析尾盘成交在当日总成交中的占比[45] **9 因子名称：平均单笔流出金额占比因子** - 因子构建思路：衡量平均单笔流出金额的相对占比[51] **10 因子名称：大单推动涨幅因子** - 因子构建思路：分析大单交易对股价涨幅的推动作用[56] **11 因子名称：改进GRU(50,2)+NN(10)因子** - 因子构建思路：基于门控循环单元(GRU)和神经网络(NN)的深度学习模型[61] **12 因子名称：残差注意力LSTM(48,2)+NN(10)因子** - 因子构建思路：结合残差注意力机制的长短期记忆网络(LSTM)模型[62] **13 因子名称：多颗粒度模型-5日标签因子** - 因子构建思路：基于多时间颗粒度数据，使用5日收益标签训练[67] - 因子具体构建过程：因子基于双向AGRU训练得到[67] **14 因子名称：多颗粒度模型-10日标签因子** - 因子构建思路：基于多时间颗粒度数据，使用10日收益标签训练[68] - 因子具体构建过程：因子基于双向AGRU训练得到[68] 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：基于深度学习因子构建指数增强组合，采用相对宽松的约束条件[72] - 模型具体构建过程：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$w_i$为股票权重，$\mu_i$为预期超额收益[73] **2 模型名称：中证500 AI增强严约束组合** - 模型构建思路：基于深度学习因子构建指数增强组合，采用严格的约束条件[72] **3 模型名称：中证1000 AI增强宽约束组合** - 模型构建思路：基于深度学习因子构建指数增强组合，采用相对宽松的约束条件[72] **4 模型名称：中证1000 AI增强严约束组合** - 模型构建思路：基于深度学习因子构建指数增强组合，采用严格的约束条件[72] 因子的回测效果 **1 日内高频偏度因子**：历史IC 0.027，2025年IC 0.042，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.329，9月多空收益3.82%，2025YTD多空收益16.22%，2025年月胜率6/9，9月多头超额1.74%，2025YTD多头超额5.14%[9] **2 日内下行波动占比因子**：历史IC 0.025，2025年IC 0.036，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.326，9月多空收益2.86%，2025YTD多空收益13.58%，2025年月胜率7/9，9月多头超额0.55%，2025YTD多头超额1.41%[9] **3 开盘后买入意愿占比因子**：历史IC 0.032，2025年IC 0.030，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.324，9月多空收益0.68%，2025YTD多空收益10.39%，2025年月胜率6/9，9月多头超额0.54%，2025YTD多头超额4.07%[9] **4 开盘后买入意愿强度因子**：历史IC 0.035，2025年IC 0.030，历史e^(-rank mae) 0.326，2025年e^(-rank mae) 0.329，9月多空收益0.65%，2025YTD多空收益11.29%，2025年月胜率7/9，9月多头超额0.60%，2025YTD多头超额4.52%[9] **5 开盘后大单净买入占比因子**：历史IC 0.041，2025年IC 0.035，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.324，9月多空收益1.49%，2025YTD多空收益15.60%，2025年月胜率8/9，9月多头超额0.35%，2025YTD多头超额7.93%[9] **6 开盘后大单净买入强度因子**：历史IC 0.033，2025年IC 0.028，历史e^(-rank mae) 0.323，2025年e^(-rank mae) 0.322，9月多空收益0.88%，2025YTD多空收益11.30%，2025年月胜率8/9，9月多头超额0.80%，2025YTD多头超额6.14%[9] **7 改进反转因子**：历史IC 0.032，2025年IC 0.016，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.331，9月多空收益-0.81%，2025YTD多空收益4.07%，2025年月胜率5/9，9月多头超额-0.63%，2025YTD多头超额3.61%[9] **8 尾盘成交占比因子**：历史IC 0.049，2025年IC 0.030，历史e^(-rank mae) 0.332，2025年e^(-rank mae) 0.323，9月多空收益2.13%，2025YTD多空收益14.11%，2025年月胜率7/9，9月多头超额0.58%，2025YTD多头超额6.10%[9] **9 平均单笔流出金额占比因子**：历史IC 0.020，2025年IC 0.009，历史e^(-rank mae) 0.317，2025年e^(-rank mae) 0.318，9月多空收益-0.48%，2025YTD多空收益3.59%，2025年月胜率5/9，9月多头超额0.80%，2025YTD多头超额3.67%[9] **10 大单推动涨幅因子**：历史IC 0.016，2025年IC 0.010，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.327，9月多空收益2.23%，2025YTD多空收益7.36%，2025年月胜率7/9，9月多头超额1.19%，2025YTD多头超额3.34%[9] 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-1.36%，9月超额收益-3.85%，2025YTD超额收益0.94%，2025年周胜率23/39[13] **2 中证500 AI增强严约束组合**：上周超额收益-1.35%，9月超额收益-1.33%，2025YTD超额收益3.70%，2025年周胜率24/39[13] **3 中证1000 AI增强宽约束组合**：上周超额收益0.40%，9月超额收益0.42%，2025YTD超额收益9.15%，2025年周胜率26/39[13] **4 中证1000 AI增强严约束组合**：上周超额收益-0.19%，9月超额收益0.67%，2025YTD超额收益14.01%，2025年周胜率25/39[13]

量化因子与构建方式 1. **因子名称**：价格区间因子 - **构建思路**：衡量股票在日内不同价格区间成交的活跃程度，反映投资者对未来走势的预期[12] - **具体构建过程**： 1. 使用高频快照数据提取高价格80%区间成交量因子（VH80TAW）、高价格80%区间成交笔数因子（MIH80TAW）和低价格10%区间每笔成交量因子（VPML10TAW） 2. 按25%、25%、50%权重合成因子 3. 对合成因子进行行业市值中性化处理[12][14] - **因子评价**：样本外表现稳定，超额收益曲线持续向上[17] 2. **因子名称**：量价背离因子 - **构建思路**：通过价格与成交量的相关性衡量市场情绪，低相关性预示未来上涨概率更高[22] - **具体构建过程**： 1. 计算快照成交价与成交笔数的相关性（CorrPMW）、成交价与成交量的相关性（CorrPVW） 2. 对两个细分因子等权合成 3. 进行行业市值中性化处理[22][25] - **因子评价**：近年收益趋平但今年以来表现回升[26] 3. **因子名称**：遗憾规避因子 - **构建思路**：基于行为金融学理论，捕捉投资者卖出后股价反弹的规避情绪[27] - **具体构建过程**： 1. 使用逐笔数据计算卖出反弹占比因子（LCVOLESW）和卖出反弹偏离因子（LCPESW） 2. 等权合成后做行业市值中性化[30][33] - **因子评价**：样本外超额收益稳定，但今年以来表现一般[36] 4. **因子名称**：斜率凸性因子 - **构建思路**：通过订单簿斜率和凸性分析供需弹性，反映投资者价格敏感度[37] - **具体构建过程**： 1. 提取低档位买方斜率因子（Slope_abl）和高档位卖方凸性因子（Slope_alh） 2. 等权合成并做行业市值中性化[39][40] - **因子评价**：2016年后收益平稳但样本外表现平淡[42] --- 量化模型与构建方式 1. **模型名称**：高频"金"组合中证1000指数增强策略 - **构建思路**：将价格区间、量价背离、遗憾规避因子等权合成构建增强策略[3] - **具体构建过程**： 1. 周频调仓，单边手续费率0.2% 2. 加入换手率缓冲机制控制成本 3. 基准为中证1000指数[44][45] 2. **模型名称**：高频&基本面共振组合中证1000指数增强策略 - **构建思路**：结合高频因子与基本面因子（一致预期、成长、技术因子）提升表现[49] - **具体构建过程**： 1. 高频因子与基本面因子等权合成 2. 相同调仓频率和风控机制[50][51] --- 因子的回测效果 | 因子名称 | 上周多头超额 | 本月多头超额 | 今年以来多头超额 | 多空收益率（今年以来） | |------------------|--------------|--------------|-------------------|------------------------| | 价格区间因子 | 0.40%[13] | 0.51%[13] | 5.86%[13] | 13.69%[13] | | 量价背离因子 | -0.24%[13] | 1.53%[13] | 9.00%[13] | 16.21%[13] | | 遗憾规避因子 | 0.27%[13] | -0.49%[13] | 2.32%[13] | 12.41%[13] | | 斜率凸性因子 | -1.74%[2] | -2.46%[2] | -5.90%[2] | -12.37%[39] | --- 模型的回测效果 | 模型名称 | 年化超额收益 | 跟踪误差 | IR | 超额最大回撤 | |------------------------------------|--------------|----------|-------|--------------| | 高频"金"组合增强策略 | 10.51%[45] | 4.25%[45]| 2.47[45] | 6.04%[45] | | 高频&基本面共振组合增强策略 | 14.57%[51] | 4.16%[51]| 3.50[51] | 4.52%[51] |

市场表现 - 沪深300及创业板指数近1年走势显示，沪深300指数波动范围为-20%至80%，创业板指波动范围为0%至80% [1][2] - 昨日涨跌幅前五行业为国防军工(+3.073%)、机械设备(+1.979%)、煤炭(+1.893%)、纺织服饰(+1.356%)、计算机(+1.300%) [3] - 昨日涨跌幅后五行业为医药生物(-0.651%)、商贸零售(-0.227%)、建筑材料(-0.226%)、社会服务(-0.185%)、银行(-0.136%) [5] 金融工程研究 - 资金驱动下的A股表现亮眼，被动投资在行情初期发挥重要作用，部分投资者通过购买ETF为指数价格上涨提供流动性 [8] - 杠杆类资金是放量行情的重要支撑，截至2025年8月4日全市场融资融券余额已超过1.99万亿，突破2024年以来历史高点 [8] - 量价齐升和赚钱效应放大是行情的核心驱动因素，市场赚钱效应刺激散户参与意愿增加 [6][8] 微观交易特征 - 早盘交易集中度维持在2024年"新国九条"颁布以前的水平，截至2025年8月4日的集中比例约为25% [9] - 委托金额变化反映机构和散户参与比例的动态变化规律 [10] - 程序化交易比例在放量阶段有所增长，但受政策限制措施影响使用变得克制 [12] 高频因子表现 - 高维记忆_MEMO因子2023年以来多空收益29.3% [14] - 强反转_SR因子2023年以来多空收益19.7% [14] - 彩票委托_LOTTERY因子2023年以来多空收益32.9% [14] 北汽蓝谷公司分析 - 公司发布"三年跃升计划"，推动销售上量、结构优化、降本和丰富盈利生态 [4][16] - 2025Q1营收同比增长151%，毛利率同比提升4.1个百分点，归母净利同比减亏0.6亿元 [4][16] - 预计2025-2027年营收分别为317.6亿元、632.8亿元、949.0亿元，当前股价对应PS分别为1.5倍、0.8倍、0.5倍 [4][16] 极狐品牌发展 - 2024年以来销量明显提升，产品端定位下探、配置提升，聚焦特定场景需求 [17] - 品牌端强化"技术+安全"形象，采用新媒体营销方式，2024年12月新媒体订单占比25% [17] - 渠道端经销渠道翻倍增长，下沉市场快速渗透，未来将发布αT5/αS5增程车型、MPV等新产品 [17] 享界品牌发展 - 与华为合作打造智选模式，进军高端车市场，S9增程版综合续航里程达1355km [18] - 在智驾、智舱等方面领先BBA等燃油车竞品，销量提升明显 [18] - 未来有望发布SUV等新车型，获得更大发展空间 [18]

量化因子与构建方式 1. **因子名称：高维记忆_MEMO因子** - **构建思路**：通过符号处理方法将每笔委托的交易方向转化为数值序列，计算相关系数以刻画订单间的关联性，关联性越强表明机构交易贡献度越高[40] - **具体构建过程**： 1. 提取每笔委托的交易方向（买入/卖出）并编码为数值序列 2. 计算当前订单与后续若干笔订单的相关系数 3. 综合相关系数形成因子值，反映机构交易的持续性特征 - **因子评价**：有效捕捉机构拆单行为，对高质量公司具有显著区分能力[40] 2. **因子名称：强反转_SR因子** - **构建思路**：基于“单笔成交金额越高，反转强度越大”的规律，利用分钟级单笔金额切割日内涨跌幅，强化反转效应[46] - **具体构建过程**： 1. 统计每分钟单笔成交金额及对应涨跌幅 2. 按金额分位数划分区间，计算各区间内的反转强度 3. 加权合成因子值，公式为： $$SR = \sum_{i=1}^{240} w_i \cdot \Delta P_i$$ 其中\(w_i\)为金额区间权重，\(\Delta P_i\)为反转收益[46] - **因子评价**：相比日频反转因子，分钟级切割显著提升预测精度[46] 3. **因子名称：彩票委托_LOTTERY因子** - **构建思路**：捕捉散户在涨停价挂卖单或跌停价挂买单的“彩票博弈”行为，此类委托占比越高则标的未来表现越差[48] - **具体构建过程**： 1. 识别涨停价卖单和跌停价买单的委托量 2. 计算其占总委托量的比例： $$LOTTERY = \frac{V_{\text{extreme}}}{V_{\text{total}}}$$ 其中\(V_{\text{extreme}}\)为极端价位委托量[48] - **因子评价**：有效反映散户主导的交易结构，负向Alpha显著[48] --- 因子的回测效果 1. **高维记忆_MEMO因子** - IC：0.045（2023年以来）[39] - ICIR：2.989[39] - 年化多空收益：29.3%[39] 2. **强反转_SR因子** - IC：-0.043（2023年以来）[39] - ICIR：-2.473[39] - 年化多空收益：19.7%[39] 3. **彩票委托_LOTTERY因子** - IC：-0.054（2023年以来）[39] - ICIR：-2.792[39] - 年化多空收益：32.9%[39] --- 其他微观交易特征指标（附录） 1. **买入高频撤单率_笔数** - IC：0.045[53] - ICIR：2.938[53] - 年化多空收益：24.7%[53] - 多空IR：2.802[53] 2. **单笔金额** - IC：-0.035[53] - ICIR：-2.077[53] - 年化多空收益：21.4%[53] - 多空IR：1.966[53] 3. **上行波动** - IC：-0.059[53] - ICIR：-2.197[53] - 年化多空收益：34.5%[53] - 多空IR：2.342[53] （注：其他指标详见附录表2[53]）

量化模型与构建方式 1. 高频因子 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偏度特征来捕捉市场情绪和价格波动异常[3][6] **因子具体构建过程**：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》，对常规因子进行正交化处理[11] **因子评价**：长期多空收益稳定，但5月表现较弱[3][6] 2. **因子名称**：日内下行波动占比因子 **因子构建思路**：衡量股票下跌波动在总波动中的占比，反映风险特征[3][6] **因子具体构建过程**：基于专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》方法构建[17] 3. **因子名称**：开盘后买入意愿占比因子 **因子构建思路**：通过开盘后买入交易量占比捕捉资金流向[3][6] **因子具体构建过程**：采用《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》方法[21] 4. **因子名称**：开盘后大单净买入占比因子 **因子构建思路**：分析大单资金在开盘后的净流入情况[3][6] **因子评价**：2025年月胜率达100%，稳定性突出[7] 2. 深度学习因子 1. **因子名称**：改进GRU(50,2)+NN(10)因子 **因子构建思路**：结合门控循环单元和神经网络提取高频数据时序特征[3][14] **因子评价**：多空收益持续为正但多头超额收益为负[10] 2. **因子名称**：多颗粒度模型（5日标签） **因子构建思路**：基于双向AGRU训练，融合不同时间颗粒度的市场信息[15][66] **因子评价**：2025年多空收益达28.86%，表现最佳[10] 3. AI增强组合模型 **模型名称**：中证500/1000 AI增强组合 **模型构建思路**：以多颗粒度模型因子为核心，通过优化约束条件构建增强组合[69] **模型具体构建过程**： - 目标函数：$$max\sum\mu_{i}w_{i}$$，其中μi为股票预期超额收益[70] - 风险控制模块包含个股/行业约束、市值约束、财务指标约束等[70] - 交易成本假设为双边3‰[71] 回测效果 1. 高频因子 | 因子名称 | 上周多空收益 | 5月多空收益 | 2025年多空收益 | IC(2025) | RankMAE(2025) | |--------------------------|--------------|-------------|-----------------|----------|---------------| | 日内高频偏度因子 | 0.18% | -1.42% | 14.35% | 0.057 | 0.331 | | 开盘后大单净买入占比因子 | 0.31% | -0.33% | 12.32% | 0.039 | 0.324 | | 大单推动涨幅因子 | 0.36% | -0.53% | 4.26% | 0.005 | 0.322 | 2. 深度学习因子 | 因子名称 | 上周多空收益 | 5月多空收益 | 2025年多空收益 | 多头超额(2025) | |--------------------------|--------------|-------------|-----------------|----------------| | GRU(50,2)+NN(10) | 0.09% | 0.11% | 16.01% | -1.81% | | 多颗粒度模型(5日标签) | 0.56% | 0.81% | 28.86% | 9.83% | 3. AI增强组合 | 组合名称 | 上周超额收益 | 5月超额收益 | 2025年超额收益 | |------------------------------|--------------|-------------|----------------| | 中证500 AI增强宽约束组合 | 1.19% | 3.50% | 7.44% | | 中证1000 AI增强严约束组合 | 0.98% | 3.33% | 11.98% |

报告核心观点 报告对ETF轮动因子、高频因子进行跟踪测试，并构建相关指数增强策略，各因子和策略在样本外有不同表现，部分近期表现优异，还给出本周建议关注的ETF及策略持仓列表 [3][4][5] 各部分总结 ETF轮动策略跟踪 ETF轮动因子及策略近期表现 - 使用GBDT+NN机器学习因子构建周度调仓的ETF轮动策略，样本外整体表现良好 [13] - 上周因子IC值44.48%，多头超额收益率0.73% [14] - 考虑手续费，以沪深300指数为基准回测，策略年化超额收益率11.88%，信息比率0.69，超额最大回撤17.31% [15][17] - 上周超额收益率0.20%，本月以来超额收益率1.64%，今年以来超额收益率0.35% [18] 本周建议关注ETF - 本周ETF持仓包括证券ETF龙头、红利低波ETF等多只ETF [21][22] 高频因子超额收益概览 - 过去一周，各类高频因子多头组合在中证1000指数成分股中表现稳定，价格区间类因子多空收益率-2.07%，多头超额收益率-1.17%；量价背离因子多空收益率-1.18%，多头超额收益率-0.22%；遗憾规避因子多空收益率1.65%，多头超额收益率0.75% [22] 各类高频因子近期表现跟踪 高频价格区间因子 - 高价格区间成交笔数与成交量因子与股票未来收益负相关，低价格区间平均每笔成交量因子与股票未来收益正相关 [25] - 高价格80%区间成交量因子、高价格80%区间成交笔数因子和低价格10%区间每笔成交量因子周频调仓表现较好 [25] - 三个细分因子上周多空收益率分别为-1.73%、-1.56%、0.14%，多头超额收益率分别为-1.17%、-1.26%、0.32% [26] - 合成后价格区间因子样本外表现出色，超额净值曲线稳定向上 [28] 高频量价背离因子 - 量价背离时，股价未来上涨可能性高；量价趋同时，股价未来下跌可能性高 [31] - 价格与成交笔数的相关性和价格与成交量的相关性周频调仓表现较好 [31] - 两个细分因子上周多空收益率分别为-0.69%、-1.05%，多头超额收益率分别为-0.33%、-0.43% [31] - 合成后量价背离因子自2020年以来收益呈下降趋势，今年以来表现良好 [36] 遗憾规避因子 - 利用投资者遗憾规避情绪可构造有效选股因子 [37] - 卖出反弹占比因子和卖出反弹偏离因子周频表现较好 [37] - 两个细分因子上周多空收益率分别为1.67%、0.70%，多头超额收益率分别为0.88%、0.55% [40] - 合成后遗憾规避因子收益表现整体平稳向上，今年以来超额收益0.27% [44] 斜率凸性因子 - 用委托价和累计委托量计算买卖双方订单簿斜率，构建斜率凸性因子 [45] - 低档斜率因子和高档位卖方凸性因子周频调仓近期表现波动 [45] - 两个细分因子上周多空收益率分别为-0.75%、-0.50%，多头超额收益率分别为-0.34%、-0.88% [47] - 合成后斜率凸性因子自2016年以来收益平稳，样本外表现平淡 [48] 基于基本面因子与高频因子构建的中证1000指数增强策略表现 高频"金"组合中证1000指数增强策略 - 三类高频因子等权合成构建策略，周度调仓，加入换手率缓冲机制 [52] - 策略年化超额收益率10.62%，信息比率2.52，超额最大回撤6.04% [52] - 上周超额收益0.19%，本月以来超额收益0.19%，今年以来超额收益5.87% [55] 高频&基本面共振组合中证1000指数增强策略 - 基本面因子与高频因子结合构建策略，基本面因子包括一致预期、成长和技术因子 [57] - 策略年化超额收益率14.76%，信息比率3.57，超额最大回撤4.52% [59] - 上周超额收益-0.70%，本月以来超额收益-0.70%，今年以来超额收益3.74% [60] 附录 - 高频"金"组合中证1000指数增强策略本周持仓包含新媒股份、中望软件等多只股票 [64][65] - 高频&基本面共振组合中证1000指数增强策略本周持仓包含新媒股份、禾丰股份等多只股票 [67][68]