量化模型与构建方式 1. **模型名称**：红利风格择时模型[1][3][5] **模型构建思路**：通过构建一个综合多个影响红利风格表现因素的择时模型，来判断未来一段时间红利风格是否具有超额收益机会[5]。 **模型具体构建过程**：模型是一个多因子综合打分模型。首先，选取了影响红利风格表现的多个因子，包括宏观经济、市场情绪、估值差、资金流向等[8][11]。然后，对每个因子进行标准化处理，并赋予方向性（即因子值对红利风格的影响是正向还是负向）。最后，将各因子的标准化值加权（报告中未明确说明权重，可能为等权或根据历史表现确定）求和，得到综合因子值[5]。当综合因子值为正时，发出看多信号；为负时，则不发出看多信号[1][5]。 2. **因子名称**：中国:非制造业PMI:服务业[11] **因子构建思路**：反映国内服务业经济活动状况，是宏观经济景气的先行指标[11]。 **因子具体构建过程**：直接采用国家统计局发布的“中国非制造业PMI:服务业”指标的原始数据或经处理（如去趋势、标准化）后的数据作为因子值[11]。 **因子评价**：对红利风格的影响为中性（最新观点为0）[11]。 3. **因子名称**：中国:M2:同比[11] **因子构建思路**：反映国内货币供应量情况，影响市场流动性和风险偏好[11]。 **因子具体构建过程**：直接采用中国人民银行发布的“中国M2同比”指标的原始数据或经处理（如去趋势、标准化）后的数据作为因子值[11]。 **因子评价**：对红利风格的影响为中性（最新观点为0）[11]。 4. **因子名称**：美国:国债收益率:10年[11] **因子构建思路**：反映全球无风险利率水平和资金成本，其变化影响高股息资产的相对吸引力[8][11]。 **因子具体构建过程**：直接采用美国10年期国债收益率的原始数据或经处理（如去趋势、标准化）后的数据作为因子值[11]。 **因子评价**：对红利风格产生压制作用（因子值为负），近期下行增强了压制作用[8][11]。 5. **因子名称**：红利相对净值自身[11] **因子构建思路**：可能指红利指数或其相对基准的净值动量，反映趋势延续性[11]。 **因子具体构建过程**：报告未详细说明具体计算，可能基于中证红利指数净值或相对收益的动量指标（如过去一段时间的收益率）计算并标准化[11]。 **因子评价**：对红利风格产生正向贡献（最新观点为1）[11]。 6. **因子名称**：中证红利股息率-10年期中债收益率[11] **因子构建思路**：计算红利指数股息率与长期国债收益率的差值（股债利差），衡量高股息资产的相对估值吸引力[11]。 **因子具体构建过程**：计算公式为：中证红利指数的股息率减去10年期中国国债收益率，然后对差值进行标准化处理得到因子值[11]。 **因子评价**：对红利风格的影响为中性（最新观点为0）[11]。 7. **因子名称**：融资净买入[11] **因子构建思路**：反映A股市场杠杆资金的情绪和流向[11]。 **因子具体构建过程**：直接采用A股市场融资净买入金额的原始数据或经处理（如规模调整、标准化）后的数据作为因子值[11]。 **因子评价**：对红利风格的影响为中性（最新观点为0）[11]。 8. **因子名称**：行业平均景气度[11] **因子构建思路**：反映A股整体行业的景气状况，当景气度回暖时，资金可能从防御性的红利风格流向成长风格[8][11]。 **因子具体构建过程**：报告未详细说明具体计算，可能基于各行业景气指数或财务指标合成一个整体景气度指标，并标准化[11]。 **因子评价**：对红利风格产生负贡献[8][11]。 模型的回测效果 1. **红利风格择时模型**，综合因子值（2026.03.02-2026.03.06）为-0.38[1][3][5]。 2. **红利风格择时模型**，综合因子值（2026.02.24-2026.02.27）为-0.10[1][5]。 因子的回测效果 （注：报告未提供各因子独立的历史回测绩效指标（如IC、IR、多空收益等），仅提供了特定时点的因子值和观点。因此，本部分展示报告给出的最新因子数据。） 1. **中国:非制造业PMI:服务业因子**，因子值（2026.03.06）为0.14[11]，因子值（2026.02.27）为-0.13[11]，因子值（2026.01.30）为-0.19[11]。 2. **中国:M2:同比因子**，因子值（2026.03.06）为0.31[11]，因子值（2026.02.27）为0.21[11]，因子值（2026.01.30）为0.27[11]。 3. **美国:国债收益率:10年因子**，因子值（2026.03.06）为-0.70[11]，因子值（2026.02.27）为-0.49[11]，因子值（2026.01.30）为-0.39[11]。 4. **红利相对净值自身因子**，因子值（2026.03.06）为0.76[11]，因子值（2026.02.27）为0.54[11]，因子值（2026.01.30）为-0.11[11]。 5. **中证红利股息率-10年期中债收益率因子**，因子值（2026.03.06）为-0.11[11]，因子值（2026.02.27）为0.03[11]，因子值（2026.01.30）为0.43[11]。 6. **融资净买入因子**，因子值（2026.03.06）为0.26[11]，因子值（2026.02.27）为-1.31[11]，因子值（2026.01.30）为-1.76[11]。 7. **行业平均景气度因子**，因子值（2026.03.06）为0.97[11]，因子值（2026.02.27）为1.12[11]，因子值（2026.01.30）为0.77[11]。

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：** 捕捉股票日内收益分布的非对称性特征[15] **因子具体构建过程：** 报告未提供详细计算公式，构建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》[15] 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，衡量下行波动在总波动中的占比[20] **因子具体构建过程：** 报告未提供详细计算公式，构建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》[20] 3. **因子名称：开盘后买入意愿占比因子** **因子构建思路：** 基于高频数据低频化应用，衡量开盘后一段时间内的买入意愿相对强度[23] **因子具体构建过程：** 报告未提供详细计算公式，构建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》[23] 4. **因子名称：开盘后买入意愿强度因子** **因子构建思路：** 基于高频数据低频化应用，衡量开盘后一段时间内买入意愿的绝对强度[28] **因子具体构建过程：** 报告未提供详细计算公式，构建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》[28] 5. **因子名称：开盘后大单净买入占比因子** **因子构建思路：** 衡量开盘后大单净买入金额在总成交中的占比[35] 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[40] 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[44] 8. **因子名称：尾盘成交占比因子** **因子构建思路：** 衡量尾盘阶段成交额在日总成交额中的占比[48] 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在总成交中的占比[54] 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[57] 11. **因子名称：深度学习高频因子（改进 GRU(50,2)+NN(10)）** **因子构建思路：** 使用改进的GRU神经网络与全连接网络结合，从高频数据中提取选股信号[62] 12. **因子名称：深度学习高频因子（残差注意力 LSTM(48,2)+NN(10)）** **因子构建思路：** 使用带有残差注意力机制的LSTM神经网络与全连接网络结合，从高频数据中提取选股信号[63] 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深度学习模型训练，使用5日收益作为预测标签[66] **因子具体构建过程：** 因子基于双向A-GRU训练得到[66] 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深度学习模型训练，使用10日收益作为预测标签[68] **因子具体构建过程：** 因子基于双向A-GRU训练得到[68] 量化模型与构建方式 1. **模型名称：AI指数增强组合模型** **模型构建思路：** 基于深度学习因子构建指数增强组合，通过优化模型在控制跟踪误差和各项约束的条件下最大化预期收益[70] **模型具体构建过程：** * **核心因子：** 使用复合深度学习因子作为预期收益（α）来源，该复合因子由“多颗粒度模型-10日标签”和“多颗粒度模型-5日标签”等权合成[70]。 公式为：复合因子 = 多颗粒度模型-10日标签 * 0.5 + 多颗粒度模型-5日标签 * 0.5[70]。 * **优化目标：** 最大化投资组合的预期收益[74]。 目标函数为：$$max\sum\mu_{i}w_{i}$$[74] 其中，$$w_i$$为股票i的权重，$$\mu_i$$为股票i的预期超额收益（由复合因子转化而来）[74]。 * **约束条件：** 针对不同组合（空气指增、中证500/1000宽/严约束）设置不同的风险控制模块，包括个股权重上限、行业偏离、风格因子（市值、PB、ROE等）暴露控制、成分股权重下限以及换手率约束等[71][74]。 * **实践参数：** 测算中假定以次日均价成交，并扣除双边3‰的交易成本[75]。 因子的回测效果 （数据来源：表2[11][13]，指标为2026年以来的周度表现） 1. 日内高频偏度因子，IC 0.026，e^(-rank mae) 0.328，上周多空收益 -0.62%，3月多空收益 -0.62%，2026YTD多空收益 3.69%，上周多头超额 -0.20%，3月多头超额 -0.20%，2026YTD多头超额 1.69%，2026年周胜率 6/8 2. 日内下行波动占比因子，IC 0.032，e^(-rank mae) 0.327，上周多空收益 -0.17%，3月多空收益 -0.17%，2026YTD多空收益 5.65%，上周多头超额 -0.32%，3月多头超额 -0.32%，2026YTD多头超额 2.62%，2026年周胜率 6/8 3. 开盘后买入意愿占比因子，IC 0.027，e^(-rank mae) 0.322，上周多空收益 1.30%，3月多空收益 1.30%，2026YTD多空收益 4.27%，上周多头超额 0.81%，3月多头超额 0.81%，2026YTD多头超额 1.17%，2026年周胜率 6/8 4. 开盘后买入意愿强度因子，IC 0.033，e^(-rank mae) 0.329，上周多空收益 2.36%，3月多空收益 2.36%，2026YTD多空收益 4.79%，上周多头超额 0.77%，3月多头超额 0.77%，2026YTD多头超额 1.57%，2026年周胜率 5/8 5. 开盘后大单净买入占比因子，IC 0.030，e^(-rank mae) 0.318，上周多空收益 0.21%，3月多空收益 0.21%，2026YTD多空收益 5.02%，上周多头超额 -0.34%，3月多头超额 -0.34%，2026YTD多头超额 1.14%，2026年周胜率 7/8 6. 开盘后大单净买入强度因子，IC 0.024，e^(-rank mae) 0.318，上周多空收益 -0.38%，3月多空收益 -0.38%，2026YTD多空收益 3.32%，上周多头超额 -0.05%，3月多头超额 -0.05%，2026YTD多头超额 0.82%，2026年周胜率 5/8 7. 改进反转因子，IC 0.017，e^(-rank mae) 0.330，上周多空收益 0.90%，3月多空收益 0.90%，2026YTD多空收益 2.96%，上周多头超额 -0.30%，3月多头超额 -0.30%，2026YTD多头超额 2.66%，2026年周胜率 5/8 8. 尾盘成交占比因子，IC 0.016，e^(-rank mae) 0.317，上周多空收益 -1.45%，3月多空收益 -1.45%，2026YTD多空收益 3.29%，上周多头超额 -1.16%，3月多头超额 -1.16%，2026YTD多头超额 0.61%，2026年周胜率 5/8 9. 平均单笔流出金额占比因子，IC -0.025，e^(-rank mae) 0.311，上周多空收益 -0.95%，3月多空收益 -0.95%，2026YTD多空收益 -3.85%，上周多头超额 -0.30%，3月多头超额 -0.30%，2026YTD多头超额 -1.33%，2026年周胜率 2/8 10. 大单推动涨幅因子，IC 0.000，e^(-rank mae) 0.325，上周多空收益 -0.25%，3月多空收益 -0.25%，2026YTD多空收益 0.39%，上周多头超额 -0.57%，3月多头超额 -0.57%，2026YTD多头超额 0.86%，2026年周胜率 4/8 11. 改进 GRU(50,2)+NN(10)因子，IC 0.029，e^(-rank mae) 0.327，上周多空收益 -0.11%，3月多空收益 -0.11%，2026YTD多空收益 5.15%，上周多头超额 -0.39%，3月多头超额 -0.39%，2026YTD多头超额 -0.02%，2026年周胜率 6/8 12. 残差注意力 LSTM(48,2)+NN(10)因子，IC 0.028，e^(-rank mae) 0.324，上周多空收益 0.12%，3月多空收益 0.12%，2026YTD多空收益 4.45%，上周多头超额 -0.19%，3月多头超额 -0.19%，2026YTD多头超额 1.01%，2026年周胜率 6/8 13. 多颗粒度模型-5日标签因子，IC 0.046，e^(-rank mae) 0.337，上周多空收益 0.43%，3月多空收益 0.43%，2026YTD多空收益 8.05%，上周多头超额 0.82%，3月多头超额 0.82%，2026YTD多头超额 4.56%，2026年周胜率 8/8 14. 多颗粒度模型-10日标签因子，IC 0.044，e^(-rank mae) 0.340，上周多空收益 0.42%，3月多空收益 0.42%，2026YTD多空收益 6.25%，上周多头超额 0.83%，3月多头超额 0.83%，2026YTD多头超额 4.07%，2026年周胜率 6/8 模型的回测效果 （数据来源：表3[14]，指标为上周、3月及2026年以来的表现） 1. AI空气指增-周度组合，上周超额收益 0.55%，上周绝对收益 -2.13%，3月超额收益 0.55%，3月绝对收益 -2.13%，2026YTD超额收益 4.28%，2026YTD绝对收益 13.33%，2026年周胜率 4/8 2. AI空气指增-日度组合，上周超额收益 0.61%，上周绝对收益 -2.07%，3月超额收益 0.61%，3月绝对收益 -2.07%，2026YTD超额收益 5.51%，2026YTD绝对收益 14.56%，2026年周胜率 4/8 3. 中证500 AI增强宽约束-周度组合，上周超额收益 2.61%，上周绝对收益 -0.84%，3月超额收益 2.61%，3月绝对收益 -0.84%，2026YTD超额收益 -0.93%，2026YTD绝对收益 11.05%，2026年周胜率 3/8 4. 中证500 AI增强宽约束-日度组合，上周超额收益 0.73%，上周绝对收益 -2.72%，3月超额收益 0.73%，3月绝对收益 -2.72%，2026YTD超额收益 -4.25%，2026YTD绝对收益 7.73%，2026年周胜率 3/8 5. 中证500 AI增强严约束-周度组合，上周超额收益 2.09%，上周绝对收益 -1.35%，3月超额收益 2.09%，3月绝对收益 -1.35%，2026YTD超额收益 1.02%，2026YTD绝对收益 13.00%，2026年周胜率 4/8 6. 中证500 AI增强严约束-日度组合，上周超额收益 1.29%，上周绝对收益 -2.15%，3月超额收益 1.29%，3月绝对收益 -2.15%，2026YTD超额收益 0.42%，2026YTD绝对收益 12.40%，2026年周胜率 4/8 7. 中证1000 AI增强宽约束-周度组合，上周超额收益 2.43%，上周绝对收益 -1.22%，3月超额收益 2.43%，3月绝对收益 -1.22%，2026YTD超额收益 2.98%，2026YTD绝对收益 11.58%，2026年周胜率 4/8 8. 中证1000 AI增强宽约束-日度组合，上周超额收益 2.36%，上周绝对收益 -1.28%，3月超额收益 2.36%，3月绝对收益 -1.28%，2026YTD超额收益 2.54%，2026YTD绝对收益 11.15%，2026年周胜率 4/8 9. 中证1000 AI增强严约束-周度组合，上周超额收益 1.33%，上周绝对收益 -2.32%，3月超额收益 1.33%，3月绝对收益 -2.32%，2026YTD超额收益 2.34%，2026YTD绝对收益 10.94%，2026年周胜率 5/8 10. 中证1000 AI增强严约束-日度组合，上周超额收益 1.25%，上周绝对收益 -2.40%，3月超额收益 1.25%，3月绝对收益 -2.40%，2026YTD超额收益 3.10%，2026YTD绝对收益 11.71%，2026年周胜率 5/8

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，其内容聚焦于量化选股因子及AI增强组合的近期表现回顾[1][2][5] 报告的核心观点 * 上周（2026年2月2日至2月6日）高频选股因子表现出现分化，其中与“大单”相关的因子表现相对较好，而基于深度学习的“多粒度”因子则持续展现出稳定的表现[1][2][5] * 报告重点跟踪的各类AI指数增强组合在上周及2026年年初至今均延续了强势表现，多个组合的超额收益显著[5] 根据相关目录分别进行总结 高频因子与深度学习因子表现 * **高频因子表现分化**：在报告统计的多个高频因子中，上周多空收益表现最佳的是“开盘后大单净买入占比因子”（0.34%），其次是“开盘后大单净买入强度因子”（0.29%）和“改进反转因子”（0.19%）[5][11]。而“日内高频偏度因子”（-1.11%）、“大单推动涨幅因子”（-0.99%）等因子则录得负收益[5][11] * **多粒度因子持续稳健**：“多颗粒度模型（5日标签）因子”上周多空收益为0.65%，2026年年初至今收益达6.15%，且2026年周胜率为5/5（全胜）[5][13]。“多颗粒度模型（10日标签）因子”上周多空收益为0.53%，2026年年初至今收益为4.60%，周胜率为4/5[5][13] * **深度学习高频因子**：如“改进GRU(50,2)+NN(10)”和“残差注意力LSTM(48,2)+NN(10)”等因子上周多空收益分别为0.22%和0.41%，2026年年初至今收益分别为2.36%和0.90%[13] AI增强组合业绩表现 * **AI空气指增组合表现突出**：周度调仓的AI空气指增组合上周超额收益为3.63%，绝对收益为3.29%；2026年年初至今超额收益达6.18%，绝对收益达13.66%[5][14]。日度调仓的组合表现更优，上周超额收益为3.83%，2026年年初至今超额收益为6.60%[5][14] * **中证500 AI增强组合**：在宽约束条件下，周度调仓组合上周超额收益为2.25%，但绝对收益为-0.42%；2026年年初至今绝对收益为9.01%[5][14]。严约束条件下的周度调仓组合上周超额收益为1.29%，2026年年初至今绝对收益为8.91%[5][14] * **中证1000 AI增强组合**：在宽约束条件下，周度调仓组合上周超额收益为2.66%，绝对收益为0.20%；2026年年初至今超额收益为4.21%，绝对收益为10.22%[5][14]。严约束条件下的周度调仓组合上周超额收益为1.65%，2026年年初至今超额收益为2.55%，绝对收益为8.56%[5][14] * **组合构建方法**：AI增强组合主要基于深度学习因子（多颗粒度模型-10日标签与5日标签各占50%）构建，并施加了包括个股权重、行业偏离、市值风格暴露、换手率等在内的不同严格程度的约束条件以控制风险[73][74][76]

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（三阶矩）信息，用于预测未来收益[14] **因子具体构建过程：** 报告未提供详细构建公式，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》[14] 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，用于衡量股票的“坏波动”[19] **因子具体构建过程：** 报告未提供详细构建公式，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》[19] 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的高频数据，通过直观逻辑或机器学习方法，计算反映买入意愿的指标占比[24] **因子具体构建过程：** 报告未提供详细构建公式，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》[24] 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，但侧重于衡量买入意愿的强度而非占比[29] **因子具体构建过程：** 报告未提供详细构建公式，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》[29] 5. **因子名称：开盘后大单净买入占比因子** **因子构建思路：** 计算开盘后大单净买入金额在总成交中的占比，捕捉大资金在开盘后的动向[34] 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[39] 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[44] 8. **因子名称：尾盘成交占比因子** **因子构建思路：** 计算尾盘阶段成交额在日总成交额中的占比，捕捉尾盘资金的活跃程度[49] 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成交中的占比，用于衡量资金流出的平均力度[52] 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[58] 11. **因子名称：改进 GRU(50,2)+NN(10)因子** **因子构建思路：** 使用门控循环单元（GRU）和神经网络（NN）的深度学习模型处理高频数据，生成选股信号[13][63] **因子具体构建过程：** 模型结构为GRU(50,2)加上NN(10)，具体网络架构和训练细节未在报告中详述[13] 12. **因子名称：残差注意力 LSTM(48,2)+NN(10)因子** **因子构建思路：** 使用带有残差连接和注意力机制的长短期记忆网络（LSTM）结合神经网络，从高频数据中提取特征[13][65] **因子具体构建过程：** 模型结构为残差注意力LSTM(48,2)加上NN(10)[13] 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AGRU（可能指注意力GRU）训练的多时间颗粒度模型，使用5日收益率作为预测标签[13][68] **因子具体构建过程：** 因子基于双向AGRU训练得到，模型整合了不同时间颗粒度的信息[68] 14. **因子名称：多颗粒度模型-10日标签因子** **因子构建思路：** 与多颗粒度模型-5日标签类似，但使用10日收益率作为预测标签[13][69] **因子具体构建过程：** 因子基于双向AGRU训练得到[69] 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：** 以多颗粒度模型-10日标签因子提供的预期收益为核心，在控制跟踪误差和一系列风险约束的条件下，通过优化求解构建相对于中证500指数的增强组合[73] **模型具体构建过程：** * **核心信号：** 使用深度学习因子（多颗粒度模型-10日标签）作为股票的预期超额收益来源 $\mu_i$[73] * **优化目标：** 最大化组合预期收益，目标函数为： $$\operatorname*{max}_{w_{i}}\sum\mu_{i}w_{i}$$ 其中，$w_i$ 为股票 $i$ 的权重，$\mu_i$ 为股票 $i$ 的预期超额收益[74] * **约束条件：** 包括个股权重上限、行业偏离、市值风格暴露（线性及非线性）、估值（PB）、基本面（ROE、SUE）、波动率以及成分股权重等约束，具体约束值在“宽约束”条件下相对宽松[74] * **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[75] 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：** 与宽约束组合思路一致，但在风险控制上施加更严格的约束，旨在进一步控制跟踪误差和组合风险[73] **模型具体构建过程：** 优化目标与核心信号与宽约束组合相同，区别在于各项风险约束的阈值更严格（例如市值暴露约束更小），并增加了额外的约束如ROE、SUE、波动率和更高的成分股约束[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：** 构建方法同中证500宽约束组合，但基准指数改为中证1000，并相应调整约束参数[73] **模型具体构建过程：** 使用相同的多颗粒度模型因子和优化框架，针对中证1000指数的成分股及特征调整优化中的约束条件[74] 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：** 构建方法同中证500严约束组合，但基准指数改为中证1000[73] **模型具体构建过程：** 使用相同的多颗粒度模型因子和优化框架，针对中证1000指数施加更严格的风险约束[74] 因子的回测效果 （数据来源：表2，周度换仓因子表现汇总[11][13]） | 因子名称 | IC(历史) | IC(2026年) | e^(-rank mae)(历史) | e^(-rank mae)(2026年) | 多空收益(上周) | 多空收益(1月) | 多空收益(2026YTD) | 2026年周胜率 | 多头超额(上周) | 多头超额(1月) | 多头超额(2026YTD) | 2026年周胜率 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 日内高频偏度 | 0.019 | 0.024 | 0.324 | 0.321 | 1.26% | 1.55% | 1.55% | 2/2 | 0.27% | 1.26% | 1.26% | 2/2 | | 日内下行波动占比 | 0.016 | 0.028 | 0.323 | 0.319 | 1.43% | 1.65% | 1.65% | 2/2 | 0.88% | 1.83% | 1.83% | 2/2 | | 开盘后买入意愿占比 | 0.026 | 0.046 | 0.321 | 0.331 | 1.04% | 2.08% | 2.08% | 2/2 | 0.50% | 0.09% | 0.09% | 1/2 | | 开盘后买入意愿强度 | 0.030 | 0.065 | 0.326 | 0.338 | 2.21% | 2.86% | 2.86% | 2/2 | 1.37% | 2.00% | 2.00% | 2/2 | | 开盘后大单净买入占比 | 0.035 | 0.035 | 0.322 | 0.317 | 1.35% | 0.83% | 0.83% | 1/2 | 0.81% | 0.28% | 0.28% | 1/2 | | 开盘后大单净买入强度 | 0.024 | 0.044 | 0.320 | 0.320 | 1.08% | 1.01% | 1.01% | 1/2 | 0.27% | -0.39% | -0.39% | 1/2 | | 改进反转 | 0.030 | 0.058 | 0.330 | 0.339 | 1.63% | 3.40% | 3.40% | 2/2 | 1.20% | 3.09% | 3.09% | 2/2 | | 尾盘成交占比 | 0.026 | 0.037 | 0.322 | 0.324 | -0.12% | 2.56% | 2.56% | 1/2 | 0.29% | 1.63% | 1.63% | 2/2 | | 平均单笔流出金额占比 | 0.008 | 0.020 | 0.317 | 0.323 | 0.56% | 1.02% | 1.02% | 2/2 | 0.27% | 0.41% | 0.41% | 2/2 | | 大单推动涨幅 | 0.018 | 0.017 | 0.325 | 0.331 | 0.75% | 0.97% | 0.97% | 2/2 | 0.53% | 0.96% | 0.96% | 2/2 | | 改进 GRU(50,2)+NN(10) | 0.065 | 0.040 | 0.336 | 0.327 | 2.62% | 2.79% | 2.79% | 2/2 | 0.70% | 0.96% | 0.96% | 2/2 | | 残差注意力 LSTM(48,2)+NN(10) | 0.062 | 0.026 | 0.334 | 0.325 | 1.55% | 1.30% | 1.30% | 1/2 | 0.39% | 1.26% | 1.26% | 2/2 | | 多颗粒度模型-5日标签 | 0.079 | 0.034 | 0.343 | 0.332 | 1.88% | 2.13% | 2.13% | 2/2 | 1.05% | 1.74% | 1.74% | 2/2 | | 多颗粒度模型-10日标签 | 0.073 | 0.022 | 0.342 | 0.329 | 2.11% | 1.33% | 1.33% | 1/2 | 1.15% | 1.10% | 1.10% | 1/2 | 模型的回测效果 （数据来源：表3，AI增强组合超额收益汇总[14]） | 模型名称 | 超额收益(上周) | 超额收益(1月) | 超额收益(2026YTD) | 2026年周胜率 | | :--- | :--- | :--- | :--- | :--- | | 中证500 AI增强宽约束组合 | -1.91% | -4.47% | -4.47% | 0/3 | | 中证500 AI增强严约束组合 | -1.03% | -2.86% | -2.86% | 0/3 | | 中证1000 AI增强宽约束组合 | -0.09% | -2.18% | -2.18% | 0/3 | | 中证1000 AI增强严约束组合 | 0.06% | -1.57% | -1.57% | 1/3 |

量化因子与构建方式 1. **因子名称：日内高频偏度因子** - 构建思路：衡量股票日内收益分布的偏度特征[4] - 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[10] 2. **因子名称：日内下行波动占比因子** - 构建思路：分解已实现波动中的下行波动部分占比[4] - 具体构建过程：参考《选股因子系列研究（二十五）——高频因子之已实现波动分解》[14] 3. **因子名称：开盘后买入意愿占比因子** - 构建思路：捕捉开盘后市场买入意愿的占比特征[4] - 具体构建过程：基于高频数据低频化方法，参考《选股因子系列研究（六十四）》[17] 4. **因子名称：开盘后买入意愿强度因子** - 构建思路：量化开盘后买入意愿的强度[4] - 具体构建过程：同开盘后买入意愿占比因子，但侧重强度计算[21] 5. **因子名称：开盘后大单净买入占比因子** - 构建思路：分析开盘后大单净买入的占比[4] - 具体构建过程：未披露详细公式，但需正交化处理[25] 6. **因子名称：改进反转因子** - 构建思路：优化传统反转因子的计算逻辑[4] - 具体构建过程：未披露具体公式[36] 7. **因子名称：尾盘成交占比因子** - 构建思路：衡量尾盘成交量在总成交中的占比[4] - 具体构建过程：未披露详细公式[37] 8. **因子名称：深度学习因子（改进GRU(50,2)+NN(10)）** - 构建思路：结合GRU神经网络与全连接层预测收益[4] - 具体构建过程：使用GRU(50,2)提取时序特征，NN(10)输出预测值[52] 9. **因子名称：多颗粒度模型（5日标签）** - 构建思路：基于双向AGRU训练多时间颗粒度标签[57] - 具体构建过程：采用5日收益标签训练模型[60] 10. **因子名称：多颗粒度模型（10日标签）** - 构建思路：同5日标签模型，但标签周期延长至10日[60] 因子回测效果 1. **日内高频偏度因子** - 上周多空收益：-0.51% - 6月多空收益：1.48% - 2025年多空收益：14.73%[4] 2. **日内下行波动占比因子** - 上周多空收益：-0.04% - 6月多空收益：1.86% - 2025年多空收益：12.84%[4] 3. **开盘后买入意愿占比因子** - 上周多空收益：0.77% - 6月多空收益：1.85% - 2025年多空收益：11.44%[4] 4. **改进GRU(50,2)+NN(10)因子** - 上周多空收益：0.70% - 6月多空收益：3.58% - 2025年多空收益：19.78%[4] 5. **多颗粒度模型（5日标签）** - 上周多空收益：1.56% - 6月多空收益：5.97% - 2025年多空收益：35.45%[4] 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** - 构建思路：基于多颗粒度模型因子，最大化预期收益[61] - 具体构建过程：目标函数为$$ \max \sum w_i \mu_i $$，其中$w_i$为权重，$\mu_i$为预期超额收益[67] - 约束条件：个股权重≤1%，行业偏离≤1%，市值暴露≤0.3[62] 2. **模型名称：中证1000 AI增强严约束组合** - 构建思路：同中证500模型，但约束更严格[61] - 具体构建过程：增加ROE、SUE等基本面约束[62] 模型回测效果 1. **中证500 AI增强宽约束组合** - 上周超额收益：-0.25% - 6月超额收益：-0.36% - 2025年超额收益：7.95%[10] 2. **中证1000 AI增强严约束组合** - 上周超额收益：-0.21% - 6月超额收益：0.60% - 2025年超额收益：12.99%[10]