量化模型与构建方式 1. **模型名称**：GARP组合 - **模型构建思路**：结合增长（Growth）与合理估值（Reasonable Price）的选股策略，筛选兼具成长性和估值吸引力的股票[5][9][33] - **模型具体构建过程**： 1. 筛选标的：沪深300成分股 2. 成长性指标：选取营收增长率、净利润增长率排名前30%的股票 3. 估值指标：剔除PE_TTM和PB高于行业中位数的股票 4. 综合评分：对剩余股票按成长性与估值加权打分，选取前50只等权配置 - **模型评价**：在平衡成长与估值风险方面表现优异，长期超额收益稳定 2. **模型名称**：PB-盈利优选组合 - **模型构建思路**：通过低市净率（PB）与高盈利（ROE）双重筛选，挖掘低估值的优质企业[5][29][32] - **模型具体构建过程**： 1. 初筛：沪深300成分股中PB分位数低于30%的股票 2. 盈利筛选：ROE连续两年高于行业均值 3. 动态调整：季度调仓，权重按盈利稳定性调整 - **模型评价**：在低估值风格占优时表现突出，但周期敏感性较高 3. **模型名称**：小盘成长组合 - **模型构建思路**：聚焦小市值且具备高成长特征的股票，捕捉市场弹性[5][38][42] - **模型具体构建过程**： 1. 市值筛选：全市场市值后20%的股票 2. 成长指标：营收增长率、研发投入占比综合排名前20% 3. 流动性过滤：剔除日均成交额低于1000万元的股票 4. 等权配置Top 100股票 - **模型评价**：高风险高收益特征显著，需警惕流动性风险 --- 量化因子与构建方式 1. **因子名称**：反转因子 - **因子构建思路**：捕捉短期价格反转效应的技术类因子[5][46][48] - **因子具体构建过程**： $$ \text{Reversal}_t = \frac{P_{t-5} - P_t}{P_{t-5}} $$ 其中$P_{t-5}$为5日前收盘价，$P_t$为当前收盘价，因子值为负表示近期下跌，可能反弹 - **因子评价**：上周全市场多空收益达0.98%，短期有效性显著 2. **因子名称**：SUE因子（标准化意外盈利） - **因子构建思路**：衡量盈利超预期程度的基本面因子[50][51] - **因子具体构建过程**： $$ \text{SUE} = \frac{\text{实际EPS} - \text{预期EPS}}{\sigma(\text{EPS预测误差})} $$ 其中分母为分析师预测的标准差 - **因子评价**：2025年全市场多空收益12.34%，在沪深300中表现最佳 3. **因子名称**：市值因子 - **因子构建思路**：通过市值分层捕捉规模效应[43][44][45] - **因子具体构建过程**： 1. 每月末计算全市场股票总市值 2. 按市值分为10组，多头为最小10%，空头为最大10% 3. 多空收益 = 多头组合收益 - 空头组合收益 - **因子评价**：小市值效应2025年全市场收益达48%，但波动较大 --- 模型的回测效果 | 模型名称 | 周收益率 | 月收益率 | 年收益率 | 超额收益(年) | 跟踪误差 | 最大回撤 | |------------------------|----------|----------|----------|--------------|----------|----------| | GARP组合 | 3.28% | 4.32% | 28.19% | 23.87% | 10.50% | 3.45% | [9][33][34] | PB-盈利优选组合 | 2.86% | 3.52% | 20.53% | 16.21% | 9.83% | 3.71% | [9][29][32] | 小盘成长组合 | 4.87% | 6.74% | 56.37% | -9.38%* | 11.01% | 21.91% | [9][38][42] *注：小盘组合基准为微盘股指数，年化超额收益为负因基准涨幅更高 --- 因子的回测效果 | 因子名称 | 全市场多空收益(周) | 沪深300多空收益(年) | 中证500多空收益(年) | |----------------|--------------------|---------------------|---------------------| | 反转因子 | 0.98% | -2.34% | 12.18% | [46][48][49] | SUE因子 | 0.51% | 23.16% | 4.08% | [50][51][52] | 市值因子 | 2.47% | 2.61% | 15.43% | [43][44][45]