根据研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 Barra风格因子 1. **因子名称**：Beta因子[15] * **因子构建思路**：衡量股票相对于市场的系统性风险[15] * **因子具体构建过程**：使用历史数据计算股票的历史beta值[15] 2. **因子名称**：市值因子[15] * **因子构建思路**：衡量公司规模大小[15] * **因子具体构建过程**：取公司的总市值的自然对数[15] * **公式**：$$ \text{市值因子} = \ln(\text{总市值}) $$[15] 3. **因子名称**：动量因子[15] * **因子构建思路**：衡量股票价格的趋势强度[15] * **因子具体构建过程**：计算历史超额收益率序列的均值[15] 4. **因子名称**：波动因子[15] * **因子构建思路**：衡量股票价格的波动性[15] * **因子具体构建过程**：通过加权组合多个波动指标来构建[15] * **公式**：$$ \text{波动因子} = 0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率} $$[15] 5. **因子名称**：非线性市值因子[15] * **因子构建思路**：捕捉市值因子的非线性效应[15] * **因子具体构建过程**：对市值风格因子取三次方[15] * **公式**：$$ \text{非线性市值因子} = (\text{市值风格})^3 $$[15] 6. **因子名称**：估值因子[15] * **因子构建思路**：衡量股票的估值水平[15] * **因子具体构建过程**：使用市净率的倒数[15] * **公式**：$$ \text{估值因子} = \frac{1}{\text{市净率}} $$[15] 7. **因子名称**：流动性因子[15] * **因子构建思路**：衡量股票的换手和交易活跃度[15] * **因子具体构建过程**：通过加权不同时间窗口的换手率来构建[15] * **公式**：$$ \text{流动性因子} = 0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率} $$[15] 8. **因子名称**：盈利因子[15] * **因子构建思路**：衡量公司的盈利能力[15] * **因子具体构建过程**：通过加权多个盈利相关指标来构建[15] * **公式**：$$ \text{盈利因子} = 0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率 ttm 倒数} $$[15] 9. **因子名称**：成长因子[15] * **因子构建思路**：衡量公司的成长性[15] * **因子具体构建过程**：通过加权多个增长类指标来构建[15] * **公式**：$$ \text{成长因子} = 0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率} $$[15] 10. **因子名称**：杠杆因子[15] * **因子构建思路**：衡量公司的财务杠杆水平[15] * **因子具体构建过程**：通过加权多个杠杆率指标来构建[15] * **公式**：$$ \text{杠杆因子} = 0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率} $$[15] 技术类因子 1. **因子名称**：中位数离差因子[21] * **因子构建思路**：衡量股价相对于其中位数位置的偏离程度[21] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[21] 2. **因子名称**：20日/60日/120日波动因子[21][24][26][31] * **因子构建思路**：衡量不同时间窗口下股票价格的波动率[21][24][26][31] * **因子具体构建过程**：未详细说明计算过程，因子方向均为反向[21][24][26][31] 3. **因子名称**：20日/60日/120日动量因子[21][24][26][31] * **因子构建思路**：衡量不同时间窗口下股票价格的动量效应[21][24][26][31] * **因子具体构建过程**：未详细说明计算过程，因子方向在不同股池中有所不同（反向或正向）[21][24][26][31] 基本面因子 1. **因子名称**：净利润超预期增长因子[23][28] * **因子构建思路**：衡量公司净利润增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 2. **因子名称**：营业利润率超预期增长因子[23][28] * **因子构建思路**：衡量公司营业利润率增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 3. **因子名称**：ROC超预期增长因子[23][28] * **因子构建思路**：衡量公司投入资本回报率（ROC）增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 4. **因子名称**：ROA超预期增长因子[23][28] * **因子构建思路**：衡量公司总资产回报率（ROA）增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 5. **因子名称**：营业利润率因子[23][28] * **因子构建思路**：衡量公司的营业利润水平[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 6. **因子名称**：市盈率因子[23][28] * **因子构建思路**：衡量股票的估值水平[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 7. **因子名称**：营业利润增长因子[23][28] * **因子构建思路**：衡量公司营业利润的增长情况[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 8. **因子名称**：ROA增长因子[23][28] * **因子构建思路**：衡量公司总资产回报率（ROA）的增长情况[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 9. **因子名称**：ROA因子[23][28] * **因子构建思路**：衡量公司的总资产回报率[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 10. **因子名称**：营业周转率因子[23][28] * **因子构建思路**：衡量公司的营运效率[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 11. **因子名称**：ROE因子[23][28] * **因子构建思路**：衡量公司的净资产收益率[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 12. **因子名称**：ROE增长因子[23][28] * **因子构建思路**：衡量公司净资产收益率（ROE）的增长情况[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向在不同股池中有所不同（反向或正向）[23][28] 13. **因子名称**：市销率因子[23][28] * **因子构建思路**：衡量股票的估值水平[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 14. **因子名称**：ROC因子[28] * **因子构建思路**：衡量公司的投入资本回报率[28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[28] GRU模型/因子 1. **模型/因子名称**：barra1d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用Barra因子体系和1天频率数据[3][7][20][22][25][27][33][34] 2. **模型/因子名称**：barra5d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用Barra因子体系和5天频率数据[3][7][20][22][25][27][33][34] 3. **模型/因子名称**：open1d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用开盘价等数据和1天频率[3][7][20][22][25][27][33][34] 4. **模型/因子名称**：close1d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用收盘价等数据和1天频率[3][7][20][22][25][27][33][34] 5. **模型/因子名称**：多因子模型/组合[7][33][34] * **模型/因子构建思路**：综合多个因子的选股模型/组合[7][33][34] 因子与模型的回测效果 风格因子多空收益表现（全市场股池）[17] | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | Beta | -5.67% | -10.16% | 0.23% | 21.16% | 8.24% | 8.91% | | 动量 | 4.04% | -9.28% | -24.23% | 18.32% | 18.79% | 17.46% | | 流动性 | -2.91% | 6.35% | 10.32% | 11.43% | 20.28% | 25.19% | | 市值 | 2.67% | 18.45% | 12.73% | 41.09% | -41.83% | 35.00% | | 非线性市值 | 1.80% | -7.67% | 12.29% | 35.55% | -39.36% | -30.88% | | 成长 | 1.59% | -2.69% | 0.12% | 2.47% | 9.39% | 4.68% | | 盈利 | 1.13% | 0.03% | 9.73% | 15.36% | 4.15% | 1.33% | | 波动 | 1.35% | -1.31% | 11.73% | 4.82% | 7.11% | 10.88% | | 杠杆 | 1.36% | 3.48% | -4.29% | 15.46% | 7.39% | 1.78% | | 估值 | 1.45% | 4.88% | 0.12% | 2.98% | 15.31% | 16.54% | 技术类因子多空收益表现（全市场股池）[21] | 因子名称 | 因子方向 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 中位数离差 | 反向 | -1.30% | -3.34% | -8.94% | -7.74% | -13.43% | -14.47% | | 60日波动 | 反向 | -0.67% | -3.35% | -6.01% | 7.37% | -8.50% | -11.67% | | 60日动量 | 反向 | -10.66% | -0.05% | -5.41% | -5.73% | -10.97% | -15.73% | | 120日波动 | 反向 | 0.50% | -4.08% | -7.42% | 11.22% | -5.62% | -19.07% | | 120日动量 | 反向 | 0.13% | 0.13% | -9.58% | -3.53% | -13.38% | -14.03% | | 20日波动 | 反向 | 0.08% | -0.79% | -0.12% | 11.01% | -6.06% | -11.20% | | 20日动量 | 反向 | 1.88% | 5.00% | 8.13% | -5.82% | -8.58% | -11.48% | GRU因子多空收益表现（全市场股池）[3][5][20] （报告中提及表现分化，barra1d和open1d略有回撤，barra5d和close1d表现强势，但未提供具体数值表格） 基本面因子多空收益表现（沪深300股池）[23] | 因子名称 | 因子方向 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 净利润超预期增长 | 正向 | 3.62% | -2.63% | 23.49% | 37.43% | 5.68% | 6.03% | | 营业利润率超预期增长 | 正向 | 1.77% | 1.65% | 10.14% | 2.46% | -2.55% | 3.53% | | 营业利润率 | 反向 | -1.53% | 4.26% | 5.55% | 8.91% | -6.55% | 7.13% | | ROC超预期增长 | 正向 | -1.42% | 0.20% | 20.40% | 33.42% | 9.24% | 4.87% | | 市盈率 | 反向 | 1.00% | -0.03% | 1.31% | -0.59% | -8.84% | -10.37% | | 营业利润增长 | 正向 | 0.94% | 0.68% | 15.55% | 20.17% | 3.39% | 2.60% | | ROA超预期增长 | 正向 | 0.73% | 0.19% | 3.16% | 11.22% | 6.62% | 9.17% | | ROA增长 | 正向 | -0.70% | 0.10% | 17.22% | 25.43% | 3.84% | 8.17% | | ROA | 反向 | 0.63% | -4.31% | 5.02% | 4.56% | -10.69% | -13.61% | | 营业周转率 | 反向 | -0.54% | -5.65% | 5.46% | 10.28% | -6.19% | -11.13% | | ROE | 反向 | 0.18% | 2.01% | 1.79% | 0.46% | -10.94% | -8.18% | | ROE增长 | 反向 | 0.29% | -2.33% | 8.81% | 12.64% | 1.47% | 0.27% | | 市销率 | 反向 | 0.62% | 1.40% | 6.79% | -8.62% | -11.73% | -9.67% | 技术类因子多空收益表现（沪深300股池）[24] | 因子名称 | 因子方向 | 最近一周 | 最近一月 | 最近半年 |

根据研报内容，以下是关于量化模型和因子的总结： 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：** 衡量股票相对于市场的系统性风险[15] **因子具体构建过程：** 采用历史beta值进行计算[15] **2 因子名称：市值** **因子构建思路：** 衡量公司规模大小[15] **因子具体构建过程：** 对总市值取自然对数[15] $$市值 = ln(总市值)$$ **3 因子名称：动量** **因子构建思路：** 衡量股票价格趋势[15] **因子具体构建过程：** 计算历史超额收益率序列的均值[15] **4 因子名称：波动** **因子构建思路：** 综合衡量股票价格波动特征[15] **因子具体构建过程：** 采用加权组合方式计算波动率[15] $$波动 = 0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$ **5 因子名称：非线性市值** **因子构建思路：** 捕捉市值因子的非线性效应[15] **因子具体构建过程：** 对市值风格进行三次方变换[15] $$非线性市值 = 市值^3$$ **6 因子名称：估值** **因子构建思路：** 衡量股票估值水平[15] **因子具体构建过程：** 采用市净率的倒数[15] $$估值 = \frac{1}{市净率}$$ **7 因子名称：流动性** **因子构建思路：** 衡量股票交易活跃程度[15] **因子具体构建过程：** 采用不同时间窗口换手率的加权组合[15] $$流动性 = 0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$ **8 因子名称：盈利** **因子构建思路：** 综合衡量公司盈利能力[15] **因子具体构建过程：** 采用多种盈利指标的加权组合[15] $$盈利 = 0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率TTM倒数$$ **9 因子名称：成长** **因子构建思路：** 衡量公司成长性[15] **因子具体构建过程：** 综合多种增长指标的加权组合[15] $$成长 = 0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$ **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：** 采用多种杠杆指标的加权组合[15] $$杠杆 = 0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$ GRU模型因子 **11 因子名称：barra1d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对市场数据进行建模，输入特征包含Barra风格因子，预测周期为1天[4][8] **12 因子名称：barra5d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对市场数据进行建模，输入特征包含Barra风格因子，预测周期为5天[4][8] **13 因子名称：open1d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对开盘价相关数据进行建模，预测周期为1天[4][8] **14 因子名称：close1d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对收盘价相关数据进行建模，预测周期为1天[4][8] **15 因子名称：多因子组合** **因子构建思路：** 综合多个因子的复合策略[8] **因子具体构建过程：** 将多个单一因子进行组合配置，形成综合性的多因子策略[8] 因子的回测效果 Barra风格因子多空收益表现（全市场） | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | |---------|---------|---------|---------|----------|----------|----------| | 动量 | 3.49% | -6.50% | -22.13% | -14.88% | -18.33% | -17.11% | | Beta | 2.21% | -7.75% | 6.80% | 28.44% | 9.16% | 19.67% | | 波动 | 1.90% | -3.76% | -12.86% | 6.09% | 8.66% | -11.40% | | 流动性 | 1.67% | 46.39% | 8.56% | 8.77% | 20.41% | 25.21% | | 市值 | 0.45% | -6.89% | -12.57% | -39.47% | -41.79% | -34.81% | | 非线性市值 | 0.28% | -6.47% | -12.98% | -34.37% | -39.42% | -30.77% | | 成长 | 0.22% | 2.03% | 2.39% | 0.89% | -9.61% | 4.14% | | 盈利 | 1.43% | 3.55% | 7.94% | 14.39% | 3.18% | 1.16% | | 杠杆 | 2.13% | 4.08% | -4.92% | 16.59% | 6.54% | 1.95% | | 估值 | 3.52% | 6.78% | 0.22% | 4.37% | 16.82% | 16.61% | GRU模型多头组合超额收益表现 | 策略因子名称 | 近一周 | 近一月 | 近三月 | 近六月 | 今年以来 | |-------------|-------|-------|-------|-------|----------| | open1d | 0.32% | 1.81% | -0.69% | 1.36% | 6.02% | | close1d | 1.41% | 4.17% | -1.73% | 2.27% | 4.33% | | barra1d | -0.34% | -0.65% | 0.92% | 1.80% | 4.71% | | barra5d | 1.44% | 5.42% | -0.50% | 2.74% | 7.34% | | 多因子 | 0.57% | 2.54% | -0.60% | -0.01% | 0.89% |

根据研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. Barra风格因子 **因子名称**：Beta[15] **因子构建思路**：衡量股票相对于市场的系统性风险[15] **因子具体构建过程**：使用历史beta值[15] **因子名称**：市值[15] **因子构建思路**：衡量公司规模大小[15] **因子具体构建过程**：总市值取自然对数[15] **因子名称**：动量[15] **因子构建思路**：衡量股票价格趋势[15] **因子具体构建过程**：使用历史超额收益率序列均值[15] **因子名称**：波动[15] **因子构建思路**：衡量股票价格波动性[15] **因子具体构建过程**：采用复合波动率计算方式： $$0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$[15] **因子名称**：非线性市值[15] **因子构建思路**：捕捉市值风格的非线性效应[15] **因子具体构建过程**：市值风格的三次方[15] **因子名称**：估值[15] **因子构建思路**：衡量股票估值水平[15] **因子具体构建过程**：使用市净率倒数[15] **因子名称**：流动性[15] **因子构建思路**：衡量股票交易活跃度[15] **因子具体构建过程**：采用复合换手率计算方式： $$0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$[15] **因子名称**：盈利[15] **因子构建思路**：衡量公司盈利能力[15] **因子具体构建过程**：采用复合盈利指标计算方式： $$0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率ttm倒数$$[15] **因子名称**：成长[15] **因子构建思路**：衡量公司成长性[15] **因子具体构建过程**：采用复合增长指标计算方式： $$0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$[15] **因子名称**：杠杆[15] **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**：采用复合杠杆指标计算方式： $$0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$[15] 2. GRU模型因子 **因子名称**：open1d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：使用开盘价相关数据训练的GRU模型[31] **因子名称**：close1d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：使用收盘价相关数据训练的GRU模型[31] **因子名称**：barra1d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：结合Barra因子体系训练的GRU模型[31] **因子名称**：barra5d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：使用5日Barra因子数据训练的GRU模型[31] 3. 基本面因子 **因子名称**：EOI、营业利润率、roc增长、净利润超预期增长、营业周转率、roc、营业利润率超预期增长、roa增长、市盈率、市销率、roa超预期增长、营业利润率增长、roc超预期增长等[22][27] **因子构建思路**：基于公司财务数据构建的基本面分析因子[22][27] **因子具体构建过程**：使用TTM方式计算的财务指标，包括盈利能力、成长性、估值等多个维度[18][22][27] 4. 技术类因子 **因子名称**：中位数离差、20日波动、60日波动、120日波动、20日动量、60日动量、120日动量等[23][30] **因子构建思路**：基于价格和成交量数据构建的技术分析因子[23][30] **因子具体构建过程**：包括波动率指标、动量指标等技术分析工具[23][30] 因子的回测效果 Barra风格因子多空收益表现[17] | 因子名称 | 近一周 | 近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | |---------|--------|--------|----------|----------|----------|----------| | 估值 | -1.53% | 2.56% | 6.97% | 7.62% | 4.47% | 15.96% | | 盈利 | -1.31% | 1.21% | -12.53% | 15.60% | 4.49% | - | | 杠杆 | -0.83% | 0.41% | 8.61% | -18.33% | 7.88% | 2.32% | | 成长 | 0.21% | 2.10% | 1.90% | 1.10% | 9.48% | 4.22% | | 动量 | 0.11% | 3.42% | -17.53% | 11.80% | -17.59% | 16.54% | | beta | 0.32% | -5.29% | 16.73% | 31.34% | 12.64% | 10.65% | | 市值 | 0.64% | 5.55% | -16.22% | -39.20% | 41.75% | -34.68% | | 非线性市值 | 0.74% | 5.34% | 15.45% | -34.19% | -39.26% | -30.81% | | 波动 | 0.92% | 1.81% | 8.30% | 4.26% | 7.81% | -11.12% | | 流动性 | 1.39% | -3.93% | 1.89% | -7.22% | -18.82% | - | GRU因子多空收益表现[31] | 因子名称 | 近一周 | 近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | |---------|--------|--------|----------|----------|----------|----------| | open1d | -0.82% | 2.91% | -1.74% | 1.97% | 28.99% | 32.74% | | barra1d | -0.45% | 1.01% | -3.63% | -5.48% | 23.03% | 29.56% | | barra5d | 1.23% | 2.17% | -2.41% | 1.92% | 24.96% | 34.35% | | close1d | 2.88% | 5.96% | 12.45% | 23.23% | 47.28% | 49.47% | 多头组合超额收益表现[34] | 策略因子名称 | 近一周 | 近一月 | 近三月 | 近六月 | 今年以来 | |-------------|--------|--------|--------|--------|----------| | open1d | -0.44% | 1.49% | -1.50% | 1.39% | 5.69% | | close1d | -0.04% | 2.72% | -3.57% | 1.21% | 2.88% | | barra1d | -0.28% | -0.31% | 1.62% | 2.28% | 5.07% | | barra5d | -0.09% | 3.93% | -2.10% | 1.82% | 5.81% | | 多因子 | -0.95% | 1.83% | -1.83% | -0.19% | 0.91% | 模型测试参数[32] **选股池**：万得全A，剔除st、*st、停牌不可交易、以及上市不满180日的股票 **业绩比较基准**：中证1000指数 **调仓频率**：月度 **手续费**：双边千3 **权重配置**：个股权重上限千2 **风格偏离**：0.5标准差 **行业偏离**：0.01

根据研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 Barra风格因子 1. **因子名称**：Beta[15] * **因子构建思路**：衡量股票相对于市场的系统性风险[15] * **因子具体构建过程**：使用历史数据计算股票的历史Beta值[15] 2. **因子名称**：市值[15] * **因子构建思路**：反映公司规模大小[15] * **因子具体构建过程**：对公司的总市值取自然对数[15] $$因子值 = \ln(总市值)$$ 3. **因子名称**：动量[15] * **因子构建思路**：捕捉股票价格的趋势效应[15] * **因子具体构建过程**：计算股票历史超额收益率序列的均值[15] 4. **因子名称**：波动[15] * **因子构建思路**：衡量股票价格的历史波动程度[15] * **因子具体构建过程**：通过加权组合三种不同的波动率指标来构建[15] $$因子值 = 0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$ 5. **因子名称**：非线性市值[15] * **因子构建思路**：捕捉市值因子的非线性效应[15] * **因子具体构建过程**：对市值风格因子进行三次方运算[15] $$因子值 = (市值因子)^3$$ 6. **因子名称**：估值[15] * **因子构建思路**：衡量股票的估值水平[15] * **因子具体构建过程**：使用市净率的倒数作为估值因子[15] $$因子值 = \frac{1}{市净率}$$ 7. **因子名称**：流动性[15] * **因子构建思路**：反映股票的换手活跃度，即交易流动性[15] * **因子具体构建过程**：通过加权不同时间窗口的换手率来构建[15] $$因子值 = 0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$ 8. **因子名称**：盈利[15] * **因子构建思路**：衡量公司的盈利能力[15] * **因子具体构建过程**：综合多种盈利相关指标进行加权计算[15] $$因子值 = 0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率TTM倒数$$ 9. **因子名称**：成长[15] * **因子构建思路**：评估公司的成长性[15] * **因子具体构建过程**：综合多种增长类指标进行加权计算[15] $$因子值 = 0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$ 10. **因子名称**：杠杆[15] * **因子构建思路**：衡量公司的财务杠杆水平[15] * **因子具体构建过程**：综合多种杠杆率指标进行加权计算[15] $$因子值 = 0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$ 技术类因子 1. **因子名称**：120日波动[21][24][27][31] * **因子构建思路**：衡量股票基于120日历史数据的波动率，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算过去120个交易日的价格波动率[21][24][27][31] 2. **因子名称**：60日波动[21][24][27][31] * **因子构建思路**：衡量股票基于60日历史数据的波动率，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算过去60个交易日的价格波动率[21][24][27][31] 3. **因子名称**：20日波动[21][24][27][31] * **因子构建思路**：衡量股票基于20日历史数据的波动率，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算过去20个交易日的价格波动率[21][24][27][31] 4. **因子名称**：20日动量[21][24][27][31] * **因子构建思路**：捕捉股票基于20日历史数据的价格趋势，在不同股池中方向不同（全市场、中证1000为反向；沪深300、中证500为正向）[21][24][27][31] * **因子具体构建过程**：计算过去20个交易日的价格动量[21][24][27][31] 5. **因子名称**：60日动量[21][24][27][31] * **因子构建思路**：捕捉股票基于60日历史数据的价格趋势，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算过去60个交易日的价格动量[21][24][27][31] 6. **因子名称**：120日动量[21][24][27][31] * **因子构建思路**：捕捉股票基于120日历史数据的价格趋势，在不同股池中方向不同（全市场为反向；沪深300、中证500为正向）[21][24][27][31] * **因子具体构建过程**：计算过去120个交易日的价格动量[21][24][27][31] 7. **因子名称**：中位数离差[21][24][27][31] * **因子构建思路**：衡量股票价格相对于市场中位数的偏离程度，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算股票价格与市场整体价格中位数的偏离度[21][24][27][31] 基本面因子（列举自不同股池） 1. **因子名称**：ROC增长[23] * **因子构建思路**：衡量公司的资本回报率增长情况，作为正向因子[23] * **因子具体构建过程**：计算资本回报率（ROC）的增长指标[23] 2. **因子名称**：市销率[23] * **因子构建思路**：衡量股票的估值水平，作为反向因子[23] * **因子具体构建过程**：使用市销率指标[23] 3. **因子名称**：ROA超预期增长[23] * **因子构建思路**：衡量公司总资产回报率（ROA）的超预期增长情况，作为正向因子[23] * **因子具体构建过程**：计算ROA的超预期增长指标[23] 4. **因子名称**：营业利润超预期增长[23] * **因子构建思路**：衡量公司营业利润的超预期增长情况，作为正向因子[23] * **因子具体构建过程**：计算营业利润的超预期增长指标[23] 5. **因子名称**：ROC[23] * **因子构建思路**：衡量公司的资本回报率水平，作为反向因子[23] * **因子具体构建过程**：计算资本回报率（ROC）指标[23] 6. **因子名称**：营业周转率[23] * **因子构建思路**：衡量公司的营运效率，作为反向因子[23] * **因子具体构建过程**：计算营业周转率指标[23] 7. **因子名称**：ROC超预期增长[23] * **因子构建思路**：衡量公司资本回报率（ROC）的超预期增长情况，作为正向因子[23] * **因子具体构建过程**：计算ROC的超预期增长指标[23] 8. **因子名称**：市盈率[23] * **因子构建思路**：衡量股票的估值水平，作为反向因子[23] * **因子具体构建过程**：使用市盈率指标[23] 9. **因子名称**：ROA增长[23] * **因子构建思路**：衡量公司总资产回报率（ROA）的增长情况，作为正向因子[23] * **因子具体构建过程**：计算ROA的增长指标[23] 10. **因子名称**：营业利润增长[23] * **因子构建思路**：衡量公司营业利润的增长情况，作为正向因子[23] * **因子具体构建过程**：计算营业利润的增长指标[23] 11. **因子名称**：净利润超预期增长[23] * **因子构建思路**：衡量公司净利润的超预期增长情况，作为正向因子[23] * **因子具体构建过程**：计算净利润的超预期增长指标[23] 12. **因子名称**：ROA[23] * **因子构建思路**：衡量公司的总资产回报率水平，作为反向因子[23] * **因子具体构建过程**：计算总资产回报率（ROA）指标[23] 13. **因子名称**：营业利润率[23] * **因子构建思路**：衡量公司的盈利能力，作为反向因子[23] * **因子具体构建过程**：计算营业利润率指标[23] GRU模型因子 1. **因子名称**：GRU因子（barra1d模型）[4][20][22][25][26][28][29] * **因子构建思路**：使用GRU神经网络模型，结合Barra风格因子及短期（1天）市场数据构建的合成因子[4][20][22][25][26][28][29] * **因子具体构建过程**：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于Barra因子和日频数据（1d）[4][20][22][25][26][28][29] 2. **因子名称**：GRU因子（barra5d模型）[4][8][20][22][25][26][28][29][33] * **因子构建思路**：使用GRU神经网络模型，结合Barra风格因子及稍长周期（5天）市场数据构建的合成因子[4][8][20][22][25][26][28][29][33] * **因子具体构建过程**：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于Barra因子和5天数据（5d）[4][8][20][22][25][26][28][29][33] 3. **因子名称**：GRU因子（open1d模型）[4][20][22][25][26][28][29][34] * **因子构建思路**：使用GRU神经网络模型，结合开盘价等短期（1天）市场数据构建的合成因子[4][20][22][25][26][28][29][34] * **因子具体构建过程**：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于开盘价（open）和日频数据（1d）[4][20][22][25][26][28][29][34] 4. **因子名称**：GRU因子（close1d模型）[4][20][22][25][26][28][29][34] * **因子构建思路**：使用GRU神经网络模型，结合收盘价等短期（1天）市场数据构建的合成因子[4][20][22][25][26][28][29][34] * **因子具体构建过程**：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于收盘价（close）和日频数据（1d）[4][20][22][25][26][28][29][34] 多因子组合 1. **模型/因子名称**：多因子组合[8][33][34] * **模型/因子构建思路**：将多个因子进行组合，构建综合选股模型[8][33][34] * **模型/因子具体构建过程**：报告未详细说明具体包含哪些因子以及组合权重确定方法[8][33][34] 因子的回测效果 Barra风格因子多空收益表现（全市场股池）[17] | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 市值 | -3.55% | -5.76% | -15.19% | -39.59% | -41.82% | -34.39% | | 非线性市值 | 3.47% | -6.71% | -15.01% | -34.67% | -39.36% | -30.87% | | 估值 | 2.62% | 5.07% | 3.99% | 6.18% | 14.66% | 15.43% | | 盈利 | 1.99% | 2.35% | -10.59% | 14.48% | 4.57% | 1.20% | | 杠杆 | -1.04% | 3.55% | -7.04% | 17.65% | 8.42% | 2.62% | | 波动 | 1.03% | 4.94% | -11.49% | 5.13% | 8.33% | -11.03% | | 成长 | 0.08% | 0.53% | 2.20% | 0.89% | 19.14% | 4.10% | | 动量 | 1.01% | -5.58% | -17.92% | 11.71% | 17.92% | 15.59% | | 流动性 | 2.40% | -7.26% | -4.57% | 8.50% | -19.41% | -25.17% | | beta | 4.58% | -6.52% | 13.16% | 30.92% | 12.22% | 10.49% | 技术类因子多空收益表现（全市场股池）[21] | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 120日波动 | 0.47% | -5.55% | -2.67% | 14.03% | -4.62% | 9.26% | | 60日波动 | 1.02% | -5.14% | 0.02% | 9.74% | -8.22% | -11.84% | | 20日动量 | 1.22% | -4.96% | -1.05% | -11.47% | -12.50% | -12.68% | | 60日动量 | 1.30% | -5.34% | -6.33% | -6.59% | -13.41% | -15.85% | | 20日波动 | 1.32% | -6.19% | 2.22% | 10.11% | -6.85% | -11.77% | | 中位数离差 | 1.64% | -5.89% | -5.51% | 5.44% | -13.85% | -14.17% | | 120日动量 | 1.81% | -2.83% | -11.64% | 3.84% | -15.76% | -13.79% | 多头组合近期超额收益（相对中证1000指数）[34] | 策略/因子名称 | 近一周 | 近一月 | 近三月 | 近六月 | 今年以来 | | :--- | :--- | :--- | :--- | :--- | :--- | | open1d (GRU) | -0.02% | 1.65% | -1.43% | 1.74% | 6.16% | | close1d (GRU) | -0.07% | 2.18% | -3.97% | 0.79% | 2.92% | | barra1d (GRU) | -0.08% | -0.18% | 1.90% | 2.76% | 5.37% | | barra5d (GRU) | 0.27% | 3.14% | -2.73% | 1.68% | 5.91% | | 多因子组合 | 0.04% | 3.19% | -1.74% | -0.47% | 1.71% |

量化模型与因子总结 量化因子与构建方式 1. **因子名称：Barra风格因子** [14][15]；**因子构建思路**：基于股票的不同特征维度构建系统化的风格因子体系，用于描述和解释股票收益的差异性[15]；**因子具体构建过程**：共包含10个风格因子，具体构建公式如下： * **Beta因子**：计算股票的历史Beta值。$$ Beta $$ * **市值因子**：取总市值的自然对数。$$ 市值 = \ln(总市值) $$ * **动量因子**：计算历史超额收益率序列的均值。$$ 动量 $$ * **波动因子**：由历史超额收益率序列波动率、累积超额收益率离差和历史残差收益率序列波动率加权合成。$$ 波动 = 0.74 \times \sigma_{超额收益} + 0.16 \times D_{累积超额收益} + 0.1 \times \sigma_{残差收益} $$ * **非线性市值因子**：取市值风格的三次方。$$ 非线性市值 = (市值风格)^3 $$ * **估值因子**：取市净率的倒数。$$ 估值 = \frac{1}{市净率} $$ * **流动性因子**：由月换手率、季换手率和年换手率加权合成。$$ 流动性 = 0.35 \times Turnover_{月} + 0.35 \times Turnover_{季} + 0.3 \times Turnover_{年} $$ * **盈利因子**：由分析师预测盈利价格比、市现率倒数和市盈率TTM倒数加权合成。$$ 盈利 = 0.68 \times \frac{E_{预测}}{P} + 0.21 \times \frac{1}{P/CF} + 0.11 \times \frac{1}{PE_{TTM}} $$ * **成长因子**：由分析师预测长期盈利增长率、分析师预测短期盈利增长率、盈利增长率和营业收入增长率加权合成。$$ 成长 = 0.18 \times G_{长期预测} + 0.11 \times G_{短期预测} + 0.24 \times G_{盈利} + 0.47 \times G_{营收} $$ * **杠杆因子**：由市场杠杆率、账面杠杆率和资产负债率加权合成。$$ 杠杆 = 0.38 \times Leverage_{市场} + 0.35 \times Leverage_{账面} + 0.27 \times 资产负债率 $$ 2. **因子名称：GRU因子** [18][20][24][26]；**因子构建思路**：使用门控循环单元（GRU）神经网络模型捕捉股票价格的时序特征以预测收益[18][20][24][26]；**因子具体构建过程**：报告提及了多个基于GRU的模型，区别在于输入数据和预测目标的不同，具体有： * **barra1d模型**：使用Barra风险模型数据作为输入，预测1天收益[18][20][24][26] * **barra5d模型**：使用Barra风险模型数据作为输入，预测5天收益[20][24][26] * **open1d模型**：以开盘价相关数据作为输入，预测1天收益[32] * **close1d模型**：以收盘价相关数据作为输入，预测1天收益[20][32] 3. **因子名称：多因子组合** [32]；**因子构建思路**：将多个因子信号组合成一个综合信号进行投资[32]；**因子具体构建过程**：报告中未详细说明具体组合的因子和权重方法[32] 4. **因子名称：基本面因子** [18][20][23][26]；**因子构建思路**：基于公司财务报表数据构建因子，评估公司的盈利能力、成长性、估值等基本面状况[18][20][23][26]；**因子具体构建过程**：报告中列举了多类基本面因子，财务指标均采用TTM方式计算，并在测试前进行了行业中性化处理[17]。具体因子包括： * **超预期增长类**：如roa超预期增长、营业利润率超预期增长、净利润超预期增长、roc超预期增长[18][21][27] * **增长类**：如roa增长、营业利润率增长、roc增长[18][21][27] * **静态财务类**：如roa、roc、营业利润率、市销率、营业周转率、市盈率、EOI[21][27] * **估值类**：如市净率倒数（见Barra估值因子）[20][26] 5. **因子名称：技术类因子** [18][20][23][26]；**因子构建思路**：基于股票的交易价格和成交量数据构建因子，捕捉市场的交易行为特征[18][20][23][26]；**因子具体构建过程**：报告中提及的技术因子在测试前进行了行业中性化处理[17]。具体因子包括： * **动量因子**：如20日动量、60日动量、120日动量[25][30] * **波动因子**：如20日波动、60日波动、120日波动、长期波动[18][25][30] * **其他**：中位数离差因子[25][30] 因子回测效果 回测设置通用参数：选股范围为万得全A，剔除ST、*ST、停牌不可交易及上市不满120日的股票[16][17]。多空组合每月末调仓，做多因子值前10%的股票，做空后10%的股票，等权配置[16][17]。基本面因子均使用TTM财务数据并经过行业中性化处理[17]。 1. **风格因子（全市场）** [16] * 近期表现：市值、非线性市值、流动性因子的多头表现强势；盈利、估值、成长因子的空头表现较好[2][16] 2. **全市场股池因子** [18] * **基本面因子**：本周多空收益多数为正；超预期增长类因子表现较强，增长类因子次之；静态财务因子多头收益不显著[3][18] * **技术类因子**：多空收益多数为正，仅长期波动因子为负[3][18] * **GRU因子**：多空表现较弱，仅barra1d模型取得正向多空收益[3][18] 3. **沪深300股池因子** [20] * **基本面因子**：本周多空收益表现多数为正；估值类因子多头收益显著；静态财务因子多空收益表现较强，增长类财务因子次之[4][20] * **技术面因子**：多空收益均为正向，动量因子表现较强[4][20] * **GRU因子**：多空收益表现分化；close1d和barra5d模型多空收益回撤较多；barra1d模型表现较强[4][20] 4. **中证500股池因子** [23][24] * **基本面因子**：多空收益表现分化；静态财务因子多空收益显著偏负；增长类和超预期增长类因子多空表现为正向[5][23] * **技术面因子**：多空表现均为正向[5][24] * **GRU因子**：多空收益表现较弱；仅barra1d模型多空表现强势[5][24] 5. **中证1000股池因子** [26] * **基本面因子**：多空收益表现分化；估值类因子多空收益显著为正；静态财务因子多数表现为正向；增长类和超预期增长类财务因子均为负向[6][26] * **技术因子**：多空表现多数为正，仅长期动量和中位数离差因子为负且不显著[6][26] * **GRU因子**：多空收益表现较弱；仅barra1d模型取得微弱的多空收益[6][26] 模型回测效果 回测设置参数：选股池为万得全A，剔除ST、*ST、停牌不可交易及上市不满180日的股票；业绩基准为中证1000指数；月度调仓；双边千3手续费；个股权重上限千2；风格偏离0.5标准差；行业偏离0.01[31]。 1. **open1d模型** [32][33] * 近一周超额收益: 0.22% * 近一月超额收益: -1.23% * 近三月超额收益: -1.56% * 近六月超额收益: 4.68% * 今年以来超额收益: 5.45% 2. **close1d模型** [32][33] * 近一周超额收益: -0.20% * 近一月超额收益: -2.64% * 近三月超额收益: -3.36% * 近六月超额收益: 2.44% * 今年以来超额收益: 2.92% 3. **barra1d模型** [32][33] * 近一周超额收益: 0.14% * 近一月超额收益: 1.20% * 近三月超额收益: 0.28% * 近六月超额收益: 2.54% * 今年以来超额收益: 4.77% 4. **barra5d模型** [32][33] * 近一周超额收益: -0.59% * 近一月超额收益: -2.84% * 近三月超额收益: -2.81% * 近六月超额收益: 3.35% * 今年以来超额收益: 5.03% 5. **多因子组合** [32][33] * 近一周超额收益: -0.50% * 近一月超额收益: -1.67% * 近三月超额收益: -2.37% * 近六月超额收益: 2.28% * 今年以来超额收益: -0.10%

量化因子与构建方式 1. 因子名称：Barra风格因子[15] 因子构建思路：采用Barra框架下的多个风格维度，包括市场相关、估值、盈利、成长、流动性等，通过线性组合或直接计算方式构建[15] 因子具体构建过程： * Beta因子：直接使用历史beta值[15] * 市值因子：对总市值取自然对数[15] * 动量因子：计算历史超额收益率序列的均值[15] * 波动因子：由历史超额收益率序列波动率、累积超额收益率离差、历史残差收益率序列波动率三部分按权重组合而成，公式为 $$0.74 * 历史超额收益率序列波动率 + 0.16 * 累积超额收益率离差 + 0.1 * 历史残差收益率序列波动率$$[15] * 非线性市值因子：对市值风格值取三次方[15] * 估值因子：使用市净率的倒数[15] * 流动性因子：由月换手率、季换手率、年换手率按权重组合而成，公式为 $$0.35 * 月换手率 + 0.35 * 季换手率 + 0.3 * 年换手率$$[15] * 盈利因子：由分析师预测盈利价格比、市现率倒数、市盈率ttm倒数按权重组合而成，公式为 $$0.68 * 分析师预测盈利价格比 + 0.21 * 市现率倒数 + 0.11 * 市盈率ttm倒数$$[15] * 成长因子：由分析师预测长期盈利增长率、分析师预测短期利率增长率、盈利增长率、营业收入增长率按权重组合而成，公式为 $$0.18 * 分析师预测长期盈利增长率 + 0.11 * 分析师预测短期利率增长率 + 0.24 * 盈利增长率 + 0.47 * 营业收入增长率$$[15] * 杠杆因子：由市场杠杆率、账面杠杆、资产负债率按权重组合而成，公式为 $$0.38 * 市场杠杆率 + 0.35 * 账面杠杆 + 0.27 * 资产负债率$$[15] 2. 因子名称：基本面因子[18][20][22][24][26] 因子构建思路：基于公司财务数据，从盈利能力、成长性、估值等多个维度构建因子，涉及的财务指标均为ttm方式计算[17] 因子具体构建过程：报告中提及的具体基本面因子包括营业利润超预期增长、营业周转率、市盈率、roe、roc超预期增长、市销率、roa超预期增长、roa增长、roc增长、营业利润率、净利润超预期增长、营业利润率增长、roa等[20][24][26] 3. 因子名称：技术类因子[18][20][22][24][26] 因子构建思路：基于市场交易数据，从动量、波动等维度构建因子[18][20][22][24][26] 因子具体构建过程：报告中提及的具体技术类因子包括120日动量、20日波动、20日动量、120日波动、中位数离差、60日波动、60日动量等[24][26] 4. 因子名称：GRU因子[18][20][22][24][26] 因子构建思路：基于GRU深度学习模型构建的因子[18][20][22][24][26] 因子具体构建过程：报告中提及的具体GRU因子模型包括barra5d、open1d、close1d、barra1d等[18][20][22][24][26] 5. 因子名称：多因子组合[8][29] 因子构建思路：将多个因子组合成一个综合性的多因子模型[8][29] 因子的回测效果 1. Barra风格因子，近一周多空收益表现：市值因子多头表现较好，非线性市值因子多头表现较好，成长因子多头表现较好，流动性因子多头表现较好，盈利因子多头表现较好，估值因子空头表现强势[3][16] 2. 基本面因子（全市场），近一周多空收益表现：均为正向，营业相关因子多空收益最强，权益类收益相关因子多空表现次之[4] 基本面因子（沪深300），近一周多空收益表现：均为正向，营业相关因子多空收益最强，权益类收益相关因子多空表现次之[5][20] 基本面因子（中证500），近一周多空收益表现：多数为正，估值因子多空收益显著为正，超预期增长类因子多空表现次之[6][22] 基本面因子（中证1000），近一周多空收益表现：多数为正，增长类和超预期增长类因子多空表现显著为正，静态财务因子多空收益表现不显著[7][26] 3. 技术类因子（全市场），近一周多空收益表现：均为正向，波动因子多空收益较为显著[4] 技术类因子（沪深300），近一周多空收益表现：均为正向，波动因子多空收益较为显著[5][20] 技术类因子（中证500），近一周多空收益表现：均为正向[6][22][24] 技术类因子（中证1000），近一周多空收益表现：均为正向[7][26] 4. GRU因子（全市场），近一周多空收益表现：barra1d模型多空收益表现较好，其余模型均有所回撤[18] GRU因子（沪深300），近一周多空收益表现：barra5d和open1d模型多空表现有所回撤，close1d和barra1d模型多空收益表现较好[5][20] GRU因子（中证500），近一周多空收益表现：barra5d模型多空收益回撤较大，barra1d模型多空收益强势[6][22] GRU因子（中证1000），近一周多空收益表现：barra5d模型多空收益表现较差，barra1d模型多空表现较好[7][26] 5. 多头组合策略（比较基准：中证1000指数），近一周超额收益：open1d模型 -0.97%，close1d模型 -1.68%，barra1d模型 0.57%，barra5d模型 -2.17%，多因子组合 -0.29%[29] 多头组合策略（比较基准：中证1000指数），近一月超额收益：open1d模型 -2.85%，close1d模型 -4.50%，barra1d模型 0.75%，barra5d模型 -3.76%，多因子组合 -2.43%[29] 多头组合策略（比较基准：中证1000指数），近三月超额收益：open1d模型 -2.74%，close1d模型 -3.80%，barra1d模型 0.48%，barra5d模型 -2.91%，多因子组合 -2.79%[29] 多头组合策略（比较基准：中证1000指数），近六月超额收益：open1d模型 3.10%，close1d模型 0.92%，barra1d模型 1.61%，barra5d模型 3.17%，多因子组合 1.69%[29] 多头组合策略（比较基准：中证1000指数），今年以来超额收益：open1d模型 4.20%，close1d模型 1.90%，barra1d模型 4.38%，barra5d模型 4.13%，多因子组合 0.01%[29]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：Barra风格因子组**[15] * **因子构建思路**：采用Barra风险模型框架，通过多维度指标捕捉市场主要风险收益特征，构建一系列风格因子[15] * **因子具体构建过程**： * **Beta因子**：计算股票的历史beta值[15] * **市值因子**：对股票的总市值取自然对数[15] * **动量因子**：计算股票历史超额收益率序列的均值[15] * **波动因子**：由历史超额收益率序列波动率、累积超额收益率离差和历史残差收益率序列波动率加权计算，公式为 $$0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率}$$[15] * **非线性市值因子**：计算市值风格的三次方[15] * **估值因子**：使用市净率的倒数[15] * **流动性因子**：由月换手率、季换手率和年换手率加权计算，公式为 $$0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率}$$[15] * **盈利因子**：由分析师预测盈利价格比、市现率倒数和市盈率TTM倒数加权计算，公式为 $$0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率TTM倒数}$$[15] * **成长因子**：由分析师预测长期盈利增长率、分析师预测短期利率增长率、盈利增长率和营业收入增长率加权计算，公式为 $$0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率}$$[15] * **杠杆因子**：由市场杠杆率、账面杠杆和资产负债率加权计算，公式为 $$0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率}$$[15] 2. **因子名称：基本面因子组**[18][20][23][25] * **因子构建思路**：基于公司财务报表数据，从盈利能力、增长能力、估值水平等维度构建因子，捕捉基本面驱动的超额收益[18][20][23][25] * **因子具体构建过程**：报告中提及的具体因子包括营业利润率、市销率、ROC（资本回报率）、营业周转率、ROA（资产收益率）、营业利润率超预期增长、ROA增长、ROE超预期增长、净利润超预期增长、ROA超预期增长、营业利润增长、ROC增长、市盈率等，均为基于TTM方式计算的财务指标，并在测试前进行了行业中性化处理[17][21][26] 3. **因子名称：技术类因子组**[18][20][23][25] * **因子构建思路**：基于量价数据，从动量、波动率等维度构建因子，捕捉市场情绪和交易行为带来的收益[18][20][23][25] * **因子具体构建过程**：报告中提及的具体因子包括20日动量、60日动量、120日动量、20日波动、60日波动、120日波动、中位数离差等，并在测试前进行了行业中性化处理[17][22][24][29] 4. **因子名称：GRU因子**[18][20][23][25][31] * **因子构建思路**：基于门控循环单元（GRU）神经网络模型构建的预测因子[18][20][23][25][31] * **因子具体构建过程**：报告提及了open1d、close1d、barra1d、barra5d等具体GRU模型，但未详细描述其构建过程[31] 因子回测效果 1. **Barra风格因子**[16] * 最近一周多空收益：Beta、流动性因子多头表现较好；估值、盈利、杠杆、非线性市值因子空头表现强势[3][16] 2. **全市场股池因子**[18] * **基本面因子**：增长类财务因子多空收益显著为正，超预期增长类因子次之，静态财务因子多空收益多数为负[18] * **技术类因子**：动量类因子多空收益为负向，波动类因子多空收益为正向[18] * **GRU因子**：除open1d模型外，其余模型多空收益均为正向[18] 3. **沪深300股池因子**[20] * **基本面因子**：多空收益基本为正，市盈率因子最强，超预期增长类和增长类因子多头收益显著[20] * **技术类因子**：多空收益多数为正向，波动因子较为显著[20] * **GRU因子**：除barra5d模型外，其余模型多空收益表现强势[20] 4. **中证500股池因子**[23] * **基本面因子**：超预期增长和增长类因子多空收益显著为正，多数静态财务因子多空收益显著为负，估值类因子表现正向[23] * **技术类因子**：多空表现基本为正向，波动类因子更为显著[23] * **GRU因子**：除barra5d模型外，其余模型均取得正向超额收益[23] 5. **中证1000股池因子**[25] * **基本面因子**：增长类和超预期增长类因子多空表现为正向，静态财务因子多空收益表现为负向，估值类因子偏向正向[25] * **技术类因子**：中长期动量因子表现为负向，短期动量和波动类因子表现为正向[25] * **GRU因子**：除barra5d模型略有回撤外，其余模型多空表现较好[25] 量化模型与构建方式 1. **模型名称：GRU模型**[18][20][23][25][31] * **模型构建思路**：使用门控循环单元（GRU）神经网络进行时序预测，构建股票选择模型[18][20][23][25][31] * **模型具体构建过程**：报告提及了open1d、close1d、barra1d、barra5d等具体GRU模型变体，但未详细描述其网络结构、输入特征、训练过程等构建细节[31] 2. **模型名称：多因子组合模型**[31] * **模型构建思路**：综合多个因子构建组合模型进行投资[31] * **模型具体构建过程**：报告未详细描述其具体构建过程，如因子合成方法、权重确定方式等[31] 模型的回测效果 1. **GRU模型 (open1d)**[31][32] * 近一周超额收益：-0.01% * 近一月超额收益：-2.37% * 近三月超额收益：-0.74% * 近六月超额收益：4.65% * 今年以来超额收益：5.23% 2. **GRU模型 (close1d)**[31][32] * 近一周超额收益：-0.38% * 近一月超额收益：-3.85% * 近三月超额收益：-0.62% * 近六月超额收益：2.77% * 今年以来超额收益：3.64% 3. **GRU模型 (barra1d)**[31][32] * 近一周超额收益：0.65% * 近一月超额收益：0.36% * 近三月超额收益：0.92% * 近六月超额收益：1.34% * 今年以来超额收益：3.80% 4. **GRU模型 (barra5d)**[31][32] * 近一周超额收益：0.02% * 近一月超额收益：-2.40% * 近三月超额收益：0.54% * 近六月超额收益：5.14% * 今年以来超额收益：6.44% 5. **多因子组合模型**[31][32] * 近一周超额收益：-0.05% * 近一月超额收益：-2.99% * 近三月超额收益：-1.19% * 近六月超额收益：2.99% * 今年以来超额收益：0.94%

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经典风险模型因子，涵盖市值、波动性、估值等核心风格维度[15] - **因子具体构建过程**： - **Beta**：历史beta值 - **市值**：总市值取自然对数 - **动量**：历史超额收益率序列均值 - **波动**：$$0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率}$$ - **非线性市值**：市值风格的三次方 - **估值**：市净率倒数 - **流动性**：$$0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率}$$ - **盈利**：$$0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率ttm倒数}$$ - **成长**：$$0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率}$$ - **杠杆**：$$0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率}$$[15] - **因子评价**：全面覆盖市场风格，但需注意因子间可能存在的多重共线性[15] 2. **因子名称：GRU因子** - **因子构建思路**：基于门控循环单元（GRU）模型生成的动态因子，捕捉短期市场特征[4][5][6][7] - **因子具体构建过程**： - 模型输入包括开盘价（open1d）、收盘价（close1d）、Barra风格因子（barra1d/barra5d）的日频或5日频数据 - 通过GRU网络训练预测未来收益，输出因子值为预测收益的标准化值[4][5][6][7] - **因子评价**：对市场短期变化敏感，但需高频调参以避免过拟合[4][5][6][7] 3. **因子名称：技术类因子** - **因子构建思路**：基于价格和交易量数据构建的动量/波动类因子[4][5][6][7] - **因子具体构建过程**： - **动量因子**：20日/60日/120日收益率均值 - **波动因子**：20日/60日/120日收益率标准差 - **中位数离差**：价格序列与中位数的偏离程度[26][30] 4. **因子名称：基本面因子** - **因子构建思路**：基于财务指标构建的估值、盈利、成长类因子[4][5][6][7] - **因子具体构建过程**： - **超预期增长类**：如营业利润超预期增长（同比变化率） - **静态财务类**：ROE、ROA、市盈率（TTM）[28][26] --- 因子回测效果 1. **Barra风格因子** - **非线性市值**：本周多头收益显著[3][16] - **流动性**：全市场多头收益正向[3][16] - **估值/杠杆/盈利**：空头表现强势[3][16] 2. **GRU因子** - **barra1d/close1d**：全市场多空收益强势（中证1000超额1.5%+）[7][33] - **barra5d**：中证500多空收益回撤[6][33] 3. **技术类因子** - **全市场**：20日波动因子多空收益3.58%（近一周）[26] - **中证1000**：120日波动因子多空收益4.85%（近一周）[30] 4. **基本面因子** - **沪深300**：成长类因子多空收益显著为正[5][23] - **中证500**：超预期增长类因子正向，静态财务类负向[6][26] --- 量化模型与构建方式 1. **模型名称：GRU多头组合模型** - **模型构建思路**：基于GRU因子构建的月度调仓多头策略[31] - **模型具体构建过程**： - 选股池：万得全A（剔除ST/上市不满180日股票） - 权重配置：个股权重上限0.2%，行业偏离控制0.01标准差 - 手续费：双边0.3%[31] --- 模型回测效果 1. **GRU多头组合** - **barra5d模型**：今年以来超额中证1000收益6.42%[33] - **close1d模型**：近一周超额回撤2.40%[33] - **多因子组合**：近半年超额收益0.70%[33]

量化模型与构建方式 1 模型名称：GRU模型 模型构建思路：基于门控循环单元(GRU)神经网络构建的时序预测模型，结合基本面和量价特征进行股票收益预测[10][30] 模型具体构建过程： - 输入层：包含close1d(日收盘价)、open1d(日开盘价)、barra1d(Barra风格因子日频数据)等特征[31] - 隐藏层：GRU神经网络结构，捕捉时序依赖关系 - 输出层：预测股票未来收益 - 训练方式：使用历史滚动窗口数据训练，优化损失函数 2 模型名称：多因子组合模型 模型构建思路：通过线性加权方式整合多个有效因子构建综合评分模型[31] 模型具体构建过程： - 因子筛选：选取基本面因子(如ROE增长、净利润超预期增长)和技术因子(如60日动量、120日波动)[19][24][29] - 因子标准化：进行行业中性化处理和标准化处理[17] - 权重分配：等权或基于IC-IR动态加权 - 组合构建：每月末按综合评分选股[17] 量化因子与构建方式 1 因子名称：Barra风格因子体系 因子构建思路：基于MSCI Barra多因子模型框架构建的系统化风险因子[15] 因子具体构建过程： - Beta因子：计算股票历史beta值 - 市值因子：$$ \ln(总市值) $$ - 动量因子：历史超额收益率序列均值 - 波动因子：$$ 0.74 \times \sigma_{超额收益} + 0.16 \times 累积超额收益离差 + 0.1 \times \sigma_{残差收益} $$ - 流动性因子：$$ 0.35 \times 月换手 + 0.35 \times 季换手 + 0.3 \times 年换手 $$ - 盈利因子：$$ 0.68 \times 预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率ttm倒数 $$ - 成长因子：$$ 0.18 \times 预测长期盈利增长 + 0.11 \times 预测短期增长 + 0.24 \times 盈利增长 + 0.47 \times 营收增长 $$[15] 2 因子名称：超预期增长因子 因子构建思路：捕捉财务指标超出市场预期的增长信号[19] 因子具体构建过程： - 计算ROA/ROC/净利润等指标的同比变化 - 与分析师一致预期比较计算超预期幅度 - 标准化处理并行业中性化[17] 3 因子名称：技术动量因子 因子构建思路：捕捉股票价格趋势特征[19][24][29] 因子具体构建过程： - 20日动量：过去20日收益率 - 60日动量：过去60日收益率 - 120日动量：过去120日收益率 - 波动率：20日/60日/120日收益率标准差 模型的回测效果 1 GRU模型： - barra1d模型：近一周超额0.38%，今年以来超额3.78%[31] - barra5d模型：今年以来超额8.37%[31] - close1d模型：近六月超额6.80%[31] 2 多因子组合模型： - 近一月超额-0.30%，今年以来超额2.54%[31] 因子的回测效果 1 Barra风格因子： - 动量因子：全市场近一周多空收益1.01%(120日动量)[19] - 波动因子：全市场近一周多空收益1.45%(60日波动)[19] - 流动性因子：本周多头表现强势[16] 2 超预期增长因子： - 净利润超预期增长：全市场近一周多空收益0.74%[19] - ROA超预期增长：全市场近一周多空收益0.49%[19] 3 技术动量因子： - 60日动量：中证500近一周多空收益1.75%[24] - 120日波动：中证1000近一周多空收益1.68%[29]

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，用于行业轮动和多头组合策略[9] - 模型具体构建过程：基于GRU神经网络结构，输入包括技术类因子（如动量、波动）和基本面因子（如盈利、成长），通过时间序列训练预测股票收益。具体调仓频率为月度，权重配置上限为0.2%，行业偏离控制在0.01标准差内[29] - 模型评价：在中小市值股票（如中证1000）中表现强势，但对市场风格切换敏感[30] 2. **模型名称：多因子模型** - 模型构建思路：综合基本面和技术因子构建多空组合，行业中性化处理[17] - 模型具体构建过程：每月末按因子值做多前10%股票、做空后10%股票，等权配置。涉及因子包括： - 技术类：动量（20日/60日/120日）、波动率（20日/60日/120日） - 基本面：超预期增长（ROA/ROE）、静态财务（市销率、市盈率）[15][19][21] 模型的回测效果 1. **GRU模型** - 近一周超额收益：-0.11%（close1d）至-0.25%（barra5d）[31] - 今年以来超额收益：3.38%（barra1d）至8.36%（barra5d）[31] 2. **多因子模型** - 近一周超额收益：-0.55%[31] - 今年以来超额收益：3.00%[31] --- 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：涵盖市值、动量、估值等10类风格因子[15] - 因子具体构建过程： - **波动因子**：$$0.74 \times \text{历史超额收益率波动} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{残差收益率波动}$$ - **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**：$$0.68 \times \text{预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率TTM倒数}$$[15] 2. **因子名称：技术类因子** - 因子构建思路：基于价格序列的动量和波动特征[19][22][28] - 因子具体构建过程： - **动量因子**：计算20日/60日/120日历史收益率均值 - **波动因子**：计算20日/60日/120日收益率标准差 3. **因子名称：基本面因子** - 因子构建思路：分为超预期增长、静态财务和增长三类[21][24][27] - 因子具体构建过程： - **超预期增长因子**：ROA/ROE/营业利润的同比变化 - **静态财务因子**：市销率、市盈率TTM倒数 --- 因子的回测效果 1. **Barra风格因子（全市场）** - 本周多空收益：beta（正向）、流动性（正向）、市值（负向）[16] 2. **技术类因子（中证1000）** - 20日动量多空收益：1.87%[28] - 120日波动多空收益：0.51%[28] 3. **基本面因子（沪深300）** - 超预期增长因子多空收益：-2.48%（ROA）至-2.05%（营业利润）[21] - 静态财务因子多空收益：+2.38%（市盈率）[21]