量化模型与构建方式 1. 国企基本面因子选股模型 * **模型名称**：国企基本面因子选股模型 * **模型构建思路**：首先将国企样本池按行业逻辑划分为红利型和成长型两大类，然后根据行业类型选择不同的基本面因子进行打分，最后综合通用因子和行业特色因子得分得到总分，并以此构建选股组合[3][5][6][7][10]。 * **模型具体构建过程**： 1. **样本池构建**：采用中证国企指数（000955.CSI）的所有成分股，以及北交所中上市满6个月、且公司属性为中央国有企业或地方国有企业的股票作为国企样本池[3]。 2. **行业分类**：依据ZX三级行业逻辑，将所有行业划分为红利型（包括资源品、公用事业、房地产、银行、证券、其他）和成长型（包括先进制造、软件服务和消费）两大类[3][4]。 3. **因子选择与打分**： * **通用因子**：基于“一利五率”央企业绩考核指标和国企分红特征，选择股息率（TTM）、资产负债率、ROE（TTM）、营业现金比率、全员劳动生产率等因子[5][6]。 * **行业特色因子**：根据行业特征选择不同的因子。例如，红利型行业中的资源品关注ROIC环比增量、毛利率等；银行关注资本充足率、拨备覆盖率环比增量等；成长型行业中的先进制造关注研发支出/营业总收入、EBIT_TTM环比增速等[6][8][10]。 4. **因子权重调整**：考虑到红利风格是国企的重要特征，对所有行业均上调股息率因子权重（红利型行业权重为4，成长型行业权重为2）。对于成长型行业，将资产负债率权重下调为0.5。其他所有因子权重为1[10]。 5. **得分计算**：对权重调整后的因子得分求平均值，分别得到通用因子得分和行业特色因子得分。最后，两项得分按通用因子得分30%、行业特色因子得分70%的权重加总并进行归一化处理，得到百分制总分[10][11]。 6. **组合构建**：选择总分前N（N=50）的个股，并根据基本面因子得分的三次方分配权重，权重计算公式为： $$w_{i}={\frac{s c o r e_{i}^{3}}{\sum_{i=1}^{N}s c o r e_{i}^{3}}}$$ [11] 2. 科技主题基本面因子选股模型 * **模型名称**：科技主题基本面因子选股模型 * **模型构建思路**：首先定义科技股样本池，并根据现金流特征划分企业生命周期（剔除震荡期和衰退期）。然后针对成长期和成熟期公司，分别选取通用因子和特色因子进行打分，并通过研发费用乘数调整总分，最终构建选股组合[19][20][21][22][23]。 * **模型具体构建过程**： 1. **样本池构建**：同时满足两个条件：1）所属SW三级行业属于电子、通信、计算机、电力设备、国防军工、传媒、医药、机械等的部分行业；2）最近一年研发费用占营业收入比例超过5%，或研发人员数量占员工总数超过10%[19][20][21]。 2. **生命周期划分**：采用Dickinson（2011）的方法，以调整后的经营、投资、融资现金流正负组合，将企业划分为引入期、成长期、成熟期、震荡期、衰退期。本策略从引入期、成长期和成熟期股票中选股，并将引入期和成长期统称为成长期[21][22][23]。 3. **因子选择**：分为通用因子和特色因子。通用因子包括毛利率环比增量、归母净利润成长能力、累计独立获得的发明专利数量、供应链因子（前5大供应商与客户金额占比合计）、平均距离因子。特色因子则根据生命周期阶段不同而有所侧重，例如成长期关注管理费用/营业总收入环比增量、研发费用折旧摊销占比环比增量、资产负债率；成熟期关注应收账款周转率、研发费用直接投入占比环比增量、PB-ROE[24][28]。 4. **单因子打分**：在同一时间截面上，正向因子按从低到高计算因子值在截面上的分位数，负向因子按从高到低计算因子值在截面上的分位数，分位数取值在0-100之间。成长期与成熟期股票分开排序[24]。 5. **总分计算**：首先，将5个通用因子和3个特色因子的得分，按以下公式计算初始总分： $$\mathbb{E}^{\mathbb{A}}\mathcal{H}=\frac{1}{5}M e a n(S_{i})+\frac{M e a n(S_{i})}{S t d(S_{i})}$$ 其中，$$S_i$$表示某一股票8项因子的得分。该公式旨在选出各方面表现较为均衡的个股[26][27]。 6. **研发费用乘数调整**：为体现对高研发行业的偏重，用研发费用乘数调整总分。研发费用乘数计算公式为：研发费用乘数 = 0.9 + 0.2 × Normalization( √( (研发费用/总市值)_行业 / (研发费用/总市值)_全A ) )，使得乘数取值范围在0.9-1.1之间。调整后总分 = 总分 × 研发费用乘数[28][29]。 7. **组合构建**：选择总分前50的个股，并按其基本面因子得分计算权重，权重计算公式为： $$w e i g h t_{i}={\frac{s c o r e_{i}}{\sum_{i=1}^{50}s c o r e_{i}}}$$ [30] 3. 消费主题基本面因子选股模型 * **模型名称**：消费主题基本面因子选股模型 * **模型构建思路**：首先定义并细分消费股样本池（分为日常制造型、可选制造型、日常服务型、可选服务型）。然后选取通用因子和分域特色因子进行打分，最后在基本面总分基础上引入市销率（PS）乘数调整权重，构建选股组合[38][39][40][46]。 * **模型具体构建过程**： 1. **样本池构建与分域**：筛选出业务/产品/服务直接to C的申万三级行业作为消费股样本池。并按日常消费/可选消费、制造业/服务业两个维度，将消费股细分为日常制造型、可选制造型、日常服务型、可选服务型4大类[38][39]。 2. **因子选择**：分为通用因子和特色因子。通用因子包括成长盈利现金流复合因子、经营现金流/营业收入、Wind ESG管理实践得分、Wind ESG争议事件得分、经济不确定性敏感度因子（abs_epu_beta）、应收账款周转率环比增量。特色因子则根据细分域选择，例如日常制造型关注市占率，可选制造型关注研发费用/总市值，日常服务型关注有形资产/负债环比增量，可选服务型关注直接营销投入占比和预收账款+合同负债同比增速[40][41]。 3. **单因子打分**：通用因子在整个样本池内排序打分；特色因子仅在细分域内排序打分。正向因子按从低到高计算分位数，负向因子按从高到低计算分位数，分位数取值0-100[41]。 4. **得分计算**：对每只个股，计算其通用因子得分（成长盈利现金流复合因子权重为2，其他通用因子权重为1）和特色因子得分（各特色因子权重为1）。然后，通用因子得分与特色因子得分按2:1的比例加权得到基本面总分[42][43]。 5. **市销率乘数调整**：为在基本面选股基础上兼顾估值，引入市销率（PS， TTM）乘数调整总分。首先将PS因子值转化为正数并计算乘数： $$P S_{\_}M u l t i p l i e r_{i}={\frac{1}{P S_{i}-M i n(P S_{i})+1}}$$ 然后，调整后总分 = 基本面总分 × PS乘数[46][47]。 6. **组合构建**：选择调整后总分前50的个股，并按其调整后总分计算权重，权重计算公式为： $$w e l g h t_{i}={\frac{S c o r e_{i}^{a d j}}{\sum_{i=1}^{50}S c o r e_{i}^{a d j}}}$$ [48] 模型的回测效果 1. 国企基本面因子选股多头策略 * **回测区间**：2019年12月31日至2025年12月31日，每月末调仓，不考虑交易费用[12]。 * **年化收益率**：22.93%[12][15] * **年化波动率**：20.85%[15] * **Sharpe比率**：1.0961[12][15] * **Calmar比率**：0.9963[12][15] * **最大回撤**：-23.01%[12][15] * **年化超额收益率（vs 中证国企指数）**：18.34%[12][15] * **超额收益Sharpe比率**：1.5709[12][15] * **超额收益Calmar比率**：1.4118[12][15] * **超额收益最大回撤**：-12.99%[12][15] 2. 科技主题基本面因子选股多头策略 * **回测区间**：2019年12月31日至2025年12月31日，每月末调仓，不考虑交易费用[31]。 * **年化收益率**：30.61%[31][34] * **年化波动率**：27.61%[34] * **Sharpe比率**：1.1070[31][34] * **Calmar比率**：0.8962[31][34] * **最大回撤**：-34.16%[31][34] * **月度胜率**：65.28%[34] * **年化超额收益率（vs 科技股样本池平均收益）**：10.98%[31][34] * **超额收益Sharpe比率**：1.4966[31][34] * **超额收益Calmar比率**：1.2670[31][34] * **超额收益最大回撤**：-8.66%[31][34] 3. 消费主题基本面因子选股多头策略 * **回测区间**：2019年12月31日至2025年12月31日，每月末调仓，不考虑交易费用[49]。 * **年化收益率**：24.86%[49][52] * **年化波动率**：22.99%[52] * **Sharpe比率**：1.0825[49][52] * **Calmar比率**：1.0197[49][52] * **最大回撤**：-24.38%[49][52] * **月度胜率**：68.06%[52] * **年化超额收益率（vs 50%中证主要消费+50%中证可选消费）**：21.02%[49][52] * **超额收益Sharpe比率**：1.0807[49][52] * **超额收益Calmar比率**：0.4505[49][52] * **超额收益最大回撤**：-46.66%[49][52]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：DecompGRU多头选股模型**[7] * **模型构建思路**：基于DecompGRU深度学习模型对个股进行打分，选取得分最高的股票构建多头组合，以获取超额收益[7]。 * **模型具体构建过程**： 1. 模型基础：采用《AI+HI系列（7）：DecompGRU：基于趋势分解的时序+截面端到端模型》中提出的DecompGRU模型架构[7]。 2. 股票池：中证全指成分股[7]。 3. 组合构建：每周首个交易日，根据上周五收盘后更新的模型因子值，等权重买入集成打分最高的200只股票[7]。 4. 调仓规则：周频调仓[7]。 5. 交易限制：买入时剔除涨跌停、停牌股票，不考虑交易成本[7]。 6. 业绩基准：中证全指等权指数[7]。 2. **模型名称：DecompGRU ETF轮动模型**[10] * **模型构建思路**：将DecompGRU模型对个股的得分聚合至行业或主题ETF，构建一个ETF轮动组合[10]。 * **模型具体构建过程**： 1. ETF池：限定在行业、主题型ETF。若多个ETF跟踪同一指数，则保留5日成交额均值最大的一只[10]。 2. 流动性筛选：调仓时要求ETF最近5日的日均成交额大于2000万，最近20日日均成交额大于1000万[10]。 3. 组合构建：将个股模型得分聚合至ETF，根据得分进行轮动[10]。 4. 调仓规则：周度不定期调仓，每期持仓ETF数量在2-6只[10]。 5. 业绩基准：万得ETF指数[10]。 量化因子与构建方式 1. **因子名称：个股总热度**[14] * **因子构建思路**：从行为金融学角度，利用用户行为数据（浏览、自选、点击）构建个股层面的关注度指标，作为市场情绪的代理变量[14]。 * **因子具体构建过程**： 1. 数据来源：同花顺基于用户行为数据得到的个股热度指标[14]。 2. 计算方法：取股票的浏览、自选与点击次数之和，以同一日在全市场占比的方式进行归一化，再将归一化后的数值乘以10000[14]。 3. 公式：$$个股总热度 = \frac{个股（浏览+自选+点击）次数}{全市场（浏览+自选+点击）次数总和} \times 10000$$[14] 4. 取值范围：指标取值区间为[0, 10000][14]。 2. **衍生因子：宽基/行业/概念总热度**[14][15][26][35] * **因子构建思路**：将个股总热度指标按照所属的宽基指数、申万行业或概念板块进行聚合，得到更高层面的情绪热度代理变量[14]。 * **因子具体构建过程**： 1. **宽基热度**：将全A样本按沪深300、中证500、中证1000、中证2000及“其他”分组，对每组内所有成分股的“个股总热度”指标进行求和，得到各宽基指数的热度[15]。 2. **行业热度**：采用相同方法，对申万一级、二级行业内所有成分股的“个股总热度”指标进行求和，得到行业热度[26]。 3. **概念热度**：采用相同方法，对每个概念板块内所有成分股的“个股总热度”指标进行求和，得到概念热度[35]。 3. **衍生因子：热度变化率（MA2）**[18][20][26] * **因子构建思路**：计算宽基、行业或概念总热度的周度变化率，并取2周移动平均（MA2）进行平滑，以捕捉市场关注度的边际变化趋势[18][20][26]。 * **因子具体构建过程**： 1. 计算每周的总热度值。 2. 计算周度热度变化率：$$热度变化率_t = \frac{总热度_t - 总热度_{t-1}}{总热度_{t-1}}$$ 3. 对计算出的周度变化率序列取2周移动平均（MA2）进行平滑[18][20][26]。 模型的回测效果 （数据统计区间：2025年3月31日至2025年12月31日[9]） 1. **DecompGRU多头选股模型**，累计绝对收益60.48%，相对全指等权超额收益34.62%，最大回撤10.08%，周度胜率67.50%，月度胜率100%[9]。2025年12月单月绝对收益7.57%，超额收益5.46%[9]。 2. **DecompGRU ETF轮动模型**，累计绝对收益26.23%，相对基准（万得ETF指数）超额收益1.56%，最大回撤7.82%，周度胜率60.98%，月度胜率66.67%[12][13]。2025年12月单月绝对收益2.35%，超额收益-1.51%[13]。 因子的回测效果 1. **宽基热度动量组合**（基于热度变化率MA2的轮动策略）：策略自2017年以来年化收益率8.74%，最大回撤23.5%[23]。2025年累计收益为36.8%，同期基准（宽基等权组合）收益为35%[23]。 2. **高热度概念+低热度个股组合**（BOTTOM组）：历史回测年化收益15.71%，最大回撤28.89%[41]。2025年以来累计收益41.8%[41]。

量化模型与构建方式 1. **模型名称：择时雷达六面图综合择时模型** * **模型构建思路**：权益市场表现受多维度因素影响，该模型从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取二十一个指标刻画市场，并将其概括为“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”四大类，最终生成一个综合择时分数[1][6]。 * **模型具体构建过程**： 1. **单指标打分**：对每个底层指标，根据其构建规则计算出一个介于-1到1之间的分数，代表看空、中性或看多信号[9]。 2. **维度综合**：将同一维度（如流动性）下的多个指标分数进行综合（具体综合方法未在本文中详述），得到该维度的综合得分[1][8]。 3. **大类综合**：将六个维度进一步归类为四大类（估值性价比、宏观基本面、资金&趋势、拥挤度&反转），并计算各大类的综合分数[1][7]。 4. **最终综合打分**：基于四大类分数，最终生成一个介于[-1,1]之间的综合择时分数[1][6]。 量化因子与构建方式 1. **因子名称：货币方向因子** * **因子构建思路**：判断当前货币政策的方向，通过比较货币政策工具利率与短端市场利率相对于过去一段时期的变化方向来实现[10]。 * **因子具体构建过程**：选取央行使用的货币政策工具利率与短端市场利率，计算其相较于90天前的平均变化方向[10]。 * 若货币方向因子 > 0，则判断货币政策宽松，发出看多信号，分数为1。 * 若货币方向因子 < 0，则判断货币政策收紧，发出看空信号，分数为-1[10]。 2. **因子名称：货币强度因子** * **因子构建思路**：基于“利率走廊”概念，表征短端市场利率相对于政策利率的偏离幅度，以判断货币环境的松紧强度[12]。 * **因子具体构建过程**： 1. 计算偏离度：$$偏离度 = DR007 / 7天逆回购利率 - 1$$[12]。 2. 对偏离度进行平滑与z-score标准化，形成货币强度因子[12]。 3. 设定阈值进行打分： * 若货币强度因子 < -1.5倍标准差，则预期未来120个交易日为宽松环境，指标分数为1。 * 若货币强度因子 > 1.5倍标准差，则预期未来120个交易日指标分数为-1[12]。 3. **因子名称：信用方向因子** * **因子构建思路**：表征商业银行对实体经济的信贷传导松紧，使用中长期贷款指标的变化趋势来判断[15]。 * **因子具体构建过程**： 1. 取中长期贷款当月值。 2. 计算过去十二个月的增量。 3. 计算该增量的同比值，得到信用方向因子[15]。 4. 判断趋势：若信用方向因子相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[15]。 4. **因子名称：信用强度因子** * **因子构建思路**：捕捉信贷指标是否大幅超预期或不及预期，反映信用环境的强度变化[19]。 * **因子具体构建过程**： 1. 计算信用强度因子：$$信用强度因子 = (新增人民币贷款当月值 – 预期中位数) / 预期标准差$$[19]。 2. 设定阈值进行打分： * 若信用强度因子 > 1.5倍标准差，则定义未来60个交易日为信用显著超预期环境，分数为1。 * 若信用强度因子 < -1.5倍标准差，则未来60个交易日分数为-1[19]。 5. **因子名称：增长方向因子** * **因子构建思路**：基于PMI数据判断经济增长的方向趋势[23]。 * **因子具体构建过程**： 1. 选取中采制造业PMI、中采非制造业PMI、财新制造业PMI。 2. 计算这三个PMI指标过去十二个月的均值。 3. 计算该均值的同比值，得到增长方向因子[23]。 4. 判断趋势：若增长方向因子相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[23]。 6. **因子名称：增长强度因子** * **因子构建思路**：捕捉经济增长指标是否大幅超预期或不及预期[26]。 * **因子具体构建过程**： 1. 计算PMI预期差：$$PMI预期差 = (PMI – 预期中位数) / 预期标准差$$[26]。 2. 设定阈值进行打分： * 若增长强度因子（即PMI预期差）> 1.5倍标准差，则定义未来60个交易日为增长显著超预期环境，分数为1。 * 若增长强度因子 < -1.5倍标准差，则未来60个交易日分数为-1[26]。 7. **因子名称：通胀方向因子** * **因子构建思路**：通过CPI和PPI的综合变化判断通胀方向，通胀下行通常意味着未来货币政策宽松空间较大，利好权益[29]。 * **因子具体构建过程**： 1. 计算通胀方向因子：$$通胀方向因子 = 0.5 × CPI同比平滑值 + 0.5 × PPI同比原始值$$[29]。 2. 判断趋势：若通胀方向因子相较于三个月之前降低，则说明是通胀下行环境，此时看多，分数为1；反之看空，分数为-1[29]。 8. **因子名称：通胀强度因子** * **因子构建思路**：捕捉通胀指标是否大幅超预期或不及预期[32]。 * **因子具体构建过程**： 1. 分别计算CPI与PPI的预期差：$$预期差 = (披露值 – 预期中位数) / 预期标准差$$[32]。 2. 计算CPI与PPI预期差的均值，得到通胀强度因子[32]。 3. 设定阈值进行打分： * 若通胀强度因子 < -1.5倍标准差，则定义未来60个交易日为通胀显著不及预期环境，分数为1。 * 若通胀强度因子 > 1.5倍标准差，则未来60个交易日分数为-1[32]。 9. **因子名称：席勒ERP** * **因子构建思路**：使用经过周期平滑的盈利计算市盈率，再减去无风险利率，得到股权风险溢价，以衡量经过周期调整后的估值性价比[35]。 * **因子具体构建过程**： 1. 计算过去6年通胀调整后的平均盈利。 2. 用该平均盈利计算席勒PE。 3. 计算席勒ERP：$$席勒ERP = 1 / 席勒PE - 10年期国债到期收益率$$[35]。 4. 对席勒ERP计算过去6年的z-score作为分数[35]。 10. **因子名称：PB** * **因子构建思路**：使用市净率的倒数并标准化，作为估值衡量指标[38]。 * **因子具体构建过程**：对PB取负数（-PB），计算过去6年的z-score，再用1.5倍标准差截尾后标准化到±1之间得到分数[38]。 11. **因子名称：AIAE (全市场权益配置比例)** * **因子构建思路**：反映市场整体的风险偏好，逻辑是投资者会根据风险资产和安全资产的供应量动态调整两者价格以达到市场均衡[41]。 * **因子具体构建过程**： 1. 构建A股的AIAE指标：$$AIAE = 中证全指总流通市值 / (中证全指总流通市值 + 实体总债务)$$[41]。 2. 将AIAE取负数（-AIAE），并计算过去6年的z-score得到分数[41]。 12. **因子名称：两融增量** * **因子构建思路**：两融余额变化代表市场杠杆资金情绪，其上行通常伴随较好的市场表现[44]。 * **因子具体构建过程**： 1. 计算融资余额与融券余额的差值。 2. 计算该差值过去120日的日均增量和过去240日的日均增量。 3. 判断：若120日均增量 > 240日均增量，则看多，分数为1；反之看空，分数为-1[44]。 13. **因子名称：成交额趋势** * **因子构建思路**：成交额上行代表市场成交热度与资金活跃度高[47]。 * **因子具体构建过程**： 1. 计算对数成交额的均线距离：$$均线距离 = ma120 / ma240 - 1$$[47]。 2. 判断趋势强度： * 当均线距离的max(10日)=max(30日)=max(60日)时看多，分数为1。 * 当均线距离的min(10日)=min(30日)=min(60日)时看空，分数为-1[47]。 14. **因子名称：中国主权CDS利差** * **因子构建思路**：该利差代表海外投资者对中国经济与主权信用风险的定价，与中国PMI负相关，可作为外资流入的指代变量[50]。 * **因子具体构建过程**：对平滑后的CDS利差计算20日差分。若20日差分 < 0，说明CDS利差下降，海外投资者预期中国基本面转好，此时看多，分数为1；反之看空，分数为-1[50]。 15. **因子名称：海外风险厌恶指数 (花旗RAI指数)** * **因子构建思路**：该指数由海外期权隐波、信用利差等数据组成，能捕捉海外市场的风险偏好[53]。 * **因子具体构建过程**：对平滑后的风险厌恶指数计算20日差分。若20日差分 < 0，说明外资风险偏好上升，此时看多，分数为1；反之看空，分数为-1[53]。 16. **因子名称：价格趋势** * **因子构建思路**：使用均线距离衡量标的价格的中长期趋势方向与强度[56]。 * **因子具体构建过程**： 1. 计算均线距离：$$均线距离 = ma120 / ma240 - 1$$[56]。 2. **趋势方向分数**：当均线距离 > 0时，分数=1；反之为-1。 3. **趋势强度分数**：当均线距离的max(20日)=max(60日)时，分数为1；当min(20日)=min(60日)时，分数为-1。 4. **趋势综合分数**：$$综合分数 = (趋势方向分数 + 趋势强度分数) / 2$$[56]。 17. **因子名称：新高新低数** * **因子构建思路**：指数成分股的新高与新低个数之差可作为市场反转信号[59]。 * **因子具体构建过程**：计算中证800成分股中，过去一年新低数减去新高数，再取20日移动平均。若该值 > 0，说明近期新低较多，市场有见底预期，此时看多，分数为1；反之看空，分数为-1[59]。 18. **因子名称：期权隐含升贴水** * **因子构建思路**：基于看涨看跌平价关系推导，反映期权市场对未来标的收益率均值的预期与情绪，作为反转指标衡量市场拥挤度[63]。 * **因子具体构建过程**：设定规则进行打分： * 若50ETF近5日收益率 < 0，且该指标分位数 < 30%，则看多持续20日，分数为1。 * 若50ETF近5日收益率 > 0，且该指标分位数 > 70%，则看空持续20日，分数为-1[63]。 19. **因子名称：期权隐含波动率VIX** * **因子构建思路**：反映期权投资者对未来标的波动率的预期与市场情绪，较高时市场倾向于反转[64]。 * **因子具体构建过程**：设定规则进行打分： * 若50ETF近5日收益率 < 0，且该指标分位数 > 70%，则看多持续20日，分数为1。 * 若50ETF近5日收益率 > 0，且该指标分位数 > 70%，则看空持续20日，分数为-1[64]。 20. **因子名称：期权隐含偏度SKEW** * **因子构建思路**：反映期权投资者对未来标的偏度的预期与市场情绪，用作反转指标[69]。 * **因子具体构建过程**：设定规则进行打分： * 若50ETF近5日收益率 < 0，且该指标分位数 > 70%，则看多持续20日，分数为1。 * 若50ETF近5日收益率 > 0，且该指标分位数 < 30%，则看空持续20日，分数为-1[69]。 21. **因子名称：可转债定价偏离度** * **因子构建思路**：可转债估值水平能体现市场情绪，用作反转指标[71]。 * **因子具体构建过程**： 1. 计算可转债定价偏离度：$$定价偏离度 = 转债价格 / 模型定价 - 1$$[71]。 2. 计算分数：将定价偏离度取负数，并计算过去3年的z-score得到分数[71]。 模型的回测效果 *注：本报告未提供择时雷达六面图综合择时模型的历史回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告仅展示了截至报告发布当周（“本周”）模型及各维度、各因子的最新打分情况[6][8][9]。* 因子的回测效果 *注：本报告未提供各量化因子独立的历史回测绩效指标（如IC、IR、多空收益等）。报告仅展示了截至报告发布当周（“本周”）各因子的最新打分及信号观点[9]。* **各因子本周（报告期）打分如下：** 1. 货币方向因子， 分数：1.00[9][10] 2. 货币强度因子， 分数：0.00[9][12] 3. 信用方向因子， 分数：1.00[9][15] 4. 信用强度因子， 分数：-1.00[9][19] 5. 增长方向因子， 分数：1.00[9][23][25] 6. 增长强度因子， 分数：-1.00[9][26] 7. 通胀方向因子， 分数：-1.00[9][29] 8. 通胀强度因子， 分数：-1.00[9][32] 9. 席勒ERP， 分数：-0.05[9][37] 10. PB， 分数：-0.58[9][39] 11. AIAE， 分数：-0.91[9][41] 12. 两融增量， 分数：1.00[9][44] 13. 成交额趋势， 分数：1.00[9][47] 14. 中国主权CDS利差， 分数：1.00[9][50][51] 15. 海外风险厌恶指数， 分数：1.00[9][53] 16. 价格趋势， 分数：1.00[9][56][57] 17. 新高新低数， 分数：-1.00[9][59][60] 18. 期权隐含升贴水， 分数：-1.00[9][63] 19. 期权隐含波动率VIX， 分数：0.00[9][64] 20. 期权隐含偏度SKEW， 分数：-1.00[9][69] 21. 可转债定价偏离度， 分数：-1.00[9][71]

核心观点 - 报告重点介绍了三种量化选股策略，分别是戴维斯双击策略、净利润断层策略和沪深300增强策略，并展示了其历史回测及近期表现 [1][3][4] - 净利润断层策略在2025年表现突出，累计绝对收益达到67.17%，超额基准指数36.79% [1][3][10] - 戴维斯双击策略在2025年累计绝对收益为55.89%，超额中证500指数25.50% [3][7] - 基于投资者偏好因子构建的沪深300增强策略在2025年相对沪深300指数超额收益为20.92% [3][16] 戴维斯双击策略 - 策略核心是以较低市盈率买入成长潜力股，待其成长性显现、市盈率提升后卖出，实现每股收益和市盈率的“双击” [3][6] - 在2010-2017年回测期内，策略实现了26.45%的年化收益，超额基准21.08%，且在回测期内的7个完整年度里，每个年度的超额收益均超过11%，稳定性好 [3][7] - 截至2025年12月31日，策略今年以来累计绝对收益55.89%，超额中证500指数25.50%，本周超额收益为-0.51%，本期组合超额基准指数8.92% [3][7] - 历史全样本（2010年至2025年底）年化绝对收益为24.67%，年化超额基准收益为20.98% [7] 净利润断层策略 - 策略是基本面与技术面共振的选股模式，核心在于捕捉“净利润惊喜”（业绩超预期）和公告后首日股价的向上“跳空”缺口 [3][9] - 具体构建方法为：每期筛选过去两个月内发生业绩超预期事件的股票，并按照盈余公告日跳空幅度排序，选取前50只股票等权构建组合 [9] - 策略自2010年至今取得了年化29.42%的收益，年化超额基准26.22% [3][10] - 2025年，该策略组合累计绝对收益高达67.17%，超额基准指数36.79%，但本周超额收益为-1.50% [3][10] - 历史全样本（2010年至2025年底）年化绝对收益为29.42%，年化超额基准收益为26.22% [10] 沪深300增强策略 - 策略基于对优秀基金的归因，将投资者偏好分为GARP型、成长型和价值型，并构建相应因子 [3][12] - GARP型因子通过PB与ROE分位数之差（PBROE）寻找低估值高盈利股票，以及通过PE与增速分位数之差（PEG）寻找低估成长股 [3][12] - 成长型因子关注营业收入、毛利润、净利润增速以寻找高成长股票 [12] - 价值型因子偏好具有长期稳定高ROE的公司 [12] - 基于上述投资者偏好因子构建的增强组合，历史回测显示其超额收益稳定 [3][16] - 2025年，该组合相对沪深300指数的超额收益为20.92%，本周超额收益为0.37%，本月超额收益为2.58% [3][16] - 历史全样本（2010年至2025年底）年化绝对收益为10.54%，年化超额基准收益为8.91% [14]

茶饮行业 - 太平洋证券食饮行业分析师团队将于12月29日举办会议，主题为“茶饮板块更新&茶饮龙头新动作背后的思考”，主讲人为食饮首席分析师郭梦婕及食饮分析师林叙希 [1][28] 新能源行业 - 太平洋证券电新行业首席分析师刘强将于12月30日举办“新能源龙头的新机会系列之5”主题会议 [1][5][28] 电子行业 - 太平洋证券电子行业首席分析师张世杰将于12月31日举办会议，更新电子行业1月投资观点 [1][11][28] 金融工程与行业配置 - 太平洋证券金工首席分析师刘晓锋将于1月4日举办“行业配置模型回顾与更新系列（十九）”主题会议 [1][14][28] 汽车与人形机器人行业 - 太平洋证券汽车行业首席分析师刘虹辰将于1月7日举办会议，主题为“人形机器人飞轮启动，2026爆款时刻元年” [1][18][28] 社会服务行业 - 太平洋证券社服行业分析师王湛将于1月9日举办“社服行业近况更新”主题会议 [1][23][28]

报告核心观点 - 报告认为当前A股市场呈现震荡格局，杠铃策略占优，即红利价值与电子板块优选增强组合表现突出 [1] - 在红利策略内部，红利价值类别表现相对占优，跑赢纯粹红利资产 [1][6] - 在行业板块层面，必选消费和金融板块反弹强劲，而信息技术与硬件和工业板块表现较弱 [1][6] - 在电子板块内部，显示面板子赛道表现领先 [1][6] - 报告跟踪的主动量化产品中，电子板块优选增强组合本周超额收益显著，跑赢基准指数约1.57% [1][6] 市场整体表现总结 - 本周A股市场震荡，微盘股领涨，万得微盘指数周度收益达3.12% [6][14] - 中证红利指数表现较强，周度收益为1.04%，而双创板块（科创50、创业板指）回调明显，周度收益分别为-2.99%和-2.26% [6][14] - 从年初至今表现看，万得微盘指数涨幅达80.33%，创业板指涨幅达45.79%，而中证红利指数年初至今收益为-1.76% [14] 红利策略表现总结 - 红利策略内部出现分化，红利价值类别表现最佳，中证红利价值指数周度收益为1.11%，跑赢中证红利指数0.06个百分点 [16] - 央国企红利指数表现也相对稳健，中证中央企业红利指数周度收益为1.16% [16] - 报告跟踪的两只红利系列产品——“央国企高分红30组合”和“攻守兼备红利50组合”本周均略跑输中证红利全收益指数 [6][19] - 但自2025年初以来，“攻守兼备红利50组合”相对中证红利全收益指数的累计超额收益显著，约为10.35%，在全部红利类基金产品中排名约31%分位 [19] 行业板块表现总结 - 本周行业收益分化明显，必选消费和金融板块反弹强劲，周度绝对收益分别为2.44%和2.07%，相对长江全A指数的超额收益均在2%以上 [22] - 信息技术与硬件和工业板块表现较弱，周度绝对收益分别为-2.54%和-1.06%，回调幅度居前 [22] - 在电子板块内部，显示面板子赛道表现相对占优，领先于其他子赛道 [6][22] 电子板块增强策略表现总结 - 报告聚焦的“电子板块优选增强组合”本周表现突出，跑赢电子全收益指数，周度超额收益约1.57% [1][6][29] - 该组合本周收益在主动型科技主题基金产品中排名约33%分位 [6][29] - 该策略属于行业增强系列，聚焦迈入成熟期的电子细分赛道龙头企业 [12]

量化模型与构建方式 1. **模型名称：宽基轮动策略**[13] * **模型构建思路**：基于市场情绪热度变化，构建一个简单的轮动策略。每周选择市场关注度（总热度）边际提升最显著的宽基指数进行投资，若热度提升最大的是非主流股票（“其他”组），则选择空仓[11][13]。 * **模型具体构建过程**： 1. 将全A股票按宽基指数成分股分组，包括沪深300、中证500、中证1000、中证2000以及不属于以上四组的“其他”股票[8]。 2. 计算每个宽基组每周的“总热度变化率”。具体为：对组内所有成分股的“个股总热度指标”进行求和，得到该组的周度总热度，再计算其相比上周的变化率[8][11]。 3. 对计算出的周度热度变化率取2周移动平均（MA2）进行平滑处理[11]。 4. 在每周最后一个交易日，买入“总热度变化率MA2”最大的宽基指数对应的股票组合。如果变化率最大的是“其他”组，则本周不持仓（空仓）[13]。 2. **模型名称：热门概念内低热度选股策略**[30][32] * **模型构建思路**：在短期内受市场情绪驱动、热度快速上升的概念板块中，逆向选择该概念内受关注度相对较低的个股，以期获得超额收益[29][30]。 * **模型具体构建过程**： 1. 每周筛选出“概念总热度变化率”最大的5个概念[32]。 2. 将这5个热门概念的所有成分股合并，作为初始选股股票池[32]。 3. 从股票池中剔除流通市值最小的20%的股票[32]。 4. 构建两个对比组合： * **热度TOP组合**：从每个热门概念中，选出“个股总热度指标”排名前10的个股，等权持有[32]。 * **热度BOTTOM组合**：从每个热门概念中，选出“个股总热度指标”排名最后10的个股，等权持有[32]。 量化因子与构建方式 1. **因子名称：个股总热度指标**[7] * **因子构建思路**：通过加总个股在交易软件中的用户行为数据（浏览、自选、点击），构建一个反映市场对单只股票关注度的代理指标，并经过标准化处理以消除市场整体活跃度的影响[7]。 * **因子具体构建过程**： 1. 对于单只股票，每日计算其浏览次数、加入自选次数和点击次数之和[7]。 2. 将该和值除以当日全市场所有股票的浏览、自选与点击次数之和，得到该股票热度在全市场的占比，实现日度横截面归一化[7]。 3. 将归一化后的占比乘以10000，使因子取值区间落在[0, 10000]之间[7]。 * **因子公式**： $$个股总热度指标_{i,t} = \frac{(浏览_{i,t} + 自选_{i,t} + 点击_{i,t})}{\sum_{j=1}^{N}(浏览_{j,t} + 自选_{j,t} + 点击_{j,t})} \times 10000$$ 其中，$i$ 代表股票，$t$ 代表日期，$N$ 代表全市场股票总数[7]。 2. **因子名称：聚合总热度指标**[7] * **因子构建思路**：将“个股总热度指标”在更高维度（如宽基指数、行业、概念）上进行聚合，得到反映该群体整体市场情绪热度的指标[7]。 * **因子具体构建过程**： 1. 确定一个股票集合 $G$（例如，沪深300的所有成分股、申万一级行业“商贸零售”的所有成分股、或“乳业”概念的所有成分股）[7][8]。 2. 对该集合 $G$ 内所有成分股在特定日期的“个股总热度指标”进行简单求和[7]。 * **因子公式**： $$聚合总热度指标_{G,t} = \sum_{i \in G} 个股总热度指标_{i,t}$$ 其中，$G$ 代表特定的股票群体[7]。 3. **因子名称：热度变化率MA2**[11][20] * **因子构建思路**：计算“聚合总热度指标”的周度环比变化率，并采用移动平均进行平滑，以捕捉市场情绪热度的边际变化趋势[11][20]。 * **因子具体构建过程**： 1. 对于某个股票群体 $G$，计算其第 $W$ 周的“聚合总热度指标”值 $H_{G,W}$[11]。 2. 计算周度热度变化率：$ChangeRate_{G,W} = (H_{G,W} / H_{G,W-1}) - 1$[16][27]。 3. 对计算出的周度变化率序列取2周移动平均：$ChangeRateMA2_{G,W} = (ChangeRate_{G,W} + ChangeRate_{G,W-1}) / 2$[11]。 模型的回测效果 1. **宽基轮动策略**[16] * 年化收益率：8.74%[16] * 最大回撤：23.5%[16] * 2025年收益：31.42%[16] 2. **热门概念内低热度选股策略（BOTTOM组合）**[34] * 年化收益率：15.71%[34] * 最大回撤：28.89%[34] * 2025年收益：41%[34] 因子的回测效果 *（注：报告中未提供单个因子的独立测试结果，如IC、IR等。仅展示了基于因子构建的策略组合表现，已汇总于“模型的回测效果”部分。）*

报告行业投资评级 未提及 报告核心观点 - 波动率偏斜策略可通过价内与价外合约隐含波动率差异套利，近两周标的资产震荡，认购和认沽合约VSI指标轻微偏离后回归，套利策略适用，认购和认沽子策略获正向收益，目前波动率信号负向，隐含波动率高于历史波动率，开仓应择机选仓位 [1][2][19] 根据相关目录总结 波动率偏斜策略跟踪情况 - 策略逻辑：通过构建VSI指标描述价内与价外合约隐含波动率差异，正常时VSI在一定范围波动且有均值回归特性，不同期权合约波动率比值有实质差异时存在反向套利空间，策略含认购和认沽两个子策略，交易用期权比例价差组合保持delta中性，开仓需分析市场整体波动率 [5][6][7] - 策略表现：2015年2月至2025年12月，认购子策略年化收益率17.28%、最大回撤13.83%、夏普比率1.86，认沽子策略年化收益率17.23%、最大回撤10.64%、夏普比率2.48，组合策略年化收益率17.45%、最大回撤7.52%、夏普比率2.98；本年以来，认购子策略收益率8.49%、最大回撤2.93%，认沽子策略收益率 -1.31%、最大回撤10.49%，组合策略收益率3.68%、最大回撤5.57%；近两周（2025年12月8日至19日），认购子策略收益率0.91%、最大回撤0.09%，认沽子策略收益率0.46%、最大回撤0.29%，组合策略收益率0.68%、最大回撤0.13% [10] - 交易信号：截至2025年12月19日，近两周认购策略触发开仓信号2次，最新持仓为10010565期权合约多头和10010566期权合约空头；认沽策略触发开仓信号1次，最新持仓为空仓；波动率信号为负，隐含波动率高于历史波动率，期权组合暴露波动率头寸为负时全仓开仓，为正时半仓开仓 [14][16] 投资建议 - 近两周标的资产震荡，认购和认沽合约VSI指标轻微偏离后回归，套利策略适用，认购和认沽子策略获正向收益，认购策略在市场上涨时累计收益高，认沽策略在市场下跌时累计收益高，目前波动率信号负向，隐含波动率高于历史波动率，套利交易开仓应择机选仓位 [2][19]

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，特别是偏度信息，以预测未来收益[14] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《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**：分解已实现波动，关注下行波动部分在总波动中的占比，以衡量股票的下跌风险[19] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《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内的高频交易数据，通过直观逻辑或机器学习方法，将高频信息低频化，计算买入意愿的占比[23] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《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**：与买入意愿占比因子类似，但更侧重于衡量买入意愿的强度而非单纯占比[28] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《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**：分析开盘后大单资金的净买入行为，计算其占比以捕捉主力资金动向[33] 6. **因子名称**：开盘后大单净买入强度因子 **因子构建思路**：在净买入占比的基础上，进一步衡量大单净买入的强度[38] 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[43] 8. **因子名称**：尾盘成交占比因子 **因子构建思路**：关注尾盘时段成交量在全天成交量中的占比，以捕捉尾盘资金行为信息[49] 9. **因子名称**：平均单笔流出金额占比因子 **因子构建思路**：通过计算平均单笔流出金额的占比，来衡量资金流出的压力[55] 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，以识别有资金强力推动的股票[60] 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）相结合的深度学习模型，从高频数据中提取选股信号[64] **因子具体构建过程**：模型结构为GRU(50,2)与NN(10)的组合，具体网络架构和训练细节未在报告中详述[64] 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）与神经网络相结合的深度学习模型，处理高频数据[66] **因子具体构建过程**：模型结构为残差注意力LSTM(48,2)与NN(10)的组合，具体网络架构和训练细节未在报告中详述[66] 13. **因子名称**：多颗粒度模型-5日标签因子 **因子构建思路**：使用基于双向AGRU（可能指注意力GRU）训练的多颗粒度深度学习模型，预测未来5日的收益标签[69] **因子具体构建过程**：模型基于双向AGRU训练得到，具体网络架构和训练细节未在报告中详述[69] 14. **因子名称**：多颗粒度模型-10日标签因子 **因子构建思路**：使用基于双向AGRU训练的多颗粒度深度学习模型，预测未来10日的收益标签[70] **因子具体构建过程**：模型基于双向AGRU训练得到，具体网络架构和训练细节未在报告中详述[70] 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**：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，在较宽松的风险约束下最大化预期收益[74] **模型具体构建过程**：以最大化预期收益为目标函数 $$max\sum\mu_{i}w_{i}$$，其中 $w_i$ 为股票i的权重，$\mu_i$ 为股票i的预期超额收益[75]。组合优化时施加一系列风险控制约束，包括个股权重上限1%、行业偏离上限1%、市值因子暴露上限0.3等“宽”约束条件[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 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**：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，在更严格的风险约束下最大化预期收益[74] **模型具体构建过程**：目标函数与宽约束组合相同 $$max\sum\mu_{i}w_{i}$$[75]。但施加更严格的风险约束，例如市值因子暴露上限收紧至0.1，并额外增加ROE、SUE、波动率等因子的暴露约束，以及更高的成份股权重约束（0.8）[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 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**：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，在较宽松的风险约束下最大化预期收益[74] **模型具体构建过程**：目标函数与前述组合相同 $$max\sum\mu_{i}w_{i}$$[75]。对中证1000指数成分股进行优化，约束条件与中证500宽约束组合类似，包括个股权重上限1%、行业偏离上限1%、市值因子暴露上限0.3等[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 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**：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，在更严格的风险约束下最大化预期收益[74] **模型具体构建过程**：目标函数与前述组合相同 $$max\sum\mu_{i}w_{i}$$[75]。对中证1000指数成分股进行优化，约束条件与中证500严约束组合类似，包括更严格的市值暴露约束（0.1）以及额外的ROE、SUE、波动率等因子暴露约束和成份股权重约束（0.8）[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 因子的回测效果 （以下数据均为周度频率测试结果，涵盖“上周”、“12月”及“2025YTD”三个时间段）[10][13] 1. 日内高频偏度因子，IC(历史)0.019，IC(2025年)0.021，e^(-rank mae)(历史)0.324，e^(-rank mae)(2025年)0.326，多空收益上周0.67%，多空收益12月-1.18%，多空收益2025YTD 22.39%，2025年周胜率32/51，多头超额收益上周-0.09%，多头超额收益12月-1.49%，多头超额收益2025YTD 5.11%，多头超额收益2025年周胜率26/51[10] 2. 日内下行波动占比因子，IC(历史)0.016，IC(2025年)0.018，e^(-rank mae)(历史)0.323，e^(-rank mae)(2025年)0.324，多空收益上周0.87%，多空收益12月-1.33%，多空收益2025YTD 19.08%，2025年周胜率34/51，多头超额收益上周-0.01%，多头超额收益12月-1.70%，多头超额收益2025YTD 1.89%，多头超额收益2025年周胜率27/51[10] 3. 开盘后买入意愿占比因子，IC(历史)0.025，IC(2025年)0.023，e^(-rank mae)(历史)0.321，e^(-rank mae)(2025年)0.320，多空收益上周0.66%，多空收益12月0.61%，多空收益2025YTD 21.12%，2025年周胜率38/51，多头超额收益上周0.59%，多头超额收益12月0.37%，多头超额收益2025YTD 9.83%，多头超额收益2025年周胜率33/51[10] 4. 开盘后买入意愿强度因子，IC(历史)0.030，IC(2025年)0.027，e^(-rank mae)(历史)0.326，e^(-rank mae)(2025年)0.326，多空收益上周0.46%，多空收益12月0.94%，多空收益2025YTD 28.09%，2025年周胜率38/51，多头超额收益上周-0.49%，多头超额收益12月0.10%，多头超额收益2025YTD 10.73%，多头超额收益2025年周胜率35/51[10] 5. 开盘后大单净买入占比因子，IC(历史)0.035，IC(2025年)0.020，e^(-rank mae)(历史)0.322，e^(-rank mae)(2025年)0.317，多空收益上周-0.21%，多空收益12月0.17%，多空收益2025YTD 22.11%，2025年周胜率35/51，多头超额收益上周-0.07%，多头超额收益12月0.75%，多头超额收益2025YTD 11.27%，多头超额收益2025年周胜率32/51[10] 6. 开盘后大单净买入强度因子，IC(历史)0.024，IC(2025年)0.014，e^(-rank mae)(历史)0.320，e^(-rank mae)(2025年)0.316，多空收益上周-0.25%，多空收益12月0.38%，多空收益2025YTD 12.50%，2025年周胜率30/51，多头超额收益上周-0.06%，多头超额收益12月0.77%，多头超额收益2025YTD 9.40%，多头超额收益2025年周胜率34/51[10] 7. 改进反转因子，IC(历史)0.030，IC(2025年)0.020，e^(-rank mae)(历史)0.330，e^(-rank mae)(2025年)0.330，多空收益上周0.35%，多空收益12月0.91%，多空收益2025YTD 22.33%，2025年周胜率38/51，多头超额收益上周-0.54%，多头超额收益12月-0.07%，多头超额收益2025YTD 7.82%，多头超额收益2025年周胜率28/51[11] 8. 尾盘成交占比因子，IC(历史)0.025，IC(2025年)0.015，e^(-rank mae)(历史)0.322，e^(-rank mae)(2025年)0.319，多空收益上周-0.94%，多空收益12月1.04%，多空收益2025YTD 16.73%，2025年周胜率33/51，多头超额收益上周-0.73%，多头超额收益12月-0.08%，多头超额收益2025YTD 5.19%，多头超额收益2025年周胜率27/51[11] 9. 平均单笔流出金额占比因子，IC(历史)0.008，IC(2025年)-0.007，e^(-rank mae)(历史)0.317，e^(-rank mae)(2025年)0.315，多空收益上周-1.15%，多空收益12月-2.15%，多空收益2025YTD -8.11%，2025年周胜率23/51，多头超额收益上周-0.30%，多头超额收益12月-0.81%，多头超额收益2025YTD -3.10%，多头超额收益2025年周胜率18/51[13] 10. 大单推动涨幅因子，IC(历史)0.018，IC(2025年)0.007，e^(-rank mae)(历史)0.325，e^(-rank mae)(2025年)0.325，多空收益上周0.41%，多空收益12月-0.93%，多空收益2025YTD 7.19%，2025年周胜率31/51，多头超额收益上周0.14%，多头超额收益12月-0.15%，多头超额收益2025YTD 1.61%，多头超额收益2025年周胜率28/51[13] 11. 改进 GRU(50,2)+NN(10) 因子，IC(历史)0.066，IC(2025年)0.045，e^(-rank mae)(历史)0.336，e^(-rank mae)(2025年)0.332，多空收益上周1.13%，多空收益12月-0.47%，多空收益2025YTD 47.04%，2025年周胜率41/51，多头超额收益上周-0.20%，多头超额收益12月-0.26%，多头超额收益2025YTD 7.10%，多头超额收益2025年周胜率28/51[13] 12. 残差注意力 LSTM(48,2)+NN(10) 因子，IC(历史)0.063，IC(2025年)0.044，e^(-rank mae)(历史)0.334，e^(-rank mae)(2025年)0.331，多空收益上周1.66%，多空收益12月0.19%，多空收益2025YTD 47.39%，2025年周胜率46/51，多头超额收益上周0.15%，多头超额收益12月0.06%，多头超额收益2025YTD 8.92%，多头超额收益2025年周胜率30/51[13] 13. 多颗粒度模型-5日标签因子，IC(历史)0.080，IC(2025年)0.065，e^(-rank mae)(历史)0.343，e^(-rank mae)(2025年)0.340，多空收益上周2.46%，多空收益12月1.12%，多空收益2025YTD 68.13%，2025年周胜率45/51，多头超额收益上周0.74%，多头超额收益12月-0.18%，多头超额收益2025YTD 24.48%，多头超额收益2025年周胜率40/51[13] 14. 多颗粒度模型-10日标签因子，IC(历史)0.073，IC(2025年)0.060，e^(-rank mae)(历史)0.342，e^(-rank mae)(2025年)0.341，多空收益上周2.26%，多空收益12月1.11%，多空收益2025YTD 62.71%，2025年周胜率45/51，多头超额收益上周0.76%，多头超额收益12月-0.50%，多头超额收益2025YTD 24.30%，多头超额收益2025年周胜率38/51[13] 模型的回测效果 （以下数据均为周度调仓频率下的超额收益及胜率）[14] 1. 周度调仓的中证500 AI增强宽约束组合，超额收益上周0.41%，超额收益12月-2.64%，超额收益2025YTD 5.46%，2025年周胜率29/51[14] 2. 周度调仓的中证500 AI增强严约束组合，超额收益上周0.92%，超额收益12月-1.62%，超额收益2025YTD 9.23%，2025年周胜率33/51[14] 3. 周度调仓的中证1000 AI增强宽约束组合，超额收益上周1.55%，超额收益12月-2.69%，超额收益2025YTD 15.39%，2025年周胜率34/51[14] 4. 周度调仓的中证1000 AI增强严约束组合，超额收益上周1.48%，超额收益12月-1.45%，超额收益2025YTD 19.02%，2025年周胜率33/51[14]

量化模型与构建方式 1. 动态因子调整模型（小盘股票池“2+3”模型） * **模型名称**： 小盘股票池“2+3”动态因子调整模型[4][98] * **模型构建思路**： 针对小盘股票池因子表达稳定、动量效应强的特点，结合固定有效因子与动态动量筛选，并剔除高失效风险的因子，构建动态选股模型[4][93][98]。 * **模型具体构建过程**： 1. **固定因子选择**： 每期固定选择估值因子（BTOP）和残差波动率因子（VOLATILITY）[98]。 2. **动态因子筛选**： * **剔除高失效风险因子**： 在每个月末，剔除当期条件失效概率高于80%的因子[93][98]。 * **计算动量评分**： 对剩余因子，计算其中期动量（过去6个月RankIC均值）和长期动量（过去3至12个月RankICIR均值）[4][82]。 * **选择动态因子**： 根据动量评分，选取评分最高的前3个因子[98]。 3. **模型合成**： 将2个固定因子与3个动态筛选出的因子结合，构成每期用于选股的5个因子集合[98]。 4. **组合构建**： 使用这5个因子对股票进行等权打分，选取得分最高的50只股票构建等权投资组合[103]。 2. 动态因子调整模型（大盘股票池综合打分模型） * **模型名称**： 大盘股票池综合打分动态因子调整模型[4][109] * **模型构建思路**： 针对大盘股票池因子表达剧烈、失效反转风险高的特点，采用更严格的因子剔除标准，并将失效概率信息融入综合评分，以动态选择因子[4][106][109]。 * **模型具体构建过程**： 1. **初步剔除高失效风险因子**： 在每个月末，首先剔除当期条件失效概率高于70%的因子[109]。 2. **构建综合评分**： 对剩余因子，构建综合评分。评分结合了正向的动量指标和负向的失效风险指标[87][88]。 * **动量指标**： 包括中期动量（过去6个月RankIC均值）和长期动量（过去3至12个月RankICIR均值）[4][82]。 * **失效风险指标**： 使用条件失效概率 $P$（次月失效|当月状态）[74][87]。将失效风险转化为负向评分，例如使用 $1 - P$ 的形式[88]。 3. **选择动态因子**： 根据综合评分，选取评分最高的前5个因子[109]。 4. **组合构建**： 使用这5个因子对股票进行等权打分，并构建投资组合[109]。 3. 因子动量评估指标 * **指标名称**： 因子RankIC动量指标[4][62][66] * **指标构建思路**： 通过计算当期因子选股能力（RankIC）与历史不同窗口期选股能力均值之间的相关性，来刻画因子的动量效应，并寻找最优的动量观察窗口[4][63][66]。 * **指标具体构建过程**： 1. **定义动量窗口**： 使用“m_n”表示从过去第m个月开始，到过去第n个月结束的历史数据均值。例如，“3_12”表示跳空最近3个月，回溯过去第3至第12个月共10个月的数据均值[66]。 2. **计算历史动量**： 对于每个因子，在时间截面 $t$，计算其在指定历史窗口（如“3_12”）内的RankIC（或RankICIR）的均值，作为该因子的历史动量值 $Momentum_{t}^{m\_n}$[4][66]。 3. **评估动量效应**： 在时间截面 $t$，计算所有因子当期RankIC值 $RankIC_t$ 与其对应的历史动量值 $Momentum_{t}^{m\_n}$ 的截面斯皮尔曼秩相关系数[65]。该相关系数越高，表明因子的选股能力在指定窗口下延续性（动量效应）越强[66]。 4. **确定最优参数**： 通过比较不同“m_n”参数组合下的平均相关系数，发现“3_12”窗口（即近端跳空3个月，回溯12个月）的动量效应最为稳健和显著，被确立为最优动量窗口[4][66]。 4. 因子条件失效概率指标 * **指标名称**： 因子条件失效概率[4][72][74] * **指标构建思路**： 基于因子当期有效性状态，通过滚动历史窗口统计其下一期陷入或维持失效状态的概率，用以评估因子短期反转的潜在风险[4][74]。 * **指标具体构建过程**： 1. **定义状态**： 在每个月末，根据因子当期RankIC值的正负（是否符合预期方向）将其划分为“有效”或“失效”两种状态[74]。 2. **构建转移矩阵**： 滚动过去一年的历史数据，统计因子从“当月有效”转移到“次月失效”的频率，以及从“当月失效”维持到“次月失效”的频率[72][74]。 3. **计算条件概率**： 以当期因子的状态（有效或失效）为条件，计算其次月失效的条件概率 $P$（次月失效|当月状态）[74][87]。该概率即为当期关注的因子失效指标。 5. 因子收益与选股能力背离指标 * **指标名称**： 因子收益与RankIC滚动相关系数[55][56] * **指标构建思路**： 通过计算因子收益率与其实际选股能力（RankIC）在滚动窗口内的相关性，识别因子回报是否由基本面选股Alpha驱动，以预警交易拥挤和失效风险[55][56]。 * **指标具体构建过程**： 1. **计算时间序列**： 对于每个一级风格因子，分别计算其因子收益率时间序列和RankIC时间序列[55]。 2. **滚动计算相关性**： 采用6个月的向前滚动窗口（T-5期至T期），计算两个序列的斯皮尔曼秩相关系数[55]。 3. **设定风险阈值**： 分析发现，当滚动相关系数的绝对值突破0.75的阈值时，往往预示着因子面临显著的短期失效风险[4][57][60]。极端正相关可能反映“因子拥挤”，极端负相关可能反映市场的“非理性过激”[60]。 量化因子与构建方式 **注**：报告详细分析了一个包含15个一级风格因子的体系，但未提供所有因子的具体计算公式，仅给出了描述性定义[8]。以下列出报告中明确提及并进行分析的核心因子。 1. 估值类因子 * **因子名称**： 账面市值比（BTOP）[8][39] * **因子构建思路**： 属于估值因子，衡量股票的相对便宜程度，通常认为账面价值相对市值越高，股票未来回报可能越高[8]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“账面价值除以当前市值”[8]。 * **因子名称**： 股息率（DIVIDEND）[8][39] * **因子构建思路**： 属于估值因子，衡量公司分红回报水平，通常认为股息率越高，股票可能更具投资价值[8]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“滚动过去一年股息水平”[8]。 * **因子名称**： 盈利收益率（EARNING）[8][39] * **因子构建思路**： 属于估值/盈利因子，衡量公司盈利相对于市值的水平，通常认为盈利收益率越高，股票估值可能越低[8]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“各类盈利 vs 市值”[8]。 * **因子评价**： 估值类因子在大盘股内表现相对极端，选股力度可能更强但方向把控需更精准；BTOP因子在小盘股中优势更明显[39]。在慢牛、震荡、下行市场中更倾向正向表达[30]。 2. 质量类因子 * **因子名称**： 盈利变异性（EARNINGVAR）[8][50] * **因子构建思路**： 属于质量因子，衡量公司盈利的稳定程度，通常认为盈利波动越小，公司质量越高，未来股票回报可能越高（负向因子）[50]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“营业收入、净利润、现金的变异程度”[8]。 * **因子名称**： 盈收质量（PROFITABLITY）[8][50] * **因子构建思路**： 属于质量因子，衡量公司盈利的质量和水平，通常认为盈利质量越高，公司基本面越好，未来股票回报可能越高（正向因子）[50]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“营收、利润等水平”[8]。 * **因子评价**： 质量类因子在大盘股内存在明显的正向优势，选股区分度高，但在成长股票池内的选股效果弱于其他池[47][50]。盈收质量因子在2021年前后出现有效性分水岭[50]。 3. 价量类因子 * **因子名称**： 动量（MOMENTUM）[8][46] * **因子构建思路**： 属于价量因子，认为过去表现好的股票在未来一段时间内会延续其趋势（报告中定义方向为负）[8][46]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“收益率、alpha的动量”[8]。 * **因子评价**： 动量因子在大盘股内持续正向表达，大盘股动量效应显著；而在小盘股内反转效应显著[4][46]。该因子属于失效概率较高的因子之一[4][78]。 4. 波动与流动性因子 * **因子名称**： 残差波动率（VOLATILITY）[8][40] * **因子构建思路**： 属于波动率因子，衡量股票剔除市场影响后的特异性风险，通常认为波动率越低，股票风险越小，未来回报可能越高（负向因子）[8][40]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“收益与时间回归残差项的波动率”[8]。 * **因子名称**： 流动性（LIQUIDITY）[8][40] * **因子构建思路**： 属于流动性因子，衡量股票的交易便利程度，通常认为流动性越差，股票需要提供更高的风险补偿（负向因子）[8][40]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“短、中、长期的流动性”[8]。 * **因子评价**： 波动率和流动性因子在各个股票池内大多保持稳定的负向表达，失效概率较低[20][40][78]。当其RankIC出现异常正向放大后，市场往往上行[41]。 模型的回测效果 1. 小盘股票池“2+3”动态因子调整模型 * **回测区间**： 2016年1月4日 至 2025年11月28日[103] * **基准**： 中证1000与中证2000指数等权[103] * **业绩指标**： * 年化收益： 8.83%[103] * 年化波动： 21.08%[103] * 夏普比率： 0.42[103] * 最大回撤： 38.67%[103] * 卡玛比率： 0.23[103] * 超额年化收益： 11.47%[103] * 超额波动： 13.82%[103] * 信息比率（IR）： 0.83[103] * 超额最大回撤： 21.10%[103] 因子的回测效果 **注**：报告提供了多个因子在不同股票池和不同年份的RankICIR具体数值及排名[18][22][25][27][34][36][38][46][48][50]。以下选取全区间（约2013-2025年）在特定股票池的RankICIR均值进行概括性展示，以反映因子的长期表现差异。 1. 大盘股票池（沪深300）全区间RankICIR均值 * **BETA**: -0.19[22] * **BTOP**: 0.17[22] * **DIVIDEND**: 0.28[22] * **EARNING**: -0.26[22] * **EARNINGVAR**: 0.22[22] * **GROWTH**: -0.22[22] * **INVENSTMENT**: 0.18[22] * **LEVERAGE**: 0.01[22] * **LIQUIDITY**: -0.38[22] * **LTREVERSAL**: 0.14[22] * **MIDCAP**: -0.11[22] * **MOMENTUM**: 0.03[22] * **PROFITABLITY**: 0.00[22] * **SIZE**: 0.10[22] * **VOLATILITY**: -0.27[22] 2. 小盘股票池（中证1000+中证2000）全区间RankICIR均值 * **BETA**: -0.05[22] * **BTOP**: 0.37[22] * **DIVIDEND**: 0.37[22] * **EARNING**: -0.25[22] * **EARNINGVAR**: 0.23[22] * **GROWTH**: -0.11[22] * **INVENSTMENT**: 0.12[22] * **LEVERAGE**: 0.02[22] * **LIQUIDITY**: -0.54[22] * **LTREVERSAL**: 0.25[22] * **MIDCAP**: -0.36[22] * **MOMENTUM**: 0.06[22] * **PROFITABLITY**: -0.38[22] * **SIZE**: -0.39[22] * **VOLATILITY**: -0.39[22] 3. 成长股票池全区间RankICIR均值 * **BETA**: -0.13[25] * **BTOP**: 0.09[25] * **DIVIDEND**: 0.20[25] * **EARNING**: -0.23[25] * **EARNINGVAR**: 0.14[25] * **GROWTH**: -0.16[25] * **INVENSTMENT**: 0.21[25] * **LEVERAGE**: 0.01[25] * **LIQUIDITY**: -0.38[25] * **LTREVERSAL**: 0.09[25] * **MIDCAP**: -0.12[25] * **MOMENTUM**: 0.01[25] * **PROFITABLITY**: 0.08[25] * **SIZE**: 0.03[25] * **VOLATILITY**: -0.18[25] 4. 价值股票池全区间RankICIR均值 * **BETA**: -0.15[27] * **BTOP**: 0.22[27] * **DIVIDEND**: 0.34[27] * **EARNING**: -0.20[27] * **EARNINGVAR**: 0.25[27] * **GROWTH**: -0.19[27] * **INVENSTMENT**: 0.12[27] * **LEVERAGE**: -0.04[27] * **LIQUIDITY**: -0.42[27] * **LTREVERSAL**: 0.13[27] * **MIDCAP**: -0.25[27] * **MOMENTUM**: -0.17[27] * **PROFITABLITY**: 0.08[27] * **SIZE**: -0.08[27] * **VOLATILITY**: -0.40[27]