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**：利用日内高频数据计算股票收益的偏度特征，捕捉收益分布的非对称性[15] **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》[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，计算下行波动在总波动中的占比，衡量股价下跌时的波动风险[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的高频交易数据，计算反映买方意愿的指标占比[21] **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》[21] 4. **因子名称**：开盘后买入意愿强度因子 **因子构建思路**：基于开盘后一段时间的高频交易数据，计算反映买方意愿的指标强度[26] **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》[26] 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在总成交中的占比，捕捉大资金在开盘后的动向[32] 6. **因子名称**：开盘后大单净买入强度因子 **因子构建思路**：计算开盘后大单净买入的强度指标，衡量大资金买入的力度[36] 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，以更好地捕捉股价反转效应[41] 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，反映尾盘资金的活跃程度[47] 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，衡量资金流出的平均强度[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，识别大资金主导的上涨[58] 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神经网络结合全连接层，从高频数据中提取选股信号[63] 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**：使用带有残差连接和注意力机制的LSTM神经网络结合全连接层，从高频数据中提取选股信号[66] 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神经网络训练，使用5日收益率作为预测标签，从多时间颗粒度数据中学习选股信号[69] **因子具体构建过程**：因子基于双向A-GRU训练得到[69] 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神经网络训练，使用10日收益率作为预测标签，从多时间颗粒度数据中学习选股信号[71] **因子具体构建过程**：因子基于双向A-GRU训练得到[71] 15. **因子名称**：复合深度学习因子 **因子构建思路**：将两个多颗粒度模型因子进行线性组合，构建综合预测信号[73] **因子具体构建过程**：基于深度学习因子（多颗粒度模型-10日标签*0.5 + 多颗粒度模型-5日标签*0.5）构建[73] 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**：基于复合深度学习因子预测股票预期收益，通过组合优化在控制跟踪误差和各项约束的条件下最大化组合预期收益，构建针对不同基准指数的增强组合[73] **模型具体构建过程**： 1. 信号生成：使用复合深度学习因子作为股票的预期超额收益（α）来源[73] 2. 优化目标：最大化组合预期收益，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[76] 3. 约束条件：根据不同组合类型（空气指增、中证500宽/严约束、中证1000宽/严约束）施加不同的风险控制约束，包括个股权重约束、行业偏离约束、风格因子（市值、PB、ROE等）暴露约束、成分股权重约束以及换手率约束[74][76] 4. 调仓频率：分为周度调仓和日度调仓[74] 5. 交易成本：测算中假定以次日均价成交，并扣除双边3‰的交易成本[77] 因子的回测效果 （以下指标均基于周度换仓测试，数据截至2026年4月10日当周）[11][13] 1. **日内高频偏度因子**，历史IC 0.019，2026年IC 0.028，历史RankMAE 0.324，2026年RankMAE 0.327，上周多空收益 1.19%，4月多空收益 2.30%，2026年多空收益 7.71%，2026年周胜率 10/13，上周多头超额收益 0.84%，4月多头超额收益 0.92%，2026年多头超额收益 3.81%，2026年多头周胜率 9/13[11] 2. **日内下行波动占比因子**，历史IC 0.016，2026年IC 0.029，历史RankMAE 0.323，2026年RankMAE 0.326，上周多空收益 0.40%，4月多空收益 0.66%，2026年多空收益 8.03%，2026年周胜率 10/13，上周多头超额收益 0.35%，4月多头超额收益 0.29%，2026年多头超额收益 4.02%，2026年多头周胜率 8/13[11] 3. **开盘后买入意愿占比因子**，历史IC 0.026，2026年IC 0.032，历史RankMAE 0.321，2026年RankMAE 0.323，上周多空收益 1.36%，4月多空收益 2.13%，2026年多空收益 8.75%，2026年周胜率 11/13，上周多头超额收益 0.19%，4月多头超额收益 0.55%，2026年多头超额收益 3.27%，2026年多头周胜率 10/13[11] 4. **开盘后买入意愿强度因子**，历史IC 0.030，2026年IC 0.036，历史RankMAE 0.326，2026年RankMAE 0.328，上周多空收益 2.17%，4月多空收益 3.54%，2026年多空收益 9.61%，2026年周胜率 9/13，上周多头超额收益 1.26%，4月多头超额收益 2.08%，2026年多头超额收益 4.22%，2026年多头周胜率 8/13[11] 5. **开盘后大单净买入占比因子**，历史IC 0.035，2026年IC 0.030，历史RankMAE 0.322，2026年RankMAE 0.318，上周多空收益 0.36%，4月多空收益 0.88%，2026年多空收益 7.08%，2026年周胜率 12/13，上周多头超额收益 -0.19%，4月多头超额收益 0.96%，2026年多头超额收益 2.25%，2026年多头周胜率 6/13[11] 6. **开盘后大单净买入强度因子**，历史IC 0.024，2026年IC 0.026，历史RankMAE 0.320，2026年RankMAE 0.318，上周多空收益 0.59%，4月多空收益 1.83%，2026年多空收益 5.98%，2026年周胜率 10/13，上周多头超额收益 -0.21%，4月多头超额收益 1.09%，2026年多头超额收益 1.99%，2026年多头周胜率 8/13[11] 7. **改进反转因子**，历史IC 0.030，2026年IC 0.016，历史RankMAE 0.330，2026年RankMAE 0.330，上周多空收益 1.70%，4月多空收益 1.37%，2026年多空收益 3.92%，2026年周胜率 7/13，上周多头超额收益 1.03%，4月多头超额收益 0.24%，2026年多头超额收益 1.89%，2026年多头周胜率 7/13[11] 8. **尾盘成交占比因子**，历史IC 0.025，2026年IC 0.022，历史RankMAE 0.322，2026年RankMAE 0.318，上周多空收益 1.02%，4月多空收益 1.07%，2026年多空收益 6.28%，2026年周胜率 10/13，上周多头超额收益 0.49%，4月多头超额收益 0.50%，2026年多头超额收益 1.83%，2026年多头周胜率 9/13[11] 9. **平均单笔流出金额占比因子**，历史IC 0.007，2026年IC -0.015，历史RankMAE 0.317，2026年RankMAE 0.315，上周多空收益 0.68%，4月多空收益 1.03%，2026年多空收益 -3.82%，2026年周胜率 5/13，上周多头超额收益 0.02%，4月多头超额收益 0.12%，2026年多头超额收益 -1.60%，2026年多头周胜率 5/13[13] 10. **大单推动涨幅因子**，历史IC 0.018，2026年IC 0.002，历史RankMAE 0.325，2026年RankMAE 0.326，上周多空收益 0.20%，4月多空收益 -0.14%，2026年多空收益 0.29%，2026年周胜率 6/13，上周多头超额收益 0.33%，4月多头超额收益 -0.20%，2026年多头超额收益 0.46%，2026年多头周胜率 8/13[13] 11. **改进 GRU(50,2)+NN(10)因子**，历史IC 0.065，2026年IC 0.033，历史RankMAE 0.336，2026年RankMAE 0.327，上周多空收益 2.58%，4月多空收益 3.46%，2026年多空收益 8.83%，2026年周胜率 10/13，上周多头超额收益 0.87%，4月多头超额收益 0.34%，2026年多头超额收益 -0.26%，2026年多头周胜率 8/13[13] 12. **残差注意力 LSTM(48,2)+NN(10)因子**，历史IC 0.062，2026年IC 0.037，历史RankMAE 0.334，2026年RankMAE 0.324，上周多空收益 2.99%，4月多空收益 3.06%，2026年多空收益 8.74%，2026年周胜率 11/13，上周多头超额收益 0.47%，4月多头超额收益 -0.41%，2026年多头超额收益 0.38%，2026年多头周胜率 7/13[13] 13. **多颗粒度模型-5日标签因子**，历史IC 0.078，2026年IC 0.043，历史RankMAE 0.343，2026年RankMAE 0.333，上周多空收益 2.08%，4月多空收益 3.03%，2026年多空收益 13.25%，2026年周胜率 13/13，上周多头超额收益 0.91%，4月多头超额收益 0.47%，2026年多头超额收益 6.24%，2026年多头周胜率 11/13[13] 14. **多颗粒度模型-10日标签因子**，历史IC 0.072，2026年IC 0.041，历史RankMAE 0.342，2026年RankMAE 0.335，上周多空收益 2.41%，4月多空收益 2.37%，2026年多空收益 11.27%，2026年周胜率 10/13，上周多头超额收益 1.36%，4月多头超额收益 0.16%，2026年多头超额收益 5.75%，2026年多头周胜率 10/13[13] 模型的回测效果 （以下指标为截至2026年4月10日当周的阶段性表现）[14] 1. **AI空气值增模型（周度调仓）**，上周超额收益 0.92%，绝对收益 5.99%，4月超额收益 -2.62%，绝对收益 0.37%，2026年超额收益 4.09%，绝对收益 8.29%，2026年周胜率 7/13[14] 2. **AI空气值增模型（日度调仓）**，上周超额收益 0.84%，绝对收益 5.91%，4月超额收益 -2.51%，绝对收益 0.48%，2026年超额收益 3.84%，绝对收益 8.04%，2026年周胜率 7/13[14] 3. **中证500 AI增强宽约束模型（周度调仓）**，上周超额收益 -2.07%，绝对收益 3.70%，4月超额收益 -2.85%，绝对收益 1.77%，2026年超额收益 1.06%，绝对收益 7.81%，2026年周胜率 5/13[14] 4. **中证500 AI增强宽约束模型（日度调仓）**，上周超额收益 -1.53%，绝对收益 4.24%，4月超额收益 -2.41%，绝对收益 2.21%，2026年超额收益 -2.03%，绝对收益 4.71%，2026年周胜率 5/13[14] 5. **中证500 AI增强严约束模型（周度调仓）**，上周超额收益 -0.37%，绝对收益 5.39%，4月超额收益 -0.49%，绝对收益 4.14%，2026年超额收益 0.72%，绝对收益 7.46%，2026年周胜率 8/13[14] 6. **中证500 AI增强严约束模型（日度调仓）**，上周超额收益 0.33%，绝对收益 6.09%，4月超额收益 -0.11%，绝对收益 4.51%，2026年超额收益 0.20%，绝对收益 6.95%，2026年周胜率 8/13[14] 7. **中证1000 AI增强宽约束模型（周度调仓）**，上周超额收益 -1.89%，绝对收益 4.23%，4月超额收益 -3.62%，绝对收益 1.34%，2026年超额收益 1.22%，绝对收益 6.52%，2026年周胜率 7/13[14] 8. **中证1000 AI增强宽约束模型（日度调仓）**，上周超额收益 -1.16%，绝对收益 4.96%，4月超额收益 -2.64%，绝对收益 2.33%，2026年超额收益 0.56%，绝对收益 5.87%，2026年周胜率 6/13[14] 9. **中证1000 AI增强严约束模型（周度调仓）**，上周超额收益 -0.81%，绝对收益 5.31%，4月超额收益 -1.04%，绝对收益 3.93%，2026年超额收益 2.06%，绝对收益 7.37%，2026年周胜率 8/13[14] 10. **中证1000 AI增强严约束模型（日度调仓）**，上周超额收益 -0.57%，绝对收益 5.56%，4月超额收益 -1.26%，绝对收益 3.70%，2026年超额收益 2.68%，绝对收益 7.98%，2026年周胜率 8/13[14]

量化模型与构建方式 1. **模型名称：SSPT (Stock Specialized Pre-trained Transformer) 框架** [2][5][9] * **模型构建思路**：针对股票价格序列高噪声、非平稳、结构信息利用不足的问题，设计一个“预训练-微调”两阶段框架。通过设计贴合股票数据特性的预训练任务，从多个维度提取价格序列中的潜在结构特征，提升模型表征质量，再迁移至下游选股任务[5][9][10]。 * **模型具体构建过程**： 1. **数据构建**：以多股票日频价格数据为基础，将每只股票的历史序列按固定窗口长度进行滑动切片。基础输入特征包括开盘价、最高价、最低价、收盘价和成交量，并进一步加入5、10、20、30日移动均值等衍生特征，然后进行归一化处理，形成标准化的时序输入样本[16]。 2. **预训练任务设计**：设计三类预训练任务，从不同角度挖掘信息： * **股票代码分类 (SCC)**：任务为识别给定的价格序列片段来源于哪一只股票，旨在提取个股层面的特征差异[17]。 * **股票行业分类 (SSC)**：任务为识别给定的价格序列片段所属的行业，旨在捕捉板块层面的共性结构[18]。 * **移动均值预测 (MAP)**：任务为预测给定时间窗口内的平均价格（移动均值），而非单点价格，旨在提取更稳定的趋势信息，降低噪声干扰[22][23]。 3. **多任务联合训练**：采用标准Transformer架构作为核心编码器。在预训练阶段，Transformer同时承担上述三类任务，通过不同的任务头输出对应结果，并使用加权损失函数进行联合优化[23][24]。 4. **选股微调**：预训练完成后，保留Transformer编码层参数，移除预训练任务头，新增一个收益预测层。将模型训练目标切换为预测未来收益率，并在下游选股任务上进行微调。最终根据预测收益对股票排序，构建投资组合[28][31]。 2. **模型名称：DFQ-Diversify 模型 (作为对比模型提及)** [5][30] * **模型构建思路**：以解决分布外泛化问题为核心，通过自监督动态领域划分与对抗训练机制，显式地将“领域信息”（环境扰动）与“标签信息”（收益）解耦，从而提取跨环境稳定的预测特征[30][33]。 * **模型具体构建过程**：构建“领域–标签”双路径对抗训练体系。包含两个模块：`update_d`模块用于强化领域区分能力，同时通过梯度反转抑制标签信息；`update`模块用于强化标签（收益）预测能力，同时抑制领域信息。两个模块共享特征提取器，通过交替优化形成对抗博弈，实现特征空间的显式解耦[34][35]。 模型的回测效果 *指标说明：IRR为累计收益率，SR为夏普比率 (Sharpe Ratio)。结果基于NASDAQ、NYSE、TOPIX-100等市场回测[39][44]。* 1. **SSPT-ind 模型** (基于单一预训练任务)：NASDAQ市场 IRR 0.74, SR 2.32；NYSE市场 IRR 0.41, SR 2.11；TOPIX-100市场 IRR 0.51, SR 1.33[44]。 2. **SSPT-comb 模型** (基于多任务联合预训练)：NASDAQ市场 IRR 0.82, SR 2.25；NYSE市场 IRR 0.60, SR 2.35；TOPIX-100市场 IRR 0.43, SR 1.21[44]。 3. **市场基准 (Market)**：NASDAQ市场 IRR 0.15, SR 1.53；NYSE市场 IRR 0.10, SR 1.49；TOPIX-100市场 IRR 0.02, SR 0.19[44]。 4. **其他主流方法 (示例)**：在NASDAQ市场，CI-STHPAN模型 IRR 0.66, SR 2.01；ALSP-TF模型 IRR 0.53, SR 1.55；TimeMixer模型 IRR 0.42, SR 1.64[44]。 量化因子与构建方式 *注：本报告核心内容为量化模型框架，未涉及传统意义上的量化因子构建。报告在优化方向部分建议将输入特征从基础价量扩展至多维度因子体系，但未给出具体因子构建过程[49][50]。* 因子的回测效果 *无相关内容。*

QuantaAlpha框架：量化模型与因子总结 量化模型与构建方式 1. **模型名称：QuantaAlpha框架**[2][6][11] * **模型构建思路**：将大语言模型与进化算法深度融合，通过多智能体协作模拟专业量化研究员“提出假设→构建因子→回测检验→迭代优化→因子池维护”的全流程，实现自动化、白盒化、可溯源的Alpha因子挖掘[6][11][16]。 * **模型具体构建过程**： 1. **初始假设生成**：由LLM基于价量背离、波动率状态等经典量化维度，生成10个独立互补的初始投资假设，并行挖掘以拓宽研究广度[17]。 2. **多智能体协同实现**： * **Idea Agent（想法智能体）**：将宏观研究方向细化为具备清晰市场机制、明确信号逻辑和限定参数范围的可执行结构化假设[18][19]。 * **Factor Agent（因子智能体）**：采用“符号化表达+抽象语法树（AST）”方式，将结构化假设转化为标准数学表达式，经结构校验后编译为可执行代码。同时施加三重约束：语义一致性（假设、表达式、代码逻辑统一）、复杂度（控制表达式长度与特征数量）、冗余性（通过结构匹配过滤相似因子）[19]。 * **Evaluation Agent（评估智能体）**：基于Qlib回测框架进行标准化回测，评估因子IC、Rank IC、年化收益、最大回撤等指标，并将结果录入轨迹档案[19]。 3. **迭代优化**： * **变异（Mutation）**：由LLM回溯研究轨迹，精准定位导致因子失效的关键步骤，仅对问题部分进行修正，保留已验证的有效逻辑[20]。 * **交叉（Crossover）**：从历史优质挖掘轨迹中提取核心逻辑片段（如有效动量信号、波动率判断逻辑），在投资假设层面进行有意义的逻辑组合与重构，而非简单公式拼接[20]。 4. **因子筛选**：设置三层入池门槛：1) 按Rank IC从高到低排序；2) 与池中已有因子的绝对相关系数≤0.7；3) 因子池容量上限为当轮总因子数的50%[21]。 * **模型评价**：该框架突破了传统遗传规划的随机试错和同类LLM方法的迭代低效、语义漂移等问题，实现了金融逻辑引导、定向进化、研究经验复用和全流程可解释，为量化Alpha因子研究提供了新的技术思路[11][14][27][28]。 2. **模型名称：DFQ遗传规划价量因子挖掘系统（作为对比基准）**[23] * **模型构建思路**：传统遗传规划方法，通过自定义特征和算子，指定适应度指标，从一个随机种群出发，通过多代进化得到更优子代，以挖掘显式表达式的选股因子[23]。 * **模型具体构建过程**： 1. **初始种群**：按照预设的公式树深度随机生成[24]。 2. **进化方式**：变异（如子树变异、点变异）和交叉完全随机，本质是对公式树进行排列组合[25]。 3. **冗余管控**：采用“被动约束+数值惩罚”组合，如限制公式长度、在适应度评价中添加相关性数值惩罚[29]。 4. **可解释性**：先生成符合统计规律的公式，再反向解读可能的市场逻辑[29]。 * **模型评价**：可解释性强，但进化过程高度随机、缺乏金融逻辑引导，挖掘效率低，易生成无经济学含义的噪声因子[13][24][25][29]。 模型的回测效果 1. **QuantaAlpha模型（论文实证）**[32][33] * **股票池**：沪深300 * **测试区间**：2022-01-01 至 2025-12-26 * **IC**：15.01% * **Rank IC**：14.65% * **年化收益率（ARR）**：27.75% * **最大回撤（MDD）**：7.98% * **信息比率（IR）**：332.51% * **卡玛比率（CR）**：347.74% 2. **AlphaAgent模型（对比基准）**[33] * **股票池**：沪深300 * **测试区间**：2022-01-01 至 2025-12-26 * **IC**：9.66% * **Rank IC**：9.42% * **年化收益率（ARR）**：15.54% * **最大回撤（MDD）**：12.89% * **信息比率（IR）**：193.28% * **卡玛比率（CR）**：120.56% 3. **RD-Agent模型（对比基准）**[33] * **股票池**：沪深300 * **测试区间**：2022-01-01 至 2025-12-26 * **IC**：5.31% * **Rank IC**：6.33% * **年化收益率（ARR）**：9.91% * **最大回撤（MDD）**：14.82% * **信息比率（IR）**：125.02% * **卡玛比率（CR）**：66.87% 4. **QuantaAlpha模型（团队复现）**[37][39] * **股票池**：沪深300 * **测试区间**：2022-01-01 至 2025-12-26（严格样本外） * **核心结果**：累计挖掘21个因子，因子层面IC、Rank IC处于有效区间但ICIR偏低；组合层面扣费后年化超额收益有限，最大回撤幅度较大，净值曲线波动明显[39]。 量化因子与构建方式 *（注：报告未详细列出由QuantaAlpha框架挖掘出的具体单个因子的名称、公式及独立构建过程，而是重点阐述了生成这些因子的自动化框架和方法论。因此，此处总结框架所生成因子的通用构建特征。）* 1. **因子构建的通用特征**： * **数据基础**：使用开盘价、最高价、最低价、收盘价、成交量、均价（VWAP）这6类日频价量数据作为基础特征[32]。 * **算子库**：采用时间序列、截面、数学、技术指标、逻辑、辅助等6大类约60个通用量化算子[32]。 * **构建逻辑**：遵循“先有明确市场逻辑，再转化为可计算公式与代码”的路径，确保因子具备经济学意义和可解释性[31]。 * **约束条件**：在构建过程中受到表达式复杂度（如符号表达式长度≤250字符）、底层原始特征数量（≤6个）及语义一致性等多重约束[19][30]。 因子的回测效果 *（注：报告未提供框架所挖掘的各个具体因子的独立回测指标值。回测效果均以模型或因子组合的形式呈现，已汇总于“模型的回测效果”部分。）*

量化模型与构建方式 **1. 市场波动环境划分模型** * **模型名称**：基于滚动平均振幅的市场波动周期划分模型[5] * **模型构建思路**：为了更平滑地判断市场波动趋势，避免因波动率历史中枢变化导致直接比较偏差，采用滚动窗口内的平均振幅（而非标准差）来划分高波与低波市场环境[5][14][17]。 * **模型具体构建过程**： 1. **计算标的指数日度振幅**：计算沪深300指数每日的振幅，即（最高价 - 最低价）/ 前一日收盘价[14]。 2. **计算滚动平均振幅**：以63个交易日为滚动窗口，计算每日对应的过去63个交易日振幅的移动平均值，得到“63日平均振幅”序列[5][14]。 3. **趋势判断划分区间**：对“63日平均振幅”序列进行趋势判断，将其划分为连续的“高波”和“低波”区间。具体划分时点由模型根据振幅趋势变化确定[5][18]。例如，报告给出了从2010年至2026年3月31日的具体划分时点和区间类型[20]。 量化因子与构建方式 报告共涉及11个大类因子，每个大类因子由若干子类因子去异常、标准化后等权合成得到[12]。 **1. 因子名称**：价格稳定 * **因子构建思路**：衡量股价的稳定性和噪声程度，属于低风险因子[12]。 * **因子具体构建过程**：由4个子类因子合成。 1. **残差波动率**：Fama-French三因子模型回归残差的波动率。方向为-1[12]。 2. **特异率**：1减去Fama-French三因子模型回归的拟合优度（R²）。方向为-1[12]。公式为：$$特异率 = 1 - R^2$$ 3. **残差峰度**：Fama-French三因子模型回归残差的峰度。方向为-1[12]。 4. **高价振幅**：价格处于最高20%部分交易日的平均振幅。方向为-1[12]。 **2. 因子名称**：成交稳定 * **因子构建思路**：衡量成交量分布的稳定性和集中度，属于低风险因子[12]。 * **因子具体构建过程**：由4个子类因子合成。 1. **换手率变异系数**：换手率的标准差除以平均值。方向为1[12]。公式为：$$换手率变异系数 = \frac{换手率标准差}{换手率平均值}$$ 2. **成交占比熵**：以每个交易日（或细分时段）的成交量占比作为概率p，代入信息熵公式计算。方向为1[12]。公式为：$$成交占比熵 = -\sum p \cdot \log(p)$$ 3. **量大单买入强度**：过去n个交易日，大买单成交额的标准差与平均值之比。方向为1[12]。 4. **波峰**：基于日内1分钟成交量K线数据，筛选出大于（均值+1倍标准差）的K线，并计算这些K线中局部峰值的数量。方向为1[12]。 **3. 因子名称**：价值 * **因子构建思路**：衡量股票的估值水平，属于低风险因子[12]。 * **因子具体构建过程**：由4个子类因子合成。 1. **BP**：净资产除以总市值（市净率倒数）。方向为1[12]。公式为：$$BP = \frac{净资产}{总市值}$$ 2. **SALES2EV**：营业收入除以企业价值。方向为1[12]。 3. **DP**：近12个月分红除以总市值（股息率）。方向为1[12]。 4. **EP**：归母净利润TTM除以总市值（市盈率倒数）。方向为1[12]。公式为：$$EP = \frac{归母净利润_{TTM}}{总市值}$$ **4. 因子名称**：流动性 * **因子构建思路**：衡量股票的流动性和交易成本，属于中风险因子[12]。 * **因子具体构建过程**：由4个子类因子合成。 1. **换手率**：20日平均成交量除以总股本。方向为-1[12]。 2. **非流动性**：收益率绝对值除以总成交额（Amihud非流动性指标）。方向为1[12]。公式为：$$非流动性 = \frac{|收益率|}{总成交额}$$ 3. **一致买入占比**：在“一致买入”区间（定义未给出）的买入成交额占总成交额的比例。方向为1[12]。 4. **量价相关性**：成交量和复权收盘价的秩相关系数。方向为-1[12]。 **5. 因子名称**：拥挤度（原文表格中为“筹码分布”） * **因子构建思路**：衡量筹码分布和交易集中度，属于中风险因子[12]。 * **因子具体构建过程**：由4个子类因子合成。 1. **加权偏度**：以成交量加权的收盘价偏度。方向为-1[12]。 2. **时量价比**：时间加权价格除以成交量加权价格。方向为1[12]。 3. **高量交易成本**：在最高20%价格区间内的成交量占全部区间成交量的比例。方向为-1[12]。 4. **短期反转**：以5分钟成交量/成交笔数为划分标准，筛选出后20%的数据，计算其对数收益率之和。方向为-1[12]。 **6. 因子名称**：反转 * **因子构建思路**：捕捉股票的短期反转效应，属于中风险因子[12]。 * **因子具体构建过程**：由2个子类因子合成。 1. **收益偏度**：收益率序列的偏度。方向为-1[12]。 2. **半衰残差动量**：使用过去240个交易日的日线数据，对Fama-French三因子模型进行滚动回归，得到残差收益率序列。然后计算从第240日到第20日（即剔除最近20日）的累积残差收益率。方向为1[12]。 **7. 因子名称**：质量 * **因子构建思路**：衡量公司的盈利能力和财务稳健性，属于中风险因子[12]。 * **因子具体构建过程**：由5个子类因子合成。 1. **ROE**：净利润除以净资产。方向为1[12]。公式为：$$ROE = \frac{净利润}{净资产}$$ 2. **总资产周转率**：营业收入除以总资产。方向为1[12]。 3. **净利率**：净利润除以营业收入。方向为1[12]。 4. **现金总资产比率**：经营活动现金流净额除以总资产。方向为1[12]。 5. **现金营业收入比率**：经营活动现金流净额除以营业收入。方向为1[12]。 **8. 因子名称**：成长 * **因子构建思路**：衡量公司的成长性，属于高风险因子[12]。 * **因子具体构建过程**：由6个子类因子合成。 1. **ROE增长**：用过去8个季度的ROE数据对时间进行线性回归，取回归的斜率项。方向为1[12]。 2. **总资产周转率增长**：用过去8个季度的总资产周转率数据对时间进行线性回归，取回归的斜率项。方向为1[12]。 3. **归母净利润同比**：（本期季度归母净利润 - 去年同期季度归母净利润）/ |去年同期季度归母净利润|。方向为1[12]。 4. **营业收入同比**：（本期季度营业收入 - 去年同期季度营业收入）/ |去年同期季度营业收入|。方向为1[12]。 5. **ROE同比**：本期季度ROE减去去年同期季度ROE。方向为1[12]。 6. **总资产周转率同比**：本期季度总资产周转率减去去年同期季度总资产周转率。方向为1[12]。 **9. 因子名称**：SUE（超预期） * **因子构建思路**：衡量公司业绩超出市场预期的程度，属于高风险因子[12]。 * **因子具体构建过程**：由5个子类因子合成。 1. **ROE2年SUE**：对单季度扣非净利润进行归一化处理后，对时间进行回归，取回归的斜率项。方向为1[12]。 2. **总资产周转率2年SUE**：单季度扣非净利润对时间回归的斜率除以平均净资产。方向为1[12]。 3. **净利率2年SUE**：（本期归母净利润 - 过去8个季度均值）/ 过去8个季度标准差。方向为1[12]。公式为：$$净利率2年SUE = \frac{归母净利润_t - \mu_{t-7:t}}{\sigma_{t-7:t}}$$ 4. **现金总资产比率2年SUE**：（GPOA - 过去8个季度均值）/ 过去8个季度标准差。方向为1[12]。 5. **现金营业收入比率2年SUE**：（销售毛利率 - 过去8个季度均值）/ 过去8个季度标准差。方向为1[12]。 **10. 因子名称**：分析师 * **因子构建思路**：基于分析师一致预期的增长因子，属于高风险因子[12]。 * **因子具体构建过程**：由1个子类因子构成。 1. **预期增长**：分析师一致预期EPS的近两个月平均值除以较远两个月平均值。方向为1[12]。 **11. 因子名称**：动量 * **因子构建思路**：捕捉股票的长期动量效应，属于高风险因子[12]。 * **因子具体构建过程**：由3个子类因子合成。 1. **长期动量**：过去240个交易日（剔除最近20个交易日）的收益率。方向为1[12]。 2. **排序动量**：对日度收益率做截面排序，计算过去240个交易日（剔除最近20日）排序值的求和。方向为1[12]。 模型的回测效果 （报告未提供市场波动划分模型本身的量化回测效果指标，如预测准确率等。） 因子的回测效果 报告提供了两大类回测结果：历史高/低波区间（长周期）和近期三个高/低波区间。测试指标均为年化收益、最大回撤和信息比率（IR）。 **1. 历史高波、低波区间表现（全时间段）** * **测试范围**：根据模型划分的历史所有高波和低波区间[20]。 * **测试设置**：分为“沪深300内”（分5组）和“全市场”（分10组）两种股票池进行回测[22][25]。 * **因子表现取值**： * **沪深300内表现**：参见表4[23]。 * **价格稳定**：高波区间收益2.66%，最大回撤-9.94%，IR 0.50；低波区间收益2.55%，最大回撤-12.65%，IR 0.68。 * **成交稳定**：高波区间收益3.02%，最大回撤-7.80%，IR 0.53；低波区间收益3.33%，最大回撤-13.01%，IR 0.85。 * **价值**：高波区间收益6.46%，最大回撤-11.86%，IR 0.95；低波区间收益4.11%，最大回撤-17.13%，IR 0.88。 * **流动性**：高波区间收益4.31%，最大回撤-13.02%，IR 0.65；低波区间收益1.14%，最大回撤-22.96%，IR 0.25。 * **拥挤度**：高波区间收益1.55%，最大回撤-12.15%，IR 0.27；低波区间收益6.12%，最大回撤-5.48%，IR 1.46。 * **反转**：高波区间收益6.19%，最大回撤-7.87%，IR 1.10；低波区间收益4.41%，最大回撤-11.71%，IR 1.15。 * **质量**：高波区间收益6.18%，最大回撤-8.50%，IR 0.96；低波区间收益4.26%，最大回撤-11.75%，IR 0.97。 * **成长**：高波区间收益7.12%，最大回撤-8.98%，IR 1.08；低波区间收益1.90%，最大回撤-30.93%，IR 0.37。 * **SUE**：高波区间收益8.85%，最大回撤-4.23%，IR 1.66；低波区间收益2.51%，最大回撤-16.32%，IR 0.65。 * **分析师**：高波区间收益9.58%，最大回撤-9.13%，IR 1.35；低波区间收益3.36%，最大回撤-19.83%，IR 0.72。 * **动量**：高波区间收益5.22%，最大回撤-13.74%，IR 0.66；低波区间收益4.07%，最大回撤-15.08%，IR 0.71。 * **全市场表现**：参见表5[25]。 * **价格稳定**：高波区间收益12.13%，最大回撤-7.34%，IR 1.79；低波区间收益7.92%，最大回撤-13.21%，IR 1.71。 * **成交稳定**：高波区间收益10.60%，最大回撤-7.11%，IR 1.77；低波区间收益7.89%，最大回撤-5.13%，IR 2.17。 * **价值**：高波区间收益7.88%，最大回撤-17.84%，IR 0.85；低波区间收益4.29%，最大回撤-13.37%，IR 0.69。 * **流动性**：高波区间收益13.51%，最大回撤-8.70%，IR 1.81；低波区间收益11.28%，最大回撤-14.40%，IR 1.74。 * **拥挤度**：高波区间收益6.62%，最大回撤-11.31%，IR 1.00；低波区间收益7.38%，最大回撤-11.54%，IR 1.63。 * **反转**：高波区间收益7.32%，最大回撤-7.79%，IR 1.45；低波区间收益6.45%，最大回撤-10.32%，IR 1.64。 * **质量**：高波区间收益5.48%，最大回撤-9.74%，IR 0.90；低波区间收益4.06%，最大回撤-14.84%，IR 1.03。 * **成长**：高波区间收益4.61%，最大回撤-11.58%，IR 0.77；低波区间收益1.56%，最大回撤-23.22%，IR 0.40。 * **SUE**：高波区间收益7.69%，最大回撤-9.71%，IR 1.43；低波区间收益4.30%，最大回撤-14.58%，IR 1.30。 * **分析师**：高波区间收益5.79%，最大回撤-15.50%，IR 0.83；低波区间收益2.91%，最大回撤-23.47%，IR 0.62。 * **动量**：高波区间收益-2.85%，最大回撤-25.52%，IR -0.35；低波区间收益-0.63%，最大回撤-22.46%，IR -0.10。 **2. 近期高波、低波区间表现（2024年8月至2026年3月）** * **测试范围**：三个连续区间，分别为高波（2024-08-27至2024-12-16）、低波（2024-12-16至2025-07-16）、高波（2025-07-16至2026-03-31）[5][27]。 * **测试设置**：分为“沪深300内”（分5组）和“全市场”（分10组）两种股票池进行回测[27][30]。 * **因子表现取值**： * **沪深300内表现**：参见表6[28]。 * 各因子在三个近期区间及全区间内的收益、最大回撤、IR具体数值详见报告表6[28]。 * **全市场表现**：参见表7[30]。 * 各因子在三个近期区间及全区间内的收益、最大回撤、IR具体数值详见报告表7[30]。

量化模型与构建方式 1. 模型名称：市场环境择时体系（均线距离模型）[2][6] 模型构建思路：通过计算Wind全A指数的短期均线与长期均线的距离差，来划分市场的整体环境（如上涨、下跌、震荡）[2][6] 模型具体构建过程：首先，计算Wind全A指数的20日移动平均线（短期均线）和120日移动平均线（长期均线）。然后，计算两条均线之间的距离差（以百分比表示）。根据距离差的绝对值大小来定义市场状态，例如，报告指出距离绝对值低于3%时，市场进入典型的震荡格局[2][6]。公式为： $$市场状态信号 = \frac{短期均线(20日) - 长期均线(120日)}{长期均线(120日)} \times 100\%$$ 其中，公式结果代表短期均线相对于长期均线的偏离百分比，其绝对值用于判断市场格局。 2. 模型名称：成交量阈值模型[2][5][7] 模型构建思路：通过监测市场整体成交量是否萎缩至一个特定的临界值（阈值）来判断市场是否接近“地量”水平，从而为短期交易提供信号[2][5][7] 模型具体构建过程：模型设定一个成交量的目标阈值（例如1.7万亿元）。当市场成交量（报告中指Wind全A的成交量）萎缩至该阈值之下时，模型发出市场可能即将迎来反弹或已接近调整底部的信号。报告中提到，在北向资金缺席的情况下，成交量缩量至1.67万亿，达到了模型的临界值[2][7]。 3. 模型名称：仓位管理模型[2][7] 模型构建思路：结合市场的估值水平和短期趋势判断，为绝对收益产品提供股票仓位的配置建议[2][7] 模型具体构建过程：首先，评估市场估值水平（如PE、PB的历史分位数）。然后，结合其他择时信号（如上述均线距离模型和成交量模型对短期趋势的判断），综合得出一个建议的股票仓位比例。报告示例中，Wind全A的PE位于80分位点（中等偏高水平），PB位于50分位点（较低水平），结合市场处于震荡格局的判断，模型给出的建议仓位为60%[2][7]。 4. 模型名称：中期行业配置模型（业绩趋势模型）[2][5][7] 模型构建思路：基于业绩趋势来筛选未来一段时间内值得重点关注的行业或产业链[2][5][7] 模型具体构建过程：报告未详细描述该模型的具体因子和计算过程，仅提及了其输出结果。该模型会提示业绩趋势向好的行业方向，例如报告指出模型提示重点关注电池、算力相关产业链以及周期板块[2][5][7]。 模型的回测效果 1. 市场环境择时体系（均线距离模型），最新均线距离差值0.71%[2][6] 2. 成交量阈值模型，最新成交量阈值参考值1.7万亿元，当前观测值1.67万亿元[2][7] 3. 仓位管理模型，当前建议仓位60%[2][7] 量化因子与构建方式 1. 因子名称：估值因子（PE分位数）[2][7][8] 因子构建思路：使用市盈率（PE）的历史分位数来衡量市场当前的估值水平高低[2][7][8] 因子具体构建过程：计算Wind全A指数当前的市盈率（PE）。在历史时间序列（例如报告提及数据自2014年10月17日至2026年4月3日）中，计算当前PE值所处的百分位位置（分位数）。分位数越高，代表当前估值相对于自身历史水平越高[7][9]。 2. 因子名称：估值因子（PB分位数）[2][7][10] 因子构建思路：使用市净率（PB）的历史分位数作为另一项衡量市场估值水平的指标[2][7][10] 因子具体构建过程：计算Wind全A指数当前的市净率（PB）。在历史时间序列中，计算当前PB值所处的百分位位置（分位数）。分位数越高，代表当前估值相对于自身历史水平越高[7][11]。 因子的回测效果 1. 估值因子（PE分位数），当前取值位于约80分位点[2][7] 2. 估值因子（PB分位数），当前取值位于50分位点[2][7]

文章核心观点 - 文章针对A股量化策略在波动率分布上存在系统性偏差的问题，提出了一种名为“波动率分层约束”的优化方案 [1][2] - 该方案通过在高波动率股票组内放松个股权重偏离约束，在低波动率股票组内收紧约束，能够有效改善多因子组合的超额收益与最大回撤，实现风险与收益的更好平衡 [17][18][32] 量化组合的波动率分布偏差问题 - 自2025年A股进入上涨环境以来，依赖低波、低流动性、反转等偏反转逻辑因子的量化策略效果明显下降 [1] - 2026年1月中证500指数快速上涨期间，指数增强产品普遍跑输指数，核心原因是量化组合因低波等因子倾向选择波动率较低的股票，导致组合在高波动股票上的配置不足 [1] - 构建的四个多因子组合（P1八因子等权、P2成长动量低波红利、P3成长动量分析师、P4低波反转低流动性）分析显示，除P3外，其余组合均大幅低配高波动率（前60%）股票，其中P4低配幅度最深 [7] - 偏反转逻辑因子的大量使用是量化组合低配高波动股票的重要原因 [7] 传统“波动率中性”方案的利弊 - 对基准股票按波动率分五组并强行配平权重的“波动率中性”方案，能直接修正组合的波动率分布 [12] - 实施该方案后，P1、P2和P4组合的超额最大回撤得到明显改善，但P3的最大回撤反而扩大 [14] - 该方案主要控制住了波动率分布风险，但代价是可能损失超额收益，P1、P2、P3的月均超额收益维持不变或下降，仅P4有小幅上升（从0.24%升至0.25%）[14] - 仅对波动率最高前20%股票进行中性化，结果相似：除P3外，最大回撤明显改进，但超额收益大都出现下降 [15][16] - “波动率中性”更适合特殊时期采用，而非长期保持 [16] 推荐的“波动率分层约束”方案及其效果 - 推荐方案：对波动率高的60%股票（高波组）放松个股偏离约束至0.6%，对波动率低的40%股票（低波组）收紧约束至0.4% [17] - 该方案能同时提升超额收益和减少最大回撤 [17] - P1组合：月均超额从0.36%提升至0.40%，累计超额从46.43%提升至52.32%，最大回撤从9.46%降至9.06% [18] - P2组合：月均超额维持0.46%，累计超额从61.88%提升至63.01%，最大回撤从7.47%降至6.95% [18] - P3组合：月均超额从0.34%提升至0.37%，累计超额从43.05%提升至48.26%，最大回撤从8.62%降至8.51% [18] - P4组合：月均超额从0.24%提升至0.26%，累计超额从27.82%提升至31.04%，最大回撤从8.06%降至7.38% [18] - 反向操作（高波组收紧至0.4%，低波组放松至0.6%）会导致超额收益下降且最大回撤上升，效果不佳 [19] 高波动组内放松约束有效的内在原因 - 多个因子在高波动组内的表现显著优于低波动组 [20] - 低波因子：高波组月均IC为3.06%，低波组仅0.30%，差值达2.76个百分点 [21] - 红利因子：高波组IC为2.88%，低波组为1.19%，差值1.69个百分点 [21] - 成长因子：高波组IC为3.12%，低波组为1.72%，差值1.40个百分点 [21] - 高波动组内部分因子的离散度（股票间因子得分差异）更高，选股更容易获得超额收益 [29] - 反转、低流动性、动量、成长因子在高波组的离散度均显著高于低波组 [30] - 波动率分层约束后，组合在高波组内超配股票所带来的收益贡献显著提升，是整体表现改善的主要原因 [31] - 例如P1组合，高波组超配股票收益贡献从46.33%提升至56.38% [32] 方案的普适性与参数敏感性 - **方案普适性**：波动率分层约束方案可推广至沪深300和中证1000指数，在大多数情况下能提升月均超额或降低最大回撤 [51] - 例如，中证1000指数下，P1组合最大回撤从10.03%降至8.25%；P2组合月均超额从0.76%提升至0.78%，最大回撤从10.68%降至9.85% [52] - **高波组划分参数**：将高波组定义从波动率前60%收窄至前30%或40%，能在一定程度上减少最大回撤，但月均超额也会出现下降 [49] - 例如P1组合，高波组定义为前30%时，月均超额为0.34%，最大回撤8.32%；定义为前60%时，月均超额为0.40%，最大回撤9.06% [50] - **对波动率分布的影响**：该方案不能实现完全的“波动率中性”，但相比原始组合，高波组股票的配置比例均有提升 [45]

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，即偏度[16] **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》[16] 2. **因子名称：日内下行波动占比因子** **因子构建思路：** 衡量股票日内已实现波动中下行波动的贡献比例[21] **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》[21] 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数据，度量市场买入意愿的强度[26] **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》[26] 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强度[31] **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》[31] 5. **因子名称：开盘后大单净买入占比因子** **因子构建思路：** 衡量开盘后大单资金净流入的占比情况[35] 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，衡量大单净买入的强度[41] 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[46] 8. **因子名称：尾盘成交占比因子** **因子构建思路：** 衡量尾盘时段成交额占全天成交额的比例[51] 9. **因子名称：平均单笔流出金额占比因子** **因子构建思路：** 衡量平均每笔流出交易的金额占比[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涨幅[58] 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神经网络结合全连接网络，从高频数据中提取选股信号[63] 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：** 使用带有残差连接和注意力机制的LSTM神经网络结合全连接网络，从高频数据中提取选股信号[64] 13. **因子名称：深度学习因子（多颗粒度模型-5日标签）** **因子构建思路：** 使用基于双向AGRU训练的多颗粒度模型，以5日收益率为预测标签[65] **因子评价：** 持续稳健表现[1] 14. **因子名称：深度学习因子（多颗粒度模型-10日标签）** **因子构建思路：** 使用基于双向AGRU训练的多颗粒度模型，以10日收益率为预测标签[70] **因子评价：** 持续稳健表现[1] 15. **因子名称：复合深度学习因子** **因子构建思路：** 将两个多颗粒度模型因子进行等权合成，作为AI增强组合的预期收益来源[72] **因子具体构建过程：** 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[72] 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：** 以复合深度学习因子作为股票的预期超额收益，通过组合优化构建指数增强组合[72] **模型具体构建过程：** 1. 预期收益：使用复合深度学习因子作为股票i的预期超额收益μi[72]。 2. 优化目标：在给定的约束条件下，最大化组合的预期超额收益[75]。目标函数为： $$max\sum\mu_{i}w_{i}$$ 其中，wi为股票i在组合中的权重，μi为股票i的预期超额收益[75]。 3. 约束条件：根据不同组合类型（空气指增、中证500/1000宽/严约束）施加不同的风险控制约束，包括个股权重、行业偏离、风格因子（市值、PB、ROE等）暴露、成分股权重以及换手率约束[73][75]。 4. 交易设置：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 （数据来源：表2，周度换仓口径[12][14]） 1. **日内高频偏度因子**，历史IC 0.019，2026年IC 0.027，历史e^(-rank mae) 0.324，2026年e^(-rank mae) 0.328，上周多空收益 1.14%，3月多空收益 1.10%，2026YTD多空收益 5.41%，2026年周胜率 8/11，上周多头超额 1.09%，3月多头超额 1.01%，2026YTD多头超额 2.90%，2026年多头周胜率 7/11[12] 2. **日内下行波动占比因子**，历史IC 0.016，2026年IC 0.032，历史e^(-rank mae) 0.323，2026年e^(-rank mae) 0.328，上周多空收益 0.61%，3月多空收益 1.55%，2026YTD多空收益 7.37%，2026年周胜率 8/11，上周多头超额 0.54%，3月多头超额 0.79%，2026YTD多头超额 3.73%，2026年多头周胜率 7/11[12] 3. **开盘后买入意愿占比因子**，历史IC 0.025，2026年IC 0.028，历史e^(-rank mae) 0.321，2026年e^(-rank mae) 0.322，上周多空收益 1.40%，3月多空收益 3.66%，2026YTD多空收益 6.62%，2026年周胜率 9/11，上周多头超额 0.72%，3月多头超额 2.36%，2026YTD多头超额 2.72%，2026年多头周胜率 8/11[12] 4. **开盘后买入意愿强度因子**，历史IC 0.030，2026年IC 0.030，历史e^(-rank mae) 0.326，2026年e^(-rank mae) 0.328，上周多空收益 1.46%，3月多空收益 3.64%，2026YTD多空收益 6.07%，2026年周胜率 7/11，上周多头超额 0.72%，3月多头超额 1.33%，2026YTD多头超额 2.14%，2026年多头周胜率 6/11[12] 5. **开盘后大单净买入占比因子**，历史IC 0.035，2026年IC 0.027，历史e^(-rank mae) 0.322，2026年e^(-rank mae) 0.318，上周多空收益 0.47%，3月多空收益 1.38%，2026YTD多空收益 6.20%，2026年周胜率 10/11，上周多头超额 -0.08%，3月多头超额 -0.19%，2026YTD多头超额 1.29%，2026年多头周胜率 5/11[12] 6. **开盘后大单净买入强度因子**，历史IC 0.024，2026年IC 0.021，历史e^(-rank mae) 0.320，2026年e^(-rank mae) 0.317，上周多空收益 0.39%，3月多空收益 0.46%，2026YTD多空收益 4.15%，2026年周胜率 8/11，上周多头超额 0.05%，3月多头超额 0.04%，2026YTD多头超额 0.91%，2026年多头周胜率 7/11[12] 7. **改进反转因子**，历史IC 0.030，2026年IC 0.013，历史e^(-rank mae) 0.330，2026年e^(-rank mae) 0.329，上周多空收益 0.58%，3月多空收益 0.50%，2026YTD多空收益 2.56%，2026年周胜率 6/11，上周多头超额 0.81%，3月多头超额 -1.30%，2026YTD多头超额 1.65%，2026年多头周胜率 6/11[12] 8. **尾盘成交占比因子**，历史IC 0.025，2026年IC 0.019，历史e^(-rank mae) 0.322，2026年e^(-rank mae) 0.318，上周多空收益 0.39%，3月多空收益 0.47%，2026YTD多空收益 5.21%，2026年周胜率 8/11，上周多头超额 0.09%，3月多头超额 -0.44%，2026YTD多头超额 1.34%，2026年多头周胜率 7/11[12] 9. **平均单笔流出金额占比因子**，历史IC 0.007，2026年IC -0.022，历史e^(-rank mae) 0.317，2026年e^(-rank mae) 0.313，上周多空收益 -1.10%，3月多空收益 -1.96%，2026YTD多空收益 -4.85%，2026年周胜率 3/11，上周多头超额 -0.10%，3月多头超额 -0.69%，2026YTD多头超额 -1.72%，2026年多头周胜率 3/11[14] 10. **大单推动涨幅因子**，历史IC 0.018，2026年IC 0.002，历史e^(-rank mae) 0.325，2026年e^(-rank mae) 0.326，上周多空收益 -0.97%，3月多空收益 -0.20%，2026YTD多空收益 0.43%，2026年周胜率 5/11，上周多头超额 0.15%，3月多头超额 -0.77%，2026YTD多头超额 0.66%，2026年多头周胜率 7/11[14] 11. **改进 GRU(50,2)+NN(10)因子**，历史IC 0.065，2026年IC 0.022，历史e^(-rank mae) 0.336，2026年e^(-rank mae) 0.325，上周多空收益 0.23%，3月多空收益 0.10%，2026YTD多空收益 5.36%，2026年周胜率 8/11，上周多头超额 0.15%，3月多头超额 -0.96%，2026YTD多头超额 -0.60%，2026年多头周胜率 7/11[14] 12. **残差注意力 LSTM(48,2)+NN(10)因子**，历史IC 0.062，2026年IC 0.026，历史e^(-rank mae) 0.334，2026年e^(-rank mae) 0.323，上周多空收益 0.80%，3月多空收益 1.35%，2026YTD多空收益 5.68%，2026年周胜率 9/11，上周多头超额 0.03%，3月多头超额 -0.41%，2026YTD多头超额 0.80%，2026年多头周胜率 6/11[14] 13. **多颗粒度模型-5日标签因子**，历史IC 0.079，2026年IC 0.042，历史e^(-rank mae) 0.343，2026年e^(-rank mae) 0.335，上周多空收益 0.91%，3月多空收益 2.60%，2026YTD多空收益 10.22%，2026年周胜率 11/11，上周多头超额 0.82%，3月多头超额 2.04%，2026YTD多头超额 5.77%，2026年多头周胜率 10/11[14] 14. **多颗粒度模型-10日标签因子**，历史IC 0.072，2026年IC 0.041，历史e^(-rank mae) 0.342，2026年e^(-rank mae) 0.337，上周多空收益 0.71%，3月多空收益 3.06%，2026YTD多空收益 8.90%，2026年周胜率 9/11，上周多头超额 0.88%，3月多头超额 2.35%，2026YTD多头超额 5.59%，2026年多头周胜率 9/11[14] 模型的回测效果 （数据来源：表3，上周、3月、2026YTD口径[15]） 1. **AI空气值增模型（周度调仓）**，上周超额收益 1.72%，上周绝对收益 1.58%，3月超额收益 2.23%，3月绝对收益 -6.40%，2026YTD超额收益 6.00%，2026YTD绝对收益 8.38%，2026年周胜率 6/11[15] 2. **AI空气值增模型（日度调仓）**，上周超额收益 1.20%，上周绝对收益 1.07%，3月超额收益 1.02%，3月绝对收益 -7.61%，2026YTD超额收益 5.70%，2026YTD绝对收益 8.08%，2026年周胜率 6/11[15] 3. **中证500 AI增强宽约束模型（周度调仓）**，上周超额收益 -0.14%，上周绝对收益 -0.43%，3月超额收益 5.47%，3月绝对收益 -5.17%，2026YTD超额收益 2.56%，2026YTD绝对收益 6.20%，2026年周胜率 5/11[15] 4. **中证500 AI增强宽约束模型（日度调仓）**，上周超额收益 -1.45%，上周绝对收益 -1.74%，3月超额收益 0.46%，3月绝对收益 -10.17%，2026YTD超额收益 -4.16%，2026YTD绝对收益 -0.52%，2026年周胜率 5/11[15] 5. **中证500 AI增强严约束模型（周度调仓）**，上周超额收益 0.37%，上周绝对收益 0.08%，3月超额收益 3.84%，3月绝对收益 -6.79%，2026YTD超额收益 3.12%，2026YTD绝对收益 6.77%，2026年周胜率 7/11[15] 6. **中证500 AI增强严约束模型（日度调仓）**，上周超额收益 -0.07%，上周绝对收益 -0.36%，3月超额收益 2.03%，3月绝对收益 -8.60%，2026YTD超额收益 1.34%，2026YTD绝对收益 4.99%，2026年周胜率 6/11[15] 7. **中证1000 AI增强宽约束模型（周度调仓）**，上周超额收益 0.68%，上周绝对收益 0.20%，3月超额收益 4.14%，3月绝对收益 -5.37%，2026YTD超额收益 4.90%，2026YTD绝对收益 6.89%，2026年周胜率 7/11[15] 8. **中证1000 AI增强宽约束模型（日度调仓）**，上周超额收益 0.81%，上周绝对收益 0.34%，3月超额收益 2.55%，3月绝对收益 -6.96%，2026YTD超额收益 2.77%，2026YTD绝对收益 4.75%，2026年周胜率 5/11[15] 9. **中证1000 AI增强严约束模型（周度调仓）**，上周超额收益 0.23%，上周绝对收益 -0.25%，3月超额收益 2.75%，3月绝对收益 -6.77%，2026YTD超额收益 3.90%，2026YTD绝对收益 5.89%，2026年周胜率 8/11[15] 10. **中证1000 AI增强严约束模型（日度调仓）**，上周超额收益 0.16%，上周绝对收益 -0.31%，3月超额收益 2.01%，3月绝对收益 -7.50%，2026YTD超额收益 3.88%，2026YTD绝对收益 5.86%，2026年周胜率 7/11[15]

量化模型与构建方式 1. **模型名称：进取组合**；模型构建思路：基于多因子模型构建的积极型投资组合[7]；模型具体构建过程：报告未详细说明具体因子构成和加权方式，仅表明其为多因子模型下的“进取”风格组合[10][11] 2. **模型名称：平衡组合**；模型构建思路：基于多因子模型构建的平衡型投资组合[7]；模型具体构建过程：报告未详细说明具体因子构成和加权方式，仅表明其为多因子模型下的“平衡”风格组合[10][11] 3. **模型名称：沪深300指数增强组合**；模型构建思路：在沪深300指数成分股内，通过量化模型优选股票，旨在获取超越基准的超额收益[5][9]；模型具体构建过程：报告未详细说明具体的增强模型（如多因子模型、优化器约束等）[13][15] 4. **模型名称：中证500指数增强组合**；模型构建思路：在中证500指数成分股内，通过量化模型优选股票，旨在获取超越基准的超额收益[5][9]；模型具体构建过程：报告未详细说明具体的增强模型[13][15] 5. **模型名称：中证1000指数增强组合**；模型构建思路：在中证1000指数成分股内，通过量化模型优选股票，旨在获取超越基准的超额收益[5][9]；模型具体构建过程：报告未详细说明具体的增强模型[13][15] 6. **模型名称：绩优基金的独门重仓股组合**；模型构建思路：选取绩优基金持有的非主流重仓股（独门重仓股）构建组合，旨在获取基金经理的Alpha[5][9]；模型具体构建过程：报告未详细说明绩优基金的筛选标准、独门重仓股的定义及组合构建方法[28] 7. **模型名称：盈利、增长、现金流三者兼优组合**；模型构建思路：筛选在盈利能力、增长能力和现金流质量三个维度均表现优异的股票构建组合[7][30]；模型具体构建过程：报告未详细说明具体筛选指标（如ROE、营收增长率、经营性现金流等）及阈值[30] 8. **模型名称：PB-盈利优选组合**；模型构建思路：结合低市净率（PB）与高盈利能力的股票筛选逻辑，构建有基本面支撑的低估值组合[5][33]；模型具体构建过程：报告未详细说明PB与盈利指标（如ROE、净利润率）的具体结合方式（如排序打分、复合因子等）[33][36] 9. **模型名称：GARP组合**；模型构建思路：采用GARP（Growth at a Reasonable Price）策略，寻找价格合理的成长股[9][38]；模型具体构建过程：报告未详细说明具体的成长指标（如PEG）和估值指标的构建方法[38] 10. **模型名称：小盘价值优选组合1**；模型构建思路：在小市值股票中，优选具备价值特征的股票构建组合[7][39]；模型具体构建过程：报告未详细说明小盘和价值的具体定义及筛选方法[39] 11. **模型名称：小盘价值优选组合2**；模型构建思路：在小市值股票中，采用另一套价值优选逻辑构建组合[9][42]；模型具体构建过程：报告未详细说明与“组合1”差异化的具体构建方法[42] 12. **模型名称：小盘成长组合**；模型构建思路：在小市值股票中，优选具备高成长特征的股票构建组合[7][43]；模型具体构建过程：报告未详细说明小盘和成长的具体定义及筛选方法[43] 量化因子与构建方式 1. **因子名称：市值因子**；因子构建思路：基于股票的总市值或流通市值构建，通常认为小市值股票存在溢价[47]；因子具体构建过程：报告未给出具体计算公式，通常使用股票总市值的自然对数或分位数排名。多头组合为市值最小的10%股票，空头组合为市值最大的10%股票[47] 2. **因子名称：PB因子**；因子构建思路：基于市净率构建，衡量股票的估值水平[47]；因子具体构建过程：报告未给出具体计算公式，通常使用股价除以每股净资产。多头组合为PB最高的10%股票（高估值），空头组合为PB最低的10%股票（低估值）[47] 3. **因子名称：PE_TTM因子**；因子构建思路：基于滚动市盈率构建，衡量股票的估值水平[47]；因子具体构建过程：报告未给出具体计算公式，通常使用股价除以最近四个季度的每股收益之和。多头组合为PE_TTM最高的10%股票（高估值），空头组合为PE_TTM最低的10%股票（低估值）[47] 4. **因子名称：反转因子**；因子构建思路：基于股票过去一段时间的收益率构建，认为过去表现差的股票未来可能反弹，过去表现好的股票未来可能回调[51]；因子具体构建过程：报告未给出具体计算公式和回溯期。多头组合为过去一段时间收益率最低的10%股票，空头组合为收益率最高的10%股票[51] 5. **因子名称：换手率因子**；因子构建思路：基于股票的换手率构建，通常认为低换手率股票未来表现更优[51]；因子具体构建过程：报告未给出具体计算公式和计算窗口。多头组合为换手率最低的10%股票，空头组合为换手率最高的10%股票[51] 6. **因子名称：波动率因子**；因子构建思路：基于股票价格的波动率构建，通常认为低波动率股票风险调整后收益更优[51]；因子具体构建过程：报告未给出具体计算公式（如历史收益标准差）和计算窗口。多头组合为波动率最低的10%股票，空头组合为波动率最高的10%股票[51] 7. **因子名称：ROE因子**；因子构建思路：基于净资产收益率构建，衡量公司的盈利能力[56]；因子具体构建过程：报告未给出具体计算公式（如净利润/净资产）。多头组合为ROE最高的10%股票，空头组合为ROE最低的10%股票[56] 8. **因子名称：SUE因子**；因子构建思路：基于标准化未预期盈余构建，衡量公司盈利超出市场预期的程度[56]；因子具体构建过程：报告未给出具体计算公式。通常公式为 $$SUE = \frac{(EPS_{实际} - EPS_{预期})}{\sigma(EPS_{预期})}$$，其中EPS_实际为报告期每股收益，EPS_预期为市场一致预期，σ为预期标准差。多头组合为SUE最高的10%股票，空头组合为SUE最低的10%股票[56] 9. **因子名称：预期净利润调整因子**；因子构建思路：基于分析师对净利润预测的调整幅度构建，反映基本面预期的变化[56]；因子具体构建过程：报告未给出具体计算公式。通常计算近期分析师净利润预测上调幅度。多头组合为预期净利润上调幅度最大的10%股票，空头组合为下调幅度最大的10%股票[56] 模型的回测效果 （数据期间：2026年3月20日至2026年3月27日（周）、2026年2月27日至2026年3月27日（月）、2025年12月31日至2026年3月27日（年））[9] 1. **进取组合**，周绝对收益率2.27%，周超额收益（vs 中证500）2.56%，月绝对收益率-7.95%，月超额收益2.68%，年绝对收益率11.96%，年超额收益8.32%，年跟踪误差23.54%，年最大相对回撤6.14%[9] 2. **平衡组合**，周绝对收益率1.12%，周超额收益（vs 中证500）1.41%，月绝对收益率-7.46%，月超额收益3.18%，年绝对收益率9.87%，年超额收益6.22%，年跟踪误差19.41%，年最大相对回撤4.99%[9] 3. **沪深300增强组合**，周绝对收益率-0.66%，周超额收益（vs 沪深300）0.75%，月绝对收益率-6.60%，月超额收益-2.18%，年绝对收益率2.53%，年超额收益5.28%，年跟踪误差7.52%，年最大相对回撤4.04%[9] 4. **中证500增强组合**，周绝对收益率-0.47%，周超额收益（vs 中证500）-0.18%，月绝对收益率-9.74%，月超额收益0.90%，年绝对收益率3.06%，年超额收益-0.58%，年跟踪误差7.40%，年最大相对回撤3.17%[9] 5. **中证1000增强组合**，周绝对收益率-0.25%，周超额收益（vs 中证1000）0.23%，月绝对收益率-8.94%，月超额收益0.58%，年绝对收益率4.77%，年超额收益2.78%，年跟踪误差7.92%，年最大相对回撤2.32%[9] 6. **绩优基金的独门重仓股组合**，周绝对收益率0.78%，周超额收益（vs 股票型基金总指数）2.49%，月绝对收益率-12.53%，月超额收益-5.42%，年绝对收益率2.70%，年超额收益3.51%，年跟踪误差24.34%，年最大相对回撤8.70%[9] 7. **盈利、增长、现金流三者兼优组合**，周绝对收益率0.60%，周超额收益（vs 沪深300）2.01%，月绝对收益率-11.28%，月超额收益-6.86%，年绝对收益率-14.32%，年超额收益-11.57%，年跟踪误差15.71%，年最大相对回撤16.70%[9] 8. **PB-盈利优选组合**，周绝对收益率-0.09%，周超额收益（vs 沪深300）1.33%，月绝对收益率-4.47%，月超额收益-0.05%，年绝对收益率3.03%，年超额收益5.79%，年跟踪误差13.89%，年最大相对回撤3.40%[9] 9. **GARP组合**，周绝对收益率-1.26%，周超额收益（vs 沪深300）0.15%，月绝对收益率-8.22%，月超额收益-3.80%，年绝对收益率4.68%，年超额收益7.43%，年跟踪误差12.44%，年最大相对回撤5.81%[9] 10. **小盘价值优选组合1**，周绝对收益率1.96%，周超额收益（vs 微盘股指数）0.31%，月绝对收益率-6.16%，月超额收益1.29%，年绝对收益率5.45%，年超额收益-3.77%，年跟踪误差12.64%，年最大相对回撤9.26%[9] 11. **小盘价值优选组合2**，周绝对收益率0.64%，周超额收益（vs 微盘股指数）-1.01%，月绝对收益率-8.19%，月超额收益-0.74%，年绝对收益率8.89%，年超额收益-0.33%，年跟踪误差12.35%，年最大相对回撤5.84%[9] 12. **小盘成长组合**，周绝对收益率-0.35%，周超额收益（vs 微盘股指数）-2.00%，月绝对收益率-9.27%，月超额收益-1.82%，年绝对收益率3.49%，年超额收益-5.73%，年跟踪误差11.01%，年最大相对回撤7.41%[9] 因子的回测效果 （数据期间：2026年3月20日至2026年3月27日（周）、2026年2月27日至2026年3月27日（月）、2025年12月31日至2026年3月27日（年））[47][51][56] 1. **市值因子**，上周全市场多空收益2.51%[47]，上月全市场/沪深300/中证500/中证1000多空收益分别为-0.06%/-7.70%/8.42%/1.46%[47]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为6.09%/0.27%/-1.71%/-4.59%[48] 2. **PB因子**，上周全市场多空收益-0.62%[47]，上月全市场/沪深300/中证500/中证1000多空收益分别为5.30%/9.64%/5.72%/4.62%[47]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为3.74%/0.98%/2.01%/1.33%[48] 3. **PE_TTM因子**，上周全市场多空收益-0.32%[47]，上月全市场/沪深300/中证500/中证1000多空收益分别为2.83%/15.06%/8.90%/2.69%[47]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为2.40%/6.95%/1.27%/-1.32%[48] 4. **反转因子**，上周全市场多空收益-0.51%[51]，上月全市场/沪深300/中证500/中证1000多空收益分别为-1.09%/-0.21%/2.07%/-2.74%[54]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为-6.55%/-11.35%/-6.76%/-4.15%[54] 5. **换手率因子**，上周全市场多空收益0.27%[51]，上月全市场/沪深300/中证500/中证1000多空收益分别为5.79%/7.43%/14.33%/6.74%[54]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为6.09%/-2.47%/0.14%/5.31%[54] 6. **波动率因子**，上周全市场多空收益-1.57%[51]，上月全市场/沪深300/中证500/中证1000多空收益分别为4.08%/7.30%/8.51%/2.43%[54]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为2.11%/-1.42%/-5.56%/-0.93%[54] 7. **ROE因子**，上周全市场多空收益-1.34%[56]，上月全市场/沪深300/中证500/中证1000多空收益分别为-0.54%/2.69%/3.22%/-2.10%[56]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为1.55%/2.54%/3.35%/3.53%[57] 8. **SUE因子**，上周全市场多空收益0.46%[56]，上月全市场/沪深300/中证500/中证1000多空收益分别为0.15%/-4.02%/-0.81%/0.15%[56]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为2.40%/0.06%/-2.24%/0.88%[57] 9. **预期净利润调整因子**，上周全市场多空收益0.50%[56]，上月全市场/沪深300/中证500/中证1000多空收益分别为2.28%/5.97%/1.95%/1.04%[56]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为2.45%/8.00%/4.22%/-0.41%[57]

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，以预测未来收益[16] **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》[16] 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，计算下行波动在总波动中的占比，用以衡量风险[20] **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》[20] 3. **因子名称：开盘后买入意愿占比因子** **因子构建思路：** 基于开盘后一段时间内的交易数据，衡量买方意愿的强度[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》[24] 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，进一步衡量买方意愿的强度[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》[29] 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额中的占比[34] **因子具体构建过程：** 报告未提供详细构建公式 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] **因子具体构建过程：** 报告未提供详细构建公式 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，以更好地捕捉反转效应[44] **因子具体构建过程：** 报告未提供详细构建公式 8. **因子名称：尾盘成交占比因子** **因子构建思路：** 计算尾盘阶段成交量在日总成交量中的占比[48] **因子具体构建过程：** 报告未提供详细构建公式 9. **因子名称：平均单笔流出金额占比因子** **因子构建思路：** 衡量平均单笔卖出（流出）金额在总成交额中的占比[52] **因子具体构建过程：** 报告未提供详细构建公式 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] **因子具体构建过程：** 报告未提供详细构建公式 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（门控循环单元）神经网络结合全连接层（NN），从高频数据中提取预测信号[61] **因子具体构建过程：** 报告未提供详细的网络结构和训练过程 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：** 使用带有残差连接和注意力机制的LSTM（长短期记忆网络）结合全连接层，从高频数据中提取预测信号[65] **因子具体构建过程：** 报告未提供详细的网络结构和训练过程 13. **因子名称：多颗粒度模型-5日标签因子** **因子构建思路：** 使用双向AGRU（注意力门控循环单元）模型进行训练，以5日收益作为预测标签，构建选股因子[66] **因子具体构建过程：** 因子基于双向AGRU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：** 使用双向AGRU（注意力门控循环单元）模型进行训练，以10日收益作为预测标签，构建选股因子[70] **因子具体构建过程：** 因子基于双向AGRU训练得到[70] 15. **复合因子名称：深度学习因子（用于AI增强组合）** **因子构建思路：** 将两个多颗粒度模型因子进行等权复合，作为AI增强组合的预期收益来源[72] **因子具体构建过程：** 由“多颗粒度模型-10日标签”因子乘以0.5，加上“多颗粒度模型-5日标签”因子乘以0.5，复合而成[72] 量化模型与构建方式 1. **模型名称：周度/日度调仓的AI指数增强组合模型** **模型构建思路：** 基于复合深度学习因子预测的股票预期收益，在给定的约束条件下，通过优化求解构建指数增强组合，以最大化组合预期收益[72][75] **模型具体构建过程：** * **核心输入：** 股票预期超额收益（μi），由复合深度学习因子（多颗粒度模型-10日标签*0.5 + 多颗粒度模型-5日标签*0.5）生成[72]。 * **优化目标：** 最大化组合预期收益。目标函数为： $$max\sum\mu_{i}w_{i}$$[75] 其中，wi为股票i在组合中的权重，μi为股票i的预期超额收益[75]。 * **约束条件：** 根据不同组合类型（空气指增、中证500宽/严约束、中证1000宽/严约束）施加不同的风险控制约束，包括个股权重上限、行业偏离、市值暴露、风格因子（PB、ROE、SUE等）暴露、波动率控制、成分股权重约束以及换手率约束等[73][75]。 * **调仓与成本：** 分为周度调仓和日度调仓两种频率。回测假设以次日均价成交，并扣除双边3‰的交易成本[76]。 **模型评价：** 该模型通过深度学习因子捕捉Alpha，并利用严格的约束条件控制组合相对于基准指数的跟踪误差和风险暴露。 因子的回测效果 （数据来源：表2[12][14]，统计区间为上周、3月、2026年初至今（YTD）及2026年周胜率） 1. **日内高频偏度因子**，上周多空收益-0.24%，3月多空收益-0.03%，2026YTD多空收益4.27%，2026年周胜率7/10[12] 2. **日内下行波动占比因子**，上周多空收益-0.07%，3月多空收益0.94%，2026YTD多空收益6.76%，2026年周胜率7/10[12] 3. **开盘后买入意愿占比因子**，上周多空收益0.18%，3月多空收益2.26%，2026YTD多空收益5.22%，2026年周胜率8/10[12] 4. **开盘后买入意愿强度因子**，上周多空收益-0.45%，3月多空收益2.18%，2026YTD多空收益4.61%，2026年周胜率6/10[12] 5. **开盘后大单净买入占比因子**，上周多空收益0.33%，3月多空收益0.91%，2026YTD多空收益5.72%，2026年周胜率9/10[12] 6. **开盘后大单净买入强度因子**，上周多空收益0.43%，3月多空收益0.07%，2026YTD多空收益3.76%，2026年周胜率7/10[12] 7. **改进反转因子**，上周多空收益-0.72%，3月多空收益-0.08%，2026YTD多空收益1.98%，2026年周胜率5/10[12] 8. **尾盘成交占比因子**，上周多空收益0.72%，3月多空收益0.08%，2026YTD多空收益4.83%，2026年周胜率7/10[12] 9. **平均单笔流出金额占比因子**，上周多空收益0.55%，3月多空收益-0.86%，2026YTD多空收益-3.75%，2026年周胜率3/10[14] 10. **大单推动涨幅因子**，上周多空收益-0.33%，3月多空收益0.77%，2026YTD多空收益1.40%，2026年周胜率5/10[14] 11. **改进 GRU(50,2)+NN(10)因子**，上周多空收益0.61%，3月多空收益-0.13%，2026YTD多空收益5.13%，2026年周胜率7/10[14] 12. **残差注意力 LSTM(48,2)+NN(10)因子**，上周多空收益0.42%，3月多空收益0.55%，2026YTD多空收益4.88%，2026年周胜率8/10[14] 13. **多颗粒度模型-5日标签因子**，上周多空收益0.82%，3月多空收益1.68%，2026YTD多空收益9.31%，2026年周胜率10/10[14] 14. **多颗粒度模型-10日标签因子**，上周多空收益1.06%，3月多空收益2.35%，2026YTD多空收益8.19%，2026年周胜率8/10[14] 模型的回测效果 （数据来源：表3[15]，统计区间为上周、3月、2026年初至今（YTD）及2026年周胜率） 1. **AI空气指增模型（周度调仓）**，上周超额/绝对收益-0.12%/-5.47%，3月超额/绝对收益0.65%/-7.86%，2026YTD超额/绝对收益4.17%/6.70%，2026年周胜率5/10[15] 2. **AI空气指增模型（日度调仓）**，上周超额/绝对收益-0.78%/-6.12%，3月超额/绝对收益-0.08%/-8.59%，2026YTD超额/绝对收益4.41%/6.94%，2026年周胜率5/10[15] 3. **中证500 AI增强宽约束模型（周度调仓）**，上周超额/绝对收益1.43%/-4.40%，3月超额/绝对收益5.62%/-4.76%，2026YTD超额/绝对收益2.71%/6.66%，2026年周胜率5/10[15] 4. **中证500 AI增强宽约束模型（日度调仓）**，上周超额/绝对收益0.60%/-5.23%，3月超额/绝对收益1.79%/-8.58%，2026YTD超额/绝对收益-2.71%/1.24%，2026年周胜率5/10[15] 5. **中证500 AI增强严约束模型（周度调仓）**，上周超额/绝对收益0.35%/-5.47%，3月超额/绝对收益3.51%/-6.87%，2026YTD超额/绝对收益2.73%/6.68%，2026年周胜率6/10[15] 6. **中证500 AI增强严约束模型（日度调仓）**，上周超额/绝对收益0.31%/-5.52%，3月超额/绝对收益2.10%/-8.27%，2026YTD超额/绝对收益1.42%/5.37%，2026年周胜率6/10[15] 7. **中证1000 AI增强宽约束模型（周度调仓）**，上周超额/绝对收益0.79%/-4.46%，3月超额/绝对收益3.52%/-5.56%，2026YTD超额/绝对收益4.19%/6.67%，2026年周胜率6/10[15] 8. **中证1000 AI增强宽约束模型（日度调仓）**，上周超额/绝对收益-0.20%/-5.44%，3月超额/绝对收益1.81%/-7.27%，2026YTD超额/绝对收益1.92%/4.40%，2026年周胜率4/10[15] 9. **中证1000 AI增强严约束模型（周度调仓）**，上周超额/绝对收益0.57%/-4.68%，3月超额/绝对收益2.55%/-6.53%，2026YTD超额/绝对收益3.67%/6.15%，2026年周胜率7/10[15] 10. **中证1000 AI增强严约束模型（日度调仓）**，上周超额/绝对收益0.75%/-4.49%，3月超额/绝对收益1.87%/-7.21%，2026YTD超额/绝对收益3.72%/6.20%，2026年周胜率6/10[15]

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：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对市场进行综合刻画，并概括为“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”四大类，最终生成一个介于[-1,1]之间的综合择时分数[1][6] * 模型具体构建过程：首先，对每个单指标进行构建和标准化处理，将其转化为[-1, 0, 1]或连续标准化后的择时分数。然后，将六个维度的单指标分数汇总，形成每个维度的综合得分。最后，将六个维度的得分（或四大类得分）进一步综合，生成最终的[-1,1]区间内的市场择时观点[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：通过比较货币政策工具利率与短端市场利率相对于90天前的平均变化方向，来判断当前货币政策是宽松还是收紧[10] * 因子具体构建过程：选取央行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。若因子值>0，则判断货币政策宽松，发出看多信号（分数为1）；若因子值<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，通过计算短端市场利率相对于政策利率的偏离幅度，来表征货币环境的松紧强度[13] * 因子具体构建过程：计算偏离度 = DR007 / 7天逆回购利率 - 1，并对该偏离度进行平滑与z-score标准化，形成货币强度因子。若因子值 < -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；若因子值 > 1.5倍标准差，则预期未来120个交易日指标分数为-1；否则为中性，分数为0[13] 3. **因子名称：信用方向因子** * 因子构建思路：使用中长期贷款指标的同比变化方向，来表征商业银行对实体经济的信贷传导是趋于宽松还是收紧[16] * 因子具体构建过程：计算中长期贷款当月值在过去十二个月的增量，并计算其同比值作为信用方向因子。若该因子值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[16] 4. **因子名称：信用强度因子** * 因子构建思路：捕捉新增人民币贷款数据是否大幅超预期或不及预期，以衡量信用扩张的强度[20] * 因子具体构建过程：计算信用强度因子 = (新增人民币贷款当月值 – 预期中位数) / 预期标准差。若因子值 > 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；若因子值 < -1.5倍标准差，则未来60个交易日分数为-1；否则为中性，分数为0[20] 5. **因子名称：增长方向因子** * 因子构建思路：基于PMI数据的同比变化方向，来判断经济增长的趋势是向上还是向下[23] * 因子具体构建过程：选取中采制造业PMI、中采非制造业PMI、财新制造业PMI，计算其过去十二个月均值的同比值作为增长方向因子。若该因子值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PMI数据是否大幅超预期或不及预期，以衡量经济增长的强度[26] * 因子具体构建过程：计算PMI预期差 = (PMI – 预期中位数) / 预期标准差，作为增长强度因子。若因子值 > 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；若因子值 < -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：结合CPI和PPI的同比数据，判断通胀水平的变化方向，通胀下行通常为权益资产利好[29] * 因子具体构建过程：计算通胀方向因子 = 0.5 × CPI同比平滑值 + 0.5 × PPI同比原始值。若该因子值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CPI和PPI数据是否大幅超预期或不及预期，以衡量通胀的强度[32] * 因子具体构建过程：分别计算CPI与PPI的预期差 = (披露值 – 预期中位数) / 预期标准差，并取两者的均值作为通胀强度因子。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；若因子值 > 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** * 因子构建思路：使用经过周期调整的盈利（席勒PE）来计算股权风险溢价，以衡量股票相对于债券的长期估值性价比[34] * 因子具体构建过程：计算过去6年通胀调整后的平均盈利得到席勒PE，然后计算席勒ERP = 1/席勒PE - 10年期国债到期收益率。最后，计算该ERP值在过去6年时间窗口内的z-score作为分数[34] 10. **因子名称：PB因子** * 因子构建思路：使用市净率（PB）的倒数并标准化，作为衡量市场估值水平的指标[36] * 因子具体构建过程：将PB取相反数（PB × (-1)），并计算其过去6年时间窗口内的z-score，再用1.5倍标准差进行截尾处理，最后标准化到±1之间得到分数[36] 11. **因子名称：AIAE因子** * 因子构建思路：通过计算全市场权益资产配置比例，来反映市场整体的风险偏好水平[39] * 因子具体构建过程：构建A股的AIAE指标 = 中证全指总流通市值 / (中证全指总流通市值 + 实体总债务)。将该指标取相反数（AIAE × (-1)），并计算其过去6年时间窗口内的z-score得到分数[39] 12. **因子名称：两融增量因子** * 因子构建思路：通过比较融资融券余额的短期和长期平均增量，来判断杠杆资金的情绪和流向[42] * 因子具体构建过程：计算融资余额与融券余额的差值，并分别计算其过去120日的均增量和过去240日的均增量。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[42] 13. **因子名称：成交额趋势因子** * 因子构建思路：通过分析成交额均线系统的排列关系，来判断市场成交热度和资金活跃度的趋势[45] * 因子具体构建过程：计算对数成交额的均线距离 = ma120 / ma240 - 1。当该均线距离的 max(10日) = max(30日) = max(60日) 时，发出看多信号，分数为1；当 min(10日) = min(30日) = min(60日) 时，发出看空信号，分数为-1；否则为中性，分数为0[45] 14. **因子名称：中国主权CDS利差因子** * 因子构建思路：将中国主权CDS利差的变化作为海外投资者对中国经济基本面预期和外资流入意愿的代理变量[48] * 因子具体构建过程：对平滑后的CDS利差计算其20日差分。若20日差分 < 0，说明CDS利差下降，海外预期转好，此时看多，分数为1；反之看空，分数为-1[48] 15. **因子名称：海外风险厌恶指数因子** * 因子构建思路：使用花旗风险厌恶指数（Citi RAI Index）的变化来衡量海外市场的整体风险偏好，进而影响外资流向[51] * 因子具体构建过程：对平滑后的风险厌恶指数计算其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[51] 16. **因子名称：价格趋势因子** * 因子构建思路：结合均线距离的方向和强度，来综合判断市场中长期的价格运行趋势[53] * 因子具体构建过程：首先计算价格均线距离 = ma120 / ma240 - 1。方向判断：若均线距离 > 0，趋势方向分数 = 1，反之为 -1。强度判断：若均线距离的 max(20日) = max(60日)，趋势强度分数为1；若 min(20日) = min(60日)，趋势强度分数为-1。最终趋势综合分数 = (趋势方向分数 + 趋势强度分数) / 2[53] 17. **因子名称：新高新低数因子** * 因子构建思路：将指数成分股创一年新高与新低的个股数量差作为市场反转信号，新低过多预示可能见底，新高过多预示可能见顶[56] * 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的差值，并取20日移动平均。若该平滑后的差值 > 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[56] 18. **因子名称：期权隐含升贴水因子** * 因子构建思路：将期权市场隐含的标的未来升贴水作为反转指标，用于衡量市场情绪的拥挤度[60] * 因子具体构建过程：若50ETF近5日收益率 < 0，且该指标的历史分位数 < 30%，则发出看多信号，持续20日，分数为1；若50ETF近5日收益率 > 0，且指标分位数 > 70%，则发出看空信号，持续20日，分数为-1[60] 19. **因子名称：期权VIX因子** * 因子构建思路：将期权隐含波动率（VIX）作为市场恐慌情绪和未来波动预期的指标，高VIX往往预示市场反转[61] * 因子具体构建过程：若50ETF近5日收益率 < 0，且VIX指标的历史分位数 > 70%，则发出看多信号，持续20日，分数为1；若50ETF近5日收益率 > 0，且VIX指标分位数 > 70%，则发出看空信号，持续20日，分数为-1[61] 20. **因子名称：期权SKEW因子** * 因子构建思路：将期权隐含偏度（SKEW）作为市场情绪和未来分布偏度的指标，用于判断市场反转[65] * 因子具体构建过程：若50ETF近5日收益率 < 0，且SKEW指标的历史分位数 > 70%，则发出看多信号，持续20日，分数为1；若50ETF近5日收益率 > 0，且SKEW指标分位数 < 30%，则发出看空信号，持续20日，分数为-1[65] 21. **因子名称：可转债定价偏离度因子** * 因子构建思路：通过计算可转债实际价格与模型理论定价的偏离度，来反映通过可转债暴露权益弹性的资金的拥挤情绪[68] * 因子具体构建过程：计算可转债定价偏离度 = 转债价格 / 模型定价 - 1。将该偏离度取相反数，并计算其过去3年时间窗口内的z-score作为分数。定价偏离度越高，拥挤度越高，分数越低[68] 模型的回测效果 * 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、信息比率IR等）的具体数值。 因子的回测效果 * 本报告提供了全部21个单因子在报告当周（最新）的择时信号分数，具体取值如下[9]： 1. 货币方向因子，当前分数：1.00 2. 货币强度因子，当前分数：0.00 3. 信用方向因子，当前分数：1.00 4. 信用强度因子，当前分数：0.00 5. 增长方向因子，当前分数：-1.00 6. 增长强度因子，当前分数：-1.00 7. 通胀方向因子，当前分数：-1.00 8. 通胀强度因子，当前分数：-1.00 9. 席勒ERP因子，当前分数：0.05 10. PB因子，当前分数：-0.57 11. AIAE因子，当前分数：-0.80 12. 两融增量因子，当前分数：-1.00 13. 成交额趋势因子，当前分数：0.00 14. 中国主权CDS利差因子，当前分数：-1.00 15. 海外风险厌恶指数因子，当前分数：-1.00 16. 价格趋势因子，当前分数：1.00 17. 新高新低数因子，当前分数：-1.00 18. 期权隐含升贴水因子，当前分数：1.00 19. 期权VIX因子，当前分数：1.00 20. 期权SKEW因子，当前分数：1.00 21. 可转债定价偏离度因子，当前分数：-1.00