根据研报内容，现对其中涉及的量化因子进行总结如下： 量化因子与构建方式 **1 因子名称：估值偏离 EPD 因子** - **因子构建思路**：将CTA领域的布林带均值回复策略与基本面估值修复逻辑相结合，利用估值指标PE存在的均值回复特性构建因子[7] - **因子具体构建过程**：报告未提供EPD因子的具体计算公式和构建步骤，仅说明了其核心思想是基于PE的均值回复特性[7] **2 因子名称：缓慢偏离 EPDS 因子** - **因子构建思路**：为了剔除个股估值逻辑变化带来的影响，在截面上用EPD剔除个股估值逻辑被改变的概率（由个股信息比率代理）[7] - **因子具体构建过程**：报告未提供EPDS因子的具体计算公式和构建步骤，仅说明其是在EPD因子的基础上，通过剔除个股估值逻辑改变的概率而构造[7] **3 因子名称：估值异常 EPA 因子** - **因子构建思路**：在EPDS因子的基础上，进一步剔除影响"估值异常"逻辑的Beta、成长与价值风格，最终得到估值异常因子[7] - **因子具体构建过程**：报告未提供EPA因子的具体计算公式和构建步骤，但说明了其构建流程为EPD → EPDS → EPA的三步构建法[7] - **因子评价**：该因子结合了技术分析的均值回复特性和基本面估值修复逻辑，通过多步优化提升了因子的纯净度和有效性[7] 因子的回测效果 **1 EPD因子回测效果（2010年2月至2025年10月）** - 年化收益率：17.46%[2][8][12] - 年化波动率：9.92%[2][8][12] - 信息比率：1.76[2][8][12] - 月度胜率：70.37%[2][8][12] - 最大回撤率：8.93%[2][8][12] **2 EPDS因子回测效果（2010年2月至2025年10月）** - 年化收益率：16.03%[2][8][12] - 年化波动率：5.74%[2][8][12] - 信息比率：2.79[2][8][12] - 月度胜率：78.31%[2][8][12] - 最大回撤率：3.10%[2][8][12] **3 EPA因子回测效果（2010年2月至2025年10月）** - 年化收益率：17.15%[2][8][12] - 年化波动率：5.16%[2][8][12] - 信息比率：3.33[2][8][12] - 月度胜率：80.42%[2][8][12] - 最大回撤率：3.12%[2][8][12] **4 EPA因子历史回测效果（2010年1月至2022年5月）** - 月度RankIC均值：0.061[2] - RankICIR：4.75[2] - 年化收益率：18.29%[2] - 信息比率：3.76[2] - 胜率：86.99%[2] - 最大回撤率：1.53%[2] **5 EPA因子2025年10月表现** - 多头组合收益率：2.00%[2][15] - 空头组合收益率：-0.02%[2][15] - 多空对冲收益率：2.02%[2][15]

量化因子与构建方式 **1 因子名称：日与夜的殊途同归新动量因子** **因子构建思路：** 基于投资者交易行为的逻辑，将交易时段切割为日内与隔夜，分别探索各自的价量关系，并在此基础上构建新的动量因子[6][7] **因子具体构建过程：** 报告指出，该因子是在以往“动量因子切割”研究的基础上，加入“成交量”的信息进行构建的[7] 具体而言，基于日内与隔夜各自的价量关系，分别对日内因子、隔夜因子进行改进，再重新合成新的动量因子[1] **因子评价：** 选股能力显著优于传统动量因子[1] 该因子旨在提高传统动量因子在A股市场稳定性的方案之一[6] 因子的回测效果 **1 日与夜的殊途同归新动量因子** 在全体A股（剔除北交所股票）中，测试区间为2014年2月至2025年10月，10分组多空对冲的年化收益率为18.15%[1][7] 年化波动率为8.68%[1][7] 信息比率（IR）为2.09[1][7] 月度胜率为78.01%[1][7] 月度最大回撤率为9.07%[1][7] **2 日与夜的殊途同归新动量因子（历史回测期）** 在回测期2014/01/01-2022/07/31内，以全体A股为研究样本，新因子IC均值为-0.045[1] 年化ICIR为-2.59[1] 10分组多空对冲的年化收益率为22.64%[1] 信息比率为2.85[1] 月度胜率高达83.33%[1] 最大回撤率仅为5.79%[1] **3 日与夜的殊途同归新动量因子（2025年10月表现）** 在全体A股（剔除北交所股票）中，2025年10月份，10分组多头组合的收益率为0.85%[1][10] 10分组空头组合的收益率为-2.35%[1][10] 10分组多空对冲的收益率为3.20%[1][10]

根据提供的周报内容，以下是关于报告中涉及的量化模型和因子的总结。报告主要跟踪了基于特定风格（价值、成长、小盘）构建的Smart Beta投资组合的表现，但未详细披露底层因子或具体模型的构建公式与过程。其构建思路引用自另一份专题报告[6]。 量化模型与构建方式 1. **模型名称**：价值50组合模型[6] * **模型构建思路**：基于价值风格，以高Beta弹性为目标构建Smart Beta组合[6] * **模型具体构建过程**：报告未提供具体构建过程和公式，仅说明组合构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 2. **模型名称**：价值均衡50组合模型[6] * **模型构建思路**：基于价值风格，以长期稳健超额收益为目标构建Smart Beta组合[6] * **模型具体构建过程**：报告未提供具体构建过程和公式，仅说明组合构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 3. **模型名称**：成长50组合模型[6] * **模型构建思路**：基于成长风格，以高Beta弹性为目标构建Smart Beta组合[6] * **模型具体构建过程**：报告未提供具体构建过程和公式，仅说明组合构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 4. **模型名称**：成长均衡50组合模型[6] * **模型构建思路**：基于成长风格，以长期稳健超额收益为目标构建Smart Beta组合[6] * **模型具体构建过程**：报告未提供具体构建过程和公式，仅说明组合构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 5. **模型名称**：小盘50组合模型[6] * **模型构建思路**：基于小盘风格，以高Beta弹性为目标构建Smart Beta组合[6] * **模型具体构建过程**：报告未提供具体构建过程和公式，仅说明组合构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 6. **模型名称**：小盘均衡50组合模型[6] * **模型构建思路**：基于小盘风格，以长期稳健超额收益为目标构建Smart Beta组合[6] * **模型具体构建过程**：报告未提供具体构建过程和公式，仅说明组合构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 模型的回测效果 1. **价值50组合模型**[7] * 周收益率：0.55%[7] * 周超额收益（相对国证价值）：0.40%[7] * 月收益率：5.41%[7] * 月超额收益（相对国证价值）：2.19%[7] * 年收益率：16.22%[7] * 年超额收益（相对国证价值）：8.24%[7] * 最大相对回撤：5.19%[7] 2. **价值均衡50组合模型**[7] * 周收益率：2.28%[7] * 周超额收益（相对国证价值）：2.13%[7] * 月收益率：2.59%[7] * 月超额收益（相对国证价值）：-0.64%[7] * 年收益率：23.60%[7] * 年超额收益（相对国证价值）：15.62%[7] * 最大相对回撤：4.88%[7] 3. **成长50组合模型**[7] * 周收益率：0.08%[7] * 周超额收益（相对国证成长）：-0.06%[7] * 月收益率：-3.18%[7] * 月超额收益（相对国证成长）：-1.62%[7] * 年收益率：26.74%[7] * 年超额收益（相对国证成长）：-1.86%[7] * 最大相对回撤：8.59%[7] 4. **成长均衡50组合模型**[7] * 周收益率：1.52%[7] * 周超额收益（相对国证成长）：1.38%[7] * 月收益率：-1.75%[7] * 月超额收益（相对国证成长）：-0.20%[7] * 年收益率：31.07%[7] * 年超额收益（相对国证成长）：2.47%[7] * 最大相对回撤：12.15%[7] 5. **小盘50组合模型**[7] * 周收益率：-0.21%[7] * 周超额收益（相对国证2000）：-1.39%[7] * 月收益率：4.44%[7] * 月超额收益（相对国证2000）：4.88%[7] * 年收益率：45.27%[7] * 年超额收益（相对国证2000）：16.07%[7] * 最大相对回撤：10.89%[7] 6. **小盘均衡50组合模型**[7] * 周收益率：-0.50%[7] * 周超额收益（相对国证2000）：-1.68%[7] * 月收益率：0.78%[7] * 月超额收益（相对国证2000）：1.23%[7] * 年收益率：41.50%[7] * 年超额收益（相对国证2000）：12.30%[7] * 最大相对回撤：4.56%[7] 量化因子与构建方式 （报告未提及具体的底层量化因子及其构建细节[1][2][3][4][5][6][7]） 因子的回测效果 （报告未提供具体因子的测试结果[1][2][3][4][5][6][7]）

根据研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称：攻守兼备红利50组合**[13] * **模型构建思路**：该模型属于红利系列主动量化产品，旨在通过主动量化方法构建一个兼具防御性和成长性的红利投资组合[13] * **模型具体构建过程**：研报未详细说明该组合的具体选股因子和权重配置方法，仅提及其为红利系列产品之一，并具有“攻守兼备”的特性[13] 2. **模型名称：央国企高分红30组合**[13] * **模型构建思路**：该模型同样属于红利系列主动量化产品，聚焦于中央企业和国有企业，风格偏向“稳健+成长”，旨在从央国企中筛选高分红股票[13] * **模型具体构建过程**：研报未详细说明该组合的具体选股因子和权重配置方法，仅提及其为红利系列产品之一，并聚焦央国企高分红标的[13] 3. **模型名称：电子均衡配置增强组合**[13] * **模型构建思路**：该模型属于行业增强系列，聚焦电子板块，旨在通过量化方法对电子行业进行均衡配置，以获取超越基准的超额收益[13] * **模型具体构建过程**：研报未详细说明该组合的具体选股因子和权重配置方法[13] 4. **模型名称：电子板块优选增强组合**[13] * **模型构建思路**：该模型属于行业增强系列，聚焦电子板块，特别关注迈入成熟期的细分赛道龙头企业，旨在通过优选个股实现增强效果[13] * **模型具体构建过程**：研报未详细说明该组合的具体选股因子和权重配置方法，仅提及其聚焦于成熟期细分赛道的龙头企业[13] 模型的回测效果 1. **攻守兼备红利50组合**： * 2025年初以来相对中证红利全收益超额约7.35%[20] * 在全部红利类基金产品中绝对收益分位约32%[20] * 报告期内（2025年10月27日至10月31日）周度超额收益约0.85%（相对于中证红利全收益）[20] 2. **电子板块优选增强组合**： * 报告期内（2025年10月27日至10月31日）周度超额收益约0.42%[30] * 周度收益跑赢主动科技型基金产品中位数[30] （注：研报中未提供央国企高分红30组合和电子均衡配置增强组合在报告期内的具体回测指标取值[13]） 量化因子与构建方式 （研报中未详细提及具体的底层量化因子及其构建过程[1][5][6][12][13]） 因子的回测效果 （研报中未涉及具体因子的测试结果[1][5][6][12][13]）

量化模型与因子总结 量化因子与构建方式 1. **因子名称：大买大卖因子**[8] **因子构建思路**：通过统计指数成分股中所有大额买入和卖出成交单的总额，来反映市场中的大额交易活跃度，并预测其对指数短期走势的影响[8] **因子具体构建过程**： * 首先，定义“大单”：将每个交易日中，单笔成交量超过其过去一段时间滚动均值加1倍标准差的订单定义为大单[8] * 然后，在指数层面，对所有成分股在特定时间段内的大单成交额进行汇总[8] * 针对每个交易日，计算三种不同情境下的因子数值： * **全交易时段**：统计整个交易日的“大买大卖”成交额[8] * **剔除收盘**：剔除收盘前30分钟的交易数据后，统计“大买大卖”成交额[8] * **仅开盘**：仅统计开盘后30分钟内的“大买大卖”成交额[8] * 最后，对上述计算出的原始因子序列进行参数化处理，生成最终的参数化因子。具体方法是计算不同时间窗口的移动平均线之间的距离[9]。采用的均线参数组合（短期均线-长期均线）共有5组，分别为：MA5-MA10, MA5-MA20, MA10-MA20, MA10-MA40, MA10-MA60[9] 2. **因子名称：中小买大卖因子**[8] **因子构建思路**：通过统计指数成分股中所有中小额买入和卖出成交单的总额，来反映市场中中小资金的交易活跃度，并预测其对指数短期走势的影响[8] **因子具体构建过程**： * 首先，定义“中小单”：将每个交易日中，单笔成交量未超过其过去一段时间滚动均值加1倍标准差的订单定义为中小单[8] * 然后，在指数层面，对所有成分股在特定时间段内的中小单成交额进行汇总[8] * 针对每个交易日，计算三种不同情境下的因子数值，与大买大卖因子相同： * **全交易时段**[8] * **剔除收盘**[8] * **仅开盘**[8] * 最后，进行相同的参数化处理，计算5组均线距离：MA5-MA10, MA5-MA20, MA10-MA20, MA10-MA40, MA10-MA60[9] 3. **因子名称：大单净买入因子**[8] **因子构建思路**：通过计算指数层面的大单买入金额与大单卖出金额的差值，来反映主力资金的净流入或流出情况，并分析其与指数未来收益的关系[8] **因子具体构建过程**： * 首先，采用与大买大卖因子相同的“大单”定义标准[8] * 然后，在指数层面，计算所有成分股的大单买入总金额与大单卖出总金额的差值，即：大单净买入金额 = 大单买入总金额 - 大单卖出总金额[8] * 同样，针对每个交易日，计算三种不同情境下的因子数值：全交易时段、剔除收盘、仅开盘[8] * 最后，进行相同的参数化处理，计算5组均线距离：MA5-MA10, MA5-MA20, MA10-MA20, MA10-MA40, MA10-MA60[9] 4. **因子名称：复合策略因子**[60][62][65] **因子构建思路**：将多个在单因子测试中表现较好的高频资金流因子进行组合，通过设定不同的信号触发逻辑（激进或稳健），构建复合择时策略，以期获得比单因子更稳定、更优的风险收益表现[60][62][65] **因子具体构建过程**： * **因子选择**：根据单因子策略的回测结果，为每个宽基指数选取综合表现较好的几个因子进行组合。例如： * 沪深300：选择中小买大卖开盘（MA10-MA40）和中小买大卖剔除收盘（MA10-MA60）[63] * 中证500：选择中小买大卖开盘（MA10-MA40）和大买大卖开盘（MA10-MA60）[68] * 中证1000：选择中小买大卖开盘（MA10-MA40）和大买大卖开盘（MA10-MA40）[78] * **策略规则**：对选定的因子组合，设定四种不同的信号生成逻辑[62][65]： * **激进多头**：任意一个因子的标准化值大于阈值（默认为1），则发出做多信号；任意一个因子的标准化值小于0，则发出平仓信号；其余时间维持上一个信号[62] * **稳健多头**：所有因子的标准化值均大于阈值（默认为1），才发出做多信号；所有因子的标准化值均小于阈值，才发出平仓信号；其余时间维持上一个信号[65] * **激进多空**：任意一个因子的标准化值大于阈值，则发出做多信号；任意一个因子的标准化值小于0，则发出做空信号；所有因子的标准化值均位于0和阈值之间，则发出平仓信号；其余时间维持上一个信号[65] * **稳健多空**：所有因子的标准化值均大于阈值，才发出做多信号；所有因子的标准化值均小于0，才发出做空信号；所有因子的标准化值均位于0和阈值之间，则发出平仓信号；其余时间维持上一个信号[65] * **因子处理**：在策略构建前，对每个单因子采用40天滚动窗口进行Z-score标准化处理[60] **因子评价**：大买大卖和中小买大卖因子短期内与指数正相关，体现了资金的短期推动效应和市场活跃度，可能预示着超卖后的短期修复；长期则因均值回归效应相关性反转。大单净买入因子短期负相关可能源于超买后的短期下跌压力，但长期正相关则反映了主力资金的支撑作用[4][10][11][13]。资金流因子的最优参数集中在短线和中线的距离，这能有效捕捉高频交易行为带来的短期超额信号[27][32]。复合策略的整体表现，尤其是在收益稳定性上，要优于单因子策略[59][63][72][81][85] 模型的回测效果 1. **沪深300指数 - 单因子策略表现**[36][39] * **中小买大卖开盘因子 (MA10-MA40, 阈值1)**：年化收益率12.5%，年化波动率15.0%，夏普比率0.84，最大回撤-20.2%，年化超额收益7.4%[36] * **中小买大卖剔除收盘因子 (MA10-MA60, 阈值1)**：年化收益率12.5%，年化波动率14.7%，夏普比率0.85，最大回撤-24.4%，年化超额收益7.1%[36] * **大买大卖开盘因子 (MA10-MA40, 阈值1)**：年化收益率12.2%，年化波动率14.6%，夏普比率0.84，最大回撤-27.7%，年化超额收益7.2%[36] * **中小买大卖剔除收盘因子 (MA10-MA40, 阈值0.5, 多空)**：年化收益率17.6%，年化波动率20.5%，夏普比率0.86，最大回撤-25.5%，年化超额收益12.6%[39] * **大买大卖开盘因子 (MA10-MA60, 阈值1, 多空)**：年化收益率17.9%，年化波动率19.9%，夏普比率0.90，最大回撤-30.3%，年化超额收益12.6%[39] 2. **沪深300指数 - 复合策略表现**[64][67] * **激进多头策略**：年化收益率11.3%，年化波动率13.5%，夏普比率0.84，最大回撤-23.5%，年化超额收益6.3%[64] * **稳健多头策略**：年化收益率10.1%，年化波动率11.8%，夏普比率0.85，最大回撤-29.9%，年化超额收益5.1%[64] * **激进多空策略**：年化收益率17.2%，年化波动率20.5%，夏普比率0.84，最大回撤-32.1%，年化超额收益12.2%[64] * **稳健多空策略**：年化收益率15.1%，年化波动率18.4%，夏普比率0.82，最大回撤-32.5%，年化超额收益10.0%[64] 3. **中证500指数 - 单因子策略表现**[45][49] * **大买大卖开盘因子 (MA10-MA60, 阈值1)**：年化收益率10.6%，年化波动率17.8%，夏普比率0.60，最大回撤-32.0%，年化超额收益4.1%[45] * **中小买大卖开盘因子 (MA5-MA20, 阈值1)**：年化收益率11.7%，年化波动率17.9%，夏普比率0.66，最大回撤-37.7%，年化超额收益5.6%[45] * **中小买大卖剔除收盘因子 (MA10-MA60, 阈值1)**：年化收益率11.4%，年化波动率18.0%，夏普比率0.63，最大回撤-36.6%，年化超额收益4.8%[45] * **大买大卖开盘因子 (MA10-MA60, 阈值1, 多空)**：年化收益率18.2%，年化波动率22.2%，夏普比率0.82，最大回撤-28.5%，年化超额收益11.6%[49] * **中小买大卖开盘因子 (MA10-MA40, 阈值0.5, 多空)**：年化收益率18.5%，年化波动率23.5%，夏普比率0.79，最大回撤-46.8%，年化超额收益12.1%[49] 4. **中证500指数 - 复合策略表现**[69][76] * **激进多头策略**：年化收益率13.5%，年化波动率16.6%，夏普比率0.81，最大回撤-33.5%，年化超额收益6.8%[69] * **稳健多头策略**：年化收益率16.1%，年化波动率13.3%，夏普比率1.21，最大回撤-15.0%，年化超额收益9.4%[69] * **激进多空策略**：年化收益率16.1%，年化波动率23.4%，夏普比率0.69，最大回撤-53.3%，年化超额收益9.4%[69] * **稳健多空策略**：年化收益率17.6%，年化波动率20.5%，夏普比率0.86，最大回撤-27.8%，年化超额收益10.9%[69] 5. **中证1000指数 - 单因子策略表现**[53][57] * **中小买大卖开盘因子 (MA10-MA40, 阈值1)**：年化收益率12.6%，年化波动率17.8%，夏普比率0.71，最大回撤-42.7%，年化超额收益6.6%[53] * **中小买大卖开盘因子 (MA5-MA20, 阈值1)**：年化收益率11.7%，年化波动率17.9%，夏普比率0.66，最大回撤-37.7%，年化超额收益5.7%[53] * **大买大卖开盘因子 (MA10-MA40, 阈值1)**：年化收益率11.4%，年化波动率17.8%，夏普比率0.64，最大回撤-45.0%，年化超额收益5.4%[53] * **大买大卖开盘因子 (MA10-MA60, 阈值1, 多空)**：年化收益率18.2%，年化波动率22.2%，夏普比率0.82，最大回撤-28.5%，年化超额收益12.0%[57] * **中小买大卖开盘因子 (MA10-MA40, 阈值0.5, 多空)**：年化收益率18.5%，年化波动率23.5%，夏普比率0.79，最大回撤-46.8%，年化超额收益12.5%[57] 6. **中证1000指数 - 复合策略表现**[79][81][83] * **激进多头策略**：年化收益率12.1%，年化波动率18.5%，夏普比率0.65，最大回撤-50.3%，年化超额收益10.1%[79] * **稳健多头策略**：年化收益率19.7%，年化波动率15.4%，夏普比率1.28，最大回撤-18.1%，年化超额收益17.7%[79] * **激进多空策略**：年化收益率26.9%，年化波动率26.0%，夏普比率1.03，最大回撤-52.4%，年化超额收益24.9%[79] * **稳健多空策略**：年化收益率28.5%，年化波动率22.9%，夏普比率1.25，最大回撤-38.8%，年化超额收益26.5%[79]

核心观点 - 报告基于创新的投资期望模型（投资期望=胜率*赔率-（1-胜率））进行风格轮动分析，最新一期模型强烈推荐成长风格，其投资期望为0.32，远高于价值风格的-0.22 [4] - 历史回测显示，自2013年以来，该风格轮动模型策略年化收益率高达27.99%，夏普比率为1.04，表现显著优于单一风格及市场基准 [4][22] 赔率分析 - 赔率定义为平均正收益与平均负收益绝对值的比值，市场风格的相对估值水平是影响其预期赔率的关键因素，两者呈负相关关系 [2][9][14] - 根据最新估值差分位数计算，当前成长风格的赔率估计为1.08，价值风格的赔率估计为1.12 [2][14] - 相对估值水平通过计算风格组合的账面市值比之差，并经过全市场估值水平修正后的历史分位数来刻画 [11][12][13] 胜率分析 - 胜率由七个宏微观指标综合判断，当前五个指标指向成长风格，两个指标指向价值风格，成长风格胜率为63.24%，价值风格胜率为36.76% [3][19][20] - 宏观指标包括十年期国债收益率、美国六个月国债收益率、PMI、中长期贷款同比、CPI-PPI剪刀差；微观指标包括动量和强势股占比 [19][20] 近期市场表现与风格构建 - 上周全市场成长风格组合收益为4.58%，价值风格组合收益为2.24%，成长风格表现领先 [1][8] - 成长与价值风格组合通过因子合成构建，价值风格采用账面市值比和净利润市值比，成长风格采用净利润、营业利润和营业收入的同比增速，并经过市值中性化和标准化处理 [8]

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. 个人投资者交易因子 **因子名称**：个人投资者交易 **因子构建思路**：通过分析交易执行时的分以下价格特征来识别个人投资者的买卖订单，进而构建交易指标[22] **因子具体构建过程**： 1. 计算交易价格对应的美分部分： $$Z_{i t}=100\times m o d(P_{i t},0.01)$$ 其中$P_{it}$为股票的交易价格[23] 2. 若交易报告至FINRA的交易报告机构（交易所代码'D'），且$Z_{it}$落在区间(0.6, 1)内，识别为个人投资者买单；若$Z_{it}$落在(0, 0.4)区间内，识别为个人投资者卖单[24] 3. 将每日个人投资者买入股票的比例计算为：(个人买单−个人卖单)/流通股数[25] 4. 在不同时间区间上汇总该指标，跨度从3个月到3年不等[25] **因子评价**：个人投资者系统性错误交易，其交易行为与收益预测方向相反[5] 2. 机构交易因子 **因子名称**：机构交易 **因子构建思路**：基于SEC的13F和S12季度数据估算六类机构投资者的交易行为[30] **因子具体构建过程**： 1. 从Thomson Reuters记录的13F文件中获取机构持仓数据[31] 2. 将机构分为六种类型：共同基金、银行、保险公司、财富管理公司、对冲基金和"其他"机构[31] 3. 使用Brain Bushee提供的类型代码识别银行和保险公司[32] 4. 基于机构名称的文本标准将非银行、保险公司且无共同基金的机构分类为财富管理公司或对冲基金[32] 5. 计算每类机构持有的流通股百分比在3个月、1年和3年期间的变化[32] **因子评价**：机构投资者整体呈中性，其持仓背离预期收益，交易无法稳健预测未来收益[5] 3. 卖空者交易因子 **因子名称**：卖空者交易 **因子构建思路**：基于股票交易所报告的月末卖空头寸数据构建卖空者交易指标[33] **因子具体构建过程**： 1. 从Compustat获取月末卖空头寸信息[33] 2. 计算卖空者交易为卖空头寸的变化除以流通股数[33] 3. 对变量进行符号设定，使得卖空头寸的增加导致卖空者交易为负值，卖空头寸的减少导致卖空者交易为正值[33] **因子评价**：卖空者是"聪明资金"，善于利用公开信息，交易顺预期收益方向[5] 4. 公司交易因子 **因子名称**：公司交易 **因子构建思路**：以公司流通股的百分比变化来衡量公司交易行为[35] **因子具体构建过程**： 1. 用流通股数对股份变化（股票发行减去股票回购）进行缩放[35] 2. 对变量进行符号设定，使得公司交易的正值表示流通股减少（公司回购股票）[35] 3. 每月使用CRSP报告的经拆股和股票股利调整后的流通股数创建变量[35] **因子评价**：公司是最具信息优势的交易者，可能包含私有信息[5] 5. 净异象指数因子 **因子名称**：Net异象指数 **因子构建思路**：基于130个收益预测异象构建综合指标，衡量股票在异象投资组合中的暴露程度[38] **因子具体构建过程**： 1. 每月根据每个异象特征对股票进行排序[38] 2. 将每个异象策略的多头和空头端定义为排序产生的极端五分位数[38] 3. 对于指示变量类异象，根据指示变量的二进制值，只有多头端或空头端[38] 4. 创建异象指数Net：在给定月份中，一只股票所属的多头异象投资组合数量与空头异象投资组合数量之差[39] **因子评价**：Net指数高度持续，能有效区分极端五分位股票的异象暴露程度[40] 因子的回测效果 1. 个人投资者交易因子 - 1年期交易均值：0.03%[28] - 3年期交易均值：0.05%[28] - 3个月交易均值：0.00%[28] - 未来收益预测系数：负向显著[70] - 异象解释力R²：1年期11.51%，3年期18.10%[51] 2. 机构交易因子 **共同基金**： - 1年期交易均值：-0.09%[28] - 3年期交易均值：-0.41%[28] - 3个月交易均值：-0.08%[28] - 异象解释力R²：1年期1.95%，3年期3.89%[51] **银行**： - 1年期交易均值：-0.14%[28] - 3年期交易均值：-0.67%[28] - 3个月交易均值：-0.05%[28] - 未来收益预测系数：负向显著[67] - 异象解释力R²：1年期1.98%，3年期5.08%[51] **保险公司**： - 1年期交易均值：-0.04%[28] - 3年期交易均值：-0.17%[28] - 3个月交易均值：-0.01%[28] - 异象解释力R²：1年期1.66%，3年期2.14%[51] **财富管理公司**： - 1年期交易均值：0.09%[28] - 3年期交易均值：0.23%[28] - 3个月交易均值：0.02%[28] - 异象解释力R²：1年期0.27%，3年期0.60%[51] **对冲基金**： - 1年期交易均值：0.05%[28] - 3年期交易均值：0.42%[28] - 3个月交易均值：-0.01%[28] - 异象解释力R²：1年期0.51%，3年期1.56%[51] **其他机构**： - 1年期交易均值：1.42%[28] - 3年期交易均值：4.39%[28] - 3个月交易均值：0.29%[28] - 异象解释力R²：1年期2.10%，3年期4.56%[51] 3. 卖空者交易因子 - 1年期交易均值：-0.18%[28] - 3年期交易均值：-0.49%[28] - 3个月交易均值：-0.03%[28] - 未来收益预测系数：正向显著[67] - 异象解释力R²：1年期3.83%，3年期11.35%[51] 4. 公司交易因子 - 1年期交易均值：-3.92%[28] - 3年期交易均值：-11.40%[28] - 3个月交易均值：-0.87%[28] - 未来收益预测系数：正向显著[67] - 异象解释力R²：1年期21.99%，3年期32.22%[51] 5. 净异象指数因子 - Net均值：-1.27[28] - Net标准差：8.93[28] - 极端五分位差异：第1与第5五分位差18.8[39] - 未来收益预测系数：正向显著[67] - 持续性：高度持续，各五分位数在t-3至t+3期间保持稳定[40]

核心观点 - 报告期内（2025年10月13日至10月17日），高频选股因子整体继续表现疲弱，出现普遍回撤 [1][2] - 多粒度模型因子表现突出，实现显著反弹 [1][2] - AI增强组合持续反弹，其中严约束的中证1000指数增强组合在2025年内的超额收益创下新高，达到17.63% [1][2][5] 高频因子表现汇总 - 报告跟踪的十个高频因子在上周和2025年10月均录得负的多空收益，显示整体回撤态势 [5] - 具体来看，尾盘成交占比因子回撤幅度最大，上周多空收益为-1.57%，10月累计为-3.17% [5] - 改进反转因子上周多空收益为-1.05%，10月累计为-1.21% [5] - 然而，从2025年年初至今的表现看，多数因子仍保持正收益，例如开盘后买入意愿强度因子年内多空收益达23.09%，开盘后大单净买入占比因子为19.69% [5] - 平均单笔流出金额占比因子是唯一在年内录得负多空收益的因子，为-2.44% [5] 深度学习因子表现 - 深度学习因子表现出现分化：GRU(10,2)+NN(10)因子上周多空收益微跌-0.03%，10月累计为-0.55% [5] - 而GRU(50,2)+NN(10)因子则表现较好，上周多空收益为0.62%，年内累计高达43.14% [5] - 多粒度模型因子表现尤为强劲：基于5日标签的因子上周多空收益达2.04%，10月累计2.53%，年内累计高达55.62% [5] - 基于10日标签的多粒度因子同样出色，上周多空收益为1.14%，年内累计为50.35% [5] AI增强组合表现 - 所有AI增强组合在上周和10月均实现了正超额收益，呈现持续反弹 [5] - 中证500指数增强组合中：宽约束组合上周超额收益为3.51%，10月为4.71%，年内为4.65%；严约束组合上周为2.90%，10月为4.01%，年内为6.78% [5] - 中证1000指数增强组合表现更优：宽约束组合上周超额收益为3.20%，10月为5.02%，年内为12.94%；严约束组合上周为2.21%，10月为3.99%，年内高达17.63% [5] - 严约束组合在年内表现普遍优于宽约束组合，尤其是在中证1000指数上 [5] 因子分组收益特征 - 报告通过分组收益图展示了各因子在不同时间维度（上周、10月、2025年以来、2014年以来）的收益特征 [13][14][16][17][18][20][24][26][29][31][33][35][37][39][43][44][47][48][50][53][56][57][60][63][66][68] - 图表直观反映了因子在不同市场环境下的表现差异和稳定性，为因子选择提供了历史参考依据

根据研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称：利率价量多周期择时模型**[10][21][24] * **模型构建思路**：基于核回归算法捕捉利率趋势形态，刻画利率数据的支撑线和阻力线，根据不同投资周期下利率走势的形态突破情况，给出多周期复合择时观点[10][24] * **模型具体构建过程**： * 使用核回归算法对利率（YTM）时间序列进行平滑处理，以识别趋势并生成支撑线和阻力线[10] * 在长周期（平均切换频率为月度）、中周期（平均切换频率为双周度）和短周期（平均切换频率为周度）三个不同时间尺度上，分别判断当前利率是否向上突破阻力线或向下突破支撑线[10][21] * 综合三个周期的突破信号生成最终择时观点：当三个周期中有至少两个周期发出同向突破信号（例如，两个或以上周期为向下突破），且利率趋势非反向时，则产生明确的看多或看空信号；否则信号为中性[10][21][24] * 对于美国市场，模型逻辑类似，但最终信号会结合近期信号历史进行微调，例如“中性偏多”的判断[21] 2. **模型名称：利率多周期交易策略**[24][29] * **模型构建思路**：将上述利率价量多周期择时信号转化为具体的久期配置策略，通过在不同信号下超配或低配不同久期的债券组合来获取超额收益[24] * **模型具体构建过程**： * **投资标的**：根据模型久期偏好选择不同久期的债券指数[24] * 短久期：综合债1-3 (CBA00121) * 中久期：综合债3-5 (CBA00131) * 长久期：根据基础YTM期限对应选择（5年期YTM模型对应综合债5-7 (CBA00141)，10年期对应综合债7-10 (CBA00151)，30年期对应综合债10以上 (CBA00161)）[24] * **组合构建规则**[24][29]： * 看多信号（长久期）：当短、中、长周期中，有至少2个周期下的利率形态向下突破支撑线，且利率趋势非向上时，满配长久期；当条件满足但利率趋势向上时，配置1/2中久期+1/2长久期 * 看空信号（短久期）：当短、中、长周期中，有至少2个周期下的利率形态向上突破阻力线，且利率趋势非向下时，满配短久期；当条件满足但利率趋势向下时，配置1/2中久期+1/2短久期 * 中性信号：其余时间三种久期等权配置 * **业绩基准**：久期等权策略，即1/3短久期 + 1/3中久期 + 1/3长久期[29] * **止损方式**：当单日组合超额收益小于-0.5%时，调整持仓为等权配置[29] 量化因子与构建方式 1. **因子名称：利率水平结构因子**[7] * **因子构建思路**：从收益率曲线中提取出代表整体利率水平的信息[7] * **因子具体构建过程**：将1至10年的国债到期收益率（YTM）数据通过特定方法（报告中未明确给出具体公式，但提及是转化）计算出一个综合读数，用以衡量利率市场的整体水平[7] 2. **因子名称：利率期限结构因子**[7] * **因子构建思路**：从收益率曲线中提取出代表期限利差的信息[7] * **因子具体构建过程**：基于1至10年国债YTM数据，通过特定方法计算出一个代表长短期利差水平的读数[7] 3. **因子名称：利率凸性结构因子**[7] * **因子构建思路**：从收益率曲线中提取出代表曲线凸性程度的信息[7] * **因子具体构建过程**：基于1至10年国债YTM数据，通过特定方法计算出一个代表收益率曲线弯曲程度（凸性）的读数[7] 模型的回测效果 1. **基于5年期国债YTM价量的多周期交易策略**[25][37] * 长期年化收益率：5.5% (2007.12.31至今) * 长期最大回撤：2.88% * 长期收益回撤比：1.91 * 长期超额收益率（相对久期等权基准）：1.07% * 长期超额收益回撤比：0.62 * 短期年化收益率（2024年底以来）：1.86% * 短期最大回撤：0.59% * 短期收益回撤比：3.16 * 短期超额收益率：0.85% * 短期超额收益回撤比：2.17 * 逐年绝对收益胜率（2008年以来）：100% * 逐年超额收益胜率（2008年以来）：100% 2. **基于10年期国债YTM价量的多周期交易策略**[28][37] * 长期年化收益率：6.09% (2007.12.31至今) * 长期最大回撤：2.74% * 长期收益回撤比：2.22 * 长期超额收益率（相对久期等权基准）：1.66% * 长期超额收益回撤比：1.16 * 短期年化收益率（2024年底以来）：2.42% * 短期最大回撤：0.58% * 短期收益回撤比：4.19 * 短期超额收益率：1.55% * 短期超额收益回撤比：3.53 * 逐年绝对收益胜率（2008年以来）：100% * 逐年超额收益胜率（2008年以来）：100% 3. **基于30年期国债YTM价量的多周期交易策略**[33][37] * 长期年化收益率：7.38% (2007.12.31至今) * 长期最大回撤：4.27% * 长期收益回撤比：1.73 * 长期超额收益率（相对久期等权基准）：2.42% * 长期超额收益回撤比：0.87 * 短期年化收益率（2024年底以来）：3.11% * 短期最大回撤：0.92% * 短期收益回撤比：3.39 * 短期超额收益率：2.87% * 短期超额收益回撤比：3.28 * 逐年绝对收益胜率（2008年以来）：94.44% * 逐年超额收益胜率（2008年以来）：94.44% 因子的回测效果 （报告中未提供利率水平、期限、凸性结构因子的独立回测绩效指标）

根据研报内容，信息分布均匀度（UID）因子是核心内容，报告未涉及具体的量化模型，仅详细描述了该因子的构建与绩效。以下是总结： **量化因子与构建方式** 1. **因子名称**：信息分布均匀度因子（UID）[6] * **因子构建思路**：该因子是对传统换手率因子的改进，旨在利用个股的分钟数据，通过分析高频波动率来构建一个选股效果更优的因子[6] * **因子具体构建过程**：报告未提供UID因子的具体计算公式和构建步骤，仅提及它是借助涨跌幅的分钟数据，在计算每日高频波动率的基础上构造的[6] * **因子评价**：UID因子的选股效果大幅优于传统波动率因子，并且在剔除了市场常用风格和行业的干扰后，其纯净因子仍然具备不错的选股能力[1] **因子的回测效果** 1. **信息分布均匀度UID因子**（测试区间：2014年1月至2025年9月，全体A股，10分组多空对冲）[1][7][12] * 年化收益率：26.48% * 年化波动率：9.88% * 信息比率（IR）：2.68 * 月度胜率：78.72% * 月度最大回撤率：6.05% 2. **信息分布均匀度UID因子**（2025年9月，全体A股）[11] * 10分组多头组合收益率：1.84% * 10分组空头组合收益率：0.04% * 10分组多空对冲收益率：1.80%