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][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] * **模型具体构建过程**： * **趋势识别**：使用核回归算法对国债到期收益率（YTM）数据进行平滑处理，分别拟合出长周期、中周期和短周期下的趋势线（支撑线和阻力线）[10] * **信号生成**：判断当前YTM相对于各周期趋势线的位置，生成突破信号。信号类型包括“向上突破”、“向下突破”和“无信号”[10][13][17] * **信号合成**：对长、中、短三个周期的突破信号进行投票合成。具体规则为：若三个周期中有至少两个周期出现同向突破信号（例如，两个或以上周期为“向下突破”），则生成最终的看多或看空信号；否则可能生成中性信号或进行特殊配置[10][24][29] * **组合构建**：根据合成的最终信号配置不同久期的债券组合[24][29] * 看多信号（至少两个周期向下突破且趋势非向上）：满配长久期债券[24] * 看多信号但趋势向上：配置1/2中久期 + 1/2长久期[24] * 看空信号（至少两个周期向上突破且趋势非向下）：满配短久期债券[29] * 看空信号但趋势向下：配置1/2中久期 + 1/2短久期[29] * 其他情况：短、中、长久期等权配置[29] * **止损机制**：当单日组合超额收益小于-0.5%时，调整持仓为等权配置[29] * **模型评价**：该模型通过多周期共振机制过滤噪音，旨在提高信号的稳定性[10] 2. **因子名称：利率水平结构因子**[7] * **因子构建思路**：将1至10年的国债YTM数据转化为一个代表整体利率水平高低的指标，从均值回归视角进行评估[7] * **因子具体构建过程**：报告未详细说明该因子的具体计算公式，但指出其反映了利率的绝对水平，并通过历史分位数（如3年、5年、10年分位数）来衡量当前水平在历史中的位置[7] 3. **因子名称：利率期限结构因子**[7] * **因子构建思路**：捕捉不同期限国债收益率之间的利差，反映利率曲线的陡峭程度[7] * **因子具体构建过程**：报告未详细说明该因子的具体计算公式，但指出其读数代表了期限利差，并通过历史分位数进行评估[7] 4. **因子名称：利率凸性结构因子**[7] * **因子构建思路**：衡量利率曲线的弯曲程度，即凸性特性[7] * **因子具体构建过程**：报告未详细说明该因子的具体计算公式，但指出其读数代表了凸性结构，并通过历史分位数进行评估[7] 模型的回测效果 1. **基于5年期国债YTM的利率价量多周期择时模型** * 长期表现（2007年12月31日至今）：年化收益率5.5%，最大回撤2.88%，收益回撤比1.91，相对业绩基准的年化超额收益率1.07%，超额收益回撤比0.62，逐年绝对收益胜率100%，逐年超额收益胜率100%[25][37] * 短期表现（2024年底以来）：年化收益率1.86%，最大回撤0.59%，收益回撤比3.15，相对业绩基准的超额收益率0.86%[4][25] 2. **基于10年期国债YTM的利率价量多周期择时模型** * 长期表现（2007年12月31日至今）：年化收益率6.09%，最大回撤2.74%，收益回撤比2.23，相对业绩基准的年化超额收益率1.66%，超额收益回撤比1.16，逐年绝对收益胜率100%，逐年超额收益胜率100%[28][37] * 短期表现（2024年底以来）：年化收益率2.35%，最大回撤0.58%，收益回撤比4.07，相对业绩基准的超额收益率1.56%[4][28] 3. **基于30年期国债YTM的利率价量多周期择时模型** * 长期表现（2007年12月31日至今）：年化收益率7.38%，最大回撤4.27%，收益回撤比1.73，相对业绩基准的年化超额收益率2.42%，超额收益回撤比0.87，逐年绝对收益胜率94.44%，逐年超额收益胜率94.44%[33][37] * 短期表现（2024年底以来）：年化收益率2.98%，最大回撤0.92%，收益回撤比3.26，相对业绩基准的超额收益率2.87%[4][33] 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测试结果）

根据研报内容，现对其中涉及的量化模型与因子总结如下： 量化模型与构建方式 1. **模型名称：优秀基金业绩增强组合**[4][48][49] * **模型构建思路**：将对标基准从宽基指数转变为主动股基，在借鉴优秀基金持仓的基础上，采用量化方法进行增强，以达到优中选优、稳定战胜主动股基中位数的目的[4][48] * **模型具体构建过程**： 1. 优选基金：对基金进行优选，并对收益类因子进行分层中性化处理，以解决市场风格突变时的反转问题和持股风格集中化问题[48] 2. 构建优选基金持仓组合：根据业绩分层视角下的优选基金补全持仓构建组合，该组合能较好地跟踪股基中位数走势[48] 3. 组合优化增强：以优选基金持仓为选股空间和对标基准，采用组合优化的方法控制组合与优选基金持仓在个股偏离、行业偏离及风格上的偏离，构建最终组合[49] 2. **模型名称：超预期精选组合**[5][54] * **模型构建思路**：以业绩超预期事件为切入点，对超预期股票池进行基本面和技术面两个维度的精选，构建同时具备基本面支撑和技术面共振的股票组合[5][54] * **模型具体构建过程**： 1. 筛选超预期事件股票池：以研报标题出现“超预期”与分析师全线上调净利润为条件进行筛选[5][54] 2. 双层优选：对超预期股票池中的股票，进行基本面和技术面两个维度的精选[5][54] 3. 构建组合：挑选出符合条件的股票构建超预期精选股票组合[5] 3. **模型名称：券商金股业绩增强组合**[6][59] * **模型构建思路**：以券商金股股票池为基础，通过组合优化控制与基准的偏离，以期获得稳定战胜偏股混合型基金指数的表现[6][59] * **模型具体构建过程**： 1. 确定选股空间与基准：以券商金股股票池为选股空间和对标基准[6][59] 2. 组合优化控制偏离：采用组合优化的方式，控制组合与券商金股股票池在个股、风格上的偏离[6] 3. 构建组合：形成券商金股业绩增强组合[6] 4. **模型名称：成长稳健组合**[7][64] * **模型构建思路**：采用“先时序、后截面”的方式构建成长股二维评价体系，重点布局成长股超额收益释放的黄金期，以高效获取超额收益[7][64] * **模型具体构建过程**： 1. 筛选成长股股票池：以研报标题出现“超预期”及业绩大增为条件筛选成长股[7][64] 2. 时序分档：根据距离正式财报预约披露日的间隔天数进行分档，优先选择距离财报预约披露日较近的股票[7] 3. 截面精选：当样本数量较多时，采用多因子打分精选优质个股[7] 4. 构建组合：构建100只股票的等权组合，并引入弱平衡机制、跃迁机制、缓冲机制和风险规避机制以降低换手、规避风险[64] 模型的回测效果 1. **优秀基金业绩增强组合**[14][17][24][50][53] * 本周（2025.10.9-2025.10.10）绝对收益（考虑仓位）：-0.98%[14][17][24] * 本周相对偏股混合型基金指数超额收益：0.54%[14][17][24] * 本年（2025.1.2-2025.10.10）绝对收益（考虑仓位）：29.30%[14][17][24] * 本年相对偏股混合型基金指数超额收益：-4.01%[14][17][24] * 本年（截至2025.10.10）在主动股基中排名分位点：54.63%[14][17][24] * 全样本区间（2012.1.4-2025.6.30）年化收益（考虑仓位及费用）：20.31%[50][53] * 全样本区间相对偏股混合型基金指数年化超额收益：11.83%[50][53] 2. **超预期精选组合**[14][17][32][55][57] * 本周（2025.10.9-2025.10.10）绝对收益（考虑仓位）：0.22%[14][17][32] * 本周相对偏股混合型基金指数超额收益：1.74%[14][17][32] * 本年（2025.1.2-2025.10.10）绝对收益（考虑仓位）：47.41%[14][17][32] * 本年相对偏股混合型基金指数超额收益：14.10%[14][17][32] * 本年（截至2025.10.10）在主动股基中排名分位点：21.71%[14][17][32] * 全样本区间（2010.1.4-2025.6.30）年化收益（考虑仓位及费用）：30.55%[55][57] * 全样本区间相对偏股混合型基金指数年化超额收益：24.68%[55][57] 3. **券商金股业绩增强组合**[14][17][39][60][63] * 本周（2025.10.9-2025.10.10）绝对收益（考虑仓位）：-1.51%[14][17][39] * 本周相对偏股混合型基金指数超额收益：0.01%[14][17][39] * 本年（2025.1.2-2025.10.10）绝对收益（考虑仓位）：34.07%[14][17][39] * 本年相对偏股混合型基金指数超额收益：0.76%[14][17][39] * 本年（截至2025.10.10）在主动股基中排名分位点：44.42%[14][17][39] * 全样本区间（2018.1.2-2025.6.30）年化收益（考虑仓位及费用）：19.34%[60][63] * 全样本区间相对偏股混合型基金指数年化超额收益：14.38%[60][63] 4. **成长稳健组合**[1][14][17][43][65][68] * 本周（2025.10.9-2025.10.10）绝对收益（考虑仓位）：-0.08%[14][17][43] * 本周相对偏股混合型基金指数超额收益：1.44%[14][17][43] * 本年（2025.1.2-2025.10.10）绝对收益（考虑仓位）：54.84%[14][17][43] * 本年相对偏股混合型基金指数超额收益：21.53%[14][17][43] * 本年（截至2025.10.10）在主动股基中排名分位点：13.00%[14][17][43] * 全样本区间（2012.1.4-2025.6.30）年化收益（考虑仓位及费用）：35.51%[65][68] * 全样本区间相对偏股混合型基金指数年化超额收益：26.88%[65][68]

根据提供的研报内容，以下是关于量化因子和模型的详细总结： 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：利用股票日内高频收益的分布偏度特征来预测未来收益[11] 因子具体构建过程：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》[11] **2 因子名称：日内下行波动占比因子** 因子构建思路：通过分析已实现波动中下行波动的占比来选股[15] 因子具体构建过程：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》[15] **3 因子名称：开盘后买入意愿占比因子** 因子构建思路：基于开盘后的交易行为数据度量市场买入意愿[21] 因子具体构建过程：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：衡量开盘后买入意愿的强度水平[25] 因子具体构建过程：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》[25] **5 因子名称：开盘后大单净买入占比因子** 因子构建思路：分析开盘后大单净买入在总成交中的占比[28] **6 因子名称：开盘后大单净买入强度因子** 因子构建思路：度量开盘后大单净买入的强度[33] **7 因子名称：改进反转因子** 因子构建思路：在传统反转因子基础上进行优化改进[38] **8 因子名称：尾盘成交占比因子** 因子构建思路：利用尾盘成交在总成交中的占比信息[41] **9 因子名称：平均单笔流出金额占比因子** 因子构建思路：分析平均单笔流出金额的占比特征[47] **10 因子名称：大单推动涨幅因子** 因子构建思路：衡量大单交易对股价上涨的推动程度[52] **11 因子名称：改进GRU(50,2)+NN(10)因子** 因子构建思路：基于门控循环单元(GRU)和神经网络(NN)的深度学习模型[56] **12 因子名称：残差注意力LSTM(48,2)+NN(10)因子** 因子构建思路：结合残差注意力机制的长短期记忆网络(LSTM)模型[59] **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训练的多时间颗粒度模型[60] 因子具体构建过程：因子基于双向A-GRU训练得到[60] **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训练的多时间颗粒度模型[61] 因子具体构建过程：因子基于双向A-GRU训练得到[61] 量化模型与构建方式 **1 模型名称：中证500 AI增强宽约束组合** 模型构建思路：基于深度学习因子构建指数增强组合，采用较宽松的风险约束[65] 模型具体构建过程：优化目标为最大化预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$[66] 其中$w_i$为组合中股票i的权重，$\mu_i$为股票i的预期超额收益[66] **2 模型名称：中证500 AI增强严约束组合** 模型构建思路：基于深度学习因子构建指数增强组合，采用较严格的风险约束[65] 模型具体构建过程：优化目标为最大化预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$[66] **3 模型名称：中证1000 AI增强宽约束组合** 模型构建思路：基于深度学习因子构建指数增强组合，采用较宽松的风险约束[65] 模型具体构建过程：优化目标为最大化预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$[66] **4 模型名称：中证1000 AI增强严约束组合** 模型构建思路：基于深度学习因子构建指数增强组合，采用较严格的风险约束[65] 模型具体构建过程：优化目标为最大化预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$[66] 因子的回测效果 **1 日内高频偏度因子**：历史IC 0.027，2025年IC 0.043，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.329，9月多空收益4.61%，2025YTD多空收益17.00%，2025年月胜率6/9，9月多头超额2.15%，2025YTD多头超额5.55%，2025年多头月胜率5/9[8] **2 日内下行波动占比因子**：历史IC 0.025，2025年IC 0.037，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.326，9月多空收益3.44%，2025YTD多空收益14.16%，2025年月胜率7/9，9月多头超额0.72%，2025YTD多头超额1.58%，2025年多头月胜率5/9[8] **3 开盘后买入意愿占比因子**：历史IC 0.031，2025年IC 0.030，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.324，9月多空收益0.45%，2025YTD多空收益10.17%，2025年月胜率6/9，9月多头超额0.30%，2025YTD多头超额3.83%，2025年多头月胜率7/9[8] **4 开盘后买入意愿强度因子**：历史IC 0.035，2025年IC 0.030，历史e^(-rank mae) 0.326，2025年e^(-rank mae) 0.329，9月多空收益0.49%，2025YTD多空收益11.13%，2025年月胜率7/9，9月多头超额0.68%，2025YTD多头超额4.60%，2025年多头月胜率6/9[8] **5 开盘后大单净买入占比因子**：历史IC 0.041，2025年IC 0.036，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.324，9月多空收益2.09%，2025YTD多空收益16.20%，2025年月胜率8/9，9月多头超额0.58%，2025YTD多头超额8.16%，2025年多头月胜率8/9[8] **6 开盘后大单净买入强度因子**：历史IC 0.033，2025年IC 0.028，历史e^(-rank mae) 0.323，2025年e^(-rank mae) 0.322，9月多空收益1.59%，2025YTD多空收益12.01%，2025年月胜率8/9，9月多头超额1.21%，2025YTD多头超额6.55%，2025年多头月胜率8/9[8] **7 改进反转因子**：历史IC 0.032，2025年IC 0.016，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.331，9月多空收益-0.74%，2025YTD多空收益4.14%，2025年月胜率5/9，9月多头超额-0.17%，2025YTD多头超额4.07%，2025年多头月胜率6/9[8] **8 尾盘成交占比因子**：历史IC 0.049，2025年IC 0.032，历史e^(-rank mae) 0.332，2025年e^(-rank mae) 0.323，9月多空收益3.11%，2025YTD多空收益15.09%，2025年月胜率7/9，9月多头超额1.03%，2025YTD多头超额6.55%，2025年多头月胜率6/9[8] **9 平均单笔流出金额占比因子**：历史IC 0.020，2025年IC 0.009，历史e^(-rank mae) 0.317，2025年e^(-rank mae) 0.319，9月多空收益-0.86%，2025YTD多空收益3.22%，2025年月胜率5/9，9月多头超额0.56%，2025YTD多头超额3.43%，2025年多头月胜率7/9[8] **10 大单推动涨幅因子**：历史IC 0.016，2025年IC 0.011，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.327，9月多空收益2.62%，2025YTD多空收益7.76%，2025年月胜率7/9，9月多头超额1.48%，2025YTD多头超额3.63%，2025年多头月胜率6/9[8] 模型的回测效果 **1 中证500 AI增强宽约束组合**：上周超额收益-0.99%，9月超额收益-4.80%，2025YTD超额收益-0.06%，2025年周胜率23/40[11] **2 中证500 AI增强严约束组合**：上周超额收益-1.00%，9月超额收益-2.32%，2025YTD超额收益2.66%，2025年周胜率24/40[11] **3 中证1000 AI增强宽约束组合**：上周超额收益-1.48%，9月超额收益-1.06%，2025YTD超额收益7.53%，2025年周胜率26/40[11] **4 中证1000 AI增强严约束组合**：上周超额收益-0.79%，9月超额收益-0.12%，2025YTD超额收益13.11%，2025年周胜率25/40[11]

大类资产配置与择时 - 2025年第四季度宏观环境预测为Inflation，信用利差和期限利差均发出收窄信号 [4] - 2025年10月宏观动量模型对股票、黄金发出正向信号，对债券发出负向信号 [5] - 行业复合趋势因子组合自2015年1月至2025年9月累积收益达122.66%，超额收益为48.42%，2025年9月因子信号为正向，Wind全A当月收益率为2.80% [5] 半导体设备行业 - 美国众议院特别委员会报告旨在通过出口管制、技术封锁等手段遏制中国半导体产业发展，认为中国半导体产业崛起威胁美国国家安全 [9] - 应用材料、阿斯麦、科磊、泛林集团和东京电子五家公司占据全球半导体设备市场80%-85%的份额，2024年中国大陆半导体设备总支出达380亿美元 [9] - 特别委员会建议扩大对华设备出口禁令，将更多中国半导体公司列入实体清单，并限制全球晶圆厂使用中国制造的半导体设备 [11] - 中国半导体公司正积极购买先进的DUV光刻设备，国产替代空间巨大，优秀的前道设备及零部件企业有望伴随技术攻克和产线验证而成长 [9] 航空运输行业 - 2025年国庆中秋长假期间，全社会跨区域人员流动量日均同比增长6%，民航客运量同比增长超3%，其中国际地区航线客运量同比增长超一成 [16] - 长假期间国内航线含油票价同比上升，客座率同比上升超2个百分点，达到88%-90%的高位 [16] - 2025年第三季度航空业盈利预计同比增长，并有望超过2019年同期水平，9月公商需求旺盛驱动客座率大增且票价同比转升近2% [17] - 若公商需求恢复可持续，预计2026年中国航空业将开启盈利上行的“超级周期”，行业供给已进入低增长时代，供需将持续向好 [18][19]

根据研报内容，现对其中涉及的量化模型与因子进行总结如下： 量化模型与构建方式 1. **模型名称**：迭代因子选择模型[3] - **模型构建思路**：针对“因子动物园”问题，提出一种系统性的迭代选择策略，旨在以最少数量的因子捕捉绝大部分有效的定价信息[2][3] - **模型具体构建过程**：该模型从CAPM开始，在每一步迭代中，从剩余因子池中选择一个能最大程度提升当前模型解释力的因子加入模型，提升效果通过GRS统计量的下降幅度来衡量[3] - **步骤1**：设 l=0，以CAPM模型作为起点，解释因子动物园中除市场因子外的N个因子[25] $$f_{i}=\alpha_{i}+\beta_{m}r_{m}+\varepsilon_{i}\qquad i=1,\ldots,N\tag{1}$$ 其中，rm 是市场超额收益，N 是因子动物园中除市场因子外的因子数量[25] - **步骤2**：测试 N−l 个不同的增强因子模型，每个模型都将一个剩余的因子（标记为 ftest）添加到前一次迭代的模型中[26] $$f_{i}=\alpha_{i}+\beta_{m}r_{m}+\sum_{k=1}^{l}\beta_{k}f_{k}+\beta^{test}f^{test}+\varepsilon_{i}\qquad i=1,\ldots,N-l\,$$ - **步骤3**：根据解释力（由GRS统计量量化）对测试的因子模型进行排序，并选择最强的模型[26] - **步骤4**：设 l=l+1，并根据增强后的因子模型计算剩余显著因子alpha的数量 n(α)t>x[26] $n(\alpha)_{t>x}=|\{a_{i}\,|\,t(a_{i})>x\}|$$i=1,...,N-l$ 其中 x 是选定的显著性阈值（例如 t>1.96 或 t>3.00）[26][29] - **步骤5**：如果 n(α)t>x=0，即剩余因子的alpha在统计上与零无差异，则停止迭代；否则，返回步骤2继续[26] - **模型评价**：该方法能以最少的因子数量，系统性地捕捉因子动物园中的绝大部分有效信息，其有效性在美国及全球数据中均得到验证[3][4][71] 2. **模型名称**：GRS统计量评估模型[30] - **模型构建思路**：GRS统计量用于检验所有测试资产的alpha是否联合为零，是评估资产定价模型性能的标准工具[30] - **模型具体构建过程**：GRS检验统计量的计算基于测试资产alpha的最大化夏普比率平方和模型因子收益的最大化夏普比率平方[30] - 截距项的最大化夏普比率平方定义为： $$Sh^{2}(\alpha)=\alpha^{\dagger}\Sigma^{-1}\alpha\tag{4}$$ 其中 Σ=eτe/(τ−K−1)是回归残差 e 的协方差矩阵[30] - 给定模型因子的最大化夏普比率平方定义为： $$Sh^{2}(f)=\overline{f}^{\dagger}\Omega^{-1}\overline{f}\tag{5}$$ 其中 fˉ 是模型的平均因子收益，Ω=(f−fˉ)⊤(f−fˉ)/(τ−1)是模型因子的协方差矩阵[30] - GRS检验统计量计算为： $$F_{G R S}=\frac{\tau(\tau-N-K)}{N(\tau-K-1)}\,\frac{S h^{2}(\alpha)}{(1+S h^{2}(f))}$$ 且 FGRS∼F(N,τ−N−K)[30] 模型的回测效果 1. **迭代因子选择模型**（基于美国市值加权因子，样本期1971年11月至2021年12月）[31][32][40] - 当使用 t>3.00 的显著性阈值时，添加第15个因子后，剩余显著alpha的数量降至0[40][42] - 当使用 t>1.96 的显著性阈值时，总共需要18次迭代可使剩余alpha变得不显著[40][42] - 在包含相同数量因子的情况下，该迭代模型优于常见的学术因子模型（如Fama-French五因子、六因子模型等）[43][46] 2. **GRS统计量评估结果**（针对迭代因子选择过程）[40] - 起点CAPM模型的GRS统计量为4.36 (p值为0.00)，剩余显著因子数量（t>2阈值）为105个，（t>3阈值）为86个[40] - 添加第一个因子（cop_at）后，GRS统计量降至3.54，平均绝对alpha为年化3.94%[40] - 添加第二个因子（noa_grla）后，GRS统计量降至2.98，平均绝对alpha降至年化2.15%[40][41] - 添加第15个因子（rmax5_rvol_21d）后，GRS统计量降至1.19 (p值为0.09)[40] 量化因子与构建方式 1. **因子名称**：基于现金的营业利润与账面资产比率 (cop_at)[40] - **因子构建思路**：属于质量因子类别，在迭代选择过程中被识别为因子动物园中最强的因子[40][46] 2. **因子名称**：净经营资产变化 (noa_grla)[40] - **因子构建思路**：属于投资因子类别，在迭代选择过程中被识别为次强的因子[40] 3. **因子名称**：销售增长（1个季度）(saleq_gr1)[40] - **因子构建思路**：属于投资因子类别[40] 4. **因子名称**：内在价值与市值比 (ival_me)[40] - **因子构建思路**：属于价值因子类别[40] 5. **因子名称**：残差动量 t-12 至 t-1 (resff3_12_1)[40] - **因子构建思路**：属于动量因子类别[40] 6. **因子名称**：第6-10年滞后收益（年化）(seas_6_10an)[40] - **因子构建思路**：属于季节性因子类别[40] 7. **因子名称**：债务与市值比 (debt_me)[40] - **因子构建思路**：属于价值因子类别[40] 8. **因子名称**：第6-10年滞后收益（非年化）(seas_6_10na)[40] - **因子构建思路**：属于低风险因子类别[40] 9. **因子名称**：零交易天数（12个月）(zero_trades_252d)[40] - **因子构建思路**：属于低风险因子类别[40] 10. **因子名称**：当期营运资本变动 (cowc_grla)[40] - **因子构建思路**：属于应计项目因子类别[40] 11. **因子名称**：净非流动资产变动 (nncoa_grla)[40] - **因子构建思路**：属于投资因子类别[40] 12. **因子名称**：经营现金流与市值比 (ocf_me)[40] - **因子构建思路**：属于价值因子类别[40] 13. **因子名称**：零交易天数（1个月）(zero_trades_21d)[40] - **因子构建思路**：属于低风险因子类别[40] 14. **因子名称**：换手率 (turnover_126d)[40] - **因子构建思路**：属于低风险因子类别[40] 15. **因子名称**：过去五个最高日收益经波动率调整 (rmax5_rvol_21d)[40] - **因子构建思路**：属于短期反转因子类别，是使剩余显著alpha数量（t>3阈值）降为零的关键因子[40][42] 因子的回测效果 1. **关键因子集整体效果**（美国市场，前15个选定因子）[40][46] - 这15个因子源自13个因子风格类别中的8个，显示了因子集的异质性[17][46] - 该因子集能够解释美国市场153个因子的绝大部分收益信号，表明多数因子存在冗余[2][17] 2. **因子加权方案对比**（上限市值加权CW、市值加权VW、等权EW）[64][68][69] - **等权(EW)因子**：表现出更强且更多样的alpha，但需要超过30个因子才能覆盖因子动物园（t>2阈值）[4][64][69][70] - **上限市值加权(CW)因子**：需要约15个因子（t>3阈值）或18个因子（t>2阈值）来覆盖因子动物园[64][69][70] - **市值加权(VW)因子**：需要约18-19个因子（t>2阈值）来覆盖因子动物园[69][70] 3. **全球因子分析效果**（样本期1993年8月至2021年12月）[71][74] - 使用全球因子数据时，需要约11个因子（t>3阈值）或20多个因子（t>2阈值）来覆盖全球因子动物园[74] - 基于全球数据选出的因子模型对美国因子的解释力强于对美国以外全球因子的解释力，暗示国际因子蕴含更丰富的alpha信息[4][71][75]

根据研报内容，以下是关于量化因子和模型的总结： 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：基于股票日内高频收益的分布特征构建，捕捉收益分布的非对称性[13] - 因子具体构建过程：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》[13] **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，衡量下行波动在总波动中的占比[18] - 因子具体构建过程：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》[18] **3 因子名称：开盘后买入意愿占比因子** - 因子构建思路：基于开盘后的交易行为数据，衡量买入意愿的强度[22] - 因子具体构建过程：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》[22] **4 因子名称：开盘后买入意愿强度因子** - 因子构建思路：进一步量化开盘后买入意愿的强度水平[26] - 因子具体构建过程：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：分析开盘后大单净买入在总交易中的占比[30] **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水平[35] **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优化[40] **8 因子名称：尾盘成交占比因子** - 因子构建思路：分析尾盘成交在当日总成交中的占比[45] **9 因子名称：平均单笔流出金额占比因子** - 因子构建思路：衡量平均单笔流出金额的相对占比[51] **10 因子名称：大单推动涨幅因子** - 因子构建思路：分析大单交易对股价涨幅的推动作用[56] **11 因子名称：改进GRU(50,2)+NN(10)因子** - 因子构建思路：基于门控循环单元(GRU)和神经网络(NN)的深度学习模型[61] **12 因子名称：残差注意力LSTM(48,2)+NN(10)因子** - 因子构建思路：结合残差注意力机制的长短期记忆网络(LSTM)模型[62] **13 因子名称：多颗粒度模型-5日标签因子** - 因子构建思路：基于多时间颗粒度数据，使用5日收益标签训练[67] - 因子具体构建过程：因子基于双向AGRU训练得到[67] **14 因子名称：多颗粒度模型-10日标签因子** - 因子构建思路：基于多时间颗粒度数据，使用10日收益标签训练[68] - 因子具体构建过程：因子基于双向AGRU训练得到[68] 量化模型与构建方式 **1 模型名称：中证500 AI增强宽约束组合** - 模型构建思路：基于深度学习因子构建指数增强组合，采用相对宽松的约束条件[72] - 模型具体构建过程：优化目标为最大化预期收益，目标函数为$$max\sum\mu_{i}w_{i}$$，其中$w_i$为股票权重，$\mu_i$为预期超额收益[73] **2 模型名称：中证500 AI增强严约束组合** - 模型构建思路：基于深度学习因子构建指数增强组合，采用严格的约束条件[72] **3 模型名称：中证1000 AI增强宽约束组合** - 模型构建思路：基于深度学习因子构建指数增强组合，采用相对宽松的约束条件[72] **4 模型名称：中证1000 AI增强严约束组合** - 模型构建思路：基于深度学习因子构建指数增强组合，采用严格的约束条件[72] 因子的回测效果 **1 日内高频偏度因子**：历史IC 0.027，2025年IC 0.042，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.329，9月多空收益3.82%，2025YTD多空收益16.22%，2025年月胜率6/9，9月多头超额1.74%，2025YTD多头超额5.14%[9] **2 日内下行波动占比因子**：历史IC 0.025，2025年IC 0.036，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.326，9月多空收益2.86%，2025YTD多空收益13.58%，2025年月胜率7/9，9月多头超额0.55%，2025YTD多头超额1.41%[9] **3 开盘后买入意愿占比因子**：历史IC 0.032，2025年IC 0.030，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.324，9月多空收益0.68%，2025YTD多空收益10.39%，2025年月胜率6/9，9月多头超额0.54%，2025YTD多头超额4.07%[9] **4 开盘后买入意愿强度因子**：历史IC 0.035，2025年IC 0.030，历史e^(-rank mae) 0.326，2025年e^(-rank mae) 0.329，9月多空收益0.65%，2025YTD多空收益11.29%，2025年月胜率7/9，9月多头超额0.60%，2025YTD多头超额4.52%[9] **5 开盘后大单净买入占比因子**：历史IC 0.041，2025年IC 0.035，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.324，9月多空收益1.49%，2025YTD多空收益15.60%，2025年月胜率8/9，9月多头超额0.35%，2025YTD多头超额7.93%[9] **6 开盘后大单净买入强度因子**：历史IC 0.033，2025年IC 0.028，历史e^(-rank mae) 0.323，2025年e^(-rank mae) 0.322，9月多空收益0.88%，2025YTD多空收益11.30%，2025年月胜率8/9，9月多头超额0.80%，2025YTD多头超额6.14%[9] **7 改进反转因子**：历史IC 0.032，2025年IC 0.016，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.331，9月多空收益-0.81%，2025YTD多空收益4.07%，2025年月胜率5/9，9月多头超额-0.63%，2025YTD多头超额3.61%[9] **8 尾盘成交占比因子**：历史IC 0.049，2025年IC 0.030，历史e^(-rank mae) 0.332，2025年e^(-rank mae) 0.323，9月多空收益2.13%，2025YTD多空收益14.11%，2025年月胜率7/9，9月多头超额0.58%，2025YTD多头超额6.10%[9] **9 平均单笔流出金额占比因子**：历史IC 0.020，2025年IC 0.009，历史e^(-rank mae) 0.317，2025年e^(-rank mae) 0.318，9月多空收益-0.48%，2025YTD多空收益3.59%，2025年月胜率5/9，9月多头超额0.80%，2025YTD多头超额3.67%[9] **10 大单推动涨幅因子**：历史IC 0.016，2025年IC 0.010，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.327，9月多空收益2.23%，2025YTD多空收益7.36%，2025年月胜率7/9，9月多头超额1.19%，2025YTD多头超额3.34%[9] 模型的回测效果 **1 中证500 AI增强宽约束组合**：上周超额收益-1.36%，9月超额收益-3.85%，2025YTD超额收益0.94%，2025年周胜率23/39[13] **2 中证500 AI增强严约束组合**：上周超额收益-1.35%，9月超额收益-1.33%，2025YTD超额收益3.70%，2025年周胜率24/39[13] **3 中证1000 AI增强宽约束组合**：上周超额收益0.40%，9月超额收益0.42%，2025YTD超额收益9.15%，2025年周胜率26/39[13] **4 中证1000 AI增强严约束组合**：上周超额收益-0.19%，9月超额收益0.67%，2025YTD超额收益14.01%，2025年周胜率25/39[13]

新能源与AI系列 - 会议主题为新能源+AI系列分享的第二场 将于9月29日周一15:30举行 [1][22] - 主讲人为刘强 其身份是院长助理兼电力设备与新能源行业首席分析师 [1][22] - 参会密码为236587 [1][4] 行业配置模型 - 会议主题为行业配置模型回顾与更新系列的第十二场 将于9月29日周一21:30举行 [1][22] - 主讲人为刘晓锋 其身份是金融工程首席分析师 [1][22] - 参会密码为765908 [1][10] 电子行业投资观点 - 会议主题为电子行业10月投资观点交流 将于9月30日周二15:00举行 [1][12][20] - 主讲人为张世杰 其身份是电子行业首席分析师 [1][13][20] - 参会密码为091147 [1][15][20] 食品饮料行业新股解读 - 会议主题为老乡鸡新股深度解读 将于10月10日周五15:00举行 [1][15][20] - 主讲人为郭梦婕和林叙希 身份分别是食品饮料行业首席分析师和食品饮料行业分析师 [1][20] - 参会密码为721188 [1][18][20]

研究报告系列概览 - 广发金融工程团队发布了两个主要系列的专题研究报告：CTA系列（共33篇）和衍生品系列（共34篇）[2][3] - CTA系列报告专注于股指期货的量化交易策略，涵盖趋势跟随、模式识别、遗传算法、深度学习等多种方法论，例如基于混沌理论的噪声趋势交易策略和基于大数据深度学习的日内交易策略[2] - 衍生品系列报告深度覆盖期权领域，内容从基础知识指南、套利策略、定价模型到波动率交易及应用研究，例如期权套利策略研究、BSM及其改进版期权定价模型、以及期权在公募基金中的应用[3] 研究团队构成 - 研究团队由联席首席分析师陈原文领导，其研究方向为全覆盖[4] - 团队核心成员包括资深分析师张超（研究方向：量化择时、CTA策略）、李豪（研究方向：资产配置与基金产品研究）、周飞鹏（研究方向：因子选股与资产配置）和张钰东（研究方向：量化策略）[4][5][6] - 团队近期新增资深分析师王小康，其研究方向为量化选股[7]

核心观点 - 上周（2025-09-15至2025-09-19）受国内权益资产震荡影响，多数资产配置策略录得小幅下跌，但全球资产风险平价模型实现正收益 [1][4] - 报告跟踪的多种量化配置模型在2025年均实现了正收益，其中基于宏观因子的资产配置模型年内收益达3.25% [4] - 预计伴随市场新主线的选择与确立，后续动量模型仍有超额表现空间 [4] 大类资产表现跟踪 - 上周全球主要资产表现分化：标普500指数上涨1.37%，恒生指数上涨0.89%，南华商品指数上涨0.24%，中证1000指数上涨0.21%，企业债总财富指数微涨0.02% [4][7] - 部分资产出现下跌：中证转债指数下跌1.55%，SHFE黄金下跌0.77%，沪深300指数下跌0.44%，国债总财富指数微跌0.01% [4][7] 大类资产配置策略跟踪 - 量化配置团队针对全球与国内市场，开发了Black-Litterman模型、风险平价模型和基于宏观因子的资产配置模型三类基础模型 [10] BL模型策略跟踪 - BL模型是传统均值-方差模型的改进，采用贝叶斯理论将主观观点与量化配置结合，解决了对预期收益敏感的问题 [12] - 国内资产BL模型1上周收益为-0.04%，2025年以来收益为3.35%，年化波动2.19%，最大回撤1.31% [4][15] - 国内资产BL模型2上周收益为-0.04%，2025年以来收益为2.95%，年化波动1.98%，最大回撤1.06% [4][15] - 全球资产BL模型1上周收益为-0.01%，2025年以来收益为0.80%，年化波动1.99%，最大回撤1.64% [4][15] - 全球资产BL模型2上周收益为-0.03%，2025年以来收益为1.84%，年化波动1.65%，最大回撤1.28% [4][15] 风险平价模型策略跟踪 - 风险平价模型核心思想是使每类资产对投资组合的整体风险贡献相等 [18] - 国内资产风险平价模型上周收益为-0.02%，2025年以来收益为3.05%，年化波动1.36%，最大回撤0.76% [4][21] - 全球资产风险平价模型上周收益为0.05%，是报告中唯一上周实现正收益的策略，2025年以来收益为2.57%，年化波动1.50%，最大回撤1.20% [4][21] 基于宏观因子的资产配置策略 - 该策略构建了涵盖增长、通胀、利率、信用、汇率和流动性六大风险的宏观因子体系，将宏观主观观点进行资产层面落地 [22] - 在2025年08月底，对增长、通胀、利率、信用、汇率和流动性设置的偏离值分别为0、0、-1、0、1和0 [25] - 基于宏观因子的资产配置模型上周收益为-0.10%，2025年以来收益为3.25%，年化波动1.33%，最大回撤0.64% [4][27]

核心观点 - 传媒互联网行业呈现AI技术突破与影视内容复苏双重驱动 百度文心新模型登顶Hugging Face榜首 电影《731》上映3天票房近10亿元[6][7][8] - 丽珠集团创新转型成效显著 2025年上半年归母净利润同比增长9.4% IL-17A/F单抗临床3期数据优效于司库奇尤单抗[9][10][11][12] - 金融工程监测显示主要股指期货合约处于贴水状态 中证1000指数期货年化贴水达12.52%[13][14] - 全球市场表现分化 A股市场主要指数普遍上涨 创业板综指单日涨幅1.84%[2][19] 市场表现 - 2025年9月24日A股主要指数全线上涨 上证综指收3853.64点涨0.83% 深证成指收13356.14点涨1.80% 创业板综指涨1.84% 科创50指数表现突出涨3.49%[2] - 市场成交活跃 沪深两市合计成交金额达23267.83亿元 其中沪市10157.07亿元 深市13110.76亿元[2] - 全球市场表现分化 恒生指数涨1.37% 道琼斯指数持平 纳斯达克指数跌0.48% 日经225指数跌0.4%[5][19] 传媒互联网行业 - 传媒板块本周上涨0.38% 跑赢沪深300指数1.39个百分点 但跑输创业板指0.84个百分点 行业涨跌幅在全部板块中排名第12位[6] - 百度文心新模型ERNIE-4.5-21B-A3B-Thinking登顶Hugging Face榜首 腾讯发布混元3D 3.0模型提升3D建模精度 阿里云开源30B参数轻量级模型通义DeepResearch[7] - 电影市场表现强劲 《731》上映3天票房达10.65亿元 占比87.9% 带动本周电影总票房12.12亿元[7][8] - 游戏行业亮点突出 2025年8月中国手游收入前三名为点点互动《Whiteout Survival》、点点互动《Kingshot》和柠檬微趣《Gossip Harbor：Merge&Story》[8] 公司研究：丽珠集团 - 2025年上半年营收62.72亿元同比微降0.2% 但归母净利润12.81亿元同比增长9.4% 扣非归母净利润12.58亿元增长8.9%[9] - 二季度业绩改善明显 营收30.91亿元同比增长1.7% 归母净利润6.44亿元增长14.4% 扣非归母净利润6.40亿元增长13.2%[9] - 分业务板块表现：化学制剂销售收入32.70亿元增长1.4% 毛利率81.17% 中药制剂收入7.99亿元增长7.3% 原料药及中间体收入16.62亿元下降5.7%[10] - 创新药研发取得重大突破 IL-17A/F单抗LZM012治疗银屑病临床3期数据优效于司库奇尤单抗 已提交上市前沟通交流申请[11][12] 金融工程分析 - 截至2025年9月24日 主要指数成分股分红进度：沪深300指数中174家公司已完成分红 69家处于预案阶段 上证50指数已实现股息率2.20% 剩余股息率0.57%[13] - 行业股息率比较显示煤炭、银行和钢铁行业股息率排名前三[13] - 股指期货升贴水监测：IH主力合约年化升水2.47% IF主力合约年化贴水1.71% IC主力合约年化贴水8.34% IM主力合约年化贴水12.52%[14] 资金流向 - A股资金流入前十包括豪威集团涨3.92%、东方财富涨1.26%、北方华创涨停 流出前十中药明康德涨0.24%、工业富联跌3.16%[21][22] - 港股资金流向显示信达生物流入4.02亿港元 阿里巴巴-W流出99.15亿港元 腾讯控股流入44.25亿港元[22] 商品及宏观经济 - 商品期货表现分化 黄金涨0.84%至854.98美元 白银涨0.80%至10356美元 ICE布伦特原油涨1.59%至67.63美元[15] - 2024年11月宏观经济数据显示PPI同比下降2.9% CPI同比99.4% M1货币同比-0.0% 贸易顺差97443.13亿美元[16]