量化模型与构建方式 1. **模型名称：利率市场结构指标（水平、期限、凸性结构）**[1][7] * **模型构建思路**：将1至10年期国债的到期收益率（YTM）数据，通过数学变换分解为三个独立的成分，分别代表利率的绝对水平、期限利差和凸性结构，用以从均值回归视角评估市场状态[1][7]。 * **模型具体构建过程**：报告未提供具体的数学变换公式，但描述了构建结果。将1-10年期国债YTM序列转化为三个指标： 1. **水平结构**：代表利率的绝对水平，当前读数约为1.6%[7]。 2. **期限结构**：代表长短期利率之差（期限利差），当前读数约为0.6%[7]。 3. **凸性结构**：代表收益率曲线弯曲程度（凸性），当前读数约为0.14%[7]。 随后，计算各指标在滚动历史窗口（3年、5年、10年）内的分位数，以判断其相对位置[7]。 2. **模型名称：利率价量多周期择时模型**[2][6][11] * **模型构建思路**：采用核回归算法识别利率（国债YTM）历史走势的形态，刻画支撑线和阻力线，并根据长、中、短三种不同投资周期下价格对支撑/阻力线的突破情况，进行多周期信号综合，生成最终的择时观点（看多/看空）[11]。 * **模型具体构建过程**： 1. **趋势形态识别**：使用核回归算法对利率时间序列进行平滑，拟合出趋势线，并据此确定支撑线和阻力线。具体算法细节引用自前期报告《形态识别算法在利率择时中的应用》[11]。 2. **多周期信号生成**：在长周期（平均切换频率为月度）、中周期（双周度）和短周期（周度）三个时间维度上，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[11][21]。 3. **信号综合评分**：统计三个周期中“下行突破”和“上行突破”的票数。若同向突破（同为下行或同为上行）的总票数达到或超过2票（即2/3），则生成相应的看多（下行突破≥2票）或看空（上行突破≥2票）信号[6][11][17]。 3. **模型名称：利率价量多周期交易策略**[4][24][25][28][33] * **模型构建思路**：以上述多周期择时模型产生的信号为基础，通过在不同久期债券组合（短、中、长久期）之间进行轮动配置，构建主动交易策略，旨在获取超越等权配置基准的超额收益[24]。 * **模型具体构建过程**： 1. **投资标的**：根据策略久期偏好选择不同的债券指数： * 短久期：综合债1-3 (CBA00121) * 中久期：综合债3-5 (CBA00131) * 长久期：根据择时信号来源分别对应：5年期模型用综合债5-7 (CBA00141)，10年期模型用综合债7-10 (CBA00151)，30年期模型用综合债10以上 (CBA00161)[24]。 2. **交易信号与仓位配置规则**： * 当**看多信号**（利率向下突破）出现时： * 若利率趋势非向上，则满配**长久期**债券[24]。 * 若利率趋势向上，则配置 **1/2中久期 + 1/2长久期**[24]。 * 当**看空信号**（利率向上突破）出现时： * 若利率趋势非向下，则满配**短久期**债券[29]。 * 若利率趋势向下，则配置 **1/2中久期 + 1/2短久期**[29]。 * 其余时间（无明确信号），则进行**等权配置**：1/3短久期 + 1/3中久期 + 1/3长久期[29]。 3. **业绩基准**：久期等权策略，即始终持有1/3短久期+1/3中久期+1/3长久期[29]。 4. **止损规则**：当单日组合超额收益（相对于业绩基准）小于-0.5%时，立即将持仓调整为等权配置[29]。 模型的回测效果 1. **基于5年期国债YTM的多周期交易策略** * **长期表现（2007年12月31日以来）**：年化收益率5.46%，最大回撤2.88%，收益回撤比1.9，相对业绩基准的年化超额收益率1.06%，超额收益回撤比0.61，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2.09%，最大回撤0.59%，收益回撤比3.55，相对业绩基准的超额收益率0.64%，超额收益回撤比2.14[4][25]。 2. **基于10年期国债YTM的多周期交易策略** * **长期表现（2007年12月31日以来）**：年化收益率6.03%，最大回撤2.74%，收益回撤比2.2，相对业绩基准的年化超额收益率1.63%，超额收益回撤比1.15，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2.34%，最大回撤0.58%，收益回撤比4.05，相对业绩基准的超额收益率1.06%，超额收益回撤比3.07[4][28]。 3. **基于30年期国债YTM的多周期交易策略** * **长期表现（2007年12月31日以来）**：年化收益率7.28%，最大回撤4.27%，收益回撤比1.7，相对业绩基准的年化超额收益率2.39%，超额收益回撤比0.86，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2.47%，最大回撤0.92%，收益回撤比2.7，相对业绩基准的超额收益率2.16%，超额收益回撤比2.55[4][33]。 量化因子与构建方式 （报告未涉及独立的量化因子构建，所有分析均基于上述模型展开。） 因子的回测效果 （报告未涉及独立的量化因子测试。）

宏观与策略 - 核心观点：央行将结构性货币政策工具利率下调25个基点至1.25%，旨在强化对重点领域的精准支持，全面降息被视为应对显著外部冲击的“储备工具”而非周期性常规操作，短期内不宜对全面降息抱有过高预期 [8] - 政策协同将成为支撑一季度经济开局的关键，2026年一季度财政支出强度有望进一步加大，与货币政策形成协同以扩大内需 [9] - 1月资金面在央行呵护态度明确及季节性因素下预计转松，市场利率预计下行 [10] - 上周A股先扬后抑，全市场日成交额在周三达到3.99万亿元历史高点，随后市场情绪有所降温，商业航天板块高位回落，焦点转向AI应用、半导体等领域 [12] - 上周债市收益率有所下行，10年期国债利率收于1.84%，较前周下行3.58个基点 [12] - 上周转债市场个券多数收涨，中证转债指数全周上涨1.08%，市场价格中位数进一步上涨至139元，高平价区间转债溢价率抬升明显 [13] - 当前权益市场处于向上趋势明确的主升浪，机构对踏空的忧虑支撑转债估值，尽管估值高企也不愿轻易减仓 [14] - 超长债方面，截至1月16日，30年国债和10年国债利差为46个基点，处于历史较低水平，预计近期利差高位震荡为主 [14][15] - 股市流动性方面，去年12月中旬以来，宽基ETF、灵活型外资、杠杆资金先后助推春季行情展开，但近期ETF出现净赎回，灵活型外资流入放缓，杠杆资金流入速率过快，短期股市资金面或承压 [18][19] - 春季行情本质是始于2024年9月24日的A股牛市的纵深推进，未来仍有演绎空间，阶段性波动或是布局机会 [20] - 行业配置上，科技成长依然是本轮牛市主线，建议关注AI应用落地细分板块，同时可阶段性关注非银、资源品、白酒和地产等价值板块 [20] - 外资流向方面，最近一周（1月12日-1月16日）北向资金估算净流出43亿元，其中灵活型外资估算净流入36亿元 [21] - 最近一周（1月7日-1月13日）各类资金合计流入港股市场240亿港元，其中灵活型外资流入79亿港元，港股通流入155亿港元 [22] - 亚太市场，截至1月5日当周，海外投资者净流入日本股市12128亿日元，2023年以来累计净流入10.7万亿日元；12月海外机构投资者流出印度股市25.2亿美元 [22] - 美欧市场，11月全球共同基金净流入美国权益市场92亿美元，净流入英、德、法权益市场分别为5.5亿、11.7亿、14亿美元 [23] 行业研究 - **纺服/户外行业**：2025年户外鞋服行业持续高增长，户外服饰同比增长24.5%，户外鞋同比增长16.3% [24]；线上平台户外鞋销售额增速保持在40%以上，户外服饰细分品类景气度分化，户外羽绒服、速干衣等品类部分季度同比增速接近100% [24]；羊毛羊绒材质在运动户外服饰中渗透率提升，其产品在运动户外大盘的占比从2021年第四季度的0.34%提升至2025年第四季度的1.04% [25]；行业格局未定，部分头部品牌如凯乐石、伯希和维持高增，也有新品牌快速崛起 [26] - **计算机/AI行业**：国外大厂如OpenAI、Anthropic在医疗等领域推动AI应用落地，国内各大厂聚焦AI应用化场景融合，如阿里千问APP公测、字节豆包大模型赋能全链路等 [27]；智谱、Minimax在港上市后股价表现强劲，截至1月13日分别上涨56.45%、212.12% [28] - **传媒/AI行业**：AI正在重塑用户入口形态和流量分发机制，传统的搜索引擎优化（SEO）时代正在终结，生成式引擎优化（GEO）时代开启 [28][29]；2026年是AI应用从“生产力”向“变现力”转化的关键拐点，中国消费者对AI应用的信任程度高达80%，远超美国的35% [30]；据预测，2026年全球GEO市场规模将达240亿美元，国内市场将达111亿元 [30]；在内容侧，AI全流程制作视频已成现实，AI动漫短剧制作成本仅为传统模式的1/5，且核心受众90%以上为男性，开辟了新流量蓝海 [31] - **公用事业行业**：在“双碳”目标下，国内能源结构低碳化转型，2024年清洁能源消费量占能源消费总量比重为28.6%，同比上升2.2个百分点 [32]；全球AI发展和制造业复苏推动用电需求增长，“缺电”问题凸显，截至2025年9月30日，美国13F披露机构在公用事业行业总持股市值达1.49万亿美元，占行业总市值的73.4%，呈现超配趋势 [33]；电力子行业中，火电盈利模式重塑趋于稳健，水电防御属性强，核电进入新一轮成长期 [33]；燃气消费量高增长，2024年我国天然气表观消费量4235亿立方米，同比增长8.6%，预计2025-2030年消费量年复合增长率约为9.3% [34]；水务行业水价上调具备合理性与迫切性 [35] - **海外市场（美股）**：本周标普500下跌0.4%，纳斯达克下跌0.7%，小盘风格走强，软件与服务行业下跌4.5% [37]；资金流向显示科技板块内部分化，半导体产品与设备行业资金流入37.6亿美元，软件与服务行业资金流出32.7亿美元 [38] - **海外市场（港股）**：本周恒生指数上涨2.3%，恒生互联网指数上涨3.7%，互联网带动整体市场上行 [39]；恒生指数估值上升2.3%至11.9倍动态市盈率，恒生互联网估值上升4.6%至18.6倍 [40] 公司研究 - **李宁 (02331.HK)**：2025年第四季度公司整个平台零售流水按年录得低单位数下降，其中线下渠道录得中单位数下降，电子商务业务录得持平 [41]；截至2025年末，李宁销售点（不包括李宁YOUNG）共计6091个，较上一季末净减少41个 [41]；第四季度流水降幅环比收窄，库销比改善至4~5个月，龙店与户外店首店齐开 [42][43]；预计公司2025-2027年归母净利润分别为26.2亿、28.0亿、32.9亿元 [43] - **六福集团 (00590.HK)**：2025年10-12月经营数据显示，整体零售值同比增长26%，同店销售增长15%，均环比加速 [44]；分区域看，中国香港同店销售增长15%，中国澳门增长22%，海外增长11%；分产品看，定价黄金同店销售增长32%，占比达17% [44]；维持公司2026-2028财年归母净利润预测分别为15.01亿、17.87亿、20.28亿港元 [45] - **希迪智驾 (03881.HK)**：公司是商用车智能驾驶产品及解决方案领域领先企业，2025年上半年营业收入4.08亿元，同比增长57.9% [45]；自动驾驶矿卡解决方案市场规模有望从2024年的19亿元增长至2030年的396亿元，年复合增长率为65.3% [45]；2024年公司在中国自动驾驶矿卡解决方案市场份额约12.9% [45]；预计公司2025-2027年营业收入分别为10.06亿、18.67亿、35.18亿元 [46] - **科陆电子 (002121.SZ)**：国家电网宣布“十五五”期间固定资产投资预计达4万亿元，较“十四五”增长40%，重点投向新型电力系统建设 [47]；公司聚焦智能电网与新型电化学储能业务，有望受益于板块高景气度 [47]；维持公司2025-2027年盈利预测为2.6亿、6.4亿、8.3亿元 [48] 金融工程与产品 - **卫星产业ETF**：中国商业航天市场规模预计2030年将达到7万亿至10万亿元 [48]；中证卫星产业指数2024年营业收入增速为18.12%，预计2025-2027年净利润增速分别为222.01%、48.86%、32.34% [50]；该指数过去一年收益达121%，近一个月收益达53% [50]；招商中证卫星产业ETF（159218）跟踪该指数，招商基金非货币管理规模近6000亿元 [50][51] - **市场热点追踪**：截至2026年1月16日，共1204只股票在过去20个交易日创出250日新高，创新高个股数量最多的行业是机械、电子、基础化工 [52]；中证2000、中证1000、中证500指数中创新高个股数量占成份股比例分别为22.95%、24.10%、31.60% [52] - **主动量化策略表现**：截至本周，国信金工“成长稳健组合”年内绝对收益8.98%，相对偏股混合型基金指数超额收益2.60%，在主动股基中排名前23.27%分位点 [54]；“优秀基金业绩增强组合”年内绝对收益7.39% [53]；“超预期精选组合”年内绝对收益8.42% [54] - **港股精选组合**：国信“港股精选组合”年内绝对收益6.17%，相对恒生指数超额收益1.43% [56] - **多因子与指增组合**：最近一周，景气类因子如标准化预期外盈利、单季营收同比增速等表现出色 [58]；国信四大指数增强组合本周均跑赢基准，其中沪深300指增组合本周超额收益1.60%，年内超额收益2.09% [60]

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（三阶矩）信息，用于预测未来收益[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：** 将已实现波动率分解，计算下行波动部分在总波动中的占比，用于衡量股票的“坏波动”[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的高频数据，通过直观逻辑或机器学习方法，计算反映买入意愿的指标占比[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：** 与买入意愿占比因子类似，但侧重于衡量买入意愿的强度而非占比[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：** 计算开盘后大单净买入金额在总成交中的占比，捕捉大资金在开盘后的动向[34] 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] 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，以提升预测效果[44] 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，捕捉尾盘资金的活跃程度[49] 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，用于衡量资金流出的平均力度[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[58] 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）的深度学习模型处理高频数据，生成选股信号[13][63] **因子具体构建过程：** 模型结构为GRU(50,2)加上NN(10)，具体网络架构和训练细节未在报告中详述[13] 12. **因子名称：残差注意力 LSTM(48,2)+NN(10)因子** **因子构建思路：** 使用带有残差连接和注意力机制的长短期记忆网络（LSTM）结合神经网络，从高频数据中提取特征[13][65] **因子具体构建过程：** 模型结构为残差注意力LSTM(48,2)加上NN(10)[13] 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AGRU（可能指注意力GRU）训练的多时间颗粒度模型，使用5日收益率作为预测标签[13][68] **因子具体构建过程：** 因子基于双向AGRU训练得到，模型整合了不同时间颗粒度的信息[68] 14. **因子名称：多颗粒度模型-10日标签因子** **因子构建思路：** 与多颗粒度模型-5日标签类似，但使用10日收益率作为预测标签[13][69] **因子具体构建过程：** 因子基于双向AGRU训练得到[69] 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：** 以多颗粒度模型-10日标签因子提供的预期收益为核心，在控制跟踪误差和一系列风险约束的条件下，通过优化求解构建相对于中证500指数的增强组合[73] **模型具体构建过程：** * **核心信号：** 使用深度学习因子（多颗粒度模型-10日标签）作为股票的预期超额收益来源 $\mu_i$[73] * **优化目标：** 最大化组合预期收益，目标函数为： $$\operatorname*{max}_{w_{i}}\sum\mu_{i}w_{i}$$ 其中，$w_i$ 为股票 $i$ 的权重，$\mu_i$ 为股票 $i$ 的预期超额收益[74] * **约束条件：** 包括个股权重上限、行业偏离、市值风格暴露（线性及非线性）、估值（PB）、基本面（ROE、SUE）、波动率以及成分股权重等约束，具体约束值在“宽约束”条件下相对宽松[74] * **交易设置：** 周度调仓，假设以次日均价成交，并扣除双边3‰的交易成本[75] 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：** 与宽约束组合思路一致，但在风险控制上施加更严格的约束，旨在进一步控制跟踪误差和组合风险[73] **模型具体构建过程：** 优化目标与核心信号与宽约束组合相同，区别在于各项风险约束的阈值更严格（例如市值暴露约束更小），并增加了额外的约束如ROE、SUE、波动率和更高的成分股约束[74] 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：** 构建方法同中证500宽约束组合，但基准指数改为中证1000，并相应调整约束参数[73] **模型具体构建过程：** 使用相同的多颗粒度模型因子和优化框架，针对中证1000指数的成分股及特征调整优化中的约束条件[74] 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：** 构建方法同中证500严约束组合，但基准指数改为中证1000[73] **模型具体构建过程：** 使用相同的多颗粒度模型因子和优化框架，针对中证1000指数施加更严格的风险约束[74] 因子的回测效果 （数据来源：表2，周度换仓因子表现汇总[11][13]） | 因子名称 | IC(历史) | IC(2026年) | e^(-rank mae)(历史) | e^(-rank mae)(2026年) | 多空收益(上周) | 多空收益(1月) | 多空收益(2026YTD) | 2026年周胜率 | 多头超额(上周) | 多头超额(1月) | 多头超额(2026YTD) | 2026年周胜率 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 日内高频偏度 | 0.019 | 0.024 | 0.324 | 0.321 | 1.26% | 1.55% | 1.55% | 2/2 | 0.27% | 1.26% | 1.26% | 2/2 | | 日内下行波动占比 | 0.016 | 0.028 | 0.323 | 0.319 | 1.43% | 1.65% | 1.65% | 2/2 | 0.88% | 1.83% | 1.83% | 2/2 | | 开盘后买入意愿占比 | 0.026 | 0.046 | 0.321 | 0.331 | 1.04% | 2.08% | 2.08% | 2/2 | 0.50% | 0.09% | 0.09% | 1/2 | | 开盘后买入意愿强度 | 0.030 | 0.065 | 0.326 | 0.338 | 2.21% | 2.86% | 2.86% | 2/2 | 1.37% | 2.00% | 2.00% | 2/2 | | 开盘后大单净买入占比 | 0.035 | 0.035 | 0.322 | 0.317 | 1.35% | 0.83% | 0.83% | 1/2 | 0.81% | 0.28% | 0.28% | 1/2 | | 开盘后大单净买入强度 | 0.024 | 0.044 | 0.320 | 0.320 | 1.08% | 1.01% | 1.01% | 1/2 | 0.27% | -0.39% | -0.39% | 1/2 | | 改进反转 | 0.030 | 0.058 | 0.330 | 0.339 | 1.63% | 3.40% | 3.40% | 2/2 | 1.20% | 3.09% | 3.09% | 2/2 | | 尾盘成交占比 | 0.026 | 0.037 | 0.322 | 0.324 | -0.12% | 2.56% | 2.56% | 1/2 | 0.29% | 1.63% | 1.63% | 2/2 | | 平均单笔流出金额占比 | 0.008 | 0.020 | 0.317 | 0.323 | 0.56% | 1.02% | 1.02% | 2/2 | 0.27% | 0.41% | 0.41% | 2/2 | | 大单推动涨幅 | 0.018 | 0.017 | 0.325 | 0.331 | 0.75% | 0.97% | 0.97% | 2/2 | 0.53% | 0.96% | 0.96% | 2/2 | | 改进 GRU(50,2)+NN(10) | 0.065 | 0.040 | 0.336 | 0.327 | 2.62% | 2.79% | 2.79% | 2/2 | 0.70% | 0.96% | 0.96% | 2/2 | | 残差注意力 LSTM(48,2)+NN(10) | 0.062 | 0.026 | 0.334 | 0.325 | 1.55% | 1.30% | 1.30% | 1/2 | 0.39% | 1.26% | 1.26% | 2/2 | | 多颗粒度模型-5日标签 | 0.079 | 0.034 | 0.343 | 0.332 | 1.88% | 2.13% | 2.13% | 2/2 | 1.05% | 1.74% | 1.74% | 2/2 | | 多颗粒度模型-10日标签 | 0.073 | 0.022 | 0.342 | 0.329 | 2.11% | 1.33% | 1.33% | 1/2 | 1.15% | 1.10% | 1.10% | 1/2 | 模型的回测效果 （数据来源：表3，AI增强组合超额收益汇总[14]） | 模型名称 | 超额收益(上周) | 超额收益(1月) | 超额收益(2026YTD) | 2026年周胜率 | | :--- | :--- | :--- | :--- | :--- | | 中证500 AI增强宽约束组合 | -1.91% | -4.47% | -4.47% | 0/3 | | 中证500 AI增强严约束组合 | -1.03% | -2.86% | -2.86% | 0/3 | | 中证1000 AI增强宽约束组合 | -0.09% | -2.18% | -2.18% | 0/3 | | 中证1000 AI增强严约束组合 | 0.06% | -1.57% | -1.57% | 1/3 |

量化模型与构建方式 1. 主动量化组合模型 1.1 红利优选组合 * **模型名称**：红利优选组合[28] * **模型构建思路**：选择股息率较高、基本面较优的股票构建组合，对标中证红利指数[30][39] * **模型具体构建过程**： 1. **流动性约束**：剔除市值、日均成交额最小的20%个股[30] 2. **分红基础池**：筛选过去1年红利支付率在0-1之间的股票[30] 3. **因子综合打分**：对股息率、PB_INT、SUE、ROE、盈利质量、分析师目标收益、低换手率共7个因子进行等权打分[33] 4. **组合构建与风控**：选择得分最高的50只股票构建股息率加权组合，并控制相对中证红利指数的行业偏离不超过3%[33] 1.2 PB盈利组合 * **模型名称**：PB盈利组合[28] * **模型构建思路**：选择估值较低、盈利能力较优的股票构建组合[33] * **模型具体构建过程**： 1. **基础池**：选取盈利因子（ROE+SUE）得分最高的1/5股票与PB最低的1/5股票的交集[33] 2. **市场关注度优选**：基于过去1个月日均换手率将全A个股等分为5组，剔除基础池中属于换手率最高组（D5）的股票[33] 3. **位序估值优选**：剔除长期（3年）位序估值低于10%、短期（半年）位序估值高于90%的个股[33] 1.3 GARP组合 * **模型名称**：GARP组合[28] * **模型构建思路**：选择估值较低、增长较快的股票构建组合[33] * **模型具体构建过程**： 1. **基础池**：选取增长因子（SUE、预期净利润调整、一致预期2年复合增速）得分最高的1/5股票与估值因子（BP、EP、3年股息率、1年股息率）最低的1/5股票的交集[33] 2. **市场关注度优选**：基于过去1个月日均换手率将全A个股等分为5组，剔除基础池中属于换手率最高组（D5）的股票[33] 3. **位序估值优选**：剔除长期（3年）位序估值低于10%、短期（半年）位序估值高于90%的个股[33] 1.4 成熟期优选组合 * **模型名称**：成熟期优选组合[28] * **模型构建思路**：选择成熟期公司中，稳健增长、盈利能力较优的股票构建组合[33] * **模型具体构建过程**： 1. **选股池**：构建成熟期个股池，条件为经营净现金流为正、投资净现金流为负、筹资净现金流为负[33] 2. **高估剔除**：剔除成熟企业基础池中PB最高的10%个股[33] 3. **增长因子初筛**：将加速增长、SUE两个因子等权打分，选择增长最快的100只股票构建初筛股票池[33] 4. **盈利能力优选**：在初筛股票池中，选择盈利因子最高的50只股票构建市值加权组合[33] 1.5 成长期优选组合 * **模型名称**：成长期优选组合[28] * **模型构建思路**：选择成长期公司中，预期较优、增长较快、趋势性较好的股票构建组合[33] * **模型具体构建过程**： 1. **选股池**：构建成长期个股池，条件为经营净现金流为正、投资净现金流为负、筹资净现金流为正[33] 2. **成长因子初筛**：将一致预期净利润调整、SUE、加速增长3个因子等权打分，选择成长性最高的100只股票构建初筛股票池[33] 3. **盈利能力优选**：在初筛的100只股票池中，将ROE同比、ROE、研发投入、动量因子等权打分，选择得分最高的50只股票构建市值加权组合[33] 1.6 小市值高增长组合 * **模型名称**：小市值高增长组合[28] * **模型构建思路**：选择增长较快的小市值个股构建组合[33] * **模型具体构建过程**：根据小市值、高增长因子构建多因子模型，选择复合得分最高的50只股票构建等权组合[33]。具体因子包括：小市值、盈利加速、SUE、预期净利润调整、累计研发投入、PB_INT、尾盘成交占比、开盘后大单净买入金额占比[33] 1.7 小盘价值组合 * **模型名称**：小盘价值组合[28] * **模型构建思路**：剔除高估值个股后，选择健康小市值公司构建组合[33] * **模型具体构建过程**： 1. **剔除高估值**：在全A股中剔除PB最高的20%的股票[33] 2. **多因子优选**：在剩余股票中，选择多因子得分最高的50只股票构建等权组合[33]。因子包括：市值、价值、增长、加速增长、累计研发投入占比、预期净利润调整、反转、尾盘成交占比、开盘大单净买入金额占比；为体现小盘特征，提升小市值因子权重至20%，其余因子权重均为10%[33] 2. 指数增强组合模型 2.1 线性多因子指数增强模型 * **模型名称**：线性多因子指数增强模型[41] * **模型构建思路**：根据风格、量价、基本面等因子构建线性多因子收益模型，在控制风格、个股、行业偏离等约束下，构建月度换仓的指数增强组合[41] * **模型具体构建过程**： 1. **因子池**：针对不同宽基指数（沪深300、中证500、中证1000、中证A500）使用略有差异的因子列表，主要包括市值、中盘、反转、波动率、换手率/成交额、估值类（PB/预期EP/股息率）、基本面类（ROE、SUE、研发占比、预期净利润调整、分析师覆盖度）、高频量价类（尾盘成交占比、开盘后买入意愿强度、改进反转/开盘后大单净买入金额占比）等[41] 2. **风险模型与约束**：主要控制市值、估值、个股、行业等维度的偏离，具体约束值因基准指数而异[42] 3. **因子加权方式**：测试了两种因子权重确定方式： * **IC均值加权**：根据因子历史IC均值确定权重[42] * **ICIR加权**：根据因子历史信息比率（ICIR）确定权重，公式为：$$权重_i = \frac{ICIR_i}{\sum_j ICIR_j}$$， 其中ICIR为因子IC均值除以其标准差[42][43] 4. **组合优化**：在给定因子暴露目标和风控约束下，通过优化求解得到最终持仓权重[41][42] 2.2 多策略复合指数增强模型 * **模型名称**：多策略复合沪深300指数增强模型[3][53] * **模型构建思路**：在基础指数增强策略上，加入域内和域外卫星策略，通过多策略形式改善组合业绩表现[3][53] * **模型具体构建过程**： 1. **基础指数增强策略**：权重占比60%，即上述线性多因子指数增强模型[3][53] 2. **域内卫星策略**：权重占比30%，主要基于动量、基本面因子在成分股内选股[3][53] 3. **域外卫星策略**：权重占比10%，即“小市值高增长组合”[3][53] 4. **复合方式**：将三个子策略按固定权重合并，形成最终的复合沪深300指数增强策略[3][53] 量化因子与构建方式 报告在构建各类模型时提及了丰富的量化因子，根据其属性分类如下： 1. 估值类因子 * **因子名称**：PB（市净率）[41]、PB_INT（行业调整市净率）[33]、EP（盈利收益率）[33]、预期EP[41]、BP（账面市值比）[33]、股息率[33][41]、3年股息率[33]、1年股息率[33]、位序估值（长期/短期）[33] 2. 盈利与增长类因子 * **因子名称**：ROE（净资产收益率）[33][41]、ROE同比[33]、SUE（标准化未预期盈余）[33][41]、盈利质量[33]、加速增长[33]、预期净利润调整[33][41]、一致预期2年复合增速[33]、盈利加速[33] 3. 市值与风格类因子 * **因子名称**：市值[33][41]、中盘[41]、小市值[33]、价值[33] 4. 动量与反转类因子 * **因子名称**：动量[33]、反转[33][41]、改进反转[41] 5. 交易行为与流动性类因子 * **因子名称**：换手率[33][41]、成交额[41]、尾盘成交占比[33][41]、开盘后买入意愿强度[41]、开盘后大单净买入金额占比[33][41]、开盘大单净买入金额占比[33]、低换手率[33] 6. 创新与分析师类因子 * **因子名称**：研发占比[33][41]、累计研发投入[33]、累计研发投入占比[33]、分析师覆盖度[41]、分析师目标收益[33] 模型的回测效果 1. 主动量化组合（2025年度） * **红利优选组合**：组合收益15.0%，相对中证800超额-5.9%，相对中证红利（全）指数超额11.3%[34] * **PB盈利组合**：组合收益21.3%，相对中证800超额0.4%[34] * **GARP组合**：组合收益36.2%，相对中证800超额15.3%[34] * **成熟期优选组合**：组合收益29.2%，相对中证800超额8.3%[34] * **成长期优选组合**：组合收益84.1%，相对中证800超额63.2%，相对885001指数超额50.9%[5][34] * **小市值高增长组合**：组合收益69.1%，相对中证800超额48.2%，相对中证2000指数超额32.7%[34] * **小盘价值组合**：组合收益59.8%，相对中证800超额38.9%，相对中证2000指数超额23.3%[34] 2. 指数增强组合（2025年度） 2.1 IC均值加权方式 * **沪深300指数增强**：超额收益6.8%，超额波动率5.5%，信息比1.12，相对回撤5.2%[45] * **中证500指数增强**：超额收益3.1%，超额波动率4.4%，信息比0.54，相对回撤3.6%[46] * **中证1000指数增强**：超额收益5.1%，超额波动率4.9%，信息比0.82，相对回撤3.8%[47] * **中证A500指数增强**：超额收益4.8%，超额波动率4.5%，信息比0.93，相对回撤5.6%[49] 2.2 ICIR加权方式 * **沪深300指数增强**：超额收益10.7%，超额波动率5.3%，信息比1.79，相对回撤3.5%[45] * **中证500指数增强**：超额收益9.5%，超额波动率4.4%，信息比1.66，相对回撤2.9%[46] * **中证1000指数增强**：超额收益10.2%，超额波动率4.9%，信息比1.65，相对回撤4.4%[47] * **中证A500指数增强**：超额收益13.2%，超额波动率4.1%，信息比2.60，相对回撤2.7%[49] 3. 多策略复合指数增强模型（沪深300，全区间2014-2025） * **复合策略**：年化超额收益12.2%，信息比1.93[55] * **基础增强策略**：年化超额收益较复合策略低3.6%[55] * **模型评价**：复合策略相比于基础策略具有稳定的收益提升，分年度稳定性较高[3][55]，但个别年份相对回撤可能增加[55]

量化模型与构建方式 1. **模型名称**：连续多年涨跌行业次年表现统计模型[8][15] * **模型构建思路**：通过统计历史数据，观察过去持续上涨或下跌的行业在次年的表现，以检验行业绝对收益是否存在均值回归特征[8][15] * **模型具体构建过程**： 1. 选定长江一级行业指数作为统计对象，数据区间为2005年至2025年[8][15] 2. 在每年年底（t年末），对每个行业进行判断： * 若该行业在过去的n年（n=2,3,4）中，每年的年度收益率均为正，则将其标记为“连续上涨n年”的行业[15] * 若该行业在过去的n年（n=2,3,4）中，每年的年度收益率均为负，则将其标记为“连续下跌n年”的行业[15] 3. 统计所有行业中，满足“连续上涨n年”或“连续下跌n年”条件的发生次数[15] 4. 计算这些行业在次年（t+1年）的表现指标： * **次年延续上涨/下跌概率**：在t年末被标记的行业中，在t+1年收益率依然为正（对于连续上涨）或为负（对于连续下跌）的行业数量占比[15][20] * **次年上涨情况下上涨均值**：在t+1年收益率为正的行业中，计算其收益率的平均值[15][20] * **次年下跌情况下下跌均值**：在t+1年收益率为负的行业中，计算其收益率的平均值[15][20] * **次年平均收益**：计算所有被标记行业在t+1年收益率的平均值[15][20] * **模型评价**：该模型揭示了行业绝对收益存在一定的均值回归特征，即“涨多回调、跌多反弹”[3][16] 2. **模型名称**：连续多年正/负超额行业次年表现统计模型[8][17] * **模型构建思路**：通过统计历史数据，观察过去持续跑赢或跑输市场的行业在次年的相对表现，以检验行业超额收益的持续性[8][17] * **模型具体构建过程**： 1. 选定长江一级行业指数作为统计对象，基准为万得全A指数，数据区间为2005年至2025年[8][17] 2. 在每年年底（t年末），对每个行业进行判断： * 计算行业每年相对于万得全A指数的超额收益（行业年收益率 - 万得全A年收益率）[17] * 若该行业在过去的n年（n=2,3,4）中，每年的超额收益均为正，则将其标记为“连续正超额n年”的行业[17] * 若该行业在过去的n年（n=2,3,4）中，每年的超额收益均为负，则将其标记为“连续负超额n年”的行业[17] 3. 统计所有行业中，满足“连续正超额n年”或“连续负超额n年”条件的发生次数[17] 4. 计算这些行业在次年（t+1年）的表现指标： * **次年延续正/负超额概率**：在t年末被标记的行业中，在t+1年超额收益依然为正（对于连续正超额）或为负（对于连续负超额）的行业数量占比[17][21] * **次年正超额情况下正超额均值**：在t+1年超额收益为正的行业中，计算其超额收益的平均值[17][21] * **次年负超额情况下负超额均值**：在t+1年超额收益为负的行业中，计算其超额收益的平均值[17][21] * **次年平均超额收益**：计算所有被标记行业在t+1年超额收益的平均值[17][21] * **模型评价**：该模型表明，无论是连续正超额还是连续负超额的行业，其次年相对于市场的表现均较弱，负超额概率较高[3][12][22] 模型的回测效果 1. **连续多年涨跌行业次年表现统计模型** [20] * **连续上涨2年**：发生次数175，次年延续上涨概率40.00%，次年上涨情况下上涨均值43.95%，次年下跌情况下下跌均值-31.01%，次年平均收益-1.02% * **连续上涨3年**：发生次数60，次年延续上涨概率28.33%，次年上涨情况下上涨均值38.01%，次年下跌情况下下跌均值-22.35%，次年平均收益-5.25% * **连续上涨4年**：发生次数17，次年延续上涨概率35.29%，次年上涨情况下上涨均值14.79%，次年下跌情况下下跌均值-17.80%，次年平均收益-6.30% * **连续下跌2年**：发生次数108，次年延续下跌概率43.52%，次年上涨情况下上涨均值24.92%，次年下跌情况下下跌均值-16.22%，次年平均收益7.02% * **连续下跌3年**：发生次数46，次年延续下跌概率26.09%，次年上涨情况下上涨均值28.94%，次年下跌情况下下跌均值-12.89%，次年平均收益18.03% * **连续下跌4年**：发生次数11，次年延续下跌概率27.27%，次年上涨情况下上涨均值22.76%，次年下跌情况下下跌均值-4.00%，次年平均收益15.46% 2. **连续多年正/负超额行业次年表现统计模型** [21] * **连续正超额2年**：发生次数82，次年延续正超额概率32.93%，次年正超额情况下正超额均值21.91%，次年负超额情况下负超额均值-29.50%，次年平均超额收益-12.57% * **连续正超额3年**：发生次数26，次年延续正超额概率34.62%，次年正超额情况下正超额均值33.40%，次年负超额情况下负超额均值-22.00%，次年平均超额收益-2.82% * **连续正超额4年**：发生次数9，次年延续正超额概率11.11%，次年正超额情况下正超额均值73.68%，次年负超额情况下负超额均值-26.84%，次年平均超额收益-15.67% * **连续负超额2年**：发生次数244，次年延续负超额概率62.70%，次年正超额情况下正超额均值10.97%，次年负超额情况下负超额均值-21.65%，次年平均超额收益-9.48% * **连续负超额3年**：发生次数141，次年延续负超额概率60.99%，次年正超额情况下正超额均值9.27%，次年负超额情况下负超额均值-19.12%，次年平均超额收益-8.04% * **连续负超额4年**：发生次数78，次年延续负超额概率65.38%，次年正超额情况下正超额均值9.03%，次年负超额情况下负超额均值-16.39%，次年平均超额收益-7.59%

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[13] **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[13]。通常，此类因子基于日内高频收益率数据计算其偏度统计量。 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，以衡量风险特征[18] **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式参考专题报告《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，构建反映买入意愿的因子[23] **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式参考专题报告《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比例[27] **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式参考专题报告《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》[27]。 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占比，捕捉主力资金动向[32] 6. **因子名称：开盘后大单净买入强度因子** **因子构建思路：** 衡量开盘后大单净买入行为的强度[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，以提升预测效果[41] 8. **因子名称：尾盘成交占比因子** **因子构建思路：** 利用尾盘时段成交金额在全天成交中的占比信息构建因子[46] 9. **因子名称：平均单笔流出金额占比因子** **因子构建思路：** 通过分析平均单笔流出金额的占比来构建因子[51] 10. **因子名称：大单推动涨幅因子** **因子构建思路：** 构建反映大单交易对股价上涨推动作用的因子[57] 11. **因子名称：改进 GRU(50,2)+NN(10)因子** **因子构建思路：** 使用改进的GRU（门控循环单元）神经网络与全连接神经网络（NN）相结合的深度学习模型处理高频数据，生成选股因子[62] **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[62]。 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LSTM（长短期记忆网络）与全连接神经网络相结合的深度学习模型处理高频数据，生成选股因子[64] **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[64]。 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）训练的多颗粒度模型，以5日收益率为预测标签，生成选股因子[67] **因子具体构建过程：** 因子基于双向AGRU训练得到，预测标签为5日收益率[67]。 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训练的多颗粒度模型，以10日收益率为预测标签，生成选股因子[68] **因子具体构建过程：** 因子基于双向AGRU训练得到，预测标签为10日收益率[68]。 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“多颗粒度模型-10日标签”因子构建中证500指数增强组合，在较宽松的风险约束下最大化预期收益[72] **模型具体构建过程：** * **核心信号：** 使用“多颗粒度模型-10日标签”因子作为股票的预期超额收益（μi）来源[72]。 * **优化目标：** 最大化组合预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$ 其中，wi为股票i的权重，μi为股票i的预期超额收益[73]。 * **风险约束：** 包括个股权重约束（1%）、行业偏离约束（1%）、市值因子暴露约束（0.3）、市值3次方因子暴露约束（0.3）、PB因子暴露约束（0.3）以及换手率约束（0.3）等“宽约束”条件[73]。 * **交易设置：** 周度调仓，假设以次日均价成交，并扣除双边3‰的交易成本[74]。 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“多颗粒度模型-10日标签”因子构建中证500指数增强组合，在更严格的风险约束下控制组合风险[72] **模型具体构建过程：** * **核心信号：** 使用“多颗粒度模型-10日标签”因子作为股票的预期超额收益（μi）来源[72]。 * **优化目标：** 最大化组合预期收益，目标函数同上[73]。 * **风险约束：** 在宽约束基础上增加了更严格的约束，包括更严格的市值暴露约束（0.1）、市值2次方因子暴露约束（0.1），并新增了ROE因子暴露约束（0.3）、SUE因子暴露约束（0.3）、波动率因子暴露约束（0.3）以及成份股权重约束（0.8）等“严约束”条件[73]。 * **交易设置：** 周度调仓，假设以次日均价成交，并扣除双边3‰的交易成本[74]。 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“多颗粒度模型-10日标签”因子构建中证1000指数增强组合，在较宽松的风险约束下最大化预期收益[72] **模型具体构建过程：** 与中证500 AI增强宽约束组合类似，但基准指数和对应的约束条件数值针对中证1000指数设定[73]。 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“多颗粒度模型-10日标签”因子构建中证1000指数增强组合，在更严格的风险约束下控制组合风险[72] **模型具体构建过程：** 与中证500 AI增强严约束组合类似，但基准指数和对应的约束条件数值针对中证1000指数设定[73]。 因子的回测效果 （数据来源：表2，统计周期为上周、1月、2026年至今（YTD），以及2026年周胜率）[10][12] 1. **日内高频偏度因子**，IC（历史/2026年）: 0.019/-0.007，e^(-rank mae)（历史/2026年）: 0.324/0.312，多空收益（上周/1月/2026YTD）: 0.29%/0.29%/0.29%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.99%/0.99%/0.99%，2026年周胜率: 1/1[10] 2. **日内下行波动占比因子**，IC（历史/2026年）: 0.016/-0.001，e^(-rank mae)（历史/2026年）: 0.323/0.313，多空收益（上周/1月/2026YTD）: 0.22%/0.22%/0.22%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.95%/0.95%/0.95%，2026年周胜率: 1/1[10] 3. **开盘后买入意愿占比因子**，IC（历史/2026年）: 0.025/0.032，e^(-rank mae)（历史/2026年）: 0.321/0.324，多空收益（上周/1月/2026YTD）: 1.04%/1.04%/1.04%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: -0.41%/-0.41%/-0.41%，2026年周胜率: 0/1[10] 4. **开盘后买入意愿强度因子**，IC（历史/2026年）: 0.030/0.027，e^(-rank mae)（历史/2026年）: 0.326/0.323，多空收益（上周/1月/2026YTD）: 0.65%/0.65%/0.65%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.62%/0.62%/0.62%，2026年周胜率: 1/1[10] 5. **开盘后大单净买入占比因子**，IC（历史/2026年）: 0.035/-0.006，e^(-rank mae)（历史/2026年）: 0.322/0.306，多空收益（上周/1月/2026YTD）: -0.52%/-0.52%/-0.52%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: -0.53%/-0.53%/-0.53%，2026年周胜率: 0/1[10] 6. **开盘后大单净买入强度因子**，IC（历史/2026年）: 0.024/0.004，e^(-rank mae)（历史/2026年）: 0.320/0.308，多空收益（上周/1月/2026YTD）: -0.07%/-0.07%/-0.07%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: -0.66%/-0.66%/-0.66%，2026年周胜率: 0/1[10] 7. **改进反转因子**，IC（历史/2026年）: 0.030/0.037，e^(-rank mae)（历史/2026年）: 0.330/0.328，多空收益（上周/1月/2026YTD）: 1.77%/1.77%/1.77%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 1.89%/1.89%/1.89%，2026年周胜率: 1/1[10] 8. **尾盘成交占比因子**，IC（历史/2026年）: 0.026/0.084，e^(-rank mae)（历史/2026年）: 0.322/0.334，多空收益（上周/1月/2026YTD）: 2.67%/2.67%/2.67%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 1.35%/1.35%/1.35%，2026年周胜率: 1/1[10] 9. **平均单笔流出金额占比因子**，IC（历史/2026年）: 0.008/0.013，e^(-rank mae)（历史/2026年）: 0.317/0.319，多空收益（上周/1月/2026YTD）: 0.45%/0.45%/0.45%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.14%/0.14%/0.14%，2026年周胜率: 1/1[12] 10. **大单推动涨幅因子**，IC（历史/2026年）: 0.018/-0.007，e^(-rank mae)（历史/2026年）: 0.325/0.327，多空收益（上周/1月/2026YTD）: 0.22%/0.22%/0.22%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.43%/0.43%/0.43%，2026年周胜率: 1/1[12] 11. **改进 GRU(50,2)+NN(10)因子**，IC（历史/2026年）: 0.065/0.001，e^(-rank mae)（历史/2026年）: 0.336/0.324，多空收益（上周/1月/2026YTD）: 0.16%/0.16%/0.16%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.26%/0.26%/0.26%，2026年周胜率: 1/1[12] 12. **残差注意力 LSTM(48,2)+NN(10)因子**，IC（历史/2026年）: 0.062/-0.016，e^(-rank mae)（历史/2026年）: 0.334/0.324，多空收益（上周/1月/2026YTD）: -0.26%/-0.26%/-0.26%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: 0.86%/0.86%/0.86%，2026年周胜率: 1/1[12] 13. **多颗粒度模型-5日标签因子**，IC（历史/2026年）: 0.079/-0.007，e^(-rank mae)（历史/2026年）: 0.343/0.322，多空收益（上周/1月/2026YTD）: 0.25%/0.25%/0.25%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.68%/0.68%/0.68%，2026年周胜率: 1/1[12] 14. **多颗粒度模型-10日标签因子**，IC（历史/2026年）: 0.073/-0.030，e^(-rank mae)（历史/2026年）: 0.342/0.313，多空收益（上周/1月/2026YTD）: -0.78%/-0.78%/-0.78%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: -0.05%/-0.05%/-0.05%，2026年周胜率: 0/1[12] 模型的回测效果 （数据来源：表3，统计周期为上周、1月、2026年至今（YTD），以及2026年周胜率）[13] 1. **周度调仓的中证500 AI增强宽约束组合**，超额收益（上周/1月/2026YTD）: -2.61%/-2.61%/-2.61%，2026年周胜率: 0/2[13] 2. **周度调仓的中证500 AI增强严约束组合**，超额收益（上周/1月/2026YTD）: -1.84%/-1.84%/-1.84%，2026年周胜率: 0/2[13] 3. **周度调仓的中证1000 AI增强宽约束组合**，超额收益（上周/1月/2026YTD）: -2.10%/-2.10%/-2.10%，2026年周胜率: 0/2[13] 4. **周度调仓的中证1000 AI增强严约束组合**，超额收益（上周/1月/2026YTD）: -1.63%/-1.63%/-1.63%，2026年周胜率: 0/2[13]

量化模型与构建方式 1. **模型名称：进取组合与平衡组合**[7] * **模型构建思路：** 基于多因子模型构建的股票组合，旨在获取超越基准指数的收益。进取组合和平衡组合可能代表了不同的风险收益特征或因子暴露程度。[10] * **模型具体构建过程：** 报告未详细描述具体的因子构成、权重分配及组合构建步骤。仅提及其为国泰海通证券金融工程团队构建的量化股票组合。[8] 2. **模型名称：沪深300/中证500/中证1000指数增强组合**[7] * **模型构建思路：** 在跟踪沪深300、中证500、中证1000指数的基础上，通过量化模型进行主动管理，旨在获取稳定的超额收益。[5] * **模型具体构建过程：** 报告未详细描述具体的增强策略、因子模型及权重优化过程。仅提及其为指数增强组合。[8] 3. **模型名称：绩优基金的独门重仓股组合**[7] * **模型构建思路：** 通过分析绩优基金的持仓数据，筛选其独有的重仓股构建组合，旨在捕捉优秀基金经理的选股能力。[5] * **模型具体构建过程：** 报告未详细描述绩优基金的筛选标准、独门重仓股的定义及组合构建的具体规则。[25] 4. **模型名称：盈利、增长、现金流三者兼优组合**[7] * **模型构建思路：** 从盈利、增长和现金流三个基本面维度，筛选出各方面表现均优异的公司构建投资组合。[27] * **模型具体构建过程：** 报告未详细描述具体的筛选指标（如ROE、营收增长率、经营性现金流等）、阈值设定及综合评分方法。[27] 5. **模型名称：PB-盈利优选组合**[7] * **模型构建思路：** 结合低估值（市净率PB）和高盈利能力的标准，筛选具有基本面支撑的低估值股票。[29] * **模型具体构建过程：** 报告未详细描述PB与盈利指标（如ROE、净利润率等）的具体结合方式（如排序、打分或构建复合因子）以及选股规则。[29] 6. **模型名称：GARP组合**[7] * **模型构建思路：** 采用“合理价格成长”策略，寻找具有稳定增长潜力且估值相对合理的公司。[32] * **模型具体构建过程：** 报告未详细描述用于衡量成长性和估值合理性的具体指标及模型构建方法。[32] 7. **模型名称：小盘价值优选组合1/2**[7] * **模型构建思路：** 在小盘股范围内，运用价值因子进行优选，构建投资组合。[34][36] * **模型具体构建过程：** 报告未详细描述小盘股的定义范围、价值因子的具体构成（如PB、PE、股息率等）以及两个组合之间的具体差异。[34][36] 8. **模型名称：小盘成长组合**[7] * **模型构建思路：** 在小盘股范围内，筛选具有高成长特征的股票构建投资组合。[37] * **模型具体构建过程：** 报告未详细描述小盘股的定义范围以及成长因子的具体构成（如营收增长率、净利润增长率等）。[37] 量化因子与构建方式 1. **因子名称：市值因子**[42] * **因子构建思路：** 衡量公司规模大小，通常认为小市值公司存在溢价效应。[42] * **因子具体构建过程：** 报告未给出具体计算公式。通常为股票的总市值。$$市值 = 股价 \times 总股本$$ * **因子评价：** 上周全市场范围内，大市值股票表现优于小市值股票。[42] 2. **因子名称：PB因子**[42] * **因子构建思路：** 市净率，衡量股票估值水平，低PB通常被视为价值型股票。[42] * **因子具体构建过程：** 报告未给出具体计算公式。通常为股价与每股净资产的比值。$$PB = \frac{股价}{每股净资产}$$ * **因子评价：** 上周全市场范围内，高估值（高PB）股票表现优于低估值股票。[42] 3. **因子名称：PE_TTM因子**[42] * **因子构建思路：** 滚动市盈率，衡量股票估值水平，低PE通常被视为价值型或盈利能力强。[42] * **因子具体构建过程：** 报告未给出具体计算公式。通常为股价与最近四个季度每股收益之和的比值。$$PE\_TTM = \frac{股价}{最近四个季度每股收益之和}$$ * **因子评价：** 上周全市场范围内，高估值（高PE_TTM）股票表现优于低估值股票。[42] 4. **因子名称：反转因子**[45] * **因子构建思路：** 基于股价短期反转效应，认为过去一段时间跌幅较大的股票未来可能反弹。[45] * **因子具体构建过程：** 报告未给出具体计算公式。通常计算股票过去一段时间的收益率并取负值。$$反转因子 = -过去N期收益率$$ * **因子评价：** 上周全市场范围内，该因子贡献负收益，即低涨幅股票表现不佳。[5][45] 5. **因子名称：换手率因子**[45] * **因子构建思路：** 衡量股票流动性或交易活跃度，低换手率可能预示关注度低或存在流动性折价。[45] * **因子具体构建过程：** 报告未给出具体计算公式。通常为一段时间内的成交股数除以流通股本。$$换手率 = \frac{期间成交股数}{流通股本}$$ * **因子评价：** 上周全市场范围内，该因子贡献负收益，即低换手率股票表现不佳。[5][45] 6. **因子名称：波动率因子**[45] * **因子构建思路：** 衡量股票价格波动风险，低波动率股票通常被认为风险较低。[45] * **因子具体构建过程：** 报告未给出具体计算公式。通常计算股票过去一段时间收益率的标准差。$$波动率 = \sqrt{\frac{1}{N-1} \sum_{t=1}^{N}(r_t - \bar{r})^2}$$ * **因子评价：** 上周全市场范围内，该因子贡献负收益，即低波动率股票表现不佳。[5][45] 7. **因子名称：ROE因子**[53] * **因子构建思路：** 净资产收益率，衡量公司利用股东权益创造利润的能力。[53] * **因子具体构建过程：** 报告未给出具体计算公式。通常为净利润与净资产的比值。$$ROE = \frac{净利润}{净资产}$$ * **因子评价：** 上周全市场范围内，该因子贡献负收益。[53] 8. **因子名称：SUE因子**[53] * **因子构建思路：** 标准化未预期盈余，衡量公司盈利超出市场预期的程度。[53] * **因子具体构建过程：** 报告未给出具体计算公式。通常为（实际公告的每股收益 - 分析师预测的每股收益均值）/ 预测的标准差。 * **因子评价：** 上周全市场范围内，该因子贡献负收益。[53] 9. **因子名称：预期净利润调整因子**[53] * **因子构建思路：** 基于分析师对净利润预测的调整，捕捉盈利预期变化带来的投资机会。[53] * **因子具体构建过程：** 报告未给出具体计算公式。通常计算一段时间内分析师对未来净利润预测均值的调整幅度。 * **因子评价：** 上周全市场范围内，该因子贡献正收益，即高预期净利润调整股票表现更优。[5][53] 模型的回测效果 （数据期间：2025年12月31日至2026年1月9日）[9] 1. **进取组合**，周收益率4.26%，超额收益（相对中证500）-3.65%，年收益率4.26%，跟踪误差23.46%，最大相对回撤15.40%[9] 2. **平衡组合**，周收益率5.29%，超额收益（相对中证500）-2.63%，年收益率5.29%，跟踪误差20.71%，最大相对回撤12.97%[9] 3. **沪深300增强组合**，周收益率4.69%，超额收益（相对沪深300）1.90%，年收益率4.69%，跟踪误差4.71%，最大相对回撤1.68%[9] 4. **中证500增强组合**，周收益率6.34%，超额收益（相对中证500）-1.58%，年收益率6.34%，跟踪误差4.07%，最大相对回撤3.11%[9] 5. **中证1000增强组合**，周收益率6.17%，超额收益（相对中证1000）-0.86%，年收益率6.17%，跟踪误差5.31%，最大相对回撤4.45%[9] 6. **绩优基金的独门重仓股组合**，周收益率5.19%，超额收益（相对股票型基金总指数）0.23%，年收益率5.19%，跟踪误差23.29%，最大相对回撤12.90%[9] 7. **盈利、增长、现金流三者兼优组合**，周收益率2.87%，超额收益（相对沪深300）0.08%，年收益率2.87%，跟踪误差12.23%，最大相对回撤9.74%[9] 8. **PB-盈利优选组合**，周收益率2.02%，超额收益（相对沪深300）-0.76%，年收益率2.02%，跟踪误差15.62%，最大相对回撤7.31%[9] 9. **GARP组合**，周收益率3.62%，超额收益（相对沪深300）0.84%，年收益率3.62%，跟踪误差13.93%，最大相对回撤4.04%[9] 10. **小盘价值优选组合1**，周收益率5.24%，超额收益（相对微盘股指数）0.77%，年收益率5.24%，跟踪误差10.17%，最大相对回撤10.69%[9] 11. **小盘价值优选组合2**，周收益率4.94%，超额收益（相对微盘股指数）0.47%，年收益率4.94%，跟踪误差8.89%，最大相对回撤8.70%[9] 12. **小盘成长组合**，周收益率4.95%，超额收益（相对微盘股指数）0.49%，年收益率4.95%，跟踪误差11.60%，最大相对回撤9.76%[9] 因子的回测效果 （数据期间：2025年12月31日至2026年1月9日，多空收益）[42][45][53] 1. **市值因子**，全市场多空收益-0.79%，沪深300多空收益4.83%，中证500多空收益-5.59%，中证1000多空收益-2.47%[42][48] 2. **PB因子**，全市场多空收益-4.01%，沪深300多空收益-5.52%，中证500多空收益-6.06%，中证1000多空收益-5.68%[42][48] 3. **PE_TTM因子**，全市场多空收益-4.02%，沪深300多空收益-6.02%，中证500多空收益-8.61%，中证1000多空收益-6.97%[42][48] 4. **反转因子**，全市场多空收益-3.60%，沪深300多空收益0.42%，中证500多空收益-9.48%，中证1000多空收益-2.04%[49][51] 5. **换手率因子**，全市场多空收益-4.82%，沪深300多空收益-3.43%，中证500多空收益-11.17%，中证1000多空收益-6.36%[49][51] 6. **波动率因子**，全市场多空收益-5.08%，沪深300多空收益-3.14%，中证500多空收益-10.96%，中证1000多空收益-5.86%[49][51] 7. **ROE因子**，全市场多空收益-1.50%，沪深300多空收益-0.74%，中证500多空收益-3.84%，中证1000多空收益-2.41%[53][55] 8. **SUE因子**，全市场多空收益-0.11%，沪深300多空收益-1.13%，中证500多空收益-0.89%，中证1000多空收益0.63%[53][55] 9. **预期净利润调整因子**，全市场多空收益0.57%，沪深300多空收益0.86%，中证500多空收益1.89%，中证1000多空收益-0.58%[53][55]

核心观点 报告系统性地构建了一套基于大语言模型与提示工程的自动化因子研究框架，旨在探索AI在量化投资全链条中的应用潜力。该框架成功应用于低频量价、基本面和高频数据的因子挖掘与优化，并利用大模型分析非结构化文本构建情绪因子。最终，通过融合AI生成的多维信息，构建的综合中证800指数增强策略实现了超额收益和信息比率的显著提升，验证了AI在量化研究中实现“1+1>2”效果的巨大潜力[1]。 低频量价因子的优化与生成 - 报告以Alpha158因子库为基础，通过人机交互的迭代循环，对经典量价因子进行深度优化与生成。例如，波动率因子std20经过优化后，其RankIC均值从4.03%提升至7.80%，ICIR从0.31提升至0.55[1][37]。 - AI能够识别原始因子的逻辑缺陷并提出有效改进方案。以std20因子为例，其改进方案引入了平均真实波幅和成交量加权机制，优化效果在5至60日的多个窗口期下均具备普适性[1][37][42]。 - 通过为模型提供已验证的“成功案例”作为先验知识，实现了从零生成新因子的突破，成功挖掘出多个与样例因子相关性低、ICIR在0.8以上的新因子。这些AI生成因子在样本外跟踪中表现持续稳健，部分因子的样本外ICIR能达到1.0以上[1]。 基本面因子挖掘 - 在基本面维度，AI展现出强大的因子发现能力，不仅能生成经典因子的增强版本，更能从新颖视角对价值、质量、成长三类因子进行有效拓展与创新[1]。 - 具体案例包括：从留存收益角度构建了REP_LF因子，从应收账款周转率角度构建了ART_QR因子，并生成了现金毛利CGP_TTM的增强版本[1]。 高频因子挖掘 - 在高频维度，通过赋予AI直接生成Python代码的能力，挖掘出一批逻辑新颖且表现优异的高频因子。其中部分强信号因子的多空组合年化收益超过60%[1]。 - 将AI高频因子库融入融合了日K与周K行情数据的AGRU神经网络模型后，模型的年化多头超额收益由18.24%显著提升至25.28%，RankIC均值提升了0.71个百分点[1]。 非结构化文本情绪分析 - 利用Gemini 2.5 Pro大模型对近百万字的上市公司调研纪要进行深度解析，并通过双速动态衰减模型构建了周度情绪因子[1]。 - 研究发现，该情绪因子呈现出独特的非对称预测能力，即正面情绪与股价上涨关系不强，但负面情绪是未来股价下跌的强预警信号，其空头组合年化超额收益达8.26%，显著优于传统因子。该因子与传统量价及基本面因子的相关性极低，可作为独立且有效的补充信息源[1]。 综合策略构建与效果 - 最终构建了一个多维信息融合的综合策略：将AI挖掘的高频因子与低频行情数据融合进AGRU神经网络，形成核心Alpha；再利用AI文本情绪因子对该核心Alpha进行空头端风险调整，构建了最终的中证800指数增强策略[1]。 - 与未加入调研因子调整的策略相比，最终策略在保持换手率基本不变的情况下，年化超额收益由11.15%提升至11.81%，信息比率由2.18提升至2.31，且近三年超额提升皆超过1个百分点[1]。

核心观点 - 商品期货多因子策略中，不同类别的因子预测能力差异显著，其中期限结构因子（特别是展期收益率）预测能力最强、最稳健，库存因子（以仓单水平为代表）是较为有效的反向因子，而持仓类因子普遍无效，传统动量及简单波动率因子的预测能力较弱 [2][3] - 因子有效性具有显著的频率依赖性，需根据交易频率动态调整因子库 月频策略有效组合为展期收益率、反向仓单水平及流动性因子，并可结合部分有效的动量因子（如涨幅占比） 周频策略应采用以展期收益率和反向仓单水平为双核心，并纳入偏度因子与波动率估计因子的复合模型，且所有动量因子在周频下均失效 [5] 商品期货因子分类与逻辑 - 商品期货因子依据驱动逻辑和数据来源，系统性地划分为动量、期限结构、量价、持仓、库存与波动率六大类别，构成了从市场情绪、资金行为到深层供需基本面的全方位分析框架 [2] - 这六类因子构成多层级的分析体系 动量与量价因子更多地捕捉市场已有信息的表达和情绪延续 期限结构与库存因子则直接锚定商品根本的供需基本面 持仓因子试图解读参与者的博弈 波动率因子则量化了整个系统的风险状态 [2] 有效因子筛选结果 - 通过因子ICIR检验与分层回溯测试，筛选出能稳定产生alpha收益的有效因子 期限结构因子（特别是展期收益率）是预测能力最强、最稳健的因子 [3] - 库存因子（以仓单水平为代表）是较为有效的反向因子，能够产生强大的收益潜力，尤其在对极端供需状况的鉴别力方面表现突出 [3] - 持仓类因子普遍无效，而传统动量及简单波动率因子的预测能力则较弱 [3] - 部分衍生因子在不同频率下的有效性表现差异较大，在实际应用中需要根据ICIR方向进行调整，并对因子表现背后的逻辑进行推演，以确保因子在不同市场状态下的收益效果和稳定性 [3][4] 不同时间维度的因子选择 - 因子有效性具有显著的频率依赖性，为策略构建提供了直接指导 [5] - 对于月频策略，有效组合为展期收益率、反向仓单水平及流动性因子，并可以结合部分有效的动量因子（比如涨幅占比） [5] - 对于周频策略，应采用以展期收益率和反向仓单水平为双核心，并纳入偏度因子与波动率估计因子的复合模型 [5] - 所有动量因子均在周频下失效，凸显了根据交易频率动态调整因子库的必要性 [5]

量化模型与构建方式 1. **模型名称：含虚假信息的掠夺性交易博弈模型** [1][3] * **模型构建思路**：基于Carlin等（2007）与Carmona & Yang（2011）的微观结构框架，构建一个包含受害者与捕食者的掠夺性交易博弈模型，并引入虚假信息（即玩家误信失真的信号）[3]。该模型旨在分析信息扭曲对市场均衡与价格波动的影响[3]。 * **模型具体构建过程**： 1. 市场中有N个参与者，其中1个是受害者，其余N-1个是捕食者[24]。 2. 第n个参与者在时刻t持有的风险资产总量为 $X^{n}(t)$，其交易速率 $\alpha^{n}(t)$ 满足 $X^{n}(t)=X^{n}(0)+\int_{0}^{t}\alpha^{n}(s)\mathrm{d}s$ [24]。 3. 交易价格 $P_t$ 与中间价 $X_t^0$ 的关系为 $P_{t}-X_{t}^{0}=\lambda\sum_{i=1}^{N}\alpha_{t}^{i}$，其中 $\lambda$ 是弹性因子，代表临时价格冲击[24]。 4. 中间价的动态变化为 $\mathrm{d}X_{t}^{0}=\gamma\sum_{i=1}^{N}\alpha_{t}^{i}\mathrm{d}t+\sigma\mathrm{d}W_{t}$，其中 $\gamma$ 是可塑性因子，$\sigma$ 是波动率，$W_t$ 是布朗运动，代表永久价格冲击和噪声交易[24]。 5. 每个参与者n的目标是最大化利润 $J^{n}(\mathbf{\alpha})=\mathbb{E}\left(\int_{0}^{T}\alpha^{n}\left(X_{t}^{0}+\lambda\sum_{i=1}^{N}\alpha_{t}^{i}\right)\mathrm{d}t\right)$ [26]。 6. 引入虚假信息：受害者被迫交易的真实数量为 $x_0^1$，但其他参与者收到的是扭曲版本 $\tilde{x}_{0,i}^{1}=x_0^{1}+\epsilon$，其中 $\epsilon$ 是随机失真[27]。模型假设每个参与者都坚信自己收到的信息是真实的[27]。 * **模型评价**：该模型通过“信念固着偏差”合理化假设，将虚假信息问题与不确定性下的博弈区分开来，使得在虚假信息下求解系统可以沿用基于正确信息的博弈论框架[28]。 量化因子与构建方式 1. **因子名称：误差因子（Error Factor）** [30] * **因子构建思路**：用于刻画虚假信息的扭曲程度及其在参与者中的传播范围，是衡量虚假信息对价格过程影响的关键综合指标[30][33]。 * **因子具体构建过程**： * **基础情形（两类信息）**：假设市场中有 $N_c$ 个正确信息持有者和 $N_w$ 个虚假信息持有者，虚假信息为 $\tilde{x}_0^1$，真实信息为 $x_0^1$。误差因子 $\tilde{\nu}$ 定义为： $$\tilde{\nu}:=\frac{N_{w}}{N}\left(\tilde{x}_{0}^{1}-x_{0}^{1}\right).\tag{12}$$ 其中 $N = N_c + N_w$，$\frac{N_w}{N}$ 代表虚假信息的传播范围，$(\tilde{x}_{0}^{1}-x_{0}^{1})$ 代表信息扭曲程度[30][33]。 * **广义情形（多种信息）**：假设有 $\kappa$ 种不同的信息信念，第 $l$ 种信念 $\tilde{x}_{0, w_l}^{1}$ 有 $N_{w_l}$ 个追随者。广义误差因子 $\nu$ 定义为： $$\nu:=\frac{1}{N}\,\sum_{l=1}^{\kappa}N_{w_{l}}\left(\bar{x}_{0,w_{l}}^{1}-x_{0}^{1}\right).\tag{28}$$ 该定义是基础情形的推广，对不同信息失真的影响进行加权求和[56]。 2. **因子名称：最大预期价格波动（MPF）** [34] * **因子构建思路**：用于衡量在特定时间段内，由博弈引发的额外价格波动强度，即均衡价格的最大预期波动幅度[34]。 * **因子具体构建过程**：对于具有误差因子 $\nu$ 的博弈，在时间段 $[t_*, t^*]$ 内的最大预期价格波动定义为： $$M P F_{\nu}(t_{*},t^{*}):=\operatorname*{max}_{t_{1},t_{2}\in[t_{*},t^{*}]}\left|\mathbb{E}\left(X_{t_{1}}^{0}-X_{t_{2}}^{0}\right)\right|.$$ 该指标完全归因于受害者的交易约束及其他参与者的掠夺性交易意图[34]。 3. **因子名称：兼容集与容忍边界（$\mathcal{V}$, $b_1$, $b_2$）** [38] * **因子构建思路**：定义系统可以容忍而不引发额外价格波动的误差因子集合（$\mathcal{V}$），以及该集合的边界 $b_1$ 和 $b_2$，用于量化系统对虚假信息的容忍阈值[38][40]。 * **因子具体构建过程**： 1. **兼容集 $\mathcal{V}$**：定义为导致最小预期波动的误差因子集合，即 $\mathcal{V}:=\left\{\,\tilde{v}\in\mathbb{R}\,\Big{|}\,M\,PF_{\tilde{v}}(0,T)=\min_{\tilde{v}\in\mathbb{R}}\,\,M\,PF_{\tilde{v}}(0,T)\,\right\}$。其补集 $\tilde{\mathcal{V}}$ 包含所有会引发更大波动的误差因子[38]。 2. **容忍边界 $b_1$, $b_2$**：定理指出，误差因子 $\tilde{\nu}$ 属于 $\mathcal{V}$ 的条件是： $$\left\{\begin{array}{ll}b_{2}\leq\bar{v}\leq b_{1}&\mbox{if}\quad\sum_{i=1}^{N}x_{0}^{i}\geq0\\ b_{1}\leq\bar{v}\leq b_{2}&\mbox{if}\quad\sum_{i=1}^{N}x_{0}^{i}<0\end{array}\right.\tag{21}$$ 其中 $b_1, b_2 \in \mathbb{R}$ 为常数边界，其具体表达式依赖于市场参数 $\lambda \gamma^{-1}$、博弈时长 $T$、累计交易需求 $\sum x_0^i$ 和玩家数量 $N$ 等系统参数[38][40][42]。 4. **因子名称：误差因子与边界的距离（$D_{\bar{v},d}$）** [48] * **因子构建思路**：当误差因子超出容忍边界时，用于衡量其超出程度，该距离与引发的额外价格波动大小相关[48]。 * **因子具体构建过程**：对于固定的误差因子 $\bar{v}$ 和边界 $d$（$d_1$ 或 $d_2$），定义距离为： $$D_{\bar{v},d_{1}}:=\begin{cases}|\bar{v}-d_{1}\mid\text{if}\ Sign\ d_{1}=Sign\ \bar{v}\\ 0\ \ \text{else,}\end{cases}$$ $$D_{\bar{v},d_{2}}:=\begin{cases}|\bar{v}-d_{2}\mid\text{if}\ Sign\ d_{2}=Sign\ \bar{v}\\ 0\ \ \text{else.}\end{cases}$$ 该距离衡量了误差因子 $\bar{v}$ 超出容忍集合 $\mathcal{V}$ 的程度[48]。 5. **因子名称：信息更新时间（$\tau_n$）与误差容忍阈值（$\iota, \kappa_n$）** [100] * **因子构建思路**：描述参与者通过观察市场价格来更新（怀疑）自身信息的机制。当观测价格与预期价格的偏差超过个人容忍阈值时，触发信息更新[100]。 * **因子具体构建过程**：第 $n$ 个参与者的信息更新时间 $\tau_n$ 定义为： $$\tau_{n}=\inf\left\{t\geq0\,:\,X_{t}^{0}-\mathbb{E}_{n}\left(X_{t}^{0}\right)\in\left\{-t_{n},\tau_{n}\right\}\right\},\tag{43}$$ 其中 $\mathbb{E}_n(X_t^0)$ 是该参与者基于自身信息的预期价格，$[-\iota, \kappa_n]$ 是其误差容忍阈值，即触发怀疑的价格偏差区间[100]。 模型的回测效果 （注：本篇为理论推导型研报，未提供具体的数值回测结果，如年化收益率、夏普比率、最大回撤等指标。报告主要通过定理、引理和图表展示理论关系，例如误差因子对价格路径的影响[31][32]、参数对容忍边界的影响[41][43]、以及随机失真下特定事件发生的概率估计[60][65]。） 因子的回测效果 （注：本篇为理论推导型研报，未提供因子在选股或预测方面的具体数值测试结果，如IC、IR、多空收益等指标。报告主要分析因子的理论性质及其与其他变量的关系，例如误差因子与最大预期价格波动（MPF）的关系[38][48]、容忍边界随系统参数的动态变化[40][42]、以及信息更新时间的概率分布[100][103]。）