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[14] * 因子具体构建过程：具体构建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》[14] 2. **因子名称：日内下行波动占比因子** * 因子构建思路：衡量日内下行波动在总波动中的占比[18] * 因子具体构建过程：具体构建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》[18] 3. **因子名称：开盘后买入意愿占比因子** * 因子构建思路：衡量开盘后一段时间内买方意愿的强弱[23] * 因子具体构建过程：具体构建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》[23] 4. **因子名称：开盘后买入意愿强度因子** * 因子构建思路：衡量开盘后一段时间内买方意愿的强度[28] * 因子具体构建过程：具体构建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》[28] 5. **因子名称：开盘后大单净买入占比因子** * 因子构建思路：衡量开盘后一段时间内大单净买入的占比[34] 6. **因子名称：开盘后大单净买入强度因子** * 因子构建思路：衡量开盘后一段时间内大单净买入的强度[37] 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[44] 8. **因子名称：尾盘成交占比因子** * 因子构建思路：衡量尾盘成交额在当日总成交额中的占比[49] 9. **因子名称：平均单笔流出金额占比因子** * 因子构建思路：衡量平均每笔流出金额在总成交额中的占比[54] 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[57] 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神经网络与全连接网络结合，从高频数据中提取选股信号[62] 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：使用带有残差注意力机制的LSTM神经网络与全连接网络结合，从高频数据中提取选股信号[63] 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：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[66] * 因子具体构建过程：因子基于双向A-GRU训练得到[66] 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：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[69] * 因子具体构建过程：因子基于双向A-GRU训练得到[69] 15. **模型名称：AI指数增强组合模型** * 模型构建思路：基于深度学习因子构建指数增强组合，通过优化求解得到组合权重[71] * 模型具体构建过程： 1. **信号合成**：使用多颗粒度模型-10日标签和多颗粒度模型-5日标签等权重合成预期收益信号[71] 2. **优化目标**：最大化预期收益，目标函数为 $$max\sum_{w_{i}}\mu_{i}w_{i}$$ 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[74] 3. **约束条件**：根据不同组合类型（空气指增、宽约束、严约束）施加个股、行业、风格（市值、PB、ROE等）、换手率等约束[72][74] 4. **交易设置**：测算中假定以次日均价成交，并扣除双边3‰的交易成本[75] 因子的回测效果 （数据基于周度换仓，统计截至2026年4月17日当周）[10][12] 1. **日内高频偏度因子**：上周多空收益0.32%，4月多空收益2.62%，2026年多空收益8.03%，2026年周胜率11/14[10] 2. **日内下行波动占比因子**：上周多空收益-0.17%，4月多空收益0.49%，2026年多空收益7.86%，2026年周胜率10/14[10] 3. **开盘后买入意愿占比因子**：上周多空收益0.51%，4月多空收益2.64%，2026年多空收益9.26%，2026年周胜率12/14[10] 4. **开盘后买入意愿强度因子**：上周多空收益1.57%，4月多空收益5.12%，2026年多空收益11.18%，2026年周胜率10/14[10] 5. **开盘后大单净买入占比因子**：上周多空收益0.34%，4月多空收益1.21%，2026年多空收益7.41%，2026年周胜率13/14[10] 6. **开盘后大单净买入强度因子**：上周多空收益0.10%，4月多空收益1.93%，2026年多空收益6.08%，2026年周胜率11/14[10] 7. **改进反转因子**：上周多空收益1.76%，4月多空收益3.12%，2026年多空收益5.68%，2026年周胜率8/14[10] 8. **尾盘成交占比因子**：上周多空收益1.26%，4月多空收益2.33%，2026年多空收益7.54%，2026年周胜率11/14[10] 9. **平均单笔流出金额占比因子**：上周多空收益0.43%，4月多空收益1.46%，2026年多空收益-3.39%，2026年周胜率6/14[12] 10. **大单推动涨幅因子**：上周多空收益0.22%，4月多空收益0.08%，2026年多空收益0.51%，2026年周胜率7/14[12] 11. **改进 GRU(50,2)+NN(10)因子**：上周多空收益1.07%，4月多空收益4.53%，2026年多空收益9.89%，2026年周胜率11/14[12] 12. **残差注意力 LSTM(48,2)+NN(10)因子**：上周多空收益0.89%，4月多空收益3.95%，2026年多空收益9.63%，2026年周胜率12/14[12] 13. **多颗粒度模型-5日标签因子**：上周多空收益-0.52%，4月多空收益2.51%，2026年多空收益12.73%，2026年周胜率13/14[12] 14. **多颗粒度模型-10日标签因子**：上周多空收益-1.61%，4月多空收益0.76%，2026年多空收益9.66%，2026年周胜率10/14[12] 模型的回测效果 （数据统计截至2026年4月17日当周）[13] 1. **周度调仓AI空气指增组合**：上周超额收益-2.01%/绝对收益0.56%，4月超额收益-4.70%/绝对收益0.93%，2026年超额收益2.03%/绝对收益8.89%，2026年周胜率7/14[13] 2. **日度调仓AI空气指增组合**：上周超额收益-2.16%/绝对收益0.40%，4月超额收益-4.74%/绝对收益0.89%，2026年超额收益1.61%/绝对收益8.47%，2026年周胜率7/14[13] 3. **周度调仓中证500 AI增强宽约束组合**：上周超额收益-2.01%/绝对收益1.06%，4月超额收益-4.99%/绝对收益2.85%，2026年超额收益-1.07%/绝对收益8.95%，2026年周胜率5/14[13] 4. **日度调仓中证500 AI增强宽约束组合**：上周超额收益-2.30%/绝对收益0.77%，4月超额收益-4.84%/绝对收益3.00%，2026年超额收益-4.51%/绝对收益5.52%，2026年周胜率5/14[13] 5. **周度调仓中证500 AI增强严约束组合**：上周超额收益-1.08%/绝对收益1.99%，4月超额收益-1.63%/绝对收益6.21%，2026年超额收益-0.42%/绝对收益9.60%，2026年周胜率8/14[13] 6. **日度调仓中证500 AI增强严约束组合**：上周超额收益-1.66%/绝对收益1.42%，4月超额收益-1.85%/绝对收益5.99%，2026年超额收益-1.56%/绝对收益8.46%，2026年周胜率8/14[13] 7. **周度调仓中证1000 AI增强宽约束组合**：上周超额收益-3.16%/绝对收益0.70%，4月超额收益-6.97%/绝对收益2.06%，2026年超额收益-2.10%/绝对收益7.27%，2026年周胜率7/14[13] 8. **日度调仓中证1000 AI增强宽约束组合**：上周超额收益-3.26%/绝对收益0.60%，4月超额收益-6.08%/绝对收益2.95%，2026年超额收益-2.87%/绝对收益6.51%，2026年周胜率6/14[13] 9. **周度调仓中证1000 AI增强严约束组合**：上周超额收益-2.29%/绝对收益1.58%，4月超额收益-3.46%/绝对收益5.57%，2026年超额收益-0.32%/绝对收益9.06%，2026年周胜率8/14[13] 10. **日度调仓中证1000 AI增强严约束组合**：上周超额收益-1.70%/绝对收益2.16%，4月超额收益-3.08%/绝对收益5.95%，2026年超额收益0.94%/绝对收益10.32%，2026年周胜率8/14[13]

报告行业投资评级 * 报告未明确给出具体的行业投资评级 [4] 报告的核心观点 * 上周（20260406-20260410）高频因子普遍表现优异，多粒度因子多头强势反弹 [1][2] * AI空气值增组合表现优异，但指数增强组合超额收益出现回撤 [1][2] 高频因子表现汇总 * 日内高频偏度因子上周、4月、2026年多空收益分别为1.19%、2.30%、7.71% [5][11] * 日内下行波动占比因子上周、4月、2026年多空收益分别为0.40%、0.66%、8.03% [5][11] * 开盘后买入意愿占比因子上周、4月、2026年多空收益分别为1.36%、2.13%、8.75% [5][11] * 开盘后买入意愿强度因子上周、4月、2026年多空收益分别为2.17%、3.54%、9.61% [5][11] * 开盘后大单净买入占比因子上周、4月、2026年多空收益分别为0.36%、0.88%、7.08% [5][11] * 开盘后大单净买入强度因子上周、4月、2026年多空收益分别为0.59%、1.83%、5.98% [5][11] * 改进反转因子上周、4月、2026年多空收益分别为1.70%、1.37%、3.92% [5][11] * 尾盘成交占比因子上周、4月、2026年多空收益分别为1.02%、1.07%、6.28% [5][11] * 平均单笔流出金额占比因子上周、4月、2026年多空收益分别为0.68%、1.03%、-3.82% [5][13] * 大单推动涨幅因子上周、4月、2026年多空收益分别为0.20%、-0.14%、0.29% [5][13] 深度学习因子表现汇总 * 改进GRU(50,2)+NN(10)因子上周、4月、2026年多空收益分别为2.58%、3.46%、8.83% [13] * 残差注意力LSTM(48,2)+NN(10)因子上周、4月、2026年多空收益分别为2.99%、3.06%、8.74% [13] * 多颗粒度模型（5日标签）因子上周、4月、2026年多空收益分别为2.08%、3.03%、13.25%，多头超额收益分别为0.91%、0.47%、6.24% [5][13] * 多颗粒度模型（10日标签）因子上周、4月、2026年多空收益分别为2.41%、2.37%、11.27%，多头超额收益分别为1.36%、0.16%、5.75% [5][13] AI增强组合表现汇总 * 周度调仓的AI空气值增组合上周、4月、2026年的超额/绝对收益率分别为0.92%/5.99%、-2.62%/0.37%、4.09%/8.29% [5][14] * 日度调仓的AI空气值增组合上周、4月、2026年的超额/绝对收益率分别为0.84%/5.91%、-2.51%/0.48%、3.84%/8.04% [5][14] * 周度调仓的中证500 AI增强宽约束组合上周、4月、2026年的超额/绝对收益率分别为-2.07%/3.70%、-2.85%/1.77%、1.06%/7.81% [5][14] * 日度调仓的中证500 AI增强宽约束组合上周、4月、2026年的超额/绝对收益率分别为-1.53%/4.24%、-2.41%/2.21%、-2.03%/4.71% [5][14] * 周度调仓的中证500 AI增强严约束组合上周、4月、2026年的超额/绝对收益率分别为-0.37%/5.39%、-0.49%/4.14%、0.72%/7.46% [5][14] * 日度调仓的中证500 AI增强严约束组合上周、4月、2026年的超额/绝对收益率分别为0.33%/6.09%、-0.11%/4.51%、0.20%/6.95% [5][14] * 周度调仓的中证1000 AI增强宽约束组合上周、4月、2026年的超额/绝对收益率分别为-1.89%/4.23%、-3.62%/1.34%、1.22%/6.52% [5][14] * 日度调仓的中证1000 AI增强宽约束组合上周、4月、2026年的超额/绝对收益率分别为-1.16%/4.96%、-2.64%/2.33%、0.56%/5.87% [5][14] * 周度调仓的中证1000 AI增强严约束组合上周、4月、2026年的超额/绝对收益率分别为-0.81%/5.31%、-1.04%/3.93%、2.06%/7.37% [5][14] * 日度调仓的中证1000 AI增强严约束组合上周、4月、2026年的超额/绝对收益率分别为-0.57%/5.56%、-1.26%/3.70%、2.68%/7.98% [5][14]

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]

报告行业投资评级 * 报告未明确给出具体的行业投资评级 [1][2][3][5][7][8][9] 报告的核心观点 * 上周（20260224-20260227）高频选股因子整体表现优异，但多粒度因子的多头超额收益出现回撤 [1][2] * 基于人工智能（AI）的指数增强组合在上周普遍出现超额收益回撤 [2][5] 高频因子表现汇总 * 日内高频偏度因子上周、2月、2026年至今（YTD）的多空收益分别为0.49%、0.31%、4.31% [5][11] * 日内下行波动占比因子上周、2月、2026年YTD的多空收益分别为0.23%、1.06%、5.81% [5][11] * 开盘后大单净买入占比因子上周、2月、2026年YTD的多空收益分别为0.73%、2.26%、4.81% [5][11] * 开盘后大单净买入强度因子上周、2月、2026年YTD的多空收益分别为0.46%、1.84%、3.70% [5][11] * 尾盘成交占比因子上周、2月、2026年YTD的多空收益分别为0.28%、0.45%、4.75% [5][11] * 平均单笔流出金额占比因子上周、2月、2026年YTD的多空收益分别为-0.56%、-1.33%、-2.89% [5][13] * 大单推动涨幅因子上周、2月、2026年YTD的多空收益分别为-0.57%、-0.76%、0.63% [5][13] 深度学习与多粒度因子表现 * 改进GRU(50,2)+NN(10)因子上周、2月、2026年YTD的多空收益分别为1.27%、3.12%、5.26% [13] * 残差注意力LSTM(48,2)+NN(10)因子上周、2月、2026年YTD的多空收益分别为1.16%、3.84%、4.33% [13] * 多颗粒度模型（5日标签）因子上周、2月、2026年YTD的多空收益分别为0.22%、2.13%、7.62%，但多头超额收益在上周为-0.04% [5][13] * 多颗粒度模型（10日标签）因子上周、2月、2026年YTD的多空收益分别为-0.37%、1.76%、5.83%，多头超额收益在上周为-0.34% [5][13] AI增强组合表现 * 周度调仓的AI空气指增组合上周、2月、2026年YTD的超额收益/绝对收益率分别为-1.13%/2.25%、1.34%/5.23%、3.74%/15.79% [5][14] * 日度调仓的AI空气指增组合上周、2月、2026年YTD的超额收益/绝对收益率分别为-0.57%/2.81%、2.22%/6.11%、4.93%/16.98% [5][14] * 周度调仓的中证500 AI增强宽约束组合上周、2月、2026年YTD的超额收益/绝对收益率分别为-2.69%/1.63%、-1.14%/2.30%、-3.99%/11.99% [5][14] * 周度调仓的中证500 AI增强严约束组合上周、2月、2026年YTD的超额收益/绝对收益率分别为-1.54%/2.78%、0.29%/3.73%、-1.43%/14.55% [5][14] * 周度调仓的中证1000 AI增强宽约束组合上周、2月、2026年YTD的超额收益/绝对收益率分别为-2.70%/1.64%、-1.03%/2.68%、0.24%/12.96% [5][14] * 周度调仓的中证1000 AI增强严约束组合上周、2月、2026年YTD的超额收益/绝对收益率分别为-1.03%/3.31%、0.06%/3.76%、0.86%/13.57% [5][14]

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[15]。 **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》[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，衡量下行波动在总波动中的占比[17]。 **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》[17]。 3. **因子名称：开盘后买入意愿占比因子** **因子构建思路：** 基于高频委托单数据，衡量开盘后一段时间内买方意愿的强度[23]。 **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式可参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[23]。 4. **因子名称：开盘后买入意愿强度因子** **因子构建思路：** 基于高频委托单数据，衡量开盘后一段时间内买方意愿的强度[28]。 **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式可参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[28]。 5. **因子名称：开盘后大单净买入占比因子** **因子构建思路：** 基于高频成交数据，衡量开盘后大单净买入的占比情况[33]。 6. **因子名称：开盘后大单净买入强度因子** **因子构建思路：** 基于高频成交数据，衡量开盘后大单净买入的强度[37]。 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，以提升选股效果[41]。 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在当日总成交额中的占比[47]。 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在总流出金额中的占比[51]。 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[56]。 11. **因子名称：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）神经网络与全连接神经网络（NN）相结合，从高频数据中提取选股信号[61]。 12. **因子名称：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）神经网络与全连接神经网络（NN）相结合，从高频数据中提取选股信号[64]。 13. **因子名称：多颗粒度模型-5日标签** **因子构建思路：** 基于双向A-GRU（注意力门控循环单元）深度学习模型训练得到的因子，使用5日收益作为训练标签[67]。 **因子具体构建过程：** 因子基于双向A-GRU训练得到[67]。 14. **因子名称：多颗粒度模型-10日标签** **因子构建思路：** 基于双向A-GRU（注意力门控循环单元）深度学习模型训练得到的因子，使用10日收益作为训练标签[70]。 **因子具体构建过程：** 因子基于双向A-GRU训练得到[70]。 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：** 基于深度学习因子构建指数增强组合，通过优化模型在控制跟踪误差和各项约束的前提下最大化预期超额收益[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 * 0.5 + 多颗粒度模型-5日标签 * 0.5）作为股票的预期超额收益（μi）来源[73]。 * **优化目标：** 最大化预期收益。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[76]。 * **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，包括个股权重上限、行业偏离、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]。 * **回测设置：** 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 （数据来源：表2，周度高频、深度选股因子IC，RankMAE，多空收益，多头超额收益及月度胜率[11][13]） | 因子名称 | 历史IC | 2026年IC | 历史e^(-rank mae) | 2026年e^(-rank mae) | 上周多空收益 | 2月多空收益 | 2026YTD多空收益 | 2026年周胜率 | 上周多头超额 | 2月多头超额 | 2026YTD多头超额 | 2026年周胜率（多头） | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 日内高频偏度 | 0.019 | 0.030 | 0.324 | 0.327 | 0.49% | 0.31% | 4.31% | 6/7 | 0.18% | -0.15% | 1.89% | 5/7 | | 日内下行波动占比 | 0.016 | 0.036 | 0.323 | 0.327 | 0.23% | 1.06% | 5.81% | 6/7 | 0.08% | 0.50% | 2.94% | 5/7 | | 开盘后买入意愿占比 | 0.025 | 0.020 | 0.321 | 0.321 | 0.01% | -0.90% | 2.97% | 5/7 | -0.57% | -1.05% | 0.36% | 4/7 | | 开盘后买入意愿强度 | 0.030 | 0.024 | 0.326 | 0.327 | -0.41% | -1.93% | 2.42% | 4/7 | -0.65% | -1.48% | 0.80% | 4/7 | | 开盘后大单净买入占比 | 0.035 | 0.034 | 0.322 | 0.320 | 0.73% | 2.26% | 4.81% | 6/7 | -0.24% | 0.48% | 1.48% | 4/7 | | 开盘后大单净买入强度 | 0.024 | 0.029 | 0.320 | 0.319 | 0.46% | 1.84% | 3.70% | 5/7 | 0.04% | 0.70% | 0.87% | 5/7 | | 改进反转 | 0.030 | 0.013 | 0.330 | 0.329 | -1.12% | -0.68% | 2.06% | 4/7 | -0.08% | 0.61% | 2.95% | 5/7 | | 尾盘成交占比 | 0.026 | 0.024 | 0.322 | 0.319 | 0.28% | 0.45% | 4.75% | 5/7 | -0.41% | -0.51% | 1.77% | 4/7 | | 平均单笔流出金额占比 | 0.007 | -0.022 | 0.317 | 0.312 | -0.56% | -1.33% | -2.89% | 2/7 | 0.16% | -0.53% | -1.03% | 3/7 | | 大单推动涨幅 | 0.018 | 0.000 | 0.325 | 0.325 | -0.57% | -0.76% | 0.63% | 4/7 | 0.45% | 0.56% | 1.43% | 5/7 | | 改进 GRU(50,2)+NN(10) | 0.065 | 0.030 | 0.336 | 0.326 | 1.27% | 3.12% | 5.26% | 6/7 | 0.24% | 0.06% | 0.37% | 5/7 | | 残差注意力 LSTM(48,2)+NN(10) | 0.062 | 0.027 | 0.334 | 0.322 | 1.16% | 3.84% | 4.33% | 5/7 | 0.33% | 1.11% | 1.21% | 4/7 | | 多颗粒度模型-5日标签 | 0.079 | 0.048 | 0.343 | 0.336 | 0.22% | 2.13% | 7.62% | 7/7 | -0.04% | 0.46% | 3.74% | 6/7 | | 多颗粒度模型-10日标签 | 0.073 | 0.046 | 0.342 | 0.339 | -0.37% | 1.76% | 5.83% | 5/7 | -0.34% | 0.50% | 3.24% | 5/7 | 模型的回测效果 （数据来源：表3，周度调仓的AI增强组合超额收益及周度胜率[14]） | 模型/组合名称 | 上周超额收益 | 上周绝对收益 | 2月超额收益 | 2月绝对收益 | 2026YTD超额收益 | 2026YTD绝对收益 | 2026年周胜率 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | **AI空气指增** | | | | | | | | | 周度组合 | -1.13% | 2.25% | 1.34% | 5.23% | 3.74% | 15.79% | 3/7 | | 日度组合 | -0.57% | 2.81% | 2.22% | 6.11% | 4.93% | 16.98% | 3/7 | | **中证500 AI增强宽约束** | | | | | | | | | 周度组合 | -2.69% | 1.63% | -1.14% | 2.30% | -3.99% | 11.99% | 2/7 | | 日度组合 | -2.74% | 1.59% | -1.61% | 1.83% | -5.24% | 10.74% | 2/7 | | **中证500 AI增强严约束** | | | | | | | | | 周度组合 | -1.54% | 2.78% | 0.29% | 3.73% | -1.43% | 14.55% | 3/7 | | 日度组合 | -0.68% | 3.64% | 0.13% | 3.57% | -1.11% | 14.87% | 3/7 | | **中证1000 AI增强宽约束** | | | | | | | | | 周度组合 | -2.70% | 1.64% | -1.03% | 2.68% | 0.24% | 12.96% | 3/7 | | 日度组合 | -2.10% | 2.24% | -0.82% | 2.88% | -0.12% | 12.59% | 3/7 | | **中证1000 AI增强严约束** | | | | | | | | | 周度组合 | -1.03% | 3.31% | 0.06% | 3.76% | 0.86% | 13.57% | 4/7 | | 日度组合 | -1.14% | 3.20% | -0.62% | 3.09% | 1.74% | 14.45% | 4/7 |

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：** 捕捉股票日内收益率分布的偏度特征，作为预测未来收益的指标[15]。 * **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》[15]。该因子已对常规因子进行正交处理[15]。 2. **因子名称：日内下行波动占比因子** * **因子构建思路：** 利用高频数据分解已实现波动，计算下行波动部分在总波动中的占比[19]。 * **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式可参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[19]。该因子已对常规因子进行正交处理[19]。 3. **因子名称：开盘后买入意愿占比因子** * **因子构建思路：** 基于开盘后一段时间内的高频交易数据，度量市场买入意愿的强度[23]。 * **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式可参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[23]。该因子已对常规因子进行正交处理[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，但侧重于度量买入意愿的强度而非占比[29]。 * **因子具体构建过程：** 报告未提供具体计算公式，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]。该因子已对常规因子进行正交处理[29]。 5. **因子名称：开盘后大单净买入占比因子** * **因子构建思路：** 计算开盘后一段时间内，大单净买入金额在总成交额中的占比，反映大资金的动向[34]。 6. **因子名称：开盘后大单净买入强度因子** * **因子构建思路：** 度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：** 在传统反转因子的基础上进行改进[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当日总成交额中的占比[49]。 9. **因子名称：平均单笔流出金额占比因子** * **因子构建思路：** 计算平均每笔流出交易的金额占比[53]。 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：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（50个隐藏单元，2层）结合一个10层的全连接神经网络（NN），从高频数据中提取预测信号[62]。 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（48个隐藏单元，2层）结合一个10层的全连接神经网络（NN），从高频数据中提取预测信号[65]。 13. **因子名称：多颗粒度模型-5日标签因子** * **因子构建思路：** 使用深度学习模型（基于双向A-GRU训练）构建，以5日收益率为预测标签[68]。 * **因子评价：** 继续稳定表现[2][5]。 14. **因子名称：多颗粒度模型-10日标签因子** * **因子构建思路：** 使用深度学习模型（基于双向A-GRU训练）构建，以10日收益率为预测标签[71]。 * **因子评价：** 继续稳定表现[2][5]。 15. **因子名称：复合深度学习因子** * **因子构建思路：** 将“多颗粒度模型-5日标签”和“多颗粒度模型-10日标签”两个因子等权合成，作为AI增强组合的核心阿尔法信号[73]。 * **因子具体构建过程：** 合成公式为：多颗粒度模型-10日标签 * 0.5 + 多颗粒度模型-5日标签 * 0.5[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：** 以复合深度学习因子作为预期收益来源，通过组合优化在给定约束条件下构建投资组合，旨在最大化预期收益[73][76]。 * **模型具体构建过程：** * **核心阿尔法信号：** 使用复合深度学习因子（多颗粒度模型-10日标签*0.5 + 多颗粒度模型-5日标签*0.5）作为股票i的预期超额收益μi的来源[73]。 * **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在组合中的权重，μi为股票i的预期超额收益[76]。 * **约束条件：** 根据不同产品设定不同的风险控制约束，包括个股权重上限、行业偏离、风格因子（市值、PB、ROE等）暴露、成分股权重下限以及换手率约束等[74][76]。 * **实践参数：** 测算中假定以次日均价成交，并扣除双边3‰的交易成本[77]。 * **模型评价：** AI增强组合继续强势表现[1][2][5]。 因子的回测效果 （数据来源：表2，统计区间：上周、2月、2026年以来（YTD），以及历史/2026年IC和RankMAE）[11][13] 1. **日内高频偏度因子**，历史IC 0.019，2026年IC 0.026，历史e^(-rank mae) 0.324，2026年e^(-rank mae) 0.328，上周多空收益 -1.11%，2月多空收益 -1.11%，2026YTD多空收益 2.89%，上周多头超额 -0.63%，2月多头超额 -0.63%，2026YTD多头超额 1.41%，2026年周胜率 4/5[11] 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) 0.326，上周多空收益 -0.61%，2月多空收益 -0.61%，2026YTD多空收益 4.14%，上周多头超额 -0.36%，2月多头超额 -0.36%，2026YTD多头超额 2.08%，2026年周胜率 4/5[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e^(-rank mae) 0.321，2026年e^(-rank mae) 0.325，上周多空收益 -0.04%，2月多空收益 -0.04%，2026YTD多空收益 3.82%，上周多头超额 0.35%，2月多头超额 0.35%，2026YTD多头超额 1.76%，2026年周胜率 4/5[11] 4. **开盘后买入意愿强度因子**，历史IC 0.030，2026年IC 0.041，历史e^(-rank mae) 0.326，2026年e^(-rank mae) 0.333，上周多空收益 -0.79%，2月多空收益 -0.79%，2026YTD多空收益 3.56%，上周多头超额 -0.45%，2月多头超额 -0.45%，2026YTD多头超额 1.83%，2026年周胜率 4/5[11] 5. **开盘后大单净买入占比因子**，历史IC 0.035，2026年IC 0.032，历史e^(-rank mae) 0.322，2026年e^(-rank mae) 0.319，上周多空收益 0.34%，2月多空收益 0.34%，2026YTD多空收益 2.89%，上周多头超额 0.44%，2月多头超额 0.44%，2026YTD多头超额 1.44%，2026年周胜率 4/5[11] 6. **开盘后大单净买入强度因子**，历史IC 0.024，2026年IC 0.032，历史e^(-rank mae) 0.320，2026年e^(-rank mae) 0.320，上周多空收益 0.29%，2月多空收益 0.29%，2026YTD多空收益 2.15%，上周多头超额 0.23%，2月多头超额 0.23%，2026YTD多头超额 0.40%，2026年周胜率 3/5[11] 7. **改进反转因子**，历史IC 0.030，2026年IC 0.025，历史e^(-rank mae) 0.330，2026年e^(-rank mae) 0.330，上周多空收益 0.19%，2月多空收益 0.19%，2026YTD多空收益 2.93%，上周多头超额 0.18%，2月多头超额 0.18%，2026YTD多头超额 2.52%，2026年周胜率 4/5[11] 8. **尾盘成交占比因子**，历史IC 0.026，2026年IC 0.024，历史e^(-rank mae) 0.322，2026年e^(-rank mae) 0.318，上周多空收益 -0.40%，2月多空收益 -0.40%，2026YTD多空收益 3.90%，上周多头超额 0.27%，2月多头超额 0.27%，2026YTD多头超额 2.56%，2026年周胜率 4/5[11] 9. **平均单笔流出金额占比因子**，历史IC 0.008，2026年IC -0.021，历史e^(-rank mae) 0.317，2026年e^(-rank mae) 0.312，上周多空收益 -0.43%，2月多空收益 -0.43%，2026YTD多空收益 -1.99%，上周多头超额 -0.01%，2月多头超额 -0.01%，2026YTD多头超额 -0.51%，2026年周胜率 2/5[13] 10. **大单推动涨幅因子**，历史IC 0.018，2026年IC -0.001，历史e^(-rank mae) 0.325，2026年e^(-rank mae) 0.324，上周多空收益 -0.99%，2月多空收益 -0.99%，2026YTD多空收益 0.41%，上周多头超额 -0.76%，2月多头超额 -0.76%，2026YTD多头超额 0.11%，2026年周胜率 3/5[13] 11. **改进 GRU(50,2)+NN(10)因子**，历史IC 0.065，2026年IC 0.013，历史e^(-rank mae) 0.336，2026年e^(-rank mae) 0.323，上周多空收益 0.22%，2月多空收益 0.22%，2026YTD多空收益 2.36%，上周多头超额 -0.41%，2月多头超额 -0.41%，2026YTD多头超额 -0.11%，2026年周胜率 4/5[13] 12. **残差注意力 LSTM(48,2)+NN(10)因子**，历史IC 0.062，2026年IC 0.006，历史e^(-rank mae) 0.334，2026年e^(-rank mae) 0.317，上周多空收益 0.41%，2月多空收益 0.41%，2026YTD多空收益 0.90%，上周多头超额 -0.08%，2月多头超额 -0.08%，2026YTD多头超额 0.02%，2026年周胜率 3/5[13] 13. **多颗粒度模型-5日标签因子**，历史IC 0.079，2026年IC 0.051，历史e^(-rank mae) 0.343，2026年e^(-rank mae) 0.339，上周多空收益 0.65%，2月多空收益 0.65%，2026YTD多空收益 6.15%，上周多头超额 0.18%，2月多头超额 0.18%，2026YTD多头超额 3.45%，2026年周胜率 5/5[13] 14. **多颗粒度模型-10日标签因子**，历史IC 0.073，2026年IC 0.048，历史e^(-rank mae) 0.342，2026年e^(-rank mae) 0.342，上周多空收益 0.53%，2月多空收益 0.53%，2026YTD多空收益 4.60%，上周多头超额 0.26%，2月多头超额 0.26%，2026YTD多头超额 3.01%，2026年周胜率 4/5[13] 模型的回测效果 （数据来源：表3，统计区间：上周、2月、2026年以来（YTD））[14] 1. **AI空气指增模型（周度调仓）**，上周超额收益 3.63%，上周绝对收益 3.29%，2月超额收益 3.63%，2月绝对收益 3.29%，2026YTD超额收益 6.18%，2026YTD绝对收益 13.66%，2026年周胜率 3/5[14] 2. **AI空气指增模型（日度调仓）**，上周超额收益 3.83%，上周绝对收益 3.48%，2月超额收益 3.83%，2月绝对收益 3.48%，2026YTD超额收益 6.60%，2026YTD绝对收益 14.08%，2026年周胜率 3/5[14] 3. **中证500 AI增强宽约束模型（周度调仓）**，上周超额收益 2.25%，上周绝对收益 -0.42%，2月超额收益 2.25%，2月绝对收益 -0.42%，2026YTD超额收益 -0.11%，2026YTD绝对收益 9.01%，2026年周胜率 2/5[14] 4. **中证500 AI增强宽约束模型（日度调仓）**，上周超额收益 2.08%，上周绝对收益 -0.59%，2月超额收益 2.08%，2月绝对收益 -0.59%，2026YTD超额收益 -1.01%，2026YTD绝对收益 8.11%，2026年周胜率 2/5[14] 5. **中证500 AI增强严约束模型（周度调仓）**，上周超额收益 1.29%，上周绝对收益 -1.38%，2月超额收益 1.29%，2月绝对收益 -1.38%，2026YTD超额收益 -0.21%，2026YTD绝对收益 8.91%，2026年周胜率 2/5[14] 6. **中证500 AI增强严约束模型（日度调仓）**，上周超额收益 1.46%，上周绝对收益 -1.22%，2月超额收益 1.46%，2月绝对收益 -1.22%，2026YTD超额收益 0.44%，2026YTD绝对收益 9.56%，2026年周胜率 3/5[14] 7. **中证1000 AI增强宽约束模型（周度调仓）**，上周超额收益 2.66%，上周绝对收益 0.20%，2月超额收益 2.66%，2月绝对收益 0.20%，2026YTD超额收益 4.21%，2026YTD绝对收益 10.22%，2026年周胜率 3/5[14] 8. **中证1000 AI增强宽约束模型（日度调仓）**，上周超额收益 2.43%，上周绝对收益 -0.03%，2月超额收益 2.43%，2月绝对收益 -0.03%，2026YTD超额收益 3.40%，2026YTD绝对收益 9.40%，2026年周胜率 3/5[14] 9. **中证1000 AI增强严约束模型（周度调仓）**，上周超额收益 1.65%，上周绝对收益 -0.82%，2月超额收益 1.65%，2月绝对收益 -0.82%，2026YTD超额收益 2.55%，2026YTD绝对收益 8.56%，2026年周胜率 4/5[14] 10. **中证1000 AI增强严约束模型（日度调仓）**，上周超额收益 1.46%，上周绝对收益 -1.00%，2月超额收益 1.46%，2月绝对收益 -1.00%，2026YTD超额收益 3.90%，2026YTD绝对收益 9.90%，2026年周胜率 4/5[14]

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]

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：日内高频偏度因子 **因子构建思路**：捕捉股票日内收益的分布特征，特别是偏度信息，以预测未来收益[14] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[14] 2. **因子名称**：日内下行波动占比因子 **因子构建思路**：分解已实现波动，关注下行波动部分在总波动中的占比，以衡量股票的下跌风险[19] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[19] 3. **因子名称**：开盘后买入意愿占比因子 **因子构建思路**：基于开盘后一段时间内的高频交易数据，通过直观逻辑或机器学习方法，将高频信息低频化，计算买入意愿的占比[23] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[23] 4. **因子名称**：开盘后买入意愿强度因子 **因子构建思路**：与买入意愿占比因子类似，但更侧重于衡量买入意愿的强度而非单纯占比[28] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[28] 5. **因子名称**：开盘后大单净买入占比因子 **因子构建思路**：分析开盘后大单资金的净买入行为，计算其占比以捕捉主力资金动向[33] 6. **因子名称**：开盘后大单净买入强度因子 **因子构建思路**：在净买入占比的基础上，进一步衡量大单净买入的强度[38] 7. **因子名称**：改进反转因子 **因子构建思路**：对传统反转因子进行改进，以更好地捕捉价格反转效应[43] 8. **因子名称**：尾盘成交占比因子 **因子构建思路**：关注尾盘时段成交量在全天成交量中的占比，以捕捉尾盘资金行为信息[49] 9. **因子名称**：平均单笔流出金额占比因子 **因子构建思路**：通过计算平均单笔流出金额的占比，来衡量资金流出的压力[55] 10. **因子名称**：大单推动涨幅因子 **因子构建思路**：衡量由大单交易推动的股价上涨幅度，以识别有资金强力推动的股票[60] 11. **因子名称**：改进 GRU(50,2)+NN(10) 因子 **因子构建思路**：使用门控循环单元（GRU）和神经网络（NN）相结合的深度学习模型，从高频数据中提取选股信号[64] **因子具体构建过程**：模型结构为GRU(50,2)与NN(10)的组合，具体网络架构和训练细节未在报告中详述[64] 12. **因子名称**：残差注意力 LSTM(48,2)+NN(10) 因子 **因子构建思路**：使用结合了残差连接和注意力机制的长短期记忆网络（LSTM）与神经网络相结合的深度学习模型，处理高频数据[66] **因子具体构建过程**：模型结构为残差注意力LSTM(48,2)与NN(10)的组合，具体网络架构和训练细节未在报告中详述[66] 13. **因子名称**：多颗粒度模型-5日标签因子 **因子构建思路**：使用基于双向AGRU（可能指注意力GRU）训练的多颗粒度深度学习模型，预测未来5日的收益标签[69] **因子具体构建过程**：模型基于双向AGRU训练得到，具体网络架构和训练细节未在报告中详述[69] 14. **因子名称**：多颗粒度模型-10日标签因子 **因子构建思路**：使用基于双向AGRU训练的多颗粒度深度学习模型，预测未来10日的收益标签[70] **因子具体构建过程**：模型基于双向AGRU训练得到，具体网络架构和训练细节未在报告中详述[70] 量化模型与构建方式 1. **模型名称**：周度调仓的中证500 AI增强宽约束组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10日标签）构建中证500指数增强组合，在较宽松的风险约束下最大化预期收益[74] **模型具体构建过程**：以最大化预期收益为目标函数 $$max\sum\mu_{i}w_{i}$$，其中 $w_i$ 为股票i的权重，$\mu_i$ 为股票i的预期超额收益[75]。组合优化时施加一系列风险控制约束，包括个股权重上限1%、行业偏离上限1%、市值因子暴露上限0.3等“宽”约束条件[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 2. **模型名称**：周度调仓的中证500 AI增强严约束组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10日标签）构建中证500指数增强组合，在更严格的风险约束下最大化预期收益[74] **模型具体构建过程**：目标函数与宽约束组合相同 $$max\sum\mu_{i}w_{i}$$[75]。但施加更严格的风险约束，例如市值因子暴露上限收紧至0.1，并额外增加ROE、SUE、波动率等因子的暴露约束，以及更高的成份股权重约束（0.8）[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 3. **模型名称**：周度调仓的中证1000 AI增强宽约束组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10日标签）构建中证1000指数增强组合，在较宽松的风险约束下最大化预期收益[74] **模型具体构建过程**：目标函数与前述组合相同 $$max\sum\mu_{i}w_{i}$$[75]。对中证1000指数成分股进行优化，约束条件与中证500宽约束组合类似，包括个股权重上限1%、行业偏离上限1%、市值因子暴露上限0.3等[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 4. **模型名称**：周度调仓的中证1000 AI增强严约束组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10日标签）构建中证1000指数增强组合，在更严格的风险约束下最大化预期收益[74] **模型具体构建过程**：目标函数与前述组合相同 $$max\sum\mu_{i}w_{i}$$[75]。对中证1000指数成分股进行优化，约束条件与中证500严约束组合类似，包括更严格的市值暴露约束（0.1）以及额外的ROE、SUE、波动率等因子暴露约束和成份股权重约束（0.8）[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 因子的回测效果 （以下数据均为周度频率测试结果，涵盖“上周”、“12月”及“2025YTD”三个时间段）[10][13] 1. 日内高频偏度因子，IC(历史)0.019，IC(2025年)0.021，e^(-rank mae)(历史)0.324，e^(-rank mae)(2025年)0.326，多空收益上周0.67%，多空收益12月-1.18%，多空收益2025YTD 22.39%，2025年周胜率32/51，多头超额收益上周-0.09%，多头超额收益12月-1.49%，多头超额收益2025YTD 5.11%，多头超额收益2025年周胜率26/51[10] 2. 日内下行波动占比因子，IC(历史)0.016，IC(2025年)0.018，e^(-rank mae)(历史)0.323，e^(-rank mae)(2025年)0.324，多空收益上周0.87%，多空收益12月-1.33%，多空收益2025YTD 19.08%，2025年周胜率34/51，多头超额收益上周-0.01%，多头超额收益12月-1.70%，多头超额收益2025YTD 1.89%，多头超额收益2025年周胜率27/51[10] 3. 开盘后买入意愿占比因子，IC(历史)0.025，IC(2025年)0.023，e^(-rank mae)(历史)0.321，e^(-rank mae)(2025年)0.320，多空收益上周0.66%，多空收益12月0.61%，多空收益2025YTD 21.12%，2025年周胜率38/51，多头超额收益上周0.59%，多头超额收益12月0.37%，多头超额收益2025YTD 9.83%，多头超额收益2025年周胜率33/51[10] 4. 开盘后买入意愿强度因子，IC(历史)0.030，IC(2025年)0.027，e^(-rank mae)(历史)0.326，e^(-rank mae)(2025年)0.326，多空收益上周0.46%，多空收益12月0.94%，多空收益2025YTD 28.09%，2025年周胜率38/51，多头超额收益上周-0.49%，多头超额收益12月0.10%，多头超额收益2025YTD 10.73%，多头超额收益2025年周胜率35/51[10] 5. 开盘后大单净买入占比因子，IC(历史)0.035，IC(2025年)0.020，e^(-rank mae)(历史)0.322，e^(-rank mae)(2025年)0.317，多空收益上周-0.21%，多空收益12月0.17%，多空收益2025YTD 22.11%，2025年周胜率35/51，多头超额收益上周-0.07%，多头超额收益12月0.75%，多头超额收益2025YTD 11.27%，多头超额收益2025年周胜率32/51[10] 6. 开盘后大单净买入强度因子，IC(历史)0.024，IC(2025年)0.014，e^(-rank mae)(历史)0.320，e^(-rank mae)(2025年)0.316，多空收益上周-0.25%，多空收益12月0.38%，多空收益2025YTD 12.50%，2025年周胜率30/51，多头超额收益上周-0.06%，多头超额收益12月0.77%，多头超额收益2025YTD 9.40%，多头超额收益2025年周胜率34/51[10] 7. 改进反转因子，IC(历史)0.030，IC(2025年)0.020，e^(-rank mae)(历史)0.330，e^(-rank mae)(2025年)0.330，多空收益上周0.35%，多空收益12月0.91%，多空收益2025YTD 22.33%，2025年周胜率38/51，多头超额收益上周-0.54%，多头超额收益12月-0.07%，多头超额收益2025YTD 7.82%，多头超额收益2025年周胜率28/51[11] 8. 尾盘成交占比因子，IC(历史)0.025，IC(2025年)0.015，e^(-rank mae)(历史)0.322，e^(-rank mae)(2025年)0.319，多空收益上周-0.94%，多空收益12月1.04%，多空收益2025YTD 16.73%，2025年周胜率33/51，多头超额收益上周-0.73%，多头超额收益12月-0.08%，多头超额收益2025YTD 5.19%，多头超额收益2025年周胜率27/51[11] 9. 平均单笔流出金额占比因子，IC(历史)0.008，IC(2025年)-0.007，e^(-rank mae)(历史)0.317，e^(-rank mae)(2025年)0.315，多空收益上周-1.15%，多空收益12月-2.15%，多空收益2025YTD -8.11%，2025年周胜率23/51，多头超额收益上周-0.30%，多头超额收益12月-0.81%，多头超额收益2025YTD -3.10%，多头超额收益2025年周胜率18/51[13] 10. 大单推动涨幅因子，IC(历史)0.018，IC(2025年)0.007，e^(-rank mae)(历史)0.325，e^(-rank mae)(2025年)0.325，多空收益上周0.41%，多空收益12月-0.93%，多空收益2025YTD 7.19%，2025年周胜率31/51，多头超额收益上周0.14%，多头超额收益12月-0.15%，多头超额收益2025YTD 1.61%，多头超额收益2025年周胜率28/51[13] 11. 改进 GRU(50,2)+NN(10) 因子，IC(历史)0.066，IC(2025年)0.045，e^(-rank mae)(历史)0.336，e^(-rank mae)(2025年)0.332，多空收益上周1.13%，多空收益12月-0.47%，多空收益2025YTD 47.04%，2025年周胜率41/51，多头超额收益上周-0.20%，多头超额收益12月-0.26%，多头超额收益2025YTD 7.10%，多头超额收益2025年周胜率28/51[13] 12. 残差注意力 LSTM(48,2)+NN(10) 因子，IC(历史)0.063，IC(2025年)0.044，e^(-rank mae)(历史)0.334，e^(-rank mae)(2025年)0.331，多空收益上周1.66%，多空收益12月0.19%，多空收益2025YTD 47.39%，2025年周胜率46/51，多头超额收益上周0.15%，多头超额收益12月0.06%，多头超额收益2025YTD 8.92%，多头超额收益2025年周胜率30/51[13] 13. 多颗粒度模型-5日标签因子，IC(历史)0.080，IC(2025年)0.065，e^(-rank mae)(历史)0.343，e^(-rank mae)(2025年)0.340，多空收益上周2.46%，多空收益12月1.12%，多空收益2025YTD 68.13%，2025年周胜率45/51，多头超额收益上周0.74%，多头超额收益12月-0.18%，多头超额收益2025YTD 24.48%，多头超额收益2025年周胜率40/51[13] 14. 多颗粒度模型-10日标签因子，IC(历史)0.073，IC(2025年)0.060，e^(-rank mae)(历史)0.342，e^(-rank mae)(2025年)0.341，多空收益上周2.26%，多空收益12月1.11%，多空收益2025YTD 62.71%，2025年周胜率45/51，多头超额收益上周0.76%，多头超额收益12月-0.50%，多头超额收益2025YTD 24.30%，多头超额收益2025年周胜率38/51[13] 模型的回测效果 （以下数据均为周度调仓频率下的超额收益及胜率）[14] 1. 周度调仓的中证500 AI增强宽约束组合，超额收益上周0.41%，超额收益12月-2.64%，超额收益2025YTD 5.46%，2025年周胜率29/51[14] 2. 周度调仓的中证500 AI增强严约束组合，超额收益上周0.92%，超额收益12月-1.62%，超额收益2025YTD 9.23%，2025年周胜率33/51[14] 3. 周度调仓的中证1000 AI增强宽约束组合，超额收益上周1.55%，超额收益12月-2.69%，超额收益2025YTD 15.39%，2025年周胜率34/51[14] 4. 周度调仓的中证1000 AI增强严约束组合，超额收益上周1.48%，超额收益12月-1.45%，超额收益2025YTD 19.02%，2025年周胜率33/51[14]