量化模型与因子总结 量化模型与构建方式 **注：** 报告主要对各类量化因子进行了测试和分析，未详细阐述具体的量化模型构建过程。报告内容集中于因子库的构成和单因子的表现[1][5][11]。 量化因子与构建方式 报告涵盖了深度学习因子、Level-2高频因子、分钟频因子和传统风格因子四大类[5][11][59]。以下为部分重点因子的构建思路与过程。 1. 深度学习因子 1. **因子名称**：`agru_dailyquote`[5][59] * **因子构建思路**：基于日度行情数据，使用注意力门控循环单元（Attention GRU）等深度学习模型提取能够预测未来收益的序列特征。 2. **因子名称**：`DL_1`[2][59] * **因子构建思路**：使用深度学习模型（具体网络结构未说明）从多维度数据中挖掘有效的Alpha信号。 3. **因子名称**：`fimage`[2][59] * **因子构建思路**：可能基于图像识别类深度学习模型，从金融图表（如K线图）中提取特征。 2. Level-2高频因子 (1) 重点时段因子 1. **因子名称**：`keyperiod_amount_top30pct`[59] * **因子构建思路**：捕捉在关键交易时段（如开盘、收盘）内，成交金额处于市场前30%的股票的强势特征。 2. **因子名称**：`keyperiod_amount_low50pct`[59] * **因子构建思路**：捕捉在关键交易时段内，成交金额处于市场后50%的股票的弱势特征，通常为负向因子。 (2) 大小单因子 1. **因子名称**：`integrated_bigsmall`[59] * **因子构建思路**：综合大小单买卖信息构建的复合因子，用以衡量大单与小单行为的净效应。 2. **因子名称**：`bigbuy_bigsell`[59] * **因子构建思路**：通过大单买入与大单卖出的对比关系来构建因子，反映大资金的主攻方向。 (3) 长短单因子 1. **因子名称**：`integrated_longshort`[59] * **因子构建思路**：综合长单（可能指挂单时间较长）和短单（可能指即时成交单）信息构建的复合因子。 2. **因子名称**：`longbuy_shortsell`[59] * **因子构建思路**：通过长单买入与短单卖出的对比关系构建因子。 (4) 大小长短单复合因子 1. **因子名称**：`integrated_bigsmall_longshort`[6][59] * **因子构建思路**：综合了**大小单**和**长短单**两类信息的复合因子，旨在更全面捕捉不同维度订单流的Alpha信号。 (5) 集合竞价因子 1. **因子名称**：`transaction_order_ratio_oa`[59] * **因子构建思路**：通过分析开盘集合竞价阶段的成交订单比例来构建因子。 (6) 市价单因子 1. **因子名称**：`marketorder_ratio`[59] * **因子构建思路**：衡量市价单在总订单中的比例，反映交易的急切程度。 3. 分钟频因子 (1) 日内价格相关因子 1. **因子名称**：`Amihud_illiq`[6][61] * **因子构建思路**：衡量股票的流动性，即单位成交金额引起的价格冲击。构建过程通常为： * **具体构建过程**：计算每日收益率绝对值与成交金额的比值，再在一段时间内取平均。 * **公式**：$$Illiq_{i,t} = \frac{1}{D_{i,t}} \sum_{d=1}^{D_{i,t}} \frac{|R_{i,d}|}{VOLD_{i,d}}$$ * **公式说明**：其中，$R_{i,d}$ 是股票 $i$ 在第 $d$ 日的收益率，$VOLD_{i,d}$ 是股票 $i$ 在第 $d$ 日的成交金额（通常以百万元计），$D_{i,t}$ 是股票 $i$ 在 $t$ 月内的有效交易日数。 2. **因子名称**：`real_var`[59] * **因子构建思路**：基于日内分钟收益率计算的已实现方差，衡量日内波动率。 3. **因子名称**：`ratio_realupvar`[59] * **因子构建思路**：可能为上行已实现方差与总已实现方差的比率，衡量波动的不对称性。 (2) 成交量相关因子 1. **因子名称**：`ratio_volumeH1`[61] * **因子构建思路**：衡量开盘后第一个小时（H1）的成交量与全天总成交量的比例，反映开盘时段的市场活跃度。 2. **因子名称**：`ratio_volumeH8`[61] * **因子构建思路**：衡量收盘前最后一个小时（H8）的成交量与全天总成交量的比例，反映收盘时段的市场活跃度。 (3) 盘前/开盘后/收盘前相关因子 1. **因子名称**：`ret_overnight`[61] * **因子构建思路**：隔夜收益率，即前一日收盘价至当日开盘价的收益率。 2. **因子名称**：`ret_open2AH1`[61] * **因子构建思路**：从开盘价到开盘后第一个小时内最高价的收益率。 3. **因子名称**：`ret_H1`[61] * **因子构建思路**：开盘后第一个小时的收益率。 4. 风格因子 报告测试了45个风格因子，覆盖盈利、成长、杠杆、流动、技术、规模、质量、估值八个大类[6][62][63]。 1. **盈利类因子**：如销售净利率、毛利率、ROE、ROA[62]。 2. **成长类因子**：如股东权益增长率、净利润增长率、主营业务收入增长率[62]。 3. **杠杆类因子**：如资产负债率、长期负债比率[62]。 4. **流动类因子**：如1个月成交金额、换手率[62]。 5. **技术类因子**：如一个月股价反转、三个月股价反转、最高点距离[62][63]。 6. **规模类因子**：如流通市值、总资产[63]。 7. **质量类因子**：如存货周转率、流动比率、净利润现金占比[63]。 8. **估值类因子**：如市销率（SP）、市净率（BP）、市盈率（EP），包括行业相对值和绝对值[63]。 因子的回测效果 **测试设置概述**：因子表现分析分别在**全市场**、**沪深300**、**中证A500**、**中证500**、**中证1000**、**创业板**等板块进行，并区分了**月度换仓**和**周度换仓**条件[5][8]。核心表现指标包括不同时间窗口的RankIC均值、历史胜率等[59]。指数增强测试在控制行业、市值等偏离，并考虑交易成本（双边千三）的条件下进行[13]。 以下为**全市场、月度换仓**条件下，部分重点因子的表现摘要[59][61][62][63]： | 因子类型 | 因子名称 | 近一周RankIC | 近一月RankIC | 近一年RankIC | 历史以来RankIC | 历史胜率 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | **深度学习因子** | `agru_dailyquote` | 22.13% | 17.67% | 12.08% | 13.71% | 91.07% | | | `DL_1` | 20.50% | 18.19% | 15.35% | 13.80% | 87.11% | | | `fimage` | 8.31% | 9.08% | 3.90% | 5.14% | 77.99% | | **Level-2因子** | `integrated_bigsmall_longshort` | 23.09% | 18.63% | 10.22% | 10.79% | 74.90% | | | `keyperiod_amount_top30pct` | 12.67% | 12.55% | 12.53% | 11.09% | 86.11% | | | `longbuy_shortsell` | 24.36% | 15.91% | 8.49% | 9.09% | 70.07% | | **分钟频因子** | `Amihud_illiq` | 23.21% | 14.68% | 12.26% | 10.86% | 74.23% | | | `intraday_maxdrawdown` | 18.64% | 10.87% | 9.06% | 9.42% | 69.40% | | | `ratio_volumeH7` | 10.27% | 5.30% | 5.40% | 4.89% | 76.38% | | **风格因子** | `BP` (市净率) | 18.82% | 15.69% | 6.97% | 6.77% | 63.76% | | | `SP` (市销率) | 12.51% | 13.10% | 4.47% | 5.06% | 62.48% | | | `换手率` | -25.08% | -15.05% | -7.95% | -8.09% | 67.72% | | | `一个月股价反转` | 4.27% | 4.48% | -7.51% | -6.92% | 67.72% | **指数增强表现（2026年以来）**：在沪深300等板块，`DL_1`和`fimage`因子取得了正向超额收益。例如，`DL_1`因子在沪深300、中证A500、中证500、中证800、中证1000、创业板指的指数增强超额收益率分别为3.55%、2.51%、0.63%、3.90%、1.54%、1.06%[2]。

市场行情展望 - 本轮行情始于2024年9月，预计持续4年以上，港股将成为关键突破口并承担中国资产"价值锚"功能 [1] - 上涨周期与下跌周期对称，2021年至2024年9月历经4年下跌，理论上对称上涨周期也为4年 [1] - 当前市场状态类似2013-2014年，处于"体感不热但已启动"阶段，美联储降息和中国经济预期扭转将推动资金流入股市 [2] 港股市场分析 - 港股市场化程度高、监管完善，资金聚焦优质资产，外资持续涌入将提供流动性支持 [3] - 部分医药股H股估值已高于A股，未来可能出现H股相对A股溢价现象 [3] - 政策支持力度空前，多家企业赴港上市，港股有望带动A股持续上涨 [3] 行业投资机会 - 军工行业资产证券化程度大幅提升，投资逻辑从博弈转向业绩驱动 [4] - 创新药板块中国药企复制新能源车"弯道超车"路径，龙头股市值或从千亿向万亿进击 [5] - 近两年中国药企BD金额达400亿美元，药品授权毛利率超60%，盈利空间高于新能源汽车 [5] - 金融科技产业链中港股券商PB低于1倍，数字资产和跨境支付将带来价值重估 [5][6] ETF轮动策略 - 配置三大类资产：境内ETF（沪深300、军工、创新药等）、跨境ETF（港股创新药、美股纳指科技）、衍生工具 [3] - 五维择时模型包括宏观面、资金面、情绪面、技术面和海外指标，通过宏观因子和量化因子指导投资决策 [6] - 轮动框架分为宏观驱动、主题投资、事件驱动、精选个股四个子策略，不同策略在持仓周期、仓位控制等方面有差异 [7][8]

ETF市场发展现状 - 截至2025年6月15日，股票型ETF（含场外联接基金）规模达3.81万亿元，数量2031只，超越主动管理类基金的2.84万亿元规模[1][4] - 近一年ETF份额从2.18万亿份增至2.94万亿份，同期主动管理权益基金份额从2.84万亿份降至2.55万亿份[4][5] - 当前场内ETF跟踪351个指数，分为宽基（45个）、行业主题（247个）和策略风格（59个）三类，行业主题指数覆盖从一级到四级细分领域[6][9] 指数收益差异特征 - 2025年5月各类型指数收益率差异显著：宽基类最大相差7.60%（1.28%-4.11%），行业主题类相差15.20%（-7.11%-8.09%），策略风格类相差10.02%（-3.46%-6.56%）[10] - 宽基指数收益中位数1.68%，行业主题1.24%，策略风格2.91%，显示风格轮动机会显著[10] 深度学习因子构建 - 采用AGRU模型（GRU+注意力机制）训练日频量价数据，全A股票池因子IC均值13.31%，多头年化超额15.95%，最大回撤-5.15%[16][20] - 调整损失函数权重后，沪深300成分股因子多头年化超额从15.96%提升至17.24%，中证1000成分股从19.69%提升至20.35%[19][20] - 因子在沪深300、中证500、中证1000股票池均表现优异，年化超额分别达21.97%、11.46%、15.36%[20][26] ETF轮动策略表现 - 月度调仓时指数因子IC均值7.80%，年化超额4.92%；周频调仓后IC降至4.84%但年化超额提升至8.59%[2][33][34] - 采用MMR算法降低标的相关性后，策略年化超额从7.94%提升至8.43%，信息比率从0.94升至0.99，超额最大回撤从-10.78%缩至-9.87%[40][50] - 限定持仓5只ETF时年化超额12.34%（最大回撤-12.17%），10只时为8.75%（回撤-8.83%），15只时为8.13%（回撤-8.66%）[3][59] 策略优化方向 - 剔除规模1亿元以下ETF后，策略年化超额进一步提升至8.95%，信息比率达1.02[57] - 周频调仓组合近期偏好红利、金融板块，2025年至今已获8.74%超额收益[61][63] - 行业主题类指数因子表现更优，周频调仓时年化超额达9.57%（全样本8.59%）[34]

报告核心观点 - 对ETF轮动策略、高频因子进行跟踪测试，发现表现出色，还构建了高频“金”组合和高频&基本面共振组合中证1000指数增强策略，后者业绩指标更优 [2][3][53][58] 一、ETF轮动策略跟踪 1. ETF轮动因子及策略近期表现 - 使用GBDT+NN机器学习因子构建周度调仓的ETF轮动策略，样本外整体表现良好 [12] - 上周因子IC值20.91%，多头超额收益率0.61% [13] - 策略年化超额收益率11.91%，信息比率0.69，超额最大回撤17.31% [16] - 上周超额收益率0.88%，本月以来1.44%，今年以来0.15%，近期表现优异 [18] 2. 本周建议关注ETF - 本周ETF持仓包含创中盘88ETF、红利国企ETF等多只ETF [21][22] 二、高频因子超额收益概览 - 过去一周，各类高频因子多头组合在中证1000指数成分股中表现稳定 [22] - 价格区间类因子多空收益率0.45%，多头超额收益率1.01%；量价背离因子多空收益率 -0.16%，多头超额收益率0.04%；遗憾规避因子多空收益率1.28%，多头超额收益率0.26% [22] 三、各类高频因子近期表现跟踪 1. 高频价格区间因子 - 高价格区间成交笔数与成交量因子与股票未来收益负相关，低价格区间平均每笔成交量因子与股票未来收益正相关 [25] - 高价格80%区间成交量因子、高价格80%区间成交笔数因子和低价格10%区间每笔成交量因子周频调仓表现较好 [25] - 合成后的价格区间因子样本外表现出色，超额净值曲线稳定向上 [29] 2. 高频量价背离因子 - 量价背离时，股价未来上涨可能性高；量价趋同时，股价未来下跌可能性高 [30] - 价格与成交笔数的相关性和价格与成交量的相关性周频调仓表现较好 [30] - 合成后的量价背离因子自2020年以来收益呈下降趋势，今年以来表现良好 [37] 3. 遗憾规避因子 - 利用投资者遗憾规避情绪可构造有效选股因子 [38] - 卖出反弹占比因子和卖出反弹偏离因子周频表现较好 [38] - 合成后的遗憾规避因子收益表现整体平稳向上，今年以来表现一般 [45] 4. 斜率凸性因子 - 构建斜率凸性因子，提取低档斜率因子和高档位卖方凸性因子合成 [46] - 两个细分因子周频调仓近期表现有波动 [46] - 合成后的斜率凸性因子自2016年以来收益平稳，样本外整体表现平淡 [51] 四、基于基本面因子与高频因子构建的中证1000指数增强策略表现 1. 高频“金”组合中证1000指数增强策略 - 三类高频因子等权合成构建策略，调仓频率周度，加入换手率缓冲机制 [53] - 策略年化超额收益率10.68%，超额最大回撤6.04% [55] - 上周超额收益0.14%，本月以来1.68%，今年以来5.98% [57] 2. 高频&基本面共振组合中证1000指数增强策略 - 结合基本面因子和高频因子构建策略，基本面因子包括一致预期、成长和技术因子 [58] - 策略年化超额收益率14.98%，超额最大回撤4.52% [60] - 上周超额收益0.28%，本月以来2.29%，今年以来4.99% [62] 附录 附录一：高频“金”组合中证1000指数增强策略本周持仓列表 - 包含盐津铺子、光峰科技等多只股票 [65][66] 附录二：高频&基本面共振组合中证1000指数增强策略本周持仓列表 - 包含盐津铺子、塔牌集团等多只股票 [68][69][70]