量化模型与构建方式 1 模型名称：GRU模型 模型构建思路：基于门控循环单元(GRU)神经网络构建的时序预测模型，结合基本面和量价特征进行股票收益预测[10][30] 模型具体构建过程： - 输入层：包含close1d(日收盘价)、open1d(日开盘价)、barra1d(Barra风格因子日频数据)等特征[31] - 隐藏层：GRU神经网络结构，捕捉时序依赖关系 - 输出层：预测股票未来收益 - 训练方式：使用历史滚动窗口数据训练，优化损失函数 2 模型名称：多因子组合模型 模型构建思路：通过线性加权方式整合多个有效因子构建综合评分模型[31] 模型具体构建过程： - 因子筛选：选取基本面因子(如ROE增长、净利润超预期增长)和技术因子(如60日动量、120日波动)[19][24][29] - 因子标准化：进行行业中性化处理和标准化处理[17] - 权重分配：等权或基于IC-IR动态加权 - 组合构建：每月末按综合评分选股[17] 量化因子与构建方式 1 因子名称：Barra风格因子体系 因子构建思路：基于MSCI Barra多因子模型框架构建的系统化风险因子[15] 因子具体构建过程： - Beta因子：计算股票历史beta值 - 市值因子：$\ln(总市值)$ - 动量因子：历史超额收益率序列均值 - 波动因子：$0.74 \times \sigma_{超额收益} + 0.16 \times 累积超额收益离差 + 0.1 \times \sigma_{残差收益}$ - 流动性因子：$0.35 \times 月换手 + 0.35 \times 季换手 + 0.3 \times 年换手$ - 盈利因子：$0.68 \times 预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率ttm倒数$ - 成长因子：$0.18 \times 预测长期盈利增长 + 0.11 \times 预测短期增长 + 0.24 \times 盈利增长 + 0.47 \times 营收增长$[15] 2 因子名称：超预期增长因子 因子构建思路：捕捉财务指标超出市场预期的增长信号[19] 因子具体构建过程： - 计算ROA/ROC/净利润等指标的同比变化 - 与分析师一致预期比较计算超预期幅度 - 标准化处理并行业中性化[17] 3 因子名称：技术动量因子 因子构建思路：捕捉股票价格趋势特征[19][24][29] 因子具体构建过程： - 20日动量：过去20日收益率 - 60日动量：过去60日收益率 - 120日动量：过去120日收益率 - 波动率：20日/60日/120日收益率标准差 模型的回测效果 1 GRU模型： - barra1d模型：近一周超额0.38%，今年以来超额3.78%[31] - barra5d模型：今年以来超额8.37%[31] - close1d模型：近六月超额6.80%[31] 2 多因子组合模型： - 近一月超额-0.30%，今年以来超额2.54%[31] 因子的回测效果 1 Barra风格因子： - 动量因子：全市场近一周多空收益1.01%(120日动量)[19] - 波动因子：全市场近一周多空收益1.45%(60日波动)[19] - 流动性因子：本周多头表现强势[16] 2 超预期增长因子： - 净利润超预期增长：全市场近一周多空收益0.74%[19] - ROA超预期增长：全市场近一周多空收益0.49%[19] 3 技术动量因子： - 60日动量：中证500近一周多空收益1.75%[24] - 120日波动：中证1000近一周多空收益1.68%[29]