量化模型与因子总结 量化因子与构建方式 1. 因子名称：价格区间因子[2][3] * 因子构建思路：衡量股票在日内不同价格区间成交的活跃程度，以体现投资者对未来走势的预期[3] * 因子具体构建过程：该因子由三个细分因子按特定权重合成[33][36] 1. 高价格80%区间成交量因子 (VH80TAW)：计算股票在日内高价格（前80%）区间的总成交量，该因子值与未来收益呈负相关[33] 2. 高价格80%区间成交笔数因子 (MIH80TAW)：计算股票在日内高价格（前80%）区间的总成交笔数，该因子值与未来收益呈负相关[33] 3. 低价格10%区间每笔成交量因子 (VPML10TAW)：计算股票在日内低价格（后10%）区间的平均每笔成交量，该因子值与未来收益呈正相关[33] 4. 合成：将上述三个细分因子按权重（VH80TAW: 25%， MIH80TAW: 25%， VPML10TAW: 50%）进行合成[36] 5. 中性化处理：对合成后的因子进行行业和市值中性化处理，得到最终的价格区间因子[32][36] 2. 因子名称：量价背离因子[2][3] * 因子构建思路：衡量股票价格与成交量的相关性，相关性越低，未来上涨的可能性越高[3] * 因子具体构建过程：该因子由两个衡量价格与成交量相关性的细分因子等权合成[40] 1. 价格与成交笔数相关性因子 (CorrPM)：计算高频快照数据中价格与成交笔数的相关性[40] 2. 价格与成交量相关性因子 (CorrPV)：计算高频快照数据中价格与成交量的相关性[40] 3. 合成：对上述两个细分因子进行等权合成[40][42] 4. 中性化处理：对合成后的因子进行行业和市值中性化处理，得到最终的量价背离因子[32][42] 3. 因子名称：遗憾规避因子[2][3] * 因子构建思路：基于行为金融学的遗憾规避理论，考察投资者卖出股票后股价反弹的比例和程度，以捕捉情绪对预期收益的影响[3][46] * 因子具体构建过程：该因子由两个细分因子等权合成[46][51] 1. 卖出反弹占比因子 (LCVOLESW)：利用逐笔成交数据区分主动卖单，计算卖出后股价反弹的交易占比[46] 2. 卖出反弹偏离因子 (LCPESW)：利用逐笔成交数据区分主动卖单，计算卖出后股价反弹的偏离程度[46] 3. 合成：对上述两个细分因子进行等权合成[51] 4. 中性化处理：对合成后的因子进行行业和市值中性化处理，得到最终的遗憾规避因子[32][51] 4. 因子名称：斜率凸性因子[2][3] * 因子构建思路：从投资者耐心与供求关系弹性的角度出发，利用限价订单簿数据刻画委托量和委托价的关系（斜率和凸性）对预期收益的影响[3][54] * 因子具体构建过程：该因子由两个细分因子等权合成[54][58] 1. 低档斜率因子 (Slope_abl)：基于订单簿低档位的累计委托量和委托价计算买方或卖方的订单簿斜率[54] 2. 高档位卖方凸性因子 (Slope_alh)：基于订单簿高档位的累计委托量和委托价计算卖方的订单簿凸性[54] 3. 合成：对上述两个细分因子进行等权合成[58] 4. 中性化处理：对合成后的因子进行行业和市值中性化处理，得到最终的斜率凸性因子[58] 5. 因子名称：高频“金”组合合成因子[3] * 因子构建思路：将多个表现较好的高频因子结合，以构建更稳健的选股信号[3] * 因子具体构建过程：将价格区间因子、量价背离因子、遗憾规避因子三类高频因子进行等权合成[3][62] 6. 因子名称：高频&基本面共振组合合成因子[4] * 因子构建思路：将相关性较低的高频因子与有效的基本面因子结合，以提升多因子组合的表现[4][67] * 因子具体构建过程：将价格区间因子、量价背离因子、遗憾规避因子三类高频因子，与一致预期、成长、技术三个基本面因子进行等权合成[4][67] 因子的回测效果 （注：以下因子表现均为在中证1000指数成分股内，进行行业市值中性化后的测试结果，基准为所有成分股等权配置[32]） 1. 价格区间因子[32][36][39] * 上周多头超额收益率：-1.00%[32] * 本月以来多头超额收益率：-0.90%[32] * 今年以来多头超额收益率：4.56%[32] 2. 量价背离因子[32][40][44] * 上周多头超额收益率：-2.21%[32] * 本月以来多头超额收益率：-1.48%[32] * 今年以来多头超额收益率：2.99%[32] 3. 遗憾规避因子[32][46][53] * 上周多头超额收益率：0.45%[32] * 本月以来多头超额收益率：1.47%[32] * 今年以来多头超额收益率：0.42%[32] 4. 斜率凸性因子[2][56][61] * 上周多头超额收益率：0.66%[2] * 本月以来多头超额收益率：0.25%[2] * 今年以来多头超额收益率：-5.54%[2] 量化模型与构建方式 1. 模型名称：高频“金”组合中证1000指数增强策略[3][62] * 模型构建思路：基于合成的高频“金”组合因子构建指数增强策略，以获取稳定的超额收益[3][62] * 模型具体构建过程： 1. 因子合成：如前述，将三类高频因子等权合成为高频“金”组合因子[3][62] 2. 选股与加权：基于该因子值在中证1000成分股内选股并构建投资组合[62] 3. 策略设置：调仓频率为周度，手续费率为单边千分之二，基准为中证1000指数[62] 4. 优化机制：加入换手率缓冲机制以降低调仓成本[62] 2. 模型名称：高频&基本面共振组合中证1000指数增强策略[4][67] * 模型构建思路：将高频因子与基本面因子结合构建指数增强策略，旨在获得更优的风险调整后收益[4][67] * 模型具体构建过程： 1. 因子合成：如前述，将三类高频因子与三个基本面因子等权合成为共振组合因子[4][67] 2. 选股与加权：基于该因子值在中证1000成分股内选股并构建投资组合[67] 3. 策略设置：调仓频率为周度，手续费率为单边千分之二，基准为中证1000指数[67] 模型的回测效果 1. 高频“金”组合中证1000指数增强策略[3][63][66] * 年化超额收益率：9.85%[3][63] * 跟踪误差：4.32%[63] * 信息比率(IR)：2.28[63] * 超额最大回撤：6.04%[3][63] * 上周超额收益：-2.06%[3][66] * 本月以来超额收益：-1.64%[3][66] * 今年以来超额收益：5.26%[3][66] 2. 高频&基本面共振组合中证1000指数增强策略[4][69][71] * 年化超额收益率：13.93%[4][69] * 跟踪误差：4.20%[69] * 信息比率(IR)：3.31[69] * 超额最大回撤：4.52%[4][69] * 上周超额收益：-1.37%[4][71] * 本月以来超额收益：-1.33%[4][71] * 今年以来超额收益：5.24%[4][71]