量化因子与构建方式 1. **因子名称**：价格区间因子 - **构建思路**：衡量股票在日内不同价格区间成交的活跃程度，反映投资者对未来走势的预期[12] - **具体构建过程**： 1. 使用高频快照数据提取高价格80%区间成交量因子（VH80TAW）、高价格80%区间成交笔数因子（MIH80TAW）和低价格10%区间每笔成交量因子（VPML10TAW） 2. 按25%、25%、50%权重合成因子 3. 对合成因子进行行业市值中性化处理[12][14] - **因子评价**：样本外表现稳定，超额收益曲线持续向上[17] 2. **因子名称**：量价背离因子 - **构建思路**：通过价格与成交量的相关性衡量市场情绪，低相关性预示未来上涨概率更高[22] - **具体构建过程**： 1. 计算快照成交价与成交笔数的相关性（CorrPMW）、成交价与成交量的相关性（CorrPVW） 2. 对两个细分因子等权合成 3. 进行行业市值中性化处理[22][25] - **因子评价**：近年收益趋平但今年以来表现回升[26] 3. **因子名称**：遗憾规避因子 - **构建思路**：基于行为金融学理论，捕捉投资者卖出后股价反弹的规避情绪[27] - **具体构建过程**： 1. 使用逐笔数据计算卖出反弹占比因子（LCVOLESW）和卖出反弹偏离因子（LCPESW） 2. 等权合成后做行业市值中性化[30][33] - **因子评价**：样本外超额收益稳定，但今年以来表现一般[36] 4. **因子名称**：斜率凸性因子 - **构建思路**：通过订单簿斜率和凸性分析供需弹性，反映投资者价格敏感度[37] - **具体构建过程**： 1. 提取低档位买方斜率因子（Slope_abl）和高档位卖方凸性因子（Slope_alh） 2. 等权合成并做行业市值中性化[39][40] - **因子评价**：2016年后收益平稳但样本外表现平淡[42] --- 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 - **构建思路**：将价格区间、量价背离、遗憾规避因子等权合成构建增强策略[3] - **具体构建过程**： 1. 周频调仓，单边手续费率0.2% 2. 加入换手率缓冲机制控制成本 3. 基准为中证1000指数[44][45] 2. **模型名称**：高频&基本面共振组合中证1000指数增强策略 - **构建思路**：结合高频因子与基本面因子（一致预期、成长、技术因子）提升表现[49] - **具体构建过程**： 1. 高频因子与基本面因子等权合成 2. 相同调仓频率和风控机制[50][51] --- 因子的回测效果 | 因子名称 | 上周多头超额 | 本月多头超额 | 今年以来多头超额 | 多空收益率（今年以来） | |------------------|--------------|--------------|-------------------|------------------------| | 价格区间因子 | 0.40%[13] | 0.51%[13] | 5.86%[13] | 13.69%[13] | | 量价背离因子 | -0.24%[13] | 1.53%[13] | 9.00%[13] | 16.21%[13] | | 遗憾规避因子 | 0.27%[13] | -0.49%[13] | 2.32%[13] | 12.41%[13] | | 斜率凸性因子 | -1.74%[2] | -2.46%[2] | -5.90%[2] | -12.37%[39] | --- 模型的回测效果 | 模型名称 | 年化超额收益 | 跟踪误差 | IR | 超额最大回撤 | |------------------------------------|--------------|----------|-------|--------------| | 高频"金"组合增强策略 | 10.51%[45] | 4.25%[45]| 2.47[45] | 6.04%[45] | | 高频&基本面共振组合增强策略 | 14.57%[51] | 4.16%[51]| 3.50[51] | 4.52%[51] |

量化模型与构建方式 1. **模型名称**：市值分域的线性回归模型 - **模型构建思路**：通过市值分组加权回归方法构建复合因子，适配不同市值选股域的表现差异[7] - **模型具体构建过程**： 1. 将全市场股票按市值对数分为11组（KMedian聚类） 2. 采用分组加权回归，权重公式： $$w_{i}=w_{b a s e}+(1-w_{b a s e})*|i-I|/n$$ 其中： - \(w_{base}\)为最小权数（取0.9、0.5、0三种情况） - \(n=11\)为分组数 - \(I\)为最大权重分组（从1到11循环测试） 3. 对5类子因子（分红、ROE_SUE、日度量价、高频量价、复合因子）分别采用OLS回归系数IR加权复合[7][10] 2. **模型名称**：风格因子加权复合模型 - **模型构建思路**：基于市值、估值、价值-成长指标、行业等多风格因子聚类加权，提升因子在不同风格域的适应性[98] - **模型具体构建过程**： 1. 对5类风格因子（市值、市值三次方、估值、价值-成长指标、行业）进行曼哈顿距离聚类，分为11组 2. 价值-成长指标计算： - 价值指标：分析师一致预期市盈率+市净率+市销率+市现率+预期分红 - 成长指标：盈利增长+历史市值增长率+利润增长率+净现金流增长率+营收增长率 - 最终指标为两者相减[98] 3. 行业合并为TMT、上游、中游、消费、金融、综合六类，跨类时曼哈顿距离贡献为聚类数[98] 4. 采用与市值分域类似的交叉复合加权方法构建因子 --- 量化因子与构建方式 1. **因子名称**：分红因子 - **因子构建思路**：结合股息率与分红虚拟变量，反映基本面分红能力[10] - **因子具体构建过程**：由股息率因子与是否有分红的虚拟变量线性回归复合[10] 2. **因子名称**：ROE_SUE因子 - **因子构建思路**：综合ROE和SUE指标，反映盈利质量与增长[10] - **因子具体构建过程**：由ROE、SUE及对应的虚拟变量线性回归复合[10] 3. **因子名称**：日度量价因子 - **因子构建思路**：捕捉短期量价特征[10] - **因子具体构建过程**：由换手率、反转、特质波动、非流动性四个因子复合[10] 4. **因子名称**：高频量价因子 - **因子构建思路**：利用高频数据捕捉微观结构信号[10] - **因子具体构建过程**：由10个手工高频因子复合（具体因子未列明）[10] --- 模型的回测效果 1. **市值分域线性回归模型**（全市场测试，2017.01-2025.07） - **IC**：0.057（等权）→0.058（base_w=0.5）[8][9] - **Rank MAE**：1.090（等权）→1.089（base_w=0.5）[8][9] - **多空收益**：1.07%（等权）→1.08%（base_w=0.9）[11] - **多头收益**：0.33%（等权）→0.31%（base_w=0）[11] 2. **风格因子加权模型**（沪深300增强，严约束） - **年化超额收益**：5.83%（等权）→7.36%（base_w=0交叉复合）[103] - **IR**：0.804（等权）→0.901（base_w=0交叉复合）[103] - **最大回撤**：14.99%（等权）→16.33%（base_w=0交叉复合）[103] --- 因子的回测效果 1. **分红因子**（全市场IC，2017.01-2025.07） - **IC**：0.006（等权）→0.007（base_w=0）[13][14] 2. **ROE_SUE因子**（全市场IC） - **IC**：0.020（等权）→0.021（base_w=0.5）[15][16] 3. **日度量价因子**（全市场IC） - **IC**：0.042（等权）→0.044（base_w=0）[17][18] 4. **高频量价因子**（全市场IC） - **IC**：0.035（等权）→0.037（base_w=0.5）[19][20] --- 关键结论 - **市值加权效果**： - 沪深300增强中，极端大市值加权（base_w=0）提升年化超额1%以上[49][97] - 中证500增强中，base_w=0.5交叉复合效果最佳（年化超额15.06%）[92] - **风格因子加权局限性**：对中证1000增强效果不显著，仅严约束组合年化提升1%[132][141]

量化模型与构建方式 1. **模型名称**：通信相对指数趋势跟踪模型 **模型构建思路**：模型假设标的价格走势具有局部延续性，趋势持续时间大于反转行情持续时间，窄幅盘整时延续之前趋势。通过观察窗口内的价格变动方向判断趋势，排除随机波动影响[3] **模型具体构建过程**： - 计算T日收盘价与T-20日收盘价的差值：$$del = P_T - P_{T-20}$$ - 计算T-20日至T日（不含）的波动率Vol（未说明具体计算方法） - 趋势判断规则： - 若$$|del| > N \times Vol$$（取N=1），则认为形成新趋势，方向与del符号一致 - 若$$|del| \leq N \times Vol$$，则延续T-1日趋势方向[3] **模型评价**：在趋势明显阶段表现较好，但长期回撤较大，不适合直接用于申万通信指数相对值[4] 模型的回测效果 1. **通信相对指数趋势跟踪模型**： - 区间年化收益：-6.09% - 波动率（年化）：24.89% - 夏普率：-0.24 - 最大回撤：28.93% - 指数期间总回报率：46.86%[3] （注：报告中未涉及量化因子相关内容，故不输出该部分）

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **封板率模型** - 构建思路：通过统计涨停股票的封板情况来反映市场情绪[17] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日最高价涨停且收盘涨停的比例[17] 2. **连板率模型** - 构建思路：衡量连续涨停股票的持续性[17] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 基于前一日涨停股票中今日继续涨停的比例[17] 3. **大宗交易折价率模型** - 构建思路：通过大宗交易折价反映大资金情绪[26] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 计算近半年日均折价率及单日偏离值[26] 4. **股指期货年化贴水率模型** - 构建思路：量化期现价差反映市场预期[28] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ 分别计算上证50、沪深300、中证500、中证1000主力合约的年化贴水率及历史分位数[28] 量化因子与构建方式 1. **两融余额占比因子** - 构建思路：反映杠杆资金活跃度[22] - 具体构建过程： 计算两融余额占流通市值比重（公式未明确给出，但逻辑为余额/流通市值）[22] 2. **ETF折溢价因子** - 构建思路：捕捉场内交易情绪偏差[23] - 具体构建过程：筛选日成交额超100万的股票型ETF，计算场内价格与净值偏离幅度[23] 模型的回测效果 1. **封板率模型** - 当日封板率70%，较前日下降3%[17] 2. **连板率模型** - 当日连板率30%，较前日下降5%[17] 3. **大宗交易折价率模型** - 近半年平均折价率5.86%，当日折价率8.44%[26] 4. **股指期货年化贴水率模型** - 上证50升水率3.50%（90%分位） - 沪深300贴水率0.40%（70%分位） - 中证500贴水率9.40%（49%分位） - 中证1000贴水率7.66%（70%分位）[28] 因子的回测效果 1. **两融余额占比因子** - 当前占比2.3%，近一年中枢2.3%[22] 2. **ETF折溢价因子** - 科创板成长ETF溢价9.41%，全指现金流ETF折价1.01%[23] 注：报告未包含对模型/因子的定性评价，故未列出相关部分。所有指标均为20250815或20250818最新数据[17][22][23][26][28]

量化模型与构建方式 1. **模型名称**：CCBA定价偏离度模型 **模型构建思路**：用于衡量转债市场估值水平，通过计算转债价格与CCBA模型定价的偏离程度来判断市场高估或低估区间[6] **模型具体构建过程**： - 定价偏离度公式：$$ \text{定价偏离度} = \frac{\text{转债价格}}{\text{CCBA模型定价}} - 1 $$ - 根据历史分位数划分估值区间（如[4%,Inf)为高估区间），并统计不同区间内未来中证转债的平均收益率与胜率[6][11] **模型评价**：有效识别转债市场极端估值状态，为择时提供参考[6] 2. **模型名称**：转债&股债组合轮动策略 **模型构建思路**：通过转债估值分数动态调整转债与股债组合的配置权重[21] **模型具体构建过程**： - 计算Z值：$$ Z = \frac{\text{定价偏离度}}{\text{过去3年标准差}} $$，按±1.5倍标准差截尾后归一化 - 转债权重公式：$$ \text{转债权重} = 50\% + 50\% \times \text{分数} $$，剩余配置50%国债+50%中证1000指数[21][24] 3. **模型名称**：低估值策略（CCB_out模型） **模型构建思路**：筛选定价偏离度最低的转债构建组合，结合分域择时增强收益[33] **模型具体构建过程**： - 定价偏离度公式：$$ \text{定价偏离度} = \frac{\text{转债价格}}{\text{CCB_out模型定价}} - 1 $$ - 在偏债/平衡/偏股分域中各选15只偏离度最低的转债（余额>3亿，评级≥AA-）[33] - 根据分域相对估值动态调整权重[33] 4. **模型名称**：低估值+强动量策略 **模型构建思路**：在低估值策略基础上加入正股动量因子[36] **模型具体构建过程**： - 动量因子：正股过去1/3/6个月动量等权打分[36] - 组合构建与低估值策略相同，但加入动量筛选[36] 5. **模型名称**：低估值+高换手策略 **模型构建思路**：在低估转债池中筛选高换手标的[40] **模型具体构建过程**： - 先选择市场低估的50%转债 - 使用转债换手率（5/21日）及转债/股票换手率比率筛选高热度标的[40][42] 6. **模型名称**：信用债替代策略 **模型构建思路**：通过YTM比较筛选转债替代信用债[48] **模型具体构建过程**： - 筛选条件：转债YTM+1% > 3年期AA级信用债YTM - 组合构建：选正股1个月动量最强的20只转债，个券权重≤2%，剩余配置信用债[48] --- 量化因子与构建方式 1. **因子名称**：定价偏离度因子 **因子构建思路**：反映转债价格相对于理论定价的溢价水平[6][33] **因子具体构建过程**： - 基于CCBA或CCB_out模型计算：$$ \text{定价偏离度} = \frac{\text{转债价格}}{\text{模型定价}} - 1 $$[6][33] 2. **因子名称**：正股动量因子 **因子构建思路**：捕捉正股趋势对转债价格的带动效应[36] **因子具体构建过程**： - 计算正股过去1/3/6个月收益率，等权综合打分[36] 3. **因子名称**：转债换手率因子 **因子构建思路**：衡量市场交易热度[40][42] **因子具体构建过程**： - 包括5日/21日转债换手率及转债/股票换手率比率[42] --- 模型的回测效果 1. **低估值策略**（2018-2025） - 年化收益：23.0% | 年化波动：13.5% | 最大回撤：15.6% | 超额收益：11.9% | IR：2.08[34] 2. **低估值+强动量策略**（2018-2025） - 年化收益：25.4% | 年化波动：14.2% | 最大回撤：11.9% | 超额收益：14.0% | IR：2.32[40] 3. **低估值+高换手策略**（2018-2025） - 年化收益：25.2% | 年化波动：15.2% | 最大回撤：15.9% | 超额收益：13.9% | IR：2.20[44] 4. **信用债替代策略**（2018-2025） - 年化收益：7.5% | 年化波动：2.1% | 最大回撤：2.8%[52] 5. **波动率控制策略**（2018-2025） - 年化收益：10.2% | 年化波动：4.4% | 最大回撤：4.2%[56] --- 因子的回测效果 1. **定价偏离度因子** - 在[4%,Inf)高估区间，中证转债未来半年平均收益：-2.9%，胜率0%[6][13] - 偏股转债在高估区间回撤显著大于平衡/偏债转债[18][20] 2. **正股动量因子** - 低估值+强动量策略年化超额收益达14.0%，显著优于纯低估值策略[40] 3. **换手率因子** - 低估值+高换手策略2023年超额收益9.6%，波动率8.7%[44]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：DL_EM_Dynamic因子** * **因子构建思路**：采用矩阵分解算法从基金选股网络中提取股票的内在属性，并将其与LSTM生成的因子表示结合，构建动态市场状态因子以增强模型表现[19]。 * **因子具体构建过程**： 1. 利用基金年报、半年报的持仓数据，采用矩阵分解方法，将基金-股票的投资网络矩阵分解为基金内在属性矩阵和股票内在属性矩阵。 2. 使用LSTM模型处理量价等时序数据，生成股票的动态因子表示。 3. 将矩阵分解得到的静态股票内在属性，通过计算其与当日市场热度风格的相似度，转化为动态市场状态因子。 4. 将LSTM生成的动态因子表示与动态市场状态因子进行拼接。 5. 将拼接后的特征共同输入到多层感知机（MLP）中进行训练，最终输出因子预测值[19]。 2. **因子名称：Meta_RiskControl因子** * **因子构建思路**：在深度学习模型中引入风格暴露控制，通过修改损失函数加入风格偏离惩罚，并结合元增量学习框架使模型快速适应市场变化，以控制策略回撤风险[26]。 * **因子具体构建过程**： 1. 模型基础架构为加入了风格因子输入的ALSTM（Attention LSTM）模型。 2. 将模型的预测输出乘以对应股票的因子暴露（即风格暴露）。 3. 设计新的损失函数，在RankIC的基础上，添加对于风格偏离与风格动量的惩罚项。具体地，用预测标签的多头部分风格暴露减去空头部分风格暴露，作为惩罚项的一部分。 4. 在外层训练框架上，沿用元增量学习（Meta Incremental Learning）框架，根据近期市场数据分布对模型进行快速调整和更新[26]。 3. **因子名称：Meta_Master因子** * **因子构建思路**：改进MASTER模型，通过引入由深度风险模型计算的新市场状态特征，并替换损失函数和采用元增量学习训练框架，以提升模型对市场状态的自适应能力和预测准确性[36]。 * **因子具体构建过程**： 1. 市场状态构建：利用深度风险模型（相比Barra风格因子对收益解释度提升5%）计算市场状态；利用近期上涨最好股票的风格来衡量近期市场偏好，共计构建120个新特征来代表市场状态。 2. 模型基础：基于改进的MASTER（Market-Guided Stock Transformer）模型，该模型旨在捕获股票间瞬时和跨时间的相关性，并利用市场信息进行自动特征选择。 3. 损失函数：将损失函数替换为加权均方误差（Weighted MSE），通过放大多头端的预测误差来提高模型在多头端预测的准确率。 4. 训练框架：利用在线的元增量学习（Online Meta Incremental Learning）对模型进行定期更新，使模型能快速适应动态变化的市场[36]。 4. **因子名称：深度学习可转债因子** * **因子构建思路**：针对可转债特性，利用GRU神经网络学习其非线性定价逻辑，通过引入可转债特有的时序因子并与截面属性因子结合，以提升传统可转债投资策略的效果[50]。 * **因子具体构建过程**： 1. 使用门控循环单元（GRU）神经网络作为基础模型，处理可转债的时序数据。 2. 将可转债特有的时序因子（如溢价率、波动率等）引入到GRU模型中。 3. 将GRU模型的输出与可转债的截面属性因子（如转债规模、评级、行业等）进行拼接。 4. 将拼接后的综合特征输入到预测层，用于预测可转债的未来收益[50]。 因子回测效果 1. **DL_EM_Dynamic因子** * 最近一月（4周）表现（中证1000）：RankIC 11.3%, 多空收益 1.4%, 多头超额收益 0.4%[7] * 最近一季（12周）表现（中证1000）：RankIC 9.5%, 多空收益 0.1%, 多头超额收益 -0.9%[7] * 今年表现（中证1000）：RankIC 10.6%, 多空收益 22.3%, 多头超额收益 4.9%[9] * 全历史表现（2019年至今，中证1000）：RankIC 8.3%, 多空收益 65.8%, 多头超额收益 12.2%[9] * 指数增强组合（中证1000，2019年以来）：年化收益 29.7%, 年化超额收益 23.4%, 信息比率(IR) 2.03, 超额收益累计最大回撤 -10.1%[23] 2. **Meta_RiskControl因子** * **全A域表现**: * 最近一月（4周）：RankIC 15.5%, 多空收益 5.2%, 多头超额收益（vs中证800）2.7%[7] * 最近一季（12周）：RankIC 12.2%, 多空收益 9.1%, 多头超额收益（vs中证800）8.9%[7] * 今年表现：RankIC 12.3%, 多空收益 41.0%, 多头超额收益（vs中证800）29.0%[9] * 全历史表现（2019年至今）：RankIC 10.6%, 多空收益 90.3%, 多头超额收益（vs中证800）25.0%[9] * **沪深300增强组合**（2019年以来）：年化收益 20.1%, 年化超额收益 15.0%, 信息比率(IR) 1.58, 超额收益累计最大回撤 -5.8%[31] * **中证500增强组合**（2019年以来）：年化收益 26.1%, 年化超额收益 19.2%, 信息比率(IR) 1.97, 超额收益累计最大回撤 -9.3%[33] * **中证1000增强组合**（2019年以来）：年化收益 34.1%, 年化超额收益 27.0%, 信息比率(IR) 2.36, 超额收益累计最大回撤 -10.2%[35] 3. **Meta_Master因子** * **全A域表现**: * 最近一月（4周）：RankIC 18.9%, 多空收益 5.4%, 多头超额收益（vs中证800）5.1%[7] * 最近一季（12周）：RankIC 14.6%, 多空收益 20.3%, 多头超额收益（vs中证800）19.0%[7] * 今年表现：RankIC 13.5%, 多空收益 64.0%, 多头超额收益（vs中证800）36.8%[9] * 全历史表现（2019年至今）：RankIC 11.7%, 多空收益 90.4%, 多头超额收益（vs中证800）35.6%[9] * **沪深300增强组合**（2019年以来）：年化收益 22.0%, 年化超额收益 17.5%, 信息比率(IR) 2.09, 超额收益累计最大回撤 -7.2%[39] * **中证500增强组合**（2019年以来）：年化收益 23.8%, 年化超额收益 18.2%, 信息比率(IR) 1.9, 超额收益累计最大回撤 -5.8%[45] * **中证1000增强组合**（2019年以来）：年化收益 30.7%, 年化超额收益 25.2%, 信息比率(IR) 2.33, 超额收益累计最大回撤 -8.8%[47] 4. **深度学习可转债因子** * **中证转债域**: * 最近一月（4周）：RankIC 10.1%, 多头超额收益（vs中证转债）0.9%[7] * 最近一季（12周）：RankIC 7.5%, 多头超额收益（vs中证转债）1.2%[7] * 今年表现：RankIC 7.1%, 多头超额收益（vs中证转债）0.3%[9] * 全历史表现（2021年至今）：RankIC 12.0%, 多头超额收益（vs中证转债）9.9%[9] * **分类型表现（2021年以来Top50组合年化超额收益）**: * 偏债型：4.4%[55] * 平衡型：4.0%[55] * 偏股型：5.8%[55] * 偏债+平衡混合策略：10.9%[55]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **主动偏股基金仓位高频估测模型** - 构建思路：基于基金每日净值序列，采用带约束条件的多元回归模型估算股票仓位[61] - 具体构建： 1. 以基准指数或构建的资产序列作为自变量 2. 通过回归分析寻找最优仓位估计 3. 构建模拟组合提升估算准确性 4. 输出整体仓位变动趋势及行业配置偏好 - 模型评价：解决了公募基金仓位披露频率低的问题，但估算结果与实际仓位存在差异[61] 2. **REITs指数系列模型** - 构建思路：通过指数化投资反映REITs市场表现，区分底层资产类型[45] - 具体构建： 1. 采用分级靠档法稳定样本份额 2. 使用除数修正法处理非交易因素变动（如新发、扩募） 3. 提供价格指数和全收益指数双版本 4. 细分产权类/特许经营权类指数及12类项目指数[45][46] - 模型评价：为资产配置提供标准化工具，但需注意高分红特性对指数的影响[45] 量化因子与构建方式 1. **行业主题基金标签因子** - 构建思路：通过持仓分析定义基金的长期行业属性[34] - 具体构建： 1. 提取近四期中报/年报持仓数据 2. 划分三类标签： - 行业主题基金（明确主题集中度） - 行业轮动基金（持仓切换显著） - 行业均衡基金（分散配置） 3. 构建对应主题指数（如TMT/新能源/医药等9类）[34][36] - 因子评价：有效区分基金风格，但需动态跟踪标签变化[34] 2. **ETF资金流向因子** - 构建思路：监控不同类型ETF的资金净流入与收益率关系[53][58] - 具体构建： 1. 按宽基/行业/主题等21类细分ETF 2. 计算周度资金净流入： $$净流入 = 当日份额 \times 单位净值 - 前日份额 \times 前日净值$$ 3. 结合收益率分析市场偏好[58] - 因子评价：反映短期市场情绪，但对异常规模变动需过滤[53] 模型的回测效果 1. **REITs指数模型** - 综合指数：年化收益0.32%，最大回撤-42.67%，夏普比率-0.11[48] - 细分指数： - 消费基础设施REITs表现最佳（年化10.69%，夏普0.86） - 特许经营权类REITs表现最差（年化-3.97%）[48] 2. **行业主题基金指数** - TMT主题：本周收益6.16%，年内累计收益32.97%[34][40] - 消费主题：本周收益1.36%，月度波动率最低（3.12%）[36] 因子的回测效果 1. **ETF资金流向因子** - 金融科技ETF：周净流出6.65亿元，但收益率达11.53%[58] - 医药主题ETF：周净流入19.78亿元，收益率3.16%[58] 2. **行业配置因子** - 通信行业：本周仓位增加幅度最大（+2.07pcts）[65] - 银行行业：仓位减持最显著（-1.94pcts）[65] （注：原文未涉及部分模型/因子的具体公式或评价内容已按规则省略）

量化模型与因子总结 量化因子与构建方式 1. 基本面因子 1.1 样例价值因子 - **因子名称**: EP_TTM[36] - **构建思路**: 衡量公司盈利与市值的相对关系，属于经典价值投资框架[36] - **具体构建过程**: 使用TTM口径的归属于母公司所有者的净利润除以总市值 $$ \text{EP\_TTM} = \frac{\text{ttm}(\text{npparentcompanyowners})}{\text{mv}} $$ 其中，`ttm`为滚动四季度的算子，`get`为取数函数[36] - **因子名称**: EP_TTM_DEDUCTED[36] - **构建思路**: 使用扣非净利润来更纯粹地衡量主营业务盈利与市值的关系[36] - **具体构建过程**: 使用TTM口径的扣除非经常性损益后的归母净利润除以总市值 $$ \text{EP\_TTM\_DEDUCTED} = \frac{\text{ttm}(\text{npdeductnonrecurringpl})}{\text{mv}} $$[36] - **因子名称**: BP_LF[36] - **构建思路**: 衡量公司净资产与市值的相对关系（市净率倒数）[36] - **具体构建过程**: 使用归属母公司所有者权益合计除以总市值 $$ \text{BP\_LF} = \frac{\text{sewithoutmi}}{\text{mv}} $$[36] - **因子名称**: SP_TTM[36] - **构建思路**: 衡量公司销售收入与市值的相对关系（市销率倒数）[36] - **具体构建过程**: 使用TTM口径的营业收入除以总市值 $$ \text{SP\_TTM} = \frac{\text{ttm}(\text{operatingrevenue})}{\text{mv}} $$[36] - **因子名称**: OCFP_TTM[36] - **构建思路**: 衡量公司经营活动现金流与市值的相对关系[36] - **具体构建过程**: 使用TTM口径的经营活动现金净流量除以总市值 $$ \text{OCFP\_TTM} = \frac{\text{ttm}(\text{netoperatecashflow})}{\text{mv}} $$[36] - **因子名称**: DIVIDEND_YIELD_TTM[36] - **构建思路**: 衡量公司分红回报率[36] - **具体构建过程**: 使用近12个月分红总额除以总市值 $$ \text{DIVIDEND\_YIELD\_TTM} = \frac{\text{dividend\_ttm}}{\text{mv}} $$[36] 1.2 AI生成价值因子 - **因子名称**: FCFEP_TTM[38] - **构建思路**: 衡量股权自由现金流与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的股权自由现金流除以总市值 $$ \text{FCFEP\_TTM} = \frac{\text{ttm}(\text{fcfe})}{\text{mv}} $$[38] - **因子名称**: EBITDA_P_TTM[38] - **构建思路**: 衡量息税折旧摊销前利润与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的EBITDA除以总市值 $$ \text{EBITDA\_P\_TTM} = \frac{\text{ttm}(\text{ebitda})}{\text{mv}} $$[38] - **因子名称**: FCFFP_TTM[38] - **构建思路**: 衡量企业自由现金流与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的企业自由现金流除以总市值 $$ \text{FCFFP\_TTM} = \frac{\text{ttm}(\text{fcff})}{\text{mv}} $$[38] - **因子名称**: GP_TTM[38] - **构建思路**: 衡量毛利与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的毛利除以总市值 $$ \text{GP\_TTM} = \frac{\text{ttm}(\text{grossprofit})}{\text{mv}} $$[38] - **因子名称**: TBPR_LF[38] - **构建思路**: 衡量有形资产净值与市值的相对关系[38] - **具体构建过程**: 使用有形资产净值除以总市值 $$ \text{TBPR\_LF} = \frac{\text{nettangibleassets}}{\text{mv}} $$[38] - **因子名称**: OPP_TTM[38] - **构建思路**: 衡量营业利润与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的营业利润除以总市值 $$ \text{OPP\_TTM} = \frac{\text{ttm}(\text{operatingprofit})}{\text{mv}} $$[38] - **因子名称**: CSHREVP_TTM[38] - **构建思路**: 衡量销售商品提供劳务收到的现金与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的销售商品提供劳务收到的现金除以总市值 $$ \text{CSHREVP\_TTM} = \frac{\text{ttm}(\text{goodssaleservicerendercash})}{\text{mv}} $$[38] - **因子名称**: REP_LF[38] - **构建思路**: 衡量留存收益与市值的相对关系，反映公司内源性资本积累[38][45] - **具体构建过程**: 使用留存收益除以总市值 $$ \text{REP\_LF} = \frac{\text{retainedearnings}}{\text{mv}} $$[38] - **因子评价**: 与样例因子相关性低，具备独特逻辑视角，衡量市场对公司长期价值创造能力的定价[45] - **因子名称**: OEP_TTM[38] - **构建思路**: 衡量所有者盈余与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的（归母净利润+折旧摊销-资本性支出）除以总市值 $$ \text{OEP\_TTM} = \frac{\text{ttm}(\text{npparentcompanyowners}) + \text{ttm}(\text{currentaccruedda}) - \text{ttm}(\text{fixintanotherassetacquicash})}{\text{mv}} $$[38] - **因子名称**: EBITP_TTM[38] - **构建思路**: 衡量息税前利润与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的EBIT除以总市值 $$ \text{EBITP\_TTM} = \frac{\text{ttm}(\text{ebit})}{\text{mv}} $$[38] - **因子名称**: TCIP_TTM[38] - **构建思路**: 衡量综合收益总额与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的归属于母公司所有者的综合收益除以总市值 $$ \text{TCIP\_TTM} = \frac{\text{ttm}(\text{ciparentcompanyowners})}{\text{mv}} $$[38] - **因子名称**: NWCP_LF[38] - **构建思路**: 衡量净营运资本与市值的相对关系[38] - **具体构建过程**: 使用净营运资本除以总市值 $$ \text{NWCP\_LF} = \frac{\text{networkingcaital}}{\text{mv}} $$[38] - **因子名称**: CEP_TTM[38] - **构建思路**: 衡量现金收益与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的（归母净利润+折旧摊销）除以总市值 $$ \text{CEP\_TTM} = \frac{\text{ttm}(\text{npparentcompanyowners}) + \text{ttm}(\text{currentaccruedda})}{\text{mv}} $$[38] - **因子名称**: CGP_TTM[38] - **构建思路**: 衡量现金毛利与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的（销售商品收到现金-购买商品支付现金）除以总市值 $$ \text{CGP\_TTM} = \frac{\text{ttm}(\text{goodssaleservicerendercash}) - \text{ttm}(\text{goodsservicescashpaid})}{\text{mv}} $$[38] - **因子评价**: 对OCFP_TTM因子的成功增强，更纯粹反映主营业务造血能力[56] - **因子名称**: TPP_TTM[38] - **构建思路**: 衡量利润总额与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的利润总额除以总市值 $$ \text{TPP\_TTM} = \frac{\text{ttm}(\text{totalprofit})}{\text{mv}} $$[38] - **因子名称**: TPICP_LF[38] - **构建思路**: 衡量实收资本与市值的相对关系[38] - **具体构建过程**: 使用实收资本除以总市值 $$ \text{TPICP\_LF} = \frac{\text{totalpaidincapital}}{\text{mv}} $$[38] - **因子名称**: NIEOAP_TTM[38] - **构建思路**: 衡量经营活动净收益与市值的相对关系[38] - **具体构建过程**: 使用TTM口径的经营活动净收益除以总市值 $$ \text{NIEOAP\_TTM} = \frac{\text{ttm}(\text{netincomefromoperating})}{\text{mv}} $$[38] - **因子名称**: NOAP_LF[38] - **构建思路**: 衡量净营运资产与市值的相对关系[38] - **具体构建过程**: 使用（总资产-货币资金-（总负债-带息债务））除以总市值 $$ \text{NOAP\_LF} = \frac{(\text{totalassets} - \text{cashequivalents}) - (\text{totalliability} - \text{interestbeardebt})}{\text{mv}} $$[38] - **因子名称**: TOTAL_YIELD_PLUS_TTM[38] - **构建思路**: 衡量（分红+净偿还债务）与市值的相对关系[38] - **具体构建过程**: 使用（近12个月分红+（4季度前带息债务-当期带息债务））除以总市值 $$ \text{TOTAL\_YIELD\_PLUS\_TTM} = \frac{\text{dividend\_ttm} + (\text{refq}(\text{interestbeardebt}, 4) - \text{interestbeardebt})}{\text{mv}} $$[38] - **因子名称**: REINVESTMENT_YIELD_TTM[38] - **构建思路**: 衡量（净利润-分红）与市值的相对关系，反映再投资水平[38] - **具体构建过程**: 使用TTM口径的（归母净利润-近12个月分红）除以总市值 $$ \text{REINVESTMENT\_YIELD\_TTM} = \frac{\text{ttm}(\text{npparentcompanyowners}) - \text{dividend\_ttm}}{\text{mv}} $$[38] 1.3 样例质量因子 - **因子名称**: EPS_QR[68] - **构建思路**: 衡量单季度每股收益[68] - **具体构建过程**: 使用单季度归母净利润除以最新总股本 $$ \text{EPS\_QR} = \frac{\text{quarter}(\text{npparentcompanyowners})}{\text{paidincapital}} $$[68] - **因子名称**: EPS_TTM[68] - **构建思路**: 衡量TTM口径的每股收益[68] - **具体构建过程**: 使用TTM口径的归母净利润除以最新总股本 $$ \text{EPS\_TTM} = \frac{\text{ttm}(\text{npparentcompanyowners})}{\text{paidincapital}} $$[68] - **因子名称**: BPS_LF[68] - **构建思路**: 衡量每股净资产[68] - **具体构建过程**: 使用归属母公司所有者权益合计除以最新总股本 $$ \text{BPS\_LF} = \frac{\text{sewithoutmi}}{\text{paidincapital}} $$[68] - **因子名称**: ROE_QR[68] - **构建思路**: 衡量单季度净资产收益率[68] - **具体构建过程**: 使用2倍单季度归母净利润除以（当期+上期）股东权益合计平均值 $$ \text{ROE\_QR} = \frac{2 \times \text{quarter}(\text{npparentcompanyowners})}{\text{sewithoutmi} + \text{refq}(\text{sewithoutmi}, 1)} $$[68] - **因子名称**: ROE_TTM[68] - **构建思路**: 衡量TTM口径的净资产收益率[68] - **具体构建过程**: 使用TTM口径的归母净利润除以股东权益合计平均值 $$ \text{ROE\_TTM} = \frac{\text{ttm}(\text{npparentcompanyowners})}{(\text{sewithoutmi} + \text{refq}(\text{sewithoutmi}, 1))/2} $$[68] - **因子名称**: OCFPS_QR[68] - **构建思路**: 衡量单季度每股经营现金流[68] - **具体构建过程**: 使用单季度经营活动现金净流量除以最新总股本 $$ \text{OCFPS\_QR} = \frac{\text{quarter}(\text{netoperatecashflow})}{\text{paidincapital}} $$[68] - **因子名称**: OCFPS_TTM[68] - **构建思路**: 衡量TTM口径的每股经营现金流[68] - **具体构建过程**: 使用TTM口径的经营活动现金净流量除以最新总股本 $$ \text{OCFPS\_TTM} = \frac{\text{ttm}(\text{netoperatecashflow})}{\text{paidincapital}} $$[68] - **因子名称**: OCF_QUALITY_TTM[68] - **构建思路**: 衡量现金流与利润的差异程度[68] - **具体构建过程**: 使用TTM口径的（经营现金流净额-营业利润）除以总资产 $$ \text{OCF\_QUALITY\_TTM} = \frac{\text{ttm}(\text{netoperatecashflow}) - \text{ttm}(\text{operatingprofit})}{\text{totalassets}} $$[68] - **因子名称**: GROSS_PROFIT_QR[68] - **构建思路**: 衡量单季度毛利率与资产的关系[68] - **具体构建过程**: 使用单季度（营业收入-营业成本）除以总资产 $$ \text{GROSS\_PROFIT\_QR} = \frac{\text{quarter}(\text{operatingrevenue}) - \text{quarter}(\text{operatingcost})}{\text{totalassets}} $$[68] - **因子名称**: GROSS_PROFIT_TTM[68] - **构建思路**: 衡量TTM口径的毛利率与资产的关系[68] - **具体构建过程**: 使用TTM口径的（营业收入-营业成本）除以总资产 $$ \text{GROSS\_PROFIT\_TTM} = \frac{\text{ttm}(\text{operatingrevenue}) - \text{ttm}(\text{operatingcost})}{\text{totalassets}} $$[68] 1.4 AI生成质量因子 - **因子名称**: ACEPS_QR[70] - **构建思路**: 衡量（净利润+经营现金流）平均值的每股指标[70] - **具体构建过程**: 使用（单季度归母净利润+单季度经营现金流净额）/2除以最新总股本 $$ \text{ACEPS\_QR} = \frac{\text{quarter}(\text{npparentcompanyowners}) + \text{quarter}(\text{netoperatecashflow})}{2 \times \text{paidincapital}} $$[70] - **因子名称**: CAOPS_QR[70] - **构建思路**: 衡量调整后营业利润的每股指标[70] - **具体构建过程**: 使用（单季度营业利润-（净利润-经营现金流））除以最新总股本 $$ \text{CAOPS\_QR} = \frac{\text{quarter}(\text{operatingprofit}) - (\text{quarter}(\text{npparentcompanyowners}) - \text{quarter}(\text{netoperatecashflow}))}{\text{paidincapital}} $$[70] - **因子名称**: CCEPS_QR[70] - **构建思路**: 衡量现金收益的每股指标[70] - **具体构建过程**: 使用（单季度扣非净利润+单季度折旧摊销）除以最新总股本 $$ \text{CCEPS\_QR} = \frac{\text{quarter}(\text{npdeductnonrecurringpl}) + \text{quarter}(\text{currentaccruedda})}{\text{paidincapital}} $$[70] - **因子名称**: CCPATPS_QR[70] - **构建思路**: 衡量税后现金利润的每股指标[70] - **具体构建过程**: 使用（销售收到现金-购买支付现金-支付职工-支付税费）除以最新总股本 $$ \text{CCPATPS\_QR} = \frac{\text{quarter}(\text{goodssaleservicerendercash}) - \text{quarter}(\text{goodsservicescashpaid}) - \text{quarter}(\text{staffbehalfpaid}) - \text{quarter}(\text{alltaxespaid})}{\text{paidincapital}} $$[70] - **因子名称**: CCPS_QR[70] - **构建思路**: 衡量

量化因子与构建方式 1. **因子名称：Barra风格因子** - **因子构建思路**：基于多维度市场特征构建的经典风险模型因子，涵盖市值、波动性、估值等核心风格维度[15] - **因子具体构建过程**： - **Beta**：历史beta值 - **市值**：总市值取自然对数 - **动量**：历史超额收益率序列均值 - **波动**：$$0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率}$$ - **非线性市值**：市值风格的三次方 - **估值**：市净率倒数 - **流动性**：$$0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率}$$ - **盈利**：$$0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率ttm倒数}$$ - **成长**：$$0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率}$$ - **杠杆**：$$0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率}$$[15] - **因子评价**：全面覆盖市场风格，但需注意因子间可能存在的多重共线性[15] 2. **因子名称：GRU因子** - **因子构建思路**：基于门控循环单元（GRU）模型生成的动态因子，捕捉短期市场特征[4][5][6][7] - **因子具体构建过程**： - 模型输入包括开盘价（open1d）、收盘价（close1d）、Barra风格因子（barra1d/barra5d）的日频或5日频数据 - 通过GRU网络训练预测未来收益，输出因子值为预测收益的标准化值[4][5][6][7] - **因子评价**：对市场短期变化敏感，但需高频调参以避免过拟合[4][5][6][7] 3. **因子名称：技术类因子** - **因子构建思路**：基于价格和交易量数据构建的动量/波动类因子[4][5][6][7] - **因子具体构建过程**： - **动量因子**：20日/60日/120日收益率均值 - **波动因子**：20日/60日/120日收益率标准差 - **中位数离差**：价格序列与中位数的偏离程度[26][30] 4. **因子名称：基本面因子** - **因子构建思路**：基于财务指标构建的估值、盈利、成长类因子[4][5][6][7] - **因子具体构建过程**： - **超预期增长类**：如营业利润超预期增长（同比变化率） - **静态财务类**：ROE、ROA、市盈率（TTM）[28][26] --- 因子回测效果 1. **Barra风格因子** - **非线性市值**：本周多头收益显著[3][16] - **流动性**：全市场多头收益正向[3][16] - **估值/杠杆/盈利**：空头表现强势[3][16] 2. **GRU因子** - **barra1d/close1d**：全市场多空收益强势（中证1000超额1.5%+）[7][33] - **barra5d**：中证500多空收益回撤[6][33] 3. **技术类因子** - **全市场**：20日波动因子多空收益3.58%（近一周）[26] - **中证1000**：120日波动因子多空收益4.85%（近一周）[30] 4. **基本面因子** - **沪深300**：成长类因子多空收益显著为正[5][23] - **中证500**：超预期增长类因子正向，静态财务类负向[6][26] --- 量化模型与构建方式 1. **模型名称：GRU多头组合模型** - **模型构建思路**：基于GRU因子构建的月度调仓多头策略[31] - **模型具体构建过程**： - 选股池：万得全A（剔除ST/上市不满180日股票） - 权重配置：个股权重上限0.2%，行业偏离控制0.01标准差 - 手续费：双边0.3%[31] --- 模型回测效果 1. **GRU多头组合** - **barra5d模型**：今年以来超额中证1000收益6.42%[33] - **close1d模型**：近一周超额回撤2.40%[33] - **多因子组合**：近半年超额收益0.70%[33]

量化模型与构建方式 1. **模型名称：扩散指数模型** - **模型构建思路**：通过监测微盘股成分股未来N天股价涨跌幅的扩散指数临界点，判断市场变盘信号[5][19] - **模型具体构建过程**： 1. 横轴设定未来N天股价相对涨跌幅（1.1至0.9代表涨10%至跌10%） 2. 纵轴设定回顾窗口期长度T天（T从20到10对应未来N=0到10天） 3. 计算扩散指数值（例：横轴0.95和纵轴15天值为0.21，表示未来5天若成分股均跌5%，扩散指数为0.21）[40] 4. 结合三种交易信号方法（首次阈值法、延迟阈值法、双均线法）生成交易信号[5][19] 2. **模型名称：首次阈值法（左侧交易）** - **模型构建思路**：基于扩散指数提前触发空仓信号[5] - **模型具体构建过程**：当扩散指数首次跌破阈值（如2025年5月8日收盘0.9850）时触发空仓[45] 3. **模型名称：延迟阈值法（右侧交易）** - **模型构建思路**：在扩散指数确认趋势后触发信号[5] - **模型具体构建过程**：延迟观察扩散指数变化（如2025年5月15日收盘0.8975触发空仓）[49] 4. **模型名称：双均线法（自适应交易）** - **模型构建思路**：结合均线交叉动态调整仓位[5] - **模型具体构建过程**：短期均线下穿长期均线时翻空（如2025年8月4日信号）[50] 5. **模型名称：小市值低波50策略** - **模型构建思路**：在微盘股成分股中优选小市值和低波动股票[7][37] - **模型具体构建过程**： 1. 筛选微盘股成分股市值最小的50只股票 2. 计算历史波动率并选择低波动标的 3. 每双周调仓一次，费用双边千三[37] - **模型评价**：策略在2025年YTD收益73.21%，但本周超额-1.25%，受市场风格影响较大[37] --- 量化因子与构建方式 1. **因子名称：对数市值因子** - **因子构建思路**：捕捉市值对收益的影响[4][18] - **因子具体构建过程**：$$ \text{因子值} = \ln(\text{总市值}) $$ - **因子评价**：本周rankic 0.206（历史平均-0.033），近期有效性显著提升[4][18] 2. **因子名称：非线性市值因子** - **因子构建思路**：捕捉市值非线性的收益贡献[4] - **因子具体构建过程**：通过分段函数或多项式拟合市值与收益的非线性关系 - **因子评价**：本周rankic 0.206（历史平均-0.033），与对数市值因子表现一致[4] 3. **因子名称：未复权股价因子** - **因子构建思路**：利用股价绝对值筛选标的[4] - **因子具体构建过程**：直接取股票未复权价格 - **因子评价**：本周rankic 0.15（历史平均-0.014），短期有效性增强[4] 4. **因子名称：盈利因子** - **因子构建思路**：衡量公司盈利能力[4] - **因子具体构建过程**：$$ \text{因子值} = \frac{\text{净利润}}{\text{总资产}} $$ - **因子评价**：本周rankic 0.141（历史平均0.022），基本面因子表现稳定[4] 5. **因子名称：单季度净资产收益率因子** - **因子构建思路**：聚焦短期ROE变化[4] - **因子具体构建过程**：$$ \text{因子值} = \frac{\text{单季度净利润}}{\text{净资产}} $$ - **因子评价**：本周rankic 0.137（历史平均0.022），与盈利因子相关性较高[4] 6. **因子名称：非流动性因子** - **因子构建思路**：衡量股票流动性风险[4] - **因子具体构建过程**：$$ \text{因子值} = \frac{\text{日均换手率}^{-1}}{\text{市值}} $$ - **因子评价**：本周rankic -0.128（历史平均0.04），流动性差的股票近期表现不佳[4] 7. **因子名称：动量因子** - **因子构建思路**：捕捉历史收益率延续性[4] - **因子具体构建过程**：$$ \text{因子值} = \text{过去10天收益率} $$ - **因子评价**：本周rankic -0.027（历史平均-0.005），反转效应明显[4] --- 模型的回测效果 1. **扩散指数模型** - 首次阈值法：2025年5月8日触发空仓信号[45] - 延迟阈值法：2025年5月15日触发空仓信号[49] - 双均线法：2025年8月4日触发空仓信号[50] 2. **小市值低波50策略** - 2024年收益7.07%，超额-2.93%[37] - 2025年YTD收益73.21%，本周超额-1.25%[37] --- 因子的回测效果 1. **对数市值因子**：本周rankic 0.206，历史平均-0.033[4] 2. **非线性市值因子**：本周rankic 0.206，历史平均-0.033[4] 3. **未复权股价因子**：本周rankic 0.15，历史平均-0.014[4] 4. **盈利因子**：本周rankic 0.141，历史平均0.022[4] 5. **单季度ROE因子**：本周rankic 0.137，历史平均0.022[4] 6. **非流动性因子**：本周rankic -0.128，历史平均0.04[4] 7. **动量因子**：本周rankic -0.027，历史平均-0.005[4]