量化模型与构建方式 1. **模型名称**：DeepSeek-V3-671B - **模型构建思路**：依托DeepSeek大模型实现研报摘要的结构化情感分析，从黑箱评分转向可解释的评分体系，通过拆解摘要结构（业务发展、财务表现、其他因素）引入四维量化分析（类别识别、情绪倾向、出现顺序、字数占比）[4][5] - **模型具体构建过程**： 1. **输入处理**：清洗研报摘要文本，剔除盈利预测和风险提示部分[22] 2. **分类规则**：预定义10类研报要素（如战略布局、技术创新等），要求模型严格遵循类别、情绪（1/-1/0）、出现顺序、字数占比四要素输出JSON格式结果[45][46] 3. **权重分配**：跨类别文本按优先级拆分（公司行为>外部因素>财务表现），字数占比计算公式为： $$ \text{字数占比} = \frac{\text{类别字数}}{\text{摘要总字数}} $$ [47] 4. **批量调用**：支持15条摘要批量处理，输入格式为system提示+user摘要内容[65] - **模型评价**：输出格式符合率100%，结果稳定性优于R1版本，支持高效批量任务[63][65] 2. **模型名称**：研报情绪密度策略模型 - **模型构建思路**：基于情绪密度（利好字数占比）构建选股策略，重点捕捉"业绩超预期"和"盈利改善"等有效信号[5][6] - **模型具体构建过程**： 1. **信号提取**：计算每篇研报中各类别的利好密度（如盈利改善密度=正面情绪字数/总字数）[5] 2. **组合构建**：按月频或不定期调仓，选取利好密度最高的股票构建多头组合[26][27] 3. **非线性优化**：引入指数衰减加权调整近期研报权重[40] --- 量化因子与构建方式 1. **因子名称**：简单加权评分因子（score_sum） - **构建思路**：对研报中所有利好类别进行等权加总[6] - **具体构建过程**： 1. 单篇研报评分公式： $$ \text{score\_sum} = \sum_{i=1}^{n} (\text{情绪值}_i \times \text{字数占比}_i) $$ 2. 个股评分=近期所有相关研报评分的均值[35] 2. **因子名称**：篇幅加权评分因子（score_by_len） - **构建思路**：按类别字数占比加权情绪值，反映信息篇幅权重[6] - **具体构建过程**： $$ \text{score\_by\_len} = \sum_{i=1}^{n} \left( \text{情绪值}_i \times \frac{\text{类别字数}_i}{\sum \text{类别字数}} \right) $$ [36] 3. **因子名称**：类别重要性加权因子（score_by_cat） - **构建思路**：根据类别对股价的解释力（通过历史CAR回归确定）分配权重[37] - **具体构建过程**： 1. 计算每类情绪对20日累计超额收益（CAR）的回归系数[38] 2. 权重公式： $$ w_i = \frac{|\beta_i|}{\sum |\beta|} $$ 3. 加权评分： $$ \text{score\_by\_cat} = \sum_{i=1}^{n} (w_i \times \text{情绪值}_i) $$ 4. **因子名称**：复合因子（score_report_llm） - **构建思路**：等权合成上述四类因子，兼顾多样性与稳定性[6] - **具体构建过程**： $$ \text{score\_report\_llm} = \frac{1}{4} (\text{score\_sum} + \text{score\_by\_len} + \text{score\_by\_cat} + \text{score\_by\_LenCat}) $$ --- 模型回测效果 1. **复合因子（score_report_llm）**： - 年化收益12.8%，相对中证800超额13.5%[6] - 月胜率100%（2025年1-5月），最大回撤<4%[6] - 五分位收益单调性显著[47] 2. **情绪密度策略**： - 盈利改善密度组合年化超额18.7%（月频调仓）[26] - 业绩超预期密度组合年化超额21.3%（不定期调仓）[29] --- 因子回测效果 1. **score_sum因子**： - IC均值0.082，IR 1.52[35] - 多头组合年化超额9.4%[43] 2. **score_by_len因子**： - IC均值0.096，IR 1.78[36] - 多头组合年化超额11.2%[44] 3. **score_by_cat因子**： - IC均值0.105，IR 1.91[38] - 多头组合年化超额12.0%[45] 4. **score_by_LenCat因子**： - IC均值0.112，IR 2.03[39] - 多头组合年化超额13.1%[46] （注：所有测试窗口均为报告发布后20-40日，基准为中证800）[6][35]

量化模型与构建方式 1. 模型名称：基于动态宏观事件因子的中证港股通大消费指数择时策略 模型构建思路：通过经济、通胀、货币和信用四维度的20余个宏观数据指标构建事件因子，筛选出对指数择时效果较好的5个宏观因子，根据因子信号确定仓位[4][21] 模型具体构建过程： - 宏观数据预处理： - 对齐数据频率至月频 - 缺失值填充公式：$$X_{t}=X_{t-1}+Median_{diff12}$$[28] - 滤波处理使用单向HP滤波公式：$${\hat{t}}_{t|t,\lambda}=\sum\nolimits_{s=1}^{t}\omega_{t|t,s,\lambda}\cdot y_{s}=W_{t|t,\lambda}(L)\cdot y_{t}$$[29] - 衍生数据结构（同比/环比/移动平均）[30] - 事件因子构建： - 确定突破方向（与收益率相关性）[31] - 确定领先滞后性（测试0-4期）[31] - 生成三类事件因子（突破均线/中位数/同向变化）[31][33] - 筛选标准：t检验显著、收益率胜率>55%、发生次数>窗口期/6[33] - 因子叠加优化（相关系数<0.85）[34] - 动态确定最优滚动窗口（48-96个月）[34] - 仓位确定规则： - 看多信号>2/3则仓位100% - 看多信号<1/3则仓位0% - 中间比例则按比例确定仓位[36] 模型评价：在基准回撤阶段能有效控制下行风险，多数年份取得正超额收益[12] 量化因子与构建方式 1. 因子名称：PMI原材料价格因子 因子构建思路：使用原始PMI原材料价格数据，构建突破类事件因子[36] 因子具体构建过程： - 数据处理：原始数据直接使用 - 滚动窗口：96个月 - 事件类型：突破均线/中位数/同向变化[33] 2. 因子名称：中美国债利差10Y因子 因子构建思路：利用中美10年期国债利差原始数据构建事件因子[36] 因子具体构建过程： - 数据处理：原始数据直接使用 - 滚动窗口：72个月 3. 因子名称：金融机构中长期贷款余额因子 因子构建思路：基于12个月滚动求和同比数据构建信用类事件因子[36] 因子具体构建过程： - 数据处理：原始数据直接使用 - 滚动窗口：48个月 4. 因子名称：M1同比因子 因子构建思路：利用货币供应量M1同比数据构建货币类事件因子[36] 因子具体构建过程： - 数据处理：原始数据直接使用 - 滚动窗口：48个月 5. 因子名称：新增社融滚动求和同比因子 因子构建思路：基于12个月滚动求和同比数据构建信用类事件因子[36] 因子具体构建过程： - 数据处理：原始数据直接使用 - 滚动窗口：96个月 模型的回测效果 1. 基于动态宏观事件因子的择时策略（2018/11-2025/7）： - 年化收益率：9.31% - 最大回撤：-29.72% - 夏普比率：0.54 - 收益回撤比：0.31[3][11] - 2025年7月收益率：2.79%（基准2.48%）[11] - 平均仓位：约43%[11] 2. 细分因子信号表现（2025年2-7月）： - PMI原材料价格因子：连续6个月发出信号（5次看多）[14] - 新增社融因子：2025年6月看多信号[14] 因子的回测效果 1. 最终筛选的5个宏观因子（2014/11起测试）： - PMI原材料价格因子：开仓波动调整收益率最优（96个月窗口）[36] - 中美国债利差10Y因子：开仓波动调整收益率次优（72个月窗口）[36] - 其他三个因子均通过55%胜率筛选标准[34]

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称**：网下打新收益测算模型 **模型构建思路**：通过假设所有主板、科创板、创业板的股票都打中，并在上市首日以市场均价卖出，忽略锁定期的卖出限制，来测算不同规模账户的打新收益率[2] **模型具体构建过程**： - 计算满中数量： $$可申购上限额度 \times 网下类平均中签率$$ - 计算满中收益： $$(首次开板价 - 首发价格) \times 满中数量$$ **模型评价**：该模型简单直观，能够快速估算不同规模账户的打新收益，但忽略了锁定期和市场波动的影响[2] 2. **模型名称**：逐月打新收益模型 **模型构建思路**：通过将每个月网下打新可获得的收益相加，测算理想情况下逐月打新收益和打新收益率[47] **模型具体构建过程**： - 假设所有股票报价均入围 - 在90%的资金使用效率下，计算不同规模账户的逐月打新收益 - 以新股卖出日为统计时间，计算累计打新收益率[47] **模型评价**：该模型能够反映不同时间段内的打新收益变化，但依赖于假设条件，实际效果可能有所偏差[47] 模型的回测效果 1. **网下打新收益测算模型**： - A类2亿规模账户打新收益率：1.99%[2] - B类2亿规模账户打新收益率：1.79%[2] - A类10亿规模账户打新收益率：0.63%[2] - B类10亿规模账户打新收益率：0.57%[2] 2. **逐月打新收益模型**： - A类2亿规模账户2024年至今打新收益率：5.72%[47] - B类2亿规模账户2024年至今打新收益率：4.71%[52] - A类2亿规模账户2025年至今打新收益率：1.99%[47] - B类2亿规模账户2025年至今打新收益率：1.79%[52] 量化因子与构建方式 1. **因子名称**：有效报价账户数量因子 **因子构建思路**：通过统计近期新股的有效报价账户中位数，反映市场参与打新的热度[23] **因子具体构建过程**： - 统计科创板、创业板、主板新股A类和B类有效报价账户数量的中位数[23] **因子评价**：该因子能够反映市场对打新的参与程度，但受市场情绪影响较大[23] 2. **因子名称**：新股上市首日涨幅因子 **因子构建思路**：通过计算新股上市首日的平均涨幅，反映打新收益的短期表现[20] **因子具体构建过程**： - 统计近期20只新股上市首日的平均涨幅[20] **因子评价**：该因子能够反映打新的短期收益，但受市场波动影响较大[20] 因子的回测效果 1. **有效报价账户数量因子**： - 科创板A类有效报价账户数量中位数：3062[23] - 科创板B类有效报价账户数量中位数：1602[23] - 创业板A类有效报价账户数量中位数：3664[23] - 创业板B类有效报价账户数量中位数：2086[23] - 主板A类有效报价账户数量中位数：3866[23] - 主板B类有效报价账户数量中位数：2290[23] 2. **新股上市首日涨幅因子**： - 科创板个股上市首日平均涨幅：218.45%[20] - 创业板个股上市首日平均涨幅：221.02%[20]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **多因子策略模型** - 模型构建思路：通过结合基本面选股、量化模型、打新、衍生工具等多种增强手段，在控制跟踪误差的前提下获取超额收益[11] - 模型具体构建过程： 1. 大部分资产配置于标的指数成分股，确保基础收益与市场同步 2. 剩余部分通过以下方式优化组合： - 基本面选股：基于财务指标、估值等基本面数据筛选优质股票 - 量化模型：采用多因子模型，综合考量价值、成长、动量等因子 - 打新：参与新股申购获取收益 - 衍生工具：如股指期货等用于对冲或增强收益 - 模型评价：该模型风险收益特征介于被动指数基金与主动权益基金之间，适合追求市场平均收益基础上寻求增强的长期投资者[11] 量化因子与构建方式 （报告中未明确提及具体因子构建细节，故跳过该部分） 模型的回测效果 1. **中证2000指数增强基金** - 今年以来超额收益中位数：11.94%[31] - 年化跟踪误差中位数：5.72%[31] 2. **国证2000指数增强基金** - 今年以来超额收益中位数：8.23%[31] - 年化跟踪误差中位数：5.30%[31] 3. **中证1000指数增强基金** - 今年以来超额收益中位数：6.62%[31] - 年化跟踪误差中位数：5.04%[31] 4. **中证500指数增强基金** - 今年以来超额收益中位数：3.85%[31] - 年化跟踪误差中位数：4.95%[31] 5. **沪深300指数增强基金** - 今年以来超额收益中位数：2.79%[31] - 年化跟踪误差中位数：3.30%[31] 其他宽基指数增强基金表现 1. **创业板指增强基金** - 今年以来超额收益中位数：4.63%[31] - 年化跟踪误差中位数：4.97%[31] 2. **科创50增强基金** - 今年以来超额收益中位数：1.96%[31] - 年化跟踪误差中位数：4.29%[31] （注：报告中未提供多因子策略模型的具体回测指标，故未列出其IR等数据）

根据提供的研报内容，以下是量化模型和因子的总结： 量化模型与构建方式 1. **主动偏股基金仓位高频估测模型** - 模型构建思路：通过基金每日披露的净值序列，利用带约束条件的多元回归模型，估算主动偏股基金的股票仓位变动趋势[61] - 模型具体构建过程： 1. 以基金净值序列为因变量 2. 选择基准或构建的资产序列作为自变量 3. 采用带约束的多元回归模型求解最优仓位估计 4. 构建各基金的模拟组合提升估算准确性 5. 测算行业配置动向[61] - 模型评价：能够相对高频跟踪仓位变化，但存在与实际仓位的偏差风险[61] 2. **REITs指数系列模型** - 模型构建思路：构建综合反映REITs市场表现的指数体系，包括底层资产和细分项目指数[49] - 模型具体构建过程： 1. 采用分级靠档方法保持份额稳定 2. 对非交易因素变动采用除数修正法保证连续性 3. 提供价格指数和全收益指数两种计算方式[49] - 模型评价：为REITs资产配置提供指数化投资工具，考虑高分红特性[49] 量化因子与构建方式 1. **行业主题基金标签因子** - 因子构建思路：通过基金持仓信息判断其长期行业主题特征[38] - 因子具体构建过程： 1. 分析近四期中报/年报持仓 2. 划分为行业主题、行业轮动和行业均衡三类 3. 构建对应主题基金指数[38] - 因子评价：能有效反映基金行业配置特征和轮动表现[38] 2. **ESG投资因子** - 因子构建思路：综合环境、社会和治理三方面因素筛选标的[72] - 因子具体构建过程： 1. ESG主题基金采用整合、负面/正面筛选策略 2. 泛ESG基金按主题细分（如低碳、乡村振兴等）[72] - 因子评价：覆盖不同责任投资维度，环境主题占主导[73] 模型的回测效果 1. **主动偏股基金仓位模型** - 本周仓位变动：+0.20pcts[61] - 行业配置：增配国防军工/机械设备/计算机，减持汽车/电子/美容护理[61] 2. **REITs指数模型** - REITs综合指数：本周-0.30%，年化波动11.01%[51] - 产权类指数：本周-0.54%，最大回撤-42.30%[51] - 特许经营权类指数：本周+0.05%，夏普比率-0.10[51] 因子的回测效果 1. **行业主题因子** - 周期主题：本周+4.42%，7月+4.65%[40] - 医药主题：本周-1.48%，7月+17.83%[40] 2. **ESG因子** - 主动权益型ESG基金：本周收益中位数1.65%[75] - 碳中和主题基金：本周最佳表现+8.42%[76] 注：所有数据截至2025年8月8日[1][2][3][4]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：电子均衡配置增强组合** - 模型构建思路：通过均衡配置电子行业内的个股，旨在跑赢电子行业指数[7][14] - 模型具体构建过程：未详细说明构建过程，但提到策略聚焦电子板块，通过月度调仓和财报数据筛选标的[14][37] - 模型评价：策略表现稳定，周度超额收益显著[7][31] 2. **模型名称：电子板块优选增强组合** - 模型构建思路：聚焦迈入成熟期的电子细分赛道龙头企业，优选高潜力标的[14] - 模型具体构建过程：未详细说明构建过程，但提到策略通过行业逻辑和量化筛选结合[14] - 模型评价：超额收益稳定，但受政策变化影响较大[37] 3. **模型名称：攻守兼备红利50组合** - 模型构建思路：结合“稳健+成长”风格，筛选央国企高分红标的[14] - 模型具体构建过程：未详细说明构建过程，但提到策略通过红利因子和成长性因子结合[14][21] - 模型评价：长期超额显著，但短期表现疲软[21] 4. **模型名称：央国企高分红30组合** - 模型构建思路：精选央国企高分红个股，强调分红稳定性[14] - 模型具体构建过程：未详细说明构建过程[14] - 模型评价：短期未能跑赢基准，长期需观察[15][21] 模型的回测效果 1. **电子均衡配置增强组合** - 周度超额收益：0.59%[7] - 科技基金分位：15%[7] 2. **电子板块优选增强组合** - 周度超额收益：0.47%[7] - 科技基金分位：17%[7] 3. **攻守兼备红利50组合** - 年初以来超额收益：2.93%（相对中证红利全收益）[21] - 红利基金分位：41%[21] 4. **央国企高分红30组合** - 周度收益：未跑赢中证红利全收益[15] 量化因子与构建方式 （报告中未提及具体因子构建细节，故跳过） 因子的回测效果 （报告中未提及因子测试结果，故跳过） --- 注：以上总结严格基于研报中明确提到的模型名称、构建逻辑及测试结果[7][14][15][21][31][37]

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. **模型名称：扩散指数行业轮动模型** - **模型构建思路**：基于价格动量原理，通过行业扩散指数捕捉行业趋势，选择趋势向上的行业进行配置[27] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格趋势强度 2. 选择扩散指数排名靠前的行业作为配置标的 3. 每月进行轮动调仓，动态调整行业配置[27] - **模型评价**：在趋势行情中表现优异，但在市场反转时可能失效[27][37] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于GRU深度学习网络，利用分钟频量价数据生成行业因子，捕捉短期交易信号[33][38] - **模型具体构建过程**： 1. 使用GRU网络处理高频量价数据，提取行业特征 2. 生成GRU行业因子，反映行业短期动量 3. 选择因子排名靠前的行业进行配置，每周调仓[33][36] - **模型评价**：擅长把握短期交易机会，但长周期表现一般，极端行情下可能失效[33][38] 量化因子与构建方式 1. **因子名称：行业扩散指数** - **因子构建思路**：衡量行业价格趋势的强度，用于识别动量较强的行业[27][28] - **因子具体构建过程**： 1. 计算行业价格序列的扩散指标 2. 标准化处理得到扩散指数，范围在0到1之间 3. 指数越接近1，表示行业趋势越强[28][29] 2. **因子名称：GRU行业因子** - **因子构建思路**：通过GRU网络提取行业量价特征，生成因子得分[33][34] - **因子具体构建过程**： 1. 输入行业分钟频量价数据到GRU网络 2. 输出行业因子得分，正得分表示看涨，负得分表示看跌[34][36] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年以来超额收益：-0.41%[26][31] - 2024年超额收益：-5.82%[27] - 2023年超额收益：-4.58%[27] - 2022年超额收益：6.12%[27] 2. **GRU因子行业轮动模型** - 2025年以来超额收益：-4.35%[33][36] - 本周超额收益：0.65%[36] - 8月以来超额收益：0.32%[36] 因子的回测效果 1. **行业扩散指数** - 最新排名靠前的行业：综合金融(1.0)、钢铁(1.0)、建材(1.0)[28][29] - 环比提升较大的行业：煤炭(+0.683)、石油石化(+0.396)[29][30] 2. **GRU行业因子** - 最新排名靠前的行业：钢铁(2.82)、建材(1.72)、交通运输(1.3)[34][36] - 环比提升较大的行业：钢铁、建材、交通运输[34][36]

根据研报内容，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. **扩散指数模型** - **模型构建思路**：通过监测微盘股成分股价格变动的扩散程度，判断市场趋势由头部股票驱动还是底部轮动[6][18] - **具体构建过程**： - 横轴为未来N天股价涨跌幅（1.1=涨10%，0.9=跌10%），纵轴为回顾窗口期T（T=20-N） - 扩散指数值计算示例：横轴0.95与纵轴15天值为0.51，表示若成分股均跌5%，扩散指数为0.51[18] - 当前扩散指数值为0.87（横轴20，纵轴1.0）[18] - **模型评价**：扩散指数下降反映趋势由头部股票驱动，反转因子近期表现较差[6][18] 2. **首次阈值法（左侧交易）** - 触发条件：扩散指数≤0.9850时发出空仓信号，2025年5月8日触发[6][18] 3. **延迟阈值法（右侧交易）** - 触发条件：扩散指数≤0.8975时发出空仓信号，2025年5月15日触发[6][18] 4. **双均线法（自适应交易）** - 触发条件：2025年8月4日收盘发出空仓信号[6][18] --- 量化因子与构建方式 1. **动量因子** - **构建思路**：捕捉股票价格延续趋势的能力 - **测试结果**：本周rankIC为0.224（历史平均-0.005）[5][16] 2. **贝塔因子** - **测试结果**：本周rankIC为0.146（历史平均0.006）[5][16] 3. **非流动性因子** - **测试结果**：本周rankIC为0.14（历史平均0.041）[5][16] 4. **成交额因子** - **测试结果**：本周rankIC为-0.172（历史平均-0.083）[5][16] 5. **小市值低波50策略** - **构建思路**：在微盘股成分股中筛选市值最小且波动率最低的50只股票，双周调仓 - **测试结果**：2025年YTD收益76.74%，本周超额-0.40%（基准万得微盘股指数）[8][16] --- 模型的回测效果 1. **扩散指数模型** - 当前扩散指数值：0.87[18] - 首次阈值法空仓信号触发日期：2025年5月8日[6][18] - 双均线法空仓信号触发日期：2025年8月4日[6][18] 2. **小市值低波50策略** - 2024年收益：7.07%（超额-2.93%）[8][16] - 2025年YTD收益：76.74%[8][16] --- 因子的回测效果 1. **动量因子** - 本周rankIC：0.224[5][16] - 历史平均rankIC：-0.005[5][16] 2. **贝塔因子** - 本周rankIC：0.146[5][16] - 历史平均rankIC：0.006[5][16] 3. **非流动性因子** - 本周rankIC：0.14[5][16] - 历史平均rankIC：0.041[5][16] 4. **成交额因子** - 本周rankIC：-0.172[5][16] - 历史平均rankIC：-0.083[5][16] --- 以上总结覆盖了研报中所有关键模型、因子及其测试结果，未包含风险提示等非核心内容。

量化模型与构建方式 1. **模型名称**：多元CNN-LSTM预测模型 - **模型构建思路**：结合卷积神经网络（CNN）和长短期记忆网络（LSTM）的优势，通过多元时间序列分析技术对并行金融时间序列（如行业指数）进行联合预测，考虑序列间的动态相关性[11][12] - **模型具体构建过程**： 1. **输入层**：对齐多个时间序列数据并按时间顺序排列[14] 2. **卷积层**：使用64个过滤器（卷积核大小=2）提取特征，激活函数为ReLU[20] 3. **池化层**：窗口大小为（2,2）[20] 4. **LSTM层**：两层隐含单元（各128个），处理时序依赖关系[20] 5. **全连接层**：输出预测值，损失函数为均方根误差（RMSE）： $$R M S E={\sqrt{\frac{1}{n}\sum_{i}({\hat{y_{i}}}-y_{i}\,)^{2}}}$$ [20] - **模型评价**：对TMT行业预测精度较高，消费类行业误差较大；分组训练后预测效果提升[25][32] 2. **模型名称**：分组多元CNN-LSTM - **模型构建思路**：将申万一级行业按投资属性分为6组（如消费及医药、大科技等），每组独立训练子模型以降低复杂度[26][27] - **模型具体构建过程**： 1. **行业分组**：消费及医药（9行业）、上游资源及材料（5行业）、高端制造（6行业）、地产及基建（4行业）、大科技（4行业）、大金融（2行业）[27] 2. **子模型结构**：每组采用与主模型相同的CNN-LSTM架构，但参数独立训练[28] 3. **预测整合**：各子模型输出组内行业预测值，最终合并为全行业预测结果[28] --- 量化因子与构建方式 1. **因子名称**：T+5行业收益率预测因子 - **因子构建思路**：基于多元CNN-LSTM模型对行业指数未来5日收益率的预测值，作为行业轮动信号的输入[35] - **因子具体构建过程**： 1. 调整模型超参数：时序回看窗口扩展至20天，LSTM隐含单元增至256个[34] 2. 使用扩展窗口训练（2014年3月至调仓时点前数据），每季度重新训练[35] 3. 对T+5预测值排序，选取前5名行业作为多头组合[35] --- 模型的回测效果 1. **多元CNN-LSTM（全行业）**： - 测试集预测误差范围：1.56%~3.30%（T+1）[23] - TMT行业误差最低（如电子1.56%），消费类较高（如食品饮料3.25%）[23] 2. **分组多元CNN-LSTM**： - 分组后测试误差改善：电子从1.56%降至1.78%，食品饮料从3.25%降至2.68%[32][33] - T+5预测误差较T+1显著上升，但仍在可接受范围[37] 3. **行业轮动策略**： - 年化收益：15.6%（基准3.6%），年化超额收益11.6%[38] - 最大回撤：-27.1%（基准-36.3%），夏普比率0.7（基准0.27）[38] --- 因子的回测效果 1. **T+5收益率预测因子**： - 行业轮动组合IR：1.01，最长回撤修复时间248天[38] - 分组后因子稳定性提升，但T+5预测误差波动增大[37]

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]