量化因子与构建方式 1. **因子名称：高维记忆_MEMO因子** - **构建思路**：通过符号处理方法将每笔委托的交易方向转化为数值序列，计算相关系数以刻画订单间的关联性，关联性越强表明机构交易贡献度越高[40] - **具体构建过程**： 1. 提取每笔委托的交易方向（买入/卖出）并编码为数值序列 2. 计算当前订单与后续若干笔订单的相关系数 3. 综合相关系数形成因子值，反映机构交易的持续性特征 - **因子评价**：有效捕捉机构拆单行为，对高质量公司具有显著区分能力[40] 2. **因子名称：强反转_SR因子** - **构建思路**：基于“单笔成交金额越高，反转强度越大”的规律，利用分钟级单笔金额切割日内涨跌幅，强化反转效应[46] - **具体构建过程**： 1. 统计每分钟单笔成交金额及对应涨跌幅 2. 按金额分位数划分区间，计算各区间内的反转强度 3. 加权合成因子值，公式为： $$SR = \sum_{i=1}^{240} w_i \cdot \Delta P_i$$ 其中\(w_i\)为金额区间权重，\(\Delta P_i\)为反转收益[46] - **因子评价**：相比日频反转因子，分钟级切割显著提升预测精度[46] 3. **因子名称：彩票委托_LOTTERY因子** - **构建思路**：捕捉散户在涨停价挂卖单或跌停价挂买单的“彩票博弈”行为，此类委托占比越高则标的未来表现越差[48] - **具体构建过程**： 1. 识别涨停价卖单和跌停价买单的委托量 2. 计算其占总委托量的比例： $$LOTTERY = \frac{V_{\text{extreme}}}{V_{\text{total}}}$$ 其中\(V_{\text{extreme}}\)为极端价位委托量[48] - **因子评价**：有效反映散户主导的交易结构，负向Alpha显著[48] --- 因子的回测效果 1. **高维记忆_MEMO因子** - IC：0.045（2023年以来）[39] - ICIR：2.989[39] - 年化多空收益：29.3%[39] 2. **强反转_SR因子** - IC：-0.043（2023年以来）[39] - ICIR：-2.473[39] - 年化多空收益：19.7%[39] 3. **彩票委托_LOTTERY因子** - IC：-0.054（2023年以来）[39] - ICIR：-2.792[39] - 年化多空收益：32.9%[39] --- 其他微观交易特征指标（附录） 1. **买入高频撤单率_笔数** - IC：0.045[53] - ICIR：2.938[53] - 年化多空收益：24.7%[53] - 多空IR：2.802[53] 2. **单笔金额** - IC：-0.035[53] - ICIR：-2.077[53] - 年化多空收益：21.4%[53] - 多空IR：1.966[53] 3. **上行波动** - IC：-0.059[53] - ICIR：-2.197[53] - 年化多空收益：34.5%[53] - 多空IR：2.342[53] （注：其他指标详见附录表2[53]）

量化模型与构建方式 1. **模型名称**："时钟+拐点改善法"大类资产轮动模型 - **模型构建思路**：结合宏观风险因子（经济增长、通胀、利率等）的状态判断，通过投资时钟规律和相位判断法优化拐点识别，动态调整大类资产配置[8][16][24] - **模型具体构建过程**： 1. **宏观因子状态判断**： - 使用因子动量法：$$M o m e n t u m_{t}=X_{t}-\frac{1}{3}(X_{t-1}+X_{t-2}+X_{t-3})$$，连续两期同向则确认状态[16] - 相位判断法：以38个月周期拟合因子，根据相位区间（上行/下行/顶部/底部）调整状态[21][22] 2. **资产得分计算**：根据投资时钟规则（如复苏期股票得2分，债券得-2分）汇总各资产总得分[14][15] 3. **风险预算调整**：初始风险配比为1:1:1:0.5:0.5（大盘股:小盘股:债券:商品:黄金），每正/负1分则配比翻倍/减半[24] - **模型评价**：融合短期趋势与拐点预判，在收益、风险控制和回撤方面表现优秀[26][27] 2. **因子名称**：宏观风险因子体系（经济增长、通胀、利率、汇率、信用、期限利差） - **因子构建思路**：通过宏观指标或资产组合合成，刻画经济周期不同维度的风险[8] - **因子具体构建过程**： - **经济增长因子**：工业增加值同比、PMI等指标经HP滤波后波动率加权[8] - **利率因子**：中债国债与货币基金指数等权组合的净值同比收益率[8] - **汇率因子**：上海金与伦敦金现多空组合的净值同比收益率，直接标价法下上升代表人民币贬值[8] - **信用因子**：AAA企业债与国债久期中性组合的净值同比收益率，利差走阔代表紧信用[8] 模型的回测效果 1. **"时钟+拐点改善法"模型**： - 年化收益率：9.93%[27] - 年化波动率：6.83%[27] - 夏普比率：1.45[27] - 最大回撤率：6.31%[27] - 胜率：73.08%[27] 量化因子与构建方式 （注：报告中未单独测试因子效果，仅作为模型输入，故无独立回测数据） 关键方法补充 - **投资时钟规则**： - 增长—通胀时钟：复苏期股票/商品得分高，衰退期债券/黄金得分高[9][15] - 利率—信用时钟：紧利率宽信用阶段股票得分高，宽利率阶段债券得分高[10][11][15] - **相位判断法优化**：通过38个月周期拟合减少拐点滞后，提升状态切换准确性[21][22]

量化因子与构建方式 1. **因子名称**：信息分布均匀度UID因子 - **因子构建思路**：基于个股分钟数据，在计算每日高频波动率的基础上构建，旨在改进传统波动率因子，提升选股效果[6] - **因子具体构建过程**： 1. 使用分钟级涨跌幅数据计算每日高频波动率 2. 通过统计换手率分布的均匀性，构造UID因子（具体公式未明确给出，但提及需增加1行代码改进传统因子计算）[6] 3. 剔除市场常用风格和行业干扰，得到纯净UID因子[1] - **因子评价**：选股效果显著优于传统波动率因子，且纯净UID因子仍保持较高选股能力（ICIR达-3.17）[1][6] 因子的回测效果 1. **UID因子（全体A股，2014/01-2025/07）**： - 年化收益率：26.53% - 年化波动率：9.92% - 信息比率（IR）：2.68 - 月度胜率：79.14% - 最大回撤率：6.05%[1][7][10] 2. **UID因子（2025年7月）**： - 多头组合收益率：0.61% - 空头组合收益率：0.44% - 多空对冲收益率：0.17%[10] 其他相关模型或因子 1. **纯真波动率因子**（提及但未详细描述）： - 改进传统波动率因子后信息比率从1.5提升至2.2[6] - 局限性：与传统因子相关性较高，增量信息有限[6]

量化模型与构建方式 1. **模型名称**：REITs随机森林模型 - **模型构建思路**：通过构建多个决策树并集成其预测结果，筛选未来一周涨跌幅最高的REITs基金进行等权配置[7][15][30] - **模型具体构建过程**： 1. **数据准备**：样本内训练区间（2021年7月1日至2024年6月30日），样本外测试区间（2024年7月1日至2025年7月18日），覆盖68只未停牌REITs基金[39] 2. **特征处理**：每周计算因子暴露度并标准化（z-score），缺失值用前值填充[39] 3. **决策树构建**： - 使用信息增益选择最佳特征（如市场情绪、公司财报等），计算公式： $$H(D)=-\sum\nolimits_{i=1}^{m}p_{i}l o g_{2}(p_{i})$$ $$H\left(D|\,\nexists\,\,\nexists_{\mathcal{D}}\,\nexists\,\,\nexists_{\mathcal{D}}^{\pm}\,\nexists_{\mathcal{D}}^{\pm}\right)=\sum_{v\in\left\{\,\nexists\,\,\,\nexists_{\mathcal{D}}^{\pm}\,\setminus\,\mathcal{D}\,\right\}}\frac{|D_{v}|}{|D|}H(D_{v})$$ $$G a i n{\big(}D,{\vec{\mp}}^{\mathrm{\scriptsize{\scriptsize{\it~19}}}}{\vec{\gamma}}_{\vec{19}}^{\mathrm{\scriptsize{\it~18}}}{\vec{\gamma}}_{\vec{24}}^{\mathrm{\scriptsize{\it~18}}}{\vec{\gamma}}_{\vec{39}}^{\mathrm{\scriptsize{\it~18}}}{\vec{\gamma}}_{\vec{19}}^{\mathrm{\scriptsize{\it~18}}}{\vec{\gamma}}_{\vec{24}}^{\mathrm{\scriptsize{\it~18}}}\big)}$$ [20][22][24] - 递归划分数据直至叶节点纯度达标[25][27] 4. **随机森林集成**： - 通过自助采样（bootstrap sampling）生成子数据集，每棵树随机选择特征子集分裂[30][31] - 参数优化：树数量（n_estimators=100）、最大深度（max_depth=15）、叶节点最小样本数（min_samples_leaf=15）[49][51][58] - **模型评价**： - 优点：泛化能力强，可处理高维/缺失数据，提供特征重要性评估[37][66][68] - 缺点：计算成本高，对收益率变化敏感度不足[71] 模型的回测效果 1. **REITs随机森林模型**： - 年化收益率39.76%，超额收益率40.01%，夏普比率2.82[11] - 样本外测试期（2025年）组合收益率73.81%，超额收益率60.49%，IR 6.12[65] - 样本内拟合指标：MSE=0.00044，RMSE=0.021，R²=0.501[59][61] 量化因子与构建方式 1. **因子筛选标准**： - 选取IC绝对值>2.5%的因子，共27个有效因子[44][45] - 关键因子示例： - 正向影响：流通市值（IC=22.02%）、涨跌幅（IC=21.92%）、P/NAV（IC=17.21%）[45] - 负向影响：预期分派率（IC=-23.87%）、开盘价（IC=-10.81%）[45] 因子的回测效果 1. **IC显著因子**： - 前收盘价（IC=-9.95%）、日波动率（IC=4.14%）、净买入量占比（机构，IC=2.54%）[45] 关键图表引用 - 决策树构造示例（图表2）[28] - 随机森林参数敏感性分析（图表5-7）[50][56][57] - 策略净值与超额收益（图表9-10）[65][67]

量化模型与构建方式 1. **模型名称**：宏观因子风险平价模型 - **模型构建思路**：参考Fama-MacBeth方法，通过单变量时序回归计算资产对宏观风险因子的风险载荷，结合半衰期加权平滑载荷波动，最终通过风险平价优化配置底层资产[12][22][23] - **模型具体构建过程**： 1. **数据选择**：宏观因子包括经济增长（工业增加值/消费预测）、利率（国债指数）、通胀（CPI/PPI预测）、信用（企业债指数）等；资产覆盖中证全指、恒生指数、国债、商品等[20] 2. **风险载荷计算**：滚动36个月数据回归资产收益与宏观因子，公式为： $$r_{t}=\alpha_{t}+B\cdot f_{t}+\varepsilon_{t}$$ 其中B为风险载荷矩阵，f为因子收益[23] 3. **风险贡献优化**：基于风险平价目标，要求各宏观因子风险贡献相等，权重计算通过： $$\%\text{RC}\ =(w^{T}\cdot B)_{i}\cdot\frac{\partial\sigma_{P}}{\partial(w^{T}\cdot B)_{i}}/\sigma_{P}$$ 并采用12个月半衰期加权历史载荷[24] - **模型评价**：相比资产风险平价，模型提高了收益和波动弹性，但受资产价格波动滞后影响可能产生误差[37] 2. **模型名称**：股债相关性预测模型 - **模型构建思路**：借鉴AQR方法，将股债相关性拆解为经济增长波动、通胀波动、两者相关性三变量，并加入通胀水平因子提升解释度[42][48] - **模型具体构建过程**： 1. **变量定义**：经济增长波动（工业增加值/消费同比）、通胀波动（CPI/PPI同比）、相关性（3年滚动窗口计算）[48] 2. **回归模型**： $$r_{t}^{s}-E_{t-1}r_{t}^{s}=b_{\bar{\varepsilon}}^{s}e_{t}^{\bar{\varepsilon}}+b_{\bar{\varepsilon}}^{s}e_{t}^{\bar{\varepsilon}}$$ $$r_{t}^{b}-E_{t-1}r_{t}^{b}=b_{g}^{b}e_{t}^{g}+b_{n}^{b}e_{t}^{n}$$ 滞后1个月宏观数据后，解释度仍保持较高水平[53] 3. **预测应用**：滚动3年窗口计算系数，结合一致预测数据生成未来股债相关性方向[54] --- 模型的回测效果 1. **宏观因子风险平价模型** - 年化收益：9.86%（有半衰期） vs 5.93%（资产风险平价）[29] - 年化波动：9.55% vs 2.53%[29] - 最大回撤：-14.30% vs -3.45%[29] - 分年度表现：2016年收益37.24%，2021年14.63%[32] 2. **股债相关性预测模型** - 三变量模型R²：0.610，四变量模型提升至0.767[51] - 经济增长波动系数：-0.0307（显著负贡献）[51] - 通胀波动系数：0.0836（显著正贡献）[51] --- 量化因子与构建方式 1. **因子名称**：经济增长因子 - **构建思路**：通过工业增加值/消费预测等权合成，反映经济周期变化[20] - **具体构建**：月度环比预测值标准化后等权加权[20] 2. **因子名称**：通胀因子 - **构建思路**：结合CPI/PPI预测捕捉价格变动风险[20] - **具体构建**：环比预测值正交化后等权合成[21] 3. **因子名称**：信用因子 - **构建思路**：以企业债指数收益代表信用利差变化[20] - **具体构建**：正交化处理经济增长和利率因子后保留特异性风险[25] --- 因子的回测效果 1. **经济增长因子**：在股债相关性模型中贡献显著负向风险（t=-12.092）[51] 2. **通胀因子**：四变量模型中系数0.0836（t=5.375），且通胀水平因子额外贡献0.0269（t=8.759）[51] 3. **信用因子**：与权益多空因子相关性矩阵显示低相关性（Carry相关性0.2）[41]

证券研究报告·金融工程·金工定期报告 金工定期报告 20250806 换手率分布均匀度 UTD 选股因子绩效月报 20250731 2025 年 08 月 06 日 证券分析师 高子剑 执业证书：S0600518010001 021-60199793 gaozj@dwzq.com.cn 证券分析师 凌志杰 执业证书：S0600525040007 lingzhj@dwzq.com.cn 相关研究 《"技术分析拥抱选股因子"系列研究 （四）：换手率分布均匀度，基于分钟 成交量的选股因子》 2023-12-28 《换手率分布均匀度 UTD 选股因子 绩效月报 20250430》 2025-05-07 东吴证券研究所 1 / 7 请务必阅读正文之后的免责声明部分 [Table_Tag] [Table_Summary] ◼ 换手率分布均匀度 UTD 因子多空对冲绩效（全市场）： 2014 年 1 月至 2025 年 7 月，换手率分布均匀度 UTD 因子在全体 A 股中，10 分组多 空对冲的年化收益率为 19.96%，年化波动为 7.44%，信息比率为 2.68， 月度胜率为 76.98%，月度最大回撤为 5.51% ...

量化因子与构建方式 1. **因子名称**：量稳换手率STR因子 - **构建思路**：从日频换手率稳定性的角度构造选股因子，通过考察换手率的稳定性而非绝对数值来改进传统换手率因子的缺陷[8] - **具体构建过程**： 1. 计算每只股票过去20个交易日的日频换手率 2. 计算这些日频换手率的稳定性指标（具体方法未详细说明，但参考了UTD因子的研究思路）[8] 3. 对因子进行市值中性化处理[6] - **因子评价**：因子计算简单且效果优秀，在剔除市场常用风格和行业干扰后仍具备较好的选股能力[1] 2. **因子名称**：传统换手率因子（Turn20） - **构建思路**：基于过去20个交易日的日均换手率构造选股因子，逻辑为换手率越小的股票未来越可能上涨[6] - **具体构建过程**： 1. 每月月底计算每只股票过去20个交易日的日均换手率 2. 对换手率进行市值中性化处理[6] - **因子评价**：表现可圈可点，但存在逻辑缺陷，高换手率分组内股票未来收益差异较大[7] 因子的回测效果 1. **量稳换手率STR因子**（2006/01-2025/07，全体A股）[9][10]： - 年化收益率：40.75% - 年化波动率：14.44% - 信息比率（IR）：2.82 - 月度胜率：77.02% - 最大回撤率：9.96% 2. **传统换手率因子（Turn20）**（2006/01-2021/04，全体A股）[6]： - 年化收益率：33.41% - 信息比率（IR）：1.90 - 月度胜率：71.58% - 月度IC均值：-0.072 - 年化ICIR：-2.10 3. **量稳换手率STR因子**（2025年7月，全体A股）[10]： - 多头组合收益率：1.29% - 空头组合收益率：-0.02% - 多空对冲收益率：1.32%

量化模型与因子总结 量化因子与构建方式 1. 因子名称：优加换手率UTR因子[6] 因子构建思路：结合量小因子和量稳因子，在量稳样本中希望量越大越好[6] 因子具体构建过程： - 每月月底计算所有股票的量小因子Turn20和量稳因子STR[6] - 按量稳因子从小到大排序打分1-N，记为"得分1"[6] - 对量稳因子前50%样本，按量小因子从大到小排序打分1-N/2，记为"得分2"，最终得分为"得分1"+"得分2"[6] - 对量稳因子后50%样本，按量小因子从小到大排序打分1-N/2，记为"得分3"，最终得分为"得分1"+"得分3"[6] 2. 因子名称：优加换手率UTR2.0因子[7] 因子构建思路：改进UTR因子，使用等比尺度替代次序尺度，考虑量小因子作用大小随量稳程度变化[7] 因子具体构建过程： $$ \mathrm{UTR2.0}=\mathrm{STR}+s o f t s i g n(\mathrm{STR})\cdot\mathrm{Turn20} $$ $$ s o f t s i g n(x)=\frac{x}{1+|x|} $$ 其中STR为量稳因子，Turn20为量小因子[7] 因子评价：相比原UTR因子收益有所降低，但波动率、信息比率和月度胜率更优[1] 因子的回测效果 1. UTR2.0因子[9] - 年化收益率：40.36% - 年化波动率：14.97% - 信息比率(IR)：2.70 - 月度胜率：75.74% - 最大回撤率：11.03% - 7月份多头组合收益率：1.29% - 7月份空头组合收益率：-0.06% - 7月份多空对冲收益率：1.35%

量化因子与构建方式 1. **因子名称**：换手率变化率的稳定GTR因子 - **构建思路**：通过捕捉换手率波动率高的股票中换手率稳定增长或下降的趋势，构建描述换手率变化率稳定性的指标[6] - **具体构建过程**： 1. 计算换手率的变化率（加速度意义） 2. 对变化率的稳定性进行量化（未披露具体公式，但强调其与东吴金工全系列换手率因子相关性低于0.1）[6] - **因子评价**：与现有换手率因子互补性强，且能增强其他换手率因子的选股能力[6] 2. **因子名称**：纯净优加TPS_Turbo因子 - **构建思路**：将GTR因子与Turn20因子通过纯净优加法合成，增强选股能力[6] - **具体构建过程**： 1. 采用纯净优加法（Pure Plus Method）合成GTR与Turn20因子 2. 具体公式未披露，但参考历史报告《成交价改进换手率》中的SPS因子构建方法[6] 3. **因子名称**：纯净优加SPS_Turbo因子 - **构建思路**：将GTR因子与STR因子通过纯净优加法合成，提升稳定性[6] - **具体构建过程**： 1. 类似TPS_Turbo，但合成对象为STR因子 2. 同样基于纯净优加法，保留因子的正交性和增强效果[6] 因子的回测效果 1. **GTR因子**（2006/01-2025/07全市场测试） - 年化收益率：13.29% - 年化波动率：10.24% - 信息比率（IR）：1.30 - 月度胜率：67.09% - 最大回撤率：10.81%[7][11] 2. **TPS_Turbo因子**（2006/01-2025/07全市场测试） - 年化收益率：36.31% - 年化波动率：13.21% - 信息比率（IR）：2.75 - 月度胜率：78.63% - 最大回撤率：9.86%[7][11] 3. **SPS_Turbo因子**（2006/01-2025/07全市场测试） - 年化收益率：37.33% - 年化波动率：10.88% - 信息比率（IR）：3.43 - 月度胜率：81.62% - 最大回撤率：7.22%[7][11] 短期表现（2025年7月） - **GTR因子**： - 多头收益率：0.96% - 空头收益率：0.36% - 多空对冲收益率：0.60%[14] - **TPS_Turbo因子**： - 多头收益率：1.15% - 空头收益率：0.03% - 多空对冲收益率：1.12%[15] - **SPS_Turbo因子**： - 多头收益率：1.17% - 空头收益率：0.11% - 多空对冲收益率：1.06%[19]

量化因子与构建方式 1. TPS因子 - **因子名称**：TPS（Turn20 conformed by PLUS）[9] - **因子构建思路**：从考察日频换手率稳定性的角度，通过价量配合（用影线差作为价格因子配合传统换手率因子）来改进传统换手率因子，以解决传统换手率因子在组内收益标准差上的缺陷[7][8][9] - **因子具体构建过程**： 1. 计算传统换手率因子Turn20：取过去20个交易日换手率的平均值，并进行横截面市值中性化[6] 2. 选取影线差作为价格因子（代表日内多空情绪）[8][9] 3. 通过双分组打分方法，将影线差价格因子与Turn20因子结合，构建TPS因子[9] （注：具体影线差计算公式未在报告中明确给出） - **因子评价**：因子计算过程简单且效果优秀，表现大幅优于传统换手率和换手率变化率因子；在剔除市场常用风格和行业干扰后，纯净TPS因子仍具备不错的选股能力[9] 2. SPS因子 - **因子名称**：SPS（STR conformed by PLUS）[9] - **因子构建思路**：从考察日频换手率稳定性的角度，通过价量配合（用影线差作为价格因子配合量稳换手率STR因子）来改进STR因子，以进一步提升效果[7][8][9] - **因子具体构建过程**： 1. 使用量稳换手率STR因子（构建方式未在报告中详细说明）[7] 2. 选取影线差作为价格因子（代表日内多空情绪）[8][9] 3. 通过双分组打分方法，将影线差价格因子与STR因子结合，构建SPS因子[9] （注：具体影线差计算公式未在报告中明确给出） - **因子评价**：因子计算过程简单且效果优秀，表现大幅优于传统换手率和换手率变化率因子；在剔除市场常用风格和行业干扰后，纯净SPS因子仍具备较强的选股能力[9] 3. 传统换手率因子（Turn20） - **因子名称**：Turn20[6] - **因子构建思路**：基于过去20个交易日的换手率平均值，衡量股票的流动性[6] - **因子具体构建过程**： 计算过去20个交易日换手率的平均值，再进行横截面市值中性化[6] 公式： $$\text{Turn20}_{i,t} = \frac{1}{20}\sum_{d=t-19}^{t} \text{Turnover}_{i,d}$$ 其中，$\text{Turnover}_{i,d}$ 表示股票 $i$ 在第 $d$ 日的换手率，再对因子值进行市值中性化处理 - **因子评价**：传统换手率因子的表现一直可圈可点，但其逻辑存在缺陷，即在换手率最大的分组中，组内成分股未来收益的差异较大[6][7] 4. 量稳换手率因子（STR） - **因子名称**：STR（量稳换手率）[7] - **因子构建思路**：通过衡量换手率的稳定性来改进传统换手率因子，以解决传统换手率因子的缺陷[7] - **因子具体构建过程**： （注：具体构建过程未在报告中详细说明，仅提及该因子）[7] - **因子评价**：STR因子在表现方面远远优于传统换手率Turn20因子，但仍然没有能够消除组内标准差的单调性问题[7] 因子的回测效果 1. TPS因子 - **测试区间**：2006年1月至2025年7月[9][10] - **测试范围**：全体A股[9][10] - **年化收益率**：39.56%[10] - **年化波动率**：15.70%[10] - **信息比率（IR）**：2.52[10] - **月度胜率**：77.78%[10] - **最大回撤率**：18.19%[10] 2. SPS因子 - **测试区间**：2006年1月至2025年7月[10] - **测试范围**：全体A股[10] - **年化收益率**：43.26%[10] - **年化波动率**：13.15%[10] - **信息比率（IR）**：3.29[10] - **月度胜率**：83.76%[10] - **最大回撤率**：11.58%[10] 3. 传统换手率因子（Turn20） - **测试区间**：2006年1月至2022年12月[6] - **测试范围**：全体A股[6] - **月度IC均值**：-0.076[6] - **年化ICIR**：-2.23[6] - **年化收益率**：37.71%[6] - **信息比率（IR）**：2.20[6] - **月度胜率**：70.79%[6] 4. 2025年7月因子收益统计 - **TPS因子（全体A股）** - 10分组多头组合收益率：0.96%[12] - 10分组空头组合收益率：-0.04%[12] - 10分组多空对冲收益率：1.00%[12] - **SPS因子（全体A股）** - 10分组多头组合收益率：1.22%[14] - 10分组空头组合收益率：0.14%[14] - 10分组多空对冲收益率：1.09%[14]