量化模型与构建方式 1. **模型名称**：基于指数内部风格强弱的扩散指数模型 - **模型构建思路**：通过统计指数成分股内不同风格因子（如市值、波动率等）的相对强弱，构建扩散指数进行风格轮动[4][5] - **模型具体构建过程**： 1. 选定指数（成分股数量为N）和风格因子F，将成分股按F值分为两组（各N/2个）[18] 2. 计算过去M天所有股票收益的平均值r，统计两组中跑赢r的比例（p1和p2）[18] 3. 计算相对强弱指标R并归一化： $$ R = \frac{p1 - p2}{2} + 0.5 $$ 其中R∈[0,1]，值越大表示F值大的组相对强势[18] - **模型评价**：能有效捕捉指数内风格分化，但受限于单一指数范围[5] 2. **模型名称**：基于不同指数间相对强弱的扩散指数模型 - **模型构建思路**：推广模型一至跨指数比较，用于指数间轮动[4][27] - **模型具体构建过程**： 1. 选定两个指数（成分股数量分别为N1和N2）[26] 2. 分别计算过去M天两指数成分股收益的平均值r1和r2，加权得r=(r1+r2)/2[30] 3. 统计两指数成分股跑赢r的比例（p1和p2），计算归一化R值（公式同模型一）[30] - **模型评价**：扩展性强，适用于任意指数对比较，但需注意参数敏感性[27] --- 模型的回测效果 1. **沪深300波动轮动模型**（双均线参数：短期10日MA，长期20日MA） - 高波动组胜率48.48%，平均超额收益1.00%[35] - 低波动组胜率63.64%，平均超额收益1.47%[35] 2. **中证500波动轮动模型** - 高波动组胜率37.14%，平均超额收益0.78%[38] - 低波动组胜率51.43%，平均超额收益0.99%[38] 3. **中证1000与沪深300轮动模型** - 中证1000胜率64.71%，平均超额收益1.57%[44] - 沪深300胜率63.64%，平均超额收益1.16%[44] --- 参数敏感性分析 1. **中证1000成分股内波动率轮动** - 最优回顾期20-25天，年化收益率16.78%，最大回撤32.50%[51][53] 2. **中证1000与沪深300轮动** - 回顾期20天时年化收益率9.18%，最大回撤29.19%[55] - 回顾期180天时年化收益率9.85%，最大回撤33.34%[55] --- 关键因子说明 - **波动率因子**：过去一年收益率年化标准差[17] - **市值因子**：Wind总市值[20] - **价值因子**：PE_TTM倒数[22] - **成长因子**：单季度归母净利润增速[24]

量化模型与构建方式 1. **模型名称：A股行业轮动模型** - **模型构建思路**：通过资金、估值、情绪、动量、超买超卖和盈利6个因子构建综合打分体系，评估行业轮动机会[18] - **模型具体构建过程**： 1. **资金因子**：行业主力净流入率（过去N日主力资金净流入/行业市值） 2. **估值因子**：行业当前PE/PB位于过去1年的分位数 3. **情绪因子**：行业成分股上涨比例（上涨股票数/总股票数） 4. **动量因子**：行业MACD指标（DIF与DEA差值） 5. **超买超卖因子**：行业RSI指标（14日周期） 6. **盈利因子**：行业一致预测EPS过去1年分位数 各因子标准化后加权求和，权重未公开[18] - **模型评价**：多维度覆盖市场驱动因素，但未披露因子权重分配逻辑 2. **模型名称：共识度选股模型** - **模型构建思路**：结合行业动量、高频资金流与价格走势相似度筛选个股[21] - **模型具体构建过程**： 1. **行业筛选**：选取过去30天涨幅前三的申万二级行业 2. **股票池构建**：在目标行业中计算以下指标： - 月度动量因子（过去30日收益率） - 估值因子（如PE分位数） - 上涨频率（日内上涨分钟数占比） 3. **高频资金匹配**：计算股票分钟级资金流与价格走势的相关系数（如Pearson系数） 4. **最终筛选**：按相关系数排序，每个行业选取前5只股票[21] - **模型评价**：高频数据捕捉短期资金动向，但对交易成本敏感 --- 模型的回测效果 1. **A股行业轮动模型**： - 非银金融（得分6）、食品饮料（5）、电子（4）为当期高分行业[20] - 石油石化（-8）、轻工制造（-6）、银行（-6）为低分行业[20] 2. **共识度选股模型**： - 当期输出标的：元件（满坤科技、沪电股份等）、油服工程（通源石油、中海油服等）、饰品（明牌珠宝、周大生等）[22] --- 量化因子与构建方式 1. **因子名称：主力资金净流入率** - **构建思路**：通过大单交易识别主力资金动向[13] - **具体构建过程**： - 定义主力交易单：单笔成交≥10万股或金额≥20万元 - 计算每日行业净流入额：主力买入额-主力卖出额 - 标准化处理：净流入额/行业流通市值[13] 2. **因子名称：MACD动量因子** - **构建思路**：捕捉行业价格趋势变化[18] - **具体构建过程**： - 计算行业指数12日EMA（快线）与26日EMA（慢线）： $$EMA_{12} = \frac{2}{13} \times (今日收盘价 - 昨日EMA_{12}) + 昨日EMA_{12}$$ $$EMA_{26} = \frac{2}{27} \times (今日收盘价 - 昨日EMA_{26}) + 昨日EMA_{26}$$ - DIF = EMA_{12} - EMA_{26} - DEA = DIF的9日EMA[18] 3. **因子名称：RSI超买超卖因子** - **构建思路**：衡量行业短期超买超卖状态[18] - **具体构建过程**： - 计算14日行业指数涨跌幅： $$RS = \frac{14日平均涨幅}{14日平均跌幅}$$ - $$RSI = 100 - \frac{100}{1+RS}$$[18] --- 因子的回测效果 （注：报告中未披露单一因子的独立测试结果）

根据研报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **模型名称：行业修正动量策略（PMS组合）** - **模型构建思路**：基于市场环境判断，在不同市场状态下通过个股动量构建行业动量代理指标，选择兼顾龙头股趋势、非龙头股反转及系统性风险分散的行业进行配置[27] - **模型具体构建过程**： 1. 计算行业动量代理指标：结合1年动量（1Y动量）和1年夏普比率（1Y夏普因子） 2. 筛选行业：龙头股趋势（RANK IC 18.67%）、非龙头股反转（RANK IC 15.63%） 3. 月度调仓，配置银行、非银、传媒、电子、农林牧渔等行业[27][28] - **模型评价**：在行业层面趋势类策略占优，尤其适用于内外部宏观扰动较多的环境[27] 2. **模型名称：利率债多周期择时策略** - **模型构建思路**：利用核回归算法捕捉10年期国债收益率曲线的趋势形态，结合长、中、短周期信号生成复合择时观点[41] - **模型具体构建过程**： 1. 长周期（月度频率）：向下突破信号 2. 中周期（双周频率）：无信号 3. 短周期（周度频率）：无信号 4. 综合信号权重：下行突破1票，上行突破0票，输出中性震荡观点[41][42] 3. **模型名称：转债期权估值择时策略** - **模型构建思路**：基于期权二叉树定价法计算转债定价偏离度，动态调整仓位[52] - **模型具体构建过程**： 1. 计算定价偏离度：$$偏离度 = \frac{转债二叉树定价}{转债市价} - 1$$ 2. 仓位调整规则：偏离度>0时增配转债，偏离度<0时减配 3. 周度调仓，偏离度中位数-0.69%时配置44%仓位[52][53] --- 量化因子与构建方式 1. **因子名称：股债性价比因子** - **因子构建思路**：作为估值领先指标，通过权益与债券的收益比判断A股估值空间[12] - **因子具体构建过程**： 1. 计算中证800指数12个月滚动收益与10年期国债收益率差值 2. 标准化处理：5年分位数56.27%（全A）、31.03%（中证800）[12][15] 2. **因子名称：ROIC利率中枢因子** - **因子构建思路**：通过权益与债市ROIC匹配关系推算利率中枢[32] - **因子具体构建过程**： 1. 权益ROIC计算：$$ROIC_{权益} = \frac{净利润}{总资产}$$（A股除金融口径4.07%） 2. 债市隐含ROIC计算：$$ROIC_{债市} = (无风险利率+信用溢价)×债权比例$$（3.57%） 3. 利率中枢推算：上市公司口径1.34%，工业企业口径1.50%[32][40] 3. **因子名称：转债正股PB估值因子** - **因子构建思路**：合成全市场转债正股PB中位数，判断股底BETA机会[57] - **因子具体构建过程**： 1. 自下而上计算正股PB中位数：最新值2.19 2. 分位数处理：5年分位数19.72%[57][58] --- 模型的回测效果 1. **行业修正动量策略（PMS组合）** - 年化收益率：6.84%（超额收益7.59%） - 最大回撤：-11.78%[27] 2. **利率债多周期择时策略** - 年化收益率（不计费）：7.79% - 收益回撤比：13.46[47] 3. **转债期权估值择时策略** - 年化收益率：8.75% - 超额收益（vs等权基准）：2.22%[56] --- 因子的回测效果 1. **股债性价比因子** - 中证800预测收益：6.55%（中性情景）[19] 2. **ROIC利率中枢因子** - 利率走廊上限：1.75%（上市公司口径）[40] 3. **转债正股PB估值因子** - 正股PB中位数：2.19（5年分位数19.72%）[57]

量化因子与构建方式 1 因子名称：RSI相对强弱指标 - 因子构建思路：通过计算一定周期内平均涨幅与平均跌幅的比值，衡量市场超买超卖状态[2] - 因子具体构建过程： $$RSI = 100 - \frac{100}{1 + RS}$$ 其中RS为12天内平均涨幅与平均跌幅的比值。当RSI>70为超买，RSI<30为超卖[2] - 因子评价：经典动量类指标，适用于短期趋势判断 2 因子名称：净申购金额 - 因子构建思路：通过ETF净值变化计算资金流动情况[2] - 因子具体构建过程： $$NETBUY(T) = NAV(T) - NAV(T-1) \times (1+R(T))$$ 其中NAV为ETF净值，R(T)为当日收益率[2] 因子的回测效果 1 RSI因子： - 华泰柏瑞沪深300ETF RSI值47.29[4] - 易方达沪深300ETF RSI值61.93[4] - 华夏沪深300ETF RSI值61.89[4] 2 净申购因子： - 华泰柏瑞沪深300ETF净申购12.50亿元[4] - 易方达沪深300ETF净申购3.32亿元[4] - 华夏沪深300ETF净申购0.54亿元[4] 注：日内行情趋势、机构持仓占比等指标为描述性数据，未涉及量化模型构建过程[2][3][4]

根据提供的金融工程日报内容，该报告主要聚焦市场表现和资金流向监测，未涉及量化模型或因子构建相关内容。以下是可提取的核心市场监测指标： 市场情绪指标 1 封板率计算方式： 封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数[17] 当日封板率77%[17] 2 连板率计算方式： 连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数[17] 当日连板率23%[17] 资金流向指标 1 两融数据： - 两融余额18,169亿元（融资18,052亿/融券117亿）[19] - 占流通市值比重2.3%[22] - 交易占比8.5%[22] 2 大宗交易： - 近半年日均成交13亿元[26] - 当日成交14亿元[26] - 平均折价率5.52%[26] - 当日折价率4.78%[26] 折溢价指标 1 ETF折溢价： - 智能汽车ETF溢价0.61%[23] - 新材料50ETF折价0.56%[23] 2 股指期货年化贴水率： $$年化贴水率=基差/指数价格*(250/合约剩余交易日数)$$[28] - 上证50：4.96%（36%分位）[28] - 沪深300：5.25%（38%分位）[28] - 中证500：9.50%（46%分位）[28] - 中证1000：12.79%（49%分位）[28] 机构行为指标 1 机构调研： - 京北方获79家机构调研[31] 2 龙虎榜： - 机构净流入前三：光迅科技/国轩高科/安妮股份[35] - 陆股通净流入前三：冰川网络/光迅科技/湘财股份[36]

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**：高景气成长与红利策略轮动模型 **模型构建思路**：通过多因子信号动态调整高景气成长与红利资产的配置比例[56] **模型具体构建过程**： - 选取五个有效信号因子：期限利差、社融增速、CPI与PPI四象限、美债利率、资金博弈（ETF/险资/外资） - 每月末对各因子进行标准化处理并计算均值作为综合打分 - 根据打分结果决定配置方向（高景气成长或红利资产） **模型评价**：能够捕捉市场风格切换，实现超额收益[56] 2. **模型名称**：黄金择时模型 **模型构建思路**：结合抗通胀属性、金融属性、避险属性等多维度指标构建黄金配置信号[23] **模型具体构建过程**： - 采用6大类指标： 1. 抗通胀属性（美国10年期盈亏平衡通胀率） 2. 金融属性（实际利率） 3. 货币属性（财政赤字、商业银行总负债） 4. 避险属性（经济政策不确定性指数） 5. 资金面（CFTC黄金投机净多仓） 6. 需求属性（央行购金量） - 各指标标准化后加权计算综合得分 - 设置阈值触发买入/卖出信号[23][26] 量化因子与构建方式 1. **因子名称**：期限利差因子 **因子构建思路**：反映货币政策松紧对市场风格的影响[56] **因子具体构建过程**： $$ 期限利差 = 10年期国债收益率 - 1年期国债收益率 $$ **因子评价**：利差收窄时红利风格占优[56] 2. **因子名称**：社融增速因子 **因子构建思路**：衡量信用扩张对成长股的推动作用[56] **因子具体构建过程**： $$ 社融增速 = \frac{当月社融存量}{去年同期社融存量} - 1 $$ **因子评价**：增速提升时高景气成长风格占优[56] 3. **因子名称**：CPI-PPI四象限因子 **因子构建思路**：通过物价组合判断经济周期阶段[56] **因子具体构建过程**： - 划分四象限： 1. CPI↑PPI↑（过热期） 2. CPI↑PPI↓（滞胀期） 3. CPI↓PPI↓（衰退期） 4. CPI↓PPI↑（复苏期） **因子评价**：不同象限对应不同优势风格[56] 模型的回测效果 1. **高景气成长与红利轮动模型**： - 年化收益：14.86% - 最大回撤：27.08% - 年化波动率：23.20% - 年化Sharpe：0.64[56] 2. **黄金择时模型**： - 当前信号：买入（综合得分1）[23] - 技术面支撑位：3150美元[23] 因子的回测效果 1. **期限利差因子**： - 2025年6月信号：支持红利配置[56] 2. **社融增速因子**： - 最新值：8.7%（同比多增2271亿元）[37] 3. **CPI-PPI四象限因子**： - 当前状态：CPI-0.1%、PPI-3.3%（双负区间）[37]

量化模型与构建方式 1. **模型名称：全球资产BL模型1** - 模型构建思路：基于Black-Litterman框架，结合主观观点与量化配置模型，优化资产配置权重[12] - 模型具体构建过程： 1. 选择标的资产（沪深300、恒生指数、标普500、国债指数、企业债指数、南华商品指数）[13] 2. 通过贝叶斯理论将主观观点与历史数据结合，计算资产预期收益 3. 优化权重分配，解决均值-方差模型对预期收益敏感的问题 - 模型评价：有效平衡主观判断与量化分析，容错性较高[12] 2. **模型名称：全球资产BL模型2** - 模型构建思路：与BL模型1类似，但采用不同的参数设定或观点输入方式[13] - 模型具体构建过程：同BL模型1，差异体现在权重优化环节[13] 3. **模型名称：国内资产BL模型1** - 模型构建思路：针对国内资产（股票、债券、转债、商品、黄金）的BL模型变体[13] - 模型具体构建过程： 1. 标的资产包括沪深300、中证1000、恒生指数、国债指数、企业债指数、中证转债、南华商品指数、SHFE黄金[13] 2. 通过BL框架计算风险调整后权重 4. **模型名称：国内资产BL模型2** - 模型构建思路：国内BL模型的另一种参数化版本[13] - 模型具体构建过程：同国内BL模型1，差异在权重分配逻辑[13] 5. **模型名称：全球资产风险平价模型** - 模型构建思路：使每类资产对组合风险贡献相等，降低单一资产波动影响[17] - 模型具体构建过程： 1. 选择标的资产（沪深300、标普500、恒生指数、企业债指数、南华商品指数、COMEX黄金）[18] 2. 计算资产波动率及相关性，优化权重使风险贡献均衡[17] - 模型评价：适应复杂市场环境，波动控制较好[16] 6. **模型名称：国内资产风险平价模型** - 模型构建思路：针对国内资产的风险平价实现[18] - 模型具体构建过程：标的资产与国内BL模型相同，优化方法同全球风险平价模型[18] 7. **模型名称：基于宏观因子的资产配置模型** - 模型构建思路：通过增长、通胀等六大宏观因子驱动配置决策[22] - 模型具体构建过程： 1. 构造高频宏观因子（Factor Mimicking Portfolio方法）[23] 2. 计算资产因子暴露，结合主观观点调整目标暴露 3. 反解得到权重，公式： $$ \text{目标权重} = f(\text{基准暴露} + \text{主观偏离值}) $$ - 模型评价：将宏观研究与量化配置结合，灵活性高[22] --- 模型的回测效果 1. **全球资产BL模型1** - 上周收益：0.15% | 6月收益：0.49% | 2025年收益：0.04% - 年化波动：2.09% | 最大回撤：1.64%[14] 2. **全球资产BL模型2** - 上周收益：0.12% | 6月收益：0.45% | 2025年收益：0.72% - 年化波动：1.83% | 最大回撤：1.28%[14] 3. **国内资产BL模型1** - 上周收益：0.01% | 6月收益：0.55% | 2025年收益：1.52% - 年化波动：2.36% | 最大回撤：1.31%[14] 4. **国内资产BL模型2** - 上周收益：0.02% | 6月收益：0.47% | 2025年收益：1.53% - 年化波动：2.10% | 最大回撤：1.06%[14] 5. **全球资产风险平价模型** - 上周收益：0.10% | 6月收益：0.43% | 2025年收益：1.86% - 年化波动：1.86% | 最大回撤：1.20%[21] 6. **国内资产风险平价模型** - 上周收益：0.10% | 6月收益：0.50% | 2025年收益：2.24% - 年化波动：1.62% | 最大回撤：0.76%[21] 7. **基于宏观因子的资产配置模型** - 上周收益：0.09% | 6月收益：0.62% | 2025年收益：2.20% - 年化波动：1.49% | 最大回撤：0.64%[28] --- 量化因子与构建方式 （注：报告中未明确提及独立因子构建，仅宏观因子作为模型输入[23]） --- 因子的回测效果 （无相关内容）

根据提供的金融工程日报内容，该报告主要涉及市场表现、情绪指标和资金流向的统计分析，但未提及具体的量化模型或因子构建方法。以下是可提取的核心量化指标总结： 市场情绪指标 1. **封板率计算模型** 构建思路：反映涨停股的封板稳定性[17] 构建过程： $$封板率=\frac{最高价涨停且收盘涨停股票数}{最高价涨停股票数}$$ 评价：高频交易中可捕捉短线情绪极端值 2. **连板率计算模型** 构建思路：监测涨停股持续性[17] 构建过程： $$连板率=\frac{连续两日收盘涨停股票数}{昨日收盘涨停股票数}$$ 评价：有效识别题材炒作强度 资金流向指标 1. **股指期货贴水率模型** 构建思路：量化期现套利空间[28] 构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 评价：反映市场对远期走势预期 指标测试结果 1. **封板率指标** 当日值：77%（较前日+1%）[17] 近一月波动范围：未披露具体数值 2. **连板率指标** 当日值：38%（较前日+15%）[17] 近一月波动范围：未披露具体数值 3. **股指期货贴水率** - 上证50：4.65%（36%分位）[28] - 沪深300：6.13%（36%分位）[28] - 中证500：11.22%（40%分位）[28] - 中证1000：14.59%（40%分位）[28] 注：报告中未涉及多因子模型、阿尔法策略等复杂量化模型构建，主要提供市场监测类指标的计算方法[17][28]

根据研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **主动偏股基金仓位高频估测模型** - 模型构建思路：基于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，在基准或构建的其他资产序列组成的自变量中寻找基金仓位的最优估计结果[67]。 - 模型具体构建过程： 1. 以基金净值序列为因变量，基准或构建的资产序列为自变量。 2. 采用多元回归模型，通过约束条件优化仓位估计。 3. 构建模拟组合提升估算准确性，并跟踪行业配置动向。 - 模型评价：能够高频跟踪主动偏股基金的仓位变化趋势，提供行业配置偏好的实时洞察[67]。 2. **REITs指数系列模型** - 模型构建思路：构建完整的REITs系列指数，综合反映REITs市场表现，并提供不同底层资产、项目类型的细分指数[51]。 - 模型具体构建过程： 1. 采用分级靠档方法确保指数份额稳定。 2. 使用除数修正法保证指数连续性（如新发、扩募等非交易因素变动时）。 3. 提供价格指数和全收益指数，考虑高分红特性[51]。 - 模型评价：为投资者提供指数化投资工具，支持资产配置策略优化[51]。 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标签，区分行业主题基金、行业轮动基金和行业均衡基金[39]。 - 因子具体构建过程： 1. 观察基金近四期中报/年报的持仓信息。 2. 根据持仓集中度和行业分布定义标签（如金融地产、TMT、医药等）。 - 因子评价：帮助投资者定位细分赛道优质产品，支持主题投资需求[39]。 2. **ETF资金流向因子** - 因子构建思路：跟踪股票型ETF资金流向，分析加仓方向（如中小盘、科创板、金融地产主题）[55]。 - 因子具体构建过程： 1. 统计不同类型ETF的净流入/流出数据。 2. 按宽基、行业、主题等分类分析资金动向[55][64]。 - 因子评价：反映市场短期资金偏好，辅助判断板块热度[55]。 模型的回测效果 1. **主动偏股基金仓位高频估测模型** - 本周仓位变动：下降0.48个百分点[67]。 - 行业配置动向：石油石化、通信、医药生物获增配；家用电器、计算机、食品饮料遭减持[67]。 2. **REITs指数系列模型** - 本周收益：REITs综合指数上涨1.41%，产权类指数上涨2.56%，特许经营权类指数下降0.08%[54]。 - 细分表现：市政设施REITs指数涨幅最高（8.10%）[54]。 因子的回测效果 1. **行业主题基金标签因子** - 本周表现：金融地产（+0.44%）、TMT（+0.37%）正收益；医药（-6.25%）显著回撤[39][40]。 2. **ETF资金流向因子** - 本周净流入：股票型ETF流入146.69亿元，中小盘主题ETF流入46.75亿元，金融地产主题ETF流入46.61亿元[55][64]。 - 净流出：中证A500ETF龙头流出5.36亿元[66]。

量化模型与构建方式 1. **模型名称：GRU模型** - **模型构建思路**：结合基本面和量价特征的时序预测模型，用于股票多空组合构建[3][4][5][6] - **模型具体构建过程**： 1. 输入数据包括量价特征（如开盘价、收盘价）和Barra风格因子（如市值、波动率）[15][17] 2. 通过GRU神经网络对时序特征进行训练，生成股票评分 3. 每月末按评分排序，构建多空组合（前10%做多，后10%做空）[17] - **模型评价**：在不同市场环境下表现分化，对量价特征捕捉能力较强但稳定性待提升[3][4][6] 2. **模型名称：多因子模型** - **模型构建思路**：综合基本面与技术面因子构建复合评分[7][30] - **模型具体构建过程**： 1. 因子标准化与行业中性化处理[17] 2. 动态加权组合财务因子（如市盈率、营收增长率）和技术因子（如动量、波动率）[15][28] 3. 约束条件包括行业偏离≤0.01、风格偏离≤0.5σ[29] --- 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**：基于经典风险模型拆解市场风格收益来源[15] - **因子具体构建过程**： - **市值因子**：总市值自然对数 $$ \text{Size} = \ln(\text{MarketCap}) $$ - **波动因子**：复合波动率计算 $$ \text{Volatility} = 0.74\sigma_{ret} + 0.16|\text{CAR}| + 0.1\sigma_{residual} $$ - **流动性因子**：多期换手率加权 $$ \text{Liquidity} = 0.35\text{Turnover}_{1M} + 0.35\text{Turnover}_{3M} + 0.3\text{Turnover}_{1Y} $$ - **盈利因子**：复合财务指标 $$ \text{Earnings} = 0.68\frac{E}{P} + 0.21\frac{1}{P/CF} + 0.11\frac{1}{P/E_{ttm}} $$ - **因子评价**：市值和估值因子近期表现稳健，动量因子持续失效[16][17] 2. **因子名称：技术类因子** - **构建思路**：捕捉价格序列中的趋势与反转特征[28] - **具体构建过程**： - **动量因子**：N日收益率均值（20/60/120日） - **波动因子**：滚动窗口收益率标准差[28] - **因子评价**：中证1000成分股中动量因子空头收益显著[26][28] 3. **因子名称：基本面因子** - **构建思路**：财务指标加权（静态与动态结合）[18][21] - **具体构建过程**： - **超预期增长因子**：分析师预测与历史增长率差值 - **估值因子**：市盈率/市净率倒数[15][27] --- 模型的回测效果 | 模型名称 | 近一周超额收益 | 今年以来超额收益 | IR（三年年化） | |----------------|----------------|------------------|----------------| | GRU-barra5d | -0.31% | 7.42% | - | [30][31] | GRU-close1d | -0.40% | 5.73% | - | [30][31] | 多因子模型 | 0.66% | 3.28% | - | [30][31] --- 因子的回测效果 | 因子类型 | 中证1000多空收益（近一周） | 沪深300多空收益（近一周） | |----------------|----------------------------|---------------------------| | 市值因子 | - | 正向显著 | [16][21] | 60日动量 | -2.17% | 负向 | [22][28] | 市盈率因子 | 正向显著 | 负向 | [26][27] | 波动率因子 | -1.53% | 正向显著 | [22][28]