量化因子与构建方式 1. **因子名称**：250日新高距离 - **构建思路**：通过计算当前收盘价与过去250日最高价的相对距离，衡量股票接近历史高点的程度，用于捕捉动量效应[10] - **具体构建过程**： $$250\ 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，$Closet$为最新收盘价，$ts\_max(Close,250)$为过去250日收盘价最大值。若$Closet$创250日新高，则值为0；否则为正值，表示回落幅度[10] - **因子评价**：直观反映股价趋势强度，但需结合其他指标避免追高风险 2. **因子名称**：平稳创新高筛选因子（复合因子） - **构建思路**：综合分析师关注度、股价路径平稳性等维度，筛选具有持续动量的股票[22][26] - **具体构建过程**： - **分析师关注度**：过去3个月买入/增持评级研报≥5份[26] - **股价相对强弱**：过去250日涨跌幅全市场前20%[26] - **价格路径平滑性**：计算位移路程比（未给出具体公式）[22] - **创新高持续性**：过去120日250日新高距离的时间序列均值[26] - **趋势延续性**：过去5日250日新高距离的时间序列均值，排序取前50[26] - **因子评价**：多维度验证动量质量，降低噪声干扰 --- 因子的回测效果 1. **250日新高距离因子**： - 银行、电力及公用事业等行业指数距离新高较近（0.89%、1.39%），煤炭、石油石化较远[12] - 中证2000指数创新高个股占比最高（13.95%）[19] 2. **平稳创新高筛选因子**： - 全市场筛选出38只股票，消费板块占比最高（12只），食品饮料行业突出[27] - 典型案例：三生国健（生物医药，250日涨幅151%）、万辰集团（农林牧渔，498%）[30] --- 模型与构建方式 1. **模型名称**：创新高个股监测模型 - **构建思路**：通过统计创新高个股的行业/板块分布，识别市场热点方向[18][19] - **具体构建过程**： - 筛选上市满15个月的股票，过去20日创250日新高的个股[18] - 按中信一级行业、板块、指数分类统计数量及占比[19][21] - **模型评价**：有效捕捉领头羊效应，但需结合基本面分析 --- 模型的回测效果 1. **创新高个股监测模型**： - 基础化工、机械、医药行业创新高数量最多（99/95/65只）[18] - 银行、汽车行业创新高占比最高（64.29%、24.48%）[18] - 制造板块创新高股票数量占比16.43%，周期板块16.47%[19]

量化模型与构建方式 1. **模型名称**：家用电器相对指数趋势跟踪模型 - **模型构建思路**：基于价格走势的局部延续性假设，通过观察窗口内的价格变动方向判断趋势，并排除随机波动的影响[3] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值： $$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日（不含）的波动率Vol（标准差） 3. 趋势判断规则： - 若$|del| > N \times Vol$（取N=1），则认为价格脱离振荡区间，趋势方向与del符号一致（正为多头，负为空头） - 若$|del| \leq N \times Vol$，则延续T-1日的趋势方向[3] - **模型评价**：在窄幅盘整或剧烈反转行情中表现不佳，年化收益低于基准指数，长时间处于回撤状态[4] 模型的回测效果 1. **家用电器相对指数趋势跟踪模型**： - 年化收益：-4.09% - 波动率（年化）：14.89% - 夏普率：-0.27 - 最大回撤：18.49% - 指数期间总回报率：28.86%[3] 量化因子与构建方式 （报告中未提及独立因子构建） 因子的回测效果 （报告中未提及独立因子测试结果） 其他关键信息 - **标的**：申万一级家用电器指数相对沪深300的比值[3] - **数据预处理**：使用相对值（指数比值）作为输入[3] - **跟踪区间**：2023年3月7日至2025年3月18日[3]

量化模型与构建方式 1. **模型名称**：食品饮料相对指数趋势跟踪模型 **模型构建思路**：基于标的价格走势的局部延续性假设，认为价格大部分时间处于趋势中，反转行情持续时间较短。通过观察窗口内的价格变动方向判断趋势，并排除随机波动的影响[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：$$Vol = \sqrt{\frac{1}{19}\sum_{i=T-19}^{T-1}(P_i - \bar{P})^2}$$ - 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 - 否则延续T-1日趋势方向[3] **模型评价**：年化收益回撤比较低，区间收益表现不佳，不适合直接用于食品饮料指数相对值跟踪[4] 模型的回测效果 1. **食品饮料相对指数趋势跟踪模型**： - 年化收益：0.52% - 年化波动率：14.35% - 夏普比率：0.04 - 最大回撤：14.00% - 指数期间总回报率：-21.90%[3] 图表说明 1. 净值曲线显示模型在2023年10月、2024年3-5月及9月至2025年1月表现较差，其余时段净值稳步提升[5] 2. 最大回撤绝对值达14%，主要出现在上述三个时间段[9] （注：原文未提及量化因子相关内容，故不总结）

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： 量化因子与构建方式 1. **封板率因子** - 构建思路：通过统计涨停股票的封板情况来反映市场情绪强度[18] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月以上的股票，计算当日满足条件的股票比例[18] 2. **连板率因子** - 构建思路：衡量涨停股票的持续性，反映市场追涨情绪[18] - 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样本计算连续涨停比例[18] 3. **大宗交易折价率因子** - 构建思路：通过大宗交易成交价与市价的偏离度反映大资金动向[27] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 汇总当日所有大宗交易数据计算加权折价率[27] 4. **股指期货年化贴水率因子** - 构建思路：利用期货基差水平反映市场预期[29] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ 对主力合约计算上证50/沪深300/中证500/中证1000的年化贴水率[29] 因子回测效果 1. **封板率因子** - 当日取值：81%（较前日提升17%）[18] 2. **连板率因子** - 当日取值：36%（较前日提升10%）[18] 3. **大宗交易折价率因子** - 近半年均值：5.49% - 当日取值：7.91%[27] 4. **股指期货年化贴水率因子** - 上证50：10.71%（近一年14%分位） - 沪深300：11.19%（近一年14%分位） - 中证500：14.95%（近一年21%分位） - 中证1000：16.03%（近一年33%分位）[29] 注：报告中未涉及量化模型的具体构建与测试结果，仅包含市场监测类因子[18][27][29]

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：行业拥挤度监测模型** - **模型构建思路**：通过监测申万一级行业指数的拥挤度，识别行业当前的市场热度与潜在风险[4] - **模型具体构建过程**： 1. 每日计算各行业指数的拥挤度指标（具体公式未披露，但可能结合成交量、价格波动、资金流向等维度） 2. 对拥挤度进行排名，识别高拥挤度（风险）和低拥挤度（机会）行业 3. 结合主力资金流动数据（近3日净流入/流出）交叉验证[4][11] - **模型评价**：能够动态捕捉行业短期过热或低估状态，但需结合资金流向避免误判[4] 2. **模型名称：ETF溢价率Z-score模型** - **模型构建思路**：通过滚动计算ETF溢价率的Z-score，筛选存在套利机会的标的[5] - **模型具体构建过程**： 1. 计算ETF溢价率：$$溢价率 = \frac{ETF市价 - ETF净值}{ETF净值} \times 100\%$$ 2. 滚动计算溢价率的Z-score：$$Z = \frac{当前溢价率 - 滚动窗口均值}{滚动窗口标准差}$$ 3. 设定阈值（如|Z|>2）生成交易信号[5][12] - **模型评价**：适用于捕捉短期套利机会，但需警惕市场回调风险[5] --- 模型的回测效果 （注：报告中未提供具体回测指标，故跳过） --- 量化因子与构建方式 （注：报告中未涉及独立因子构建，故跳过） --- 行业拥挤度监测结果 - **高拥挤度行业**：基础化工（98%）、纺织服饰（95%）、轻工制造（94%）[4][10] - **低拥挤度行业**：房地产（21%）、电子（34%）、非银金融（17%）[4][10] - **主力资金流向**： - 近3日净流入：环保（+8.91亿元）、食品饮料（+4.02亿元）[11] - 近3日净流出：电子（-55.28亿元）、电力设备（-49.13亿元）[11] --- ETF溢价率Z-score信号 - **建议关注标的**： - 石油天然气ETF（159588.SZ）[12] - 军工ETF（512660.SH）[12] - 中证2000ETF华夏（562660.SH）[12] （注：未提供Z-score具体数值，仅列示信号结果）

量化因子与构建方式 1. **因子名称**：留存筹码比率 - **因子构建思路**：基于分钟级交易数据，通过计算过去一段时间内各时刻至选股日的留存成交金额，衡量投资者换手意愿和筹码堆砌程度，因子值越高代表筹码堆砌程度越高，可能预示趋势行情[4][5][7] - **因子具体构建过程**： 1. 取单只股票1分钟级成交量及成交金额数据，计算分钟级换手率 2. 以15分钟为间隔（如9:45、10:00等），计算各时刻往前推15分钟的换手率之和及成交金额之和 3. 计算各时刻至选股日收盘的留存成交金额： $$RA_{t-n} = Amount_{t-n} \times (1-TR_{t-n+1}) \times (1-TR_{t-n+2}) \times \cdots \times (1-TR_{t})$$ 其中$Amount_{t-n}$为t−n时刻成交金额，$TR$为换手率 4. 累积过去20个交易日的留存成交金额，并除以同期累积成交金额，得到因子： $$\text{留存筹码比率} = \frac{\sum_{n=1}^{N} RA_{t-n}}{\sum_{n=1}^{N} Amount_{t-n}}$$ - **因子评价**：因子与流动性和波动性略相关，但与其他风格因子无明显相关性，能有效捕捉筹码堆砌带来的趋势效应[21][24] 2. **因子名称**：纯净留存筹码比率 - **因子构建思路**：对原始留存筹码比率因子进行风格正交化处理，剥离beta、市值、估值等常见风格因子的影响[21][35] - **因子具体构建过程**：使用Barra多因子模型对原始因子回归，取残差作为纯净因子 - **因子评价**：正交化后因子稳定性提升，与风格因子的相关性显著降低[35] 3. **因子名称**：复合细颗粒度因子 - **因子构建思路**：结合留存筹码比率与量价相关系数、振幅量价背离、成交金额波动、成交量波动四个因子，正交化后等权复合[63] - **因子具体构建过程**： 1. 对五个因子分别进行正交化处理 2. 等权加权生成复合因子 - **因子评价**：复合因子在多个指数中表现稳健，兼具选股和增强效果[63][66] --- 因子的回测效果 1. **留存筹码比率因子** - **中证800**：RankIC=5.67%，多空年化收益=46.16%，IR=1.09[12] - **中证1000**：RankIC=7.38%，多空年化收益=74.41%，IR=1.56[25] 2. **纯净留存筹码比率因子** - **中证800**：RankIC=4.59%，多空年化收益=40.88%，IR=1.07[21] - **中证1000**：RankIC=5.90%，多空年化收益=55.49%，IR=1.08[35] 3. **复合细颗粒度因子** - **沪深300**：RankIC=5.51%，多空年化收益=38.26%，多头年化收益=15.83%，IR=1.52[63] - **中证500**：RankIC=7.02%，多空年化收益=50.02%，多头年化收益=16.83%，IR=2.19[63] - **中证1000**：RankIC=7.70%，多空年化收益=60.89%，多头年化收益=19.31%，IR=2.93[63] --- 量化模型与应用 1. **模型名称**：留存筹码比率-指数增强模型 - **模型构建思路**：以最大化组合留存筹码比率因子值为目标，控制权重偏离和预期收益偏离，结合Barra模型预测收益[41][48][55] - **模型具体构建过程**： 1. 优化目标：最大化因子暴露 2. 约束条件：个股权重偏离≤1%，预期收益偏离基准≤5% - **模型评价**：在沪深300、中证500、中证1000中均实现稳定超额收益[41][48][55] 2. **模型名称**：复合细颗粒度因子-指数增强模型 - **模型构建思路**：将复合因子应用于组合优化，控制风险敞口[66] - **模型评价**：增强效果显著，信息比率优于单一因子模型[66] --- 模型的回测效果 1. **留存筹码比率-沪深300增强组合** - 累计超额=64.49%，年化超额=5.17%，IR=1.14，月胜率=57%[41][46] 2. **留存筹码比率-中证500增强组合** - 累计超额=120.97%，年化超额=10.09%，IR=1.67，月胜率=59.60%[48][53] 3. **留存筹码比率-中证1000增强组合** - 累计超额=121.36%，年化超额=11.78%，IR=1.44，月胜率=58.94%[55][61] 4. **复合细颗粒度因子-指数增强组合** - **沪深300**：年化超额=6.76%，IR=1.36[66] - **中证500**：年化超额=11.82%，IR=2.21[66] - **中证1000**：年化超额=11.02%，IR=2.05[66]

量化模型与构建方式 1. **模型名称：Mamba-MoE** - **模型构建思路**：通过Mamba架构高效提取时间序列特征，结合混合专家模型（MoE）进行多模型融合，同时引入线性与非线性的风险约束以降低风险暴露[2][3][44]。 - **模型具体构建过程**： 1. **任务一（Alpha因子生成）**：使用Mamba模块处理股票特征序列（维度为`(batch_size, window_length, feature_num)`），通过卷积和SSM（选择性状态空间模型）提取时序特征，输出Alpha因子[27][30][32]。 - SSM离散化公式： $$\bar{A}=\exp(\Delta A),$$ $$\bar{B}=(\Delta A)^{-1}(\exp(\Delta A)-I)\Delta B.$$ 2. **任务二（非线性风险因子生成）**：构建异质图（节点为股票风险因子，边包括同行业关联和高相似度关联），通过图卷积生成非线性风险因子[47][48]。 3. **损失函数**：结合Alpha因子与风险因子的相关性惩罚项： $$L=MSE(\hat{y},y_1)+MSE(\hat{r},y_2)+\frac{\alpha}{d_R+1}\sum_{i=1}^{d_R+1}\rho(\hat{y},R_i)^2.$$ - **模型评价**：双任务学习显著降低风险暴露，提升因子稳定性；MoE融合增强模型泛化性[53][56][72]。 2. **模型名称：Mamba-10与Mamba-5** - **构建思路**：分别以10日和5日收益为标签训练模型，通过交叉验证生成多个子模型，等权或MoE融合[98][99]。 - **具体构建**：5折交叉验证扩展窗口训练，MoE路由器结合股票特征与市场特征动态加权[98][99]。 --- 量化因子与构建方式 1. **因子名称：Mamba-MoE合成因子** - **构建思路**：融合Mamba-5和Mamba-10的多模型输出，结合风险中性化约束[103][137]。 - **具体构建**： - 对Alpha因子进行行业市值中性化处理。 - 通过MoE加权合成，路由器输入包括股票特征和市场特征（如指数收益率、VIX等）[98][99]。 - **因子评价**：稳定性优于单模型，对市值暴露控制较好，但对低波动和低流动性有一定暴露[103][137]。 2. **因子名称：非线性风险因子** - **构建思路**：捕捉风险因子间非线性交互及股票关联信息[44][48]。 - **具体构建**：基于CNE6风险因子构建异质图，通过GNN生成非线性风险因子[48][49]。 --- 模型的回测效果 1. **Mamba-MoE模型** - Rank IC：13.22%，ICIR：1.28，多头年化收益：33.01%，多空Sharpe Ratio：9.25[103][137]。 - 沪深300增强年化超额收益：9.02%，跟踪误差：4.26%[156]。 2. **Mamba-10模型（双任务）** - Rank IC：12.83%，ICIR：1.28，多空最大回撤：11.71%[56][72]。 3. **行业风格中性化测试** - 双任务设定下Rank IC衰减至8.81%，但多空Sharpe Ratio仍达11.49[72]。 --- 因子的回测效果 1. **Mamba-MoE合成因子** - 全市场十分组测试：多空年化收益125.32%，波动率13.55%[103]。 - 分域测试（中证1000）：Rank IC 11.12%，多空Sharpe Ratio 7.17[137]。 2. **非线性风险因子** - 与流动性因子相关性：-20.74%（双任务）[78][79]。 --- 关键创新点 - **风险中性化**：通过损失函数直接约束风险暴露，避免组合优化时的信号扭曲[44][50]。 - **多模型融合**：交叉验证与MoE集成缓解分布漂移问题，提升稳健性[2][98][99]。 - **高效计算**：Mamba的线性复杂度优于Transformer，支持并行训练[23][31]。

量化模型与构建方式 1. **模型名称**：GAN_GRU模型 - **模型构建思路**：结合生成式对抗网络（GAN）和门控循环单元（GRU）的深度学习模型，通过GAN处理量价时序特征后，利用GRU进行时序编码生成选股因子[9][10]。 - **模型具体构建过程**： 1. **数据输入**：18个量价特征（如收盘价、成交量等），采样形状为40*18（过去40天的特征）[13][14]。 2. **预处理**：时序去极值+标准化，截面标准化[14]。 3. **GAN部分**： - 生成器（G）：LSTM结构，输入噪声生成逼真量价特征，损失函数为： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ - 判别器（D）：CNN结构，区分真实与生成特征，损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ - 交替训练G和D直至收敛[20][21][23][26]。 4. **GRU部分**：两层GRU(128,128) + MLP(256,64,64)，输出预测收益pRet作为因子[18]。 - **模型评价**：有效捕捉量价时序特征的非线性关系，生成因子具有较高区分度[9][18]。 --- 量化因子与构建方式 1. **因子名称**：GAN_GRU因子 - **因子构建思路**：基于GAN_GRU模型输出的预测收益pRet，经行业市值中性化+标准化处理后作为选股因子[18][37]。 - **因子具体构建过程**： 1. 模型训练：半年滚动训练（每年6月30日、12月31日更新），预测未来20日收益[14]。 2. 因子生成：对全A股（剔除ST及上市不足半年股票）输出pRet，中性化处理[14][18]。 --- 模型的回测效果 1. **GAN_GRU模型**： - IC均值：11.57% | ICIR：0.89 | 年化超额收益率：25.01% - 年化波动率：24.02% | IR：1.66 | 最大回撤：27.29%[37][38]。 --- 因子的回测效果 1. **GAN_GRU因子**： - **全A表现**： - 近一年IC均值：11.54% | 最新一期IC：-0.28%[37][38]。 - **行业表现**： - 当期IC前五行业：社会服务（30.15%）、国防军工（28.07%）、银行（25.31%）[39]。 - 近一年超额收益前五行业：石油石化（5.60%）、建筑材料（5.29%）、家用电器（5.06%）[42]。 - **多头组合**： - 当期超额收益最高行业：商贸零售（8.22%）、国防军工（7.15%）[42]。 - 最新前十个股：顺威股份、博深股份、九典制药等[44][48]。

量化模型与构建方式 1. **模型名称**：GAN_GRU模型 - **模型构建思路**：结合生成式对抗网络（GAN）和门控循环单元（GRU）的深度学习模型，通过GAN处理量价时序特征后，利用GRU进行时序编码生成选股因子[9][10] - **模型具体构建过程**： 1. **数据输入**：18个量价特征（如收盘价、成交量等），过去400天的数据，每5天采样一次，形成40×18的特征矩阵[13][14] 2. **GAN部分**： - **生成器（G）**：LSTM结构，输入噪声生成模拟量价特征，损失函数为： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ - **判别器（D）**：CNN结构，区分真实与生成特征，损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ - 交替训练G和D直至收敛[20][23][26] 3. **GRU部分**：两层GRU(128,128)提取时序特征，后接MLP(256,64,64)输出预测收益pRet作为因子[18] 4. **数据处理**：时序去极值+标准化，截面标准化[14] - **模型评价**：通过对抗训练提升特征生成质量，保留时序特性，适配金融数据的高噪声环境[29][33] --- 量化因子与构建方式 1. **因子名称**：GAN_GRU因子 - **因子构建思路**：基于GAN_GRU模型输出的预测收益pRet，经行业市值中性化+标准化处理后作为选股因子[18][37] - **因子具体构建过程**： 1. 模型每半年滚动训练（6月30日/12月31日），预测未来半年收益[14] 2. 剔除ST股及上市不足半年的股票，保留有效样本[14] 3. 因子值=模型输出的pRet，截面排序后取前10%作为多头组合[37][44] --- 模型的回测效果 1. **GAN_GRU模型**： - **IC均值**：11.57%（全A股，2019/01-2025/05）[37] - **ICIR**：0.89[38] - **年化超额收益率**：25.01%[37] - **信息比率（IR）**：1.66[38] - **最大回撤**：27.29%[38] --- 因子的回测效果 1. **GAN_GRU因子**： - **近期IC（2025/05）**：-0.28%，近一年IC均值11.54%[37][38] - **行业表现**： - 当期IC前五行业：社会服务（30.15%）、国防军工（28.07%）、银行（25.31%）[39] - 近一年IC均值前五行业：建筑装饰（18.54%）、公用事业（18.14%）[39] - **多头组合超额收益**： - 当期最高行业：商贸零售（8.22%）、国防军工（7.15%）[42] - 近一年月均最高行业：石油石化（5.60%）、建筑材料（5.29%）[42] --- 多头组合示例（2025/05） - **前十个股**：顺威股份（家用电器）、博深股份（机械设备）、九典制药（医药生物）等[44][48] - **行业排名第一个股**：如顺威股份（家用电器）、盛剑科技（环保）等[44]

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**：高景气成长与红利策略轮动择时模型 **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，捕捉风格轮动机会[57] **模型具体构建过程**： - 每月末选取有效单因子信号：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） - 各指标独立生成买入高景气或红利的信号，取均值作为综合打分 - 最终配置比例根据打分结果动态调整（如80%红利+20%成长）[57] **模型评价**：能够有效捕捉市场风格切换，尤其在资金面驱动下表现突出 2. **模型名称**：大小盘轮动模型 **模型构建思路**：结合市场利率与动量指标判断小盘/大盘占优阶段[58] **模型具体构建过程**： - 货币宽松期（低利率）优先配置小盘股 - 动量指标采用RSI技术面分析，当小微盘股流动性宽松且RSI强势时看多[4] - 叠加日历效应（如5月小盘跑赢概率62%）[60] 模型的回测效果 1. **高景气成长与红利轮动模型** - 年化收益14.88%，超额基准12.07% - 最大回撤27.08%，年化波动率23.32% - Sharpe比率0.64，Calmar比率0.55[57] 2. **大小盘轮动模型** - 中证2000/沪深300比值最新值2.2（显示小盘占优）[59] - 5月小盘超额收益历史均值+6%[60] 量化因子与构建方式 1. **因子名称**：红利因子 **因子构建思路**：筛选高股息率、低波动率的防御性股票[4] **因子具体构建过程**： - 计算股息率：$$ Dividend\ Yield = \frac{Annual\ Dividend}{Current\ Price} $$ - 叠加波动率筛选：取过去一年日收益率标准差最低的30%股票 - 行业侧重银行、电力、公用事业等[4] 2. **因子名称**：关税缓和因子 **因子构建思路**：捕捉中美关税政策调整对行业的影响[9][10] **因子具体构建过程**： - 构建关税敏感度指标：$$ Sensitivity = \frac{Export\ Revenue}{Total\ Revenue} \times \frac{Tariff\ Change}{1+Base\ Rate} $$ - 对半导体、新能源汽车等外向型行业加权[23] 因子的回测效果 1. **红利因子** - 中证红利全收益指数近1年收益85.30%，年化波动率17.81%[54] - 最大回撤27.08%，显著低于成长风格[54] 2. **关税缓和因子** - 半导体板块近1月超额收益7.85%（通信行业）[61] - 港股恒生科技指数关税缓和后上涨6.02%[6] 注：报告中未提及的模型/因子细节已按规则跳过，公式严格按原文格式呈现。