报告行业投资评级 未提及 报告的核心观点 - 商品本周空头占比小幅增加，黑色和能化因子强度回落，有色和黑色板块分化扩大，综合信号有中性、空头等不同情况[2][3][6][9] 各板块及品种情况总结 商品整体情况 - 截面偏强板块为贵金属和有色，偏弱的是能源和黑色；黄金时序动量大幅反弹，白银动量边际继续上升，内部差异扩大；有色板块持仓量因子边际回升，铜偏强；黑色板块动量因子边际回升，期限结构上铁矿强于螺纹；能化板块截面动量分化，化工弱于能源，纯碱在截面上偏弱；农产品内部分化，豆油棕榈油持仓量下降，豆粕持仓量上升，可做空油粕比[2] 甲醇 - 策略净值方面，上周供给因子走弱0.09%，需求因子走强0.11%，价差因子下行0.09%，合成因子走低0.07%，本周综合信号中性；基本面因子上，国产甲醇产能利用率下降，供给端多头，传统下游平均开工延续下降趋势但烯烃行业开工有所回升，需求端中性，港口持续大幅累库，库存端空头，海外甲醇现货市场价格以及进口利润释放空头信号，价差端多头强度走弱转为中性[3] 浮法玻璃 - 策略净值方面，上周各大类因子收益环比持平，本周综合信号维持中性；基本面因子上，浮法玻璃开工负荷较上周持平，供给端中性，中国30大中城市商品房成交面积微幅减少，需求端中性，浮法玻璃企业库存下降，库存端中性偏多，管道气制浮法玻璃利润下滑，利润端多头强度有所走弱维持中性，沈阳沙河区域价差因子释放空头信号，价差端中性偏空[6] 铁矿石 - 策略净值方面，上周供给因子走弱0.21%，价差因子下行0.25%，合成因子走弱0.16%，本周综合信号维持空头；国内8月进口数量增加、巴西发货量上升，供给端信号维持空头，钢厂烧结用矿粉消耗量增加，需求端多头反馈有所增强但信号仍为中性，主要港口铁矿石库存继续累积，库存端空头反馈增强信号维持中性，海运费下降但现货价格有所增加，价差端空头反馈减弱信号维持空头[9] 铅 - 策略净值方面，上周供给因子走弱0.27%，库存因子上行0.04%，价差因子走弱0.03%，合成因子下行0.07%，本周综合信号转为中性；SMM再生铅利润修复，供给端信号由空头转为中性，LME铅注册仓单和库存延续去库，库存端信号维持中性，LME近远月价差扩大，价差端信号由中性转为多头[9] 铝 - 策略净值方面，上周供给因子走弱、合成因子下行，本周综合信号未明确提及；供给端复产速度放缓，信号由空头转为中性[9] 各板块因子数据 |板块|动量时序|动量截面|期限结构|持仓量| | ---- | ---- | ---- | ---- | ---- | |黑色板块|0.21|-0.29|-0.85|1.25|[4]| |有色板块|0.06|0.93|-2.2|-0.64|[4]| |能化板块|0.37|0.57|-0.02|0.16|[4]| |农产品板块|-0.45|0.69|0.93|1.37|[4]| |股指板块|0.31|-0.1|-0.32|0.48|[4]| |贵金属板块|0|/|/|0.05|[4]| 各因子收益情况 |因子|上周收益(%)|当月收益(%)| | ---- | ---- | ---- | |供给|-0.09/ -0.21等|0.10/ 0.62等|[2][3][6][8][9]| |需求|0.11|0.11|[2]| |库存|0.00/ 0.04等|-0.03/ 0.15等|[2][3][6][8][9]| |价差|-0.09/ -0.25等|-0.25/ 0.04等|[2][3][6][8][9]| |大类累加|-0.07/ -0.16等|0.00/ 0.20等|[2][3][6][8][9]|

量化模型与因子总结 量化因子与构建方式 1. **因子名称：Barra风格因子** [14][15]；**因子构建思路**：基于股票的不同特征维度构建系统化的风格因子体系，用于描述和解释股票收益的差异性[15]；**因子具体构建过程**：共包含10个风格因子，具体构建公式如下： * **Beta因子**：计算股票的历史Beta值。$$ Beta $$ * **市值因子**：取总市值的自然对数。$$ 市值 = \ln(总市值) $$ * **动量因子**：计算历史超额收益率序列的均值。$$ 动量 $$ * **波动因子**：由历史超额收益率序列波动率、累积超额收益率离差和历史残差收益率序列波动率加权合成。$$ 波动 = 0.74 \times \sigma_{超额收益} + 0.16 \times D_{累积超额收益} + 0.1 \times \sigma_{残差收益} $$ * **非线性市值因子**：取市值风格的三次方。$$ 非线性市值 = (市值风格)^3 $$ * **估值因子**：取市净率的倒数。$$ 估值 = \frac{1}{市净率} $$ * **流动性因子**：由月换手率、季换手率和年换手率加权合成。$$ 流动性 = 0.35 \times Turnover_{月} + 0.35 \times Turnover_{季} + 0.3 \times Turnover_{年} $$ * **盈利因子**：由分析师预测盈利价格比、市现率倒数和市盈率TTM倒数加权合成。$$ 盈利 = 0.68 \times \frac{E_{预测}}{P} + 0.21 \times \frac{1}{P/CF} + 0.11 \times \frac{1}{PE_{TTM}} $$ * **成长因子**：由分析师预测长期盈利增长率、分析师预测短期盈利增长率、盈利增长率和营业收入增长率加权合成。$$ 成长 = 0.18 \times G_{长期预测} + 0.11 \times G_{短期预测} + 0.24 \times G_{盈利} + 0.47 \times G_{营收} $$ * **杠杆因子**：由市场杠杆率、账面杠杆率和资产负债率加权合成。$$ 杠杆 = 0.38 \times Leverage_{市场} + 0.35 \times Leverage_{账面} + 0.27 \times 资产负债率 $$ 2. **因子名称：GRU因子** [18][20][24][26]；**因子构建思路**：使用门控循环单元（GRU）神经网络模型捕捉股票价格的时序特征以预测收益[18][20][24][26]；**因子具体构建过程**：报告提及了多个基于GRU的模型，区别在于输入数据和预测目标的不同，具体有： * **barra1d模型**：使用Barra风险模型数据作为输入，预测1天收益[18][20][24][26] * **barra5d模型**：使用Barra风险模型数据作为输入，预测5天收益[20][24][26] * **open1d模型**：以开盘价相关数据作为输入，预测1天收益[32] * **close1d模型**：以收盘价相关数据作为输入，预测1天收益[20][32] 3. **因子名称：多因子组合** [32]；**因子构建思路**：将多个因子信号组合成一个综合信号进行投资[32]；**因子具体构建过程**：报告中未详细说明具体组合的因子和权重方法[32] 4. **因子名称：基本面因子** [18][20][23][26]；**因子构建思路**：基于公司财务报表数据构建因子，评估公司的盈利能力、成长性、估值等基本面状况[18][20][23][26]；**因子具体构建过程**：报告中列举了多类基本面因子，财务指标均采用TTM方式计算，并在测试前进行了行业中性化处理[17]。具体因子包括： * **超预期增长类**：如roa超预期增长、营业利润率超预期增长、净利润超预期增长、roc超预期增长[18][21][27] * **增长类**：如roa增长、营业利润率增长、roc增长[18][21][27] * **静态财务类**：如roa、roc、营业利润率、市销率、营业周转率、市盈率、EOI[21][27] * **估值类**：如市净率倒数（见Barra估值因子）[20][26] 5. **因子名称：技术类因子** [18][20][23][26]；**因子构建思路**：基于股票的交易价格和成交量数据构建因子，捕捉市场的交易行为特征[18][20][23][26]；**因子具体构建过程**：报告中提及的技术因子在测试前进行了行业中性化处理[17]。具体因子包括： * **动量因子**：如20日动量、60日动量、120日动量[25][30] * **波动因子**：如20日波动、60日波动、120日波动、长期波动[18][25][30] * **其他**：中位数离差因子[25][30] 因子回测效果 回测设置通用参数：选股范围为万得全A，剔除ST、*ST、停牌不可交易及上市不满120日的股票[16][17]。多空组合每月末调仓，做多因子值前10%的股票，做空后10%的股票，等权配置[16][17]。基本面因子均使用TTM财务数据并经过行业中性化处理[17]。 1. **风格因子（全市场）** [16] * 近期表现：市值、非线性市值、流动性因子的多头表现强势；盈利、估值、成长因子的空头表现较好[2][16] 2. **全市场股池因子** [18] * **基本面因子**：本周多空收益多数为正；超预期增长类因子表现较强，增长类因子次之；静态财务因子多头收益不显著[3][18] * **技术类因子**：多空收益多数为正，仅长期波动因子为负[3][18] * **GRU因子**：多空表现较弱，仅barra1d模型取得正向多空收益[3][18] 3. **沪深300股池因子** [20] * **基本面因子**：本周多空收益表现多数为正；估值类因子多头收益显著；静态财务因子多空收益表现较强，增长类财务因子次之[4][20] * **技术面因子**：多空收益均为正向，动量因子表现较强[4][20] * **GRU因子**：多空收益表现分化；close1d和barra5d模型多空收益回撤较多；barra1d模型表现较强[4][20] 4. **中证500股池因子** [23][24] * **基本面因子**：多空收益表现分化；静态财务因子多空收益显著偏负；增长类和超预期增长类因子多空表现为正向[5][23] * **技术面因子**：多空表现均为正向[5][24] * **GRU因子**：多空收益表现较弱；仅barra1d模型多空表现强势[5][24] 5. **中证1000股池因子** [26] * **基本面因子**：多空收益表现分化；估值类因子多空收益显著为正；静态财务因子多数表现为正向；增长类和超预期增长类财务因子均为负向[6][26] * **技术因子**：多空表现多数为正，仅长期动量和中位数离差因子为负且不显著[6][26] * **GRU因子**：多空收益表现较弱；仅barra1d模型取得微弱的多空收益[6][26] 模型回测效果 回测设置参数：选股池为万得全A，剔除ST、*ST、停牌不可交易及上市不满180日的股票；业绩基准为中证1000指数；月度调仓；双边千3手续费；个股权重上限千2；风格偏离0.5标准差；行业偏离0.01[31]。 1. **open1d模型** [32][33] * 近一周超额收益: 0.22% * 近一月超额收益: -1.23% * 近三月超额收益: -1.56% * 近六月超额收益: 4.68% * 今年以来超额收益: 5.45% 2. **close1d模型** [32][33] * 近一周超额收益: -0.20% * 近一月超额收益: -2.64% * 近三月超额收益: -3.36% * 近六月超额收益: 2.44% * 今年以来超额收益: 2.92% 3. **barra1d模型** [32][33] * 近一周超额收益: 0.14% * 近一月超额收益: 1.20% * 近三月超额收益: 0.28% * 近六月超额收益: 2.54% * 今年以来超额收益: 4.77% 4. **barra5d模型** [32][33] * 近一周超额收益: -0.59% * 近一月超额收益: -2.84% * 近三月超额收益: -2.81% * 近六月超额收益: 3.35% * 今年以来超额收益: 5.03% 5. **多因子组合** [32][33] * 近一周超额收益: -0.50% * 近一月超额收益: -1.67% * 近三月超额收益: -2.37% * 近六月超额收益: 2.28% * 今年以来超额收益: -0.10%

量化因子与构建方式 1. 因子名称：Barra风格因子[15] 因子构建思路：采用Barra框架下的多个风格维度，包括市场相关、估值、盈利、成长、流动性等，通过线性组合或直接计算方式构建[15] 因子具体构建过程： * Beta因子：直接使用历史beta值[15] * 市值因子：对总市值取自然对数[15] * 动量因子：计算历史超额收益率序列的均值[15] * 波动因子：由历史超额收益率序列波动率、累积超额收益率离差、历史残差收益率序列波动率三部分按权重组合而成，公式为 $$0.74 * 历史超额收益率序列波动率 + 0.16 * 累积超额收益率离差 + 0.1 * 历史残差收益率序列波动率$$[15] * 非线性市值因子：对市值风格值取三次方[15] * 估值因子：使用市净率的倒数[15] * 流动性因子：由月换手率、季换手率、年换手率按权重组合而成，公式为 $$0.35 * 月换手率 + 0.35 * 季换手率 + 0.3 * 年换手率$$[15] * 盈利因子：由分析师预测盈利价格比、市现率倒数、市盈率ttm倒数按权重组合而成，公式为 $$0.68 * 分析师预测盈利价格比 + 0.21 * 市现率倒数 + 0.11 * 市盈率ttm倒数$$[15] * 成长因子：由分析师预测长期盈利增长率、分析师预测短期利率增长率、盈利增长率、营业收入增长率按权重组合而成，公式为 $$0.18 * 分析师预测长期盈利增长率 + 0.11 * 分析师预测短期利率增长率 + 0.24 * 盈利增长率 + 0.47 * 营业收入增长率$$[15] * 杠杆因子：由市场杠杆率、账面杠杆、资产负债率按权重组合而成，公式为 $$0.38 * 市场杠杆率 + 0.35 * 账面杠杆 + 0.27 * 资产负债率$$[15] 2. 因子名称：基本面因子[18][20][22][24][26] 因子构建思路：基于公司财务数据，从盈利能力、成长性、估值等多个维度构建因子，涉及的财务指标均为ttm方式计算[17] 因子具体构建过程：报告中提及的具体基本面因子包括营业利润超预期增长、营业周转率、市盈率、roe、roc超预期增长、市销率、roa超预期增长、roa增长、roc增长、营业利润率、净利润超预期增长、营业利润率增长、roa等[20][24][26] 3. 因子名称：技术类因子[18][20][22][24][26] 因子构建思路：基于市场交易数据，从动量、波动等维度构建因子[18][20][22][24][26] 因子具体构建过程：报告中提及的具体技术类因子包括120日动量、20日波动、20日动量、120日波动、中位数离差、60日波动、60日动量等[24][26] 4. 因子名称：GRU因子[18][20][22][24][26] 因子构建思路：基于GRU深度学习模型构建的因子[18][20][22][24][26] 因子具体构建过程：报告中提及的具体GRU因子模型包括barra5d、open1d、close1d、barra1d等[18][20][22][24][26] 5. 因子名称：多因子组合[8][29] 因子构建思路：将多个因子组合成一个综合性的多因子模型[8][29] 因子的回测效果 1. Barra风格因子，近一周多空收益表现：市值因子多头表现较好，非线性市值因子多头表现较好，成长因子多头表现较好，流动性因子多头表现较好，盈利因子多头表现较好，估值因子空头表现强势[3][16] 2. 基本面因子（全市场），近一周多空收益表现：均为正向，营业相关因子多空收益最强，权益类收益相关因子多空表现次之[4] 基本面因子（沪深300），近一周多空收益表现：均为正向，营业相关因子多空收益最强，权益类收益相关因子多空表现次之[5][20] 基本面因子（中证500），近一周多空收益表现：多数为正，估值因子多空收益显著为正，超预期增长类因子多空表现次之[6][22] 基本面因子（中证1000），近一周多空收益表现：多数为正，增长类和超预期增长类因子多空表现显著为正，静态财务因子多空收益表现不显著[7][26] 3. 技术类因子（全市场），近一周多空收益表现：均为正向，波动因子多空收益较为显著[4] 技术类因子（沪深300），近一周多空收益表现：均为正向，波动因子多空收益较为显著[5][20] 技术类因子（中证500），近一周多空收益表现：均为正向[6][22][24] 技术类因子（中证1000），近一周多空收益表现：均为正向[7][26] 4. GRU因子（全市场），近一周多空收益表现：barra1d模型多空收益表现较好，其余模型均有所回撤[18] GRU因子（沪深300），近一周多空收益表现：barra5d和open1d模型多空表现有所回撤，close1d和barra1d模型多空收益表现较好[5][20] GRU因子（中证500），近一周多空收益表现：barra5d模型多空收益回撤较大，barra1d模型多空收益强势[6][22] GRU因子（中证1000），近一周多空收益表现：barra5d模型多空收益表现较差，barra1d模型多空表现较好[7][26] 5. 多头组合策略（比较基准：中证1000指数），近一周超额收益：open1d模型 -0.97%，close1d模型 -1.68%，barra1d模型 0.57%，barra5d模型 -2.17%，多因子组合 -0.29%[29] 多头组合策略（比较基准：中证1000指数），近一月超额收益：open1d模型 -2.85%，close1d模型 -4.50%，barra1d模型 0.75%，barra5d模型 -3.76%，多因子组合 -2.43%[29] 多头组合策略（比较基准：中证1000指数），近三月超额收益：open1d模型 -2.74%，close1d模型 -3.80%，barra1d模型 0.48%，barra5d模型 -2.91%，多因子组合 -2.79%[29] 多头组合策略（比较基准：中证1000指数），近六月超额收益：open1d模型 3.10%，close1d模型 0.92%，barra1d模型 1.61%，barra5d模型 3.17%，多因子组合 1.69%[29] 多头组合策略（比较基准：中证1000指数），今年以来超额收益：open1d模型 4.20%，close1d模型 1.90%，barra1d模型 4.38%，barra5d模型 4.13%，多因子组合 0.01%[29]

量化投资术语解析 - 量化投资因行业术语显得高深 实则是被专业表述所夸大 [2] 核心收益概念 - 贝塔指市场整体收益 即跟随市场波动获得的回报 [3][5] - 阿尔法指超越市场的超额收益 体现主动管理能力 [3][5] 因子分类体系 - 因子是影响股票涨跌的核心变量 构成量化策略基础 [7][9] - 基本面因子基于公司财务与经营数据构建量化指标 [11][13] - 技术面因子基于市场交易行为数据 如历史价格与成交量 [15][16] - 另类因子采用非传统非金融数据构建量化指标 [18][20] 风险与策略特征 - 行业偏离度指产品与对标指数的行业配置差异 [22][24] - 风险暴露体现主动选择承担风险以获取潜在收益 [25] - 风格漂移指持仓严重偏离基准 实际策略与宣称不符 [27] 内容预告 - 系列内容将持续更新 未完待续 [29] - 开放读者留言反馈困惑术语 引导关注公众号 [30]

报告行业投资评级 未提及 报告核心观点 国投期货研究院金融工程组对商品量化CTA进行周度跟踪，涉及不同商品板块表现及策略净值、基本面因子情况，各商品板块表现分化，不同商品的策略净值和基本面因子信号有差异 [3][5][7] 各要点总结 商品板块表现 - 商品本周多头占比上升，板块变化集中在两端，黑色板块因子强度显著回升，农产品和能化板块内部分化持续扩大，截面偏强的板块是化工和黑色，偏弱的是能源板块 [3] - 黄金时序动量有所企稳，贵金属板块内部差异仍在扩大，白银强于黄金；有色板块持仓量因子边际回升，截面上的分化收窄；黑色板块动量因子边际回升，期限结构上铁矿强于螺纹；能化板块截面动量分化，化工处于截面偏强一端，能源偏弱 [3] - 农产品方面，油粕持仓量均有所回升，棕榈油短周期动量回升 [3] 策略净值与综合信号 - 甲醇：上周供给因子走低0.22%，库存因子下行0.18%，合成因子走弱0.11%，本周综合信号空头 [3] - 玻璃：上周库存因子上行0.55%，价差因子走弱0.10%，利润因子走低0.11%，合成因子走强0.26%，本周综合信号多头 [5] - 铁矿：上周供给因子走弱0.03%，库存因子上行0.22%，价差因子下行0.2%，合成因子走弱0.03%，本周综合信号转为多头 [7] - 铅：上周供给因子走强0.07%，价差因子下行0.06%，合成因子较上周持平，本周综合信号转为多头 [7] 基本面因子情况 - 甲醇：进口甲醇到港量环比减少，供给端空头强度走弱，转为中性；传统下游甲醛、醋酸装置开工均有所下调，需求端中性偏空；港口库存持续增加，库存端空头延续；山西、鲁南地区甲醇现货市场价格释放多头信号，但因子贡献度不高，价差端中性偏多 [3] - 玻璃：三线城市商品房成交套数释放空头信号，但因子强度不高，需求端中性；中国浮法玻璃企业库存小幅增加，库存端中性；管道气制浮法玻璃利润亏损幅度小幅收窄，利润端中性；湖北市场浮法玻璃现货价格释放多头信号，价差端多头 [5] - 铁矿：北方港口铁矿到港量大幅下降，供给端信号转为多头；港口日均疏港量下滑，钢厂进口烧结用矿粉消耗量小幅回落，需求端转为空头反馈，信号仍为中性；钢厂进口铁矿平均可用天数减少，主要港口库存累库速度放缓，库存端空头反馈减弱，信号转为中性；巴西图巴朗到青岛的运价下降，价差端信号维持多头，但强度小幅减弱 [7] - 铅：SMM再生铅亏损扩大，国产铅精矿价格下滑，供给端信号转为中性；LME铅库存和上期所仓单库存上周均呈现去库态势，库存端信号转为多头；SMM铅锭平均价以及白银现货价有所回落，价差端多头反馈减弱，信号转为中性 [7]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：Barra风格因子组**[15] * **因子构建思路**：采用Barra风险模型框架，通过多维度指标捕捉市场主要风险收益特征，构建一系列风格因子[15] * **因子具体构建过程**： * **Beta因子**：计算股票的历史beta值[15] * **市值因子**：对股票的总市值取自然对数[15] * **动量因子**：计算股票历史超额收益率序列的均值[15] * **波动因子**：由历史超额收益率序列波动率、累积超额收益率离差和历史残差收益率序列波动率加权计算，公式为 $$0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率}$$[15] * **非线性市值因子**：计算市值风格的三次方[15] * **估值因子**：使用市净率的倒数[15] * **流动性因子**：由月换手率、季换手率和年换手率加权计算，公式为 $$0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率}$$[15] * **盈利因子**：由分析师预测盈利价格比、市现率倒数和市盈率TTM倒数加权计算，公式为 $$0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率TTM倒数}$$[15] * **成长因子**：由分析师预测长期盈利增长率、分析师预测短期利率增长率、盈利增长率和营业收入增长率加权计算，公式为 $$0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率}$$[15] * **杠杆因子**：由市场杠杆率、账面杠杆和资产负债率加权计算，公式为 $$0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率}$$[15] 2. **因子名称：基本面因子组**[18][20][23][25] * **因子构建思路**：基于公司财务报表数据，从盈利能力、增长能力、估值水平等维度构建因子，捕捉基本面驱动的超额收益[18][20][23][25] * **因子具体构建过程**：报告中提及的具体因子包括营业利润率、市销率、ROC（资本回报率）、营业周转率、ROA（资产收益率）、营业利润率超预期增长、ROA增长、ROE超预期增长、净利润超预期增长、ROA超预期增长、营业利润增长、ROC增长、市盈率等，均为基于TTM方式计算的财务指标，并在测试前进行了行业中性化处理[17][21][26] 3. **因子名称：技术类因子组**[18][20][23][25] * **因子构建思路**：基于量价数据，从动量、波动率等维度构建因子，捕捉市场情绪和交易行为带来的收益[18][20][23][25] * **因子具体构建过程**：报告中提及的具体因子包括20日动量、60日动量、120日动量、20日波动、60日波动、120日波动、中位数离差等，并在测试前进行了行业中性化处理[17][22][24][29] 4. **因子名称：GRU因子**[18][20][23][25][31] * **因子构建思路**：基于门控循环单元（GRU）神经网络模型构建的预测因子[18][20][23][25][31] * **因子具体构建过程**：报告提及了open1d、close1d、barra1d、barra5d等具体GRU模型，但未详细描述其构建过程[31] 因子回测效果 1. **Barra风格因子**[16] * 最近一周多空收益：Beta、流动性因子多头表现较好；估值、盈利、杠杆、非线性市值因子空头表现强势[3][16] 2. **全市场股池因子**[18] * **基本面因子**：增长类财务因子多空收益显著为正，超预期增长类因子次之，静态财务因子多空收益多数为负[18] * **技术类因子**：动量类因子多空收益为负向，波动类因子多空收益为正向[18] * **GRU因子**：除open1d模型外，其余模型多空收益均为正向[18] 3. **沪深300股池因子**[20] * **基本面因子**：多空收益基本为正，市盈率因子最强，超预期增长类和增长类因子多头收益显著[20] * **技术类因子**：多空收益多数为正向，波动因子较为显著[20] * **GRU因子**：除barra5d模型外，其余模型多空收益表现强势[20] 4. **中证500股池因子**[23] * **基本面因子**：超预期增长和增长类因子多空收益显著为正，多数静态财务因子多空收益显著为负，估值类因子表现正向[23] * **技术类因子**：多空表现基本为正向，波动类因子更为显著[23] * **GRU因子**：除barra5d模型外，其余模型均取得正向超额收益[23] 5. **中证1000股池因子**[25] * **基本面因子**：增长类和超预期增长类因子多空表现为正向，静态财务因子多空收益表现为负向，估值类因子偏向正向[25] * **技术类因子**：中长期动量因子表现为负向，短期动量和波动类因子表现为正向[25] * **GRU因子**：除barra5d模型略有回撤外，其余模型多空表现较好[25] 量化模型与构建方式 1. **模型名称：GRU模型**[18][20][23][25][31] * **模型构建思路**：使用门控循环单元（GRU）神经网络进行时序预测，构建股票选择模型[18][20][23][25][31] * **模型具体构建过程**：报告提及了open1d、close1d、barra1d、barra5d等具体GRU模型变体，但未详细描述其网络结构、输入特征、训练过程等构建细节[31] 2. **模型名称：多因子组合模型**[31] * **模型构建思路**：综合多个因子构建组合模型进行投资[31] * **模型具体构建过程**：报告未详细描述其具体构建过程，如因子合成方法、权重确定方式等[31] 模型的回测效果 1. **GRU模型 (open1d)**[31][32] * 近一周超额收益：-0.01% * 近一月超额收益：-2.37% * 近三月超额收益：-0.74% * 近六月超额收益：4.65% * 今年以来超额收益：5.23% 2. **GRU模型 (close1d)**[31][32] * 近一周超额收益：-0.38% * 近一月超额收益：-3.85% * 近三月超额收益：-0.62% * 近六月超额收益：2.77% * 今年以来超额收益：3.64% 3. **GRU模型 (barra1d)**[31][32] * 近一周超额收益：0.65% * 近一月超额收益：0.36% * 近三月超额收益：0.92% * 近六月超额收益：1.34% * 今年以来超额收益：3.80% 4. **GRU模型 (barra5d)**[31][32] * 近一周超额收益：0.02% * 近一月超额收益：-2.40% * 近三月超额收益：0.54% * 近六月超额收益：5.14% * 今年以来超额收益：6.44% 5. **多因子组合模型**[31][32] * 近一周超额收益：-0.05% * 近一月超额收益：-2.99% * 近三月超额收益：-1.19% * 近六月超额收益：2.99% * 今年以来超额收益：0.94%

量化模型与因子总结 量化因子与构建方式 1. 因子名称：ROE稳定性筛选因子 - **因子构建思路**：通过综合盈利、成长、杠杆三个维度的历史波动水平，提升高ROE组合未来维持高ROE水平的概率[27][28] - **因子具体构建过程**： 1. 计算三个子因子： - 成长稳定性：营收环比增速的波动 - 杠杆稳定性：有息债务比总资产的比率波动 - ROE稳定性：ROE本身的波动 2. 将三个子因子标准化后等权求和[27] - **因子评价**：能有效降低高ROE股票ROE下滑的概率，提升未来维持高ROE水平的占比[28][38] 2. 因子名称：红利增长筛选因子 - **因子构建思路**：通过多视角预测分红金额增长，构建对分红增长有预测性的因子[49][51] - **因子具体构建过程**： 1. 构建两个视角的子因子： - 视角1：红利支付偏离、卖方预测家数、预期净利润增长、最新财报数据增长，标准化并求和 - 视角2：分红金额增长、卖方预测家数、预期净利润增长、最新财报数据增长，标准化并求和 2. 取两个视角子因子的最大值[51] - **因子评价**：相比单纯的红利因子拼盘成长因子更好，对股息率的提升较为稳定[54] 3. 因子名称：低估值筛选因子 - **因子构建思路**：通过估值因子对未来股息率的预测能力，改进红利因子[55][57] - **因子具体构建过程**： 1. 检测各因子对未来股息率的预测能力，发现历史股息率和估值因子预测效果较好 2. 将股息率与低估值相结合，从高股息率股票中筛选出估值水平相对较低的个股[56][57] - **因子评价**：相比红利增长方法没有参杂成长因子，改进幅度不大但在逻辑上合理[60] 4. 因子名称：净利润增长筛选因子 - **因子构建思路**：通过反向剔除未来可能难以实现净利润增长或分析师预期下调的股票，改进成长因子[70] - **因子具体构建过程**： 1. 在每期入选的100只高成长因子股票中，剔除触发以下任一条件的股票： - 一致预期FY1小于等于0 - FY1为空值 - 近4周出现一致预期下调 - 近13周出现一致预期下调 - 近26周出现一致预期下调 2. 筛选出FY1>0，且近4周、13周和26周FY1变化均未下降的股票[70] - **因子评价**：在保留成长因子高进攻性的同时，实现了长期收益的进一步提升[73] 5. 因子名称：量价因子组合 - **因子构建思路**：选取表现最佳的低波动、低流动性和动量三个量价因子进行组合[95][100] - **因子具体构建过程**： 1. 选择低波动性、动量和流动性三个量价因子 2. 进行等权构建[100] - **因子评价**：在分组收益的单调性和多空差异上表现较好[95] 量化模型与构建方式 1. 模型名称：层层递进选股模型 - **模型构建思路**：先根据基本面因子构建初始股票池，再在该股票池内进一步进行筛选与选股[38] - **模型具体构建过程**： 1. 根据ROE_ttm在股票池中筛选出前100只股票 2. 根据财务稳定性选择因子得分靠前的50只股票构建组合 3. 组合内个股等权[38] 2. 模型名称：改进三因子拼盘模型 - **模型构建思路**：将改进后的红利、盈利和成长因子组合进行并集处理，整合三个基本面方向的因子改进成果[81] - **模型具体构建过程**： 1. 对现有红利、盈利和成长因子在层层递进改进筛选后的组合进行并集处理 2. 经过三种改进因子组合取并集后，在沪深300和中证500中的整体股票数量平均约为120只[81] 3. 模型名称：基本面+量价层层递进选股模型 - **模型构建思路**：在三因子拼盘股票池基础上，进一步通过量价因子选取因子值领先的股票[100] - **模型具体构建过程**： 1. 以三因子拼盘股票池为基础 2. 在每期拼盘因子股票中，通过量价因子月频选取因子值领先的75只股票[100] 4. 模型名称：75+25基本面量化拼盘模型 - **模型构建思路**：在全市场范围内按量价因子优选股票，再与基本面筛选股票拼合[109][112] - **模型具体构建过程**： 1. 在全市场范围内按量价因子优选25只股票 2. 与当前的75只基本面筛选股票拼合，构建一个由100只股票组成的增强组合[109][112] 模型的回测效果 1. 改进三基本面因子选股拼盘模型 - 收益率：135.16%（沪深300），97.38%（中证500） - 年化收益率：9.34%（沪深300），7.36%（中证500） - 年化波动率：19.25%（沪深300），21.37%（中证500） - 夏普比率：0.49（沪深300），0.34（中证500） - 最大回撤：33.00%（沪深300），30.86%（中证500）[86] 2. 三因子拼盘+量价选股75只模型 - 收益率：184.91%（沪深300），131.22%（中证500） - 年化收益率：11.55%（沪深300），9.15%（中证500） - 年化波动率：18.67%（沪深300），20.50%（中证500） - 夏普比率：0.62（沪深300），0.45（中证500） - 最大回撤：30.24%（沪深300），30.61%（中证500） - 年化跟踪误差：5.09%（沪深300），7.24%（中证500）[128] 3. 75+25基本面量化拼盘模型 - 收益率：267.51%（沪深300），227.24%（中证500） - 年化收益率：14.56%（沪深300），13.18%（中证500） - 年化波动率：19.31%（沪深300），21.42%（中证500） - 夏普比率：0.75（沪深300），0.62（中证500） - 最大回撤：29.43%（沪深300），31.32%（中证500） - 年化跟踪误差：6.77%（沪深300），6.84%（中证500）[128] 因子的回测效果 1. ROE稳定性筛选因子 - 基本面预测胜率改进效果：从78.03%提升到86.28%（沪深300），从78.72%提升到86.55%（中证500）[37] 2. 红利增长筛选因子 - 基本面预测胜率改进效果：从54.90%提升到73.24%（沪深300），从40.14%提升到54.28%（中证500）[51] 3. 净利润增长筛选因子 - 基本面预测胜率改进效果：从83.38%提升到92.88%（沪深300），从80.21%提升到90.13%（中证500）[69]

报告行业投资评级 未提及 报告的核心观点 - 商品本周空头占比小幅上升，不同板块表现各异，各品种综合信号有空头、中性等情况，基本面因子在不同品种上呈现不同多空状态 [1] 各品种情况总结 甲醇 - 策略净值方面，上周供给因子走强0.64%，库存因子下行0.66%，本周综合信号空头 [1] - 基本面因子上，进口到港量持续偏高，供给端空头延续；甲醇制烯烃以及MTBE装置产能利用率小幅下降，需求端中性偏空；上周港口库存大幅增加，库存端转为空头；甲醇华东、华南沿海地区市场价格释放空头信号，但因子贡献度不高，价差端中性偏空 [1] 浮法玻璃 - 策略净值方面，上周库存因子上行2.47%，价差因子走弱0.17%，利润因子走低0.20%，合成因子下行0.13%，本周综合信号空头 [1] - 基本面因子上，浮法玻璃产能利用率环比持平，供给端维持中性；二线城市商品房成交套数减少，需求端中性偏空；重点八省浮法玻璃企业累库，库存端空头；动力煤以及管道气制浮法玻璃成本因子释放多头信号，利润端中性偏多 [1] 铁矿 - 策略净值方面，上周供给因子走强0.38%，合成因子上行0.08%，本周综合信号转为中性 [3][4] - 基本面因子上，FMG的发货量减少，7月铁矿砂及其精矿进口数量下滑，供给端空头反馈减弱，信号转为中性；港口进口铁矿的日均疏港量上升，钢厂烧结用矿粉消耗量小幅增加，需求端转为多头反馈，信号仍为中性；港口进口贸易矿库存累积，主要港口库存上升，库存端信号转为空头；西澳到青岛的运价中枢上移，价差端多头反馈进一步增强，信号转为多头 [4] 沪铝 - 策略净值方面，上周需求因子上行0.01%，价差因子下行0.01%，合成因子较上周持平，本周综合信号维持中性 [4] - 基本面因子上，SMM国产铅精矿价格上升，供给端空头反馈增强，信号转为空头；上期所仓单库存以及LME注册仓单库存均有所累积，库存端转为空头反馈，信号整体维持中性；远月价格抬升，近月持仓量增加，价差端信号转为多头 [4] 板块因子情况总结 商品板块因子强度 - 截面偏强的板块是农产品，截面偏弱的是能源板块 [1] - 黑色板块动量因子边际下降但未反转，期限结构分化收窄；有色板块持仓量因子边际下降，截面上的分化扩大；能化板块截面动量分化；农产品板块油粕持仓量回升，棕榈油短周期动量回升；黄金时序动量有所企稳，贵金属板块内分化收窄 [1] 各板块因子数据 |板块|动量时序|动量截面|期限结构|持仓量| | --- | --- | --- | --- | --- | |黑色板块|-0.42|0.18|0.29|0.79| |有色板块|-0.13|0.54|0.99|1.1| |能化板块|0.02|0.74|-0.6|0.06| |农产品板块|-0.09|0.05|0.17|-0.16| |贵金属板块|0.37|0.49|0.68|2.15| [1]

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] |

量化投资策略表现 - 今年以来量价类因子整体表现较好 基本面因子中成长类因子相对表现较好 [1] 量化策略长期业绩依赖要素 - 丰富的数据源包括传统财报数据、行情数据以及非传统数据如社交媒体情绪、供应链、招聘数据等 这些数据可转化为前瞻性投资信号 [1] - 供应链数据（如供应商、客户集中度）可识别新能源产业链隐性壁垒 招聘数据（如BOSS直聘、猎聘）可预判企业扩张节奏（如AI人才需求激增） 短视频观看点击量可检查新消费品受欢迎程度 [1] - 丰富因子库可分散收益源并提升抗周期能力 需定期淘汰旧因子并引入新因子 包括强经济逻辑支撑因子和算法挖掘因子 [1] 模型迭代与新技术应用 - 需持续迭代模型并对新技术持开放态度 近年来AI技术在量化投资流程中应用广泛 [2] - AI技术应用包括引入新技术、提高因子开发效率及构建更强预测信号 如用大模型分析文本数据或用transformer等模型做端到端因子挖掘 [2]