导读：在今年公募基金的改革方案中，基金的业绩基准被提到了一个前所未有的高度。一方面，设置一个合理科学的基准，变得越来越重要。另一 方面，在沪深300指数规模不断增长的背景下，主动权益的价值就要体现在稳定战胜业绩基准上。而我们知道，作为一个群体，阿尔法是零和游 戏。有人能战胜基准，就有人会跑输基准。 那么，如何稳定的战胜基准呢？我的好朋友， 国联民生证券的包承超最近写了一个报告，探索如何通过组合管理超越基准。 这篇报告给了我不少 启发，我也分享一些报告的精华要点给大家！ 这篇报告有几个核心观点，我通过几张图给大家做一些总结。 1）沪深300作为主要的指数基准，是由哪些风格因子构成的。我们看到，主动型基金经理的投资风格，主要在质量、景气、动量三个因子上。而沪 深300指数的因子中，还有红利因子和低估值因子。当这两个因子表现较好的时候，主动权益基金作为整体会跑输指数。而在质量、景气、动量因 子表现就好的时候，主动权益基金会跑赢指数。 4）从组合优化器的角度看，不改变基金的持仓，只是简单的将偏离过大的风格压回到合理约束范围，基金的收益分布显著改善（我理解就是夏普 也会变得更好，超额收益的稳定性更强了）。 5）大家常说 ...

核心观点 - 全球风险资产在美元弱势和美联储降息预期下呈现上行趋势 亚洲权益市场领涨 美股创新高 A股成长风格占优但估值压力抬升 债市资金分流 黄金白银因降息和避险双驱动创历史新高 衍生品策略中股指CTA表现较佳但中性策略面临压力 [4][5][9] 大类资产交易主线 - 宏观增长因子继续向上 通胀高频因子反弹态势减弱 国内CPI同比转负至-0.4% PPI同比降幅收窄至-2.9% 反映内需不足矛盾仍突出 [4] - 美联储降息节奏推动全球流动性预期向上 美元走弱-0.13% 亚洲权益市场受益于外资回流及AI产业主线 韩综指涨5.94% 恒生科技涨5.31% 美股三大指数创历史新高 [4][9] - 黄金白银避险逻辑强化 沪银涨2.79%创历史新高 COMEX黄金涨0.75% 白银涨2.71% [4][9] - A股成长风格占优 科创50涨5.48% 中小盘跑赢大盘蓝筹 中证1000涨2.45% 估值压力抬升但盈利预期未见明显同步改善 资金面支撑是主要驱动力 [4][9] - 债市资金分流 10年期国债期货跌0.19% 30年期跌0.89% 信用利差维持低位 [4][9] - 股指波动率边际回落 IV与HV均值回归 基差贴水分化 IM贴水扩大至-14.1% 中性策略对冲成本压力上升 [4][9] 大类资产配置建议 - 债市评分5 固收端优选高等级信用债 灵活调整久期 久期风险中性 关注银行保险配置盘动向 [5] - 境外权益评分7 美国基本面经济数据超预期 美元短期反弹能量有限 降息预期大幅抬升 建议关注利率敏感板块配置机会 [5] - 黄金评分6 贵金属为降息周期核心配置 建议增配黄金白银 降息加避险双驱动 沪金突破前高可期 [5] - A股评分6 流动性是支撑大盘的重要驱动力 量能持续 A股结构牛延续 但估值与盈利匹配度下降 需向科技龙头与低位蓝筹均衡 [5] - 大宗商品评分4 供需双弱压制工业品 整体低配 把握新能源反内卷和政策刺激内需相关品种波段机会 [5] - 衍生品策略评分5 波动率回升环境对部分套利类策略利好 股指CTA策略近期表现较佳 有望继续维持偏强走势 建议优先配置长周期趋势策略 等待新一轮趋势信号 中性产品面临对冲端侵蚀收益加超额收益不稳定的双重压力 本周股指期货基差贴水有所分化 IM对冲成本较高 预计中性产品净值波动率较上半年将明显提升 [5] 资产行情观察 - 全球权益市场共振上涨 亚洲领涨 美股创新高 韩国综指涨5.94% 恒生科技涨5.31% 日经225涨4.07% 纳指涨2.03% 标普500涨1.59% 科创50领涨5.48% 中证500涨3.38% 中证1000涨2.45% 显著跑赢上证50和沪深300等大盘蓝筹 [9] - 债券普遍回调 权益赚钱效应分流债市资金 10年期国债期货跌0.19% 30年期跌0.89% 美债10年期微跌 但降息预期下跌幅受限 美联储点阵图暗示年内三次降息 [9] - 美元指数周跌0.13% 财政贸易双赤字压力未消 美联储降息削弱利差优势 COMEX黄金涨0.75% 白银涨2.71% 沪银涨2.79%突破万元每千克创历史新高 [9] - A股波动率回落 情绪修复 上证50ETF隐含波动率IV降6.52% 美股VIX降2.77% 反映恐慌情绪释放 政策托底 成交额企稳 科技主线凝聚共识 [9] 资产相关性变化观察 - 中证800与铜收益率相关系数达到0.366中等相关 与其他资产收益率相关性较弱 变化趋势稳定 [21] - 中证800与铜 美元指数回撤相关性相对较高 分别达到0.696中等相关 -0.455中等相关 伦敦金现周度变化趋势呈上升 其他资产趋势稳定 [21] - 中债企业债与其他资产收益率相关性较弱 变化趋势较为稳定 [24] - 中债企业债与美元指数 伦敦金现回撤相关性相对较高 与美元指数 伦敦金现相关系数分别达到-0.342中等相关 -0.248中等相关 周度趋势比较稳定 [24] - 中证800与中债企业债收益率相关性呈弱相关 相关系数为-0.255 周度变化趋势较为稳定 [27] - 中证800与中债企业债回撤相关性系数达到-0.173呈现弱相关 周度变化趋势稳定 [27] 股票风格因子 - 风格因子整体呈现分化格局 市场缺乏统一方向 Beta因子涨0.36% 投资质量因子涨0.30% 盈利预期因子涨0.30% 残差波动因子涨0.30%表现领先 反映市场对高弹性 预期改善和投资质量较优品种仍存一定偏好 [34] - 流动性因子涨0.11% 动量因子涨0.17%小幅收涨 显示部分资金仍在关注流动性和趋势性机会 [34] - 盈利波动率因子跌-0.25% 盈利能力因子跌-0.24% 分红因子跌-0.18%跌幅居前 表明盈利稳健性和分红防御属性并未获得市场青睐 [34] - 账面市值比因子跌-0.15% 盈利质量因子跌-0.17%表现疲软 反映价值风格和盈利质量因子暂时承压 [34] 商品风格因子 - 商品期货风格因子整体延续分化格局 期限结构因子涨3.017% 基差动量因子涨1.642% 短期基差动量因子涨1.075%大幅领先 反映出市场对展期收益和基差走阔策略的关注度显著提升 贴水结构品种更受资金青睐 [37] - 时间序列动量涨0.967% 长期时间序列动量涨0.519%上涨 反映中长周期趋势策略仍有一定表现 [37] - 波动因子跌-1.742% 短期波动因子跌-1.053%跌幅居前 显示高波动品种继续被市场规避 风险偏好维持谨慎 [37] - 短期截面动量跌-0.893% 均价突破因子跌-0.332%表现疲弱 反映短期价格动量和技术形态类因子未能获得有效跟进 [37] - Beta因子跌-0.061% 截面动量跌-0.060%小幅回落 市场整体情绪偏防御 [37] 宏观视角增长维度 - 建信高金宏观增长因子继续保持上行趋势 延续回暖态势 8月制造业PMI环比上升0.1个百分点至49.4% 连续5个月处于收缩区间 但连续两个月环比改善 [41] - 生产指数50.8%连续4个月扩张 新订单指数49.5%小幅回升0.1个百分点 反映生产端修复强于需求端 [41] - 8月BCI指数全面走弱 企业经营状况BCI指数46.88前值47.69 环比降0.81点 利润前瞻指数41.03前值44.26下跌较大 环比降3.23点 融资环境指数46.37前值46.09小幅回升 环比升0.28点 信用扩张乏力抑制投资意愿 [41] 宏观视角流动性维度 - 当前宏观流动性变化幅度较小 仍然处于中性状态 主要受政策信号指数强势驱动 反映央行通过政策工具主动释放流动性 [46] - 本周政策信号和市场信号均未出现显著变化 效率信号边际收紧 市场整体运行保持平稳 [46] 宏观视角通胀维度 - 本周通胀高频因子整体延续震荡 反弹动能有所减弱 8月CPI同比下降0.4%前值持平 环比持平 CPI同比转负 食品价格拖累显著 消费需求不足仍是核心矛盾 [49] - PPI同比降幅收窄至-2.9%前值-3.6% 环比由降转平 结束连续8个月下行 PPI同比降幅收窄趋势若延续 将改善企业盈利预期 助力经济复苏 [49] 宏观视角海外维度 - 本周美国经济意外指数自9月初的高位29.9大幅回落至11.4 显示此前集中释放的超预期经济数据影响逐渐消化 美国整体数据仍维持在较强水平 支撑经济韧性预期 [52] - 8月美国制造业PMI上升至53.3 创下2022年5月以来最高 展示制造业扩张动能显著增强 ISM报告显示美国制造业仍然处于收缩区间 虽环比回升至48.7 但仍低于50的扩张临界线 [52] - 美元指数整体呈现震荡偏弱格局 短期走势未能形成突破 市场情绪偏向谨慎观望 价格波动反映出投资者对基本面和政策信息的消化仍在持续 技术面与市场情绪呈现横盘共振特征 [52] 资产视角权益市场交易 - 本周全A日均成交额2.299万亿元 环比下降10.5% 市场参与度显著降低 当前流动性环境有利于市场估值修复和结构性行情延续 [56] - 上交所与深交所交易活跃度存在分化 市场深度指标表现良好 成交结构健康 [56] 资产视角权益市场资金 - ETF资金方面 股票型ETF规模环比增长2.0% 货币型ETF规模环比下降5.2% 表明避险资金正向权益类资产转移 [56] - 融资融券余额方面 融资余额占流通市值比例为2.7%滚动一年100%分位 杠杆水平处于高位 融资余额环比增加0.9% 杠杆资金情绪稳定 [56] - 当前资金面极度活跃 短期内有望持续支撑市场走强 但需警惕过热带来的风险 建议保持合理仓位 关注政策变化和市场情绪 [56] 资产视角权益市场估值 - 本周A股估值水平进一步抬升 市场估值压力明显加大 市盈率升至50.38倍 市净率达到5.60倍 股息率为2.29% 均位于历史较高分位数 显示出当前市场对企业未来盈利预期过高 [60] - 建议投资者重点关注估值相对合理且业绩增长确定性高的板块 规避高估值但基本面支撑不足的领域 以降低可能的估值回归风险 [60] 资产视角权益市场盈利预期 - 本周A股盈利预期弱于历史平均 本周基本持平 中证800分析师对滚动一年盈利增速预期达10.3% 滚动一年营收增速预期达5.9% 需继续观察预期改善是否能持续 以判断市场是否已经形成盈利预期的上修趋势 [61] 资产视角固收市场久期风险 - 本周国债利差环境有所改善 但当前收益率曲线形态较为平坦 10年-2年期利差0.43% 位于滚动3年历史45%分位 10年-6个月期利差0.46% 位于滚动3年历史29%分位 30年-10年期利差0.32% 位于滚动3年历史63%分位 长期债券的投资价值受到削弱 期限溢价较低 [65] - 建议根据曲线形态特征灵活调整久期和期限配置 寻找风险收益比较高的投资机会 在总体利差环境中性的情况下 个券选择的重要性上升 [65] 资产视角固收市场信用风险 - 本周5年期AAA中短期票据与国开债当前信用利差处于历史较低水平0.25% 相比上周基本持平 处于滚动3年历史8%分位 市场信用环境宽松 反映了投资者对信用债的偏好较高 信用风险溢价处于低位 [66] - 从风险角度看 当前为极低风险环境 在当前环境下保持确定性 关注6个月至1年期限的AAA级债券 [66] 资产视角固收市场机构行为 - 债券分歧指数CFETS-NEX显示 近一周基金 证券在利率债市场持续净卖出指数均值为负值 银行 保险成为核心买方指数均值为正值 通过拉长久期锁定收益 并增配高等级信用债 [70] 资产视角固收市场交易情绪 - 银行间质押式回购成交量本周环比日均2.46% 反映市场融资活跃度边际上升 本周银行间债市杠杆率上涨 [71] 商品波动率 - 本周商品指数波动率趋势向下 短趋势波动率明显弱于长趋势波动率 当前品种间相关系数为0.488 截面波动率变化趋势向下 [77] - 预计本周趋势CTA表现一般 7月以来趋势跟踪类CTA策略表现明显回暖 [77] 股指波动率 - 隐含波动率本周继续回落 IV与HV均值回归 IV与标的价格趋势背离 [81] - 波动率回升环境对部分套利类策略利好 建议在策略上兼顾IV均值回归预期与事件驱动弹性 [81] - 股指CTA策略近期表现较佳 有望继续维持偏强走势 建议优先配置长周期趋势策略 等待新一轮趋势信号 [81] 基差 - 本周股指期货基差贴水有所分化 IM贴水扩大 IM贴水从9月5日的-8.5%扩大至9月12日的-14.1% [86] - 对于中性策略 基差管理能力成关键 需动态选择合约如滚动至贴水更深的远月或采用混合对冲结合期权 融券降低成本 [86] - 中性产品面临对冲端侵蚀收益加超额收益不稳定的双重压力 净值波动率预计将较上半年明显提升 若小微盘下跌触发中性策略减仓 期货空头平仓或导致贴水快速收敛 引发净值回撤 [86] 情绪 - 本周沪深300 科创50 中证1000持仓量PCR均边际扩大 表明中小盘上方抛压未消 空头对冲需求仍强 [87] - 若中小盘快速回调如海外黑天鹅冲击 空头平仓或触发PCR急速收敛 导致中性策略净值回撤 [87]

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%

量化模型与构建方式 1. **模型名称：中证500增强组合**[4][12][19] * **模型构建思路**：基于量化策略模型进行选股和权重配置，旨在获得超越中证500指数的超额收益[12][19][46] * **模型具体构建过程**：根据策略模型生成持仓列表，包含多只股票及其对应的持仓权重，构成投资组合[12][48][50] 2. **模型名称：沪深300增强组合**[4][14][21] * **模型构建思路**：基于量化策略模型进行选股和权重配置，旨在获得超越沪深300指数的超额收益[14][21][51] * **模型具体构建过程**：根据策略模型生成持仓列表，包含多只股票及其对应的持仓权重，构成投资组合[14][51][54] 3. **因子名称：十大类风格因子**[55] * **因子的构建思路**：参照BARRA因子模型，构建描述A股市场不同风险收益特征的风格因子[55] * **因子具体构建过程**：构建的因子包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[55] 4. **模型名称：A股景气度高频指数**[28][29][31] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标构建指数，用于观察A股景气周期[28][31] * **模型具体构建过程**：详情请参考报告《视角透析：A股景气度高频指数构建与观察》[28] 5. **模型名称：A股情绪指数**[31][32][36] * **模型构建思路**：基于市场波动率和成交额的变化方向划分象限并构造情绪指数，用于市场情绪刻画和择时[31][32][34] * **模型具体构建过程**：将市场按照波动率和成交额的变化方向划分为四个象限，其中波动上-成交下的区间为显著负收益，其余都为显著正收益，据此构造了包含见底预警与见顶预警的A股情绪指数，相关研究请参考报告《视角透析：A股情绪指数构建与观察》[31][32] 模型的回测效果 1. **中证500增强组合**，本周收益1.82%，本周超额收益-1.56%，2020年至今超额收益49.43%，最大回撤-4.99%[12][19][46] 2. **沪深300增强组合**，本周收益1.40%，本周超额收益0.02%，2020年至今超额收益39.41%，最大回撤-5.86%[14][21][51] 量化因子与构建方式 1. **因子名称：行业因子**[56][59] * **因子的构建思路**：用于衡量不同行业相对于市场市值加权组合的收益表现[56][59] * **因子具体构建过程**：报告中未详细描述具体构建过程，但提及了房地产、钢铁、保险、证券、消费者服务等行业因子[56][59] 因子的回测效果 1. **Beta因子**，近一周纯因子收益率表现较高[56][59] 2. **残差波动率因子**，近一周纯因子收益率呈较为显著的负向超额收益[56][59] 3. **成长因子**，近期表现优异[56] 4. **非线性市值因子**，近期表现不佳[56] 5. **价值因子**，近期表现不佳[56] 6. **房地产行业因子**，近一周纯因子收益率相对市场市值加权组合跑出较高超额收益[56][59] 7. **钢铁行业因子**，近一周纯因子收益率相对市场市值加权组合跑出较高超额收益[56][59] 8. **保险行业因子**，近一周纯因子收益率回撤较多[56][59] 9. **证券行业因子**，近一周纯因子收益率回撤较多[56][59] 10. **消费者服务行业因子**，近一周纯因子收益率回撤较多[56][59]

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]

核心观点 - 风格因子在中国股票市场具有显著的长期风险回报表现 超过市场因子 其中14个风格因子中有9个展现出统计学上显著的风险调整回报 [2] - 因子相关性变化和离散度上升为主动型投资组合经理创造战术性Alpha机会 估值与动量因子组合可有效降低波动率并提升风险调整回报 [12][15][19] - 风格因子的条件表现具有一致性 如Beta因子在不同市场环境下表现符合预期 盈利收益率 Beta 动能和利润因子在市场极端情况下波动显著 [6][8][9] 长期因子表现 - 市场因子年化回报率4.2% 但波动率高达26.9% 风险调整后回报率仅0.16 统计不显著 [2] - 14个风格因子中9个风险调整回报统计显著 阈值0.44 其中Beta因子年化回报6.6% 信息比率1.45 动量因子年化回报4.9% 信息比率1.29 [2] - 流动性因子年化回报-4.7% 规模因子年化回报-7.6% 残差波动率因子年化回报-9.2% 均表现较差 [2] 近期因子表现 - 2021-2024年间盈利收益率 股息收益率和动量因子信息比率在0.60至1.21之间 市场因子信息比率为-0.37 [4] - 缩短时间范围至4年后统计显著性阈值升至0.96 多数因子风险调整回报未通过检验 [4] 因子条件表现 - Beta因子在市场回报前五分之一时期回报率1.5% 后五分之一时期降至-0.1% [6] - 盈利收益率 Beta 动能和利润因子在市场极端情况下回报波动较大 [6] - 残差波动率和流动性因子在不同市场周期中表现出一致性模式 [9] 因子相关性变化 - 价值与Beta相关性从接近零降至历史低点-0.65 后回升至-0.34 [12] - 动量与Beta相关性曾降至-0.70 后回升至-0.40 [12] - 价值与动量相关性从历史高位0.78回落至接近零的长期平均水平 [12] 因子组合优化 - 等权重配置估值和动量因子的组合年化回报3.5% 波动率2.3% 风险调整回报1.5 高于单一因子 [15] - 估值因子风险调整回报0.83 动量因子1.15 组合分散效益显著 [15] 因子波动特征 - Beta因子是2025年上半年表现最佳因子 但年化波动率7.5% 接近历史高点8.1% [17] - 动量因子波动率在2024年11月达9% 为20年最高 2025年4月降至5.4% [17] - 中盘股和股息收益率因子波动率最低 [17] 因子离散度机会 - 12周移动平均离散度0.45% 接近20年数据的第75百分位数 中位数0.35% [19] - 高离散度表明因子走势分化 主动型基金经理可通过偏离基准获取Alpha [19]

量化模型与因子总结 量化模型 1. 基于启发式风格划分的认知风险控制模型 模型构建思路：通过结合启发式方法和因子打分法识别市场认知与个体认知差异，控制认知风险[4][15] 模型具体构建过程： 1) 采用时间序列回归划分个股风格： $$r_{t,t}\sim\beta_{\mathit{Value}}\cdot r_{\mathit{Value},t}+\beta_{\mathit{Growth}}\cdot r_{\mathit{Growth},t}+\varepsilon_{t}$$ 约束条件： $$0\leq\beta_{\mathit{Value}}\leq1$$ $$0\leq\beta_{\mathit{Growth}}\leq1$$ $$\beta_{\mathit{Value}}+\beta_{\mathit{Growth}}=1$$ 2) 计算行业风险贡献： $$RiskContribution_{i}=w_{i}\times{\frac{\partial\sigma_{p}}{\partial w_{i}}}=w_{i}\times{\frac{\sum_{j=1}^{n}w_{i}\cdot Cov\left(r_{i},r_{j}\right)}{\sigma_{p}}}$$ 3) 对高风险行业中的认知差异个股偏离置为0[4][15][81] 2. 基于个股收益聚类的隐性风险识别模型 模型构建思路：采用Louvain社区发现算法对个股超额收益相关性进行聚类，识别传统风险模型无法捕捉的隐性风险[4][15][117] 模型具体构建过程： 1) 计算个股超额收益相关性矩阵 2) 应用Louvain算法最大化模块度进行聚类 3) 对近期走势趋同的股票聚类结果进行风险控制[117] 3. 动态风格因子控制模型 模型构建思路：针对风格因子波动率聚集现象，对近期波动率排名靠前、波动率显著放大的风格因子进行严格控制[4][15][81] 模型具体构建过程： 1) 计算风格因子滚动3个月收益率年化波动率 2) 识别波动率显著放大的风格因子 3) 在组合优化中约束高波动风格因子暴露[27][28] 4. 目标跟踪误差下的自适应个股偏离模型 模型构建思路：根据过去跟踪误差动态调整个股偏离幅度[4][15][81] 模型具体构建过程： 1) 计算组合相对基准的滚动3个月跟踪误差 2) 当跟踪误差超过阈值时自动缩小个股偏离 3) 形成跟踪误差-偏离幅度的动态调整机制[31][32] 量化因子 1. 黑天鹅指数因子 因子构建思路：通过风格因子收益率偏离度衡量市场极端程度[24][25] 因子具体构建过程： 1) 计算风格因子日度收益率偏离度： $$\sigma_{s,t}=\frac{\bar{r}_{s,t}-\bar{r}_{s}}{\sigma_{s}}$$ 2) 计算黑天鹅指数： $$BlackSwan_{t}=\frac{1}{N}\times\sum_{s\in S}\left|\sigma_{s,t}\right|$$ 因子评价：有效捕捉市场极端风险事件[24][25] 2. 成长价值风格因子 因子构建思路：综合估值和成长指标构建风格因子[82][83] 因子具体构建过程： 1) 价值因子包含股息率、BP、EPTTM、OCFPTTM四个子因子，权重各1/4 2) 成长因子包含DeltaROEQ、NPQYOY、SUE、AOG四个子因子，权重各1/4[82][83] 因子评价：传统因子打分法可能无法完全捕捉市场实际交易风格[88][93] 模型回测效果 1. 传统中证500指数增强组合 年化超额收益18.77%，相对最大回撤9.68%，信息比3.56，收益回撤比1.94，年化跟踪误差4.88%[5][16] 2. 引入全流程风控的中证500指数增强组合 年化超额收益16.51%，相对最大回撤4.90%，信息比3.94，收益回撤比3.37，年化跟踪误差3.98%[5][16]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：Barra风格因子** - **构建思路**：基于多维度市场特征构建的综合风格因子体系，涵盖市值、动量、波动等核心风格[15] - **具体构建过程**： - **Beta因子**：历史beta值 - **市值因子**：总市值取自然对数 - **动量因子**：历史超额收益率序列均值 - **波动因子**： $$0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率}$$ - **非线性市值因子**：市值风格的三次方 - **估值因子**：市净率倒数 - **流动性因子**： $$0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率}$$ - **盈利因子**： $$0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率TTM倒数}$$ - **成长因子**： $$0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率}$$ - **杠杆因子**： $$0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率}$$[15] 2. **因子名称：GRU模型衍生因子** - **构建思路**：结合GRU神经网络模型生成的量价与基本面特征因子[3][4][5][6] - **具体构建过程**： - **barra1d/barra5d因子**：基于Barra风格因子与GRU模型的1日/5日周期特征融合 - **open1d/close1d因子**：GRU模型对开盘价/收盘价序列的时序特征提取[3][6] 3. **因子名称：技术类因子** - **构建思路**：基于历史价格与波动率的反向因子[26][29] - **具体构建过程**： - **动量因子**：20日/60日/120日历史收益率 - **波动因子**：20日/60日/120日收益率波动率 - **中位数离差因子**：收益率分布偏离度[26][29] 因子回测效果 | 因子类别 | 测试范围 | 近期表现（多空收益） | 长期表现（年化） | |----------------|----------------|------------------------------------|---------------------------| | **Barra风格因子** | 万得全A | 估值因子多头+，流动性/市值因子空头+[16] | 波动因子五年年化-8.97%[26] | | **GRU因子** | 中证1000 | barra5d多空收益+，barra1d回撤-[6] | barra5d超额收益8.63%[31] | | **技术类因子** | 中证500 | 120日动量多空-13.99%[26] | 60日波动年化-15.23%[29] | 模型回测效果 | 模型名称 | 超额收益（vs中证1000） | |----------------|------------------------| | **barra1d** | 近一周-0.24%[31] | | **barra5d** | 今年以来+8.63%[31] | | **多因子组合** | 近六月+2.60%[31] | 评价 - **Barra因子**：体系完整但部分因子（如非线性市值）近期失效风险显著[16][34] - **GRU模型因子**：在中小盘股中表现稳健，但需警惕高频交易环境下的过拟合风险[6][35]

量化模型与因子分析总结 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**：基于多维度市场特征构建的综合风格因子体系，涵盖市场风险、市值、动量等核心维度[15] **因子具体构建过程**： - Beta因子：历史beta值 - 市值因子：总市值取自然对数 - 动量因子：历史超额收益率序列均值 - 波动因子： $$0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$ - 非线性市值：市值风格的三次方 - 估值因子：市净率倒数 - 流动性因子： $$0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$ - 盈利因子： $$0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率ttm倒数$$ - 成长因子： $$0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$ - 杠杆因子： $$0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$ 2. **因子名称：GRU因子** **因子构建思路**：基于门控循环单元神经网络模型开发的量价预测因子[3][4][5][6] **因子具体构建过程**：包含barra1d、barra5d、close1d、open1d四种衍生模型，通过GRU网络学习历史量价序列与未来收益的映射关系[31] 3. **因子名称：技术类因子** **因子构建思路**：捕捉股票价格行为特征的技术指标[22][24][30] **因子具体构建过程**： - 动量类：20日/60日/120日动量 - 波动类：20日/60日/120日波动率 - 中位数离差：价格分布偏离度指标 4. **因子名称：基本面因子** **因子构建思路**：反映公司财务质量和成长性的多维度指标[19][20][23][26] **因子具体构建过程**： - 增长类：toa增长、净利润超预期增长、营业利润增长 - 财务质量：roc超预期增长、roe增长、营业利润率 - 估值类：市销率、市盈率、roa、roe 因子回测效果 1. **Barra风格因子** - 最近一周多空收益：beta/动量/成长因子多头表现较好，杠杆/估值/盈利因子空头强势[2][16] 2. **GRU因子** - barra1d模型：全市场多空收益为正，沪深300超额0.35%[7][31] - barra5d模型：今年以来超额中证1000收益8.56%[7][34] - close1d模型：中证1000多空收益回撤1.59%[31] 3. **技术类因子** - 沪深300：多空收益显著为正，高动量高波动股票占优[21][22] - 中证500：波动类因子多空收益显著为正[24] - 中证1000：所有技术因子多空收益均为正向，波动类最显著[30] 4. **基本面因子** - 全市场：成长类因子正向，估值类不显著[18][19] - 沪深300：增长类和静态财务因子表现强势[20] - 中证500：超预期增长和增长类因子显著[23] - 中证1000：多数因子多空收益为负，增长类最显著[26][28] 多头组合表现 1. **GRU多头组合** - barra1d：近一周超额0.35%，今年以来超额3.85%[34] - barra5d：近六月超额7.63%，今年以来超额8.56%[34] - close1d：近三月超额5.29%，今年以来超额7.25%[34] 2. **多因子组合** - 近一周超额回撤0.19%，今年以来超额2.73%[34]

量化模型与构建方式 1. 模型名称：带约束的加权最小二乘法模型 - 模型构建思路：用于估计纯因子收益率，通过加权最小二乘法解决因子暴露矩阵不满秩问题，并引入行业因子约束条件[44][45] - 模型具体构建过程： 1. 构建股票收益率与因子暴露的线性模型：$$r=X f+u$$，其中X为因子暴露矩阵，f为纯因子收益率向量[44] 2. 定义流通市值平方根加权的权重矩阵W：$$W=\begin{bmatrix}\dfrac{\sqrt{s_{1}}}{\sum_{i=1}^{N}\sqrt{s_{i}}}&0&\cdots&0\\ \\ 0&\dfrac{\sqrt{s_{2}}}{\sum_{i=1}^{N}\sqrt{s_{i}}}&\cdots&0\\ \vdots&\vdots&\ddots&\vdots\\ \\ 0&0&\cdots&\dfrac{\sqrt{s_{N}}}{\sum_{i=1}^{N}\sqrt{s_{i}}}\end{bmatrix}$$[45] 3. 添加行业因子约束条件：$$s_{I_{1}}f_{I_{1}}+s_{I_{2}}f_{I_{2}}+\cdots+s_{I_{Q}}f_{I_{Q}}=0$$[49] 4. 通过Cholesky分解求解带约束的线性方程组，最终得到纯因子收益率估计值：$${\hat{f}}=C(C^{\prime}X^{\prime}W X C)^{-1}C^{\prime}X^{\prime}W r$$[59] - 模型评价：该模型通过引入国家因子和行业约束，使收益结构更清晰，能更敏感响应行业间相关系数变化[44] 量化因子与构建方式 1. 因子名称：市值(size) - 因子构建思路：反映公司规模对股票收益的影响，是Fama-French三因子模型中的核心因子[22] - 因子具体构建过程：使用对数总市值作为二级因子，直接作为一级因子[24] - 因子评价：同时具备高统计显著性与低换手率特征，是10个一级因子中的特例[83] 2. 因子名称：非线性市值(sizenl) - 因子构建思路：捕捉市值非线性效应，解决小市值股票风险溢价异常问题[22] - 因子具体构建过程： 1. 将标准化后的SIZE因子值取三次幂 2. 与SIZE因子值正交取残差 3. 进行缩尾和标准化处理[24] - 因子评价：受经济含义制约不宜强求其分布的正态性[27] 3. 因子名称：贝塔值(beta) - 因子构建思路：衡量股票系统性风险，源自CAPM模型[22] - 因子具体构建过程： 1. 计算个股无风险超额收益率对市场指数超额收益率的时间序列回归系数 2. 回归窗口252日，半衰期63日 3. 公式：$$r_t - r_{ft} = \alpha + \beta R_t + e_t$$[24] - 因子评价：与国家纯因子收益率高度相关(67.68%)，能反映国家因子无法解释的市场风险[84] 4. 因子名称：残差波动率(resvol) - 因子构建思路：衡量股票特异性风险，由三个二级因子合成[24] - 因子具体构建过程： 1. 日度标准差(DASTD，权重0.74)：过去252个交易日每日超额收益波动率，半衰期42日 2. 累积范围(CMRA，权重0.16)：计算12个月累计对数收益率极差 3. 历史Sigma(HSIGMA，权重0.10)：BETA计算式中残差的波动率[24] - 因子评价：与技术类因子liquidity存在较强共线性(相关系数0.53)[84] 5. 因子名称：动量(momentum) - 因子构建思路：捕捉股票价格趋势效应[22] - 因子具体构建过程： 1. 计算504个交易日的加权无风险超额对数收益率之和 2. 滞后期21日，半衰期126日 3. 公式：$$RSTR = \sum w_t [\ln(1+r_t)-\ln(1+r_{ft})]$$[24] - 因子评价：换手率较高但t值绝对值也较高(3.45)[83] 6. 因子名称：流动性(liquidity) - 因子构建思路：反映股票交易成本与市场冲击风险[22] - 因子具体构建过程： 1. 月度换手率(STOM，权重0.35)：前21日换手率和的对数值 2. 季度换手率(STOQ，权重0.35)：基于STOM计算3个月均值 3. 年度换手率(STOA，权重0.30)：基于STOM计算12个月均值[24] - 因子评价：属于"类alpha因子"，长期年化收益-9.46%，IR-3.05，反映低流动性资产补偿[85] 7. 因子名称：账面市值比(btop) - 因子构建思路：衡量价值投资效应[22] - 因子具体构建过程：使用普通股账面价值除以当前市值作为二级因子，直接作为一级因子[24] - 因子评价：与value因子存在逻辑冗余和共线性(相关系数0.39)[23][84] 8. 因子名称：价值(value) - 因子构建思路：综合衡量股票估值水平[22] - 因子具体构建过程： 1. 预测盈市比(EPFWD，权重0.68)：分析师预测净利润(FY1)除以市值 2. 现市比TTM(CETOP，权重0.21)：滚动12个月现金盈利/市值 3. 盈市比TTM(ETOP，权重0.11)：滚动12个月净利润/市值[24] - 因子评价：年化收益4.32%，IR1.80，表现较好但存在冗余[86] 9. 因子名称：成长(growth) - 因子构建思路：反映公司盈利增长能力[22] - 因子具体构建过程： 1. 长期预测净利润增速(EGRLF，权重0.18)：2年期利润增速 2. 短期预测净利润增速(EGRSF，权重0.11)：1年期利润增速 3. 净利润增长率(EGRO，权重0.24)：过去5年EPS回归系数/平均EPS 4. 销售收入增长率(SGRO，权重0.47)：过去5年每股销售收入回归系数/均值[24][28] - 因子评价：解释力度相对较弱(average_|t|仅1.18)[83] 10. 因子名称：杠杆(leverage) - 因子构建思路：衡量公司财务风险[22] - 因子具体构建过程： 1. 市场杠杆(MLEV，权重0.38)：(ME+PE+LD)/ME 2. 资产负债率(DTOA，权重0.35)：总负债/总资产 3. 账面杠杆(BLEV，权重0.27)：(BE+PE+LD)/BE[24] - 因子评价：年化收益-0.44%，IR-0.24，表现较弱[86] 模型的回测效果 1. 国家因子模型，年化收益率4.75%，年化波动率21.00%，IR0.23[86] 2. beta因子模型，年化收益率8.20%，年化波动率4.87%，IR1.69[86] 3. size因子模型，年化收益率-6.82%，年化波动率4.57%，IR-1.49[86] 4. liquidity因子模型，年化收益率-9.46%，年化波动率3.10%，IR-3.05[86] 5. value因子模型，年化收益率4.32%，年化波动率2.40%，IR1.80[86] 因子的回测效果 1. size因子，average_|t|4.22，percent_|t|>2 66.80%，r2_gain0.53%[86] 2. beta因子，average_|t|4.27，percent_|t|>2 67.42%，r2_gain0.45%[86] 3. momentum因子，average_|t|3.45，percent_|t|>2 58.92%，r2_gain0.35%[86] 4. resvol因子，average_|t|2.94，percent_|t|>2 54.10%，r2_gain0.27%[86] 5. growth因子，average_|t|1.18，percent_|t|>2 17.26%，r2_gain0.04%[86]