量化因子与构建方式 1. **因子名称**：单季EP - **因子构建思路**：衡量单季度归母净利润与总市值的比值，反映公司短期盈利能力[18] - **因子具体构建过程**： $$单季EP = \frac{单季度归母净利润}{总市值}$$ 数据来源为财报披露的单季度净利润和实时市值[18] 2. **因子名称**：EPTTM - **因子构建思路**：采用滚动12个月净利润与市值的比值，反映持续盈利能力[18] - **因子具体构建过程**： $$EPTTM = \frac{归母净利润TTM}{总市值}$$ 通过连续四个季度的净利润加总计算TTM值[18] 3. **因子名称**：DELTAROE - **因子构建思路**：计算净资产收益率的同比变化，捕捉盈利能力的边际改善[18] - **因子具体构建过程**： $$DELTAROE = ROE_{当期} - ROE_{去年同期}$$ 其中ROE计算采用： $$ROE = \frac{单季度归母净利润×2}{期初净资产+期末净资产}$$[18] 4. **因子名称**：标准化预期外盈利 - **因子构建思路**：衡量实际盈利与市场预期的偏离程度[18] - **因子具体构建过程**： $$SUE = \frac{实际净利润 - 预期净利润}{预期净利润标准差}$$ 使用分析师一致预期数据计算标准化差异[18] 5. **因子名称**：三个月反转 - **因子构建思路**：捕捉短期价格反转效应[18] - **因子具体构建过程**： $$三个月反转 = -1 × 过去60交易日收益率$$ 取负值使得因子方向与收益正相关[18] 6. **因子名称**：非流动性冲击 - **因子构建思路**：通过价格波动与成交额关系衡量流动性风险[18] - **因子具体构建过程**： $$非流动性冲击 = \frac{过去20交易日|日收益率|}{成交额均值}$$ 值越大表明流动性越差[18] 因子回测效果 1. **单季EP因子** - 沪深300空间：最近一周超额0.97%，近一月2.75%，年化5.28%[20] - 中证500空间：最近一周1.06%，近一月1.81%，年化7.79%[22] - 中证1000空间：最近一周1.21%，近一月2.37%，年化10.48%[24] 2. **DELTAROE因子** - 沪深300空间：最近一周0.21%，近一月2.00%，年化3.83%[20] - 中证500空间：最近一周1.18%，近一月2.60%，年化7.80%[22] - 中证1000空间：最近一周0.69%，近一月0.16%，年化9.10%[24] 3. **标准化预期外盈利因子** - 沪深300空间：最近一周0.35%，近一月1.65%，年化3.90%[20] - 中证1000空间：最近一周1.32%，近一月2.83%，年化9.00%[24] - 中证A500空间：最近一周0.38%，近一月2.09%，年化5.34%[26] 4. **三个月反转因子** - 沪深300空间：最近一周0.27%，近一月0.42%，年化1.24%[20] - 中证500空间：最近一周-0.68%，近一月0.19%，年化0.22%[22] 量化模型与构建方式 1. **模型名称**：MFE组合优化模型 - **模型构建思路**：在控制行业/风格暴露约束下最大化单因子暴露[40] - **模型具体构建过程**： 目标函数： $$\max f^Tw$$ 约束条件包括： $$s_l \leq X(w-w_b) \leq s_h$$ （风格暴露约束） $$h_l \leq H(w-w_b) \leq h_h$$ （行业偏离约束） $$w_l \leq w-w_b \leq w_h$$ （个股权重偏离约束） 其他约束包括成分股权重占比、禁止卖空等[40][41] 模型回测效果 1. **沪深300增强组合** - 本周超额1.17%，年内累计超额8.03%[15] - 公募产品中位数：本周0.08%，近一月0.70%，年内2.39%[33] 2. **中证500增强组合** - 本周超额0.73%，年内累计超额8.82%[15] - 公募产品中位数：本周0.38%，近一月1.24%，年内3.90%[35] 3. **中证1000增强组合** - 本周超额1.10%，年内累计超额13.66%[15] - 公募产品中位数：本周0.38%，近一月1.46%，年内5.97%[37] 特殊指数构建 1. **公募重仓指数** - **构建思路**：反映机构投资者持仓偏好[42] - **具体构建过程**： - 选取普通股票型及偏股混合型基金（规模>5000万） - 合并半年报/年报全部持仓或季报前十大重仓股 - 按持仓权重排序取累计90%市值的股票作为成分股[43]

量化基金市场表现 - 2025年上半年公募量化基金整体表现稳健，1258只有业绩展示的产品收益均值为4.72%，中位数为3.74%，正收益占比达86.15% [4] - 主动量化基金收益领先，均值和中位数分别为7.5%、5.91%，指数增强型基金正收益占比最高达92.09% [5] - 量化对冲基金收益较低但稳定，均值0.85%，中位数0.7%，正收益占比78.57% [6] 指数增强量化基金 - 小盘股指数增强产品主导前十强，上榜门槛18.77%，对标北证50、中证2000、国证2000指数 [6] - 创金合信北证50成份指数增强A以37.17%收益夺冠，超越基准1.58个百分点，成立以来累计收益64.48% [8] - 招商基金2只产品入围前十，长盛基金产品以27.75%收益位列第三 [7] 主动量化基金 - 前十强上榜门槛达24.64%，诺安多策略A以40.62%收益居首，成立以来累计回报171.4% [12] - 中加专精特新量化选股A以35.55%收益位列第二，前十大重仓股上半年全部上涨 [14][15] - 汇安基金产品以32.48%收益排名第三，中信保诚基金产品以29.91%位列第四 [12] 量化对冲基金 - 工银瑞信基金2只产品入围前十，中邮绝对收益策略以4.85%收益领跑 [16] - 富国基金和申万菱信基金产品分别以4.14%、3.15%收益位列二、三名 [16] - 前十强上榜门槛0.82%，华夏基金产品规模最大达7.17亿元 [16] 行业趋势 - 监管层《推动公募基金高质量发展行动方案》提升市场对指数增强产品的关注度 [5] - 中小盘股成为量化策略主要收益来源，专精特新企业被重点配置 [12][15] - 指数增强产品受青睐源于历史业绩稳健、标的指数丰富及政策支持 [9]

量化基金市场表现 - 2025年上半年公募量化基金整体表现强劲，1258只有业绩展示的产品收益均值为4.72%，中位数为3.74%，正收益占比达86.15% [1] - 主动量化基金收益领先，均值和中位数分别为7.5%和5.91%，指数增强型基金正收益占比最高达92.09% [1] - 监管政策推动指数增强型基金发展，《推动公募基金高质量发展行动方案》强调"业绩比较基准"的重要性 [1] 指数增强量化基金 - 小盘股指数增强产品主导前十强，上榜门槛18.77%，全部对标北证50、中证2000或国证2000指数 [3] - 创金合信基金夺冠，其"北证50成份指数增强A"上半年收益率37.17%，跑赢基准1.58个百分点 [5] - 招商基金表现突出，在前十强中占据2席，长盛基金位列前三 [3] 主动量化基金 - 上榜门槛达24.64%，为三大量化基金榜单最高，诺安基金、中加基金、汇安基金包揽前三 [8] - 冠军产品"诺安多策略A"收益40.62%，成立以来累计回报171.4%，显著跑赢基准 [10] - 中加基金"专精特新量化选股A"重仓股全部上涨，前十大包括楚环科技、梅轮电梯等专精特新企业 [11] 量化对冲基金 - 工银瑞信基金表现突出，在前十强中占据2席，中邮基金、富国基金、申万菱信基金位列前三 [12] - 上榜门槛为0.82%，海富通、安信等机构产品入围，德邦基金以0.08亿元规模垫底 [13] 基金经理分析 - 创金合信董梁指出指数增强受捧三大原因：明星基金经理祛魅、新指数供给增加、监管鼓励 [6] - 中加基金林沐尘专注专精特新领域，通过量化模型挖掘中小盘超额收益 [11] - 诺安基金王海畅团队坚持中小盘策略，聚焦新质生产力和隐形冠军企业 [10]

指数增强基金市场发展 - 在财富管理工具化浪潮下，通过量化手段在市场波动中寻找超额的指数增强基金迎来增长 [1] - 景顺长城基金于7月1日发行景顺长城中证A500指数增强基金，产品结合量化方法追求超越指数的业绩 [1] 中证A500指数特点 - 中证A500指数编制综合考虑市值、行业代表性、ESG和互联互通等因素，汇集众多细分行业标杆企业，是中国核心资产代表 [1] - 该指数新质生产力含量高，具有较高成长性和潜力，历史业绩验证了较好的长期表现及超额创造能力 [1] - 指数优选各行业龙头，注重行业覆盖度及集中度，优质底层资产丰富，可挖掘Alpha机会更多 [1] 景顺长城中证A500指数增强基金策略 - 基金采取传统量化模型+量价类AI新策略的方式，争取在风险可控前提下获取更高超额收益 [2] - 依托特色量化体系，利用超额收益模型、风险模型、交易成本模型三大类量化模型评估资产定价、控制风险和优化交易 [2] - 量化团队引入AI赋能量化，应用于策略自动化迭代、海量数据处理及清洗、价格预测及风险管理、实时监控市场情绪及新闻事件分析等环节 [2] - AI帮助挖掘市场隐藏规律和非线性定价关系，形成量价类AI新策略，进一步优化量化模型 [2]

根据提供的研报内容，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. **优化复制模型** - **构建思路**：通过数学优化方法最小化跟踪误差，复制目标指数的收益[31] - **具体构建过程**： 1. 定义资产组合收益率： $${\tilde{R}}_{t}=\Sigma_{i=1}^{M}{\widetilde{W}}_{i,t}\cdot Y_{i,t}=Y_{t}\cdot{\overline{{W}}}_{t}$$ 其中${\widetilde{W}}_{i,t}$为持仓权重，$Y_{i,t}$为资产收益[31] 2. 目标函数为跟踪误差最小化： $$w=a r g\,m i n\;\;\;T E$$ 其中$TE=\sqrt{\frac{1}{T}\Sigma_{t=1}^{T}(\tilde{R}_t-R_t)^2}$[32] 3. 添加约束条件： 权重和为1：$$\Sigma_{i=1}^{N}w_{i}=1$$[33] 非负约束：$$0\leq w_{i}\leq1$$[35] 行业/风格中性约束： $$z_{l o w}\leq\frac{X_{s}^{T}w-X_{s}^{T}\tilde{w}}{s_{b}}\leq z_{u p}$$ $$w_{l o w}^{I}\leq X_{I}^{T}w-X_{I}^{T}\bar{w}\leq w_{u p}^{I}$$[36] - **评价**：灵活平衡成本与精度，但依赖历史数据可能产生模型风险[30] 2. **Barra多因子模型** - **构建思路**：基于CAPM和Fama-French三因子模型扩展，解释个股收益来源[47] - **具体构建过程**： 因子收益方程： $${\begin{bmatrix}r_{1}\\ r_{2}\\ \vdots\\ r_{n}\end{bmatrix}}={\begin{bmatrix}x_{11}\\ x_{21}\\ \vdots\\ x_{n1}\end{bmatrix}}f_{1}+{\begin{bmatrix}x_{12}\\ x_{22}\\ \vdots\\ x_{n2}\end{bmatrix}}f_{2}+\cdots+{\begin{bmatrix}x_{1m}\\ x_{2m}\\ \vdots\\ x_{n m}\end{bmatrix}}f_{m}+{\begin{bmatrix}u_{1}\\ u_{2}\\ \vdots\\ u_{n}\end{bmatrix}}$$ 其中$x_{ij}$为股票i对因子j的暴露，$f_j$为因子收益[46] 3. **TCN神经网络因子挖掘模型** - **构建思路**：通过时序卷积网络挖掘高频量价Alpha因子[52] - **评价**：相比遗传规划算法能发现更复杂的非线性关系[51] 量化因子与构建方式 1. **波动类因子** - 特异率：1减Fama-French三因子模型拟合优度[48] - 残差波动率：Fama-French三因子回归残差的标准差[48] - 换手率变异系数：换手率标准差/均值[48] 2. **空头意愿因子** - 每笔成交额：总成交额/成交笔数[48] - 高量每笔成交：高成交量区间的每笔成交额占比[48] 3. **交易拥挤度因子** - 量价相关性：成交量与价格的秩相关系数[48] - 高量交易成本：最高20%价格区间的成交量占比[48] 4. **质量因子** - 盈利因子：扣非ROE与资产报酬率的均值[48] 5. **成长因子** - 绝对净利润增长：单季度扣非净利润时间序列回归斜率[48] 模型的回测效果 1. **沪深300指数增强基金** - 年化超额收益：3.74%[23] - 信息比率(IR)：1.51[23] - 跟踪误差：2.22%[23] - 超额胜率：72%[23] 因子的回测效果 1. **打新增强** - 2025年打新收益：2.13%（科创板4.34%，创业板2.52%）[67] 2. **股指期货增强** - 2025年基差：沪深300(-6.75%)、中证500(-13.60%)[72] 3. **大宗交易增强** - 历史折价率中位数：5.38%（2025年8.23%）[74] 4. **定向增发增强** - 历史折价率中位数：14.55%（2025年11.87%）[77]

中证2000增强ETF表现 - 截至7月1日13时46分，中证2000增强ETF(159552)涨0.77%，盘中冲击三连升并刷新高点 [1] - 近5日涨3.99%，近10日涨5.67%，近20日涨8.16%，今年以来累计涨30.16%，较基准指数超额近14% [1] 小市值股票投资逻辑 - 小市值的有效性已被全球市场印证，规模效应源于投资者对小盘股的普遍规避 [1] - 因信息获取难度较高，小市值股票价格通常低于大盘股，从而提供较高预期收益 [1] 招商基金策略框架 - 招商旗下指增类基金采用多因子模型选股与组合优化策略，涵盖基本面、技术面及机器学习因子 [1] - 基金目标为长期稳定超额收益，保持行业和风格均衡，严格控制跟踪误差 [1] - 量化团队在500等权增强、中证500增强、中证1000增强基金中表现长期稳定 [1] - 通过指数增强ETF结合量化专长与ETF高效透明特性，力争为投资者提供稳健alpha收益 [1]

市场表现 - 招商中证2000增强ETF(159552)6月30日收涨1.45%，今年以来累计涨幅达29.16%，显著领先同类产品 [1] - 该ETF当日获得近800万元净流入，份额持续扩容 [1] - 中证2000增强ETF近120日涨幅29.16%，60日涨幅14.02%，5日涨幅6.65% [3] 驱动因素 - 央行多次降准降息实施适度宽松货币政策，市场流动性充裕，利好科技成长板块 [1] - 小盘股对利率敏感度高，低利率环境显著降低其融资成本并提升盈利弹性 [1] - "类平准基金"托底预期增强，中证2000覆盖的AI、机器人、创新药、半导体等行业与产业政策高度重合 [1] - "并购重组新规"预期进一步打开小微企业的成长空间 [1] 产品策略 - 采用多因子模型选股与组合优化策略框架，涵盖基本面、技术面和机器学习因子 [2] - 追求长期稳定超额收益，维持均衡稳健组合配置，严格控制跟踪误差 [2] - 量化团队在指数增强领域经验丰富，500等权增强、中证500增强等产品长期超额收益稳定 [2] - 通过ETF形式结合量化专长，为投资者提供稳健alpha收益 [2] 产品特性 - 最小申赎单位150万份，现金替代比例上限50% [3] - T日预估现金差额-10366.4270元，T-1日单位净资产2484475.58元 [3] - 当前允许申购赎回操作 [3]

量化模型与构建方式 1. **模型名称**：MFE组合构建模型 **模型构建思路**：通过最大化单因子暴露构建组合，同时控制行业、风格等约束条件[51] **模型具体构建过程**： - 目标函数：最大化因子暴露 $$max\ f^{T}w$$ - 约束条件包括： - 风格暴露约束：$$s_{l}\leq X(w-w_{b})\leq s_{h}$$ - 行业偏离约束：$$h_{l}\leq H(w-w_{b})\leq h_{h}$$ - 个股权重偏离约束：$$w_{l}\leq w-w_{b}\leq w_{h}$$ - 成分股权重占比控制：$$b_{l}\leq B_{b}w\leq b_{h}$$ - 换手率约束：$$\Sigma|w-w_{0}|\leq to_{h}$$[51] **模型评价**：适用于多约束条件下的因子有效性检验，能更真实反映实际组合构建中的因子表现 量化因子与构建方式 1. **因子名称**：Beta风格因子 **因子构建思路**：衡量股票对市场波动的敏感性[13] **因子具体构建过程**：使用贝叶斯压缩后的市场Beta值[13] 2. **因子名称**：Trend因子 **因子构建思路**：捕捉股票价格趋势[13] **因子具体构建过程**： - Trend_120：$$EWMA(halflife=20)/EWMA(halflife=120)$$ - Trend_240：$$EWMA(halflife=20)/EWMA(halflife=240)$$[13] 3. **因子名称**：Volatility因子 **因子构建思路**：衡量股票波动性[13] **因子具体构建过程**： - Stdvol：过去243天的标准波动率 - Ivff：Fama-French三因子特质波动率 - Range：最高价/最低价-1 - MaxRet_6/MinRet_6：过去243天最高/最低六日收益率均值[13] 4. **因子名称**：Liquidity因子 **因子构建思路**：衡量股票流动性[13] **因子具体构建过程**： - TO：过去243天平均对数换手率 - Liquidity beta：个股换手率与市场换手率的回归系数[13] 5. **因子名称**：Value因子 **因子构建思路**：基于估值指标构建[13] **因子具体构建过程**： - BP：账面市值比 - EP：盈利收益率[13] 6. **因子名称**：Growth因子 **因子构建思路**：衡量公司成长性[13] **因子具体构建过程**： - Delta ROE：过去3年ROE变动的平均值 - Sales_growth：销售收入TTM的3年复合增速 - Na_growth：净资产TTM的3年复合增速[13] 因子回测效果 1. **Beta因子**： - 近一周收益：6.95% - 近一年年化收益：42.35% - 历史年化收益：0.72%[12] 2. **Liquidity因子**： - 近一周收益：5.53% - 近一年年化收益：33.85% - 历史年化收益：-3.31%[12] 3. **Value因子**： - 近一周收益：-3.55% - 近一年年化收益：-26.81% - 历史年化收益：7.10%[12] 4. **一年动量因子**（中证全指）： - 近一周收益：1.56% - 今年以来收益：-5.61% - 近一年年化收益：-13.27%[40] 5. **DELTAROE因子**（国证2000）： - 近一周收益：8.27% - 近一年年化收益：75.23% - 历史年化收益：11.01%[33] 指数增强产品表现 1. **沪深300指数增强**： - 最近一周超额收益中位数：0.11% - 今年以来超额收益中位数：2.13%[44] 2. **中证500指数增强**： - 最近一周超额收益中位数：-0.37% - 今年以来超额收益中位数：3.32%[48] 3. **中证1000指数增强**： - 最近一周超额收益中位数：-0.23% - 今年以来超额收益中位数：5.22%[50]

量化模型与构建方式 1. **模型名称**：中性约束条件下最大化因子暴露组合 - **模型构建思路**：在确保投资组合相对基准指数在行业和风格暴露保持中性的基础上，最大化目标因子在组合中的暴露[19] - **模型具体构建过程**： 1. 对股票池进行筛选，剔除上市时间不满1年的新股及存在风险警示的股票[44] 2. 对每个单因子进行中性化处理，消除其与行业、风格（规模、估值、成长）因子的相关性[44] 3. 使用优化方法在行业和风格中性约束下最大化目标因子暴露[19] 量化因子与构建方式 1. **因子名称**：Beta因子 - **因子构建思路**：捕捉个股与市场指数的弹性关系[15] - **因子具体构建过程**： - 将个股过去252个交易日的日收益率与中证全指日收益率进行半衰指数加权回归，半衰期为63个交易日，取回归系数作为BETA值 $$BETA = \text{回归系数（个股日收益 vs 中证全指日收益，半衰加权）}$$[15] 2. **因子名称**：规模因子（LNCAP） - **因子构建思路**：反映市值对收益的影响[15] - **因子具体构建过程**： $$LNCAP = \ln(\text{总市值})$$[15] 3. **因子名称**：动量因子（RSTR） - **因子构建思路**：捕捉个股中长期趋势[15] - **因子具体构建过程**： - 计算过去504个交易日个股累计收益率（排除最近21日），收益率序列使用半衰指数加权（半衰期126日） $$RSTR = \sum_{t=1}^{504} w_t \cdot r_t \quad (w_t=0.5^{t/126})$$[15] 4. **因子名称**：60日反转因子 - **因子构建思路**：捕捉短期反转效应[18] - **因子具体构建过程**： - 直接取个股过去60个交易日收益率 $$60日反转 = \sum_{t=1}^{60} r_t$$[18] 5. **因子名称**：20日特异度因子 - **因子构建思路**：衡量个股收益与三因子模型的偏离程度[18] - **因子具体构建过程**： - 将个股过去20个交易日日收益与Fama-French三因子回归，取拟合优度（R²）的负值 $$20日特异度 = -R^2$$[18] 模型与因子的评价 - **Beta因子**：近期表现突出，反映市场风险偏好提升[15][16] - **规模因子**：小市值效应强化，但长期多空收益为负[15][16] - **动量因子**：中长期有效性稳定，但近期受市场反转影响[15][18] - **反转因子**：短期反转效应显著，尤其在中证1000股票池中表现强劲[26][35] 模型与因子的测试结果 风格因子表现 | 因子名称 | 近一周多空收益 | 近一月多空收益 | |----------------|----------------|----------------| | Beta因子 | 7.50% | 8.74% |[16] | 规模因子 | -4.23% | -5.29% |[16] | 动量因子 | 1.48% | -1.62% |[16] 选股因子表现（沪深300股票池） | 因子名称 | 近一周超额收益 | 近一月超额收益 | |------------------------|----------------|----------------| | 对数市值 | 0.83% | 2.44% |[21] | 单季度营业利润同比增速 | 0.72% | 1.83% |[21] | 20日特异度 | 0.71% | 0.20% |[21] 全市场因子Rank IC | 因子名称 | 近一周Rank IC | 近一月Rank IC均值 | |----------------|---------------|--------------------| | 对数市值 | 24.81% | 9.05% |[44] | 20日特异度 | 21.07% | 11.25% |[44] | 60日反转 | 19.50% | 10.07% |[44]

量化模型与因子分析总结 量化因子与构建方式 估值类因子 1. **BP因子**：构建思路为净资产与总市值的比率，反映公司账面价值与市场价值的相对关系[17] $$ BP = \frac{净资产}{总市值} $$ 2. **EPTTM因子**：构建思路为使用滚动12个月的归母净利润与总市值的比率[17] $$ EPTTM = \frac{归母净利润TTM}{总市值} $$ 3. **股息率因子**：构建思路为最近四个季度预案分红金额与总市值的比率[17] $$ 股息率 = \frac{最近四个季度预案分红金额}{总市值} $$ 反转类因子 1. **一个月反转因子**：构建思路为过去20个交易日的涨跌幅，反映短期反转效应[17] $$ 一个月反转 = 过去20个交易日涨跌幅 $$ 2. **三个月反转因子**：构建思路为过去60个交易日的涨跌幅，反映中期反转效应[17] $$ 三个月反转 = 过去60个交易日涨跌幅 $$ 动量类因子 1. **一年动量因子**：构建思路为近一年除近一月后的动量，反映长期动量效应[17] $$ 一年动量 = 近一年除近一月后动量 $$ 成长类因子 1. **单季净利同比增速因子**：构建思路为单季度净利润同比增长率[17] $$ 单季净利同比增速 = \frac{当期单季度净利润-去年同期单季度净利润}{去年同期单季度净利润} $$ 2. **单季营收同比增速因子**：构建思路为单季度营业收入同比增长率[17] $$ 单季营收同比增速 = \frac{当期单季度营业收入-去年同期单季度营业收入}{去年同期单季度营业收入} $$ 盈利类因子 1. **单季ROE因子**：构建思路为单季度归母净利润的两倍除以期初与期末归母净资产的平均值[17] $$ 单季ROE = \frac{单季度归母净利润×2}{期初归母净资产+期末归母净资产} $$ 流动性类因子 1. **一个月换手因子**：构建思路为过去20个交易日换手率的均值[17] $$ 一个月换手 = \frac{过去20个交易日换手率总和}{20} $$ 波动类因子 1. **特异度因子**：构建思路为1减去过去20个交易日Fama-French三因子回归的拟合度[17] $$ 特异度 = 1-R^2_{FF3} $$ 分析师类因子 1. **预期EPTTM因子**：构建思路为一致预期滚动EP值[17] $$ 预期EPTTM = 一致预期滚动EP $$ 因子回测效果 沪深300样本空间 1. **单季营利同比增速因子**：最近一周0.77%，最近一月1.84%，今年以来5.23%，历史年化2.98%[19] 2. **三个月反转因子**：最近一周0.66%，最近一月0.65%，今年以来3.01%，历史年化1.25%[19] 3. **特异度因子**：最近一周0.55%，最近一月-0.10%，今年以来2.28%，历史年化0.67%[19] 中证500样本空间 1. **一年动量因子**：最近一周1.26%，最近一月1.18%，今年以来2.77%，历史年化2.37%[21] 2. **特异度因子**：最近一周1.05%，最近一月2.04%，今年以来0.76%，历史年化1.67%[21] 3. **单季营收同比增速因子**：最近一周1.00%，最近一月3.50%，今年以来8.20%，历史年化3.29%[21] 中证1000样本空间 1. **一年动量因子**：最近一周1.45%，最近一月1.73%，今年以来0.26%，历史年化-0.55%[23] 2. **三个月反转因子**：最近一周1.09%，最近一月1.40%，今年以来0.38%，历史年化-0.61%[23] 3. **标准化预期外盈利因子**：最近一周0.77%，最近一月3.35%，今年以来6.17%，历史年化8.76%[23] 中证A500样本空间 1. **单季营利同比增速因子**：最近一周1.22%，最近一月2.75%，今年以来6.17%，历史年化1.80%[25] 2. **三个月反转因子**：最近一周1.08%，最近一月0.36%，今年以来3.64%，历史年化0.97%[25] 3. **一年动量因子**：最近一周0.74%，最近一月0.87%，今年以来-2.03%，历史年化0.85%[25] MFE组合构建方法 1. **构建思路**：通过组合优化方式构建最大化单因子暴露组合，控制行业暴露、风格暴露等约束条件[39] 2. **优化模型**： $$ \begin{array}{ll} max & f^{T}w \\ s.t. & s_{l}\leq X(w-w_{b})\leq s_{h} \\ & h_{l}\leq H(w-w_{b})\leq h_{h} \\ & w_{l}\leq w-w_{b}\leq w_{h} \\ & b_{l}\leq B_{b}w\leq b_{h} \\ & \mathbf{0}\leq w\leq l \\ & \mathbf{1}^{T}w=1 \end{array} $$ 其中f为因子取值，w为股票权重向量，wb为基准指数成分股权重向量[39][40]