量化模型与构建方式 1. 风格因子模型 - **模型名称**：BARRA风格因子模型[16] - **模型构建思路**：参考BARRA因子模型构建10个风格因子，以捕捉A股市场的风格变化[16] - **模型具体构建过程**：通过细分因子合成大类风格因子，细分因子构造方式及大类因子合成方式见表3[16]。具体因子构建如下： - 估值因子=BP，其中BP（Book to Price）=归母股东权益/总市值[17] - 成长因子=（SGRO+EGRO）/2，其中： - SGRO（Sales growth）：过去五个财年年报的每股营业收入按时间进行回归，将回归系数（斜率）除以每股营业收入的平均值[17] - EGRO（Earnings growth）：过去五个财年年报的每股归母净利润按时间进行回归，将回归系数（斜率）除以每股归母净利润的平均值[17] - 盈利因子=（ETOP+CETOP）/2，其中： - ETOP（Earnings-to-price ratio）：归母净利润TTM/总市值[17] - CETOP（Cash earnings-to-price ratio）：经营活动产生的现金流量净额TTM/总资产[17] - 规模因子=LNCAP，其中LNCAP（Natural log of market cap）=总市值的对数[17] - Beta因子=BETA，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，最终取回归系数作为BETA[17] - 动量因子=RSTR，其中RSTR（Relative strength）=过去504个交易日个股累计收益率，不含最近21个交易日，收益率序列使用半衰指数加权，半衰期为126个交易日[17] - 流动性因子=（STOM+STOQ+STOA）/3，其中： - STOM（Share turnover, one month）：个股过去1个月的换手率加总，之后取对数[17] - STOQ（Average share turnover, trailing 3 months）：个股过去3个月STOM的均值[17] - STOA（Average share turnover, trailing 12 months）：个股过去12个月STOM的均值[17] - 波动性因子=（DASTD+CMRA+HSIGMA）/3，其中： - DASTD（Daily standard deviation）：过去250个交易日个股相对于所有股票等权指数的超额收益率的标准差，计算标准差时使用半衰指数加权，半衰期为40个交易日[17] - CMRA（Cumulative range）：计算个股过去12个月内的累计对数收益率，将累计最高收益与累积最低收益做差[17] - HSIGMA（Historical sigma）：计算BETA时残差的标准差[17] - 非线性市值因子=NLSIZE，将股票总市值对数的三次方与对数市值进行加权最小二乘回归，其中权重为对数市值的平方根，最终取回归残差作为NLSIZE[17] - 杠杆因子=（MLEV+DTOA+BLEV）/3，其中： - MLEV（Market leverage）：非流动负债/总市值[17] - DTOA（Debt to assets）：总负债/总资产[17] - BLEV（Book leverage）：非流动负债/归属母公司股东权益[17] 2. 中性约束条件下最大化因子暴露组合构建方法 - **模型名称**：中性约束条件下最大化因子暴露组合[22][23] - **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[23] - **模型具体构建过程**：参考附录中的具体构建方法[23] 量化因子与构建方式 1. 估值因子 1. **因子名称**：BP[22] - 因子构建思路：衡量账面价值与市场价值的比率[22] - 因子具体构建过程：归属母公司股东权益/总市值[22] - 参考方向：正向[22] 2. **因子名称**：单季度EP[22] - 因子构建思路：衡量单季度盈利与市值的比率[22] - 因子具体构建过程：单季度归母净利润/总市值[22] - 参考方向：正向[22] 3. **因子名称**：EP_TTM[22] - 因子构建思路：衡量滚动盈利与市值的比率[22] - 因子具体构建过程：归母净利润TTM/总市值[22] - 参考方向：正向[22] 4. **因子名称**：单季度SP[22] - 因子构建思路：衡量单季度营收与市值的比率[22] - 因子具体构建过程：单季度营业收入/总市值[22] - 参考方向：正向[22] 5. **因子名称**：SP_TTM[22] - 因子构建思路：衡量滚动营收与市值的比率[22] - 因子具体构建过程：营业收入TTM/总市值[22] - 参考方向：正向[22] 6. **因子名称**：单季度CFEV[22] - 因子构建思路：衡量单季度现金流与调整市值的比率[22] - 因子具体构建过程：单季度经营活动产生的现金流量净额/（市值+短期借款+长期借款+应付债券-货币资金）[22] - 参考方向：正向[22] 7. **因子名称**：CFEV_TTM[22] - 因子构建思路：衡量滚动现金流与调整市值的比率[22] - 因子具体构建过程：经营活动产生的现金流量净额TTM/（市值+短期借款+长期借款+应付债券-货币资金）[22] - 参考方向：正向[22] 2. 成长因子 8. **因子名称**：单季度净利润同比增速[22] - 因子构建思路：衡量单季度净利润同比增长情况[22] - 因子具体构建过程：单季度归母净利润同比增长率[22] - 参考方向：正向[22] 9. **因子名称**：单季度营业收入同比增速[22] - 因子构建思路：衡量单季度营业收入同比增长情况[22] - 因子具体构建过程：单季度营业收入同比增长率[22] - 参考方向：正向[22] 10. **因子名称**：单季度营业利润同比增速[22] - 因子构建思路：衡量单季度营业利润同比增长情况[22] - 因子具体构建过程：单季度营业利润同比增长率[22] - 参考方向：正向[22] 11. **因子名称**：标准化预期外盈利[22] - 因子构建思路：衡量盈利超出预期的程度[22] - 因子具体构建过程：（当前季度归母净利润-（去年同期单度归母净利润+过去8个季度单季归母净利润同比增长均值））/过去8个季度的单季度归母净利润同比增长值的标准差[22] - 参考方向：正向[22] 12. **因子名称**：标准化预期外收入[22] - 因子构建思路：衡量收入超出预期的程度[22] - 因子具体构建过程：（当前季度营业收入-（去年同期单度营业收入+过去8个季度单季度营业收入同比增长均值））/过去8个季度的单季度营业收入同比增长值的标准差[22] - 参考方向：正向[22] 13. **因子名称**：单季度ROE同比[22] - 因子构建思路：衡量单季度ROE同比变化[22] - 因子具体构建过程：ROE单季度同比变化[22] - 参考方向：正向[22] 14. **因子名称**：单季度ROA同比[22] - 因子构建思路：衡量单季度ROA同比变化[22] - 因子具体构建过程：ROA单季度同比变化[22] - 参考方向：正向[22] 3. 质量因子 15. **因子名称**：单季度ROE[22] - 因子构建思路：衡量单季度净资产收益率[22] - 因子具体构建过程：单季度归母净利润/归属母公司股东权益[22] - 参考方向：正向[22] 16. **因子名称**：单季度ROA[22] - 因子构建思路：衡量单季度总资产收益率[22] - 因子具体构建过程：单季度归母净利润/总资产[22] - 参考方向：正向[22] 17. **因子名称**：单季度毛利率[22] - 因子构建思路：衡量单季度毛利率水平[22] - 因子具体构建过程：（单季度营业收入-单季度营业成本）/单季度营业收入[22] - 参考方向：正向[22] 18. **因子名称**：单季度营业利润率[22] - 因子构建思路：衡量单季度营业利润率水平[22] - 因子具体构建过程：单季度营业利润/单季度营业收入[22] - 参考方向：正向[22] 19. **因子名称**：单季度净利润率[22] - 因子构建思路：衡量单季度净利润率水平[22] - 因子具体构建过程：单季度归母净利润/单季度营业收入[22] - 参考方向：正向[22] 20. **因子名称**：盈余质量[22] - 因子构建思路：衡量盈余质量[22] - 因子具体构建过程：（经营活动现金流量净额-营业利润）/总资产[22] - 参考方向：正向[22] 21. **因子名称**：流动比率[22] - 因子构建思路：衡量流动性风险[22] - 因子具体构建过程：流动资产/流动负债[22] - 参考方向：正向[22] 4. 规模因子 22. **因子名称**：对数市值[22] - 因子构建思路：衡量公司规模[22] - 因子具体构建过程：总市值的对数[22] - 参考方向：负向[22] 5. 反转因子 23. **因子名称**：20日反转[22] - 因子构建思路：衡量短期反转效应[22] - 因子具体构建过程：个股过去20个交易日收益率[22] - 参考方向：负向[22] 24. **因子名称**：60日反转[22] - 因子构建思路：衡量中期反转效应[22] - 因子具体构建过程：个股过去60个交易日收益率[22] - 参考方向：负向[22] 6. 动量因子 25. **因子名称**：60日动量[22] - 因子构建思路：衡量中期动量效应[22] - 因子具体构建过程：个股过去60个交易日（排除近20日）收益率[22] - 参考方向：正向[22] 26. **因子名称**：240日动量[22] - 因子构建思路：衡量长期动量效应[22] - 因子具体构建过程：个股过去240个交易日（排除近20日）收益率[22] - 参考方向：正向[22] 27. **因子名称**：盈余公告前隔夜动量[22] - 因子构建思路：衡量盈余公告前的隔夜动量效应[22] - 因子具体构建过程：个股盈余公告前20个交易日的隔夜收益[22] - 参考方向：正向[22] 28. **因子名称**：盈余公告次日开盘跳空超额[22] - 因子构建思路：衡量盈余公告次日的开盘跳空效应[22] - 因子具体构建过程：个股盈余公告次日开盘价/昨日收盘价-中证全指次日开盘价/昨日收盘价[22] - 参考方向：正向[22] 7. 流动性因子 29. **因子名称**：20日换手率[22] - 因子构建思路：衡量短期换手率水平[22] - 因子具体构建过程：个股过去20个交易日换手率的平均值[22] - 参考方向：负向[22] 30. **因子名称**：60日换手率[22] - 因子构建思路：衡量中期换手率水平[22] - 因子具体构建过程：个股过去60个交易日换手率的平均值[22] - 参考方向：负向[22] 31. **因子名称**：20日换手率波动[22] - 因子构建思路：衡量短期换手率波动[22] - 因子具体构建过程：个股过去20个交易日换手率的标准差[22] - 参考方向：负向[22] 32. **因子名称**：60日换手率波动[22] - 因子构建思路：衡量中期换手率波动[22] - 因子具体构建过程：个股过去60个交易日换手率的标准差[22] - 参考方向：负向[22] 33. **因子名称**：20日非流动性冲击[22] - 因子构建思路：衡量短期非流动性冲击[22] - 因子具体构建过程：个股过去20个交易日的收益率绝对值/过去20日成交额的均值[22] - 参考方向：正向[22] 34. **因子名称**：60日非流动性冲击[22] - 因子构建思路：衡量中期非流动性冲击[22] - 因子具体构建过程：个股过去60个交易日的收益率绝对值/过去60日成交额的均值[22] - 参考方向：正向[22] 8. 波动性因子 35. **因子名称**：20日收益率标准差[22] - 因子构建思路：衡量短期收益波动[22] - 因子具体构建过程：个股过去20个交易日的日收益率标准差[22] - 参考方向：负向[22] 36. **因子名称**：60日收益率标准差[22] - 因子构建思路：衡量中期收益波动[22] - 因子具体构建过程：个股过去60个交易日的日收益率标准差[22] - 参考方向：负向[22] 37. **因子名称**：20日特异度[22] - 因子构建思路：衡量短期特异度[22] - 因子具体构建过程：个股过去20个交易日的日收益与Fama-French三因子回归的拟合度[22] - 参考方向：负向[22] 38. **因子名称**：60日特异度[22] - 因子构建思路：衡量中期特异度[22] - 因子具体构建过程：个股过去60个交易日的日收益与Fama-French三因子回归的拟合度[22] - 参考方向：负向[22] 39. **因子名称**：20日三因子模型残差波动率[22] - 因子构建思路：衡量三因子模型残差的短期波动[22] - 因子具体构建过程：个股过去20个交易日的日收益对Fama-French三因子回归的残差的标准差[22] - 参考方向：负向[22] 40. **因子名称**：120日三因子模型残差波动率[22] - 因子构建思路：衡量三因子模型残差的中期波动[22] - 因子具体构建过程：个股过去120个交易日的日收益对Fama-French三因子回归的残差的标准差[22] - 参考方向：负向[22] 41. **因子名称**：240日三因子模型残差波动率[22] - 因子构建思路：衡量三因子模型残差的长期波动[22] - 因子具体构建过程：个股过去240个交易日的日收益对Fama-French三因子回归的残差的标准差[22] - 参考方向：负向[22] 9. 分红因子 42. **因子名称**：股息率[22] - 因子构建思路：衡量分红收益[22] - 因子具体构建过程：最近4个季度分红/总市值[22] - 参考方向：正向[22] 10. 公司治理因子 43. **因子名称**：前五大股东持股比例[22] - 因子构建思路：衡量股权集中度[22] - 因子具体构建过程：前五大股东持股比例合计[22] - 参考方向：正向[22] 44. **因子名称**：前十大股东持股比例[22] - 因子构建思路：衡量股权集中度[22] - 因子具体构建过程：前十大股东持股比例合计[22] - 参考方向：正向[22] 11. 技术因子 45. **因子名称**：20日成交额[22] - 因子构建思路：衡量短期成交活跃度[22] - 因子具体构建过程：过去20个交易日日均成交额[22] - 参考方向：负向[22] 46. **因子名称**：60日成交额[22] - 因子构建思路：衡量中期成交活跃度[22] - 因子具体构建过程：过去60个交易日日均成交额[22] - 参考方向：负向[22] 47. **因子名称**：60日偏度[22] - 因子构建思路：衡量中期收益偏度[22] - 因子具体构建过程：过去60个交易日日度收益率数据计算的偏度[22] - 参考方向：负向[22] 48. **因子名称**：240日偏度[22] - 因子构建思路：衡量长期收益偏度[22] - 因子具体构建过程：过去240个交易日日度收益率数据计算的偏度[22] - 参考方向：负向[22] 49. **因子名称**：20日成交量变异系数[22] - 因子构建思路：衡量短期成交量波动[22] - 因子具体构建过程：过去20个交易日成交量的标准差/过去20个交易日成交量均值[22] - 参考方向：负向[22] 50. **因子名称**：60日成交量变异系数[22] - 因子构建思路：衡量中期成交量波动[22] - 因子具体构建过程：过去60个交易日成交量的标准差/过去60个交易日成交量均值[22] - 参考方向：负向[22] 51. **因子名称**：20日成交量比率[22] - 因子构建思路：衡量

国信金工主动量化策略表现 - 优秀基金业绩增强组合本周绝对收益0.35%，相对偏股混合型基金指数超额收益-0.12%，本年绝对收益28.00%，相对超额收益-4.08%，在主动股基中排名54.37%分位点（1886/3469）[1][3][10] - 超预期精选组合本周绝对收益0.70%，相对超额收益0.23%，本年绝对收益46.54%，相对超额收益14.47%，在主动股基中排名20.61%分位点（715/3469）[1][3][20] - 券商金股业绩增强组合本周绝对收益-0.54%，相对超额收益-1.01%，本年绝对收益33.26%，相对超额收益1.19%，在主动股基中排名43.07%分位点（1494/3469）[1][3][21] - 成长稳健组合本周绝对收益0.26%，相对超额收益-0.22%，本年绝对收益51.84%，相对超额收益19.77%，在主动股基中排名15.31%分位点（531/3469）[1][3][30] 市场整体表现 - 本周股票收益中位数-1.74%，31%股票上涨，69%下跌，主动股基收益中位数0.51%，60%基金上涨，40%下跌[1][38] - 本年股票收益中位数20.22%，81%股票上涨，19%下跌，主动股基收益中位数30.56%，98%基金上涨，2%下跌[1][38] 策略方法论 - 优秀基金业绩增强组合通过对标主动股基中位数，在优选基金持仓基础上采用量化增强，年化收益20.31%，相对偏股混合型基金指数年化超额11.83%[2][36][39] - 超预期精选组合通过筛选研报标题超预期与分析师上调净利润的股票，结合基本面和技术面精选，年化收益30.55%，相对偏股混合型基金指数年化超额24.68%[12][42][44] - 券商金股业绩增强组合以券商金股股票池为基准，控制个股和风格偏离，年化收益19.34%，相对偏股混合型基金指数年化超额14.38%[17][46][47] - 成长稳健组合采用"先时序、后截面"方式，聚焦财报披露前超额收益释放期，年化收益35.51%，相对偏股混合型基金指数年化超额26.88%[27][50][51] 业绩基准比较 - 所有组合以偏股混合型基金指数（885001.WI）为基准，仓位均采用主动股基仓位中位数90%[3][6][12] - 相对中证500指数，超预期精选组合本年超额25.56%，成长稳健组合超额32.25%[5]

昨夜美股市场一片哀鸿，芯片股集体跳水，科技巨头纷纷折戟。表面上看是美联储警告和政府停摆风险所致，但作为一名 浸淫市场多年的量化投资者，我看到的却是更深层的逻辑——流动性的微妙变化才是这场风暴的真正推手。 昨晚的美股市场可谓"血流成河"，费城半导体指数暴跌超2%，科技巨头们集体"失血"。鲍威尔的警告、政府停摆风险、高 估值担忧…这些理由被媒体反复咀嚼。但在我看来，这些都只是表象。 图中橙色柱体反映的是机构资金活跃程度。持续的时间越长，说明机构参与的积极性越高。这不是简单的买入信号，而是 告诉我们：机构在持续关注这只股票。 记得十年前我刚接触量化投资时，一位前辈告诉我："影响股市的因素很多，最根本的还是流动性。"这句话我记到现在。 大到美联储的货币政策，小到个股的资金流向，本质上都是流动性的游戏。 很多人觉得机构的选择神秘莫测，但随着量化技术的发展，我们已经能够窥见一二。量化大模型可以对交易行为进行精准 分离，还原市场的真实面貌。 这只股票在本周爆发前看似平淡无奇，但如果我们观察它的交易行为数据： 这种现象并非个例。让我们看看三个完全不同行业的股票： 「上海谊众」是创新药概念，「凌钢股份」是钢铁股，「隆扬 电子」 ...

本文首发于公众号"蒙玺投资"。 （点击↑↑ 上图查看详情 ） 在 量 化 投 资 的 诸 多 指 标 中 ， 超 额 收 益 最 受 投 资 者 关 注 。 如 何 判 断 投 资 组 合 的 超 额 收 益 来 源 是 否 稳 定 ， 怎 样 评 价 Quant 的 投 资 能 力 是 否 优 秀，都离不开对超额收益的计算、拆解。 同时，在日常投研中，当某个策略进行实盘产生业绩后， Quant 并不止步于此，而是会对业绩进行进一步的归因和拆解， 明白其收益或 者亏损的来源，这一步骤是 Quant 在盘后进行策略迭代的关键。 蒙玺投资成立于2016年，是一家专注于量化投资的对冲基金公司。依托强大的数据挖掘、统计分析和软件开发能力，公司构建了覆盖多市场、多品种的量化 资产管理平台。 超额收益（Alpha），指投资组合相对于某一基准（如市场指数或无风险收益率）的超额回报。它反映了策略通过主动管理（如选股、择 时、套利等）超越被动基准的能力。核心公式如下： 超额收益=投资组合收益率-基准收益率 如果基准是市场指数（如沪深300），则超额收益代表"跑赢市场"的部分；如果基准是无风险利率（如国债收益率），则反映承担风险 ...

After 43+ years working for one investment research company or another, I finally retired. So now, I’m completely independent. And for the first time on Seeking Alpha, I won’t be working based on anybody else’s product agenda. I have only one goal now… to give you the best actionable investment insights I can.I have long specialized in rules/factor-based equity investing strategies. But I’m different from others who share such backgrounds. I don’t serve the numbers. Instead, the numbers serve me… to inspire ...

"最终通过月度更新的动态加权模块合成综合因子，在不失长期稳定性的前提下增强对短期市场变化的 适应能力。该模型的突出优势在于将长周期有效因子与动态短期信息相结合，形成复合AI信号，从而 构建出兼顾稳定性与响应速度的投资组合，进一步提升组合管理的科学性与实战效能。"韩羽辰表示。 中证报中证网讯(记者魏昭宇)9月25日晚间，路博迈基金基金经理韩羽辰在中国证券报"中证点金汇"直 播间表示，目前市场中的量化团队主要可以分为两类：传统量化体系和AI驱动的量化投研体系。而路 博迈基金所使用的是AI驱动的量化投研体系，经过不断迭代升级，目前已经发展到路博迈量化3.5模 型。 韩羽辰表示，路博迈量化3.5模型在原有基础上进行了系统化升级，其核心区别在于对训练目标的重新 定位与应用场景的针对性优化。"在模型训练目标上，我们的模型将重心置于中低频信号的捕捉与提 取，依托深度神经网络融合时序与截面数据，从而识别更具长期稳健性的市场规律。" "数据方面，除了传统量价数据和基本面数据之外，我们还将蕴含丰富日内信息的高频数据、刻画股票 间相互关系的产业链数据、描述分析师预期和舆情信息的文本数据等另类数据都纳入到机器学习模型体 系中，为模型 ...

量化投资凭借理性、科学、情绪稳定的特质，近年来受到越来越多投资者的欢迎。作为国内成立最早的一批量化私募，九坤投资在十数年的量化长跑中， 荣获逾150项各类行业奖项，涵盖"金牛奖"、"英华奖"、"金阳光奖"、"金长江奖"等，持续保持领先规模和业绩竞争力。 私募排排网数据显示，截至8月底，九坤投资旗下有业绩显示的13只产品今年来收益均值为***%，成立以来业绩同样表现亮眼。其中"九坤日享中证1000 指数增强1号"今年来收益位居第1，该产品近五年超额收益高达***%，运作以来累计收益高达***%，体现了九坤投资在指增赛道上优秀的长期投资能 力。 | 排名 | 产品简称 | 公司简称 | 三级策略 | 基金经理 | 产品规模 近5年收益 (万元) | 近5年超额 | | --- | --- | --- | --- | --- | --- | --- | | | 九坤日享中证1000指数增 强1号 | | 九坤投资 中证1000指增 | 姚齐聪 | | | | | 明沈量化中小盘增强1号B | | 明泫投资 中证1000指增 | 聚煮明,解 | | | | | 英份额 | | | 环宇 | | | | m | 天演奏 ...

看着手机里不断弹出的基金限购公告，我不禁想起十年前刚入行时的困惑。那时的我和大多数散户一样，以为这些公告只是例行公事。直到后来通过量化数 据分析，才发现这背后隐藏着机构资金的精妙布局。 格雷厄姆曾说"牛市是普通投资者亏损的主要原因"，这句话在我十年的投资生涯中不断得到验证。牛市中的暴跌往往让散户措手不及，而机构却能精准把握 进出时机。 以2024年9月24日后的行情为例，表面上指数震荡不前，但个股表现却天差地别。亚辉龙和汇金科技就是最好的对比案例。 汇安基金、湘财久盈等机构的限购措施看似是为了保护投资者利益，实则暗含更深层的市场逻辑。作为一名量化投资者，我发现这些动作往往与机构资金的 季节性调仓密切相关。 记得2015年那轮牛市后的惨痛教训：大多数散户在牛市中亏损高达60%，而同期机构却赚得盆满钵满。这让我深刻认识到，决定股价走势的不是表面的涨 跌，而是背后资金的真实流向。 通过长期跟踪量化数据，我发现一个有趣的现象：A股市场早已告别了齐涨共跌的时代。2016年至2019年间，即便在没有牛市的背景下，个人投资者平均收 益仍为负值，而机构投资者却实现了可观的盈利。 | 同版 | 总收益 | 擇时收益 | 造股收 ...

今天创业板指突破3200点，宁德时代市值超越茅台，三只新股首日涨幅超500%，上纬新材年内暴涨1900倍…这一连串令人血脉偾张的数字背后，我看到 的却是散户们正在重蹈覆辙的悲剧。 市场红火得像过年，但越是这种时候越要警惕。我见过太多人在牛市中亏得比熊市还惨。为什么？因为他们陷入了四大典型陷阱： 第一类人天天盯着涨停板，哪个热追哪个；第二类人抱着"强者恒强"的信念死守高位股；第三类人到处寻找"超跌反弹"机会；最多的是第四类人——觉得 牛市来了就该持股待涨。 就拿今天暴涨的上纬新材来说，要约收购价7.78元，现价110元，14倍的溢价空间看似诱人。但有多少人知道，这种票往往是机构左手倒右手的游戏？等 散户反应过来冲进去时，戏早就唱完了。 去年有只叫海立股份的股票，两个月翻倍。表面看是送钱行情，实则暗藏杀机——每次创新高后必回调。绝大多数散户都会在第三次回调时被洗出去，因 为他们判断高低点全靠感觉。 但用我用了十几年的量化系统看就一目了然：虽然股价起伏不定，但反映机构资金活跃度的橙色柱状图始终坚挺。这意味着什么？机构根本没走！那些看 似吓人的回调，不过是他们在倒车接人。 再看另一个极端案例京源环保，去年连续阴跌。很 ...

核心观点 - 构建AI驱动的多因子量化择时框架 通过趋势、动量、资金流向和估值四个维度整合12个核心指标 利用HistGradientBoosting算法生成复合信号 实现系统性风险预警和收益优化[2][4][36] - 策略回测表现优异 年化收益率达36.41% 夏普比率2.30 最大回撤-19.51% 显著优于万得全A指数 尤其在"9·24"行情中展现"追涨不追高、下跌能抗跌"特性[4][41][42] - 模型验证21个因子通过显著性检验 IC值大于0.03且t值显著 测试集准确率54.08% 上涨情形识别率57% 证明多因子体系对市场波动具备稳定解释力[46][51][53] 多维度指标分析 - 趋势维度显示"9·24"行情中均线呈多头排列 MA5>MA10>MA20 10月10日后出现MA10>MA5>MA20的反压结构 布林带宽度收敛预示趋势持续性减弱[6] - 动量维度显示KDJ升至接近90 RSI_6逼近97的超买状态 10月9-11日KDJ从89急降至56 RSI从98跌至58 跌破60阈值 明确释放行情结束预警[8][9] - 资金流向维度显示成交额从9月24日9744亿飙升至10月8日34835亿 10月11日降至15871亿 量能萎缩与价格高位背离预示动能减弱[11][12] - 估值维度显示PE(TTM)从9月24日15.63(5年分位3.6%)升至10月8日19.55(分位74%) 分位数>70%叠加动量超买构成风险提示组合[15] 量化框架构建 - 从12个核心指标衍生28个因子 包括MACD_acc(趋势加速度)、RSI_percentile63(滚动分位)、Break20(突破信号)、Burst10(成交额爆发系数)等 通过Z-score和GaussianRank标准化处理[22][24][26][29] - 因子处理采用去极值、标准化和分位化方法 消除量纲差异 增强稳健性 避免虚假信号 确保因子具备可比性和可聚合性[29][33] - 因子聚类分析显示技术指标与估值因子分属不同类别 验证多维度因子体系的互补性 为机器学习建模提供基础[34] AI模型应用 - 选择HistGradientBoosting模型 参数设定学习率0.1 通过树深度控制和迭代次数优化 平衡拟合度与过拟合风险[36][39] - 模型输出未来5日上涨概率 超过60%触发买入信号 训练集准确率74.78% 测试集54.08% 上涨识别率57% 下跌识别率50%[39][51][53] - 模型预测概率分布集中在0.35-0.65区间 呈正态分布 反映市场对称性 月度信号数量与市场走势正相关 在牛市阶段显著增多[55][56][59] 策略性能验证 - 回测显示策略累计净值曲线稳健上行 在多轮牛市中紧跟上涨趋势 市场大跌时通过减仓控制回撤 如"9·24"行情回调阶段回撤仅-11% 远小于指数12%跌幅[41][42][45] - 最大回撤-19.51% 显著低于基准 在2024年初波动中小幅回撤后快速修复 显示策略具备良好的风险控制能力和收益稳定性[41][45] - ROC曲线AUC值显示模型区分能力 混淆矩阵验证预测有效性 证明AI辅助框架在复杂市场环境中具备系统化决策优势[53][54] 市场展望 - 当前万得全A指数6289.68点 PE(TTM)22.32倍 成交额2.35万亿元 未触及历史极端高位 政策环境与流动性提供支撑 美联储降息周期助力估值修复[61] - 量化择时信号显示市场处于右侧运行但未达危险区间 短期谨慎对待波动 中长期维持乐观展望 有望在政策与流动性共振下走出上行通道[61]