根据研报内容，总结如下： 量化模型与构建方式 **1 模型名称：A股景气指数模型[29]** - 模型构建思路：以上证指数归母净利润同比为Nowcasting目标，构建反映A股景气度的高频指数[29] - 模型具体构建过程：通过高频数据实时追踪上证指数归母净利润同比变化，构建景气度指数，用于判断经济周期位置和趋势[29] **2 模型名称：A股情绪指数模型[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四个象限，构造情绪指数包含见底预警与见顶预警[36] - 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，识别不同象限的市场收益特征，据此构建情绪指数$$情绪指数 = f(波动率变化, 成交额变化)$$其中波动率变化和成交额变化分别代表市场价和量的情绪维度[36] **3 模型名称：BARRA多因子模型[58]** - 模型构建思路：参照BARRA因子模型框架，对A股市场构建十大类风格因子体系[58] - 模型具体构建过程：构建十大类风格因子包括：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），用于解释股票收益和市场风格特征[58] **4 模型名称：指数增强组合模型[46][53]** - 模型构建思路：基于量化策略模型构建中证500和沪深300指数增强组合，追求超越基准的超额收益[46][53] - 模型具体构建过程：通过多因子选股模型和优化算法，在控制跟踪误差的前提下构建投资组合，具体持仓权重由策略模型生成[46][53] **5 模型名称：主题挖掘算法模型[46]** - 模型构建思路：基于新闻和研报文本挖掘主题投资机会[46] - 模型具体构建过程：通过对文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等多个维度描述主题投资机会[46] 量化因子与构建方式 **1 因子名称：市值因子（SIZE）[58][59]** - 因子构建思路：衡量股票市值规模对收益的影响[58] - 因子具体构建过程：基于股票总市值或流通市值构建，反映规模效应[58] **2 因子名称：BETA因子[58][59]** - 因子构建思路：衡量股票系统性风险暴露[58] - 因子具体构建过程：通过股票收益与市场收益的回归系数计算[58] **3 因子名称：动量因子（MOM）[58][59]** - 因子构建思路：捕捉股票价格动量效应[58] - 因子具体构建过程：基于历史价格表现构建，反映趋势延续特征[58] **4 因子名称：残差波动率因子（RESVOL）[58][59]** - 因子构建思路：衡量股票特异性风险[58] - 因子具体构建过程：通过回归残差的标准差计算，反映非系统性波动[58] **5 因子名称：非线性市值因子（NLSIZE）[58][59]** - 因子构建思路：捕捉市值与收益的非线性关系[58] - 因子具体构建过程：对市值因子进行非线性变换，识别市值效应的复杂特征[58] **6 因子名称：估值因子（BTOP）[58][59]** - 因子构建思路：衡量股票估值水平对收益的影响[58] - 因子具体构建过程：基于市净率等估值指标构建，反映价值效应[58] **7 因子名称：流动性因子（LIQUIDITY）[58][59]** - 因子构建思路：捕捉流动性溢价效应[58] - 因子具体构建过程：基于换手率、交易量等流动性指标构建[58] **8 因子名称：盈利因子（EARNINGS_YIELD）[58][59]** - 因子构建思路：衡量公司盈利能力对收益的影响[58] - 因子具体构建过程：基于市盈率、盈利收益率等指标构建[58] **9 因子名称：成长因子（GROWTH）[58][59]** - 因子构建思路：捕捉公司成长性特征[58] - 因子具体构建过程：基于收入增长率、盈利增长率等成长性指标构建[58] **10 因子名称：杠杆因子（LVRG）[58][59]** - 因子构建思路：衡量公司财务杠杆水平对收益的影响[58] - 因子具体构建过程：基于资产负债率、权益乘数等杠杆指标构建[58] 模型的回测效果 **1 A股景气指数模型[33]** - 截至2025年9月30日，A股景气指数为21.28，相比2023年底上升15.85[33] **2 指数增强组合模型[46][53]** - 中证500增强组合：节前收益1.99%，跑输基准0.38%；2020年至今超额收益51.20%，最大回撤-5.73%[46] - 沪深300增强组合：节前收益率2.15%，跑赢基准0.16%；2020年至今超额收益38.68%，最大回撤-5.86%[53] **3 A股情绪指数模型[40]** - 当前A股情绪见底指数信号：空，A股情绪见顶指数信号：空，综合信号为：空[40] 因子的回测效果 **1 风格因子近期表现[59]** - 市值因子：超额收益较高[59] - 残差波动率因子：呈较为显著的负向超额收益[59] - BETA因子：表现优异[59] - 成长因子：表现优异[59] - 价值因子：表现不佳[59] **2 行业因子近期表现[59]** - 钢铁、电力设备、有色金属等行业因子：相对市场市值加权组合跑出较高超额收益[59] - 消费者服务、煤炭、银行等行业因子：回撤较多[59] **3 因子相关性分析[60]** - 流动性因子与Beta、动量、残差波动率呈现明显正相关性[60] - 价值因子与Beta、残差波动率、流动性等因子呈现明显负相关性[60] - 市值因子与非线性市值因子相关性为0.513[60] - Beta因子与流动性因子相关性为0.568[60] - 动量因子与残差波动率因子相关性为0.577[60]

文章核心观点 - 主动权益基金要稳定战胜业绩基准（如沪深300），关键在于系统化的组合管理，特别是控制风格偏离而非行业偏离，并善用波动率环境优化策略 [1][3][20][27] 基准分析与战胜基准的挑战 - 沪深300指数的风格因子构成包含质量、景气、动量、红利和低估值因子，主动基金整体在红利和低估值因子表现好时易跑输指数，在质量、景气、动量因子表现好时易跑赢 [1] - 战胜基准是国内外资管机构共同难题，过去近20年A股主动权益基金年度跑赢基准比例平均约50%，美股仅约35% [17] - 公募基金超额收益主要源于对新兴产业趋势的把握，在2008年以来的六轮牛熊周期中，仅“互联网+”和新能源两轮产业驱动行情中取得显著超额，缺乏产业主线时超额有限 [18] - 基金管理人选股胜率约42%，超额收益更多靠个股赔率（选中1-2只涨幅超50%甚至翻倍个股）而非胜率，但未来胜率是更重要指标 [19] - 基准难以战胜的痛点包括基准选择（如沪深300和标普500的alpha过于集中在大市值龙头）、控制风格和行业偏离、以及选股能力 [21] 组合管理的关键：控制偏离 - 控制风格偏离的重要性大于控制行业偏离，过度偏离会显著压降胜率和赔率 [3][22][23] - 优秀基金经理与普通基金经理的差异在于风格和行业偏离幅度更小，相对均衡保守，优秀经理更多暴露在个股集中度上 [5] - 不改变基金持仓，仅将过大的风格偏离压回合理约束范围，基金收益分布会显著改善，业绩极端差的比例下降更多 [7][25] - 行业比较对主动权益价值不大，月度维度选行业β能力对业绩作用近乎无效，季度维度选股α和选行业β能力共同驱动业绩 [26] 波动率环境与策略应用 - 在A股市场，波动率和收益率呈负相关，低波动率股票收益率反而最好，这与“高波动对应高收益”的传统认知相反 [9] - 波动率是重要变量，控制波动率是提升夏普率的重要一环，A股呈现明显“风险厌恶”特征，波动率环境可分为低波（<15%）、中波（15%-25%）、高波（>25%） [28] - 波动率变迁有延续性+回落性规律，低波和高波环境下延续可能性高，高波环境波动率易降不易升，且高波往往由突发坏消息引起 [29][30][31] - 在不同波动率环境下选择不同Smart Beta风格因子可稳定增强收益：低波环境市场表现较好，攻防均衡；中波环境防御性风格占优；高波环境小盘风格明显占优 [32][33] - 广义数据显示基金经理不具备择时能力，但在A股高波环境下（如2007年6000点、2015年5500点）进行大择时可显著优化组合收益率，策略上可在市场低位且趋势向上时择时以降低波动和回撤 [12][34] 风格识别与因子表现 - 基金经理主要风格可分为质量、价值、小盘三类，质量风格是基金经理自带，价值风格在低波动时表现好，小盘风格在高波动时表现好 [13] - 质量因子在所有波动率下夏普率较均匀，低估值因子在中低波环境下夏普率较高，小盘因子在高波环境下夏普率尤为突出 [33]

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]