量化模型与因子总结 量化因子与构建方式 1. **因子名称**：日内高频偏度因子 **因子构建思路**：捕捉股票日内收益的分布特征，特别是偏度信息，以预测未来收益[14] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[14] 2. **因子名称**：日内下行波动占比因子 **因子构建思路**：分解已实现波动，关注下行波动部分在总波动中的占比，以衡量股票的下跌风险[19] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[19] 3. **因子名称**：开盘后买入意愿占比因子 **因子构建思路**：基于开盘后一段时间内的高频交易数据，通过直观逻辑或机器学习方法，将高频信息低频化，计算买入意愿的占比[23] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[23] 4. **因子名称**：开盘后买入意愿强度因子 **因子构建思路**：与买入意愿占比因子类似，但更侧重于衡量买入意愿的强度而非单纯占比[28] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[28] 5. **因子名称**：开盘后大单净买入占比因子 **因子构建思路**：分析开盘后大单资金的净买入行为，计算其占比以捕捉主力资金动向[33] 6. **因子名称**：开盘后大单净买入强度因子 **因子构建思路**：在净买入占比的基础上，进一步衡量大单净买入的强度[38] 7. **因子名称**：改进反转因子 **因子构建思路**：对传统反转因子进行改进，以更好地捕捉价格反转效应[43] 8. **因子名称**：尾盘成交占比因子 **因子构建思路**：关注尾盘时段成交量在全天成交量中的占比，以捕捉尾盘资金行为信息[49] 9. **因子名称**：平均单笔流出金额占比因子 **因子构建思路**：通过计算平均单笔流出金额的占比，来衡量资金流出的压力[55] 10. **因子名称**：大单推动涨幅因子 **因子构建思路**：衡量由大单交易推动的股价上涨幅度，以识别有资金强力推动的股票[60] 11. **因子名称**：改进 GRU(50,2)+NN(10) 因子 **因子构建思路**：使用门控循环单元（GRU）和神经网络（NN）相结合的深度学习模型，从高频数据中提取选股信号[64] **因子具体构建过程**：模型结构为GRU(50,2)与NN(10)的组合，具体网络架构和训练细节未在报告中详述[64] 12. **因子名称**：残差注意力 LSTM(48,2)+NN(10) 因子 **因子构建思路**：使用结合了残差连接和注意力机制的长短期记忆网络（LSTM）与神经网络相结合的深度学习模型，处理高频数据[66] **因子具体构建过程**：模型结构为残差注意力LSTM(48,2)与NN(10)的组合，具体网络架构和训练细节未在报告中详述[66] 13. **因子名称**：多颗粒度模型-5日标签因子 **因子构建思路**：使用基于双向AGRU（可能指注意力GRU）训练的多颗粒度深度学习模型，预测未来5日的收益标签[69] **因子具体构建过程**：模型基于双向AGRU训练得到，具体网络架构和训练细节未在报告中详述[69] 14. **因子名称**：多颗粒度模型-10日标签因子 **因子构建思路**：使用基于双向AGRU训练的多颗粒度深度学习模型，预测未来10日的收益标签[70] **因子具体构建过程**：模型基于双向AGRU训练得到，具体网络架构和训练细节未在报告中详述[70] 量化模型与构建方式 1. **模型名称**：周度调仓的中证500 AI增强宽约束组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10日标签）构建中证500指数增强组合，在较宽松的风险约束下最大化预期收益[74] **模型具体构建过程**：以最大化预期收益为目标函数 $$max\sum\mu_{i}w_{i}$$，其中 $w_i$ 为股票i的权重，$\mu_i$ 为股票i的预期超额收益[75]。组合优化时施加一系列风险控制约束，包括个股权重上限1%、行业偏离上限1%、市值因子暴露上限0.3等“宽”约束条件[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 2. **模型名称**：周度调仓的中证500 AI增强严约束组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10日标签）构建中证500指数增强组合，在更严格的风险约束下最大化预期收益[74] **模型具体构建过程**：目标函数与宽约束组合相同 $$max\sum\mu_{i}w_{i}$$[75]。但施加更严格的风险约束，例如市值因子暴露上限收紧至0.1，并额外增加ROE、SUE、波动率等因子的暴露约束，以及更高的成份股权重约束（0.8）[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 3. **模型名称**：周度调仓的中证1000 AI增强宽约束组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10日标签）构建中证1000指数增强组合，在较宽松的风险约束下最大化预期收益[74] **模型具体构建过程**：目标函数与前述组合相同 $$max\sum\mu_{i}w_{i}$$[75]。对中证1000指数成分股进行优化，约束条件与中证500宽约束组合类似，包括个股权重上限1%、行业偏离上限1%、市值因子暴露上限0.3等[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 4. **模型名称**：周度调仓的中证1000 AI增强严约束组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10日标签）构建中证1000指数增强组合，在更严格的风险约束下最大化预期收益[74] **模型具体构建过程**：目标函数与前述组合相同 $$max\sum\mu_{i}w_{i}$$[75]。对中证1000指数成分股进行优化，约束条件与中证500严约束组合类似，包括更严格的市值暴露约束（0.1）以及额外的ROE、SUE、波动率等因子暴露约束和成份股权重约束（0.8）[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 因子的回测效果 （以下数据均为周度频率测试结果，涵盖“上周”、“12月”及“2025YTD”三个时间段）[10][13] 1. 日内高频偏度因子，IC(历史)0.019，IC(2025年)0.021，e^(-rank mae)(历史)0.324，e^(-rank mae)(2025年)0.326，多空收益上周0.67%，多空收益12月-1.18%，多空收益2025YTD 22.39%，2025年周胜率32/51，多头超额收益上周-0.09%，多头超额收益12月-1.49%，多头超额收益2025YTD 5.11%，多头超额收益2025年周胜率26/51[10] 2. 日内下行波动占比因子，IC(历史)0.016，IC(2025年)0.018，e^(-rank mae)(历史)0.323，e^(-rank mae)(2025年)0.324，多空收益上周0.87%，多空收益12月-1.33%，多空收益2025YTD 19.08%，2025年周胜率34/51，多头超额收益上周-0.01%，多头超额收益12月-1.70%，多头超额收益2025YTD 1.89%，多头超额收益2025年周胜率27/51[10] 3. 开盘后买入意愿占比因子，IC(历史)0.025，IC(2025年)0.023，e^(-rank mae)(历史)0.321，e^(-rank mae)(2025年)0.320，多空收益上周0.66%，多空收益12月0.61%，多空收益2025YTD 21.12%，2025年周胜率38/51，多头超额收益上周0.59%，多头超额收益12月0.37%，多头超额收益2025YTD 9.83%，多头超额收益2025年周胜率33/51[10] 4. 开盘后买入意愿强度因子，IC(历史)0.030，IC(2025年)0.027，e^(-rank mae)(历史)0.326，e^(-rank mae)(2025年)0.326，多空收益上周0.46%，多空收益12月0.94%，多空收益2025YTD 28.09%，2025年周胜率38/51，多头超额收益上周-0.49%，多头超额收益12月0.10%，多头超额收益2025YTD 10.73%，多头超额收益2025年周胜率35/51[10] 5. 开盘后大单净买入占比因子，IC(历史)0.035，IC(2025年)0.020，e^(-rank mae)(历史)0.322，e^(-rank mae)(2025年)0.317，多空收益上周-0.21%，多空收益12月0.17%，多空收益2025YTD 22.11%，2025年周胜率35/51，多头超额收益上周-0.07%，多头超额收益12月0.75%，多头超额收益2025YTD 11.27%，多头超额收益2025年周胜率32/51[10] 6. 开盘后大单净买入强度因子，IC(历史)0.024，IC(2025年)0.014，e^(-rank mae)(历史)0.320，e^(-rank mae)(2025年)0.316，多空收益上周-0.25%，多空收益12月0.38%，多空收益2025YTD 12.50%，2025年周胜率30/51，多头超额收益上周-0.06%，多头超额收益12月0.77%，多头超额收益2025YTD 9.40%，多头超额收益2025年周胜率34/51[10] 7. 改进反转因子，IC(历史)0.030，IC(2025年)0.020，e^(-rank mae)(历史)0.330，e^(-rank mae)(2025年)0.330，多空收益上周0.35%，多空收益12月0.91%，多空收益2025YTD 22.33%，2025年周胜率38/51，多头超额收益上周-0.54%，多头超额收益12月-0.07%，多头超额收益2025YTD 7.82%，多头超额收益2025年周胜率28/51[11] 8. 尾盘成交占比因子，IC(历史)0.025，IC(2025年)0.015，e^(-rank mae)(历史)0.322，e^(-rank mae)(2025年)0.319，多空收益上周-0.94%，多空收益12月1.04%，多空收益2025YTD 16.73%，2025年周胜率33/51，多头超额收益上周-0.73%，多头超额收益12月-0.08%，多头超额收益2025YTD 5.19%，多头超额收益2025年周胜率27/51[11] 9. 平均单笔流出金额占比因子，IC(历史)0.008，IC(2025年)-0.007，e^(-rank mae)(历史)0.317，e^(-rank mae)(2025年)0.315，多空收益上周-1.15%，多空收益12月-2.15%，多空收益2025YTD -8.11%，2025年周胜率23/51，多头超额收益上周-0.30%，多头超额收益12月-0.81%，多头超额收益2025YTD -3.10%，多头超额收益2025年周胜率18/51[13] 10. 大单推动涨幅因子，IC(历史)0.018，IC(2025年)0.007，e^(-rank mae)(历史)0.325，e^(-rank mae)(2025年)0.325，多空收益上周0.41%，多空收益12月-0.93%，多空收益2025YTD 7.19%，2025年周胜率31/51，多头超额收益上周0.14%，多头超额收益12月-0.15%，多头超额收益2025YTD 1.61%，多头超额收益2025年周胜率28/51[13] 11. 改进 GRU(50,2)+NN(10) 因子，IC(历史)0.066，IC(2025年)0.045，e^(-rank mae)(历史)0.336，e^(-rank mae)(2025年)0.332，多空收益上周1.13%，多空收益12月-0.47%，多空收益2025YTD 47.04%，2025年周胜率41/51，多头超额收益上周-0.20%，多头超额收益12月-0.26%，多头超额收益2025YTD 7.10%，多头超额收益2025年周胜率28/51[13] 12. 残差注意力 LSTM(48,2)+NN(10) 因子，IC(历史)0.063，IC(2025年)0.044，e^(-rank mae)(历史)0.334，e^(-rank mae)(2025年)0.331，多空收益上周1.66%，多空收益12月0.19%，多空收益2025YTD 47.39%，2025年周胜率46/51，多头超额收益上周0.15%，多头超额收益12月0.06%，多头超额收益2025YTD 8.92%，多头超额收益2025年周胜率30/51[13] 13. 多颗粒度模型-5日标签因子，IC(历史)0.080，IC(2025年)0.065，e^(-rank mae)(历史)0.343，e^(-rank mae)(2025年)0.340，多空收益上周2.46%，多空收益12月1.12%，多空收益2025YTD 68.13%，2025年周胜率45/51，多头超额收益上周0.74%，多头超额收益12月-0.18%，多头超额收益2025YTD 24.48%，多头超额收益2025年周胜率40/51[13] 14. 多颗粒度模型-10日标签因子，IC(历史)0.073，IC(2025年)0.060，e^(-rank mae)(历史)0.342，e^(-rank mae)(2025年)0.341，多空收益上周2.26%，多空收益12月1.11%，多空收益2025YTD 62.71%，2025年周胜率45/51，多头超额收益上周0.76%，多头超额收益12月-0.50%，多头超额收益2025YTD 24.30%，多头超额收益2025年周胜率38/51[13] 模型的回测效果 （以下数据均为周度调仓频率下的超额收益及胜率）[14] 1. 周度调仓的中证500 AI增强宽约束组合，超额收益上周0.41%，超额收益12月-2.64%，超额收益2025YTD 5.46%，2025年周胜率29/51[14] 2. 周度调仓的中证500 AI增强严约束组合，超额收益上周0.92%，超额收益12月-1.62%，超额收益2025YTD 9.23%，2025年周胜率33/51[14] 3. 周度调仓的中证1000 AI增强宽约束组合，超额收益上周1.55%，超额收益12月-2.69%，超额收益2025YTD 15.39%，2025年周胜率34/51[14] 4. 周度调仓的中证1000 AI增强严约束组合，超额收益上周1.48%，超额收益12月-1.45%，超额收益2025YTD 19.02%，2025年周胜率33/51[14]

深度学习因子与手工收益因子的结合 - 通过将收益因子加入深度学习模型的正交层，可以生成与现有收益因子低相关但选股效果良好的深度学习因子，便于后续人工调整因子权重 [1] - 深度学习模型的黑盒特性在市场剧烈风格转换时难以人工干预，正交层的设计可降低深度因子与手工收益因子的多重共线性问题 [1] 正交层设计的效果验证 - 无论使用Rank MAE还是IC作为损失函数，加入高频/低频量价收益因子的正交层后，深度因子仍保持0.02以上的IC和6以上的IC IR，全市场选股效果显著 [2] - 深度因子与手工收益因子结合构建的多因子组合在全市场多头组合中表现明显改善，但指数增强组合的提升效果存在波动 [2] 多粒度因子与深度因子的协同作用 - 正交层加入收益因子后，深度因子与多粒度因子的相关性低于0.01（高频数据输入），两者结合可显著提升全市场纯多头组合表现 [2] - 深度学习因子对中、大市值股票收益预测能力有限，导致其在指数增强组合中的改善效果不明显 [2]