量化模型与因子总结 量化因子与构建方式 **1. 深度学习因子** 1. **因子名称**：agru_dailyquote[5][56] * **因子构建思路**：基于日频行情数据，使用注意力门控循环单元（AGRU）深度学习模型构建的Alpha因子[5]。 * **因子具体构建过程**：报告未提供该深度学习因子的具体构建公式和详细计算步骤，仅提及了模型类型（AGRU）和使用的数据源（日频行情）[5]。 * **因子评价**：在全市场月度换仓条件下，该因子历史RankIC均值为13.94%，历史胜率达91.63%，表现出较高的预测能力和稳定性[5][56]。 2. **因子名称**：DL_1[5][56] * **因子构建思路**：使用深度学习模型构建的Alpha因子[5]。 * **因子具体构建过程**：报告未提供该深度学习因子的具体构建公式和详细计算步骤[5]。 * **因子评价**：在全市场月度换仓条件下，该因子历史RankIC均值为14.08%，历史胜率为87.97%[5][56]。 3. **因子名称**：fimage[5][56] * **因子构建思路**：基于图像数据的深度学习因子[5]。 * **因子具体构建过程**：报告未提供该深度学习因子的具体构建公式和详细计算步骤[5]。 * **因子评价**：在全市场月度换仓条件下，该因子历史RankIC均值为5.17%，历史胜率为78.11%[5][56]。 **2. Level-2高频因子** 1. **因子名称**：integrated_bigsmall_longshort[5][56] * **因子构建思路**：综合大小单和长短单信息的复合因子[5][56]。 * **因子具体构建过程**：报告未提供该复合因子的具体构建公式和详细计算步骤[56]。 * **因子评价**：在全市场月度换仓条件下，该因子近期表现较好，近一月RankIC均值为15.18%，历史RankIC均值为11.10%，历史胜率为75.86%[5][56]。 2. **因子名称**：bigbuy[56] * **因子构建思路**：基于Level-2数据的大单买入因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 3. **因子名称**：bigsell[56] * **因子构建思路**：基于Level-2数据的大单卖出因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 4. **因子名称**：bigbuy_bigsell[56] * **因子构建思路**：大单买入与大单卖出合成的因子[56]。 * **因子具体构建过程**：报告未提供该合成因子的具体构建公式和详细计算步骤[56]。 5. **因子名称**：longbuy[56] * **因子构建思路**：基于Level-2数据的长单买入因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 6. **因子名称**：longsell[56] * **因子构建思路**：基于Level-2数据的长单卖出因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 7. **因子名称**：integrated_bigsmall[56] * **因子构建思路**：综合大小单信息的因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 8. **因子名称**：integrated_longshort[56] * **因子构建思路**：综合长短单信息的因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 **3. 分钟频因子** 1. **因子名称**：Amihud_illiq[5][58] * **因子构建思路**：衡量股票非流动性的因子，基于Amihud非流动性指标构建[5][58]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[58]。经典的Amihud非流动性指标计算公式通常为： $$Illiq_{it} = \frac{|R_{it}|}{VOLD_{it}}$$ 其中，$R_{it}$为股票i在第t日的收益率，$VOLD_{it}$为股票i在第t日的成交金额（以万元计）。因子值通常取一定时间窗口内的平均值。 * **因子评价**：在全市场月度换仓条件下，该因子近期表现较好，近一月RankIC均值为16.88%，历史RankIC均值为11.17%，历史胜率为74.95%[5][58]。 2. **因子名称**：real_var[56] * **因子构建思路**：日内已实现方差因子，衡量股票日内价格波动[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 3. **因子名称**：real_skew[56] * **因子构建思路**：日内已实现偏度因子，衡量股票日内收益率分布的不对称性[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 4. **因子名称**：real_kurtosis[56] * **因子构建思路**：日内已实现峰度因子，衡量股票日内收益率分布的尖峭程度[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 **4. 风格因子** 报告列出了盈利、成长、杠杆、流动、技术、规模、质量、估值共8大类45个风格因子[5][59][60]。这些均为传统基本面与市场面因子，报告未提供其具体构建过程。部分示例如下： 1. **因子名称**：销售净利率、毛利率、ROE、ROA（盈利类）[59] 2. **因子名称**：股东权益增长率、净利润增长率、EPS增长率（成长类）[59] 3. **因子名称**：资产负债率、长期负债比率（杠杆类）[59] 4. **因子名称**：1个月成交金额、换手率（流动类）[59] 5. **因子名称**：一个月股价反转、三个月股价反转（技术类）[59] 6. **因子名称**：流通市值、总资产（规模类）[59] 7. **因子名称**：存货周转率、流动比率（质量类）[60] 8. **因子名称**：EP、BP、SP、DP（估值类）[60] 因子的回测效果（全市场，月度换仓） 以下为报告“表1：因子表现分析（全市场，月度换仓）”中部分因子的历史表现汇总[56][58][59][60]。指标包括：近一周RankIC均值、近一月RankIC均值、近一年RankIC均值、历史以来RankIC均值、历史胜率。 1. **agru_dailyquote因子**，近一周RankIC均值5.18%，近一月RankIC均值12.44%，近一年RankIC均值14.42%，历史以来RankIC均值13.94%，历史胜率91.63%[56] 2. **DL_1因子**，近一周RankIC均值4.00%，近一月RankIC均值19.68%，近一年RankIC均值16.48%，历史以来RankIC均值14.08%，历史胜率87.97%[56] 3. **fimage因子**，近一周RankIC均值-0.17%，近一月RankIC均值3.95%，近一年RankIC均值3.92%，历史以来RankIC均值5.17%，历史胜率78.11%[56] 4. **integrated_bigsmall_longshort因子**，近一周RankIC均值-4.74%，近一月RankIC均值15.18%，近一年RankIC均值9.78%，历史以来RankIC均值11.10%，历史胜率75.86%[56] 5. **Amihud_illiq因子**，近一周RankIC均值-3.21%，近一月RankIC均值16.88%，近一年RankIC均值13.34%，历史以来RankIC均值11.17%，历史胜率74.95%[58] 6. **一个月股价反转因子**，近一周RankIC均值-13.27%，近一月RankIC均值-4.60%，近一年RankIC均值-9.14%，历史以来RankIC均值-7.01%，历史胜率68.05%[59] 7. **BP(行业相对)因子**，近一周RankIC均值-2.04%，近一月RankIC均值7.28%，近一年RankIC均值6.13%，历史以来RankIC均值6.29%，历史胜率71.92%[60] 模型的回测效果（指数增强） 以下为报告第二部分中，三个深度学习因子在控制行业、市值等偏离度，并进行月末换仓、双边千三计费的条件下，于“沪深300”板块进行指数增强策略的回测表现（2020-2025年）[21][34][49]。指标包括：总收益、年化收益率、最大回撤率、年化波动率、信息比率(IR)、夏普比率、收益回撤比。 1. **agru_dailyquote因子模型**，总收益68.73%，年化收益率9.29%，最大回撤率-7.29%，年化波动率4.30%，信息比率(IR)2.16，夏普比率1.58，收益回撤比1.27[21] 2. **DL_1因子模型**，总收益39.95%，年化收益率5.87%，最大回撤率-9.15%，年化波动率4.37%，信息比率(IR)1.34，夏普比率0.77，收益回撤比0.64[34] 3. **fimage因子模型**，总收益45.52%，年化收益率6.58%，最大回撤率-3.58%，年化波动率3.70%，信息比率(IR)1.78，夏普比率1.10，收益回撤比1.84[49]

量化模型与构建方式 1. 动态因子调整模型（小盘股票池“2+3”模型） * **模型名称**： 小盘股票池“2+3”动态因子调整模型[4][98] * **模型构建思路**： 针对小盘股票池因子表达稳定、动量效应强的特点，结合固定有效因子与动态动量筛选，并剔除高失效风险的因子，构建动态选股模型[4][93][98]。 * **模型具体构建过程**： 1. **固定因子选择**： 每期固定选择估值因子（BTOP）和残差波动率因子（VOLATILITY）[98]。 2. **动态因子筛选**： * **剔除高失效风险因子**： 在每个月末，剔除当期条件失效概率高于80%的因子[93][98]。 * **计算动量评分**： 对剩余因子，计算其中期动量（过去6个月RankIC均值）和长期动量（过去3至12个月RankICIR均值）[4][82]。 * **选择动态因子**： 根据动量评分，选取评分最高的前3个因子[98]。 3. **模型合成**： 将2个固定因子与3个动态筛选出的因子结合，构成每期用于选股的5个因子集合[98]。 4. **组合构建**： 使用这5个因子对股票进行等权打分，选取得分最高的50只股票构建等权投资组合[103]。 2. 动态因子调整模型（大盘股票池综合打分模型） * **模型名称**： 大盘股票池综合打分动态因子调整模型[4][109] * **模型构建思路**： 针对大盘股票池因子表达剧烈、失效反转风险高的特点，采用更严格的因子剔除标准，并将失效概率信息融入综合评分，以动态选择因子[4][106][109]。 * **模型具体构建过程**： 1. **初步剔除高失效风险因子**： 在每个月末，首先剔除当期条件失效概率高于70%的因子[109]。 2. **构建综合评分**： 对剩余因子，构建综合评分。评分结合了正向的动量指标和负向的失效风险指标[87][88]。 * **动量指标**： 包括中期动量（过去6个月RankIC均值）和长期动量（过去3至12个月RankICIR均值）[4][82]。 * **失效风险指标**： 使用条件失效概率 $P$（次月失效|当月状态）[74][87]。将失效风险转化为负向评分，例如使用 $1 - P$ 的形式[88]。 3. **选择动态因子**： 根据综合评分，选取评分最高的前5个因子[109]。 4. **组合构建**： 使用这5个因子对股票进行等权打分，并构建投资组合[109]。 3. 因子动量评估指标 * **指标名称**： 因子RankIC动量指标[4][62][66] * **指标构建思路**： 通过计算当期因子选股能力（RankIC）与历史不同窗口期选股能力均值之间的相关性，来刻画因子的动量效应，并寻找最优的动量观察窗口[4][63][66]。 * **指标具体构建过程**： 1. **定义动量窗口**： 使用“m_n”表示从过去第m个月开始，到过去第n个月结束的历史数据均值。例如，“3_12”表示跳空最近3个月，回溯过去第3至第12个月共10个月的数据均值[66]。 2. **计算历史动量**： 对于每个因子，在时间截面 $t$，计算其在指定历史窗口（如“3_12”）内的RankIC（或RankICIR）的均值，作为该因子的历史动量值 $Momentum_{t}^{m\_n}$[4][66]。 3. **评估动量效应**： 在时间截面 $t$，计算所有因子当期RankIC值 $RankIC_t$ 与其对应的历史动量值 $Momentum_{t}^{m\_n}$ 的截面斯皮尔曼秩相关系数[65]。该相关系数越高，表明因子的选股能力在指定窗口下延续性（动量效应）越强[66]。 4. **确定最优参数**： 通过比较不同“m_n”参数组合下的平均相关系数，发现“3_12”窗口（即近端跳空3个月，回溯12个月）的动量效应最为稳健和显著，被确立为最优动量窗口[4][66]。 4. 因子条件失效概率指标 * **指标名称**： 因子条件失效概率[4][72][74] * **指标构建思路**： 基于因子当期有效性状态，通过滚动历史窗口统计其下一期陷入或维持失效状态的概率，用以评估因子短期反转的潜在风险[4][74]。 * **指标具体构建过程**： 1. **定义状态**： 在每个月末，根据因子当期RankIC值的正负（是否符合预期方向）将其划分为“有效”或“失效”两种状态[74]。 2. **构建转移矩阵**： 滚动过去一年的历史数据，统计因子从“当月有效”转移到“次月失效”的频率，以及从“当月失效”维持到“次月失效”的频率[72][74]。 3. **计算条件概率**： 以当期因子的状态（有效或失效）为条件，计算其次月失效的条件概率 $P$（次月失效|当月状态）[74][87]。该概率即为当期关注的因子失效指标。 5. 因子收益与选股能力背离指标 * **指标名称**： 因子收益与RankIC滚动相关系数[55][56] * **指标构建思路**： 通过计算因子收益率与其实际选股能力（RankIC）在滚动窗口内的相关性，识别因子回报是否由基本面选股Alpha驱动，以预警交易拥挤和失效风险[55][56]。 * **指标具体构建过程**： 1. **计算时间序列**： 对于每个一级风格因子，分别计算其因子收益率时间序列和RankIC时间序列[55]。 2. **滚动计算相关性**： 采用6个月的向前滚动窗口（T-5期至T期），计算两个序列的斯皮尔曼秩相关系数[55]。 3. **设定风险阈值**： 分析发现，当滚动相关系数的绝对值突破0.75的阈值时，往往预示着因子面临显著的短期失效风险[4][57][60]。极端正相关可能反映“因子拥挤”，极端负相关可能反映市场的“非理性过激”[60]。 量化因子与构建方式 **注**：报告详细分析了一个包含15个一级风格因子的体系，但未提供所有因子的具体计算公式，仅给出了描述性定义[8]。以下列出报告中明确提及并进行分析的核心因子。 1. 估值类因子 * **因子名称**： 账面市值比（BTOP）[8][39] * **因子构建思路**： 属于估值因子，衡量股票的相对便宜程度，通常认为账面价值相对市值越高，股票未来回报可能越高[8]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“账面价值除以当前市值”[8]。 * **因子名称**： 股息率（DIVIDEND）[8][39] * **因子构建思路**： 属于估值因子，衡量公司分红回报水平，通常认为股息率越高，股票可能更具投资价值[8]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“滚动过去一年股息水平”[8]。 * **因子名称**： 盈利收益率（EARNING）[8][39] * **因子构建思路**： 属于估值/盈利因子，衡量公司盈利相对于市值的水平，通常认为盈利收益率越高，股票估值可能越低[8]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“各类盈利 vs 市值”[8]。 * **因子评价**： 估值类因子在大盘股内表现相对极端，选股力度可能更强但方向把控需更精准；BTOP因子在小盘股中优势更明显[39]。在慢牛、震荡、下行市场中更倾向正向表达[30]。 2. 质量类因子 * **因子名称**： 盈利变异性（EARNINGVAR）[8][50] * **因子构建思路**： 属于质量因子，衡量公司盈利的稳定程度，通常认为盈利波动越小，公司质量越高，未来股票回报可能越高（负向因子）[50]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“营业收入、净利润、现金的变异程度”[8]。 * **因子名称**： 盈收质量（PROFITABLITY）[8][50] * **因子构建思路**： 属于质量因子，衡量公司盈利的质量和水平，通常认为盈利质量越高，公司基本面越好，未来股票回报可能越高（正向因子）[50]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“营收、利润等水平”[8]。 * **因子评价**： 质量类因子在大盘股内存在明显的正向优势，选股区分度高，但在成长股票池内的选股效果弱于其他池[47][50]。盈收质量因子在2021年前后出现有效性分水岭[50]。 3. 价量类因子 * **因子名称**： 动量（MOMENTUM）[8][46] * **因子构建思路**： 属于价量因子，认为过去表现好的股票在未来一段时间内会延续其趋势（报告中定义方向为负）[8][46]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“收益率、alpha的动量”[8]。 * **因子评价**： 动量因子在大盘股内持续正向表达，大盘股动量效应显著；而在小盘股内反转效应显著[4][46]。该因子属于失效概率较高的因子之一[4][78]。 4. 波动与流动性因子 * **因子名称**： 残差波动率（VOLATILITY）[8][40] * **因子构建思路**： 属于波动率因子，衡量股票剔除市场影响后的特异性风险，通常认为波动率越低，股票风险越小，未来回报可能越高（负向因子）[8][40]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“收益与时间回归残差项的波动率”[8]。 * **因子名称**： 流动性（LIQUIDITY）[8][40] * **因子构建思路**： 属于流动性因子，衡量股票的交易便利程度，通常认为流动性越差，股票需要提供更高的风险补偿（负向因子）[8][40]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“短、中、长期的流动性”[8]。 * **因子评价**： 波动率和流动性因子在各个股票池内大多保持稳定的负向表达，失效概率较低[20][40][78]。当其RankIC出现异常正向放大后，市场往往上行[41]。 模型的回测效果 1. 小盘股票池“2+3”动态因子调整模型 * **回测区间**： 2016年1月4日 至 2025年11月28日[103] * **基准**： 中证1000与中证2000指数等权[103] * **业绩指标**： * 年化收益： 8.83%[103] * 年化波动： 21.08%[103] * 夏普比率： 0.42[103] * 最大回撤： 38.67%[103] * 卡玛比率： 0.23[103] * 超额年化收益： 11.47%[103] * 超额波动： 13.82%[103] * 信息比率（IR）： 0.83[103] * 超额最大回撤： 21.10%[103] 因子的回测效果 **注**：报告提供了多个因子在不同股票池和不同年份的RankICIR具体数值及排名[18][22][25][27][34][36][38][46][48][50]。以下选取全区间（约2013-2025年）在特定股票池的RankICIR均值进行概括性展示，以反映因子的长期表现差异。 1. 大盘股票池（沪深300）全区间RankICIR均值 * **BETA**: -0.19[22] * **BTOP**: 0.17[22] * **DIVIDEND**: 0.28[22] * **EARNING**: -0.26[22] * **EARNINGVAR**: 0.22[22] * **GROWTH**: -0.22[22] * **INVENSTMENT**: 0.18[22] * **LEVERAGE**: 0.01[22] * **LIQUIDITY**: -0.38[22] * **LTREVERSAL**: 0.14[22] * **MIDCAP**: -0.11[22] * **MOMENTUM**: 0.03[22] * **PROFITABLITY**: 0.00[22] * **SIZE**: 0.10[22] * **VOLATILITY**: -0.27[22] 2. 小盘股票池（中证1000+中证2000）全区间RankICIR均值 * **BETA**: -0.05[22] * **BTOP**: 0.37[22] * **DIVIDEND**: 0.37[22] * **EARNING**: -0.25[22] * **EARNINGVAR**: 0.23[22] * **GROWTH**: -0.11[22] * **INVENSTMENT**: 0.12[22] * **LEVERAGE**: 0.02[22] * **LIQUIDITY**: -0.54[22] * **LTREVERSAL**: 0.25[22] * **MIDCAP**: -0.36[22] * **MOMENTUM**: 0.06[22] * **PROFITABLITY**: -0.38[22] * **SIZE**: -0.39[22] * **VOLATILITY**: -0.39[22] 3. 成长股票池全区间RankICIR均值 * **BETA**: -0.13[25] * **BTOP**: 0.09[25] * **DIVIDEND**: 0.20[25] * **EARNING**: -0.23[25] * **EARNINGVAR**: 0.14[25] * **GROWTH**: -0.16[25] * **INVENSTMENT**: 0.21[25] * **LEVERAGE**: 0.01[25] * **LIQUIDITY**: -0.38[25] * **LTREVERSAL**: 0.09[25] * **MIDCAP**: -0.12[25] * **MOMENTUM**: 0.01[25] * **PROFITABLITY**: 0.08[25] * **SIZE**: 0.03[25] * **VOLATILITY**: -0.18[25] 4. 价值股票池全区间RankICIR均值 * **BETA**: -0.15[27] * **BTOP**: 0.22[27] * **DIVIDEND**: 0.34[27] * **EARNING**: -0.20[27] * **EARNINGVAR**: 0.25[27] * **GROWTH**: -0.19[27] * **INVENSTMENT**: 0.12[27] * **LEVERAGE**: -0.04[27] * **LIQUIDITY**: -0.42[27] * **LTREVERSAL**: 0.13[27] * **MIDCAP**: -0.25[27] * **MOMENTUM**: -0.17[27] * **PROFITABLITY**: 0.08[27] * **SIZE**: -0.08[27] * **VOLATILITY**: -0.40[27]

量化模型与构建方式 1. 模型名称：三维择时框架 * **模型构建思路**：通过构建分歧度、流动性、景气度三个维度的指标，综合判断市场走势，当三个维度趋势一致时给出明确的上涨或下跌判断[9]。 * **模型具体构建过程**：模型基于三个核心指标进行判断[9]。 1. **分歧度**：衡量市场参与者观点的离散程度，当前处于下行趋势[9]。 2. **流动性**：衡量市场资金面的松紧程度，当前处于下行趋势[9]。 3. **景气度**：衡量上市公司基本面的繁荣程度，当前处于上行趋势[9]。 当三个指标的趋势方向一致时，框架转为一致的上涨或下跌判断。例如，当前分歧度下行、流动性下行、景气度上行，框架转为一致上涨判断[9]。 2. 模型名称：热点趋势ETF策略 * **模型构建思路**：结合价格形态（支撑阻力）和市场短期关注度（换手率变化）来筛选ETF，构建风险平价组合[30]。 * **模型具体构建过程**： 1. **形态筛选**：根据K线的最高价与最低价的上涨或下跌形态，先选出最高价与最低价同时为上涨形态的ETF[30]。 2. **构建支撑阻力因子**：根据最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子[30]。 3. **关注度筛选**：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的ETF，即短期市场关注度明显提升的品种[30]。 4. **组合构建**：最终选择10只ETF，采用风险平价方法构建组合[30]。 3. 模型名称：ETF三策略融合轮动模型 * **模型构建思路**：将基于基本面、质量低波、困境反转三种不同逻辑的行业轮动策略进行等权融合，实现因子与风格的互补，降低单一策略风险[35]。 * **模型具体构建过程**： 1. **策略构成**：模型融合了三个子策略[35]。 * **行业轮动策略**：核心因子包括超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta，旨在覆盖行业多维度特性[36]。 * **个股风格驱动策略**：核心因子包括个股动量、个股质量、个股波动率，聚焦个股质量与低波，防御性突出[36]。 * **困境反转策略**：核心因子包括PB_zscore、分析师长期预期、短期筹码交换，旨在捕捉估值修复与业绩反转机会[36]。 2. **融合方式**：将三个子策略的选股结果进行等权组合[35]。 4. 模型名称：融资-主动大单资金流共振策略 * **模型构建思路**：利用融资融券资金流和主动大单资金流两个维度，通过取交集（在主动大单因子头部行业中剔除融资融券因子头部行业）的方式，筛选出具有资金共振效应的行业，以提高策略稳定性[44][45]。 * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：定义为经过Barra市值因子中性化后的（融资净买入-融券净买入）个股加总值，取最近50日均值后的两周环比变化率[44]。 2. **构建行业主动大单资金因子**：定义为行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值[44]。 3. **策略逻辑**：研究发现融资融券因子的多头端在不同市场状态下有稳定的负向超额收益，而主动大单因子剔除极端多头行业后有稳定正向超额收益。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子的头部行业[45]。 4. **行业剔除**：进一步剔除大金融板块[45]。 5. 因子名称：风格因子（盈利收益率、市值、价值） * **因子构建思路**：报告跟踪了多个风格因子的表现，本周市场呈现“高盈利高市值高价值”的特征[50]。 * **因子具体构建过程**：报告未详细描述具体构建公式，但提及了因子的表现方向。盈利收益率因子代表高盈利个股，市值因子代表高市值个股，价值因子代表高价值个股[50]。 6. 因子名称：Alpha因子（动量、研发收入类等） * **因子构建思路**：从多维度（时间、指数、行业）观察不同因子的表现趋势，计算其多头超额收益（前1/5组）[52]。除规模因子外，均进行了市值、行业中性化处理[52]。 * **因子具体构建过程**：报告列出了多个因子的近期表现和释义，例如： * **一年期动量因子 (pb_roe)**：近一周多头超额收益1.13%，定义为“1年-1个月的收益率”[55]。 * **研发销售收入占比因子 (safexp_operrev)**：近一周多头超额收益1.04%[55]。 * **销售费用因子 (ep_q_adv)**：近一周多头超额收益0.96%，定义为“管理费用/总销售收入”[55]。 7. 模型名称：多风格增强策略（质量增强、红利增强等） * **模型构建思路**：在多风格策略的基础上叠加增强因子，通过在其他风格端增厚收益，抑制单一风格波动，实现在不同周期下的稳定超额[58]。 * **模型具体构建过程**：报告未详细描述具体增强因子的构建方法，但展示了基于不同风格（质量、红利、长期成长、价值、低波、短期动量、长期动量）的增强策略及其绩效[62]。 模型的回测效果 1. 热点趋势ETF策略 * 今年以来收益率：34.49%[30] * 相比沪深300指数的超额收益：19.58%[30] 2. ETF三策略融合轮动模型 * 截至2025年12月12日组合收益率：12.11%[39] * 夏普率：0.73[39] * 今年以来组合收益率：25.60%[39] * 信息比率 (IR)：1.09 (All)[40] * 最大回撤：-24.55% (All)[40] * 分年度绩效详见报告表4[40] 3. 融资-主动大单资金流共振策略 * 2018年以来费后年化超额收益：14.3%[45] * 信息比率 (IR)：1.4[45] * 策略上周（截至报告期）绝对收益：-0.27%[45] * 策略上周（截至报告期）超额收益（相对行业等权）：0.37%[45] 4. 多风格增强策略（截至2025年12月12日） * **质量增强策略**：本周超额收益率2.00%，本年超额收益率-0.01%，最近一年年化收益率18.89%，夏普率1.54，区间最大回撤-5.73%[62] * **红利增强策略**：本周超额收益率0.62%，本年超额收益率13.71%，最近一年年化收益率17.45%，夏普率1.45，区间最大回撤-5.88%[62] * **长期成长增强策略**：本周超额收益率-0.97%，本年超额收益率4.29%，最近一年年化收益率24.26%，夏普率1.40，区间最大回撤-12.76%[62] * **价值增强策略**：本周超额收益率-1.97%，本年超额收益率-12.03%，最近一年年化收益率8.76%，夏普率0.54，区间最大回撤-11.34%[62] * **低波增强策略**：本周超额收益率-2.08%，本年超额收益率4.30%，最近一年年化收益率22.72%，夏普率1.73，区间最大回撤-8.73%[62] * **短期动量增强策略**：本周超额收益率-1.86%，本年超额收益率-15.35%，最近一年年化收益率6.46%，夏普率0.46，区间最大回撤-9.14%[62] * **长期动量增强策略**：本周超额收益率-1.20%，本年超额收益率-16.31%，最近一年年化收益率7.55%，夏普率0.55，区间最大回撤-9.53%[62] 量化因子与构建方式 （注：报告中提及的Alpha因子和风格因子，其具体构建方式已在上述“量化模型与构建方式”部分的第5、6点中说明，此处不再重复列出。） 因子的回测效果 1. 风格因子（本周表现） * 盈利收益率因子：正收益2.04%[50] * 市值因子：正收益1.51%[50] * 价值因子：正收益1.37%[50] 2. Alpha因子（近一周多头超额收益，截至2025年12月12日） * 一年期动量因子 (pb_roe)：1.13%[55] * 研发销售收入占比因子 (safexp_operrev)：1.04%[55] * 销售费用因子 (ep_q_adv)：0.96%[55] 3. 分指数Alpha因子表现（上周多头超额收益，截至2025年12月12日，前20因子示例） * **单季度ROA同比差值（考虑快报、预告）因子 (roa_q_delta_adv)**：在沪深300中超额收益25.52%，在中证500中10.16%，在中证800中17.88%，在中证1000中21.98%[57] * **单季度ROE同比差值（考虑快报、预告）因子 (roe_q_delta_adv)**：在沪深300中超额收益24.15%，在中证500中11.37%，在中证800中19.46%，在中证1000中20.24%[57] * **一致预期净利润变化（FY1）因子 (mom1_np_fy1)**：在沪深300中超额收益14.41%，在中证500中18.54%，**在中证800中21.49%**，在中证1000中15.27%[57] * **研发总资产占比因子 (tot_rd_ttm_to_assets)**：在沪深300中超额收益11.41%，**在中证500中20.25%**，在中证800中19.65%，在中证1000中16.88%[57] * **单季度净利润同比增速（考虑快报、预告）因子 (yoy_np_q_adv)**：在沪深300中超额收益22.25%，在中证500中9.56%，在中证800中15.85%，**在中证1000中22.74%**[57]

根据研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 Barra风格因子 1. **因子名称**：Beta因子[15] * **因子构建思路**：衡量股票相对于市场的系统性风险[15] * **因子具体构建过程**：使用历史数据计算股票的历史beta值[15] 2. **因子名称**：市值因子[15] * **因子构建思路**：衡量公司规模大小[15] * **因子具体构建过程**：取公司的总市值的自然对数[15] * **公式**：$$ \text{市值因子} = \ln(\text{总市值}) $$[15] 3. **因子名称**：动量因子[15] * **因子构建思路**：衡量股票价格的趋势强度[15] * **因子具体构建过程**：计算历史超额收益率序列的均值[15] 4. **因子名称**：波动因子[15] * **因子构建思路**：衡量股票价格的波动性[15] * **因子具体构建过程**：通过加权组合多个波动指标来构建[15] * **公式**：$$ \text{波动因子} = 0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率} $$[15] 5. **因子名称**：非线性市值因子[15] * **因子构建思路**：捕捉市值因子的非线性效应[15] * **因子具体构建过程**：对市值风格因子取三次方[15] * **公式**：$$ \text{非线性市值因子} = (\text{市值风格})^3 $$[15] 6. **因子名称**：估值因子[15] * **因子构建思路**：衡量股票的估值水平[15] * **因子具体构建过程**：使用市净率的倒数[15] * **公式**：$$ \text{估值因子} = \frac{1}{\text{市净率}} $$[15] 7. **因子名称**：流动性因子[15] * **因子构建思路**：衡量股票的换手和交易活跃度[15] * **因子具体构建过程**：通过加权不同时间窗口的换手率来构建[15] * **公式**：$$ \text{流动性因子} = 0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率} $$[15] 8. **因子名称**：盈利因子[15] * **因子构建思路**：衡量公司的盈利能力[15] * **因子具体构建过程**：通过加权多个盈利相关指标来构建[15] * **公式**：$$ \text{盈利因子} = 0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率 ttm 倒数} $$[15] 9. **因子名称**：成长因子[15] * **因子构建思路**：衡量公司的成长性[15] * **因子具体构建过程**：通过加权多个增长类指标来构建[15] * **公式**：$$ \text{成长因子} = 0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率} $$[15] 10. **因子名称**：杠杆因子[15] * **因子构建思路**：衡量公司的财务杠杆水平[15] * **因子具体构建过程**：通过加权多个杠杆率指标来构建[15] * **公式**：$$ \text{杠杆因子} = 0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率} $$[15] 技术类因子 1. **因子名称**：中位数离差因子[21] * **因子构建思路**：衡量股价相对于其中位数位置的偏离程度[21] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[21] 2. **因子名称**：20日/60日/120日波动因子[21][24][26][31] * **因子构建思路**：衡量不同时间窗口下股票价格的波动率[21][24][26][31] * **因子具体构建过程**：未详细说明计算过程，因子方向均为反向[21][24][26][31] 3. **因子名称**：20日/60日/120日动量因子[21][24][26][31] * **因子构建思路**：衡量不同时间窗口下股票价格的动量效应[21][24][26][31] * **因子具体构建过程**：未详细说明计算过程，因子方向在不同股池中有所不同（反向或正向）[21][24][26][31] 基本面因子 1. **因子名称**：净利润超预期增长因子[23][28] * **因子构建思路**：衡量公司净利润增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 2. **因子名称**：营业利润率超预期增长因子[23][28] * **因子构建思路**：衡量公司营业利润率增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 3. **因子名称**：ROC超预期增长因子[23][28] * **因子构建思路**：衡量公司投入资本回报率（ROC）增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 4. **因子名称**：ROA超预期增长因子[23][28] * **因子构建思路**：衡量公司总资产回报率（ROA）增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 5. **因子名称**：营业利润率因子[23][28] * **因子构建思路**：衡量公司的营业利润水平[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 6. **因子名称**：市盈率因子[23][28] * **因子构建思路**：衡量股票的估值水平[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 7. **因子名称**：营业利润增长因子[23][28] * **因子构建思路**：衡量公司营业利润的增长情况[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 8. **因子名称**：ROA增长因子[23][28] * **因子构建思路**：衡量公司总资产回报率（ROA）的增长情况[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 9. **因子名称**：ROA因子[23][28] * **因子构建思路**：衡量公司的总资产回报率[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 10. **因子名称**：营业周转率因子[23][28] * **因子构建思路**：衡量公司的营运效率[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 11. **因子名称**：ROE因子[23][28] * **因子构建思路**：衡量公司的净资产收益率[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 12. **因子名称**：ROE增长因子[23][28] * **因子构建思路**：衡量公司净资产收益率（ROE）的增长情况[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向在不同股池中有所不同（反向或正向）[23][28] 13. **因子名称**：市销率因子[23][28] * **因子构建思路**：衡量股票的估值水平[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 14. **因子名称**：ROC因子[28] * **因子构建思路**：衡量公司的投入资本回报率[28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[28] GRU模型/因子 1. **模型/因子名称**：barra1d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用Barra因子体系和1天频率数据[3][7][20][22][25][27][33][34] 2. **模型/因子名称**：barra5d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用Barra因子体系和5天频率数据[3][7][20][22][25][27][33][34] 3. **模型/因子名称**：open1d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用开盘价等数据和1天频率[3][7][20][22][25][27][33][34] 4. **模型/因子名称**：close1d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用收盘价等数据和1天频率[3][7][20][22][25][27][33][34] 5. **模型/因子名称**：多因子模型/组合[7][33][34] * **模型/因子构建思路**：综合多个因子的选股模型/组合[7][33][34] 因子与模型的回测效果 风格因子多空收益表现（全市场股池）[17] | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | Beta | -5.67% | -10.16% | 0.23% | 21.16% | 8.24% | 8.91% | | 动量 | 4.04% | -9.28% | -24.23% | 18.32% | 18.79% | 17.46% | | 流动性 | -2.91% | 6.35% | 10.32% | 11.43% | 20.28% | 25.19% | | 市值 | 2.67% | 18.45% | 12.73% | 41.09% | -41.83% | 35.00% | | 非线性市值 | 1.80% | -7.67% | 12.29% | 35.55% | -39.36% | -30.88% | | 成长 | 1.59% | -2.69% | 0.12% | 2.47% | 9.39% | 4.68% | | 盈利 | 1.13% | 0.03% | 9.73% | 15.36% | 4.15% | 1.33% | | 波动 | 1.35% | -1.31% | 11.73% | 4.82% | 7.11% | 10.88% | | 杠杆 | 1.36% | 3.48% | -4.29% | 15.46% | 7.39% | 1.78% | | 估值 | 1.45% | 4.88% | 0.12% | 2.98% | 15.31% | 16.54% | 技术类因子多空收益表现（全市场股池）[21] | 因子名称 | 因子方向 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 中位数离差 | 反向 | -1.30% | -3.34% | -8.94% | -7.74% | -13.43% | -14.47% | | 60日波动 | 反向 | -0.67% | -3.35% | -6.01% | 7.37% | -8.50% | -11.67% | | 60日动量 | 反向 | -10.66% | -0.05% | -5.41% | -5.73% | -10.97% | -15.73% | | 120日波动 | 反向 | 0.50% | -4.08% | -7.42% | 11.22% | -5.62% | -19.07% | | 120日动量 | 反向 | 0.13% | 0.13% | -9.58% | -3.53% | -13.38% | -14.03% | | 20日波动 | 反向 | 0.08% | -0.79% | -0.12% | 11.01% | -6.06% | -11.20% | | 20日动量 | 反向 | 1.88% | 5.00% | 8.13% | -5.82% | -8.58% | -11.48% | GRU因子多空收益表现（全市场股池）[3][5][20] （报告中提及表现分化，barra1d和open1d略有回撤，barra5d和close1d表现强势，但未提供具体数值表格） 基本面因子多空收益表现（沪深300股池）[23] | 因子名称 | 因子方向 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 净利润超预期增长 | 正向 | 3.62% | -2.63% | 23.49% | 37.43% | 5.68% | 6.03% | | 营业利润率超预期增长 | 正向 | 1.77% | 1.65% | 10.14% | 2.46% | -2.55% | 3.53% | | 营业利润率 | 反向 | -1.53% | 4.26% | 5.55% | 8.91% | -6.55% | 7.13% | | ROC超预期增长 | 正向 | -1.42% | 0.20% | 20.40% | 33.42% | 9.24% | 4.87% | | 市盈率 | 反向 | 1.00% | -0.03% | 1.31% | -0.59% | -8.84% | -10.37% | | 营业利润增长 | 正向 | 0.94% | 0.68% | 15.55% | 20.17% | 3.39% | 2.60% | | ROA超预期增长 | 正向 | 0.73% | 0.19% | 3.16% | 11.22% | 6.62% | 9.17% | | ROA增长 | 正向 | -0.70% | 0.10% | 17.22% | 25.43% | 3.84% | 8.17% | | ROA | 反向 | 0.63% | -4.31% | 5.02% | 4.56% | -10.69% | -13.61% | | 营业周转率 | 反向 | -0.54% | -5.65% | 5.46% | 10.28% | -6.19% | -11.13% | | ROE | 反向 | 0.18% | 2.01% | 1.79% | 0.46% | -10.94% | -8.18% | | ROE增长 | 反向 | 0.29% | -2.33% | 8.81% | 12.64% | 1.47% | 0.27% | | 市销率 | 反向 | 0.62% | 1.40% | 6.79% | -8.62% | -11.73% | -9.67% | 技术类因子多空收益表现（沪深300股池）[24] | 因子名称 | 因子方向 | 最近一周 | 最近一月 | 最近半年 |

核心观点 - 报告核心观点为基本面将主导2026年风格因子切换，市场正等待趋势行情确认，配置建议遵循先价值后成长的路径[4] - 宏观量化模型判断2026年风格将经历价值→成长→均衡→价值的切换，当前经济前瞻指标进入上行阶段，盈利预期回升，支持先价值后成长的配置顺序[4] - 市场趋势自2025年8月转入震荡，10月下旬起趋势概率提升，趋势确认后价值因子和长期动量因子将受益，成长因子则在震荡行情中胜率更高[4] 因子表现总结 - 2025年以来成长因子表现突出，在沪深300、中证500和中证1000样本空间内的多空收益分别为37.93%、18.57%和23.05%，而长期动量、低波动率和红利因子出现回撤[9][10][12] - 低波动率因子在沪深300内表现偏弱，多空收益为-15.44%，映射了市场高波动特征，与2017年、2020年市场转好时的低波因子表现不佳情况相似[12][22][25] - 长期动量因子表现偏弱，体现市场行业和板块轮动较快，未形成明确主线，与成长因子在下半年呈现反向特征[12][17][20] 宏观量化框架观点 - 宏观量化框架构建经济、流动性、信用三个维度与风格、行业的对应关系，通过市场对宏观数据的反映构成微观映射，近三年宏观经济周期切换更频繁[36][37][38] - 经济维度显示2024年下半年上行后，2025年上半年转入下行，年末重新出现回升信号，中证800一致预测ROE变化与GDP同比变化历史周期吻合[43] - 流动性维度呈现量与价互相牵制特点，货币政策整体平稳但市场交易利率上行，2025年下半年多数时间流动性被修正为偏弱[54][55][60] - 信用维度在2025年上半年交易信用扩张、与社融吻合，下半年逐步转向交易收缩，11月正式触发修正[65] 2026年权益量化展望 - 宏观维度显示市场关注点从流动性转向经济与通胀，经济基本面成为关键驱动因素，经济前瞻指标进入上行阶段，盈利预期回升[82][85][86] - 市场趋势判断自2025年8月转入震荡，10月下旬起趋势概率提升，价值因子在趋势行情中表现更好（趋势IC胜率达71.05%），成长因子在震荡行情中胜率更高（震荡IC胜率达64%）[92][97][98][101] - 情绪变化自2025年7月以来有支撑，整体偏暖趋势温和，价量一致性企稳，相比2024年"924"行情更稳定[102][104][105] - 行业轮动速度在2025年持续放缓但历史上仍不高，可重点关注拥挤度偏低且形成趋势的行业，如电子、计算机拥挤度缓和，中游企业呈现低拥挤、趋势起步状态[106][108][112][116]

报告行业投资评级 报告未提及行业投资评级相关内容 报告的核心观点 - 聚焦构建风格维度下的可转债多因子体系，建立含115个因子、五类风格因子的"行为 - 估值 - 波动"三维逻辑基础框架，通过非线性组合优化获取超额收益，为资产配置提供量化策略支持 [1] - 低利率与资产荒下，资金向"固收+"倾斜，可转债市场进入"结构分化 - 定价复杂化 - 策略精细化"阶段，构建风格维度的转债多因子体系是应对供需错配与估值高位的策略选择，也是固收+体系下资产精细化配置的必然方向 [2][27] 根据相关目录分别进行总结 引言 - 2025年在权益市场带动下，转债市场持续走强，呈现成交活跃、存量稳定、结构分化特征，截至11月4日，近一月日均成交额约660亿元，存续可转债415只，总规模约5957亿元，价格分布偏向中高价区间 [12] - 量化方法在可转债市场适用性增强，T+0机制与高频交易结构提供丰富价量信息，可转债股债混合特征使多因子体系能在五个维度系统应用 [13] 近年来转债市场扩容明显 可转债，兼具股债属性的"混合型资产" - 可转债是含期权属性的复合证券，兼具债性与股性，市场存量为5957亿元、415只，成交集中于头部券种，为多因子模型提供样本与统计基础 [15][16] - 与股票相比，可转债下行有债性保护、上行享股性弹性，波动介于股债之间，交易规则更灵活 [19] - 可转债市场高频、活跃、非完全有效，量化方法适用性显著，高频交易数据支撑模型稳定，行为因子有效，股债联动性因子提供Alpha来源，交易制度优势促进策略可实现 [17][19] 低利率下，固收+扩容驱动下策略必要性 - 低利率与资产荒使资金向"固收+"倾斜，推动可转债市场繁荣，资金与供给错配为量化和系统化策略提供土壤 [18] - 截至2025Q3，公募管理规模提升，份额结构"权益扩张、债基收缩"，资金在风险与收益间寻找"中性区间" [20] - 2025年以来，公募基金被动化与均衡化趋势显著，二级债基与被动债券指数基金扩容，二级债基含权属性凸显，将成增量资金配置重点 [21] - 2025年以来转债供给新增放缓，配置需求上升，截至Q3，公募基金持有转债规模达3529亿元，市场形成"高估值—高持仓—低供给"格局，转债在震荡市有相对收益优势 [23] - 构建基于风格维度的转债多因子体系是应对供需错配与估值高位的策略选择，是固收+体系下资产精细化配置的必然方向 [27] 风格因子视角下的转债与权益 风格因子：从Barra体系看权益市场的系统刻画 - 风格因子是刻画资产共性与系统性差异的核心维度，Barra模型将资产收益分解为风格因子收益与特质收益之和，通过因子暴露量化分析，投资者可识别收益来源、控制风险和实现风格中性化管理 [28][29] - 权益市场中，Barra模型将风格因子分为估值、成长等，这些因子构成"风格地图"，市场风格轮动是因子收益交替主导过程 [29] 风格视角下的转债市场：偏股、平衡、偏债的结构划分 - 可转债收益结构是"股性因子暴露 + 债性防御因子暴露"组合，市场形成偏股型、平衡型、偏债型三种风格，这种划分反映资产风险收益特征，为因子分层与策略构建提供基础 [33] - 偏股型转债股性主导，弹性高、波动大，适合风险偏好高的投资者；平衡型转债股债共振，风险收益均衡，是多因子模型"基准层"或组合核心配置；偏债型转债债性主导，防御性强，在风险偏好下行时是避险资金配置方向 [33] - 转债市场风格分布是权益Barra因子的"压缩映射"，从风格维度刻画转债有助于理解市场结构与轮动规律，为构建多因子选券体系提供框架 [34] 慢牛预期下，转债市场股性偏强 - 转债市场定价逻辑从"债券属性主导"向"权益属性强化"转变，资金结构与估值变化推动股性强化与风格偏移 [35] - 中证转债指数与中证1000、2000指数同频共振，2025年5月以来股性属性明显抬升，市场波动由权益端驱动，转债从"固收替代品"演化为"权益弹性补充" [36][37] - 股性偏强是因高价转债集中度提升，债底约束减弱，固收+资金形成"类权益配置"需求，宏观流动性与利率环境稳定支撑转债估值 [37][39] - 转债市场从"利率主导防御型"转向"风险偏好主导弹性型"，应重视与正股联动性相关的因子体系，未来转债市场将维持"高估值 - 高波动 - 高股性"特征，风格因子对收益差异解释力上升 [40] 多因子转债体系介绍，从五类风格因子到系统回测框架 - 构建涵盖115个日频因子的多维度体系，选取估值、动量、波动率、流动性与量价相关性五个风格维度，形成完整可转债量化框架 [41] - 估值因子反映定价偏离，是中长期收益核心来源；波动率与流动性因子在交易行情中信号显著；动量与量价相关性因子在高估值环境下有效性下降 [41] - 选择日频数据构建多因子体系，因可转债T+0机制和投资者结构使市场日内价量波动大，日频数据能保留信号有效性，兼顾信号敏感性与执行可行性 [44][45] 可转债多因子体系与回测结果 五类风格因子历史表现 - 对五类风格因子及等权合成因子进行回测（2021 - 2025年），不同风格因子风险收益特征差异显著 [46] - 动量因子年化超额收益10.65%，波动率因子年化超额收益8.19%，表现突出；流动性因子年化超额收益7.68%，表现不错；五因子等权合成因子年化5.87%、估值因子年化4.18%、量价相关性因子年化1.83%，表现尚可 [47] - 动量因子捕捉价格趋势效应，换手率高，是高频交易主动策略；波动率因子风险调整后收益高、回撤低，源于风险定价补偿和规避"波动率陷阱"，换手率低，实践价值高 [48] - 简单等权合成并非最优解，后续应聚焦动态因子权重配置，提升优势因子权重，降低弱势因子权重 [49] 组合优化逻辑 - 单一因子投资存在收益波动剧烈、因子协同性不足、交易成本侵蚀明显、风格偏离风险等短板 [53] - 采用非线性优化框架构建组合，以因子值最大化（最小化）为目标，以市值、行业、风格和个券权重为约束条件，求解最优因子权重下的转债投资组合 [54] - 回测显示，2021年以来市场中性下流动性因子表现最佳，量价因子、动量因子其次，组合优化目的是以适当风险博取高收益，投资者需注意风格错配下的超额回撤风险 [56][57] 后续优化逻辑 - 后续优化应从"等权合成"转向"基于历史表现的加权合成"，以动量因子和估值因子为例，等权合成会受内部表现差的细分因子拖累 [58] - 后续优化方法包括基于风险指标加权、基于收益指标加权、直接优化法，以提升大类因子有效性 [59] 后续策略优化 事件驱动：把握条款博弈的确定性机会 - 事件驱动策略利用发行人主动行为引发的价格重估获取回报，收益与传统市场因子相关性低，需建立事件数据库与实时监控机制 [61][62] - 下修事件驱动策略包括事前筛查、事中应对、事后退出，下修可提升转债价值；回购事件驱动策略监测上市公司回购公告，可增强个券配置价值 [62] 错误定价：挖掘期权价值的认知偏差 - 错误定价策略源于市场对转债内嵌期权价值错误评估，策略方法包括构建理论价值模型、识别偏差、组合应用，收益来源于市场对期权价值认知的修正 [63]

根据研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 Barra风格因子 **1 因子名称：Beta** **因子构建思路：** 衡量股票相对于市场的系统性风险[15] **因子具体构建过程：** 采用历史beta值进行计算[15] **2 因子名称：市值** **因子构建思路：** 衡量公司规模大小[15] **因子具体构建过程：** 对总市值取自然对数[15] $$市值 = ln(总市值)$$ **3 因子名称：动量** **因子构建思路：** 衡量股票价格趋势[15] **因子具体构建过程：** 计算历史超额收益率序列的均值[15] **4 因子名称：波动** **因子构建思路：** 综合衡量股票价格波动特征[15] **因子具体构建过程：** 采用加权组合方式计算波动率[15] $$波动 = 0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$ **5 因子名称：非线性市值** **因子构建思路：** 捕捉市值因子的非线性效应[15] **因子具体构建过程：** 对市值风格进行三次方变换[15] $$非线性市值 = 市值^3$$ **6 因子名称：估值** **因子构建思路：** 衡量股票估值水平[15] **因子具体构建过程：** 采用市净率的倒数[15] $$估值 = \frac{1}{市净率}$$ **7 因子名称：流动性** **因子构建思路：** 衡量股票交易活跃程度[15] **因子具体构建过程：** 采用不同时间窗口换手率的加权组合[15] $$流动性 = 0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$ **8 因子名称：盈利** **因子构建思路：** 综合衡量公司盈利能力[15] **因子具体构建过程：** 采用多种盈利指标的加权组合[15] $$盈利 = 0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率TTM倒数$$ **9 因子名称：成长** **因子构建思路：** 衡量公司成长性[15] **因子具体构建过程：** 综合多种增长指标的加权组合[15] $$成长 = 0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$ **10 因子名称：杠杆** **因子构建思路：** 衡量公司财务杠杆水平[15] **因子具体构建过程：** 采用多种杠杆指标的加权组合[15] $$杠杆 = 0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$ GRU模型因子 **11 因子名称：barra1d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对市场数据进行建模，输入特征包含Barra风格因子，预测周期为1天[4][8] **12 因子名称：barra5d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对市场数据进行建模，输入特征包含Barra风格因子，预测周期为5天[4][8] **13 因子名称：open1d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对开盘价相关数据进行建模，预测周期为1天[4][8] **14 因子名称：close1d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对收盘价相关数据进行建模，预测周期为1天[4][8] **15 因子名称：多因子组合** **因子构建思路：** 综合多个因子的复合策略[8] **因子具体构建过程：** 将多个单一因子进行组合配置，形成综合性的多因子策略[8] 因子的回测效果 Barra风格因子多空收益表现（全市场） | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | |---------|---------|---------|---------|----------|----------|----------| | 动量 | 3.49% | -6.50% | -22.13% | -14.88% | -18.33% | -17.11% | | Beta | 2.21% | -7.75% | 6.80% | 28.44% | 9.16% | 19.67% | | 波动 | 1.90% | -3.76% | -12.86% | 6.09% | 8.66% | -11.40% | | 流动性 | 1.67% | 46.39% | 8.56% | 8.77% | 20.41% | 25.21% | | 市值 | 0.45% | -6.89% | -12.57% | -39.47% | -41.79% | -34.81% | | 非线性市值 | 0.28% | -6.47% | -12.98% | -34.37% | -39.42% | -30.77% | | 成长 | 0.22% | 2.03% | 2.39% | 0.89% | -9.61% | 4.14% | | 盈利 | 1.43% | 3.55% | 7.94% | 14.39% | 3.18% | 1.16% | | 杠杆 | 2.13% | 4.08% | -4.92% | 16.59% | 6.54% | 1.95% | | 估值 | 3.52% | 6.78% | 0.22% | 4.37% | 16.82% | 16.61% | GRU模型多头组合超额收益表现 | 策略因子名称 | 近一周 | 近一月 | 近三月 | 近六月 | 今年以来 | |-------------|-------|-------|-------|-------|----------| | open1d | 0.32% | 1.81% | -0.69% | 1.36% | 6.02% | | close1d | 1.41% | 4.17% | -1.73% | 2.27% | 4.33% | | barra1d | -0.34% | -0.65% | 0.92% | 1.80% | 4.71% | | barra5d | 1.44% | 5.42% | -0.50% | 2.74% | 7.34% | | 多因子 | 0.57% | 2.54% | -0.60% | -0.01% | 0.89% |

根据研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. Barra风格因子 **因子名称**：Beta[15] **因子构建思路**：衡量股票相对于市场的系统性风险[15] **因子具体构建过程**：使用历史beta值[15] **因子名称**：市值[15] **因子构建思路**：衡量公司规模大小[15] **因子具体构建过程**：总市值取自然对数[15] **因子名称**：动量[15] **因子构建思路**：衡量股票价格趋势[15] **因子具体构建过程**：使用历史超额收益率序列均值[15] **因子名称**：波动[15] **因子构建思路**：衡量股票价格波动性[15] **因子具体构建过程**：采用复合波动率计算方式： $$0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$[15] **因子名称**：非线性市值[15] **因子构建思路**：捕捉市值风格的非线性效应[15] **因子具体构建过程**：市值风格的三次方[15] **因子名称**：估值[15] **因子构建思路**：衡量股票估值水平[15] **因子具体构建过程**：使用市净率倒数[15] **因子名称**：流动性[15] **因子构建思路**：衡量股票交易活跃度[15] **因子具体构建过程**：采用复合换手率计算方式： $$0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$[15] **因子名称**：盈利[15] **因子构建思路**：衡量公司盈利能力[15] **因子具体构建过程**：采用复合盈利指标计算方式： $$0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率ttm倒数$$[15] **因子名称**：成长[15] **因子构建思路**：衡量公司成长性[15] **因子具体构建过程**：采用复合增长指标计算方式： $$0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$[15] **因子名称**：杠杆[15] **因子构建思路**：衡量公司财务杠杆水平[15] **因子具体构建过程**：采用复合杠杆指标计算方式： $$0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$[15] 2. GRU模型因子 **因子名称**：open1d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：使用开盘价相关数据训练的GRU模型[31] **因子名称**：close1d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：使用收盘价相关数据训练的GRU模型[31] **因子名称**：barra1d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：结合Barra因子体系训练的GRU模型[31] **因子名称**：barra5d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：使用5日Barra因子数据训练的GRU模型[31] 3. 基本面因子 **因子名称**：EOI、营业利润率、roc增长、净利润超预期增长、营业周转率、roc、营业利润率超预期增长、roa增长、市盈率、市销率、roa超预期增长、营业利润率增长、roc超预期增长等[22][27] **因子构建思路**：基于公司财务数据构建的基本面分析因子[22][27] **因子具体构建过程**：使用TTM方式计算的财务指标，包括盈利能力、成长性、估值等多个维度[18][22][27] 4. 技术类因子 **因子名称**：中位数离差、20日波动、60日波动、120日波动、20日动量、60日动量、120日动量等[23][30] **因子构建思路**：基于价格和成交量数据构建的技术分析因子[23][30] **因子具体构建过程**：包括波动率指标、动量指标等技术分析工具[23][30] 因子的回测效果 Barra风格因子多空收益表现[17] | 因子名称 | 近一周 | 近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | |---------|--------|--------|----------|----------|----------|----------| | 估值 | -1.53% | 2.56% | 6.97% | 7.62% | 4.47% | 15.96% | | 盈利 | -1.31% | 1.21% | -12.53% | 15.60% | 4.49% | - | | 杠杆 | -0.83% | 0.41% | 8.61% | -18.33% | 7.88% | 2.32% | | 成长 | 0.21% | 2.10% | 1.90% | 1.10% | 9.48% | 4.22% | | 动量 | 0.11% | 3.42% | -17.53% | 11.80% | -17.59% | 16.54% | | beta | 0.32% | -5.29% | 16.73% | 31.34% | 12.64% | 10.65% | | 市值 | 0.64% | 5.55% | -16.22% | -39.20% | 41.75% | -34.68% | | 非线性市值 | 0.74% | 5.34% | 15.45% | -34.19% | -39.26% | -30.81% | | 波动 | 0.92% | 1.81% | 8.30% | 4.26% | 7.81% | -11.12% | | 流动性 | 1.39% | -3.93% | 1.89% | -7.22% | -18.82% | - | GRU因子多空收益表现[31] | 因子名称 | 近一周 | 近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | |---------|--------|--------|----------|----------|----------|----------| | open1d | -0.82% | 2.91% | -1.74% | 1.97% | 28.99% | 32.74% | | barra1d | -0.45% | 1.01% | -3.63% | -5.48% | 23.03% | 29.56% | | barra5d | 1.23% | 2.17% | -2.41% | 1.92% | 24.96% | 34.35% | | close1d | 2.88% | 5.96% | 12.45% | 23.23% | 47.28% | 49.47% | 多头组合超额收益表现[34] | 策略因子名称 | 近一周 | 近一月 | 近三月 | 近六月 | 今年以来 | |-------------|--------|--------|--------|--------|----------| | open1d | -0.44% | 1.49% | -1.50% | 1.39% | 5.69% | | close1d | -0.04% | 2.72% | -3.57% | 1.21% | 2.88% | | barra1d | -0.28% | -0.31% | 1.62% | 2.28% | 5.07% | | barra5d | -0.09% | 3.93% | -2.10% | 1.82% | 5.81% | | 多因子 | -0.95% | 1.83% | -1.83% | -0.19% | 0.91% | 模型测试参数[32] **选股池**：万得全A，剔除st、*st、停牌不可交易、以及上市不满180日的股票 **业绩比较基准**：中证1000指数 **调仓频率**：月度 **手续费**：双边千3 **权重配置**：个股权重上限千2 **风格偏离**：0.5标准差 **行业偏离**：0.01

根据研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 Barra风格因子 1. **因子名称**：Beta[15] * **因子构建思路**：衡量股票相对于市场的系统性风险[15] * **因子具体构建过程**：使用历史数据计算股票的历史Beta值[15] 2. **因子名称**：市值[15] * **因子构建思路**：反映公司规模大小[15] * **因子具体构建过程**：对公司的总市值取自然对数[15] $$因子值 = \ln(总市值)$$ 3. **因子名称**：动量[15] * **因子构建思路**：捕捉股票价格的趋势效应[15] * **因子具体构建过程**：计算股票历史超额收益率序列的均值[15] 4. **因子名称**：波动[15] * **因子构建思路**：衡量股票价格的历史波动程度[15] * **因子具体构建过程**：通过加权组合三种不同的波动率指标来构建[15] $$因子值 = 0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$ 5. **因子名称**：非线性市值[15] * **因子构建思路**：捕捉市值因子的非线性效应[15] * **因子具体构建过程**：对市值风格因子进行三次方运算[15] $$因子值 = (市值因子)^3$$ 6. **因子名称**：估值[15] * **因子构建思路**：衡量股票的估值水平[15] * **因子具体构建过程**：使用市净率的倒数作为估值因子[15] $$因子值 = \frac{1}{市净率}$$ 7. **因子名称**：流动性[15] * **因子构建思路**：反映股票的换手活跃度，即交易流动性[15] * **因子具体构建过程**：通过加权不同时间窗口的换手率来构建[15] $$因子值 = 0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$ 8. **因子名称**：盈利[15] * **因子构建思路**：衡量公司的盈利能力[15] * **因子具体构建过程**：综合多种盈利相关指标进行加权计算[15] $$因子值 = 0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率TTM倒数$$ 9. **因子名称**：成长[15] * **因子构建思路**：评估公司的成长性[15] * **因子具体构建过程**：综合多种增长类指标进行加权计算[15] $$因子值 = 0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$ 10. **因子名称**：杠杆[15] * **因子构建思路**：衡量公司的财务杠杆水平[15] * **因子具体构建过程**：综合多种杠杆率指标进行加权计算[15] $$因子值 = 0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$ 技术类因子 1. **因子名称**：120日波动[21][24][27][31] * **因子构建思路**：衡量股票基于120日历史数据的波动率，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算过去120个交易日的价格波动率[21][24][27][31] 2. **因子名称**：60日波动[21][24][27][31] * **因子构建思路**：衡量股票基于60日历史数据的波动率，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算过去60个交易日的价格波动率[21][24][27][31] 3. **因子名称**：20日波动[21][24][27][31] * **因子构建思路**：衡量股票基于20日历史数据的波动率，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算过去20个交易日的价格波动率[21][24][27][31] 4. **因子名称**：20日动量[21][24][27][31] * **因子构建思路**：捕捉股票基于20日历史数据的价格趋势，在不同股池中方向不同（全市场、中证1000为反向；沪深300、中证500为正向）[21][24][27][31] * **因子具体构建过程**：计算过去20个交易日的价格动量[21][24][27][31] 5. **因子名称**：60日动量[21][24][27][31] * **因子构建思路**：捕捉股票基于60日历史数据的价格趋势，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算过去60个交易日的价格动量[21][24][27][31] 6. **因子名称**：120日动量[21][24][27][31] * **因子构建思路**：捕捉股票基于120日历史数据的价格趋势，在不同股池中方向不同（全市场为反向；沪深300、中证500为正向）[21][24][27][31] * **因子具体构建过程**：计算过去120个交易日的价格动量[21][24][27][31] 7. **因子名称**：中位数离差[21][24][27][31] * **因子构建思路**：衡量股票价格相对于市场中位数的偏离程度，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算股票价格与市场整体价格中位数的偏离度[21][24][27][31] 基本面因子（列举自不同股池） 1. **因子名称**：ROC增长[23] * **因子构建思路**：衡量公司的资本回报率增长情况，作为正向因子[23] * **因子具体构建过程**：计算资本回报率（ROC）的增长指标[23] 2. **因子名称**：市销率[23] * **因子构建思路**：衡量股票的估值水平，作为反向因子[23] * **因子具体构建过程**：使用市销率指标[23] 3. **因子名称**：ROA超预期增长[23] * **因子构建思路**：衡量公司总资产回报率（ROA）的超预期增长情况，作为正向因子[23] * **因子具体构建过程**：计算ROA的超预期增长指标[23] 4. **因子名称**：营业利润超预期增长[23] * **因子构建思路**：衡量公司营业利润的超预期增长情况，作为正向因子[23] * **因子具体构建过程**：计算营业利润的超预期增长指标[23] 5. **因子名称**：ROC[23] * **因子构建思路**：衡量公司的资本回报率水平，作为反向因子[23] * **因子具体构建过程**：计算资本回报率（ROC）指标[23] 6. **因子名称**：营业周转率[23] * **因子构建思路**：衡量公司的营运效率，作为反向因子[23] * **因子具体构建过程**：计算营业周转率指标[23] 7. **因子名称**：ROC超预期增长[23] * **因子构建思路**：衡量公司资本回报率（ROC）的超预期增长情况，作为正向因子[23] * **因子具体构建过程**：计算ROC的超预期增长指标[23] 8. **因子名称**：市盈率[23] * **因子构建思路**：衡量股票的估值水平，作为反向因子[23] * **因子具体构建过程**：使用市盈率指标[23] 9. **因子名称**：ROA增长[23] * **因子构建思路**：衡量公司总资产回报率（ROA）的增长情况，作为正向因子[23] * **因子具体构建过程**：计算ROA的增长指标[23] 10. **因子名称**：营业利润增长[23] * **因子构建思路**：衡量公司营业利润的增长情况，作为正向因子[23] * **因子具体构建过程**：计算营业利润的增长指标[23] 11. **因子名称**：净利润超预期增长[23] * **因子构建思路**：衡量公司净利润的超预期增长情况，作为正向因子[23] * **因子具体构建过程**：计算净利润的超预期增长指标[23] 12. **因子名称**：ROA[23] * **因子构建思路**：衡量公司的总资产回报率水平，作为反向因子[23] * **因子具体构建过程**：计算总资产回报率（ROA）指标[23] 13. **因子名称**：营业利润率[23] * **因子构建思路**：衡量公司的盈利能力，作为反向因子[23] * **因子具体构建过程**：计算营业利润率指标[23] GRU模型因子 1. **因子名称**：GRU因子（barra1d模型）[4][20][22][25][26][28][29] * **因子构建思路**：使用GRU神经网络模型，结合Barra风格因子及短期（1天）市场数据构建的合成因子[4][20][22][25][26][28][29] * **因子具体构建过程**：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于Barra因子和日频数据（1d）[4][20][22][25][26][28][29] 2. **因子名称**：GRU因子（barra5d模型）[4][8][20][22][25][26][28][29][33] * **因子构建思路**：使用GRU神经网络模型，结合Barra风格因子及稍长周期（5天）市场数据构建的合成因子[4][8][20][22][25][26][28][29][33] * **因子具体构建过程**：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于Barra因子和5天数据（5d）[4][8][20][22][25][26][28][29][33] 3. **因子名称**：GRU因子（open1d模型）[4][20][22][25][26][28][29][34] * **因子构建思路**：使用GRU神经网络模型，结合开盘价等短期（1天）市场数据构建的合成因子[4][20][22][25][26][28][29][34] * **因子具体构建过程**：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于开盘价（open）和日频数据（1d）[4][20][22][25][26][28][29][34] 4. **因子名称**：GRU因子（close1d模型）[4][20][22][25][26][28][29][34] * **因子构建思路**：使用GRU神经网络模型，结合收盘价等短期（1天）市场数据构建的合成因子[4][20][22][25][26][28][29][34] * **因子具体构建过程**：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于收盘价（close）和日频数据（1d）[4][20][22][25][26][28][29][34] 多因子组合 1. **模型/因子名称**：多因子组合[8][33][34] * **模型/因子构建思路**：将多个因子进行组合，构建综合选股模型[8][33][34] * **模型/因子具体构建过程**：报告未详细说明具体包含哪些因子以及组合权重确定方法[8][33][34] 因子的回测效果 Barra风格因子多空收益表现（全市场股池）[17] | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 市值 | -3.55% | -5.76% | -15.19% | -39.59% | -41.82% | -34.39% | | 非线性市值 | 3.47% | -6.71% | -15.01% | -34.67% | -39.36% | -30.87% | | 估值 | 2.62% | 5.07% | 3.99% | 6.18% | 14.66% | 15.43% | | 盈利 | 1.99% | 2.35% | -10.59% | 14.48% | 4.57% | 1.20% | | 杠杆 | -1.04% | 3.55% | -7.04% | 17.65% | 8.42% | 2.62% | | 波动 | 1.03% | 4.94% | -11.49% | 5.13% | 8.33% | -11.03% | | 成长 | 0.08% | 0.53% | 2.20% | 0.89% | 19.14% | 4.10% | | 动量 | 1.01% | -5.58% | -17.92% | 11.71% | 17.92% | 15.59% | | 流动性 | 2.40% | -7.26% | -4.57% | 8.50% | -19.41% | -25.17% | | beta | 4.58% | -6.52% | 13.16% | 30.92% | 12.22% | 10.49% | 技术类因子多空收益表现（全市场股池）[21] | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 120日波动 | 0.47% | -5.55% | -2.67% | 14.03% | -4.62% | 9.26% | | 60日波动 | 1.02% | -5.14% | 0.02% | 9.74% | -8.22% | -11.84% | | 20日动量 | 1.22% | -4.96% | -1.05% | -11.47% | -12.50% | -12.68% | | 60日动量 | 1.30% | -5.34% | -6.33% | -6.59% | -13.41% | -15.85% | | 20日波动 | 1.32% | -6.19% | 2.22% | 10.11% | -6.85% | -11.77% | | 中位数离差 | 1.64% | -5.89% | -5.51% | 5.44% | -13.85% | -14.17% | | 120日动量 | 1.81% | -2.83% | -11.64% | 3.84% | -15.76% | -13.79% | 多头组合近期超额收益（相对中证1000指数）[34] | 策略/因子名称 | 近一周 | 近一月 | 近三月 | 近六月 | 今年以来 | | :--- | :--- | :--- | :--- | :--- | :--- | | open1d (GRU) | -0.02% | 1.65% | -1.43% | 1.74% | 6.16% | | close1d (GRU) | -0.07% | 2.18% | -3.97% | 0.79% | 2.92% | | barra1d (GRU) | -0.08% | -0.18% | 1.90% | 2.76% | 5.37% | | barra5d (GRU) | 0.27% | 3.14% | -2.73% | 1.68% | 5.91% | | 多因子组合 | 0.04% | 3.19% | -1.74% | -0.47% | 1.71% |

量化市场跟踪：大类因子表现 - 最近2周全市场股票池中，流动性因子和杠杆因子分别获取正收益0.36%和0.34% [4] - 盈利因子同期获取正收益0.27%，估值因子、非线性市值因子和市值因子分别获取正收益0.18%、0.18%和0.11%，显示市场风格偏向大市值 [4] - Beta因子、残差波动率因子和成长因子表现较差，分别获取负收益-0.65%、-0.55%和-0.21% [4] 量化市场跟踪：单因子表现 - 沪深300股票池中，最近2周表现最好的因子是单季度营业利润同比增长率(2.54%)和单季度净利润同比增长率(2.36%)，表现最差的因子是总资产增长率(-1.94%) [5] - 中证500股票池中，市销率TTM倒数(1.90%)和净利润断层(1.55%)表现较好，单季度总资产毛利率(-2.12%)和总资产毛利率TTM(-2.08%)表现较差 [5] - 流动性1500股票池中，市盈率因子(2.19%)和市盈率TTM倒数(2.09%)表现领先，单季度总资产毛利率(-1.64%)和总资产毛利率TTM(-1.63%)表现落后 [5] 量化市场跟踪：因子行业内表现 - 最近2周，净资产增长率、净利润增长率等基本面因子在纺织服装、非银金融和休闲服务行业正收益较为一致 [6] - 估值类因子中，BP因子在多数行业获取正收益，残差波动率因子和流动性因子在美容护理行业正收益明显 [7] - 市值风格上，有色金属、非银金融、建筑材料行业大市值风格显著 [7] 投资组合跟踪：PB-ROE-50组合 - 最近2周PB-ROE-50组合在中证800和全市场股票池中分别获取1.45%和0.75%的正超额收益 [8] - 该组合在中证500股票池中获得负超额收益-0.82% [8] 投资组合跟踪：机构调研组合 - 最近2周公募调研选股策略和私募调研跟踪策略均获取正超额收益，相对中证800的超额收益分别为1.03%和1.89% [9] 投资组合跟踪：大宗交易与定向增发组合 - 最近2周大宗交易组合相对中证全指获取负超额收益-0.57% [10] - 同期定向增发组合相对中证全指也获取负超额收益-1.13% [11]