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]

量化模型与因子总结 量化因子与构建方式 1. 价格区间因子 * **因子名称**：价格区间因子 * **构建思路**：衡量股票在日内不同价格区间成交的活跃程度，以体现投资者对未来走势的预期[3]。具体而言，高价格区间成交越不活跃，或低价格区间大资金越活跃，股票未来上涨可能性越大[12]。 * **具体构建过程**： 1. 使用高频三秒快照数据[12]。 2. 构建三个细分因子： * **高价格80%区间成交量因子 (VH80TAW)**：衡量股票在日内高价格80%区间的成交量活跃度，与未来收益呈负相关[12]。 * **高价格80%区间成交笔数因子 (MIH80TAW)**：衡量股票在日内高价格80%区间的成交笔数活跃度，与未来收益呈负相关[12]。 * **低价格10%区间每笔成交量因子 (VPML10TAW)**：衡量股票在日内低价格10%区间的平均每笔成交量，与未来收益呈正相关[12]。 3. 以25%、25%和50%的权重对上述三个细分因子进行合成[14]。 4. 对合成后的因子进行行业和市值中性化处理[14]。 * **因子评价**：该因子展现出了较强的预测效果，在样本外表现出色，超额净值曲线稳定向上，今年以来表现比较稳定[3][16]。 2. 量价背离因子 * **因子名称**：量价背离因子 * **构建思路**：衡量股票价格与成交量的相关性，当量价出现背离时（相关性低），无论股价处于上升或下降通道，未来上涨的可能性均较高[20]。 * **具体构建过程**： 1. 利用高频快照数据[20]。 2. 分别计算快照成交价与快照成交量、成交笔数、每笔成交量的相关性[20]。 3. 选取在周频调仓下表现较好的两个细分因子： * **价格与成交笔数的相关性因子 (CorrPM)**[20] * **价格与成交量的相关性因子 (CorrPV)**[20] 4. 对上述两个细分因子进行等权合成[20]。 5. 对合成后的因子进行行业和市值中性化处理[20]。 * **因子评价**：该因子近几年表现不太稳定，多空净值曲线趋近走平，但去年超额收益处于历史较高水平，今年以来表现良好[3][22]。 3. 遗憾规避因子 * **因子名称**：遗憾规避因子 * **构建思路**：基于行为金融学的遗憾规避理论，考察投资者卖出股票后股价反弹的比例和程度。卖出后反弹占比越高或反弹程度越大，表明投资者遗憾情绪越强，股票未来预期收益更低[23]。 * **具体构建过程**： 1. 利用逐笔成交数据区分每笔交易的主动买卖方向[23]。 2. 在加入小单和尾盘交易限制后，因子表现有进一步提升[23]。 3. 选取在周频调仓下表现较好的两个细分因子： * **卖出反弹占比因子 (LCVOLESW)**[23] * **卖出反弹偏离因子 (LCPESW)**[23] 4. 对上述两个细分因子进行等权合成[28]。 5. 对合成后的因子进行行业和市值中性化处理[28]。 * **因子评价**：该因子展现了较好的预测效果，样本外超额收益稳定，表明A股投资者的遗憾规避情绪会显著影响股价预期收益[3][31]。 4. 斜率凸性因子 * **因子名称**：斜率凸性因子 * **构建思路**：从投资者耐心与供求关系弹性的角度出发，利用限价订单簿数据计算买卖双方的订单簿斜率。买方斜率越大（需求弹性小）或卖方斜率越小（供给弹性大），表明投资者对价格不敏感或不愿轻易降价，对应股票更高的预期收益[32]。 * **具体构建过程**： 1. 使用高频快照数据中的限价订单簿信息[32]。 2. 将委托量数据按照档位累加，用委托价和累计委托量计算买卖双方的订单簿斜率[32]。 3. 区分高档位和低档位投资者斜率因子，并根据两者的反向关系构建斜率凸性因子[32]。 4. 提取两个细分因子进行合成： * **低档斜率因子 (Slope_abl)**[32] * **高档位卖方凸性因子 (Slope_alh)**[32] 5. 对上述两个细分因子进行等权合成[35]。 6. 对合成后的因子进行行业和市值中性化处理[35]。 * **因子评价**：该因子自2016年以来收益保持平稳趋势，但在样本外整体表现比较平淡[35]。 5. 高频“金”组合合成因子 * **因子/模型名称**：高频“金”组合合成因子（用于构建中证1000指数增强策略） * **构建思路**：将多个有效的单一高频因子合成，以构建综合性的选股模型[3]。 * **具体构建过程**：将上述**价格区间因子**、**量价背离因子**、**遗憾规避因子**三类高频因子进行等权合成[3]。 6. 高频&基本面共振组合合成因子 * **因子/模型名称**：高频&基本面共振组合合成因子（用于构建中证1000指数增强策略） * **构建思路**：结合相关性较低的高频因子与基本面因子，以提升多因子投资组合的表现[44]。 * **具体构建过程**：将高频“金”组合合成因子（包含上述三类高频因子）与三个比较有效的基本面因子（一致预期、成长、技术因子）进行等权合成[44]。 量化模型的回测效果 1. 高频“金”组合中证1000指数增强策略 * **模型名称**：高频“金”组合中证1000指数增强策略 * **构建思路**：基于合成的高频“金”组合因子构建指数增强策略[39]。 * **具体构建过程**： 1. 使用高频“金”组合合成因子进行选股。 2. 策略调仓频率为周度，基准为中证1000指数[39]。 3. 手续费率为单边千分之二[39]。 4. 加入换手率缓冲机制以降低调仓成本[39]。 * **模型评价**：该策略在样本外表现出色，有着较强的超额收益水平[43]。 * **测试结果**： * 年化收益率：9.49%[40] * 年化波动率：23.87%[40] * Sharpe比率：0.40[40] * 最大回撤率：47.77%[40] * 双边换手率（周度）：14.66%[40] * 年化超额收益率：10.11%[40] * 跟踪误差：4.29%[40] * 信息比率(IR)：2.36[40] * 超额最大回撤：6.04%[40] * 上周超额收益：0.13%[3][43] * 本月以来超额收益：0.13%[3][43] * 今年以来超额收益：7.16%[3][43] 2. 高频&基本面共振组合中证1000指数增强策略 * **模型名称**：高频&基本面共振组合中证1000指数增强策略 * **构建思路**：基于合成的高频&基本面共振组合因子构建指数增强策略[44]。 * **具体构建过程**： 1. 使用高频&基本面共振组合合成因子进行选股。 2. 策略基准为中证1000指数[44]。 * **模型评价**：加入基本面因子后的指数增强策略各项业绩指标均有一定程度提升，在样本外表现稳定，有着较强的超额收益水平[44][48]。 * **测试结果**： * 年化收益率：13.66%[47] * 年化波动率：23.49%[47] * Sharpe比率：0.58[47] * 最大回撤率：39.60%[47] * 双边换手率（周度）：22.54%[47] * 年化超额收益率：14.21%[47] * 跟踪误差：4.19%[47] * 信息比率(IR)：3.39[47] * 超额最大回撤：4.52%[47] * 上周超额收益：0.35%[4][48] * 本月以来超额收益：0.35%[4][48] * 今年以来超额收益：7.03%[4][48] 量化因子的回测效果 （注：以下因子表现均为在中证1000指数成分股内，经过行业市值中性化处理后的结果[11]） 1. 价格区间因子 * **多空收益率**： * 上周：-0.88%[13] * 本月以来：-0.88%[13] * 今年以来：12.91%[13] * **多头超额收益率**： * 上周：-0.51%[2][13] * 本月以来：-0.51%[2][13] * 今年以来：4.98%[2][13] 2. 量价背离因子 * **多空收益率**： * 上周：1.73%[11][13] * 本月以来：1.73%[13] * 今年以来：16.24%[13] * **多头超额收益率**： * 上周：0.37%[2][13] * 本月以来：0.37%[2][13] * 今年以来：4.93%[2][13] 3. 遗憾规避因子 * **多空收益率**： * 上周：-0.13%[11][13] * 本月以来：-0.13%[13] * 今年以来：14.72%[13] * **多头超额收益率**： * 上周：0.03%[2][13] * 本月以来：0.03%[2][13] * 今年以来：-1.00%[2][13] 4. 斜率凸性因子 * **多头超额收益率**： * 上周：-0.35%[2] * 本月以来：-0.35%[2] * 今年以来：-6.11%[2] 5. 价格区间细分因子 * **高价格80%区间成交量因子 (VH80TAW)**： * 多空收益率（今年以来）：17.55%[12] * 多头超额收益率（上周）：-0.52%[12] * 多头超额收益率（本月以来）：-0.52%[12] * 多头超额收益率（今年以来）：5.64%[12] * **高价格80%区间成交笔数因子 (MIH80TAW)**： * 多空收益率（今年以来）：20.58%[12] * 多头超额收益率（上周）：-0.39%[12] * 多头超额收益率（本月以来）：-0.39%[12] * 多头超额收益率（今年以来）：7.15%[12] * **低价格10%区间每笔成交量因子 (VPML10TAW)**： * 多空收益率（今年以来）：2.81%[12] * 多头超额收益率（上周）：0.08%[12] * 多头超额收益率（本月以来）：0.08%[12] * 多头超额收益率（今年以来）：0.36%[12] 6. 量价背离细分因子 * **价格与成交笔数相关性因子 (CorrPM)**： * 多空收益率（上周）：2.60%[20] * 多空收益率（本月以来）：2.60%[20] * 多空收益率（今年以来）：28.03%[20] * 多头超额收益率（上周）：0.50%[20] * 多头超额收益率（本月以来）：0.50%[20] * 多头超额收益率（今年以来）：8.80%[20] * **价格与成交量相关性因子 (CorrPV)**： * 多空收益率（上周）：2.92%[20] * 多空收益率（本月以来）：2.92%[20] * 多空收益率（今年以来）：24.47%[20] * 多头超额收益率（上周）：0.52%[20] * 多头超额收益率（本月以来）：0.52%[20] * 多头超额收益率（今年以来）：10.71%[20] 7. 遗憾规避细分因子 * **卖出反弹占比因子 (LCVOLESW)**： * 多空收益率（上周）：0.10%[23] * 多空收益率（本月以来）：0.10%[23] * 多空收益率（今年以来）：-1.16%[23] * 多头超额收益率（上周）：-0.08%[26] * 多头超额收益率（本月以来）：-0.08%[26] * 多头超额收益率（今年以来）：-4.73%[26] * **卖出反弹偏离因子 (LCPESW)**： * 多空收益率（上周）：1.10%[23] * 多空收益率（本月以来）：1.10%[23] * 多空收益率（今年以来）：21.87%[23] * 多头超额收益率（上周）：0.17%[26] * 多头超额收益率（本月以来）：0.17%[26] * 多头超额收益率（今年以来）：-1.88%[26] 8. 斜率凸性细分因子 * **低档斜率因子 (Slope_abl)**： * 多空收益率（上周）：-0.92%[34] * 多空收益率（本月以来）：-0.92%[34] * 多空收益率（今年以来）：-5.51%[34] * 多头超额收益率（上周）：-0.51%[34] * 多头超额收益率（本月以来）：-0.51%[34] * 多头超额收益率（今年以来）：-9.82%[34] * **高档位卖方凸性因子 (Slope_alh)**： * 多空收益率（上周）：0.25%[34] * 多空收益率（本月以来）：0.25%[34] * 多空收益率（今年以来）：-13.42%[34] * 多头超额收益率（上周）：0.64%[34] * 多头超额收益率（本月以来）：0.64%[34] * 多头超额收益率（今年以来）：-4.05%[34]

核心观点 - 上周（20251124-20251128）高频选股因子普遍反弹，多粒度因子多头表现明显改善，AI增强组合表现平稳且多数获得正收益 [1][2][5] 高频因子表现汇总 - 日内高频偏度因子上周、11月、2025年多空收益分别为1.93%、1.29%、23.56% [5] - 日内下行波动占比因子上周、11月、2025年多空收益分别为1.63%、1.44%、20.42% [5] - 开盘后买入意愿占比因子上周、11月、2025年多空收益分别为1.21%、1.17%、20.51% [5] - 开盘后买入意愿强度因子上周、11月、2025年多空收益分别为1.17%、1.36%、27.15% [5] - 开盘后大单净买入占比因子上周、11月、2025年多空收益分别为1.35%、1.00%、21.94% [5] - 开盘后大单净买入强度因子上周、11月、2025年多空收益分别为0.97%、-0.49%、12.12% [5] - 改进反转因子上周、11月、2025年多空收益分别为0.01%、-0.60%、21.42% [5] - 尾盘成交占比因子上周、11月、2025年多空收益分别为1.64%、-0.07%、15.70% [5] - 平均单笔流出金额占比因子上周、11月、2025年多空收益分别为0.02%、-2.91%、-5.96% [5] - 大单推动涨幅因子上周、11月、2025年多空收益分别为-0.34%、-0.49%、8.12% [5] 多粒度与深度学习因子表现 - GRU(10,2)+NN(10)因子上周、11月、2025年多空收益分别为1.98%、1.97%、47.50%，多头超额收益分别为0.73%、-0.87%、7.36% [5] - GRU(50,2)+NN(10)因子上周、11月、2025年多空收益分别为2.14%、1.42%、47.20%，多头超额收益分别为1.37%、0.04%、8.85% [5] - 多颗粒度模型（5日标签）因子上周、11月、2025年多空收益分别为2.98%、6.42%、67.01%，多头超额收益分别为1.44%、2.57%、24.66% [5] - 多颗粒度模型（10日标签）因子上周、11月、2025年多空收益分别为3.27%、6.45%、61.60%，多头超额收益分别为1.82%、2.93%、24.80% [5] AI指数增强组合表现 - 周度调仓中证500 AI增强宽约束组合上周、11月、2025年超额收益率分别为-0.08%、4.36%、8.33% [5] - 周度调仓中证500 AI增强严约束组合上周、11月、2025年超额收益率分别为0.19%、2.75%、11.02% [5] - 周度调仓中证1000 AI增强宽约束组合上周、11月、2025年超额收益率分别为0.11%、4.58%、18.58% [5] - 周度调仓中证1000 AI增强严约束组合上周、11月、2025年超额收益率分别为0.11%、1.93%、20.77% [5] 因子分组收益特征 - 高频偏度因子在2025年度和11月均呈现明显的多头收益特征，上周表现强劲 [13][14][16][17] - 下行波动占比因子在2025年度和11月分组收益表现稳定，上周继续改善 [19][20][21][22] - 开盘后买入意愿相关因子（占比与强度）在2025年多空收益均超过20%，上周表现积极 [23][24][25][26][28][29][30][31] - 开盘后大单净买入相关因子在2025年多空收益表现突出，占比因子达21.94% [33][34][35][36][38][39][40][41] - 改进反转因子2025年多空收益达21.42%，但11月表现较弱为-0.60% [43][44][45][46] - 尾盘成交占比因子2025年多空收益为15.70%，上周表现较好为1.64% [48][49][50][51] - 多颗粒度模型因子表现最为突出，5日标签和10日标签2025年多空收益分别达67.01%和61.60% [64][65][66][67][68]

根据研报内容，以下是关于量化因子和模型的总结。 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：通过分析股票日内收益的分布特征，捕捉其偏度信息以预测未来表现[12] 因子具体构建过程：具体计算方式请参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[12] 2. **因子名称：日内下行波动占比因子** 因子构建思路：将已实现波动率分解，计算下行波动部分在总波动中的占比[17] 因子具体构建过程：具体计算方式请参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[17] 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，衡量买入意愿的相对强度[22] 因子具体构建过程：具体计算方式请参考专题报告《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》[22] 4. **因子名称：开盘后买入意愿强度因子** 因子构建思路：在买入意愿占比的基础上，进一步衡量买入意愿的绝对强度[25] 因子具体构建过程：具体计算方式请参考专题报告《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》[25] 5. **因子名称：开盘后大单净买入占比因子** 因子构建思路：分析开盘后大单净买入金额在总成交额中的占比，捕捉大资金动向[30] 6. **因子名称：开盘后大单净买入强度因子** 因子构建思路：衡量开盘后大单净买入的绝对强度[34] 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[40] 8. **因子名称：尾盘成交占比因子** 因子构建思路：通过分析尾盘成交额在日总成交额中的占比，捕捉资金在尾盘的动向[44] 9. **因子名称：平均单笔流出金额占比因子** 因子构建思路：计算平均单笔流出金额在总流出金额中的占比，分析资金流出特征[49] 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[54] 11. **因子名称：改进 GRU(50,2)+NN(10)因子** 因子构建思路：使用改进的门控循环单元（GRU）神经网络结合全连接网络（NN）从高频数据中提取预测信号[58] 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）结合全连接网络（NN）进行深度学习因子构建[59] 13. **因子名称：多颗粒度模型-5日标签因子** 因子构建思路：基于双向A-GRU网络，使用5日收益作为预测标签进行训练，从多时间颗粒度数据中学习[64] 14. **因子名称：多颗粒度模型-10日标签因子** 因子构建思路：基于双向A-GRU网络，使用10日收益作为预测标签进行训练[65] 因子的回测效果 1. **日内高频偏度因子**，历史IC 0.019[9]，2025年IC 0.023[9]，历史 e^(-rank mae) 0.324[9]，2025年 e^(-rank mae) 0.327[9]，上周多空收益 -0.26%[9]，11月多空收益 0.49%[9]，2025YTD多空收益 22.76%[9]，2025年周胜率 30/46[9]，上周多头超额收益 0.42%[9]，11月多头超额收益 1.46%[9]，2025YTD多头超额收益 6.14%[9]，2025年多头周胜率 25/46[9] 2. **日内下行波动占比因子**，历史IC 0.016[9]，2025年IC 0.020[9]，历史 e^(-rank mae) 0.323[9]，2025年 e^(-rank mae) 0.325[9]，上周多空收益 0.38%[9]，11月多空收益 1.35%[9]，2025YTD多空收益 20.32%[9]，2025年周胜率 32/46[9]，上周多头超额收益 0.41%[9]，11月多头超额收益 1.08%[9]，2025YTD多头超额收益 3.54%[9]，2025年多头周胜率 26/46[9] 3. **开盘后买入意愿占比因子**，历史IC 0.025[9]，2025年IC 0.024[9]，历史 e^(-rank mae) 0.321[9]，2025年 e^(-rank mae) 0.321[9]，上周多空收益 0.28%[9]，11月多空收益 -0.01%[9]，2025YTD多空收益 19.33%[9]，2025年周胜率 36/46[9]，上周多头超额收益 0.47%[9]，11月多头超额收益 0.28%[9]，2025YTD多头超额收益 8.78%[9]，2025年多头周胜率 29/46[9] 4. **开盘后买入意愿强度因子**，历史IC 0.030[9]，2025年IC 0.027[9]，历史 e^(-rank mae) 0.326[9]，2025年 e^(-rank mae) 0.326[9]，上周多空收益 0.27%[9]，11月多空收益 0.57%[9]，2025YTD多空收益 26.36%[9]，2025年周胜率 35/46[9]，上周多头超额收益 -0.22%[9]，11月多头超额收益 -0.55%[9]，2025YTD多头超额收益 10.06%[9]，2025年多头周胜率 33/46[9] 5. **开盘后大单净买入占比因子**，历史IC 0.035[9]，2025年IC 0.020[9]，历史 e^(-rank mae) 0.322[9]，2025年 e^(-rank mae) 0.317[9]，上周多空收益 -0.20%[9]，11月多空收益 -0.44%[9]，2025YTD多空收益 20.50%[9]，2025年周胜率 32/46[9]，上周多头超额收益 -0.21%[9]，11月多头超额收益 -0.63%[9]，2025YTD多头超额收益 9.22%[9]，2025年多头周胜率 29/46[9] 6. **开盘后大单净买入强度因子**，历史IC 0.024[9]，2025年IC 0.014[9]，历史 e^(-rank mae) 0.320[9]，2025年 e^(-rank mae) 0.316[9]，上周多空收益 -0.88%[9]，11月多空收益 -1.89%[9]，2025YTD多空收益 10.71%[9]，2025年周胜率 27/46[9]，上周多头超额收益 -0.66%[9]，11月多头超额收益 -1.23%[9]，2025YTD多头超额收益 7.50%[9]，2025年多头周胜率 31/46[9] 7. **改进反转因子**，历史IC 0.031[9]，2025年IC 0.022[9]，历史 e^(-rank mae) 0.330[9]，2025年 e^(-rank mae) 0.330[9]，上周多空收益 0.27%[9]，11月多空收益 -0.09%[9]，2025YTD多空收益 21.93%[9]，2025年周胜率 35/46[9]，上周多头超额收益 -0.43%[9]，11月多头超额收益 -0.68%[9]，2025YTD多头超额收益 7.79%[9]，2025年多头周胜率 26/46[9] 8. **尾盘成交占比因子**，历史IC 0.026[9]，2025年IC 0.016[9]，历史 e^(-rank mae) 0.322[9]，2025年 e^(-rank mae) 0.319[9]，上周多空收益 0.81%[9]，11月多空收益 0.25%[9]，2025YTD多空收益 16.02%[9]，2025年周胜率 30/46[9]，上周多头超额收益 0.77%[9]，11月多头超额收益 0.31%[9]，2025YTD多头超额收益 5.33%[9]，2025年多头周胜率 25/46[9] 9. **平均单笔流出金额占比因子**，历史IC 0.008[11]，2025年IC -0.005[11]，历史 e^(-rank mae) 0.317[11]，2025年 e^(-rank mae) 0.315[11]，上周多空收益 -1.33%[11]，11月多空收益 -2.74%[11]，2025YTD多空收益 -5.80%[11]，2025年周胜率 21/46[11]，上周多头超额收益 -0.07%[11]，11月多头超额收益 -0.48%[11]，2025YTD多头超额收益 -1.93%[11]，2025年多头周胜率 18/46[11] 10. **大单推动涨幅因子**，历史IC 0.018[11]，2025年IC 0.010[11]，历史 e^(-rank mae) 0.325[11]，2025年 e^(-rank mae) 0.326[11]，上周多空收益 0.36%[11]，11月多空收益 0.71%[11]，2025YTD多空收益 9.32%[11]，2025年周胜率 30/46[11]，上周多头超额收益 -0.17%[11]，11月多头超额收益 -0.43%[11]，2025YTD多头超额收益 2.17%[11]，2025年多头周胜率 25/46[11] 11. **改进 GRU(50,2)+NN(10)因子**，历史IC 0.066[11]，2025年IC 0.047[11]，历史 e^(-rank mae) 0.336[11]，2025年 e^(-rank mae) 0.333[11]，上周多空收益 -1.32%[11]，11月多空收益 -0.71%[11]，2025YTD多空收益 44.83%[11]，2025年周胜率 38/46[11]，上周多头超额收益 -0.77%[11]，11月多头超额收益 -1.01%[11]，2025YTD多头超额收益 7.21%[11]，2025年多头周胜率 26/46[11] 12. **残差注意力 LSTM(48,2)+NN(10)因子**，历史IC 0.063[11]，2025年IC 0.046[11]，历史 e^(-rank mae) 0.334[11]，2025年 e^(-rank mae) 0.331[11]，上周多空收益 -1.50%[11]，11月多空收益 -1.23%[11]，2025YTD多空收益 44.56%[11]，2025年周胜率 42/46[11]，上周多头超额收益 -0.83%[11]，11月多头超额收益 -0.92%[11]，2025YTD多头超额收益 7.90%[11]，2025年多头周胜率 27/46[11] 13. **多颗粒度模型-5日标签因子**，历史IC 0.080[11]，2025年IC 0.068[11]，历史 e^(-rank mae) 0.344[11]，2025年 e^(-rank mae) 0.341[11]，上周多空收益 0.75%[11]，11月多空收益 2.56%[11]，2025YTD多空收益 63.15%[11]，2025年周胜率 42/46[11]，上周多头超额收益 1.07%[11]，11月多头超额收益 2.36%[11]，2025YTD多头超额收益 24.44%[11]，2025年多头周胜率 38/46[11] 14. **多颗粒度模型-10日标签因子**，历史IC 0.074[11]，2025年IC 0.062[11]，历史 e^(-rank mae) 0.342[11]，2025年 e^(-rank mae) 0.342[11]，上周多空收益 0.91%[11]，11月多空收益 2.55%[11]，2025YTD多空收益 57.70%[11]，2025年周胜率 41/46[11]，上周多头超额收益 0.98%[11]，11月多头超额收益 2.27%[11]，2025YTD多头超额收益 24.14%[11]，2025年多头周胜率 36/46[11] 量化模型与构建方式 1. **模型名称：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，采用较宽的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$，其中 $$w_i$$ 为股票i的权重，$$\mu_i$$ 为股票i的预期超额收益[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.3，市净率（PB）因子暴露0.3，市值三次方因子暴露0.3，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 2. **模型名称：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，采用更严格的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.1，市净率（PB）因子暴露0.3，市值二次方因子暴露0.1，ROE因子暴露0.3，SUE因子暴露0.3，波动率因子暴露0.3，成份股权重约束0.8，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 3. **模型名称：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，采用较宽的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.3，市净率（PB）因子暴露0.3，市值三次方因子暴露0.3，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 4. **模型名称：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，采用更严格的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.1，市净率（PB）因子暴露0.3，市值二次方因子暴露0.1，ROE因子暴露0.3，SUE因子暴露0.3，波动率因子暴露0.3，成份股权重约束0.8，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 模型的回测效果 1. **中证500 AI增强宽约束组合**，上周超额收益 2.02%[12]，11月超额收益 3.38%[12]，2025YTD超额收益 7.31%[12]，2025年周胜率 27/46[12] 2. **中证500 AI增强严约束组合**，上周超额收益 0.73%[12]，11月超额收益 2.35%[12]，2025YTD超额收益 10.58%[12]，2025年周胜率 30/46[12] 3. **中证1000 AI增强宽约束组合**，上周超额收益 2.41%[12]，11月超额收益 4.46%[12]，2025YTD超额收益 18.45%[12]，2025年周胜率 31/46[12] 4. **中证1000 AI增强严约束组合**，上周超额收益 1.00%[12]，11月超额收益 1.83%[12]，2025YTD超额收益 20.66%[12]，

根据提供的研报内容，以下是关于量化因子和模型的总结。 量化因子与构建方式 1. **因子名称：价格区间因子**[11][12] * **因子构建思路**：该因子衡量股票在日内不同价格区间成交的活跃程度，能体现投资者对股票未来走势的预期[11]。具体地，股票在日内高价格区间投资行为聚集程度与成交活跃度越低，未来上涨可能性越大；低价格区间的平均每笔成交量越大，大资金活跃程度越高，股票未来上涨可能性越大[11]。 * **因子具体构建过程**：该因子是三个细分因子的合成因子。首先构建三个细分因子： * **高价格80%区间成交量因子 (VH80TAW)**：衡量在日内最高价80%及以上价格区间成交的活跃度。 * **高价格80%区间成交笔数因子 (MIH80TAW)**：衡量在日内最高价80%及以上价格区间成交的频繁程度。 * **低价格10%区间每笔成交量因子 (VPML10TAW)**：衡量在日内最低价10%及以下价格区间平均每笔成交的规模。 然后，以25%、25%和50%的权重对VH80TAW、MIH80TAW和VPML10TAW三个因子进行合成[14]。最后，对合成后的因子进行行业和市值中性化处理，得到最终的价格区间因子。 * **因子评价**：该因子展现出了较强的预测效果，在样本外表现出色，超额净值曲线稳定向上，今年以来表现比较稳定[11][17]。 2. **因子名称：量价背离因子**[22] * **因子构建思路**：该因子主要衡量股票价格与成交量的相关性。一般而言，相关性越低，未来上涨的可能性越高[3]。 * **因子具体构建过程**：该因子是两个细分因子的合成因子。首先构建两个细分因子： * **价格与成交笔数相关性因子 (CorrPM)**：计算高频快照数据中价格与成交笔数的相关性。 * **价格与成交量相关性因子 (CorrPV)**：计算高频快照数据中价格与成交量的相关性。 然后，对上述两个因子进行等权合成[22]。最后，对合成后的因子进行行业和市值中性化处理，得到最终的量价背离因子。 * **因子评价**：该因子近几年表现一直不太稳定，多空净值曲线趋近走平，但去年超额收益处于历史较高水平，今年以来表现良好[3][24]。 3. **因子名称：遗憾规避因子**[25] * **因子构建思路**：该因子基于行为金融学的遗憾规避理论，通过考察股票当天被投资者卖出后反弹的比例和程度来构建。如某只股票买入浮亏占比较高或程度较大时，预期收益更高；卖出后股价反弹的占比越高或程度越大时，预期收益更低[25]。 * **因子具体构建过程**：该因子是两个细分因子的合成因子。首先利用逐笔成交数据区分每笔交易的主动买卖方向，并加入小单和尾盘的限制来构建细分因子： * **卖出反弹占比因子 (LCVOLESW)**。 * **卖出反弹偏离因子 (LCPESW)**。 然后，对上述两个因子进行等权合成[31]。最后，对合成后的因子进行行业和市值中性化处理，得到最终的遗憾规避因子。 * **因子评价**：该因子样本外超额收益稳定，表明A股投资者的遗憾规避情绪依然会显著影响股价的预期收益，但今年以来表现一般[3][34]。 4. **因子名称：斜率凸性因子**[36] * **因子构建思路**：该因子从投资者耐心与供求关系弹性的角度出发，利用限价订单簿的委托量和委托价信息，刻画订单簿的斜率和凸性对预期收益的影响。买方斜率越大（需求弹性小）或卖方斜率越小（供给弹性大），对应股票更高的预期收益[36]。 * **因子具体构建过程**：该因子是两个细分因子的合成因子。首先将委托量数据按档位累加，用委托价和累计委托量计算买卖方的订单簿斜率，并区分为： * **低档斜率因子 (Slope_ablW)**。 * **高档位卖方凸性因子 (Slope_alhW)**。 然后，对上述两个因子进行等权合成[39]。最后，对合成后的因子进行行业和市值中性化处理，得到最终的斜率凸性因子。 * **因子评价**：该因子自2016年以来收益保持平稳，但在样本外整体表现也比较平淡，年度表现欠佳[3][41]。 5. **因子名称：高频“金”组合合成因子**[3][43] * **因子构建思路**：将上述表现较好的高频因子（价格区间因子、量价背离因子、遗憾规避因子）进行合成，构建用于中证1000指数增强的策略因子[3]。 * **因子具体构建过程**：将价格区间因子、量价背离因子、遗憾规避因子这三类高频因子进行等权合成[3][43]。 6. **因子名称：高频&基本面共振组合合成因子**[4][47] * **因子构建思路**：将高频因子与基本面因子结合，利用其低相关性以提升多因子投资组合的表现[47]。 * **因子具体构建过程**：将高频“金”组合合成因子（基于价格区间、量价背离、遗憾规避因子）与三个比较有效的基本面因子（一致预期、成长和技术因子）进行等权合成[4][47]。 因子的回测效果 1. **价格区间因子**[13] * 多空收益率（上周）：-2.20% * 多空收益率（本月以来）：-2.20% * 多空收益率（今年以来）：12.72% * 多头超额收益率（上周）：-0.05% * 多头超额收益率（本月以来）：-0.05% * 多头超额收益率（今年以来）：5.08% 2. **量价背离因子**[13][22] * 多空收益率（上周）：0.77% * 多空收益率（本月以来）：0.77% * 多空收益率（今年以来）：17.97% * 多头超额收益率（上周）：0.21% * 多头超额收益率（本月以来）：0.21% * 多头超额收益率（今年以来）：5.97% 3. **遗憾规避因子**[13] * 多空收益率（上周）：-0.20% * 多空收益率（本月以来）：-0.20% * 多空收益率（今年以来）：17.27% * 多头超额收益率（上周）：-0.47% * 多头超额收益率（本月以来）：-0.47% * 多头超额收益率（今年以来）：0.34% 4. **斜率凸性因子**[3][38] * 多空收益率（上周）：-1.67% (基于中证800指数) * 多空收益率（本月以来）：-1.67% (基于中证800指数) * 多空收益率（今年以来）：-13.85% (基于中证800指数) * 多头超额收益率（上周）：-0.66% (基于中证800指数) * 多头超额收益率（本月以来）：-0.66% (基于中证800指数) * 多头超额收益率（今年以来）：-4.58% (基于中证800指数) 量化模型与构建方式 1. **模型名称：高频“金”组合中证1000指数增强策略**[3][43] * **模型构建思路**：基于合成的高频“金”组合因子，构建中证1000指数增强策略[3]。 * **模型具体构建过程**：使用高频“金”组合合成因子进行选股。策略调仓频率为周度，手续费率为单边千分之二，基准为中证1000指数。为降低调仓成本，加入了换手率缓冲机制[43]。 2. **模型名称：高频&基本面共振组合中证1000指数增强策略**[4][47] * **模型构建思路**：基于合成的高频&基本面共振组合因子，构建中证1000指数增强策略，旨在结合高频因子和基本面因子的优势[4][47]。 * **模型具体构建过程**：使用高频&基本面共振组合合成因子进行选股。策略调仓频率为周度，手续费率为单边千分之二，基准为中证1000指数[47]。 模型的回测效果 1. **高频“金”组合中证1000指数增强策略**[43][46][48] * 年化收益率：9.75% * 年化波动率：23.92% * Sharpe比率：0.41 * 最大回撤率：47.77% * 双边换手率（周度）：14.66% * 年化超额收益率：10.09% * 跟踪误差：4.28% * 信息比率(IR)：2.36 * 超额最大回撤：6.04% * 超额收益率（上周）：0.12% * 超额收益率（本月以来）：0.12% * 超额收益率（今年以来）：6.15% 2. **高频&基本面共振组合中证1000指数增强策略**[47][50][52] * 年化收益率：14.04% * 年化波动率：23.54% * Sharpe比率：0.60 * 最大回撤率：39.60% * 双边换手率（周度）：22.54% * 年化超额收益率：14.28% * 跟踪误差：4.18% * 信息比率(IR)：3.41 * 超额最大回撤：4.52% * 超额收益率（上周）：-0.45% * 超额收益率（本月以来）：-0.45% * 超额收益率（今年以来）：6.60%

量化因子与构建方式 1. 价格区间因子 **因子构建思路**：衡量股票在日内不同价格区间成交的活跃程度，以体现投资者对未来走势的预期[3] **因子具体构建过程**：利用三秒快照数据，分析不同价格区间的成交行为[12] - 高价格80%区间成交量因子（VH80TAW）：计算日内高价格80%区间的成交量，与未来收益呈负相关[12] - 高价格80%区间成交笔数因子（MIH80TAW）：计算日内高价格80%区间的成交笔数，与未来收益呈负相关[12] - 低价格10%区间每笔成交量因子（VPML10TAW）：计算日内低价格10%区间的平均每笔成交量，与未来收益呈正相关[12] - 合成方法：以25%、25%和50%的权重对三个细分因子进行合成，然后进行行业市值中性化处理[14] **因子评价**：展现出了较强的预测效果，今年以来表现比较稳定[3] 2. 量价背离因子 **因子构建思路**：衡量股票价格与成交量的相关性，相关性越低，未来上涨可能性越高[3] **因子具体构建过程**：利用高频快照数据计算价格与成交量的相关关系[22] - 价格与成交笔数相关性因子（CorrPM）：计算价格与成交笔数的相关性[22] - 价格与成交量相关性因子（CorrPV）：计算价格与成交量的相关性[22] - 合成方法：对两个细分因子进行等权合成，然后进行行业市值中性化处理[23] **因子评价**：近几年表现一直不太稳定，多空净值曲线趋近走平[3] 3. 遗憾规避因子 **因子构建思路**：通过考察股票当天被投资者卖出后反弹的比例和程度，体现投资者的遗憾规避情绪对股价预期收益的影响[3] **因子具体构建过程**：利用逐笔成交数据区分主动买卖方向，加入小单和尾盘限制[26] - 卖出反弹占比因子（LCVOLESW）：衡量卖出后股价反弹的占比[26] - 卖出反弹偏离因子（LCPESW）：衡量卖出后股价反弹的程度[26] - 合成方法：对两个细分因子进行等权合成，然后进行行业市值中性化处理[32] **因子评价**：样本外超额收益稳定，表明A股投资者的遗憾规避情绪会显著影响股价预期收益[3] 4. 斜率凸性因子 **因子构建思路**：从投资者耐心与供求关系弹性角度出发，刻画订单簿的斜率和凸性对预期收益的影响[3] **因子具体构建过程**：利用限价订单簿的委托量和委托价信息计算斜率[36] - 低档斜率因子（Slope_abl）：计算低档位的订单簿斜率[36] - 高档位卖方凸性因子（Slope_alh）：计算高档位的卖方凸性[36] - 合成方法：对两个细分因子进行等权合成，然后进行行业市值中性化处理[41] **因子评价**：因子自2016年以来收益保持平稳趋势[43] 量化模型与构建方式 1. 高频"金"组合中证1000指数增强策略 **模型构建思路**：将三类高频因子等权合成构建指数增强策略[3] **模型具体构建过程**： - 因子合成：将价格区间因子、量价背离因子、遗憾规避因子进行等权合成[3] - 调仓频率：周度调仓[44] - 手续费：单边千分之二[44] - 风险控制：加入换手率缓冲机制降低调仓成本[44] - 基准：中证1000指数[44] **模型评价**：在样本外表现出色，有较强的超额收益水平[47] 2. 高频&基本面共振组合中证1000指数增强策略 **模型构建思路**：将高频因子与有效的基本面因子结合提升多因子投资组合表现[48] **模型具体构建过程**： - 因子构成：高频因子（价格区间、量价背离、遗憾规避） + 基本面因子（一致预期、成长、技术因子）[48] - 合成方法：等权合成[48] - 调仓频率：周度调仓[48] - 基准：中证1000指数[48] **模型评价**：各项业绩指标均有提升，样本外表现稳定，有较强的超额收益水平[50] 因子的回测效果 1. 价格区间因子 - 上周多头超额收益率：0.28%[2][13] - 本月以来多头超额收益率：-0.41%[2][13] - 今年以来多头超额收益率：4.70%[2][13] - 上周多空收益率：-0.42%[13] - 本月以来多空收益率：-0.60%[13] - 今年以来多空收益率：13.53%[13] 2. 量价背离因子 - 上周多头超额收益率：0.18%[2][13] - 本月以来多头超额收益率：-1.47%[2][13] - 今年以来多头超额收益率：5.73%[2][13] - 上周多空收益率：1.82%[13] - 本月以来多空收益率：0.50%[13] - 今年以来多空收益率：15.99%[13] 3. 遗憾规避因子 - 上周多头超额收益率：-0.86%[2][13] - 本月以来多头超额收益率：-1.21%[2][13] - 今年以来多头超额收益率：1.04%[2][13] - 上周多空收益率：0.73%[13] - 本月以来多空收益率：1.04%[13] - 今年以来多空收益率：15.54%[13] 4. 斜率凸性因子 - 上周多头超额收益率：0.96%[2] - 本月以来多头超额收益率：0.63%[2] - 今年以来多头超额收益率：-7.40%[2] 模型的回测效果 1. 高频"金"组合中证1000指数增强策略 - 年化收益率：9.31%[44] - 年化波动率：23.97%[44] - Sharpe比率：0.39[44] - 最大回撤率：47.77%[44] - 双边换手率（周度）：14.66%[44] - 年化超额收益率：10.20%[3][44] - 跟踪误差：4.28%[44] - 信息比率：2.38[44] - 超额最大回撤：6.04%[3][44] - 上周超额收益：0.80%[3] - 本月以来超额收益：0.83%[3] - 今年以来超额收益：6.58%[3] 2. 高频&基本面共振组合中证1000指数增强策略 - 年化收益率：13.67%[50] - 年化波动率：23.59%[50] - Sharpe比率：0.58[50] - 最大回撤率：39.60%[50] - 双边换手率（周度）：22.54%[50] - 年化超额收益率：14.49%[4][50] - 跟踪误差：4.19%[50] - 信息比率：3.46[50] - 超额最大回撤：4.52%[4][50] - 上周超额收益：1.14%[4] - 本月以来超额收益：1.22%[4] - 今年以来超额收益：7.66%[4]

根据研报内容，以下是关于量化因子和模型的总结： 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：基于股票日内高频收益的分布特征构建，捕捉收益分布的非对称性[13] - 因子具体构建过程：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》[13] **2 因子名称：日内下行波动占比因子** - 因子构建思路：通过分解已实现波动，衡量下行波动在总波动中的占比[18] - 因子具体构建过程：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》[18] **3 因子名称：开盘后买入意愿占比因子** - 因子构建思路：基于开盘后的交易行为数据，衡量买入意愿的强度[22] - 因子具体构建过程：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》[22] **4 因子名称：开盘后买入意愿强度因子** - 因子构建思路：进一步量化开盘后买入意愿的强度水平[26] - 因子具体构建过程：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》[26] **5 因子名称：开盘后大单净买入占比因子** - 因子构建思路：分析开盘后大单净买入在总交易中的占比[30] **6 因子名称：开盘后大单净买入强度因子** - 因子构建思路：衡量开盘后大单净买入的强度水平[35] **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优化[40] **8 因子名称：尾盘成交占比因子** - 因子构建思路：分析尾盘成交在当日总成交中的占比[45] **9 因子名称：平均单笔流出金额占比因子** - 因子构建思路：衡量平均单笔流出金额的相对占比[51] **10 因子名称：大单推动涨幅因子** - 因子构建思路：分析大单交易对股价涨幅的推动作用[56] **11 因子名称：改进GRU(50,2)+NN(10)因子** - 因子构建思路：基于门控循环单元(GRU)和神经网络(NN)的深度学习模型[61] **12 因子名称：残差注意力LSTM(48,2)+NN(10)因子** - 因子构建思路：结合残差注意力机制的长短期记忆网络(LSTM)模型[62] **13 因子名称：多颗粒度模型-5日标签因子** - 因子构建思路：基于多时间颗粒度数据，使用5日收益标签训练[67] - 因子具体构建过程：因子基于双向AGRU训练得到[67] **14 因子名称：多颗粒度模型-10日标签因子** - 因子构建思路：基于多时间颗粒度数据，使用10日收益标签训练[68] - 因子具体构建过程：因子基于双向AGRU训练得到[68] 量化模型与构建方式 **1 模型名称：中证500 AI增强宽约束组合** - 模型构建思路：基于深度学习因子构建指数增强组合，采用相对宽松的约束条件[72] - 模型具体构建过程：优化目标为最大化预期收益，目标函数为$$max\sum\mu_{i}w_{i}$$，其中$w_i$为股票权重，$\mu_i$为预期超额收益[73] **2 模型名称：中证500 AI增强严约束组合** - 模型构建思路：基于深度学习因子构建指数增强组合，采用严格的约束条件[72] **3 模型名称：中证1000 AI增强宽约束组合** - 模型构建思路：基于深度学习因子构建指数增强组合，采用相对宽松的约束条件[72] **4 模型名称：中证1000 AI增强严约束组合** - 模型构建思路：基于深度学习因子构建指数增强组合，采用严格的约束条件[72] 因子的回测效果 **1 日内高频偏度因子**：历史IC 0.027，2025年IC 0.042，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.329，9月多空收益3.82%，2025YTD多空收益16.22%，2025年月胜率6/9，9月多头超额1.74%，2025YTD多头超额5.14%[9] **2 日内下行波动占比因子**：历史IC 0.025，2025年IC 0.036，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.326，9月多空收益2.86%，2025YTD多空收益13.58%，2025年月胜率7/9，9月多头超额0.55%，2025YTD多头超额1.41%[9] **3 开盘后买入意愿占比因子**：历史IC 0.032，2025年IC 0.030，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.324，9月多空收益0.68%，2025YTD多空收益10.39%，2025年月胜率6/9，9月多头超额0.54%，2025YTD多头超额4.07%[9] **4 开盘后买入意愿强度因子**：历史IC 0.035，2025年IC 0.030，历史e^(-rank mae) 0.326，2025年e^(-rank mae) 0.329，9月多空收益0.65%，2025YTD多空收益11.29%，2025年月胜率7/9，9月多头超额0.60%，2025YTD多头超额4.52%[9] **5 开盘后大单净买入占比因子**：历史IC 0.041，2025年IC 0.035，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.324，9月多空收益1.49%，2025YTD多空收益15.60%，2025年月胜率8/9，9月多头超额0.35%，2025YTD多头超额7.93%[9] **6 开盘后大单净买入强度因子**：历史IC 0.033，2025年IC 0.028，历史e^(-rank mae) 0.323，2025年e^(-rank mae) 0.322，9月多空收益0.88%，2025YTD多空收益11.30%，2025年月胜率8/9，9月多头超额0.80%，2025YTD多头超额6.14%[9] **7 改进反转因子**：历史IC 0.032，2025年IC 0.016，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.331，9月多空收益-0.81%，2025YTD多空收益4.07%，2025年月胜率5/9，9月多头超额-0.63%，2025YTD多头超额3.61%[9] **8 尾盘成交占比因子**：历史IC 0.049，2025年IC 0.030，历史e^(-rank mae) 0.332，2025年e^(-rank mae) 0.323，9月多空收益2.13%，2025YTD多空收益14.11%，2025年月胜率7/9，9月多头超额0.58%，2025YTD多头超额6.10%[9] **9 平均单笔流出金额占比因子**：历史IC 0.020，2025年IC 0.009，历史e^(-rank mae) 0.317，2025年e^(-rank mae) 0.318，9月多空收益-0.48%，2025YTD多空收益3.59%，2025年月胜率5/9，9月多头超额0.80%，2025YTD多头超额3.67%[9] **10 大单推动涨幅因子**：历史IC 0.016，2025年IC 0.010，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.327，9月多空收益2.23%，2025YTD多空收益7.36%，2025年月胜率7/9，9月多头超额1.19%，2025YTD多头超额3.34%[9] 模型的回测效果 **1 中证500 AI增强宽约束组合**：上周超额收益-1.36%，9月超额收益-3.85%，2025YTD超额收益0.94%，2025年周胜率23/39[13] **2 中证500 AI增强严约束组合**：上周超额收益-1.35%，9月超额收益-1.33%，2025YTD超额收益3.70%，2025年周胜率24/39[13] **3 中证1000 AI增强宽约束组合**：上周超额收益0.40%，9月超额收益0.42%，2025YTD超额收益9.15%，2025年周胜率26/39[13] **4 中证1000 AI增强严约束组合**：上周超额收益-0.19%，9月超额收益0.67%，2025YTD超额收益14.01%，2025年周胜率25/39[13]

量化因子与构建方式 1. **因子名称**：价格区间因子 - **构建思路**：衡量股票在日内不同价格区间成交的活跃程度，反映投资者对未来走势的预期[12] - **具体构建过程**： 1. 使用高频快照数据提取高价格80%区间成交量因子（VH80TAW）、高价格80%区间成交笔数因子（MIH80TAW）和低价格10%区间每笔成交量因子（VPML10TAW） 2. 按25%、25%、50%权重合成因子 3. 对合成因子进行行业市值中性化处理[12][14] - **因子评价**：样本外表现稳定，超额收益曲线持续向上[17] 2. **因子名称**：量价背离因子 - **构建思路**：通过价格与成交量的相关性衡量市场情绪，低相关性预示未来上涨概率更高[22] - **具体构建过程**： 1. 计算快照成交价与成交笔数的相关性（CorrPMW）、成交价与成交量的相关性（CorrPVW） 2. 对两个细分因子等权合成 3. 进行行业市值中性化处理[22][25] - **因子评价**：近年收益趋平但今年以来表现回升[26] 3. **因子名称**：遗憾规避因子 - **构建思路**：基于行为金融学理论，捕捉投资者卖出后股价反弹的规避情绪[27] - **具体构建过程**： 1. 使用逐笔数据计算卖出反弹占比因子（LCVOLESW）和卖出反弹偏离因子（LCPESW） 2. 等权合成后做行业市值中性化[30][33] - **因子评价**：样本外超额收益稳定，但今年以来表现一般[36] 4. **因子名称**：斜率凸性因子 - **构建思路**：通过订单簿斜率和凸性分析供需弹性，反映投资者价格敏感度[37] - **具体构建过程**： 1. 提取低档位买方斜率因子（Slope_abl）和高档位卖方凸性因子（Slope_alh） 2. 等权合成并做行业市值中性化[39][40] - **因子评价**：2016年后收益平稳但样本外表现平淡[42] --- 量化模型与构建方式 1. **模型名称**：高频"金"组合中证1000指数增强策略 - **构建思路**：将价格区间、量价背离、遗憾规避因子等权合成构建增强策略[3] - **具体构建过程**： 1. 周频调仓，单边手续费率0.2% 2. 加入换手率缓冲机制控制成本 3. 基准为中证1000指数[44][45] 2. **模型名称**：高频&基本面共振组合中证1000指数增强策略 - **构建思路**：结合高频因子与基本面因子（一致预期、成长、技术因子）提升表现[49] - **具体构建过程**： 1. 高频因子与基本面因子等权合成 2. 相同调仓频率和风控机制[50][51] --- 因子的回测效果 | 因子名称 | 上周多头超额 | 本月多头超额 | 今年以来多头超额 | 多空收益率（今年以来） | |------------------|--------------|--------------|-------------------|------------------------| | 价格区间因子 | 0.40%[13] | 0.51%[13] | 5.86%[13] | 13.69%[13] | | 量价背离因子 | -0.24%[13] | 1.53%[13] | 9.00%[13] | 16.21%[13] | | 遗憾规避因子 | 0.27%[13] | -0.49%[13] | 2.32%[13] | 12.41%[13] | | 斜率凸性因子 | -1.74%[2] | -2.46%[2] | -5.90%[2] | -12.37%[39] | --- 模型的回测效果 | 模型名称 | 年化超额收益 | 跟踪误差 | IR | 超额最大回撤 | |------------------------------------|--------------|----------|-------|--------------| | 高频"金"组合增强策略 | 10.51%[45] | 4.25%[45]| 2.47[45] | 6.04%[45] | | 高频&基本面共振组合增强策略 | 14.57%[51] | 4.16%[51]| 3.50[51] | 4.52%[51] |

市场表现 - 沪深300及创业板指数近1年走势显示，沪深300指数波动范围为-20%至80%，创业板指波动范围为0%至80% [1][2] - 昨日涨跌幅前五行业为国防军工(+3.073%)、机械设备(+1.979%)、煤炭(+1.893%)、纺织服饰(+1.356%)、计算机(+1.300%) [3] - 昨日涨跌幅后五行业为医药生物(-0.651%)、商贸零售(-0.227%)、建筑材料(-0.226%)、社会服务(-0.185%)、银行(-0.136%) [5] 金融工程研究 - 资金驱动下的A股表现亮眼，被动投资在行情初期发挥重要作用，部分投资者通过购买ETF为指数价格上涨提供流动性 [8] - 杠杆类资金是放量行情的重要支撑，截至2025年8月4日全市场融资融券余额已超过1.99万亿，突破2024年以来历史高点 [8] - 量价齐升和赚钱效应放大是行情的核心驱动因素，市场赚钱效应刺激散户参与意愿增加 [6][8] 微观交易特征 - 早盘交易集中度维持在2024年"新国九条"颁布以前的水平，截至2025年8月4日的集中比例约为25% [9] - 委托金额变化反映机构和散户参与比例的动态变化规律 [10] - 程序化交易比例在放量阶段有所增长，但受政策限制措施影响使用变得克制 [12] 高频因子表现 - 高维记忆_MEMO因子2023年以来多空收益29.3% [14] - 强反转_SR因子2023年以来多空收益19.7% [14] - 彩票委托_LOTTERY因子2023年以来多空收益32.9% [14] 北汽蓝谷公司分析 - 公司发布"三年跃升计划"，推动销售上量、结构优化、降本和丰富盈利生态 [4][16] - 2025Q1营收同比增长151%，毛利率同比提升4.1个百分点，归母净利同比减亏0.6亿元 [4][16] - 预计2025-2027年营收分别为317.6亿元、632.8亿元、949.0亿元，当前股价对应PS分别为1.5倍、0.8倍、0.5倍 [4][16] 极狐品牌发展 - 2024年以来销量明显提升，产品端定位下探、配置提升，聚焦特定场景需求 [17] - 品牌端强化"技术+安全"形象，采用新媒体营销方式，2024年12月新媒体订单占比25% [17] - 渠道端经销渠道翻倍增长，下沉市场快速渗透，未来将发布αT5/αS5增程车型、MPV等新产品 [17] 享界品牌发展 - 与华为合作打造智选模式，进军高端车市场，S9增程版综合续航里程达1355km [18] - 在智驾、智舱等方面领先BBA等燃油车竞品，销量提升明显 [18] - 未来有望发布SUV等新车型，获得更大发展空间 [18]

量化因子与构建方式 1. **因子名称：高维记忆_MEMO因子** - **构建思路**：通过符号处理方法将每笔委托的交易方向转化为数值序列，计算相关系数以刻画订单间的关联性，关联性越强表明机构交易贡献度越高[40] - **具体构建过程**： 1. 提取每笔委托的交易方向（买入/卖出）并编码为数值序列 2. 计算当前订单与后续若干笔订单的相关系数 3. 综合相关系数形成因子值，反映机构交易的持续性特征 - **因子评价**：有效捕捉机构拆单行为，对高质量公司具有显著区分能力[40] 2. **因子名称：强反转_SR因子** - **构建思路**：基于“单笔成交金额越高，反转强度越大”的规律，利用分钟级单笔金额切割日内涨跌幅，强化反转效应[46] - **具体构建过程**： 1. 统计每分钟单笔成交金额及对应涨跌幅 2. 按金额分位数划分区间，计算各区间内的反转强度 3. 加权合成因子值，公式为： $$SR = \sum_{i=1}^{240} w_i \cdot \Delta P_i$$ 其中\(w_i\)为金额区间权重，\(\Delta P_i\)为反转收益[46] - **因子评价**：相比日频反转因子，分钟级切割显著提升预测精度[46] 3. **因子名称：彩票委托_LOTTERY因子** - **构建思路**：捕捉散户在涨停价挂卖单或跌停价挂买单的“彩票博弈”行为，此类委托占比越高则标的未来表现越差[48] - **具体构建过程**： 1. 识别涨停价卖单和跌停价买单的委托量 2. 计算其占总委托量的比例： $$LOTTERY = \frac{V_{\text{extreme}}}{V_{\text{total}}}$$ 其中\(V_{\text{extreme}}\)为极端价位委托量[48] - **因子评价**：有效反映散户主导的交易结构，负向Alpha显著[48] --- 因子的回测效果 1. **高维记忆_MEMO因子** - IC：0.045（2023年以来）[39] - ICIR：2.989[39] - 年化多空收益：29.3%[39] 2. **强反转_SR因子** - IC：-0.043（2023年以来）[39] - ICIR：-2.473[39] - 年化多空收益：19.7%[39] 3. **彩票委托_LOTTERY因子** - IC：-0.054（2023年以来）[39] - ICIR：-2.792[39] - 年化多空收益：32.9%[39] --- 其他微观交易特征指标（附录） 1. **买入高频撤单率_笔数** - IC：0.045[53] - ICIR：2.938[53] - 年化多空收益：24.7%[53] - 多空IR：2.802[53] 2. **单笔金额** - IC：-0.035[53] - ICIR：-2.077[53] - 年化多空收益：21.4%[53] - 多空IR：1.966[53] 3. **上行波动** - IC：-0.059[53] - ICIR：-2.197[53] - 年化多空收益：34.5%[53] - 多空IR：2.342[53] （注：其他指标详见附录表2[53]）