根据研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称：利率价量多周期择时模型**[10][21][24] * **模型构建思路**：基于核回归算法捕捉利率趋势形态，刻画利率数据的支撑线和阻力线，根据不同投资周期下利率走势的形态突破情况，给出多周期复合择时观点[10][24] * **模型具体构建过程**： * 使用核回归算法对利率（YTM）时间序列进行平滑处理，以识别趋势并生成支撑线和阻力线[10] * 在长周期（平均切换频率为月度）、中周期（平均切换频率为双周度）和短周期（平均切换频率为周度）三个不同时间尺度上，分别判断当前利率是否向上突破阻力线或向下突破支撑线[10][21] * 综合三个周期的突破信号生成最终择时观点：当三个周期中有至少两个周期发出同向突破信号（例如，两个或以上周期为向下突破），且利率趋势非反向时，则产生明确的看多或看空信号；否则信号为中性[10][21][24] * 对于美国市场，模型逻辑类似，但最终信号会结合近期信号历史进行微调，例如“中性偏多”的判断[21] 2. **模型名称：利率多周期交易策略**[24][29] * **模型构建思路**：将上述利率价量多周期择时信号转化为具体的久期配置策略，通过在不同信号下超配或低配不同久期的债券组合来获取超额收益[24] * **模型具体构建过程**： * **投资标的**：根据模型久期偏好选择不同久期的债券指数[24] * 短久期：综合债1-3 (CBA00121) * 中久期：综合债3-5 (CBA00131) * 长久期：根据基础YTM期限对应选择（5年期YTM模型对应综合债5-7 (CBA00141)，10年期对应综合债7-10 (CBA00151)，30年期对应综合债10以上 (CBA00161)）[24] * **组合构建规则**[24][29]： * 看多信号（长久期）：当短、中、长周期中，有至少2个周期下的利率形态向下突破支撑线，且利率趋势非向上时，满配长久期；当条件满足但利率趋势向上时，配置1/2中久期+1/2长久期 * 看空信号（短久期）：当短、中、长周期中，有至少2个周期下的利率形态向上突破阻力线，且利率趋势非向下时，满配短久期；当条件满足但利率趋势向下时，配置1/2中久期+1/2短久期 * 中性信号：其余时间三种久期等权配置 * **业绩基准**：久期等权策略，即1/3短久期 + 1/3中久期 + 1/3长久期[29] * **止损方式**：当单日组合超额收益小于-0.5%时，调整持仓为等权配置[29] 量化因子与构建方式 1. **因子名称：利率水平结构因子**[7] * **因子构建思路**：从收益率曲线中提取出代表整体利率水平的信息[7] * **因子具体构建过程**：将1至10年的国债到期收益率（YTM）数据通过特定方法（报告中未明确给出具体公式，但提及是转化）计算出一个综合读数，用以衡量利率市场的整体水平[7] 2. **因子名称：利率期限结构因子**[7] * **因子构建思路**：从收益率曲线中提取出代表期限利差的信息[7] * **因子具体构建过程**：基于1至10年国债YTM数据，通过特定方法计算出一个代表长短期利差水平的读数[7] 3. **因子名称：利率凸性结构因子**[7] * **因子构建思路**：从收益率曲线中提取出代表曲线凸性程度的信息[7] * **因子具体构建过程**：基于1至10年国债YTM数据，通过特定方法计算出一个代表收益率曲线弯曲程度（凸性）的读数[7] 模型的回测效果 1. **基于5年期国债YTM价量的多周期交易策略**[25][37] * 长期年化收益率：5.5% (2007.12.31至今) * 长期最大回撤：2.88% * 长期收益回撤比：1.91 * 长期超额收益率（相对久期等权基准）：1.07% * 长期超额收益回撤比：0.62 * 短期年化收益率（2024年底以来）：1.86% * 短期最大回撤：0.59% * 短期收益回撤比：3.16 * 短期超额收益率：0.85% * 短期超额收益回撤比：2.17 * 逐年绝对收益胜率（2008年以来）：100% * 逐年超额收益胜率（2008年以来）：100% 2. **基于10年期国债YTM价量的多周期交易策略**[28][37] * 长期年化收益率：6.09% (2007.12.31至今) * 长期最大回撤：2.74% * 长期收益回撤比：2.22 * 长期超额收益率（相对久期等权基准）：1.66% * 长期超额收益回撤比：1.16 * 短期年化收益率（2024年底以来）：2.42% * 短期最大回撤：0.58% * 短期收益回撤比：4.19 * 短期超额收益率：1.55% * 短期超额收益回撤比：3.53 * 逐年绝对收益胜率（2008年以来）：100% * 逐年超额收益胜率（2008年以来）：100% 3. **基于30年期国债YTM价量的多周期交易策略**[33][37] * 长期年化收益率：7.38% (2007.12.31至今) * 长期最大回撤：4.27% * 长期收益回撤比：1.73 * 长期超额收益率（相对久期等权基准）：2.42% * 长期超额收益回撤比：0.87 * 短期年化收益率（2024年底以来）：3.11% * 短期最大回撤：0.92% * 短期收益回撤比：3.39 * 短期超额收益率：2.87% * 短期超额收益回撤比：3.28 * 逐年绝对收益胜率（2008年以来）：94.44% * 逐年超额收益胜率（2008年以来）：94.44% 因子的回测效果 （报告中未提供利率水平、期限、凸性结构因子的独立回测绩效指标）

根据研报内容，信息分布均匀度（UID）因子是核心内容，报告未涉及具体的量化模型，仅详细描述了该因子的构建与绩效。以下是总结： **量化因子与构建方式** 1. **因子名称**：信息分布均匀度因子（UID）[6] * **因子构建思路**：该因子是对传统换手率因子的改进，旨在利用个股的分钟数据，通过分析高频波动率来构建一个选股效果更优的因子[6] * **因子具体构建过程**：报告未提供UID因子的具体计算公式和构建步骤，仅提及它是借助涨跌幅的分钟数据，在计算每日高频波动率的基础上构造的[6] * **因子评价**：UID因子的选股效果大幅优于传统波动率因子，并且在剔除了市场常用风格和行业的干扰后，其纯净因子仍然具备不错的选股能力[1] **因子的回测效果** 1. **信息分布均匀度UID因子**（测试区间：2014年1月至2025年9月，全体A股，10分组多空对冲）[1][7][12] * 年化收益率：26.48% * 年化波动率：9.88% * 信息比率（IR）：2.68 * 月度胜率：78.72% * 月度最大回撤率：6.05% 2. **信息分布均匀度UID因子**（2025年9月，全体A股）[11] * 10分组多头组合收益率：1.84% * 10分组空头组合收益率：0.04% * 10分组多空对冲收益率：1.80%

根据研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称：利率价量多周期择时模型**[10][24] * **模型构建思路**：基于核回归算法捕捉利率趋势形态，刻画利率数据的支撑线和阻力线，根据不同投资周期下利率走势的形态突破情况，给出多周期复合择时观点[10] * **模型具体构建过程**： * **趋势识别**：使用核回归算法对国债到期收益率（YTM）数据进行平滑处理，分别拟合出长周期、中周期和短周期下的趋势线（支撑线和阻力线）[10] * **信号生成**：判断当前YTM相对于各周期趋势线的位置，生成突破信号。信号类型包括“向上突破”、“向下突破”和“无信号”[10][13][17] * **信号合成**：对长、中、短三个周期的突破信号进行投票合成。具体规则为：若三个周期中有至少两个周期出现同向突破信号（例如，两个或以上周期为“向下突破”），则生成最终的看多或看空信号；否则可能生成中性信号或进行特殊配置[10][24][29] * **组合构建**：根据合成的最终信号配置不同久期的债券组合[24][29] * 看多信号（至少两个周期向下突破且趋势非向上）：满配长久期债券[24] * 看多信号但趋势向上：配置1/2中久期 + 1/2长久期[24] * 看空信号（至少两个周期向上突破且趋势非向下）：满配短久期债券[29] * 看空信号但趋势向下：配置1/2中久期 + 1/2短久期[29] * 其他情况：短、中、长久期等权配置[29] * **止损机制**：当单日组合超额收益小于-0.5%时，调整持仓为等权配置[29] * **模型评价**：该模型通过多周期共振机制过滤噪音，旨在提高信号的稳定性[10] 2. **因子名称：利率水平结构因子**[7] * **因子构建思路**：将1至10年的国债YTM数据转化为一个代表整体利率水平高低的指标，从均值回归视角进行评估[7] * **因子具体构建过程**：报告未详细说明该因子的具体计算公式，但指出其反映了利率的绝对水平，并通过历史分位数（如3年、5年、10年分位数）来衡量当前水平在历史中的位置[7] 3. **因子名称：利率期限结构因子**[7] * **因子构建思路**：捕捉不同期限国债收益率之间的利差，反映利率曲线的陡峭程度[7] * **因子具体构建过程**：报告未详细说明该因子的具体计算公式，但指出其读数代表了期限利差，并通过历史分位数进行评估[7] 4. **因子名称：利率凸性结构因子**[7] * **因子构建思路**：衡量利率曲线的弯曲程度，即凸性特性[7] * **因子具体构建过程**：报告未详细说明该因子的具体计算公式，但指出其读数代表了凸性结构，并通过历史分位数进行评估[7] 模型的回测效果 1. **基于5年期国债YTM的利率价量多周期择时模型** * 长期表现（2007年12月31日至今）：年化收益率5.5%，最大回撤2.88%，收益回撤比1.91，相对业绩基准的年化超额收益率1.07%，超额收益回撤比0.62，逐年绝对收益胜率100%，逐年超额收益胜率100%[25][37] * 短期表现（2024年底以来）：年化收益率1.86%，最大回撤0.59%，收益回撤比3.15，相对业绩基准的超额收益率0.86%[4][25] 2. **基于10年期国债YTM的利率价量多周期择时模型** * 长期表现（2007年12月31日至今）：年化收益率6.09%，最大回撤2.74%，收益回撤比2.23，相对业绩基准的年化超额收益率1.66%，超额收益回撤比1.16，逐年绝对收益胜率100%，逐年超额收益胜率100%[28][37] * 短期表现（2024年底以来）：年化收益率2.35%，最大回撤0.58%，收益回撤比4.07，相对业绩基准的超额收益率1.56%[4][28] 3. **基于30年期国债YTM的利率价量多周期择时模型** * 长期表现（2007年12月31日至今）：年化收益率7.38%，最大回撤4.27%，收益回撤比1.73，相对业绩基准的年化超额收益率2.42%，超额收益回撤比0.87，逐年绝对收益胜率94.44%，逐年超额收益胜率94.44%[33][37] * 短期表现（2024年底以来）：年化收益率2.98%，最大回撤0.92%，收益回撤比3.26，相对业绩基准的超额收益率2.87%[4][33] 因子的回测效果 （报告中未提供利率水平、期限、凸性结构因子的独立测试结果）

根据研报内容，现对其中涉及的量化模型与因子总结如下： 量化模型与构建方式 1. **模型名称：优秀基金业绩增强组合**[4][48][49] * **模型构建思路**：将对标基准从宽基指数转变为主动股基，在借鉴优秀基金持仓的基础上，采用量化方法进行增强，以达到优中选优、稳定战胜主动股基中位数的目的[4][48] * **模型具体构建过程**： 1. 优选基金：对基金进行优选，并对收益类因子进行分层中性化处理，以解决市场风格突变时的反转问题和持股风格集中化问题[48] 2. 构建优选基金持仓组合：根据业绩分层视角下的优选基金补全持仓构建组合，该组合能较好地跟踪股基中位数走势[48] 3. 组合优化增强：以优选基金持仓为选股空间和对标基准，采用组合优化的方法控制组合与优选基金持仓在个股偏离、行业偏离及风格上的偏离，构建最终组合[49] 2. **模型名称：超预期精选组合**[5][54] * **模型构建思路**：以业绩超预期事件为切入点，对超预期股票池进行基本面和技术面两个维度的精选，构建同时具备基本面支撑和技术面共振的股票组合[5][54] * **模型具体构建过程**： 1. 筛选超预期事件股票池：以研报标题出现“超预期”与分析师全线上调净利润为条件进行筛选[5][54] 2. 双层优选：对超预期股票池中的股票，进行基本面和技术面两个维度的精选[5][54] 3. 构建组合：挑选出符合条件的股票构建超预期精选股票组合[5] 3. **模型名称：券商金股业绩增强组合**[6][59] * **模型构建思路**：以券商金股股票池为基础，通过组合优化控制与基准的偏离，以期获得稳定战胜偏股混合型基金指数的表现[6][59] * **模型具体构建过程**： 1. 确定选股空间与基准：以券商金股股票池为选股空间和对标基准[6][59] 2. 组合优化控制偏离：采用组合优化的方式，控制组合与券商金股股票池在个股、风格上的偏离[6] 3. 构建组合：形成券商金股业绩增强组合[6] 4. **模型名称：成长稳健组合**[7][64] * **模型构建思路**：采用“先时序、后截面”的方式构建成长股二维评价体系，重点布局成长股超额收益释放的黄金期，以高效获取超额收益[7][64] * **模型具体构建过程**： 1. 筛选成长股股票池：以研报标题出现“超预期”及业绩大增为条件筛选成长股[7][64] 2. 时序分档：根据距离正式财报预约披露日的间隔天数进行分档，优先选择距离财报预约披露日较近的股票[7] 3. 截面精选：当样本数量较多时，采用多因子打分精选优质个股[7] 4. 构建组合：构建100只股票的等权组合，并引入弱平衡机制、跃迁机制、缓冲机制和风险规避机制以降低换手、规避风险[64] 模型的回测效果 1. **优秀基金业绩增强组合**[14][17][24][50][53] * 本周（2025.10.9-2025.10.10）绝对收益（考虑仓位）：-0.98%[14][17][24] * 本周相对偏股混合型基金指数超额收益：0.54%[14][17][24] * 本年（2025.1.2-2025.10.10）绝对收益（考虑仓位）：29.30%[14][17][24] * 本年相对偏股混合型基金指数超额收益：-4.01%[14][17][24] * 本年（截至2025.10.10）在主动股基中排名分位点：54.63%[14][17][24] * 全样本区间（2012.1.4-2025.6.30）年化收益（考虑仓位及费用）：20.31%[50][53] * 全样本区间相对偏股混合型基金指数年化超额收益：11.83%[50][53] 2. **超预期精选组合**[14][17][32][55][57] * 本周（2025.10.9-2025.10.10）绝对收益（考虑仓位）：0.22%[14][17][32] * 本周相对偏股混合型基金指数超额收益：1.74%[14][17][32] * 本年（2025.1.2-2025.10.10）绝对收益（考虑仓位）：47.41%[14][17][32] * 本年相对偏股混合型基金指数超额收益：14.10%[14][17][32] * 本年（截至2025.10.10）在主动股基中排名分位点：21.71%[14][17][32] * 全样本区间（2010.1.4-2025.6.30）年化收益（考虑仓位及费用）：30.55%[55][57] * 全样本区间相对偏股混合型基金指数年化超额收益：24.68%[55][57] 3. **券商金股业绩增强组合**[14][17][39][60][63] * 本周（2025.10.9-2025.10.10）绝对收益（考虑仓位）：-1.51%[14][17][39] * 本周相对偏股混合型基金指数超额收益：0.01%[14][17][39] * 本年（2025.1.2-2025.10.10）绝对收益（考虑仓位）：34.07%[14][17][39] * 本年相对偏股混合型基金指数超额收益：0.76%[14][17][39] * 本年（截至2025.10.10）在主动股基中排名分位点：44.42%[14][17][39] * 全样本区间（2018.1.2-2025.6.30）年化收益（考虑仓位及费用）：19.34%[60][63] * 全样本区间相对偏股混合型基金指数年化超额收益：14.38%[60][63] 4. **成长稳健组合**[1][14][17][43][65][68] * 本周（2025.10.9-2025.10.10）绝对收益（考虑仓位）：-0.08%[14][17][43] * 本周相对偏股混合型基金指数超额收益：1.44%[14][17][43] * 本年（2025.1.2-2025.10.10）绝对收益（考虑仓位）：54.84%[14][17][43] * 本年相对偏股混合型基金指数超额收益：21.53%[14][17][43] * 本年（截至2025.10.10）在主动股基中排名分位点：13.00%[14][17][43] * 全样本区间（2012.1.4-2025.6.30）年化收益（考虑仓位及费用）：35.51%[65][68] * 全样本区间相对偏股混合型基金指数年化超额收益：26.88%[65][68]

根据提供的研报内容，以下是关于量化因子和模型的详细总结： 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：利用股票日内高频收益的分布偏度特征来预测未来收益[11] 因子具体构建过程：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》[11] **2 因子名称：日内下行波动占比因子** 因子构建思路：通过分析已实现波动中下行波动的占比来选股[15] 因子具体构建过程：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》[15] **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度量市场买入意愿[21] 因子具体构建过程：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》[21] **4 因子名称：开盘后买入意愿强度因子** 因子构建思路：衡量开盘后买入意愿的强度水平[25] 因子具体构建过程：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在总成交中的占比[28] **6 因子名称：开盘后大单净买入强度因子** 因子构建思路：度量开盘后大单净买入的强度[33] **7 因子名称：改进反转因子** 因子构建思路：在传统反转因子基础上进行优化改进[38] **8 因子名称：尾盘成交占比因子** 因子构建思路：利用尾盘成交在总成交中的占比信息[41] **9 因子名称：平均单笔流出金额占比因子** 因子构建思路：分析平均单笔流出金额的占比特征[47] **10 因子名称：大单推动涨幅因子** 因子构建思路：衡量大单交易对股价上涨的推动程度[52] **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[56] **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[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训练的多时间颗粒度模型[60] 因子具体构建过程：因子基于双向A-GRU训练得到[60] **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训练的多时间颗粒度模型[61] 因子具体构建过程：因子基于双向A-GRU训练得到[61] 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，采用较宽松的风险约束[65] 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： $$max\sum\mu_{i}w_{i}$$[66] 其中$w_i$为组合中股票i的权重，$\mu_i$为股票i的预期超额收益[66] **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，采用较严格的风险约束[65] 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： $$max\sum\mu_{i}w_{i}$$[66] **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，采用较宽松的风险约束[65] 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： $$max\sum\mu_{i}w_{i}$$[66] **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，采用较严格的风险约束[65] 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： $$max\sum\mu_{i}w_{i}$$[66] 因子的回测效果 **1 日内高频偏度因子**：历史IC 0.027，2025年IC 0.043，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.329，9月多空收益4.61%，2025YTD多空收益17.00%，2025年月胜率6/9，9月多头超额2.15%，2025YTD多头超额5.55%，2025年多头月胜率5/9[8] **2 日内下行波动占比因子**：历史IC 0.025，2025年IC 0.037，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.326，9月多空收益3.44%，2025YTD多空收益14.16%，2025年月胜率7/9，9月多头超额0.72%，2025YTD多头超额1.58%，2025年多头月胜率5/9[8] **3 开盘后买入意愿占比因子**：历史IC 0.031，2025年IC 0.030，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.324，9月多空收益0.45%，2025YTD多空收益10.17%，2025年月胜率6/9，9月多头超额0.30%，2025YTD多头超额3.83%，2025年多头月胜率7/9[8] **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0.49%，2025YTD多空收益11.13%，2025年月胜率7/9，9月多头超额0.68%，2025YTD多头超额4.60%，2025年多头月胜率6/9[8] **5 开盘后大单净买入占比因子**：历史IC 0.041，2025年IC 0.036，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.324，9月多空收益2.09%，2025YTD多空收益16.20%，2025年月胜率8/9，9月多头超额0.58%，2025YTD多头超额8.16%，2025年多头月胜率8/9[8] **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1.59%，2025YTD多空收益12.01%，2025年月胜率8/9，9月多头超额1.21%，2025YTD多头超额6.55%，2025年多头月胜率8/9[8] **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-0.74%，2025YTD多空收益4.14%，2025年月胜率5/9，9月多头超额-0.17%，2025YTD多头超额4.07%，2025年多头月胜率6/9[8] **8 尾盘成交占比因子**：历史IC 0.049，2025年IC 0.032，历史e^(-rank mae) 0.332，2025年e^(-rank mae) 0.323，9月多空收益3.11%，2025YTD多空收益15.09%，2025年月胜率7/9，9月多头超额1.03%，2025YTD多头超额6.55%，2025年多头月胜率6/9[8] **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) 0.319，9月多空收益-0.86%，2025YTD多空收益3.22%，2025年月胜率5/9，9月多头超额0.56%，2025YTD多头超额3.43%，2025年多头月胜率7/9[8] **10 大单推动涨幅因子**：历史IC 0.016，2025年IC 0.011，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.327，9月多空收益2.62%，2025YTD多空收益7.76%，2025年月胜率7/9，9月多头超额1.48%，2025YTD多头超额3.63%，2025年多头月胜率6/9[8] 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-0.99%，9月超额收益-4.80%，2025YTD超额收益-0.06%，2025年周胜率23/40[11] **2 中证500 AI增强严约束组合**：上周超额收益-1.00%，9月超额收益-2.32%，2025YTD超额收益2.66%，2025年周胜率24/40[11] **3 中证1000 AI增强宽约束组合**：上周超额收益-1.48%，9月超额收益-1.06%，2025YTD超额收益7.53%，2025年周胜率26/40[11] **4 中证1000 AI增强严约束组合**：上周超额收益-0.79%，9月超额收益-0.12%，2025YTD超额收益13.11%，2025年周胜率25/40[11]

大类资产配置与择时 - 2025年第四季度宏观环境预测为Inflation，信用利差和期限利差均发出收窄信号 [4] - 2025年10月宏观动量模型对股票、黄金发出正向信号，对债券发出负向信号 [5] - 行业复合趋势因子组合自2015年1月至2025年9月累积收益达122.66%，超额收益为48.42%，2025年9月因子信号为正向，Wind全A当月收益率为2.80% [5] 半导体设备行业 - 美国众议院特别委员会报告旨在通过出口管制、技术封锁等手段遏制中国半导体产业发展，认为中国半导体产业崛起威胁美国国家安全 [9] - 应用材料、阿斯麦、科磊、泛林集团和东京电子五家公司占据全球半导体设备市场80%-85%的份额，2024年中国大陆半导体设备总支出达380亿美元 [9] - 特别委员会建议扩大对华设备出口禁令，将更多中国半导体公司列入实体清单，并限制全球晶圆厂使用中国制造的半导体设备 [11] - 中国半导体公司正积极购买先进的DUV光刻设备，国产替代空间巨大，优秀的前道设备及零部件企业有望伴随技术攻克和产线验证而成长 [9] 航空运输行业 - 2025年国庆中秋长假期间，全社会跨区域人员流动量日均同比增长6%，民航客运量同比增长超3%，其中国际地区航线客运量同比增长超一成 [16] - 长假期间国内航线含油票价同比上升，客座率同比上升超2个百分点，达到88%-90%的高位 [16] - 2025年第三季度航空业盈利预计同比增长，并有望超过2019年同期水平，9月公商需求旺盛驱动客座率大增且票价同比转升近2% [17] - 若公商需求恢复可持续，预计2026年中国航空业将开启盈利上行的“超级周期”，行业供给已进入低增长时代，供需将持续向好 [18][19]

根据研报内容，现对其中涉及的量化模型与因子进行总结如下： 量化模型与构建方式 1. **模型名称**：迭代因子选择模型[3] - **模型构建思路**：针对“因子动物园”问题，提出一种系统性的迭代选择策略，旨在以最少数量的因子捕捉绝大部分有效的定价信息[2][3] - **模型具体构建过程**：该模型从CAPM开始，在每一步迭代中，从剩余因子池中选择一个能最大程度提升当前模型解释力的因子加入模型，提升效果通过GRS统计量的下降幅度来衡量[3] - **步骤1**：设 l=0，以CAPM模型作为起点，解释因子动物园中除市场因子外的N个因子[25] $$f_{i}=\alpha_{i}+\beta_{m}r_{m}+\varepsilon_{i}\qquad i=1,\ldots,N\tag{1}$$ 其中，rm 是市场超额收益，N 是因子动物园中除市场因子外的因子数量[25] - **步骤2**：测试 N−l 个不同的增强因子模型，每个模型都将一个剩余的因子（标记为 ftest）添加到前一次迭代的模型中[26] $$f_{i}=\alpha_{i}+\beta_{m}r_{m}+\sum_{k=1}^{l}\beta_{k}f_{k}+\beta^{test}f^{test}+\varepsilon_{i}\qquad i=1,\ldots,N-l\,$$ - **步骤3**：根据解释力（由GRS统计量量化）对测试的因子模型进行排序，并选择最强的模型[26] - **步骤4**：设 l=l+1，并根据增强后的因子模型计算剩余显著因子alpha的数量 n(α)t>x[26] $n(\alpha)_{t>x}=|\{a_{i}\,|\,t(a_{i})>x\}|$$i=1,...,N-l$ 其中 x 是选定的显著性阈值（例如 t>1.96 或 t>3.00）[26][29] - **步骤5**：如果 n(α)t>x=0，即剩余因子的alpha在统计上与零无差异，则停止迭代；否则，返回步骤2继续[26] - **模型评价**：该方法能以最少的因子数量，系统性地捕捉因子动物园中的绝大部分有效信息，其有效性在美国及全球数据中均得到验证[3][4][71] 2. **模型名称**：GRS统计量评估模型[30] - **模型构建思路**：GRS统计量用于检验所有测试资产的alpha是否联合为零，是评估资产定价模型性能的标准工具[30] - **模型具体构建过程**：GRS检验统计量的计算基于测试资产alpha的最大化夏普比率平方和模型因子收益的最大化夏普比率平方[30] - 截距项的最大化夏普比率平方定义为： $$Sh^{2}(\alpha)=\alpha^{\dagger}\Sigma^{-1}\alpha\tag{4}$$ 其中 Σ=eτe/(τ−K−1)是回归残差 e 的协方差矩阵[30] - 给定模型因子的最大化夏普比率平方定义为： $$Sh^{2}(f)=\overline{f}^{\dagger}\Omega^{-1}\overline{f}\tag{5}$$ 其中 fˉ 是模型的平均因子收益，Ω=(f−fˉ)⊤(f−fˉ)/(τ−1)是模型因子的协方差矩阵[30] - GRS检验统计量计算为： $$F_{G R S}=\frac{\tau(\tau-N-K)}{N(\tau-K-1)}\,\frac{S h^{2}(\alpha)}{(1+S h^{2}(f))}$$ 且 FGRS∼F(N,τ−N−K)[30] 模型的回测效果 1. **迭代因子选择模型**（基于美国市值加权因子，样本期1971年11月至2021年12月）[31][32][40] - 当使用 t>3.00 的显著性阈值时，添加第15个因子后，剩余显著alpha的数量降至0[40][42] - 当使用 t>1.96 的显著性阈值时，总共需要18次迭代可使剩余alpha变得不显著[40][42] - 在包含相同数量因子的情况下，该迭代模型优于常见的学术因子模型（如Fama-French五因子、六因子模型等）[43][46] 2. **GRS统计量评估结果**（针对迭代因子选择过程）[40] - 起点CAPM模型的GRS统计量为4.36 (p值为0.00)，剩余显著因子数量（t>2阈值）为105个，（t>3阈值）为86个[40] - 添加第一个因子（cop_at）后，GRS统计量降至3.54，平均绝对alpha为年化3.94%[40] - 添加第二个因子（noa_grla）后，GRS统计量降至2.98，平均绝对alpha降至年化2.15%[40][41] - 添加第15个因子（rmax5_rvol_21d）后，GRS统计量降至1.19 (p值为0.09)[40] 量化因子与构建方式 1. **因子名称**：基于现金的营业利润与账面资产比率 (cop_at)[40] - **因子构建思路**：属于质量因子类别，在迭代选择过程中被识别为因子动物园中最强的因子[40][46] 2. **因子名称**：净经营资产变化 (noa_grla)[40] - **因子构建思路**：属于投资因子类别，在迭代选择过程中被识别为次强的因子[40] 3. **因子名称**：销售增长（1个季度）(saleq_gr1)[40] - **因子构建思路**：属于投资因子类别[40] 4. **因子名称**：内在价值与市值比 (ival_me)[40] - **因子构建思路**：属于价值因子类别[40] 5. **因子名称**：残差动量 t-12 至 t-1 (resff3_12_1)[40] - **因子构建思路**：属于动量因子类别[40] 6. **因子名称**：第6-10年滞后收益（年化）(seas_6_10an)[40] - **因子构建思路**：属于季节性因子类别[40] 7. **因子名称**：债务与市值比 (debt_me)[40] - **因子构建思路**：属于价值因子类别[40] 8. **因子名称**：第6-10年滞后收益（非年化）(seas_6_10na)[40] - **因子构建思路**：属于低风险因子类别[40] 9. **因子名称**：零交易天数（12个月）(zero_trades_252d)[40] - **因子构建思路**：属于低风险因子类别[40] 10. **因子名称**：当期营运资本变动 (cowc_grla)[40] - **因子构建思路**：属于应计项目因子类别[40] 11. **因子名称**：净非流动资产变动 (nncoa_grla)[40] - **因子构建思路**：属于投资因子类别[40] 12. **因子名称**：经营现金流与市值比 (ocf_me)[40] - **因子构建思路**：属于价值因子类别[40] 13. **因子名称**：零交易天数（1个月）(zero_trades_21d)[40] - **因子构建思路**：属于低风险因子类别[40] 14. **因子名称**：换手率 (turnover_126d)[40] - **因子构建思路**：属于低风险因子类别[40] 15. **因子名称**：过去五个最高日收益经波动率调整 (rmax5_rvol_21d)[40] - **因子构建思路**：属于短期反转因子类别，是使剩余显著alpha数量（t>3阈值）降为零的关键因子[40][42] 因子的回测效果 1. **关键因子集整体效果**（美国市场，前15个选定因子）[40][46] - 这15个因子源自13个因子风格类别中的8个，显示了因子集的异质性[17][46] - 该因子集能够解释美国市场153个因子的绝大部分收益信号，表明多数因子存在冗余[2][17] 2. **因子加权方案对比**（上限市值加权CW、市值加权VW、等权EW）[64][68][69] - **等权(EW)因子**：表现出更强且更多样的alpha，但需要超过30个因子才能覆盖因子动物园（t>2阈值）[4][64][69][70] - **上限市值加权(CW)因子**：需要约15个因子（t>3阈值）或18个因子（t>2阈值）来覆盖因子动物园[64][69][70] - **市值加权(VW)因子**：需要约18-19个因子（t>2阈值）来覆盖因子动物园[69][70] 3. **全球因子分析效果**（样本期1993年8月至2021年12月）[71][74] - 使用全球因子数据时，需要约11个因子（t>3阈值）或20多个因子（t>2阈值）来覆盖全球因子动物园[74] - 基于全球数据选出的因子模型对美国因子的解释力强于对美国以外全球因子的解释力，暗示国际因子蕴含更丰富的alpha信息[4][71][75]

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]

新能源与AI系列 - 会议主题为新能源+AI系列分享的第二场 将于9月29日周一15:30举行 [1][22] - 主讲人为刘强 其身份是院长助理兼电力设备与新能源行业首席分析师 [1][22] - 参会密码为236587 [1][4] 行业配置模型 - 会议主题为行业配置模型回顾与更新系列的第十二场 将于9月29日周一21:30举行 [1][22] - 主讲人为刘晓锋 其身份是金融工程首席分析师 [1][22] - 参会密码为765908 [1][10] 电子行业投资观点 - 会议主题为电子行业10月投资观点交流 将于9月30日周二15:00举行 [1][12][20] - 主讲人为张世杰 其身份是电子行业首席分析师 [1][13][20] - 参会密码为091147 [1][15][20] 食品饮料行业新股解读 - 会议主题为老乡鸡新股深度解读 将于10月10日周五15:00举行 [1][15][20] - 主讲人为郭梦婕和林叙希 身份分别是食品饮料行业首席分析师和食品饮料行业分析师 [1][20] - 参会密码为721188 [1][18][20]

研究报告系列概览 - 广发金融工程团队发布了两个主要系列的专题研究报告：CTA系列（共33篇）和衍生品系列（共34篇）[2][3] - CTA系列报告专注于股指期货的量化交易策略，涵盖趋势跟随、模式识别、遗传算法、深度学习等多种方法论，例如基于混沌理论的噪声趋势交易策略和基于大数据深度学习的日内交易策略[2] - 衍生品系列报告深度覆盖期权领域，内容从基础知识指南、套利策略、定价模型到波动率交易及应用研究，例如期权套利策略研究、BSM及其改进版期权定价模型、以及期权在公募基金中的应用[3] 研究团队构成 - 研究团队由联席首席分析师陈原文领导，其研究方向为全覆盖[4] - 团队核心成员包括资深分析师张超（研究方向：量化择时、CTA策略）、李豪（研究方向：资产配置与基金产品研究）、周飞鹏（研究方向：因子选股与资产配置）和张钰东（研究方向：量化策略）[4][5][6] - 团队近期新增资深分析师王小康，其研究方向为量化选股[7]