量化模型与构建方式 1. 多头加权法下的纯多头组合 - 模型名称：多头加权法下的纯多头组合 - 模型构建思路：通过给多头股票更高的权重，降低IC较高但多头端选股效果羸弱的因子收益，从而提升组合表现[9] - 模型具体构建过程： 1. 选取ROE、SUE、分析师高评分数、换手率、反转、特质波动、非流动性、尾盘成交占比、买入意愿强度、大单净买入占比、高频深度学习因子和日频深度学习因子共12个因子[10] 2. 对因子进行市值、非线性市值、估值及行业中性化处理和逐次正交[10] 3. 通过加权最小二乘回归计算多因子模型的因子收益，得到预期收益[10] 4. 以周度为换仓频率，选取预期收益最高100个股票构建三个等权纯多头组合[10] 5. 加权方式包括等权法、分组加权法和最低权数分组加权法[10] 6. 公式：$Wi = Wmin + (gt - go)/(gN - 9o) * (1 - Wmin)$，其中Wi为股票i的权数，Wmin为设定的最小权数[11] - 模型评价：通过给多头股票更高的权重，可以提升组合年化收益与信息比[9] 2. 指数增强组合的线性规划 - 模型名称：指数增强组合的线性规划 - 模型构建思路：通过线性规划和蒙特卡洛模拟，优化股票权重以提升组合表现[2][26] - 模型具体构建过程： 1. 将带约束的增强组合构建过程转化为标准形式的线性规划问题[27] 2. 公式：$\operatorname*{max}\sum_{i=0}^{n}c_{i}*x_{i}$，$s.t1\geq\sum_{i=0}^{n}x_{i}\geq0.95$，$mv_{index}+0.3\geq\sum_{i=0}^{n}mv_{i}*x_{i}\geq mv_{index}-0.3$，$nlmv_{index}+0.3\geq\sum_{i=0}^{n}nlmv_{i}*x_{i}\geq nlmv_{index}-0.3$，$Pctmax_{indus_{m}}\geq\sum_{i\in I_{indus_{m}}}x_{i}\geq Pctmin_{indus_{m}}$，$pb_{index}+0.3\geq\sum_{i=0}^{n}pb_{i}*x_{i}\geq pb_{index}-0.3$[28][29] 3. 通过蒙特卡洛模拟，模拟M次包含全市场所有n个股票的预期收益向量，求解得到对应的满足组合约束条件的M个不同的组合权重向量[33] - 模型评价：通过蒙特卡洛模拟获得权重参考系数进行加权，可以提升组合表现[38] 模型的回测效果 1. 多头加权法下的纯多头组合 - 年化超额收益：等权24.5%，分组加权-26.1%，最低权数分组加权25.6%[12] - 信息比：等权2.656，分组加权-1.422，最低权数分组加权2.726[12] 2. 指数增强组合的线性规划 - 年化超额收益：300增强等权5.3%，300增强最低权数分组加权4.8%，500增强等权11.8%，500增强最低权数分组加权11.4%[24] - 信息比：300增强等权1.521，300增强最低权数分组加权1.299，500增强等权2.357，500增强最低权数分组加权2.265[24] 量化因子与构建方式 1. 因子收益加权 - 因子名称：因子收益加权 - 因子的构建思路：通过加权最小二乘回归计算因子收益，提升组合表现[10] - 因子具体构建过程： 1. 选取12个因子，对其进行市值、非线性市值、估值及行业中性化处理和逐次正交[10] 2. 通过加权最小二乘回归计算多因子模型的因子收益，得到预期收益[10] 3. 公式：$weight_{f_{i}}=\sqrt{\Sigma_{i=1}^{n}abs(Revenue_{f_{i}})}$[12] - 因子评价：通过加权最小二乘回归计算因子收益，可一定程度上提升组合的收益表现[45] 因子的回测效果 1. 因子收益加权 - 等权因子权重：ROE 8.88%，分析师高评分数4.11%，SUE 6.58%，特质波动10.90%，换手率12.49%，反转9.09%，非流动性2.65%，尾盘成交占比5.91%，买入意愿强度5.81%，大单净买入占比13.11%，高频深度学习因子10.64%，日频深度学习因子8.03%[14] - 最低权数分组加权因子权重：ROE 9.01%，分析师高评分数4.43%，SUE 7.16%，特质波动9.96%，换手率11.00%，反转7.94%，非流动性2.74%，尾盘成交占比6.53%，买入意愿强度6.16%，大单净买入占比14.02%，高频深度学习因子11.05%，日频深度学习因子8.02%[14] - 多空收益：ROE 0.48%，分析师高评分数0.18%，SUE 0.31%，特质波动0.49%，换手率-0.85%，反转-0.69%，非流动性0.18%，尾盘成交占比-0.31%，买入意愿强度0.21%，大单净买入占比0.63%，高频深度学习因子0.86%，日频深度学习因子0.65%[14] - 多头超额：ROE 0.17%，分析师高评分数0.12%，SUE 0.17%，特质波动0.17%，换手率0.18%，反转-0.04%，非流动性-0.02%，尾盘成交占比0.00%，买入意愿强度0.00%，大单净买入占比0.26%，高频深度学习因子0.32%，日频深度学习因子0.19%[14] - 多头超额占比：ROE 34.5%，分析师高评分数66.1%，SUE 54.7%，特质波动33.4%，换手率21.6%，反转-5.8%，非流动性-11.8%，尾盘成交占比1.1%，买入意愿强度-1.5%，大单净买入占比40.6%，高频深度学习因子37.3%，日频深度学习因子29.5%[14]