证券研究报告 · 金融工程 · 金工定期报告 | --- | |-----------------------| | 金工定期报告 20240507 | | | 20240430 报告要点 ■ 量稳换手率变化率 SCR 因于多空对冲绩效(全市场):2006年1月至 2024 年 4 月,换手率变化率因子 PctTurn20 在全体 A 股中, 10 分组多 空对冲的年化收益为 18.30%，年化波动为 10.10%，信息比率为 1.81, 月度胜率为 71.30%,最大回撤为 11.99%。 ■ 4 月份 SCR 因子收益统计:在全体 A 股中,4月份量稳换手率变化率 因子 SCR 10 分组多头组合的收益率为-0.87%，10 分组空头组合的收益 率为-4.82%，10分组多空对冲的收益率为 3.95%。 ■ 量稳换手率变化率 SCR 因子选股模型简介:将换手率变化率、量稳换 手率的研究思路相结合,计算量稳换手率的变化率,构造 SCR 因子(The STR Change Rate )。在回测期 2006/01/01-2021/10/31 内，以全体 A 股为 研究样本,SCR 因子的月度 IC 均值为-0. ...

金融工程日报 市场全线上涨，两市成交额连续四日破万亿 核心观点 | --- | |-----------------------------------------------------------------------| | 市场表现: 今日 (20240506) 市场全线上涨，规模指数中中证 2000 指数表现 | | | 现较好。基础化工、医药、食品饮料、家电、轻工制造行业表现较好,通信、 银行、煤炭、消费者服务、房地产行业表现较差。染科、中国铁总、磷化工、 锂电负极、炭黑等概念表现较好，密码学、ST 板块、小程序、数字水印、央 企银行等概念表现较差。 市场情绪：今日收盘时有 105 只股票涨停，有 68 只股票跌停。昨日涨停股 票今日收盘收益为 3.72%, 昨日跌停股票今日收盘收益为-3.16%。今日封板 率 74%，较前日提升 3%，连板率 30%，较前日提升 11%。 市场资金流向: 截至 20240430 两融余额为 15121 亿元,其中融资余额 14740 亿元,融券余额 380亿元。两融余额占流通市值比重为 2.2%,两融交易占市 场成交额比重为 8. 1%。20240506 北向合 ...

量化因子与构建方式 1. **因子名称**：估值偏离EPD因子 - **因子的构建思路**：利用估值指标PE的均值回复特性构建[5][10] - **因子具体构建过程**：将CTA领域常用的布林带均值回复策略与基本面的估值修复逻辑相结合，利用估值指标PE的均值回复特性构建估值偏离EPD因子[5][10] - **因子评价**：该因子在全体A股中表现出较高的年化收益和信息比率，月度胜率也较高[2][10] 2. **因子名称**：缓慢偏离EPDS因子 - **因子的构建思路**：剔除个股估值逻辑变化带来的影响[5][10] - **因子具体构建过程**：在截面上用EPD剔除个股估值逻辑被改变的概率（由个股信息比率代理），构造缓慢偏离因子EPDS[5][10] - **因子评价**：该因子在全体A股中表现出较高的年化收益和信息比率，月度胜率也较高，且最大回撤率较低[3][10] 3. **因子名称**：估值异常EPA因子 - **因子的构建思路**：剔除影响“估值异常”逻辑的Beta、成长与价值风格[5][10] - **因子具体构建过程**：剔除影响“估值异常”逻辑的Beta、成长与价值风格，最终得到估值异常EPA因子[5][10] - **因子评价**：该因子在全体A股中表现出较高的年化收益和信息比率，月度胜率也较高，且最大回撤率较低[4][10] 因子的回测效果 1. **估值偏离EPD因子** - 年化收益率：18.63%[2][10][98] - 年化波动率：9.91%[2][10][98] - 信息比率（IR）：1.88[2][10][98] - 月度胜率：71.93%[2][10][98] - 最大回撤率：8.93%[2][10][98] 2. **缓慢偏离EPDS因子** - 年化收益率：16.75%[3][10][98] - 年化波动率：5.67%[3][10][98] - 信息比率（IR）：2.95[3][10][98] - 月度胜率：79.53%[3][10][98] - 最大回撤率：3.10%[3][10][98] 3. **估值异常EPA因子** - 年化收益率：17.30%[4][10][98] - 年化波动率：5.14%[4][10][98] - 信息比率（IR）：3.36[4][10][98] - 月度胜率：80.70%[4][10][98] - 最大回撤率：3.12%[4][10][98]

Finitia 2024 年 05 月 03 日 | --- | --- | --- | --- | |----------------------------------------|---------|--------------------------------------------------|--------------------------| | 金融工程研究团队 | | | | | 魏建榕(首席分析师) | | 魏建榕（分析师） | 高鹏 (分析师) | | 证书编号： S0790519120001 | | weijianrong@kysec.cn | gaopeng@kysec.cn | | 张 翔(分析师)证书编号： S0790520110001 | | 证书编号：S0790519120001● Barra 风格因子表現跟踪 | 证书编号：S0790520090002 | | 傅开波 (分析师) | | | | | 证书编号： S0790520090003 | | | | | 高 属 (分析师) | | ● 开源交易行为因子概述 | | | 证书编号： S0790520090002 | ...

开源证券 2024 年 05 月 03 日 金融工程研究团队 魏建榕（首席分析师） 证书编号： S0790519120001 张 翔(分析师) 证书编号： S0790520110001 得开波(分析师) 证书编号： S0790520090003 高 鳥 (分析师) 证书编号： S0790520090002 苏俊泰（分析师） 证书编号： S0790522020001 胡亮勇（分析师） 证书编号： S0790522030001 王志豪（分析师） 证书编号： S0790522070003 盛少成（分析师） 证书编号： S0790523060003 苏 良(分析师) 证书编号： S0790523060004 何申昊(研究员) 证书编号： S0790122080094 陈 威（研究员） 证书编号： S0790123070027 蒋 娟(研究员) 证书编号： S0790123070037 相关研究报告 《红利增强 Plus 组合构建：价值优选 续篇—开源量化评论 (93)》-2024.4.29 《低空经济板块的资金行为监测—金 啟工程定期》-2024.4.28 《机构资金行为函像 (2024 年 4 月 23 日）—金融 ...

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]

量化因子与构建方式 1. **单颗粒度模型** - **因子名称**: 单颗粒度模型 - **因子构建思路**: 使用不同频率的量价数据构建日度和小时级特征，作为深度学习模型的输入[11] - **因子的公式**: 无 - **文章对因子的评价**: 使用单一的日度特征已经可以实现不俗的业绩，但更细颗粒度的特征依然有值得挖掘的有效信息[15] 2. **多颗粒度模型** - **因子名称**: 多颗粒度模型 - **因子构建思路**: 1. "多颗粒度输入，一次性训练"：将不同颗粒度的特征均作为模型输入，并通过独立的GRU提取序列信息；随后，将GRU的输出结果合并，再通过MLP得到最终的输出[16] 2. "单颗粒度训练，输出集成"：单独训练每一个颗粒度的特征，输出对标签的预测；在最终的推理阶段，集成不同颗粒度模型的输出[16] - **因子的公式**: 无 - **文章对因子的评价**: 多颗粒度模型的Rank IC和年化多头超额收益，相比单颗粒度模型都得到了不同程度的提升[18] 3. **双向AGRU多颗粒度模型** - **因子名称**: 双向AGRU多颗粒度模型 - **因子构建思路**: 引入注意力机制，并将GRU模型从单向改为双向，即分别按顺序和逆序学习特征序列，并提取信息[22] - **因子的公式**: 无 - **文章对因子的评价**: 双向AGRU多颗粒度模型的Rank IC、ICIR和多头超额收益都得到了全面而稳定的提升[26] 4. **多颗粒度残差学习网络** - **因子名称**: 多颗粒度残差学习网络 - **因子构建思路**: 将多个相同的模块叠加，形成整体网络架构，但每个模块只单独处理一个颗粒度的数据。从第二个模块起，输入的特征都需通过取残差的方式，剔除前一颗粒度已包含的信息[39] - **因子的公式**: $$ \mathcal{L}=\sum_{i=1}^{N}||y^{i}-\hat{y}^{i}||^{2}+\lambda_{1}\sum_{i=1}^{N}\mathcal{L}_{Rec}+\frac{\lambda_{\theta}}{2}||\theta||_{F}^{2} $$ - **文章对因子的评价**: 多颗粒度残差学习网络并未展现出显著的优势，Rank IC、ICIR、多头组合超额收益均弱于输出集成模型[42] 因子的回测效果 1. **单颗粒度模型** - **5日标签** - Rank IC: 日度 0.118, 60分钟 0.116, 30分钟 0.119[12] - ICIR: 日度 7.54, 60分钟 7.35, 30分钟 7.56[12] - 胜率: 日度 87%, 60分钟 86%, 30分钟 87%[12] - Top10%费前: 日度 30.3%, 60分钟 27.1%, 30分钟 28.7%[12] - 组合年化超额费后: 日度 20.1%, 60分钟 16.8%, 30分钟 18.4%[12] - Top100费前: 日度 37.2%, 60分钟 31.9%, 30分钟 31.9%[12] - 组合年化超额费后: 日度 24.4%, 60分钟 18.6%, 30分钟 18.6%[12] 2. **多颗粒度模型** - **5日标签** - Rank IC: 混合输入 0.139, 输出集成 0.139, 输出集成1 0.139[18] - ICIR: 混合输入 7.83, 输出集成 7.63, 输出集成1 7.71[29] - 胜率: 混合输入 88%, 输出集成 87%, 输出集成1 87%[29] - Top10%费前: 混合输入 30.8%, 输出集成 30.6%, 输出集成1 31.4%[29] - 组合年化超额费后: 混合输入 20.0%, 输出集成 20.6%, 输出集成1 21.4%[29] - Top100费前: 混合输入 37.1%, 输出集成 36.6%, 输出集成1 38.1%[29] - 组合年化超额费后: 混合输入 23.5%, 输出集成 23.8%, 输出集成1 25.3%[29] 3. **双向AGRU多颗粒度模型** - **5日标签** - Rank IC: 混合输入 0.125, 输出集成 0.126, 输出集成1 0.127[29] - ICIR: 混合输入 8.09, 输出集成 7.87, 输出集成1 7.88[29] - 胜率: 混合输入 88%, 输出集成 88%, 输出集成1 88%[29] - Top10%费前: 混合输入 34.5%, 输出集成 33.6%, 输出集成1 34.2%[29] - 组合年化超额费后: 混合输入 23.5%, 输出集成 24.0%, 输出集成1 24.3%[29] - Top100费前: 混合输入 41.1%, 输出集成 42.0%, 输出集成1 42.0%[29] - 组合年化超额费后: 混合输入 27.1%, 输出集成 29.3%, 输出集成1 29.2%[29] 4. **多颗粒度残差学习网络** - **5日标签** - Rank IC: 0.114[42] - ICIR: 7.49[42] - 胜率: 86%[42] - Top10%费前: 27.9%[42] - 组合年化超额费后: 18.6%[42] - Top100费前: 32.1%[42] - 组合年化超额费后: 21.1%[42]

量化因子与构建方式 1. **混频深度学习因子** - **因子构建思路**：将26个日频特征和64个60分钟频特征共同输入深度学习模型，并大幅延长训练和迭代周期，得到新的混频深度学习因子[1][8][9] - **因子的公式**：无具体公式 - **文章对因子的评价**：因子呈现出显著的周度选股能力，周均IC达到0.10，TOP 10%和TOP 100多头组合的多路径平均年化超额收益分别高达30%和35%[1][2][11] 2. **未来5日因子** - **因子构建思路**：使用未来5日（T+1~T+6）收益率作为预测标签训练得到的因子[10] - **因子的公式**：无具体公式 - **文章对因子的评价**：表现优于未来10日因子，但自相关性更低，换手率略高[12][13] 3. **未来10日因子** - **因子构建思路**：使用未来10日（T+1~T+11）收益率作为预测标签训练得到的因子[10] - **因子的公式**：无具体公式 - **文章对因子的评价**：表现略逊于未来5日因子，但自相关性更高，换手率略低[12][13] 4. **相互正交因子集合** - **因子构建思路**：在MLP与输出层之间加入一个正交层，生成32个相互正交的因子[50][51] - **因子的公式**：无具体公式 - **文章对因子的评价**：因子周均IC在0.03-0.04之间，TOP 10%组合年化超额收益为5%-12%[52][54] 5. **与指定因子集合正交的因子集合** - **因子构建思路**：在MLP与输出层之间加入一个正交层，生成与行业、市值和BP正交，且内部相互正交的32个因子[50][55] - **因子的公式**：无具体公式 - **文章对因子的评价**：因子集合整体的选股能力受到明显削弱，IC从0.03-0.04降至0.015-0.025，TOP 10%组合年化超额收益为5%-12%[56][58] 因子的具体指标值 1. **周频因子选股能力** - **IC均值**：未来5日因子0.104，未来10日因子0.102[13] - **年化ICIR**：未来5日因子8.418，未来10日因子7.853[13] - **胜率**：未来5日因子91%，未来10日因子87%[13] - **Rank IC均值**：未来5日因子0.099，未来10日因子0.102[13] - **年化Rank ICIR**：未来5日因子7.047，未来10日因子7.136[13] - **因子自相关性**：未来5日因子0.53，未来10日因子0.66[13] - **TOP 10%组合换手率**：未来5日因子64%，未来10日因子56%[13] 2. **预测标签调整的周频因子选股能力** - **IC均值**：未来5日因子0.102，未来10日因子0.099[14] - **年化ICIR**：未来5日因子6.915，未来10日因子6.496[14] - **胜率**：未来5日因子85%，未来10日因子83%[14] - **Rank IC均值**：未来5日因子0.119，未来10日因子0.118[14] - **年化Rank ICIR**：未来5日因子7.932，未来10日因子7.801[14] - **因子自相关性**：未来5日因子0.60，未来10日因子0.70[14] - **TOP 10%组合换手率**：未来5日因子62%，未来10日因子56%[14] 3. **32个因子的周频选股能力（相互正交）** - **IC均值**：0.030-0.047[54] - **周度胜率**：59%-81%[54] - **多头超额收益**：5.2%-11.6%[54] 4. **32个因子的周频选股能力（与行业、市值和BP正交）** - **IC均值**：0.015-0.027[58] - **周度胜率**：59%-71%[58] - **多头超额收益**：-0.1%-5.6%[58]

量化因子与构建方式 - **深度学习高频因子** - **因子构建思路**：使用"原始数据-分钟级基础指标-目标频率衍生指标"的方式生成高频特征。基于原始数据生成一系列分钟级的基础指标，这类指标旨在捕捉原始数据中的基本信息。得到基础指标序列后，通过不断变换输入的基础指标序列生成特征[1][2][11] - **因子的公式**： - 下行大买单金额占比： $$ \mp{\hat{4}}\tau\,{\hat{b}}\,\psi(a,b)={\frac{\sum_{b<0}a}{\sum a}} $$ - 下行小买单单均金额占比： $$ \text{公式中} \, \{a} \, \text{代表} \, a \, \text{的数量} $$ - **文章对因子的评价**：在后续的样本外跟踪中，因子展现出了较为稳定的选股能力[8][9][12] 因子的回测效果 - **周均IC**：176特征集合为0.072，偏度调整后为0.073，偏度调整和去极值后为0.073[13][19][26] - **年化ICIR**：176特征集合为8.884，偏度调整后为9.158，偏度调整和去极值后为9.265[13][19][26] - **月度胜率**：176特征集合为90%，偏度调整后为90%，偏度调整和去极值后为91%[13][19][26] - **年化多头超额收益**：176特征集合为28.5%，偏度调整后为31.1%，偏度调整和去极值后为31.4%[13][19][26] - **年化空头超额收益**：176特征集合为-38.8%，偏度调整后为-38.6%，偏度调整和去极值后为-38.7%[13][19][26] - **年化多空收益**：176特征集合为67.3%，偏度调整后为69.7%，偏度调整和去极值后为70.1%[13][19][26]

量化因子与构建方式 1. 因子名称：跌幅时间重心偏离因子 - 因子的构建思路：通过观察日内分钟收益率的时序特征，构建反映跌幅时间重心偏离的选股因子[10][16] - 因子具体构建过程： 1. 将09:31至15:00间的240根分钟Bar依次标记为1至240，分别统计价格上涨和价格下跌两组分钟Bar的时间标识序列[10] 2. 计算涨幅时间重心和跌幅时间重心： $$ G_u = \frac{UR_u}{\|R_u\|_1} $$ $$ G_d = \frac{DR_d}{\|R_d\|_1} $$ 其中，$UR_u$和$DR_d$分别表示涨幅和跌幅分钟的时间序号及收益率[10] 3. 以跌幅时间重心对涨幅时间重心在截面上回归取残差，再取其20日均值作为跌幅时间重心偏离因子[20] - 因子评价：跌幅时间重心偏离因子是刻画分钟时序特征更有效的指标，因子的稳定性相比原始"时间差"因子更高[21] 2. 因子名称：时间重心偏离（TGD）因子 - 因子的构建思路：剥离可能影响"时间差Alpha"的干扰因子，在跌幅时间重心偏离因子的基础上改进得到时间重心偏离（TGD）因子[3][62] - 因子具体构建过程： 1. 逐日计算个股的涨幅时间重心和跌幅时间重心，并统计以下指标：平均涨幅、平均跌幅、时段1（09:31-10:00）的涨跌幅、时段2（10:01-10:30）的涨跌幅、隔夜涨跌幅[64] 2. 将涨、跌幅的时间重心单独剥离干扰因子： $$ G_u = f(\bar{R_u}, R_{1u}, R_{2u}, R_{hu}) $$ $$ G_d = f(\bar{R_d}, R_{1d}, R_{2d}, R_{hd}) $$ 3. 通过截面回归方法，构造"时间差"指标，并取其20日均值作为因子： $$ TGD = \frac{1}{20} \sum_{i=1}^{20} (G_d - G_u) $$ - 因子评价：TGD因子的有效性较原始因子大幅提升，全市场五分组下的多空信息比率达到4.93，因子收益较为稳定[3][62] 3. 因子名称：合成因子 - 因子的构建思路：将时间维度的综合信息因子（TGD）与收益率分布的典型因子（日内收益率偏度SKEW）进行合成，提升因子效果[3][76] - 因子具体构建过程： 1. 选取分布特征的典型因子：日内收益率偏度SKEW因子[76] 2. 将TGD因子与SKEW因子在横截面上排序加总得到合成因子[76] - 因子评价：合成因子在稳定性方面进一步改善，Rank ICIR达到5.74[76] 因子的回测效果 1. 跌幅时间重心偏离因子 - Rank IC：0.054[21] - Rank ICIR：2.99[21] - 多空收益：21.2%[21] - 多空IR：2.39[21] 2. 时间重心偏离（TGD）因子 - Rank IC：0.067[72] - Rank ICIR：4.94[72] - 多空收益：21.35%[72] - 多空IR：4.93[3][62] 3. 合成因子 - Rank IC：0.084[78] - Rank ICIR：5.74[78] - 多空收益：不详 - 多空IR：4.45[78]