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]

量化因子与构建方式 - **ROE因子** - **构建思路**: 将最新披露ROE替换为已披露的业绩快报或业绩预告公布的数值，和一致预期ROE共同作为预测变量，建立当期真实ROE的预测模型[1][8] 进一步采用ROE历史波动率倒数加权的方式，降低预测精度较差的那部分股票的影响[1][8] - **公式**: 无 - **评价**: ROE因子在全市场中是一个颇为有效的财务类因子，但不同行业的ROE对于公司股票市场价值的影响程度有很大差异[11][12] 剔除电力及公用事业、房地产、纺织服装和商贸零售四个行业后，ROE因子的选股效果显著提升[12][14] - **SUE因子** - **构建思路**: 采用和改善ROE因子有效性相同的方式，调整SUE因子的权重[2] 计算公式为SUE = DREV/SD(DREVt=1...4)，其中DREV为净利润同比增量，SD为过去四个季度净利润同比增量的标准差[21] - **公式**: $$ SUE = \frac{DREV}{SD(DREV_{t=1...4})} $$ 其中，DREV为净利润同比增量，SD为过去四个季度净利润同比增量的标准差[21] - **评价**: SUE因子虽有一定的业绩动量效应，但由于其本质为净利润的同比差分，效应显著弱于ROE[23] 调整不同行业股票SUE的权重，可以使因子表现获得更为显著的提升[24][27] 因子的回测效果 - **全市场多头组合** - **年化收益**: - Wind全A: 3.6% - 最新披露组合: 15.5% - 预测最新组合: 17.6% - 改进预测最新组合: 17.9%[32] - **年化波动**: - Wind全A: 26.2% - 最新披露组合: 28.2% - 预测最新组合: 28.2% - 改进预测最新组合: 28.4%[32] - **夏普比率**: - Wind全A: 0.136 - 最新披露组合: 0.551 - 预测最新组合: 0.625 - 改进预测最新组合: 0.631[32] - **最大回撤**: - Wind全A: 56.0% - 最新披露组合: 48.6% - 预测最新组合: 48.2% - 改进预测最新组合: 48.7%[32] - **收益回撤比**: - Wind全A: 0.064 - 最新披露组合: 0.320 - 预测最新组合: 0.365 - 改进预测最新组合: 0.368[32] - **指数增强组合** - **沪深300** - **年化超额收益**: - 最新披露组合: 4.6% - 预测最新组合: 5.7% - 改进预测最新组合: 6.3%[36] - **年化超额波动**: - 最新披露组合: 7.6% - 预测最新组合: 7.9% - 改进预测最新组合: 8.0%[36] - **信息比率**: - 最新披露组合: 0.608 - 预测最新组合: 0.724 - 改进预测最新组合: 0.791[36] - **超额最大回撤**: - 最新披露组合: 13.6% - 预测最新组合: 14.8% - 改进预测最新组合: 12.7%[36] - **超额收益回撤比**: - 最新披露组合: 0.340 - 预测最新组合: 0.384 - 改进预测最新组合: 0.495[36] - **中证500** - **年化超额收益**: - 最新披露组合: 11.7% - 预测最新组合: 11.8% - 改进预测最新组合: 12.8%[36] - **年化超额波动**: - 最新披露组合: 6.6% - 预测最新组合: 6.9% - 改进预测最新组合: 7.4%[36] - **信息比率**: - 最新披露组合: 1.782 - 预测最新组合: 1.703 - 改进预测最新组合: 1.745[36] - **超额最大回撤**: - 最新披露组合: 8.9% - 预测最新组合: 9.8% - 改进预测最新组合: 9.9%[36] - **超额收益回撤比**: - 最新披露组合: 1.308 - 预测最新组合: 1.204 - 改进预测最新组合: 1.304[36] - **中证800** - **年化超额收益**: - 最新披露组合: 7.4% - 预测最新组合: 8.2% - 改进预测最新组合: 8.4%[36] - **年化超额波动**: - 最新披露组合: 6.2% - 预测最新组合: 6.4% - 改进预测最新组合: 6.6%[36] - **信息比率**: - 最新披露组合: 1.188 - 预测最新组合: 1.285 - 改进预测最新组合: 1.277[36] - **超额最大回撤**: - 最新披露组合: 11.1% - 预测最新组合: 10.0% - 改进预测最新组合: 11.0%[36] - **超额收益回撤比**: - 最新披露组合: 0.663 - 预测最新组合: 0.817 - 改进预测最新组合: 0.766[36]

量化模型与构建方式 模型名称：限价订单簿（LOB）还原 - 模型构建思路：利用逐笔数据还原盘口行情，以提高订单簿的更新频率和信息丰富度[8][9] - 模型具体构建过程： - 集合竞价阶段：利用逐笔数据还原集合竞价阶段的买卖挂单信息[14] - 连续竞价阶段：逐笔委托中包含了连续竞价阶段的全部委托单信息，通过逐笔数据还原盘口行情[15][16] - 模型评价：可以将订单簿的更新频率提升到0.01秒以内，避免快照行情的延迟问题，实时跟踪订单簿的全貌[16] 模型名称：模拟撮合系统 - 模型构建思路：通过逐笔数据还原的盘口行情，模拟撮合过程以估计交易成本[17] - 模型具体构建过程： - 利用逐笔数据构造模拟撮合过程，确保成交优先级的精确性[18] - 适用于委托量较小的订单，大订单需要更复杂的系统[18] - 模型评价：可以更好地估计交易成本，但对大订单的模拟效果有限[18] 模型名称：限价单与市价单 TWAP 策略 - 模型构建思路：通过分散下单，降低冲击成本和极端交易价格对整体交易成本的影响[19] - 模型具体构建过程： - 市价单 TWAP：每3秒下等量的市价单[19] - 限价单 TWAP：每3秒以本方最优价下等量限价单，未成交部分在分钟末以市价单一次性下出[19] - 对京东方A、中国平安、证券ETF、创业板50ETF进行模拟实践，测试不同时间段和金额的成交效果[19][21] - 模型评价：限价单 TWAP 策略在流动性充裕的环境下应比市价单 TWAP 策略有更低的交易成本，但在成交概率较低时可能产生亏损[22] 模型名称：改进 TWAP 策略 - 模型构建思路：通过提高限价单的成交概率，降低强制成交比例[22] - 模型具体构建过程： - 定义限价买卖委托成交概率指标，指导下单决策[23][24] - 基于 LOB 指标预测买卖成交概率，改进 TWAP 策略[31][32] - 使用回归模型预测买卖成交概率，提供决策依据[36][37] - 模型评价：改进后的 TWAP 策略可以显著提升限价单的成交概率，降低强制成交比例，但效果因证券而异[30][38] 模型的回测效果 限价单 TWAP 策略 - 京东方A，限价单日均超额收益：0.005%（1000万，9:30-10:00），-0.005%（1亿，9:30-10:00）[21] - 中国平安，限价单日均超额收益：0.004%（1000万，9:30-10:00），-0.003%（1亿，9:30-10:00）[21] - 证券ETF，限价单日均超额收益：0.008%（200万，9:30-10:00），-0.003%（2000万，9:30-10:00）[21] - 创业板50ETF，限价单日均超额收益：0.006%（200万，9:30-10:00），0.002%（2000万，9:30-10:00）[21] 改进 TWAP 策略 - 京东方A，相对市价单超额收益：0.016%（1000万，9:30-10:00），0.008%（1亿，9:30-10:00）[44] - 中国平安，相对市价单超额收益：0.003%（1000万，9:30-10:00），-0.003%（1亿，9:30-10:00）[44] - 证券ETF，相对市价单超额收益：0.006%（200万，9:30-10:00），0.003%（2000万，9:30-10:00）[44] - 创业板50ETF，相对市价单超额收益：0.002%（200万，9:30-10:00），-0.006%（2000万，9:30-10:00）[44] 量化因子与构建方式 因子名称：买入意愿因子 - 因子的构建思路：结合盘口快照与逐笔成交数据，构建开盘后买入意愿占比因子[48] - 因子具体构建过程： - 定义委买增额和委卖增额，计算净委买增额和净主买成交额[48] - 利用 LOB 数据进一步分解为挂单、撤单、成交和净被动买入四个因子[50][51] - 因子评价：通过 LOB 指标重构现有价量因子，为观察市场微观结构提供了多维视角[55] 因子的回测效果 买入意愿因子 - 开盘后买入意愿占比（LOB），IC：0.034，IC-IR：4.006，IC胜率：88.9%，多空月均收益：1.25%[54] - 开盘后买入意愿占比（快照），IC：0.034，IC-IR：3.988，IC胜率：88.9%，多空月均收益：1.19%[54]

- 开源金工独家量价因子包括主动买卖、聪明钱、理想振幅、APM、理想反转、大单资金流、小单资金流和长端动量因子[4][11] - 大部分因子间的相关性并不高，尤其是长端动量因子；理想振幅因子与聪明钱因子具有一定正相关性（0.34），大单资金流因子与小单资金流因子具有高度负相关性（-0.63）[4][11] - 8个量价因子的测试频率从月频提升至更高频下，仍具有高夏普比率[4][12] - 三种测试频率下的因子整体效果，双周频>周频>月频[4][12] - 大单资金流、长端动量因子在三种频率下的多头表现均优异[4][12] - 大单资金流、理想振幅、聪明钱在三种频率下的多空表现均优异[4][12] - 8个因子的多空净值均在创历史新高，而长端动量、大单资金流因子的多头净值创历史新高[4][16] - 复合因子在多头端及多空端均显著优于原始因子[5][24] - 复合因子无论是在多头端还是多空端均优于各原始因子[5][24] 因子构建方式 - **理想反转因子** - 构建思路：对选定股票S，回溯取其过去20日的数据，计算股票S每日的平均单笔成交金额，单笔成交金额高的10个交易日涨跌幅加总，记作$M_{high}$，单笔成交金额低的10个交易日涨跌幅加总，记作$M_{low}$，理想反转因子M=$M_{high}-M_{low}$[28] - 公式：$M = M_{high} - M_{low}$[28] - **聪明钱因子** - 构建思路：对选定股票，回溯取其过去10个交易日的分钟行情数据，构造指标$S_t=|R_t|/V_t^{0.25}$，将分钟数据按照指标$S_t$从大到小进行排序，取成交量累积占比前20%的分钟，视为聪明钱交易，计算聪明钱交易的成交量加权平均价VWAP$_{smart}$，计算所有交易的成交量加权平均价VWAP$_{all}$，聪明钱因子Q=VWAP$_{smart}$/VWAP$_{all}$[28] - 公式：$Q = \frac{VWAP_{smart}}{VWAP_{all}}$[28] - **APM因子** - 构建思路：对选定股票，回溯取其过去20日数据，计算逐日上午和下午的股票收益率和指数收益率，进行回归得到残差项，计算每日上午与下午残差的差，构造统计量stat来衡量上午与下午残差的差异程度，消除动量因子影响，将统计量stat对动量因子进行横截面回归，回归得到的残差值作为APM因子[28] - 公式：$stat_j = b \cdot Ret20_j + \varepsilon_j$[28] - **理想振幅因子** - 构建思路：对选定股票S，回溯取其最近N个交易日的数据，计算股票S每日的振幅，选择收盘价较高的$\lambda$有效交易日，计算振幅均值得到高价振幅因子$V_{high}(\lambda)$，选择收盘价较低的$\lambda$有效交易日，计算振幅均值得到低价振幅因子$V_{low}(\lambda)$，理想振幅因子$V(\lambda) = V_{high}(\lambda) - V_{low}(\lambda)$[28] - 公式：$V(\lambda) = V_{high}(\lambda) - V_{low}(\lambda)$[28] - **主动买卖因子** - 构建思路：逐日计算大单和中单总的主动买卖因子$ACT_{正向,t}$，以及小单的主动买卖因子$ACT_{负向,t}$，回溯过去20个交易日，取收益率最高$\lambda$比例的交易日，称为高收益日；取收益率最低$\lambda$比例的交易日，称为低收益日，对高收益日的$ACT_{正向,t}$因子取平均，记为$ACT_{正向}$；对低收益日的$ACT_{负向,t}$因子取平均，记为$ACT_{负向}$[28] - 公式：$ACT_{正向,t} = \frac{主动买入金额(大单+中单) - 主动卖出金额(大单+中单)}{主动买入金额(大单+中单) + 主动卖出金额(大单+中单)}$[28] - 公式：$ACT_{负向,t} = \frac{主动买入金额(小单) - 主动卖出金额(小单)}{主动买入金额(小单) + 主动卖出金额(小单)}$[28] - **长端动量因子** - 构建思路：对选定股票，回溯取其最近160个交易日的数据，计算股票每日的振幅，选择振幅较低的70%交易日，涨跌幅加总，得到长端动量因子[28] - **大小单资金流因子** - 构建思路：计算小单资金流强度和大单资金流强度，对其关于过去20日涨跌幅做回归，得到残差[28] - 公式：$S_t = \frac{\sum_{t-T}^{t}(buy_t - sell_t)}{\sum_{t-T}^{t}|buy_t - sell_t|}$[28] - 公式：$S_t = a + b \cdot Ret20_t + \varepsilon_t$[28] 因子的具体指标值 - **IC均值** - 主动买卖：0.016[13] - 聪明钱：-0.022[13] - 理想振幅：-0.031[13] - APM：0.019[13] - 理想反转：-0.024[13] - 长端动量：0.014[13] - 大单资金流：0.025[13] - 小单资金流：-0.020[13] - **rank IC均值** - 主动买卖：0.037[13] - 聪明钱：-0.053[13] - 理想振幅：-0.061[13] - APM：0.023[13] - 理想反转：-0.052[13] - 长端动量：0.023[13] - 大单资金流：0.045[13] - 小单资金流：-0.034[13] - **年化ICIR** - 主动买卖：1.86[13] - 聪明钱：-2.49[13] - 理想振幅：-2.97[13] - APM：2.83[13] - 理想反转：-2.29[13] - 长端动量：1.28[13] - 大单资金流：2.76[13] - 小单资金流：-2.18[13] - **年化收益率** - 主动买卖：13.60%[13] - 聪明钱：21.85%[13] - 理想振幅：26.56%[13] - APM：12.62%[13] - 理想反转：17.23%[13] - 长端动量：15.29%[13] - 大单资金流：23.05%[13] - 小单资金流：15.83%[13] - **多空对冲收益波动比** - 主动买卖：2.08[13] - 聪明钱：2.49[13] - 理想振幅：2.92[13] - APM：1.99[13] - 理想反转：1.98[13] - 长端动量：1.67[13] - 大单资金流：2.95[13] - 小单资金流：1.88[13] - **多空对冲年化收益率** - 主动买卖：28.05%[13] - 聪明钱

量化因子与构建方式 WTR因子 - **因子名称**: 加权预期收益率因子（WTR） - **因子构建思路**: 该因子考虑了分析师发布报告时的股票价格，并根据股票价格走势验证分析师的目标价格判断，赋予不同权重[66] - **因子的公式**: $$ W T R=\sum\frac{P_{i}^{e}}{P_{i}^{0}}=\frac{\sum P_{i}^{e}\times P/P_{i}^{0}}{P}=\sum\frac{P_{i}^{e}}{P}\omega_{i}=T R\times W $$ 其中，$P_{i}^{0}$表示在第$i$家机构发布价格预测前一个交易日的收盘价；$P_{i}^{e}$为第$i$家机构发布的股票目标价格；$P$为月末计算因子时的股票收盘价；$\omega_{i}$表示在不同行情下，对不同机构预测的目标价格应赋予的系数[66] - **文章对因子的评价**: 因子的收益大多集中在多头端，说明高预期收益率的股票要明显比低预期收益率的股票要好，分析师对于个股的价格预测存在有效的选股能力[68] MTR因子 - **因子名称**: 调整预期收益率因子（MTR） - **因子构建思路**: 该因子反映的是分析师预期的变化在短期对市场的冲击影响，相对于WTR因子在逻辑上"更短"一些[71] - **因子的公式**: $$ MTR = \Delta(WTR) $$ - **文章对因子的评价**: MTR因子的多空收益主要贡献在空头端，分析师下调收益率的含义相对而言更加明确一些[72] CTR因子 - **因子名称**: 关注度修正因子（CTR） - **因子构建思路**: 该因子考虑了分析师预期数据中的关注度因子C，在截面上反映的是股票热度的差异性[74] - **因子的公式**: $$ CTR = Rank(WTR) \times Rank(C) $$ - **文章对因子的评价**: CTR因子的多头年化收益率达到14.4%，夏普比率为0.546，胜率同样比原始因子的表现更好[75] TR_ICIR因子 - **因子名称**: 预期收益率因子合成（TR_ICIR） - **因子构建思路**: 将WTR因子、MTR因子和CTR因子等权组合，利用ICIR加权合成[77] - **文章对因子的评价**: 合成因子的表现要优于原始因子，从时效性、预期偏差以及关注效应三个维度拆解一致预期目标价的Alpha，通过ICIR加权的方法，最终构造的合成因子在稳定性上有明显的提升[78] 因子的回测效果 WTR因子 - **多头年化收益率**: 14.4%[68] - **夏普比率**: 0.522[68] - **信息比率（IR）**: 0.696[68] - **月度胜率**: 0.696[69] MTR因子 - **多头年化收益率**: 12.3%[72] - **夏普比率**: 0.456[72] - **信息比率（IR）**: 1.772[72] - **月度胜率**: 0.703[73] CTR因子 - **多头年化收益率**: 14.4%[75] - **夏普比率**: 0.546[75] - **信息比率（IR）**: 1.233[76] - **月度胜率**: 0.674[76] TR_ICIR因子 - **多头年化收益率**: 14.9%[77] - **夏普比率**: 0.545[78] - **信息比率（IR）**: 1.401[78] - **月度胜率**: 0.674[78]

量化因子与构建方式 - **BL因子** - **因子构建思路**: 结合Black-Litterman模型（BL模型）和回归树模型，BL模型在不完全受限于历史数据的情况下可以加入一些主观观点，从而降低模型失效的概率[13][22] - **因子的公式**: - 资产预期回报公式： $$ \text{bl} = [Ρ′Ω^{-1}P + (τΣ)^{-1}]^{-1}[Ρ′Ω^{-1}Q + (τΣ)^{-1}Π] $$[56] - 资产协方差矩阵公式： $$ \Sigma_{\text{bl}} = \Sigma + [(\tau\Sigma)^{-1} + (Ρ′Ω^{-1}P)]^{-1} $$[57] - **文章对因子的评价**: 样本外的回测结果显示结合了回归树的BL模型整体表现相对较好，回归树视角下的宏观经济变量与大类资产回报之间的关系为主观预期提供了一定的参考价值[13][87] 因子的具体指标值 - **回报率** - BL因子: 74%[103] - 沪深300: 29%[103] - 中证时钟配置: 49%[103] - **最大回撤** - BL因子: 13.71%[103] - 沪深300: 40.56%[103] - 中证时钟配置: 7.88%[103]

- 宏观敏感性因子的选股逻辑：宏观敏感性因子（MacroBeta）用于刻画股票与宏观经济指标之间的联系，包括方向与程度。使用宏观敏感性因子选股的正确逻辑是，当预测宏观经济指标上升时，选择正敏感或高敏感的股票；反之，选择负敏感或低敏感的股票[1][7] - 宏观敏感性因子的构建：由于大多数股票对宏观因子的暴露并不显著，因此改用基于宏观敏感度系数T值的选股逻辑，选择T值大于或小于预设阈值的股票。阈值设定根据不同的宏观经济指标调整，确保有一定数量的股票被选入，并且选入的股票与宏观经济指标之间存在统计意义上的显著性[1][7][9] - 宏观敏感性因子的具体构建过程： 1. 在原始MacroBeta计算模型的基础上加入Fama-French三因子，以控制常见风格对股票收益的影响。公式如下： $$ Return_{it} = \alpha_{i,t} + MacroBeta_{i,t} \cdot F_t + B_{MKT} \cdot MKT_t + B_{SMB} \cdot SMB_t + B_{HML} \cdot HML_t + \epsilon_{i,t} $$ 其中，F表示宏观经济指标第t期的取值，Return表示第t期的股票绝对收益，MKT表示市场因子，SMB表示市值因子，HML表示估值因子[9] 2. 以月度差分的方式计算宏观经济指标F[9] 3. 选股时，选择T值大于或小于预设阈值的股票。阈值设定为T绝对值≥1.96（95%显著性水平）或T绝对值≥1.65（90%显著性水平）[9] - 宏观敏感性因子的评价：宏观敏感性因子在选股的收益预测模型中应用价值并不高，往往被应用于选股的风控模型中，基于宏观暴露敏感度对股票的权重予以约束，以避免宏观经济变化对部分关联性较强的个股所产生的负面影响[2][41] - 宏观敏感性因子的具体测试结果： 1. ppi同比：正敏感组合年化收益率11.9%，年化波动率23.2%，夏普比率0.44；若能准确预测下一期的方向，年化收益率18.9%，年化波动率20.8%，夏普比率0.83[13][14] 2. cpi同比：正敏感组合在2015年以前与cpi同比指标呈现一致性，2015年以后选股效应逐渐消失[16][17] 3. 中采制造业PMI：正敏感组合在2010年、2014年、2016年等重要拐点上与PMI指标走势一致，负敏感组合未呈现明显反向关系[19][20] 4. 贸易差额：正敏感组合与贸易差额指标表现一致，负敏感组合未呈现明显趋势特征[21][22] 5. 利率水平：正敏感组合年化收益率2.8%，年化波动率16%，夏普比率0.08；若能准确预测下一期的方向，年化收益率20.0%，年化波动率15.7%，夏普比率1.18[24][25][26] 6. 期限利差：正敏感组合与期限利差指标呈现一致性，负敏感组合未呈现反向特征[27][28][30] 7. 信用利差：正敏感组合年化收益率4.2%，年化波动率11.8%，夏普比率0.23；若能准确预测下一期的方向，年化收益率21.7%，年化波动率14.6%，夏普比率1.38[31][32][33][34][35] 8. 股市波动率：正敏感组合与股市波动率呈现一致性，负敏感组合未呈现明显趋势特征[36] 9. 金价：正敏感组合与金价走势一致，负敏感组合未呈现反向特征[37][38]

量化因子与构建方式 宏观敏感性因子（MacroBeta） - **因子名称**：宏观敏感性因子（MacroBeta） - **因子的构建思路**：通过回归模型刻画股票与宏观经济指标之间的联系[9][14] - **因子具体构建过程**： 1. **模型一**：将股票的历史超额收益对宏观经济变量进行回归，获得的回归系数称为MacroBeta $$ ExcessReturn_{it} = a_{it} + MacroBeta_{it} \cdot F_t + E_{it} $$ 其中，$F$ 表示宏观经济指标第 $t$ 期的取值，$ExcessReturn$ 表示第 $t$ 期的股票超额收益[14] 2. **模型二**：在模型一的基础上加入Fama-French三因子，以控制常见风格对股票收益的影响 $$ Return_{it} = a_{tt} + MacroBeta_{it} \cdot F_t + B_{it} \cdot MKT_t + B_{it} \cdot SMB_t + B_{it} \cdot HML_t + E_{it} $$ 其中，$Return$ 表示第 $t$ 期的股票绝对收益，$MKT$ 表示市场因子，$SMB$ 表示市值因子，$HML$ 表示估值因子[14] 3. **数据清洗与调整**：使用差分法、Surprise替代法、资产组合模拟法对宏观数据进行预处理[17][18][19] 4. **回归计算**：将个股过去60个月的超额收益对同期的模拟组合收益进行回归，获得系数作为MacroBeta[29] - **因子评价**：宏观敏感性因子只是刻画了股票与宏观经济指标之间的关系，包括方向与程度[2][50] 因子的回测效果 宏观敏感性因子（MacroBeta） - **多空收益差 - 均值**：gdp同比 0.000，工业增加值当月同比 -0.004，中采制造业PMI -0.005，固定资产投资增速累计同比 -0.001，社会消费零售总额同比 -0.001，出口同比 -0.002，进口同比 -0.000，贸易差额 0.002，cpi同比 -0.003，ppi同比 -0.004，m0同比 0.001，m1同比 0.002，m2同比 0.000，新增人民币贷款 0.006，外汇储备 -0.003，利率水平 0.003，期限利差 -0.005，信用利差 0.001，TED利差 0.005，油价涨跌幅 0.002，黄金涨跌幅 -0.002[49] - **多空收益差 - T值**：gdp同比 0.407，工业增加值当月同比 -1.615，中采制造业PMI -1.399，固定资产投资增速累计同比 -0.209，社会消费零售总额同比 -0.508，出口同比 -1.577，进口同比 -0.661，贸易差额 0.054，cpi同比 -1.343，ppi同比 -1.826，m0同比 -0.064，m1同比 0.115，m2同比 0.760，新增人民币贷款 0.333，外汇储备 -0.996，利率水平 1.034，期限利差 -1.287，信用利差 0.194，TED利差 1.219，油价涨跌幅 1.377，黄金涨跌幅 -0.407[49] - **多空收益差 - 胜率**：gdp同比 0.458，工业增加值当月同比 0.448，中采制造业PMI 0.469，固定资产投资增速累计同比 0.531，社会消费零售总额同比 0.521，出口同比 0.427，进口同比 0.500，贸易差额 0.521，cpi同比 0.438，ppi同比 0.448，m0同比 0.490，m1同比 0.479，m2同比 0.500，新增人民币贷款 0.563，外汇储备 0.521，利率水平 0.542，期限利差 0.458，信用利差 0.500，TED利差 0.442，油价涨跌幅 0.542，黄金涨跌幅 0.521[49] - **IC - 均值**：gdp同比 0.001，工业增加值当月同比 -0.010，中采制造业PMI -0.006，固定资产投资增速累计同比 -0.002，社会消费零售总额同比 -0.007，出口同比 -0.006，进口同比 -0.006，贸易差额 0.007，cpi同比 -0.014，ppi同比 -0.014，m0同比 0.000，m1同比 0.000，m2同比 0.005，新增人民币贷款 0.008，外汇储备 -0.006，利率水平 0.001，期限利差 -0.011，信用利差 -0.003，TED利差 0.011，油价涨跌幅 0.008，黄金涨跌幅 0.001[49] - **IC - T值**：gdp同比 0.126，工业增加值当月同比 -1.398，中采制造业PMI -0.750，固定资产投资增速累计同比 -0.269，社会消费零售总额同比 -1.005，出口同比 -0.933，进口同比 -0.724，贸易差额 1.132，cpi同比 -1.090，ppi同比 -1.652，m0同比 -0.027，m1同比 -0.043，m2同比 0.612，新增人民币贷款 0.879，外汇储备 -0.707，利率水平 0.118，期限利差 -1.235，信用利差 -0.466，TED利差 1.203，油价涨跌幅 1.046，黄金涨跌幅 0.104[49] - **IC - 胜率**：gdp同比 0.500，工业增加值当月同比 0.438，中采制造业PMI 0.406，固定资产投资增速累计同比 0.469，社会消费零售总额同比 0.521，出口同比 0.490，进口同比 0.479，贸易差额 0.542，cpi同比 0.458，ppi同比 0.458，m0同比 0.448，m1同比 0.448，m2同比 0.510，新增人民币贷款 0.604，外汇储备 0.521，利率水平 0.500，期限利差 0.438，信用利差 0.417，TED利差 0.473，油价涨跌幅 0.521，黄金涨跌幅 0.479[49]

量化因子与构建方式 - **套索回归因子择时模型** - **因子构建思路**：套索回归模型（Lasso）通过L1正则化实现变量选择和参数估计[10][11] - **因子的公式**： $$ \operatorname*{min}_{\beta_{0},\beta}(\frac{1}{2N}{\sum_{i=1}^{N}}{\left(y_{i}-\beta_{0}-x_{i}^{T}\beta\right)}^{2}+\lambda{\sum_{j=1}^{p}}{\left|\beta_{j}\right|}) $$ - **文章对因子的评价**：套索回归下的因子择时模型虽然无法在全区间战胜基准组合，但在因子波动较大时，因子择时会带来明显的收益补偿[14][15] - **弹性网回归因子择时模型** - **因子构建思路**：弹性网模型结合了岭回归和套索回归的优点，通过L1和L2范数的组合实现变量选择和参数估计[18][19] - **因子的公式**： $$ \operatorname*{min}_{\beta_{0},\beta}(\frac{1}{2N}{\sum_{i=1}^{N}}{\left(y_{i}-\beta_{0}-x_{i}^{T}\beta\right)}^{2}+\lambda(\alpha{\sum_{j=1}^{p}}{\left|\beta_{j}\right|}+(\frac{1-\alpha}{2}){\sum_{j=1}^{p}}\beta_{j}^{2})) $$ - **文章对因子的评价**：弹性网回归下的因子择时模型在因子权重配臵上具有极强的灵活性，表现与套索模型无明显区别[21][22] - **衰减加权因子择时模型** - **因子构建思路**：在预测因子收益时基于因子历史收益表现进行衰减加权，设定半衰期为12个月[27][28] - **文章对因子的评价**：衰减加权的因子择时模型在因子收益波动较大的时间段中，依旧具有较为灵活的因子权重分配能力[30][32] - **风格概率模型** - **因子构建思路**：通过Logistic回归，使用因子择时模型得到下一个月因子IC为正、因子回归BETA为正或者因子多空收益为正的概率[37] - **因子的公式**： $$ log{\frac{P_{t}}{1-P_{t}}}=\alpha+C_{1,t}X_{1,t}+C_{2,t}X_{2,t}+\cdots+C_{N,t}X_{N,t}+\varepsilon_{t} $$ - **文章对因子的评价**：概率预测更加直观，更容易应用到风格轮动策略上[37] 因子的回测效果 - **套索回归因子择时模型** - **年度收益**：2009年217.2%，2010年34.6%，2011年-22.5%，2012年10.3%，2013年35.1%，2014年43.0%，2015年201.7%，2016年15.0%，2017年12.3%[14] - **最大回撤**：2009年20.5%，2010年26.4%，2011年29.8%，2012年19.3%，2013年16.6%，2014年14.2%，2015年54.3%，2016年34.0%，2017年12.8%[14] - **信息比率**：2009年5.19，2010年3.46，2011年3.30，2012年2.13，2013年2.18，2014年0.39，2015年4.83，2016年3.98，2017年1.39[14] - **弹性网回归因子择时模型** - **年度收益**：2009年218.5%，2010年40.0%，2011年-23.2%，2012年10.7%，2013年34.9%，2014年41.2%，2015年198.0%，2016年14.8%，2017年11.4%[21] - **最大回撤**：2009年20.5%，2010年26.3%，2011年30.0%，2012年19.0%，2013年16.5%，2014年15.0%，2015年54.3%，2016年34.1%，2017年13.0%[21] - **信息比率**：2009年5.22，2010年4.11，2011年3.10，2012年2.25，2013年2.18，2014年0.24，2015年4.71，2016年3.83，2017年1.30[21] - **衰减加权因子择时模型** - **年度收益**：2011年-17.7%，2012年17.0%，2013年29.7%，2014年63.8%，2015年196.4%，2016年11.3%，2017年15.4%[30] - **最大回撤**：2011年28.3%，2012年19.2%，2013年17.9%，2014年13.3%，2015年53.8%，2016年33.2%，2017年8.3%[30] - **信息比率**：2011年4.34，2012年3.17，2013年1.24，2014年2.08，2015年4.49，2016年3.90，2017年1.55[30] - **风格概率模型** - **大盘风格概率预测**：大盘风格概率预测值在不同时间段的变化情况[38]

量化模型与构建方式 条件期望因子择时模型 - **模型名称**：条件期望因子择时模型 - **模型构建思路**：通过条件期望的方式对因子收益预测值进行调整，以提升因子收益预测的灵活性[1][9] - **模型具体构建过程**： 1. 构建因子择时TOP100组合与基准TOP100组合，使用相同的因子和因子加权方法，唯一不同的是因子收益预测方法[9] 2. 因子择时组合使用条件期望的方式对因子收益预测值进行调整，基准组合仅使用因子历史24个月的收益均值作为因子收益的预测值[9] 3. 公式： $$ \beta_{j,t}=\frac{1}{T}\sum_{m=1}^{T}\beta_{j,t-m} $$ 公式中，$\beta_{j,t}$表示第j个因子在t时刻的收益预测值，T表示历史窗口期[12] - **模型评价**：该模型在风格多变的市场环境中提升了因子收益预测的灵活性，但在实际使用过程中存在择时指标备选范围过窄、筛选流程复杂等问题[2][11][12] 回归法因子择时模型 - **模型名称**：回归法因子择时模型 - **模型构建思路**：通过回归模型构建因子收益的预测模型，使模型更加易于理解与应用[2] - **模型具体构建过程**： 1. 在回归法框架下，构建因子收益的预测模型，将因子收益分解为与外生变量之间的稳定相关性[12] 2. 公式： $$ \beta_{j,t}=\alpha + \sum_{i=1}^{n}\beta_{i}X_{i,t} + \epsilon_{t} $$ 公式中，$\beta_{j,t}$表示第j个因子在t时刻的收益预测值，$\alpha$为常数项，$\beta_{i}$为回归系数，$X_{i,t}$为外生变量，$\epsilon_{t}$为误差项[12] - **模型评价**：回归法因子择时模型在理解和实现上更为简单，且具有良好的扩展性[2][12] 模型的回测效果 - **条件期望因子择时模型**： - 2017年收益约为11%[1][10] - 不择时组合同期收益约为-20%[1][10] - 超额收益约为31%[1][10] 量化因子与构建方式 规模因子 - **因子名称**：规模因子 - **因子的构建思路**：使用股票对数总市值计算规模因子，因子IC越高，市场越偏好大盘股；因子IC越低，市场越偏好小盘股[17] - **因子具体构建过程**： 1. 使用股票对数总市值计算规模因子[17] 2. 公式： $$ IC = \text{log}(\text{总市值}) $$ 公式中，IC表示规模因子，log表示对数函数，总市值表示股票的总市值[17] - **因子评价**：规模因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[18] 中盘因子 - **因子名称**：中盘因子 - **因子的构建思路**：使用截面标准化后的对数总市值的平方计算中盘因子，因子值越小，股票越偏向中盘；因子值越大，股票越偏向小盘或者大盘[29] - **因子具体构建过程**： 1. 使用截面标准化后的对数总市值的平方计算中盘因子[29] 2. 公式： $$ IC = (\text{log}(\text{总市值}))^2 $$ 公式中，IC表示中盘因子，log表示对数函数，总市值表示股票的总市值[29] - **因子评价**：中盘因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[30] 流动性因子 - **因子名称**：流动性因子 - **因子的构建思路**：使用股票过去1个月日均换手率计算流动性因子，因子IC越高，市场越偏向前期高换手的股票；因子IC越低，市场越偏好前期低换手的股票[36] - **因子具体构建过程**： 1. 使用股票过去1个月日均换手率计算流动性因子[36] 2. 公式： $$ IC = \text{日均换手率} $$ 公式中，IC表示流动性因子，日均换手率表示股票过去1个月的日均换手率[36] - **因子评价**：流动性因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[37] 反转因子 - **因子名称**：反转因子 - **因子的构建思路**：使用股票过去1个月收益率计算反转因子，因子IC越高，市场动量效应越强；因子IC越低，市场反转效应越强[42] - **因子具体构建过程**： 1. 使用股票过去1个月收益率计算反转因子[42] 2. 公式： $$ IC = \text{过去1个月收益率} $$ 公式中，IC表示反转因子，过去1个月收益率表示股票过去1个月的收益率[42] - **因子评价**：反转因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[43] 波动率因子 - **因子名称**：波动率因子 - **因子的构建思路**：使用股票过去1个月收益率的FF3因素回归R方计算波动率因子，因子IC越高，市场越偏好高系统波动占比、低特质波动占比的股票；因子IC越低，市场越偏好低系统波动占比、高特质波动占比的股票[51] - **因子具体构建过程**： 1. 使用股票过去1个月收益率的FF3因素回归R方计算波动率因子[51] 2. 公式： $$ IC = R^2 $$ 公式中，IC表示波动率因子，R^2表示FF3因素回归的R方[51] - **因子评价**：波动率因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[52] 估值因子 - **因子名称**：估值因子 - **因子的构建思路**：使用股票对数PB计算估值因子，因子IC越高，市场越偏好高估值股票；因子IC越低，市场越偏好低估值股票[55] - **因子具体构建过程**： 1. 使用股票对数PB计算估值因子[55] 2. 公式： $$ IC = \text{log}(\text{PB}) $$ 公式中，IC表示估值因子，log表示对数函数，PB表示股票的市净率[55] - **因子评价**：估值因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[56] 盈利因子 - **因子名称**：盈利因子 - **因子的构建思路**：使用股票单季度ROE计算盈利因子，因子IC越高，市场越偏好高盈利股票；因子IC越低，市场越偏好低盈利股票[64] - **因子具体构建过程**： 1. 使用股票单季度ROE计算盈利因子[64] 2. 公式： $$ IC = \text{ROE} $$ 公式中，IC表示盈利因子，ROE表示股票的单季度净资产收益率[64] - **因子评价**：盈利因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[66] 盈利成长因子 - **因子名称**：盈利成长