主题策略-因子手工作坊系列(6)：日度量价因子的统一线性框架-260508（22页）.pdf

1、 日08月05年2026 证券研究报告证券研究报告 。与样本外风险，回测因子重叠风险风险，结构模型风险提示：来源也无法被现有的定价模型所解释。因子能够提供较为独立的新信息，其收益DMI_2多维度的检验，我们认为，回归、时间序列回归等MacBeth-Fama单调性也显著改善。经过双重排序、，29.28%，多空年化收益率约2.473为ICIR，0.070均值IC的因子DMI_2。指标上均达到最优水平指标上均达到最优水平因子，其在各项绩效因子，其在各项绩效DMI_2因子等权复合得到因子等权复合得到DTI与与DRI将将三、三、结论结论主要主要 好单调性与显著的多空收益。因子在控制日均换手率因子后仍表现

2、出良DTI。在双重排序检验中，26.47%，多空年化收益率提高至2.382达ICIR，年化0.064均值为IC因子DTI。因子因子）Information TurnoverDaily（DTI，构造，构造序列序列在上述模型的基础上，用换手率序列替换收益率在上述模型的基础上，用换手率序列替换收益率二、二、结论结论主要主要 显著优于简单的函数类因子。）外，单调性较为理想，10最高单日收益率及它们的复合因子。除多头组（组，均优于短期反转、8.93%，多头组合年化超额收益率为21.80%收益率为；多空组合年化1.830为ICIR，年化71.63%，胜率0.056为IC因子的DRI。因子因子）Daily

3、Return Information（DRI到到直接利用完整的月内日收益率序列建立线性预测回归模型，得直接利用完整的月内日收益率序列建立线性预测回归模型，得一、一、结论结论主要主要】结论主要【。其收益来源也无法被现有的定价模型所解释因子，能够提供较为独立的新信息，的因子等权复合得到DTI与DRI将 3.进一步提升。在信息利用效率上，因子DTI将该建模框架拓展至换手率序列，可构建 2.子，实现“让数据自己发声”，从而降低对预设函数形式的依赖。因DRI直接利用完整的月内日收益率序列建立线性预测回归模型，得到 1.】报告亮点【网络相比，则胜在直观性和可解释性。网络相比，则胜在直观性和可解释性。相比，

4、该框架不仅灵活，而且可以捕捉更多有效信息；和机器学习乃至神经相比，该框架不仅灵活，而且可以捕捉更多有效信息；和机器学习乃至神经函数类因子函数类因子传统传统。和。和统一线性框架统一线性框架因子的因子的日度量价日度量价搭建了搭建了一文，一文，ReturnsUnified Framework for Anomalies Based on Daily A借鉴借鉴本文本文 17-03-2026）5手工作坊系列（因子知情交易的微观行为特征与因子挖掘 24-02-2026）4因子手工作坊系列（别当大单不再可靠：基于撤单行为的机构交易识 相关研究相关研究 13564917688 S0800524040008

5、冯佳睿冯佳睿 分析师分析师 核心结论核心结论 ）6因子手工作坊系列（日度量价因子的统一线性框架 金工量化专题报告金工量化专题报告 声明投资评级说明和请务必仔细阅读报告尾部的|1 金工量化专题报告 西部证券西部证券 2026 年年 05 月月 08 日日 2|请务必仔细阅读报告尾部的投资评级说明和声明 索引 内容目录 一、引言.5 二、DRI 因子初探.5 2.1 短期反转因子.5 2.2 最高单日收益率因子.6 2.3 反转+最高单日收益率复合因子.6 2.4 DRI 因子.7 2.4.1 DRI 因子的计算.7 2.4.2 DRI 因子的表现.8 2.4.3 DRI 因子的双重排序检验.8

6、2.4.4 DRI 因子的模型分析.10 三、DRI 因子的衍生.11 3.1 日均换手率因子.11 3.2 DTI 因子.12 3.2.1 DTI 因子的计算.12 3.2.2 DTI 因子的表现.12 3.2.3 DTI 因子的双重排序检验.13 四、DMI 因子的构造和检验.13 4.1 函数类量价复合因子.14 4.2 因子.14 4.3 因子.15 4.4 因子的检验.16 4.4.1 因子与 Barra CNE6 风格因子的相关性.16 4.4.2 因子的双重排序检验.16 4.4.3 因子的回归检验.19 五、总结.20 参考文献.21 风险提示.21 图表目录 图 1：短期反转