平台突破模型中技术信息因子如何筛选有效信号并提升策略绩效？

平台突破模型通过引入技术信息因子来筛选高质量突破样本，从而提升策略的整体绩效。具体逻辑与效果如下： 首先，模型构建了涵盖六大类共26个变量的价量信息变量集，旨在刻画信号触发时个股的价量状态。这些变量包括：换手率（如当日换手率、过去5/20/45日均值及标准差）、成交额（如当日成交额相对5/20/45日均值的比率）、动量（如过去5/20/45日涨跌幅）、波动率（如过去5/20/45日收益率标准差）、市值（如总市值自然对数及波动）以及均线偏离度（如收盘价相对5/20/45日均线的偏离度）。 其次，模型以突破后45日持有期收益率为因变量，构建多元线性回归模型，并采用逐步回归方法进行变量筛选。回归结果显示，当日换手率、市值、过去20日波动率、过去45日成交额比率等变量具有显著的负向系数，而过去5日涨跌幅、收盘价相对20日均线偏离度、过去5日成交额比率等变量具有显著的正向系数。模型利用回归方程拟合得到的收益率作为筛选标准，当拟合收益率大于0时判定为有效突破，筛选后样本约占全部样本的60%。 在绩效提升方面，引入技术信息增强后，策略表现显著改善。有效突破样本的胜率由41.18%提升至45.65%，盈亏比由1.46提升至1.58。策略年化收益由17.17%提升至21.47%，最大回撤由26.35%降至20.85%。这表明技术信息因子能有效过滤低质量信号，改善风险收益配比。 最后，在筛选后的样本基础上，模型尝试利用回归系数为正的正向因子对持仓股票进行赋权。结果显示，以过去5日涨跌幅（Ret5d）或收盘价相对20日均线偏离度（PriceMA20Dev）赋权的策略，年化收益率可进一步提升至26%以上，高于等权基准的21.47%。这说明动量因子对突破后趋势延续性较强的个股具有较好的区分度，通过因子赋权可进一步优化策略收益。