本报告中，我们从传统动量、技术指标、衍生动量指标、因子估值及拥挤度、因子组合内部分化等多维度的价量指标，对单一的因子动量筛选因子的过程进行了补充，希望能更准确地识别当前阶段的强势因子。在指标的计算中，我们主要使用因子多头组合的数据，针对4个负向因子即低波动率、低流动性、短期反转和小市值因子，我们同步尝试加入反方向，关注可能的反向机会。
　　初始特征构建：
　　 1）动量及技术指标：传统动量指标近年来在股票池、时序上分化都较为明显，2020年之前因子动量的有效性明显强于2020年后，对此我们补充了净值分位数、创新高次数指标，衰减程度尚可。在技术指标上，我们计算了SMA、EMA、RSI、BB、MACD等指标，有较多技术指标在各股票池中的衰减情况要好于经典动量、衍生动量指标，在2021年之后依然保持了不错的筛选效果。
　　 2）因子估值和因子拥挤度：我们根据因子组合的估值、换手率及其变化情况来构建估值、拥挤度相关指标，整体来看，因子估值、拥挤度这类偏左侧的指标，在A股因子上横向排序效果较差，但对部分因子尤其是大盘股中的因子有一定的高位警示作用。
　　 3）组合内部分化指标：我们补充了因子组合内部股票的涨跌分布、分化情况指标，多个因子IC的平均水平、稳定性要好于简单动量，能够作为因子筛选的补充。
　　多维价量指标的动态合成：我们一共计算了60个因子组合维度的价量特征，我们尝试静态合成和动态合成等不同方法，将多维价量指标、因子估值等信息进行合成，对原来使用动量筛选因子的方法进行加强。动态合成方法使用先随机森林筛选重要特征、再等权合成的方式，比其他复杂模型更为稳健、IC更高，从因子选择来看，中证500中高波动率、高流动性、短期动量等反向因子近一年的选择频次明显较高，而中证1000中的因子选择更偏向常规方向，新的合成信号比原来的ICIR信号对空头表现出色的异常现象明显更加敏感。
　　与因子共振模型的结合：我们将动态筛选有效因子的“升级版”因子价量筛选标准和原来因子共振模型的宏观部分进行组合，并尝试周度、月度调仓的新因子共振组合测试。新合成信号下，周度调仓的组合相比于原因子共振组合表现有了进一步的提升，提升重点在近三年因子动量有效性减弱之后。但周度调仓整体换手率会有所提升，因此我们也尝试仍降至月频，每月末使用过去4周的信号等权合成后执行优化，沪深300的月频方案仍然保持了不错的表现，但中证500的方案有明显下降，这也说明中证500中较多选择的高波动率、短期动量等反向信号需要更高频次的监控，不宜长期使用。
　　风险提示及声明：本报告模型根据历史数据构建，准确度受限于历史数据的长度；模型历史表现不代表未来，宏观及市场环境大幅变化时模型可能失效。