本文借鉴《 AUnified Framework for Anomalies Based on DailyReturns》一文，搭建了日度量价因子的统一线性框架。和传统函数类因子相比，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网络相比，则胜在直观性和可解释性。
　　【报告亮点】
　　1.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DRI因子，实现“让数据自己发声”，从而降低对预设函数形式的依赖。
　　2.将该建模框架拓展至换手率序列，可构建DTI因子，在信息利用效率上进一步提升。
　　3.将DRI与DTI因子等权复合得到的因子，能够提供较为独立的新信息，其收益来源也无法被现有的定价模型所解释。
　　【主要结论】
　　主要结论一、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DRI（Daily Return Information）因子。
　　DRI因子的IC为0.056，胜率71.63%，年化ICIR为1.830；多空组合年化收益率为21.80%，多头组合年化超额收益率为8.93%，均优于短期反转、最高单日收益率及它们的复合因子。除多头组（组10）外，单调性较为理想，显著优于简单的函数类因子。
　　主要结论二、在上述模型的基础上，用换手率序列替换收益率序列，构造DTI（Daily Turnover Information）因子。
　　DTI因子IC均值为0.064，年化ICIR达2.382，多空年化收益率提高至26.47%。在双重排序检验中，DTI因子在控制日均换手率因子后仍表现出良好单调性与显著的多空收益。
　　主要结论三、将DRI与DTI因子等权复合得到DMI_2因子，其在各项绩效指标上均达到最优水平。
　　DMI_2因子的IC均值0.070，ICIR为2.473，多空年化收益率约29.28%，单调性也显著改善。经过双重排序、Fama-MacBeth回归、时间序列回归等多维度的检验，我们认为，DMI_2因子能够提供较为独立的新信息，其收益来源也无法被现有的定价模型所解释。
　　风险提示：模型结构风险，因子重叠风险，回测与样本外风险。