根据提供的金融工程周报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. ETF资金流动计算模型 - 构建思路：通过每日份额变化与前一日净值的乘积计算ETF净申购/赎回额，并对份额拆分的ETF进行特殊处理[9] - 具体构建过程： $净申购额 = (当日份额 - 前一日份额) \times 前一日净值$ 对发生份额拆分的ETF，需调整历史份额数据以保持计算口径一致[9] - 模型评价：能有效跟踪市场资金动向，但需依赖准确的份额和净值数据 2. 增强策略ETF绩效评估模型 - 构建思路：通过对比ETF收益率与基准指数的差异计算超额收益[21][22] - 具体构建过程： $超额收益率 = ETF收益率 - 基准指数收益率$ 采用滚动周期（周/年）计算持续表现，并剔除成立未满1年的基金[22] 量化因子与构建方式 1. 自由现金流因子 - 构建思路：基于中证800成分股的自由现金流指标构建Smart Beta ETF[23][25] - 具体构建过程： 1) 筛选成分股的自由现金流/市值比率 2) 按比率加权构建组合 3) 动态调整权重（季度再平衡）[25] 2. 行业主题动量因子 - 构建思路：捕捉科技/消费等主题ETF的短期价格动量[31][32] - 具体构建过程： $动量值 = \frac{当前价格 - N日前价格}{N日前价格} \times 交易量权重$ 其中N取5日（周频）和250日（年频）双窗口[32] 模型的回测效果 1. ETF资金流动模型 - 周度资金跟踪误差：±2.3亿元[9] - 行业分类准确率：92%[10] 2. 增强策略ETF模型 - 周超额收益胜率：76.5%（26/34只跑赢基准）[21] - 年化IR：0.89[22] 因子的回测效果 1. 自由现金流因子 - 年化超额收益：12.88%（中证1000增强ETF）[22] - 最大回撤：-8.47%（中证2000增强ETF）[22] 2. 行业主题动量因子 - 周收益率中位数： - 消费主题：2.87% - TMT主题：26.55%（2025年以来）[31] - 因子IC：0.32（1年期）[32] 注：所有测试数据截至2025年3月14日，股票型ETF测试样本为1072只[8][22]