量化模型与构建方式 1. 定价权计算模型 - 构建思路：将定价权定义为资金流驱动收益的绝对值，结合资金净流入强度（量）和价格影响力（价），综合反映公募基金对市场的影响[12]。 - 具体构建过程： 1. 分解股票超额收益为各类资金驱动收益和剩余收益： $定价权 = |资金流驱动的收益| = |资金净流入| × 价格影响力$ 其中，资金净流入占比衡量资金流强度，价格影响力系数γ通过卡尔曼滤波估计[14]。 2. 计算公募定价权百分比：公募驱动收益绝对值除以其他收益绝对值之和[14]。 - 评价：兼顾交易量和价格影响，避免传统方法的片面性[12]。 2. 卡尔曼滤波算法 - 构建过程：用于动态估计价格影响力系数γ，通过预测和更新步骤迭代优化： - 状态预测：${\widehat{\mathbf{x}_{\mathbf{k}}^{\mathbf{k}}}}=A_{\mathbf{k}}{\widehat{\mathbf{x}_{\mathbf{k}-1}}}+\mathbf{B}_{\mathbf{k}}\mathbf{u}_{\mathbf{k}}$ - 误差协方差预测：$\mathbf{P_{k}^{-}}=\mathbf{A_{k}}\mathbf{P_{k-1}}\mathbf{A_{k}^{T}}+\mathbf{Q_{k}}$ - 卡尔曼增益计算：$\mathrm{K_{k}=P_{k}^{-}H_{k}^{T}\bigl(H_{k}P_{k}^{-}H_{k}^{T}+R_{k}\bigr)^{-1}}$ - 状态更新：${\widehat{\mathbf{x_{k}}}}={\widehat{\mathbf{x_{k}}}}+\mathrm{K_{k}}(\mathbf{z_{k}}-\mathrm{H_{k}}{\widehat{\mathbf{x_{k}}}})$[95][96][97][101] 量化因子与构建方式 1. 基金净流入因子 - 构建思路：基于公募季度净流入与成交额比例，反映资金主动交易行为[79]。 - 具体构建：因子值=季度净流入/成交额，季频调仓（1/4/7/10月末）[79]。 - 评价：在大盘股中选股效果显著，但需避免博弈性调仓干扰[79]。 2. 基金净流入（低分歧）因子 - 构建思路：引入分歧度指标（当月净流入/交易绝对值之和），筛选公募观点一致的股票[84]。 - 具体构建：加总分歧度至季度，组合调仓时点同基础因子[84]。 - 评价：全样本池选股效果提升，空头区分度增强[84]。 3. 基金净流入（温和买入）因子 - 构建思路：用公募驱动收益替代净流入，筛选波动较低的温和买入股票[86]。 - 具体构建：因子值=季度驱动收益/过去12月收益标准差[86]。 - 评价：小盘股（中证1000）表现更优，避免短期冲击影响[86]。 模型与因子的回测效果 1. 基金净流入因子 - 沪深300：RankIC均值3.42%，多空年化收益8.34%，多头超额收益5.89%[82]。 - 中证500：RankIC均值2.32%，多空年化收益9.04%，多头超额收益10.24%[82]。 2. 基金净流入（低分歧）因子 - 沪深300：RankIC均值5.18%，多空年化收益14.93%，多头超额收益8.53%[85]。 - 中证1000：RankIC均值3.28%，多空年化收益19.68%，多头超额收益14.22%[85]。 3. 基金净流入（温和买入）因子 - 中证1000：RankIC均值2.72%，多空年化收益15.45%，多头超额收益25.67%[87]。 其他关键指标 - 公募定价权行业分布： - 高弹性行业（如电力设备、有色金属）定价权较高，2024年电力设备定价权11%[24][26]。 - 北上资金在高ROE行业（如银行）定价权更高（2024年银行定价权21%）[27][28]。 - 调仓周期影响：新发基金周期下消费/新能源龙头减持周期长（如贵州茅台减持1367天），科技股周期较短[54][56]。