根据提供的量化市场追踪周报内容，总结涉及的量化模型与因子如下： 量化模型与构建方式 1. 行业轮动模型 - 构建思路：基于绩优基金持仓倾向的边际变化构建行业轮动信号，捕捉机构资金配置方向[36] - 具体构建： 1. 筛选绩优基金样本（近1年业绩前30%的主动权益基金） 2. 计算行业超配比例：$超配比例 = \frac{基金持仓行业权重 - 基准行业权重}{基准行业权重}$ 3. 生成行业信号：超配比例连续上升且排名前5的行业为看多信号[40] - 模型评价：对红利风格和高景气行业有较强捕捉能力，但需警惕机构抱团瓦解风险[36] 2. 基金仓位测算模型 - 构建思路：通过持仓分析和回归模型测算主动权益基金的风格及行业暴露[22][29] - 具体构建： 1. 使用T-M模型分解基金收益：$R_p = \alpha + \sum(\beta_i \times F_i) + \epsilon$ 其中F_i为风格因子（大盘成长/价值等6类）[30] 2. 采用面板回归动态更新仓位权重，数据频率为周度[23] 量化因子与构建方式 1. 资金流因子 - 构建思路：划分主力/散户资金流向，捕捉市场情绪分化[56] - 具体构建： 1. 按成交单划分资金类型： - 特大单：成交量≥20万股或金额≥100万元 - 大单：6-20万股或30-100万元 - 中小单：≤6万股或≤30万元[56] 2. 计算净流入强度：$净流入强度 = \frac{主力净流入金额}{自由流通市值}$[61] 2. ETF资金流因子 - 构建思路：跟踪各类ETF资金流向，反映机构配置偏好[41] - 具体构建： 1. 按宽基/行业/主题分类统计净申购金额[67] 2. 计算资金集中度：$集中度 = \frac{前5大ETF净流入}{总净流入}$[42] 模型的回测效果 1. 行业轮动模型： - 年化超额收益：8.7%（vs 中信一级行业等权基准）[38] - 信息比率(IR)：1.25（24个月滚动窗口）[38] - 最大回撤：-15.3%（2024Q2科技股回调期）[38] 2. 基金仓位模型： - 风格仓位跟踪误差：±1.5pct（与年报披露值对比）[30] - 行业仓位相关系数：0.89（与重仓股测算值）[34] 因子的回测效果 1. 资金流因子： - 多空组合年化收益：19.3%（TOP5 vs BTM5行业）[62] - IC均值：0.21（20日预测周期）[64] 2. ETF资金流因子： - 沪深300ETF净流入与指数收益相关性：0.73（滞后1周）[41] - 黄金ETF净流入与金价相关性：0.68（同期）[70] 注：所有测试结果均基于2020-2025年样本数据，测试区间统一为周频调仓[38][67]