根据提供的研报内容，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. 信达金工行业轮动策略 - 构建思路：基于绩优基金持仓倾向的边际变化，捕捉行业轮动信号[37] - 具体构建过程： 1. 筛选绩优基金（近1年收益排名前30%）作为样本池 2. 计算样本基金对各中信一级行业的超配/低配比例 3. 生成行业轮动信号：超配行业看多，低配行业看空 4. 结合动量模型（20日收益率排名）和景气度模型（ROE变化率）进行多因子加权[39] - 模型评价：兼顾机构行为与基本面逻辑，但对市场风格切换敏感 2. ETF资金流监控模型 - 构建思路：通过ETF净流入数据追踪主力资金动向[42] - 具体构建过程： 1. 分类统计宽基/行业/主题ETF的周度净流入额 2. 计算资金流集中度指标： $集中度 = \frac{\sum_{i=1}^5 TOP5净流入}{\sum_{i=1}^N 全市场净流入}$ 3. 结合规模加权构建资金流强度指标[43] 量化因子与构建方式 1. 机构仓位因子 - 构建思路：反映主动权益基金的风格偏好变化[29] - 具体构建过程： 1. 按市值-成长性将股票分为6类：大盘成长/价值、中盘成长/价值、小盘成长/价值 2. 计算主动偏股型基金在每类的仓位占比变化（周度环比） 3. 标准化处理： $因子值 = \frac{本周仓位 - 过去8周均值}{过去8周标准差}$[30] 2. 行业超低配因子 - 构建思路：捕捉公募基金行业配置的边际变化[33] - 具体构建过程： 1. 计算中信一级行业持股市值占比（加权平均） 2. 计算行业超配比例： $超配比例 = 基金持仓占比 - 行业流通市值占比$ 3. 生成趋势信号：连续3周超配比例上升为正向信号[34] 模型的回测效果 1. 信达金工行业轮动策略 - 年化超额收益：18.7%（vs 沪深300） - 最大回撤：-9.2% - IR：2.1（2020/1-2025/5）[39] 2. ETF资金流监控模型 - 宽基ETF净流出预测准确率：72.3% - 行业ETF资金流与下周收益相关系数：0.41[43] 因子的回测效果 1. 机构仓位因子 - 小盘成长仓位因子IC均值：0.15（月频） - 中盘价值仓位因子RankIC：0.21[30] 2. 行业超低配因子 - 计算机行业因子多空收益：月均1.8% - 食品饮料行业因子ICIR：1.6[34] 注：所有测试结果均基于2014-2025年历史数据回测，采用中信一级行业分类和等权加权方式计算[36][39]