根据研报内容，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. 主动偏股基金仓位高频估测模型 - 构建思路：通过基金每日净值序列与基准资产序列的多元回归模型，估算股票仓位变动趋势[67] - 具体构建： 1. 以申万行业指数为基准资产序列 2. 采用带约束条件的OLS回归，目标函数为最小化净值跟踪误差 3. 加入行业权重调整因子，优化行业配置偏离度估计 - 模型评价：能够实现T+1级别的仓位监测，但对行业轮动频繁的基金敏感度较低 2. REITs指数化投资模型 - 构建思路：基于底层资产类型和项目属性构建全收益指数[51] - 具体构建： 1. 将REITs分为产权类（$I_p = \sum w_iP_i$）和特许经营权类（$I_c = \sum w_jP_j$） 2. 采用分级靠档法稳定样本份额，除数修正法处理非交易变动 3. 同步计算价格指数（不含分红）和全收益指数（含分红再投资） - 模型评价：有效反映不同底层资产的风险收益特征，但流动性不足时跟踪误差较大 量化因子与构建方式 1. 现金流因子 - 构建思路：筛选自由现金流稳定的上市公司构建投资组合[2][31] - 具体构建： 1. 计算企业自由现金流： $FCF = EBITDA - \Delta NWC - CapEx - Taxes$ 2. 标准化处理： $z_{FCF} = \frac{FCF - \mu_{FCF}}{\sigma_{FCF}}$ 3. 组合加权：按z-score分层等权配置 - 因子评价：在周期行业表现突出，但需结合资本开支周期调整 2. 行业主题动量因子 - 构建思路：捕捉主题基金的短期趋势延续性[39] - 具体构建： 1. 计算主题基金指数20日收益率： $R_{20} = \frac{P_t}{P_{t-20}} - 1$ 2. 动态加权： $w_i = \frac{e^{R_{20,i}}}{\sum e^{R_{20,j}}}$ - 因子评价：在TMT、新能源等赛道有效性显著，但反转行情中失效风险高 模型回测效果 1. 主动偏股基金仓位模型 - 周度调仓胜率：68.3% - 行业配置误差：±1.2pcts - IR：1.45（2023-2025）[67] 2. REITs指数模型 - 年化收益：产权类3.84% vs 特许经营权类0.25% - 最大回撤：产权类-42.30% - 夏普比率：产权类0.17[51] 因子回测效果 1. 现金流因子 - 多空组合年化收益：9.2% - 信息比率：1.83 - 月度胜率：71.4%[2] 2. 行业动量因子 - 头部组合周收益：2.44%（TMT） - 尾部组合周收益：-0.30%（医药） - 月度IC：0.32[39] 注：所有测试周期均为2025年7月25日前推36个月[1][4]