根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. 模型名称：分层抽样法 - 模型构建思路：根据成分股的特征进行分层，然后在每一层内选取代表性成分股，形成投资组合[51] - 模型具体构建过程： 1. 以市值和估值作为分层标准，每个维度划分成三组，形成3×3共9个组合 2. 在每个分组中选择流动性较好的部分股票，最终形成投资组合 3. 也可以采用行业作为分层特征[51] - 模型评价：能够保证组合与标的指数在市值、估值等维度的近似，但当待分层的风格较多时，容易出现股票数量不足的问题[51] 2. 模型名称：最优化抽样复制法 - 模型构建思路：通过约束组合相对基准的风格偏离，同时最小化组合跟踪误差的方法优化组合持仓[52] - 模型具体构建过程： 1. 控制组合风险暴露，使得目标组合与基准指数在指定风格上的暴露保持一致 2. 采用组合优化的方式显式地控制组合跟踪误差[52] - 模型评价：能够更加精准地控制组合跟踪误差，对于以跟踪误差为运作目标的ETF产品尤为重要[52] 模型的回测效果 1. 分层抽样法： - 华夏中证2000ETF采用该方法，2023年报、2024年中报以及2024年年报中持股数量分别为824、844以及914只，指数内成分股权重占比接近100%[55] 2. 最优化抽样复制法： - 华夏中证2000ETF采用该方法，自成立以来累计超额收益达到30.46%，年化超额收益达到15.14%，年化信息比达到3.14[56] 量化因子与构建方式 1. 因子名称：Brinson模型 - 因子构建思路：将超额收益拆解成行业配置收益和个股选择收益[59] - 因子具体构建过程： 1. 计算行业配置收益：比较组合与基准在行业配置上的差异带来的收益 2. 计算个股选择收益：比较组合与基准在个股选择上的差异带来的收益[59] - 因子评价：能够有效识别超额收益的来源，帮助优化投资组合[59] 因子的回测效果 1. Brinson模型： - 华夏中证2000ETF相对中证2000的超额收益主要来自个股选择收益，2023-12-31、2024-06-30、2024-12-31的个股选择收益分别为3.13%、0.65%、3.00%[60] 其他量化指标 1. 中证2000指数风险收益特征： - 年化收益率：9.29% - 年化夏普比：0.46 - 年化波动率：27.82% - 最大回撤：-67.87%[47] 2. 华夏中证2000ETF风险收益特征： - 20230906-20250723累计超额收益：15.14% - 年化信息比：3.14 - 相对最大回撤：-4.85%[58]