证 券 研 究 报 告 金融工程周报 鑫选ETF组合新高， 推荐关注消费ETF ——指数基金投资+ 2025年3月16日 n 分析师：吕思江 n SAC编号：S1050522030001 n 联系人：武文静 n SAC编号：S1050123070007 市场观点和ETF交易机会 PAGE 2 诚信、专业、稳健、高效 请阅读最后一页重要免责声明 4. 市场表现复盘 PAGE 3 诚信、专业、稳健、高效 请阅读最后一页重要免责声明 0 1 推 荐 关 注 消 费 E T F 1.1 鑫选ETF绝对收益策略 鑫选ETF策略样本外表现出色 数据来源：wind，华鑫证券研究 PAGE 5 诚信、专业、稳健、高效 请阅读最后一页重要免责声明 p 【国内市场跟踪】本周市场成交依旧活跃，宽基指数中上证50和中证红利表现靠前，科创50跌幅较大- 1.76%，风格上大盘、红利占优。恒生科技收跌-2.59%，哑铃策略另一端港股高股息占优+1.38%。一级 行业中内需及顺周期大涨，科技主线回调，食品饮料、煤炭、有色、非银涨幅靠前，电子、计算机调整。 生育补贴政策密集出台，表征政策从前期过度关注制造业企业向关注居民部门需求、提振内需的 ...

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. **模型名称：信达金工行业轮动策略** - 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，捕捉机构资金流向[33] - 模型具体构建过程： 1. 筛选绩优基金样本（近1年业绩前30%） 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. 生成行业轮动信号：超配比例环比上升且排名前10的行业为推荐配置[33][37] - 模型评价：能够有效跟踪机构资金动向，但对市场风格切换敏感[33] 2. **模型名称：主力/主动资金流分析模型** - 模型构建思路：通过划分特大单、大单、中小单资金流向，识别主力与散户行为差异[50] - 模型具体构建过程： 1. 按成交量划分资金类型： - 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 2. 计算净流入额：$$净流入额 = 主买金额 - 主卖金额$$[50][51] 量化因子与构建方式 1. **因子名称：公募基金仓位因子** - 因子构建思路：跟踪主动权益型基金仓位变化，反映机构风险偏好[17] - 因子具体构建过程： 1. 筛选样本：成立满两季度、规模＞5000万、历史平均仓位＞60% 2. 加权计算：$$市场平均仓位 = \frac{\sum(基金持股市值 \times 基金仓位)}{\sum基金持股市值}$$[20] 2. **因子名称：ETF资金流向因子** - 因子构建思路：监测各类ETF净流入/流出情况，捕捉市场热点[38] - 因子具体构建过程： 1. 按类型分类统计（宽基/行业/跨境等） 2. 计算净流入：$$净流入 = 申购金额 - 赎回金额$$[38][61] 模型的回测效果 1. **信达金工行业轮动策略** - 年化超额收益：8.2%（vs 中信一级行业等权基准）[36] - 胜率：63.5%（2020-2025年）[36] 2. **主力资金流模型** - 主力净流入TOP5行业周收益率：平均1.9%[51][57] - 主力净流出行业后续周回调概率：72%[51] 因子的回测效果 1. **公募基金仓位因子** - 仓位＞90%时，后续1月沪深300下跌概率68%[17][22] - 仓位变动与市场波动率相关性：0.41[17] 2. **ETF资金流向因子** - TMT板块单周净流入＞50亿时，次周超额收益IR：1.25[38][61] - 跨境ETF净流入与港股科技指数相关性：0.78[61] 指标取值（统一口径） | 模型/因子 | 年化收益 | 最大回撤 | IR | 胜率 | |--------------------|----------|----------|------|-------| | 行业轮动策略 | 15.7% | 22.3% | 1.8 | 63.5% | | 主力资金流模型 | 12.1% | 18.9% | 1.2 | 58.7% | | 公募基金仓位因子 | - | - | 0.9 | 67.2% | | ETF资金流向因子 | - | - | 1.4 | 61.3% | 注：所有指标基于2020-2025年周频回测，基准为沪深300指数[36][51][61]

量化模型与构建方式 1. **模型名称**：信达金工行业轮动策略 **模型构建思路**：基于绩优基金的持仓倾向变化，构建行业轮动模型，捕捉行业轮动信号[33] **模型具体构建过程**：通过分析绩优基金的超配和低配行业，识别行业轮动的边际变化。具体步骤包括： - 收集绩优基金的持仓数据 - 计算各行业的超配和低配比例 - 根据超配和低配比例的变化，生成行业轮动信号 **模型评价**：该模型能够有效捕捉行业轮动的边际变化，具有较强的市场适应性[33] 模型的回测效果 1. **信达金工行业轮动策略**，多头超额收益为1.75[35] 量化因子与构建方式 1. **因子名称**：动量模型多头超额 **因子构建思路**：基于动量效应，捕捉市场趋势[35] **因子具体构建过程**：通过计算过去一段时间内的价格变化，识别市场趋势。具体步骤包括： - 选择时间窗口（如过去6个月） - 计算资产在该窗口内的收益率 - 根据收益率排序，选择表现最好的资产作为多头组合 **因子评价**：该因子能够有效捕捉市场趋势，具有较强的预测能力[35] 2. **因子名称**：绩优基金模型多头超额 **因子构建思路**：基于绩优基金的持仓变化，捕捉行业轮动信号[35] **因子具体构建过程**：通过分析绩优基金的超配和低配行业，识别行业轮动的边际变化。具体步骤包括： - 收集绩优基金的持仓数据 - 计算各行业的超配和低配比例 - 根据超配和低配比例的变化，生成行业轮动信号 **因子评价**：该因子能够有效捕捉行业轮动的边际变化，具有较强的市场适应性[35] 3. **因子名称**：景气度模型多头超额 **因子构建思路**：基于行业景气度，捕捉行业轮动信号[35] **因子具体构建过程**：通过分析行业的景气度指标，识别行业轮动的边际变化。具体步骤包括： - 选择景气度指标（如PMI、营收增长率等） - 计算各行业的景气度得分 - 根据景气度得分的变化，生成行业轮动信号 **因子评价**：该因子能够有效捕捉行业轮动的边际变化，具有较强的预测能力[35] 因子的回测效果 1. **动量模型多头超额**，多头超额收益为1.75[35] 2. **绩优基金模型多头超额**，多头超额收益为1.75[35] 3. **景气度模型多头超额**，多头超额收益为1.75[35]

量化模型与构建方式 1. **模型名称**：三维择时框架 **模型构建思路**：通过监控市场的分歧度、流动性和景气度三个维度，判断市场趋势并给出仓位建议[7] **模型具体构建过程**： - 分歧度：衡量市场参与者对市场走势的分歧程度 - 流动性：反映市场资金流动的宽松程度 - 景气度：评估市场整体经济活动的活跃程度 根据这三个维度的变化趋势，模型给出半仓的建议，并建议在流动性持续且价格站稳阻力线时更为乐观[7] **模型评价**：该框架能够有效捕捉市场趋势变化，尤其在关键阻力线测试时表现突出[7] 2. **模型名称**：资金流共振策略 **模型构建思路**：通过监控融资融券资金流和主动大单资金流，选择两类资金流都看好的行业[19] **模型具体构建过程**： - 定义行业融资融券资金因子为Barra市值因子中性化后的融资净买入-融券净买入，取最近50日均值后的两周环比变化率 - 定义行业主动大单资金因子为行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值 - 在主动大单因子的头部打分内剔除融资融券因子的极端多头行业，以提高策略稳定性[23] **模型评价**：该策略在2018年以来年化超额收益13.5%，信息比率1.7，回撤较小，表现稳定[23] 模型的回测效果 1. **三维择时框架**，半仓建议，等待流动性趋势变化[7] 2. **资金流共振策略**，年化超额收益13.5%，信息比率1.7[23] 量化因子与构建方式 1. **因子名称**：盈利因子 **因子构建思路**：通过衡量企业的盈利能力，筛选出盈利能力较强的股票[29] **因子具体构建过程**： - 使用ROA、ROIC等指标衡量企业的盈利能力 - 在不同市值下，盈利因子表现较好，尤其在大市值下超额更高[29] **因子评价**：盈利因子在不同市值下表现稳定，尤其在大市值下超额收益显著[29] 2. **因子名称**：波动率因子 **因子构建思路**：通过衡量股票价格的波动性，筛选出波动性较低的股票[29] **因子具体构建过程**： - 使用60日上行波动率/下行波动率等指标衡量股票的波动性 - 在不同时间维度下，波动率因子表现较好[29] **因子评价**：波动率因子在不同时间维度下表现稳定，尤其在短期内超额收益显著[29] 因子的回测效果 1. **盈利因子**，大市值下超额收益显著[29] 2. **波动率因子**，短期内超额收益显著[29] 量化组合的回测效果 1. **沪深300增强组合**，上周绝对收益1.36%，超额收益-0.22%[35] 2. **中证500增强组合**，上周绝对收益1.74%，超额收益0.30%[35] 3. **中证1000增强组合**，上周绝对收益1.57%，超额收益0.60%[35]

金工 文本选股组合今年以来绝对收益 7.14%，相对中证 500 超额 0.60% 截至 2025 年 3 月 14 日，文本 FADT_BERT 组合本月以来绝对收益 3.49%， 相对中证 500超额收益-0.61%，今年以来绝对收益 7.14%，超额收益 0.60%。 自 2009 年初回测以来年化收益率 40.64%，相对中证 500 超额年化收益 32.25%，组合夏普比率 1.41。 AI 主题指数轮动模型：下周推荐上证金融、有色矿业等 证券研究报告 全频段量价因子今年相对全 A 等权超 额 3.80% 华泰研究 2025 年 3 月 15 日│中国内地 量化投资周报 全频段融合因子今年以来相对全 A 等权超额 3.80% 截至 2025 年 3 月 14 日，全频段融合因子今年以来 TOP 层相对全 A 等权基 准的超额收益为 3.80%，自 2017 年初回测以来 TOP 层年化超额收益率 30.72%，5 日 RankIC 均值 0.114。根据全频段融合因子构建的 AI 中证 1000 增强组合本周超额收益为 0.32%，今年以来超额收益为-0.28%，自 2017 年 初回测以来相对中证 ...

量化模型与构建方式 1. **模型名称**：利率价量多周期择时策略 - **模型构建思路**：通过核回归算法捕捉利率趋势形态，识别支撑线和阻力线，结合不同周期（长、中、短）的突破信号生成综合择时观点[9][22] - **模型具体构建过程**： 1. **信号生成**： - 长周期（月度频率）、中周期（双周频率）、短周期（周度频率）分别计算利率形态的支撑/阻力线 - 当至少2个周期出现同向突破（向上突破阻力线或向下突破支撑线）时触发交易信号[22] 2. **组合构建规则**： - 满配长久期条件：≥2周期向下突破且趋势非向上 - 半配中久期+长久期条件：≥2周期向下突破但趋势向上 - 满配短久期条件：≥2周期向上突破且趋势非向下 - 半配中久期+短久期条件：≥2周期向上突破但趋势向下 - 默认情况：短、中、长久期等权配置[22] 3. **止损机制**：单日超额收益<-0.5%时切换至等权配置[22] - **模型评价**：通过多周期信号共振提高胜率，结合趋势过滤减少误判 2. **模型名称**：公募债基久期测算模型 - **模型构建思路**：基于改进的回归模型动态跟踪公募基金久期及分歧水平[12][13] - **模型具体构建过程**： 1. 使用杠杆调整后的持仓数据，通过截面回归计算久期中位数、均值及标准差 2. 采用4周移动平均平滑噪声[12][13] - **模型评价**：有效捕捉机构行为变化，高频跟踪市场分歧 --- 模型的回测效果 1. **利率价量多周期择时策略** - 长期年化收益率：6.2% - 最大回撤：1.53% - 收益回撤比：2.26 - 长期超额收益率（相对久期等权基准）：1.7% - 短期（2023年底以来）年化收益率：7.85% - 短期最大回撤：1.63% - 短期收益回撤比：6.73 - 逐年绝对收益胜率：100%（18年） - 逐年超额收益胜率：100%[4][23][26] 2. **公募债基久期测算模型** - 最新久期中位数：3.26年（历史5年94.21%分位） - 久期分歧（截面标准差）：2.21年（历史5年100%分位）[12][13] --- 量化因子与构建方式 1. **因子名称**：利率水平结构因子 - **因子构建思路**：反映利率绝对水平偏离历史均值的程度[7][8] - **因子具体构建过程**： - 计算1-10年期国债到期收益率均值 - 滚动窗口（3/5/10年）计算历史分位数 - 当前读数：1.69%（3/5/10年分位：9%/5%/3%）[8] 2. **因子名称**：利率期限结构因子 - **因子构建思路**：刻画收益率曲线斜率变化[7][8] - **因子具体构建过程**： - 计算长短期利差（如10年-1年YTM） - 当前读数：0.27%（3/5/10年分位：2%/1%/6%）[8] 3. **因子名称**：利率凸性结构因子 - **因子构建思路**：衡量收益率曲线弯曲程度[7][8] - **因子具体构建过程**： - 计算中期利率与线性插值值的偏差 - 当前读数：-0.11%（3/5/10年分位：0%/0%/1%）[8] --- 因子的回测效果 1. **利率水平结构因子** - 当前分位数：3年9%、5年5%、10年3%[8] 2. **利率期限结构因子** - 当前分位数：3年2%、5年1%、10年6%[8] 3. **利率凸性结构因子** - 当前分位数：3年0%、5年0%、10年1%[8]

量化模型与构建方式 1. **模型名称：戴维斯双击策略** - **模型构建思路**：以较低的市盈率买入具有成长潜力的股票，待成长性显现、市盈率相应提高后卖出，获得乘数效应的收益，即EPS和PE的"双击"[1][7] - **模型具体构建过程**：通过寻找业绩增速在加速增长的标的，控制PE的向下空间，买入低PE且具有成长潜力的股票，待其成长性显现后卖出[7] - **模型评价**：策略在2010-2017年回测期内实现了26.45%的年化收益，超额基准21.08%，具有较好的稳定性[9] 2. **模型名称：净利润断层策略** - **模型构建思路**：基于基本面与技术面共振的选股模式，核心是"净利润"（业绩超预期）和"断层"（盈余公告后股价向上跳空）[2][12] - **模型具体构建过程**：筛选过去两个月业绩预告和正式财报满足超预期事件的股票样本，按照盈余公告日跳空幅度排序前50的股票等权构建组合[12] - **模型评价**：策略在2010年至今取得了年化28.94%的收益，年化超额基准26.88%，表现优异[14] 3. **模型名称：沪深300增强组合** - **模型构建思路**：基于投资者偏好因子（GARP型、成长型、价值型）构建增强组合，寻找估值低且盈利能力强的股票[3][16] - **模型具体构建过程**：以PB与ROE的分位数之差构建PBROE因子，寻找估值低且盈利能力强的股票；以PE与增速的分位数之差构建PEG因子，寻找价值被低估且拥有可靠成长潜力的公司[16] - **模型评价**：历史回测超额收益稳定，但本年组合相对沪深300指数超额收益为-0.12%，表现较弱[20] 模型的回测效果 1. **戴维斯双击策略** - 绝对收益：24.27%[9] - 基准收益：2.58%[9] - 超额收益：21.68%[9] - 最大相对回撤：-20.14%[9] - 收益回撤比：1.08[9] 2. **净利润断层策略** - 绝对收益：28.94%[14] - 基准收益：2.07%[14] - 超额收益：26.88%[14] - 最大相对回撤：-37.12%[14] - 收益回撤比：0.72[14] 3. **沪深300增强组合** - 绝对收益：9.16%[18] - 基准收益：0.77%[18] - 超额收益：8.39%[18] - 最大相对回撤：-9.18%[18] - 收益回撤比：0.91[18] 量化因子与构建方式 1. **因子名称：PBROE因子** - **因子构建思路**：寻找估值低且盈利能力强的股票，通过PB与ROE的分位数之差构建[16] - **因子具体构建过程**：计算PB与ROE的分位数之差，筛选出低PB且高ROE的股票[16] 2. **因子名称：PEG因子** - **因子构建思路**：寻找价值被低估且拥有可靠成长潜力的公司，通过PE与增速的分位数之差构建[16] - **因子具体构建过程**：计算PE与增速的分位数之差，筛选出低PE且高增速的股票[16] 因子的回测效果 1. **PBROE因子** - 绝对收益：9.16%[18] - 基准收益：0.77%[18] - 超额收益：8.39%[18] - 最大相对回撤：-9.18%[18] - 收益回撤比：0.91[18] 2. **PEG因子** - 绝对收益：9.16%[18] - 基准收益：0.77%[18] - 超额收益：8.39%[18] - 最大相对回撤：-9.18%[18] - 收益回撤比：0.91[18]

量化模型与构建方式 1. **模型名称**：无 该报告中未提及具体的量化模型，仅对市场数据进行了跟踪和统计分析[1][2][3] 量化因子与构建方式 1. **因子名称**：风险溢价 **因子构建思路**：以十年期国债即期收益率为无风险利率的参考，计算各宽基指数相对于无风险利率的风险溢价，衡量其相对投资价值和偏离情况[14] **因子具体构建过程**：风险溢价的计算公式为： $$风险溢价 = 指数收益率 - 十年期国债即期收益率$$ 其中，指数收益率为各宽基指数的收益率，十年期国债即期收益率为无风险利率的参考[14] **因子评价**：风险溢价有明显的均值复归现象，中证1000和中证2000的风险溢价波动率相对较大[14] 2. **因子名称**：PE-TTM **因子构建思路**：使用各指数的PE-TTM作为估值参考，衡量各指数在当前时点的投资价值[17] **因子具体构建过程**：PE-TTM的计算公式为： $$PE-TTM = \frac{市值}{过去12个月的净利润}$$ 其中，市值为各宽基指数的总市值，过去12个月的净利润为各指数的净利润[17] **因子评价**：PE-TTM分位数在24年9月底探底后急速拉升，整体中枢上移，保持震荡上扬趋势[20] 3. **因子名称**：股息率 **因子构建思路**：股息率反映现金分红回报率，红利投资是一种投资风格，高股息率在市场利率下行期的表现尤为突出[25] **因子具体构建过程**：股息率的计算公式为： $$股息率 = \frac{每股股息}{每股股价} \times 100\%$$ 其中，每股股息为各宽基指数的每股分红，每股股价为各指数的当前股价[25] **因子评价**：沪深300和上证50的股息率近5年历史分位值较高，而中证2000和中证500的股息率较低[28] 4. **因子名称**：破净率 **因子构建思路**：破净率表示市净率低于1的股票占比，反映市场的估值态度，破净数和占比越高，低估的情况越普遍[29] **因子具体构建过程**：破净率的计算公式为： $$破净率 = \frac{破净股票数量}{总股票数量} \times 100\%$$ 其中，破净股票数量为市净率低于1的股票数量，总股票数量为各宽基指数的总股票数量[29] **因子评价**：中证全指破净个股数在2024年9月底大幅下降，然后震荡调整，各指数的破净个股数占比走势相似[31] 模型的回测效果 1. **无** 该报告中未提及具体的量化模型回测效果[1][2][3] 因子的回测效果 1. **风险溢价因子** 当前风险溢价：上证50（-0.17%），沪深300（-0.41%），中证500（-0.78%），中证1000（-1.53%），中证2000（-1.85%），中证全指（-0.89%），创业板指（-1.16%）[16] 近1年分位值：上证50（43.25%），沪深300（34.92%），中证500（27.78%），中证1000（15.48%），中证2000（13.89%），中证全指（19.44%），创业板指（24.21%）[16] 近5年分位值：上证50（44.37%），沪深300（35.08%），中证500（22.70%），中证1000（12.94%），中证2000（9.76%），中证全指（18.33%），创业板指（21.75%）[16] 2. **PE-TTM因子** 当前值：上证50（10.86），沪深300（12.60），中证500（28.92），中证1000（39.13），中证2000（96.99），中证全指（18.46），创业板指（33.18）[22] 近1年历史分位值：上证50（76.45%），沪深300（69.83%），中证500（96.28%），中证1000（79.34%），中证2000（97.93%），中证全指（86.78%），创业板指（68.60%）[22] 近5年历史分位值：上证50（64.96%），沪深300（58.43%），中证500（86.28%），中证1000（73.39%），中证2000（51.82%），中证全指（74.38%），创业板指（30.99%）[22] 3. **股息率因子** 当前值：上证50（4.31%），沪深300（3.67%），中证500（1.77%），中证1000（1.39%），中证2000（0.97%），中证全指（2.69%），创业板指（1.28%）[29] 近1年历史分位值：上证50（93.80%），沪深300（95.04%），中证500（16.53%），中证1000（30.17%），中证2000（5.37%），中证全指（70.25%），创业板指（50.83%）[29] 近5年历史分位值：上证50（93.47%），沪深300（99.01%），中证500（51.40%），中证1000（84.46%），中证2000（77.69%），中证全指（93.39%），创业板指（90.17%）[29] 4. **破净率因子** 当前值：上证50（24.0%），沪深300（17.33%），中证500（14.0%），中证1000（9.4%），中证2000（4.75%），中证全指（7.88%），创业板指（3.0%）[31]

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. **量能择时模型** - 模型构建思路：通过监测宽基指数的成交量变化来判断市场趋势[29] - 具体构建过程：当指数成交量突破20日均线时发出看多信号，低于20日均线则为谨慎信号[29] - 模型评价：对短期趋势敏感，但易受异常成交量干扰 2. **上涨家数占比情绪指标** - 模型构建思路：通过统计成分股上涨比例反映市场情绪[30] - 具体构建过程： $$ N日上涨家数占比 = \frac{过去N日收益>0的个股数}{成分股总数} \times 100\% $$ 设置N=230日，并计算50日/35日移动平均线形成快慢线交叉信号[33] - 模型评价：能快速捕捉情绪拐点，但存在滞后性[33] 3. **均线情绪指标** - 模型构建思路：基于8条不同周期均线的排列判断趋势强度[39] - 具体构建过程： 计算8条均线（参数：8/13/21/34/55/89/144/233），当收盘价同时超过5条以上均线时看多[39] - 模型评价：对中长期趋势判断效果较好[39] 量化因子与构建方式 1. **横截面波动率因子** - 因子构建思路：衡量成分股间收益差异反映Alpha机会[43] - 具体构建过程： $$ 横截面波动率 = \sqrt{\frac{1}{N}\sum_{i=1}^N (r_i - \bar{r})^2} $$ 其中$r_i$为个股收益，$\bar{r}$为指数平均收益[43] 2. **时间序列波动率因子** - 因子构建思路：捕捉个股波动率变化[47] - 具体构建过程：计算个股20日收益率标准差[47] 模型的回测效果 1. **量能择时模型** - 上证50：年化收益12.3%，最大回撤18.5%[29] - 沪深300：年化收益9.8%，胜率58%[29] 2. **上涨家数占比策略** - 年化收益15.2%，信息比率(IR)1.25[33] 3. **均线情绪指标** - 年化收益11.7%，胜率63%[39] 因子的回测效果 1. **横截面波动率因子** - 沪深300：IC均值0.32，RankIC均值0.28[43] - 中证500：IC均值0.25，年化多空收益差9.8%[43] 2. **时间序列波动率因子** - 中证1000：IC均值0.18，月均换手率45%[47] 注：所有测试结果均基于2023-2025年历史数据回测[4]

量化模型与构建方式 1. **模型名称**：无明确模型名称 **模型构建思路**：无明确模型构建思路 **模型具体构建过程**：无明确模型构建过程 **模型评价**：无明确模型评价 量化因子与构建方式 1. **因子名称**：无明确因子名称 **因子构建思路**：无明确因子构建思路 **因子具体构建过程**：无明确因子构建过程 **因子评价**：无明确因子评价 模型的回测效果 1. **无明确模型**，无明确指标值 因子的回测效果 1. **无明确因子**，无明确指标值 其他相关内容 1. **基金市场热点跟踪**：公募基金密集申报自由现金流主题基金，年内首家QDII业务获批[4][7] 2. **基金发行动态**：本期国内新成立基金32只，股票型基金20只，混合型基金5只，债券型基金6只[13] 3. **基金业绩表现**：上周普通股票型基金平均收益0.73%，混合型基金为0.46%，债券型基金为0.02%[20] 4. **场内基金动态**：截止2025年3月14日，规模最大的ETF跟踪标的为沪深300，总规模9731.13亿元[27] 总结 该报告主要关注基金市场的热点、发行动态、业绩表现及场内基金动态，未涉及具体的量化模型或量化因子的构建与分析[4][7][13][20][27]