量化主题研报内容总结 量化模型与构建方式 根据提供的报告内容，未发现明确命名的量化模型或具体的量化因子构建方法、公式及详细构建过程[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18]。报告主要围绕市场观点、宏观分析和资产配置建议展开，提及了基于经验的测算和判断，但未详细阐述用于生成这些结论的底层量化模型或因子[5][7][9][10][12][13]。 模型的回测效果 报告中未提供任何量化模型的回测效果指标数据，如年化收益率、夏普比率、最大回撤、信息比率(IR)等[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18]。 量化因子与构建方式 报告中未定义或描述任何具体的量化因子（如价值因子、动量因子等）及其构建思路、过程和公式[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18]。 因子的回测效果 报告中未提供任何量化因子的回测效果指标数据，如因子收益率、IC值、IR等[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18]。

量化模型与构建方式 1. **模型名称：三维择时框架**[8][12] * **模型构建思路**：通过构建市场分歧度、流动性、景气度三个维度的指标，综合判断市场整体趋势，进行择时判断[8][11]。 * **模型具体构建过程**：报告未详细描述三个具体指标的构建公式，但明确了其构成和判断逻辑。模型通过监测这三个指标的变化趋势（上行或下行）来形成综合判断。例如，当前流动性下行、分歧度上行、景气度下行，则框架判断市场为“震荡下跌”[8][11]。 2. **模型名称：ETF热点趋势策略**[29] * **模型构建思路**：结合价格形态、技术指标和市场关注度（换手率）来筛选短期内具有上涨趋势和资金关注度的ETF，构建投资组合[29]。 * **模型具体构建过程**： 1. **形态筛选**：首先筛选出K线最高价与最低价同时呈现上涨形态的ETF[29]。 2. **构建支撑阻力因子**：根据最高价与最低价近20日回归系数的相对陡峭程度，构建一个支撑阻力因子[29]。 3. **关注度筛选**：在支撑阻力因子的多头组中，选择近5日换手率与近20日换手率比值最高的10只ETF，即短期市场关注度明显提升的标的[29]。 4. **组合构建**：对上述筛选出的10只ETF采用风险平价方法构建最终投资组合[29]。 3. **模型名称：融资-主动大单资金流共振策略**[35] * **模型构建思路**：结合融资融券资金流和主动大单资金流两种资金流向，寻找两种资金流产生共振（同时看好）的行业进行配置，以提高策略的稳定性[35]。 * **模型具体构建过程**： 1. **构建融资融券资金因子**：计算行业融资净买入与融券净卖出之差（代表两融资金流），然后使用Barra市值因子进行中性化处理。对中性化后的序列取最近50日均值，并计算其两周环比变化率[35]。 2. **构建主动大单资金因子**：计算行业主动大单净流入，并使用该行业最近一年的成交量进行时序中性化处理。对处理后的序列进行排序，并取最近10日均值[35]。 3. **信号合成**：研究发现融资融券因子的多头端在某些市场状态下有稳定的负向超额收益，而主动大单因子（剔除极端多头行业后）有稳定正向超额收益。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子也处于头部的行业[35]。 4. **行业剔除**：进一步剔除大金融板块[35]。 4. **模型名称：全天候配置策略（高波版/低波版）**[42][46][48][52] * **模型构建思路**：通过资产选择、风险调整和结构对冲三项原则，构建一个不依赖宏观预测、追求长期收益平衡和风险分散的稳健绝对收益组合[42]。 * **模型具体构建过程**：报告未给出具体资产配置权重的计算公式，但阐述了核心构建哲学和具体实现版本。 1. **核心原则**：遵循资产选择、风险调整、结构对冲三项基本原则进行平衡配置，以熨平波动率[42]。 2. **对冲构型**：采用循环对冲设计对冲构型，绕过宏观因素刻画，直击资产波动进行长期收益平衡[42]。 3. **版本区分**：按风险水平分为高波版和低波版两种组合[42]。 * **高波版**：采用“四层结构化-股债金风险平价”构型[46][47]。 * **低波版**：采用“五层结构化-风险预算”构型[48][52]。 模型的回测效果 1. **三维择时框架**：报告未提供具体的量化回测指标，仅给出定性判断：当前保持“震荡下跌”判断[8]。 2. **ETF热点趋势策略**：2025年以来收益率为53.22%，相比沪深300指数的超额收益为36.99%[29]。 3. **融资-主动大单资金流共振策略**： * 2018年以来费后年化超额收益：12.6%[35] * 信息比率（IR）：1.2[35] * 上周（报告期）绝对收益：-2.41%[35] * 上周（报告期）超额收益（相对行业等权）：-0.02%[35] 4. **全天候配置策略**： * **高波版**（截至2025年）： * 年化收益率：11.8%[52] * 年平均最大回撤：3.6%[52] * 夏普比率：1.9[52] * 2026年以来收益率：2.2%[52] * **低波版**（截至2025年）： * 年化收益率：6.7%[52] * 年平均最大回撤：2.0%[52] * 夏普比率：2.4[52] * 2026年以来收益率：1.4%[52] 量化因子与构建方式 1. **因子名称：风格因子（市值、贝塔、成长）**[55] * **因子构建思路**：报告未详细描述构建过程，但将其作为描述市场风格特征的分析维度。本周市场呈现“高市值高贝塔高成长”特征[55]。 * **因子具体构建过程**：未提供。 2. **因子名称：行业融资融券资金因子**[35] * **因子构建思路**：衡量行业层面融资客的资金流向变化[35]。 * **因子具体构建过程**： 1. 计算行业融资净买入与融券净卖出之差（个股加总）。 2. 使用Barra市值因子对该差值进行中性化处理。 3. 对中性化后的序列计算最近50日的均值。 4. 计算该50日均值的两周环比变化率作为最终因子值[35]。 3. **因子名称：行业主动大单资金因子**[35] * **因子构建思路**：衡量行业层面主动大单资金的净流入强度，并考虑其历史成交活跃度[35]。 * **因子具体构建过程**： 1. 计算行业主动大单净流入。 2. 使用该行业最近一年的成交量进行时序中性化处理。 3. 对处理后的序列进行排序。 4. 取排序后序列的最近10日均值作为最终因子值[35]。 4. **因子名称：近21交易日平均换手率的自然对数**[58][60] * **因子构建思路**：使用换手率的对数形式来度量股票的流动性或交易活跃度，可能用于捕捉流动性溢价或反转效应[58]。 * **因子具体构建过程**：报告未提供详细公式，但根据名称可推断为：$$factor = ln(mean(turnover, 21))$$ 其中，`mean(turnover, 21)` 为近21交易日的平均换手率。 5. **因子名称：近21交易日平均换手率**[58][60] * **因子构建思路**：直接使用换手率均值度量股票的交易活跃度[58]。 * **因子具体构建过程**：$$factor = mean(turnover, 21)$$ 6. **因子名称：单季度ROA**[58][60] * **因子构建思路**：衡量公司单季度的资产盈利能力[58]。 * **因子具体构建过程**：报告未提供详细公式，通常为：$$ROA_q = \frac{单季度净利润}{单季度平均总资产}$$ 7. **因子名称：十二个月残差动量 (specific mom12)**[62] * **因子构建思路**：剥离市场风险后的纯Alpha动量，衡量股票自身特质收益的延续性[62]。 * **因子具体构建过程**：报告未提供详细公式，通常通过回归剥离市场收益后，计算过去12个月的特质收益累积。 8. **因子名称：评级上下调差/评级上下调和 (est num diff)**[62] * **因子构建思路**：通过分析师评级上调与下调的家数差异，标准化后反映市场一致预期情绪的变化[62]。 * **因子具体构建过程**：$$factor = \frac{评级上调家数 - 评级下调家数}{评级上调家数 + 评级下调家数}$$ 9. **因子名称：近一个月一致预测净利润变化（FY1）占比 (mom1 np fy1)**[62] * **因子构建思路**：衡量未来一年（FY1）一致预测净利润在过去一个月内的相对变化幅度，反映预期修正强度[62]。 * **因子具体构建过程**：$$factor = \frac{当前一致预测NP_{FY1} - 1个月前一致预测NP_{FY1}}{|1个月前一致预测NP_{FY1}|}$$ 10. **因子名称：近三个月一致预测营业收入预期变化占比（FY1） (mom3 rev fy1)**[62] * **因子构建思路**：衡量未来一年（FY1）一致预测营业收入在过去三个月内的相对变化幅度[62]。 * **因子具体构建过程**：$$factor = \frac{当前一致预测Rev_{FY1} - 3个月前一致预测Rev_{FY1}}{|3个月前一致预测Rev_{FY1}|}$$ 因子的回测效果 （注：报告中Alpha因子的测试均基于流通市值加权，除规模因子外均进行了市值、行业中性化处理，规模因子进行行业中性化处理[57]。因子表现以多头组（前1/5）超额收益衡量。） 1. **风格因子（本周收益）**： * 市值因子：1.90%[55] * 贝塔因子：1.78%[55] * 成长因子：0.95%[55] 2. **分时间维度因子（近一周多头超额收益）**： * 近21交易日平均换手率的自然对数：1.24%[58][60] * 近21交易日平均换手率：1.24%[58][60] * 单季度ROA：1.22%[58][60] 3. **分指数因子（最近一年多头超额收益）**： * **沪深300中表现最佳**：十二个月残差动量 (specific mom12)，超额收益35.57%[62] * **中证500中表现最佳**：近一个月一致预测净利润变化（FY1）占比 (mom1 np fy1)，超额收益18.15%[62] * **中证800中表现最佳**：近三个月一致预测净利润预期变化占比（FY1） (mom3 np fy1)，超额收益25.71%[62] * **中证1000中表现最佳**：近三个月一致预测营业收入预期变化占比（FY1） (mom3 rev fy1)，超额收益20.01%[62]

量化模型与构建方式 1. 模型名称：市场环境择时体系（均线距离模型）[2][6] 模型构建思路：通过计算Wind全A指数的短期均线与长期均线的距离差，来划分市场的整体环境（如上涨、下跌、震荡）[2][6] 模型具体构建过程：首先，计算Wind全A指数的20日移动平均线（短期均线）和120日移动平均线（长期均线）。然后，计算两条均线之间的距离差（以百分比表示）。根据距离差的绝对值大小来定义市场状态，例如，报告指出距离绝对值低于3%时，市场进入典型的震荡格局[2][6]。公式为： $$市场状态信号 = \frac{短期均线(20日) - 长期均线(120日)}{长期均线(120日)} \times 100\%$$ 其中，公式结果代表短期均线相对于长期均线的偏离百分比，其绝对值用于判断市场格局。 2. 模型名称：成交量阈值模型[2][5][7] 模型构建思路：通过监测市场整体成交量是否萎缩至一个特定的临界值（阈值）来判断市场是否接近“地量”水平，从而为短期交易提供信号[2][5][7] 模型具体构建过程：模型设定一个成交量的目标阈值（例如1.7万亿元）。当市场成交量（报告中指Wind全A的成交量）萎缩至该阈值之下时，模型发出市场可能即将迎来反弹或已接近调整底部的信号。报告中提到，在北向资金缺席的情况下，成交量缩量至1.67万亿，达到了模型的临界值[2][7]。 3. 模型名称：仓位管理模型[2][7] 模型构建思路：结合市场的估值水平和短期趋势判断，为绝对收益产品提供股票仓位的配置建议[2][7] 模型具体构建过程：首先，评估市场估值水平（如PE、PB的历史分位数）。然后，结合其他择时信号（如上述均线距离模型和成交量模型对短期趋势的判断），综合得出一个建议的股票仓位比例。报告示例中，Wind全A的PE位于80分位点（中等偏高水平），PB位于50分位点（较低水平），结合市场处于震荡格局的判断，模型给出的建议仓位为60%[2][7]。 4. 模型名称：中期行业配置模型（业绩趋势模型）[2][5][7] 模型构建思路：基于业绩趋势来筛选未来一段时间内值得重点关注的行业或产业链[2][5][7] 模型具体构建过程：报告未详细描述该模型的具体因子和计算过程，仅提及了其输出结果。该模型会提示业绩趋势向好的行业方向，例如报告指出模型提示重点关注电池、算力相关产业链以及周期板块[2][5][7]。 模型的回测效果 1. 市场环境择时体系（均线距离模型），最新均线距离差值0.71%[2][6] 2. 成交量阈值模型，最新成交量阈值参考值1.7万亿元，当前观测值1.67万亿元[2][7] 3. 仓位管理模型，当前建议仓位60%[2][7] 量化因子与构建方式 1. 因子名称：估值因子（PE分位数）[2][7][8] 因子构建思路：使用市盈率（PE）的历史分位数来衡量市场当前的估值水平高低[2][7][8] 因子具体构建过程：计算Wind全A指数当前的市盈率（PE）。在历史时间序列（例如报告提及数据自2014年10月17日至2026年4月3日）中，计算当前PE值所处的百分位位置（分位数）。分位数越高，代表当前估值相对于自身历史水平越高[7][9]。 2. 因子名称：估值因子（PB分位数）[2][7][10] 因子构建思路：使用市净率（PB）的历史分位数作为另一项衡量市场估值水平的指标[2][7][10] 因子具体构建过程：计算Wind全A指数当前的市净率（PB）。在历史时间序列中，计算当前PB值所处的百分位位置（分位数）。分位数越高，代表当前估值相对于自身历史水平越高[7][11]。 因子的回测效果 1. 估值因子（PE分位数），当前取值位于约80分位点[2][7] 2. 估值因子（PB分位数），当前取值位于50分位点[2][7]

量化模型与构建方式 1. **模型名称：A股景气指数模型**[41] * **模型构建思路**：以上证指数归母净利润同比作为Nowcasting目标，构建一个能够高频反映A股景气度的指数，用于观测景气周期的变化[41]。 * **模型具体构建过程**：报告未提供该指数的具体构建公式和详细步骤，仅提及构建详情需参考另一篇报告《视角透析：A股景气度高频指数构建与观察》[41]。 2. **模型名称：A股情绪指数模型**[46] * **模型构建思路**：通过刻画市场波动率和成交额的变化方向来构建情绪指数，以判断市场见底和见顶的信号[46]。 * **模型具体构建过程**：将市场状态根据波动率和成交额的变化方向划分为四个象限。其中，“波动上行-成交下行”的区间被识别为显著负收益区间，其余三个象限为显著正收益区间。基于此规律，构造了包含见底预警与见顶预警的A股情绪指数[46]。 3. **模型名称：主题挖掘算法模型**[59] * **模型构建思路**：通过处理新闻和研报文本，提取主题、挖掘主题与个股关系，并构建主题活跃周期和影响力因子，以识别和推荐主题投资机会[59]。 * **模型具体构建过程**：报告未提供该算法的具体构建公式和详细步骤，仅描述了其包含的多个处理维度：文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建[59]。 4. **模型名称：中证500指数增强模型**[59] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢中证500指数基准[59]。 * **模型具体构建过程**：报告未提供该增强模型的具体因子构成、权重配置或优化算法等构建细节，仅展示了其持仓组合和业绩表现[59][62][64]。 5. **模型名称：沪深300指数增强模型**[65] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢沪深300指数基准[65]。 * **模型具体构建过程**：报告未提供该增强模型的具体因子构成、权重配置或优化算法等构建细节，仅展示了其持仓组合和业绩表现[65][70]。 量化因子与构建方式 1. **因子体系：BARRA风格因子体系**[71] * **因子构建思路**：参照国际通用的BARRA因子模型框架，对A股市场构建一套全面的风格因子体系，用于解释股票收益和进行组合分析[71]。 * **因子具体构建过程**：报告列出了十大类风格因子的名称，但未提供每个因子的具体计算公式。这十大类因子包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[71]。 模型的回测效果 1. **A股情绪指数系统择时模型**，报告展示了其择时表现图表，但未提供具体的量化指标值[56]。 2. **中证500增强组合**，截至报告期（2026年4月初），2020年至今累计超额收益51.84%，最大回撤-10.90%[59]。 3. **沪深300增强组合**，截至报告期（2026年4月初），2020年至今累计超额收益44.04%，最大回撤-5.86%[65]。 因子的回测效果 *注：报告提供了近期（近一周）风格因子的表现分析，但未提供长期回测的量化指标（如IC、IR等）。以下为定性描述和近期纯因子收益表现。* 1. **动量（MOM）因子**，近期表现占优，纯因子收益率较高[2][72]。 2. **流动性（LIQUIDITY）因子**，近期呈较为显著的负向超额收益，表现不佳[2][72]。 3. **价值（BTOP）因子**，近期表现不佳[2][72]。 4. **行业因子**：近期医药、通信、银行等行业因子跑出较高超额收益；电力及公用事业、电力设备、煤炭等行业因子回撤较多[2][72]。

量化模型与构建方式 1. **模型名称：A股景气度高频指数[41]** * **模型构建思路：** 以上证指数归母净利润同比为Nowcasting（即时预测）目标，构建一个能够高频追踪A股景气度的指数[41]。 * **模型具体构建过程：** 报告未详细描述该指数的具体构建公式和步骤，仅提及构建目标。详细构建方法需参考其提及的报告《视角透析：A股景气度高频指数构建与观察》[41]。 2. **模型名称：A股情绪指数系统[46][49]** * **模型构建思路：** 基于市场波动率和成交额的变化方向来刻画市场情绪，并构建用于择时的预警信号[46]。 * **模型具体构建过程：** 1. 将市场状态根据波动率和成交额的变化方向划分为四个象限[46]。 2. 通过历史统计发现，只有“波动率上行-成交额下行”的区间为显著负收益，其余象限均为显著正收益[46]。 3. 基于此规律，构造了包含“见底预警”与“见顶预警”的A股情绪指数[46]。 4. **信号生成规则：** 当市场波动率处于上行区间时，见底信号指向“空”；当成交额处于下行区间时，见顶信号指向“空”[49]。综合两个信号得出对后市的整体观点[49]。 3. **模型名称：主题挖掘算法[59]** * **模型构建思路：** 通过处理新闻和研报文本，从多个维度挖掘和描述主题投资机会[59]。 * **模型具体构建过程：** 报告概述了算法的主要步骤，包括：文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等[59]。算法最终会推荐近期概念热度异动较高的主题[59]。 4. **模型名称：中证500增强组合模型[59][60]** * **模型构建思路：** 通过量化策略模型构建投资组合，旨在持续跑赢中证500指数基准[59]。 * **模型具体构建过程：** 报告未披露具体的模型公式和选股细节，仅展示了根据该策略模型生成的当前持仓组合[60]。 5. **模型名称：沪深300增强组合模型[65][68]** * **模型构建思路：** 通过量化策略模型构建投资组合，旨在持续跑赢沪深300指数基准[65]。 * **模型具体构建过程：** 报告未披露具体的模型公式和选股细节，仅展示了根据该策略模型生成的当前持仓组合[68]。 模型的回测效果 1. **A股情绪指数系统择时表现**：报告提供了该系统的择时表现图表，但未给出具体的量化指标数值[56]。 2. **中证500增强组合模型**：截至报告期（2026年4月初），本周收益-2.05%，跑赢基准0.57%[59]。2020年至今，累计超额收益51.84%，最大回撤-10.90%[59]。 3. **沪深300增强组合模型**：截至报告期（2026年4月初），本周收益-1.61%，跑输基准0.24%[65]。2020年至今，累计超额收益44.04%，最大回撤-5.86%[65]。 量化因子与构建方式 1. **因子体系：BARRA风格因子体系[71]** * **因子构建思路：** 参照BARRA因子模型，为A股市场构建一套全面的风格因子体系，用于解释股票收益和进行组合归因[71]。 * **因子具体构建过程：** 报告列出了十大类风格因子，但未提供每个因子的具体计算公式。这十类因子包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[71]。 因子的回测效果 1. **风格因子近期表现（纯因子收益）**：报告指出，在风格因子中，动量因子超额收益较高，流动性因子呈现较为显著的负向超额收益[72]。高动量股表现优异，流动性、价值等因子表现不佳[72]。 2. **风格因子暴露相关性**：报告提供了近一周十大类风格因子暴露的相关性矩阵图表[73]。例如，流动性因子分别与Beta、动量、残差波动率呈现明显正相关性；价值因子分别与Beta、残差波动率、流动性等因子呈现明显负相关性[72]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[74] * **模型构建思路**：使用卷积神经网络（CNN）对图表化的个股价量数据进行建模，学习其与未来价格走势之间的关系，并将学习到的特征映射到行业主题板块中，以识别具有趋势性机会的板块[74]。 * **模型具体构建过程**： 1. **数据准备**：为每个个股在特定窗口期内的价量数据构建标准化的图表[74]。研报中提及了“标准化数据价量图表”，但未给出具体标准化方法和图表生成细节[76]。 2. **模型训练**：基于历史数据，使用卷积神经网络对上述生成的价量图表与未来的价格表现（如涨跌、收益率等）进行建模，训练网络识别对预测未来价格有效的图表特征[74]。 3. **特征映射**：将训练好的CNN模型学习到的特征，应用于行业或主题板块层面的分析，从而判断哪些板块整体上呈现出模型识别的看涨或看跌特征[74]。 4. **输出配置**：模型最终输出当前看好的具体行业主题及对应的细分指数[74][75]。 2. **模型名称：GFTD模型**[78] * **模型构建思路**：报告中仅提及该模型名称及历史择时成功率，未详细说明其构建思路。 3. **模型名称：LLT模型**[78] * **模型构建思路**：报告中仅提及该模型名称及历史择时成功率，未详细说明其构建思路。 量化因子与构建方式 1. **因子名称：新高新低比例因子**[31] * **因子构建思路**：通过统计市场中创近期新高与新低的个股数量占比，来衡量市场的整体强弱和情绪极端程度[31]。 * **因子具体构建过程**： * **新高比例**：计算当日收盘价创近60日新高的个股数量，除以当日总上市个股数量（或样本空间内个股数量）[31]。 * **新低比例**：计算当日收盘价创近60日新低的个股数量，除以当日总上市个股数量（或样本空间内个股数量）[31]。 2. **因子名称：个股均线结构因子**[35] * **因子构建思路**：通过计算处于不同均线排列状态（如多头排列、空头排列）的个股占比，来度量市场整体的技术趋势强度[35]。 * **因子具体构建过程**： * 报告中展示了“均线强弱指标”，其定义为：**多头排列个股占比 减去 空头排列个股占比**[35][36]。 * 具体均线组合（如是否使用5日、10日、20日、60日等均线）及多头、空头排列的定义未在提供内容中详述。 3. **因子名称：宏观因子事件**[49] * **因子构建思路**：选取对市场影响较大的宏观经济指标，将其在最近一段时间内的特定走势模式（如创短期高点、连续下跌等）定义为“事件”，并利用历史数据验证这些事件对未来资产收益率的显著影响，从而作为市场判断的依据[49][50]。 * **因子具体构建过程**： 1. **指标选择**：跟踪25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平等[49][50]。 2. **事件定义**：定义四类宏观因子事件：短期高低点、连续上涨下跌、创历史新高新低、因子走势反转[50]。 3. **有效性筛选**：从历史数据中回测，筛选出对资产未来收益率影响较为显著的因子事件，即“有效因子事件”[50]。 4. **趋势判断**：采用历史均线（如1月、3月、12月均线）将宏观因子走势分为趋势上行和趋势下行，统计在不同趋势下资产的平均收益，以判断当前宏观因子趋势对权益市场的观点（看多或看空）[52][53]。 4. **因子名称：风险溢价因子**[61] * **因子构建思路**：计算股票市场隐含收益率与无风险利率（十年期国债收益率）的差值，用以衡量股票资产相对于债券资产的吸引力[77]。 * **因子具体构建过程**： * 以中证全指为例，风险溢价 = 中证全指静态市盈率（PE_TTM）的倒数（即盈利收益率，EP） - 十年期国债收益率[77]。 * 公式可表示为：$$风险溢价 = \frac{1}{PE_{TTM}} - R_{国债10Y}$$ 5. **因子名称：指数超买超卖因子**[64] * **因子构建思路**：通过特定技术指标（报告中未明确具体是RSI、乖离率或其他）计算主要指数和行业指数的超跌或超买状态，以识别市场短期极端位置[64][68]。 * **因子具体构建过程**：报告中仅展示了“超跌指标统计”图表，未给出该因子的具体计算公式和构建步骤[65][69]。 模型的回测效果 1. **卷积神经网络趋势观察模型**：报告未提供该模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等。 2. **GFTD模型**：历史择时成功率约为80%[78]。 3. **LLT模型**：历史择时成功率约为80%[78]。 因子的回测效果 1. **新高新低比例因子**：报告未提供该因子的IC值、IR、多空收益等具体测试结果。 2. **个股均线结构因子**：报告未提供该因子的IC值、IR、多空收益等具体测试结果。 3. **宏观因子事件**：报告以表格形式列出了当前部分宏观因子趋势对权益市场未来一个月的影响观点（看多或看空），例如：PMI（3月均线趋势）看多、CPI同比（1月均线趋势）看多、社融存量同比（1月均线趋势）看多、10年期国债收益率（12月均线趋势）看多、美元指数（1月均线趋势）看多[53]。但未提供这些事件因子的历史多空收益或预测胜率等量化回测结果。 4. **风险溢价因子**：报告给出了截至2026年4月3日的具体数值：中证全指风险溢价为2.80%，其历史均值加减两倍标准差的边界分别为4.59%和另一个未明确数值的负向边界[77]。 5. **指数超买超卖因子**：报告未提供该因子的具体数值化测试结果。

量化模型与构建方式 1. **模型名称：量能择时模型**[24][25] * **模型构建思路**：通过监测主要宽基指数的成交量能变化来判断市场短期情绪，为交易提供择时信号[24]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建公式和计算过程，仅给出了基于该模型产生的择时观点[24][25]。 2. **模型名称：沪深300上涨家数占比择时模型**[25][26][27][29] * **模型构建思路**：通过计算沪深300指数成分股中近期取得正收益的股票数量占比，来判断市场情绪和趋势，并基于此构建择时策略[25][26]。 * **模型具体构建过程**： 1. 首先，计算基础指标：沪深300指数N日上涨家数占比。公式为： $$沪深300指数 N 日上涨家数占比 = \frac{沪深300指数成分股过去 N 日收益大于 0 的个股数}{沪深300指数成分股总数}$$[25] 2. 然后，对基础指标进行平滑处理以生成交易信号。取N=230，对基础指标进行窗口期N1=50和N2=35（N1>N2）的移动平均，分别得到慢线和快线[27][29]。 3. 生成交易信号：当快线大于慢线时，看多沪深300指数；当快线小于慢线时，对市场持中性或谨慎态度[27][29]。 3. **模型名称：均线情绪指标择时模型**[34][35][39] * **模型构建思路**：基于沪深300指数收盘价与一组均线（八均线体系）的相对位置关系，构建一个反映市场趋势状态的综合情绪指标，并用于择时[34]。 * **模型具体构建过程**： 1. 首先，计算沪深300指数的八条均线，参数分别为8, 13, 21, 34, 55, 89, 144, 233[35]。 2. 然后，计算当日收盘价大于这八条均线中每一条均线的数量[39]。 3. 生成交易信号：当收盘价大于均线的数量超过5条时，看多沪深300指数[39]。 模型的回测效果 1. 动量情绪指标择时策略（基于沪深300上涨家数占比），策略净值表现见附图[30][31] 2. 均线情绪指标择时策略，策略净值表现见附图[36][37] 量化因子与构建方式 1. **因子名称：横截面波动率**[40][41] * **因子构建思路**：计算特定指数（如沪深300、中证500、中证1000）成分股收益率在截面的离散程度，用于衡量市场分化程度和Alpha策略的潜在盈利环境[40]。 * **因子具体构建过程**：报告未给出该因子的具体计算公式，但指出其用于衡量指数成分股间的收益率离散程度，数值上涨通常意味着短期Alpha环境好转[40]。 2. **因子名称：时间序列波动率**[41][44] * **因子构建思路**：计算特定指数成分股收益率在时间序列上的波动程度，用于衡量市场整体波动风险和Alpha策略环境[41]。 * **因子具体构建过程**：报告未给出该因子的具体计算公式，但指出其用于衡量指数成分股的时序波动，并给出了加权时间序列波动率的结果[41][44]。 3. **因子名称：分离度**[86] * **因子构建思路**：通过计算“抱团基金”组合截面收益率的标准差，来度量基金抱团行为的集中或瓦解程度。标准差小表示抱团程度高，标准差大表示抱团正在瓦解[86]。 * **因子具体构建过程**：报告未给出“抱团基金”组合的具体构建方法和分离度因子的详细计算公式，仅说明了其代理变量为抱团基金截面收益的标准差[86]。 因子的回测效果 1. **横截面波动率因子** * 沪深300横截面波动率：近两年平均值2.02%，近一年平均值2.05%，近半年平均值2.34%，近一季度平均值2.15%[41]。 * 中证500横截面波动率：近两年平均值2.29%，近一年平均值2.32%，近半年平均值2.73%，近一季度平均值2.49%[41]。 * 中证1000横截面波动率：近两年平均值2.51%，近一年平均值2.52%，近半年平均值2.78%，近一季度平均值2.61%[41]。 2. **时间序列波动率因子** * 沪深300时序波动率：近两年平均值0.99%，近一年平均值0.91%，近半年平均值0.91%，近一季度平均值0.95%[44]。 * 中证500时序波动率：近两年平均值1.32%，近一年平均值1.23%，近半年平均值1.48%，近一季度平均值1.36%[44]。 * 中证1000时序波动率：近两年平均值1.47%，近一年平均值1.28%，近半年平均值1.48%，近一季度平均值1.32%[44]。

量化模型与构建方式 1. **模型名称：量化大势研判行业配置策略（综合模型）**[1][7] * **模型构建思路**：基于产业生命周期理论，将股票资产划分为五种风格阶段，通过自下而上的全局资产比较，确定未来市场的主流风格，并据此选择最具优势的细分行业进行配置[1][7]。 * **模型具体构建过程**： 1. **风格定义**：根据产业周期，将权益资产划分为五种风格：外延成长、质量成长、质量红利、价值红利、破产价值[7]。 2. **资产比较框架**：采用 `g > ROE > D` 的优先级顺序考察资产。首先判断主流资产（预期增速资产、实际增速资产、盈利资产）是否有优势，若有则配置；若主流资产均无优势，则根据拥挤度等因素转向次级资产（质量红利、价值红利、破产价值）[7][11]。 3. **优势判断**：通过计算各风格下头部资产与尾部资产的“优势差”（类似因子择时中的 Spread）来刻画该风格资产的趋势强弱[24]。 4. **行业选择**：在每个被判定为具有优势的风格下，使用对应的具体策略（如预期成长策略、盈利能力策略等）筛选出排名靠前的细分行业[16]。 5. **组合构建**：以中信二三级行业（整理合并后为202个）为标的，每个策略每期选择5个行业，综合后以等权重配置[18]。 2. **模型名称：预期成长策略**[16][38] * **模型构建思路**：选取分析师预期增速最高的行业进行配置，主要关注分析师对未来盈利的预期[16][38]。 * **模型具体构建过程**：使用行业的预期净利润增速（g_fttm）作为核心因子。每月末，计算所有行业的预期净利润增速，并选取该因子值最高的5个行业进行等权重配置[16][38]。 3. **模型名称：实际成长策略**[16][39] * **模型构建思路**：选取业绩超预期或业绩动量（△g）最高的行业进行配置，关注已实现的业绩增长趋势[16][39]。 * **模型具体构建过程**：使用三个因子综合衡量行业的实际成长性：标准化未预期盈余（sue）、超预期营收（sur）和业绩动量（jor）。每月末，综合这些因子筛选出排名最高的5个行业进行等权重配置[39]。 4. **模型名称：盈利能力策略**[16][42] * **模型构建思路**：在具有高盈利能力的资产中，选取估值相对较低的行业进行配置，采用PB-ROE框架[16][42]。 * **模型具体构建过程**：使用行业的PB-ROE回归残差作为核心因子。该因子通过横截面回归 $$ PB = \alpha + \beta * ROE + \epsilon $$ 得到残差项 `\epsilon`，`\epsilon` 越小代表在给定ROE水平下估值越低。每月末，选取残差最低（即估值最便宜）的5个高ROE行业进行等权重配置[42]。 5. **模型名称：质量红利策略**[16][45] * **模型构建思路**：选取兼具高股息和高盈利质量的行业进行配置[16][45]。 * **模型具体构建过程**：使用股息率（dp）和净资产收益率（roe）两个因子。每月末，对这两个因子进行综合打分（具体加权方式未明确），选取总分最高的5个行业进行等权重配置[45]。 6. **模型名称：价值红利策略**[16][47] * **模型构建思路**：选取兼具高股息和高账面价值（低市净率）的行业进行配置[16][47]。 * **模型具体构建过程**：使用股息率（dp）和账面市值比（bp）两个因子。每月末，对这两个因子进行综合打分（具体加权方式未明确），选取总分最高的5个行业进行等权重配置[47]。 7. **模型名称：破产价值策略**[16][52] * **模型构建思路**：选取市净率极低、市值较小的行业进行配置，关注破净、并购或壳价值等主题[16][52]。 * **模型具体构建过程**：使用市净率（pb）和市值（size）两个因子。每月末，对这两个因子进行综合打分（具体加权方式未明确，pb取低分，size取小分），选取总分最低（即估值最低、市值最小）的5个行业进行等权重配置[52]。 模型的回测效果 1. **量化大势研判行业配置策略（综合模型）** * 年化收益：26.94% (2009年以来)[18] * 各年超额收益（相对于万得全A）：2009年51%，2010年14%，2011年-11%，2012年0%，2013年36%，2014年-4%，2015年16%，2016年-1%，2017年27%，2018年7%，2019年8%，2020年44%，2021年38%，2022年62%，2023年10%，2024年52%，2025年14%，2026年3月0%[21] 2. **预期成长策略** * 历史表现：在2019年以来超额收益显著，2014-2015年期间也有较高超额[38]。 3. **实际成长策略** * 历史表现：长期超额都较为显著，特别是在成长风格占优的环境下[39]。 4. **盈利能力策略** * 历史表现：2016年-2020年超额较为显著，2021年-2024年上半年持续较弱[42]。 5. **质量红利策略** * 历史表现：在2016年、2017年、2023年超额较为显著[45]。 6. **价值红利策略** * 历史表现：在2009年、2017年、2021-2023年超额较为显著[47]。 7. **破产价值策略** * 历史表现：在2015-2016年、2021-2023年超额较为显著[52]。 量化因子与构建方式 1. **因子名称：预期净利润增速 (g_fttm)**[24][26] * **因子构建思路**：基于分析师对未来净利润的一致预期，衡量资产的预期成长性[24]。 * **因子具体构建过程**：报告中使用的是行业层面的预期净利润增速。具体计算为：使用未来12个月（FTM）的预测净利润均值，计算其同比或环比增速。该因子用于构建“预期成长策略”和计算“预期增速资产优势差”[24][26][38]。 * **因子评价**：是判断主题轮动和预期成长风格的核心指标[24]。 2. **因子名称：净利润增速 (g_ttm)**[28][29] * **因子构建思路**：基于过去12个月（TTM）已实现的净利润，衡量资产的实际成长性[28]。 * **因子具体构建过程**：报告中使用的是行业层面的净利润增速（g_ttm）。该因子用于计算“实际增速资产优势差”[28][29]。 3. **因子名称：业绩动量 (△g)**[28][39] * **因子构建思路**：衡量业绩增长趋势的变化，即增速的加速度[28]。 * **因子具体构建过程**：报告未给出明确定义，通常为近期净利润增速的变化值（如g_ttm的差分）。该因子是“实际成长策略”的筛选逻辑之一[16][39]。 4. **因子名称：标准化未预期盈余 (sue)**[39] * **因子构建思路**：衡量公司业绩超出市场一致预期的程度[39]。 * **因子具体构建过程**：报告未给出具体公式，但该因子是“实际成长策略”采用的因子之一[39]。 5. **因子名称：超预期营收 (sur)**[39] * **因子构建思路**：衡量公司营业收入超出市场一致预期的程度[39]。 * **因子具体构建过程**：报告未给出具体公式，但该因子是“实际成长策略”采用的因子之一[39]。 6. **因子名称：业绩动量 (jor)**[39] * **因子构建思路**：衡量业绩的动量效应[39]。 * **因子具体构建过程**：报告未给出具体公式，但该因子是“实际成长策略”采用的因子之一[39]。 7. **因子名称：净资产收益率 (ROE)**[30][32] * **因子构建思路**：衡量资产的盈利能力[30]。 * **因子具体构建过程**：报告中使用的是行业层面的ROE。该因子用于构建“盈利能力策略”、“质量红利策略”和计算“ROE优势差”[30][32][42][45]。 8. **因子名称：PB-ROE回归残差**[42] * **因子构建思路**：在控制盈利能力（ROE）后，衡量资产的估值相对高低，残差越低代表估值越便宜[42]。 * **因子具体构建过程**：每月末，在横截面上对行业进行回归：$$ PB = \alpha + \beta * ROE + \epsilon $$，取回归残差 `\epsilon` 作为因子值。该因子是“盈利能力策略”的核心筛选因子[42]。 9. **因子名称：股息率 (dp)**[34][37][45][47] * **因子构建思路**：衡量资产的现金分红回报率[34]。 * **因子具体构建过程**：报告中使用的是行业层面的股息率。该因子用于构建“质量红利策略”和“价值红利策略”，并用于计算“高股息资产拥挤度”[34][37][45][47]。 10. **因子名称：账面市值比 (bp)**[47] * **因子构建思路**：衡量资产的价值水平，bp越高代表估值越低[47]。 * **因子具体构建过程**：报告中使用的是行业层面的账面市值比。该因子是“价值红利策略”的筛选因子之一[47]。 11. **因子名称：市净率 (pb)**[52] * **因子构建思路**：衡量资产的估值水平，pb越低代表估值越低[52]。 * **因子具体构建过程**：报告中使用的是行业层面的市净率。该因子是“破产价值策略”的筛选因子之一[52]。 12. **因子名称：市值 (size)**[52] * **因子构建思路**：衡量资产的规模大小[52]。 * **因子具体构建过程**：报告中使用的是行业层面的平均总市值。该因子是“破产价值策略”的筛选因子之一[52]。 13. **因子名称：资产优势差 (Spread)**[24] * **因子构建思路**：用于因子择时或风格判断，通过比较头部资产与尾部资产在某个因子上的表现差异，来刻画该因子所代表风格的强弱趋势[24]。 * **因子具体构建过程**：对于某个因子（如g_fttm, g_ttm, ROE），每月计算该因子值最高的头部组（如Top 30%）的中位数与因子值最低的尾部组（如Bottom 30%）的中位数之差，即：$$ 优势差 = Top组中位数 - Bottom组中位数 $$[24][25]。该差值扩大表示头部资产相对尾部资产的优势在扩大，该风格可能占优。 14. **因子名称：拥挤度**[30][33][34] * **因子构建思路**：衡量某一类资产或因子交易的拥挤程度，过高可能预示风险[30][34]。 * **因子具体构建过程**：报告未给出具体计算方法，但提及用于评估ROE资产和高股息（DP）资产的交易状态[30][33][34][37]。

量化模型与构建方式 1. PB-ROE-50 组合 * **模型名称**： PB-ROE-50 组合[23] * **模型构建思路**： 基于市净率（PB）和净资产收益率（ROE）两个核心指标，筛选出估值相对较低且盈利能力较强的股票构建投资组合[23]。 * **模型具体构建过程**： 报告未详细描述该组合的具体构建步骤、筛选公式和调仓频率，仅提及其为基于PB和ROE的选股模型[23]。 2. 机构调研组合 * **模型名称**： 机构调研组合[25] * **模型构建思路**： 利用公募基金和私募基金的调研活动信息进行选股[25]。 * **模型具体构建过程**： 报告未详细描述该组合的具体构建步骤和规则，仅提及包含“公募调研选股策略”和“私募调研跟踪策略”两个子策略[25]。 3. 大宗交易组合 * **模型名称**： 大宗交易组合[29] * **模型构建思路**： 基于“高成交、低波动”原则，从发生大宗交易的股票中筛选后续表现更佳的标的[29]。 * **模型具体构建过程**： 1) 使用“大宗交易成交金额比率”和“6日成交金额波动率”两个指标[29]。2) 筛选“大宗交易成交金额比率”越高、“6日成交金额波动率”越低的股票[29]。3) 采用月频调仓方式构建组合[29]。 4. 定向增发组合 * **模型名称**： 定向增发组合[35] * **模型构建思路**： 以定向增发的股东大会公告日为事件节点，进行事件驱动选股[35]。 * **模型具体构建过程**： 报告未详细描述该组合的具体构建步骤和规则，仅提及以股东大会公告日为节点，并综合考虑市值因素、调仓周期和仓位控制[35]。 量化因子与构建方式 1. 大类风格因子 * **因子名称**： 动量因子、市值因子、Beta因子、盈利因子、流动性因子、负债因子、残差波动率因子[18] * **因子构建思路**： 从不同维度刻画市场的整体风格特征[18]。 * **因子具体构建过程**： 报告未详细描述这些大类因子的具体构建公式。 2. 行业内通用因子 * **因子名称**： 净资产增长率、净利润增长率、5日动量、1月动量、每股净资产、每股经营利润TTM、EP（盈利价格比）、BP（账面市值比）、成长、残差波动率、流动性、对数市值[22] * **因子构建思路**： 用于分析各行业内部的因子表现差异[21]。 * **因子具体构建过程**： 报告未详细描述这些行业内因子的具体构建公式。 3. 单因子（列举部分） 报告列出了大量单因子，仅提供名称和方向，未提供具体构建过程。以下为部分因子名称： * **基本面因子**： 单季度ROA同比、ROIC增强因子、单季度ROA、ROA稳定性、净利润断层、单季度EPS、总资产毛利率TTM、经营现金流比率、营业利润率TTM、净利润率TTM、毛利率TTM、单季度ROE、单季度ROE同比、标准化预期外盈利（SUE）、标准化预期外收入（SUR）、总资产增长率、单季度营业收入同比增长率、单季度营业利润同比增长率、单季度净利润同比增长率等[13][15][17]。 * **估值因子**： 市盈率TTM倒数（EP）、市净率因子（BP）、市销率TTM倒数、市盈率因子、EPTTM分位点等[13][15][17]。 * **技术及交易因子**： 动量调整大单、动量调整小单、早盘收益因子、早盘后收益因子、5日反转、动量弹簧因子、5分钟收益率偏度、下行波动率占比、换手率相对波动率、5日平均换手率、成交量的5日指数移动平均、5日成交量的标准差、6日成交金额的移动平均值、6日成交金额的标准差、日内波动率与成交金额的相关性、大单净流入、小单净流入等[13][15][17]。 * **规模因子**： 对数市值因子[13][15][17]。 模型的回测效果 （注：以下模型效果数据统计区间为2026.01.05-2026.04.03[24][26][30][36]） 1. **PB-ROE-50组合**，本周超越基准收益率（中证500）0.40%[23][24]，本周超越基准收益率（中证800）0.15%[23][24]，本周超越基准收益率（全市场）0.11%[23][24]，今年以来超额收益率（中证500）1.44%[24]，今年以来超额收益率（中证800）4.85%[24]，今年以来超额收益率（全市场）2.71%[24]，本周绝对收益率（中证500）-2.23%[24]，本周绝对收益率（中证800）-1.58%[24]，本周绝对收益率（全市场）-2.10%[24]，今年以来绝对收益率（中证500）2.38%[24]，今年以来绝对收益率（中证800）1.99%[24]，今年以来绝对收益率（全市场）0.50%[24] 2. **公募调研选股策略**，本周超越基准收益率 -5.07%[25][26]，今年以来超额收益率 -6.14%[26]，本周绝对收益率 -6.71%[26]，今年以来绝对收益率 -8.70%[26] 3. **私募调研跟踪策略**，本周超越基准收益率 -1.58%[25][26]，今年以来超额收益率 3.35%[26]，本周绝对收益率 -3.28%[26]，今年以来绝对收益率 0.53%[26] 4. **大宗交易组合**，本周超越基准收益率 0.65%[29][30]，今年以来超额收益率 8.93%[30]，本周绝对收益率 -1.57%[30]，今年以来绝对收益率 6.58%[30] 5. **定向增发组合**，本周超越基准收益率 -0.77%[35][36]，今年以来超额收益率 5.07%[36]，本周绝对收益率 -2.96%[36]，今年以来绝对收益率 2.80%[36] 因子的回测效果 （注：以下因子表现数据为“最近1周”收益，即2026.03.30-2026.04.03，收益为剔除行业与市值影响后多头组合相对于基准指数的超额收益[12]） 沪深300股票池因子表现[13] 1. **单季度ROA同比**，因子方向 正向，最近1周收益 1.34% 2. **ROIC增强因子**，因子方向 正向，最近1周收益 1.26% 3. **单季度ROA**，因子方向 正向，最近1周收益 0.89% 4. **对数市值因子**，因子方向 负向，最近1周收益 -2.18% 5. **单季度EPS**，因子方向 正向，最近1周收益 -1.81% 6. **6日成交金额的标准差**，因子方向 负向，最近1周收益 -1.70% 中证500股票池因子表现[15] 1. **总资产毛利率TTM**，因子方向 正向，最近1周收益 2.41% 2. **经营现金流比率**，因子方向 正向，最近1周收益 2.39% 3. **单季度总资产毛利率**，因子方向 正向，最近1周收益 2.32% 4. **市销率TTM倒数**，因子方向 正向，最近1周收益 -1.22% 5. **对数市值因子**，因子方向 负向，最近1周收益 -1.10% 6. **5日反转**，因子方向 负向，最近1周收益 -0.89% 流动性1500股票池因子表现[17] 1. **单季度ROA**，因子方向 正向，最近1周收益 1.32% 2. **ROIC增强因子**，因子方向 正向，最近1周收益 1.26% 3. **净利润率TTM**，因子方向 正向，最近1周收益 1.19% 4. **5日反转**，因子方向 负向，最近1周收益 -1.76% 5. **5分钟收益率偏度**，因子方向 负向，最近1周收益 -1.25% 6. **净利润断层**，因子方向 正向，最近1周收益 -0.77% 全市场大类因子表现[18] 1. **动量因子**，最近1周收益 1.56% 2. **市值因子**，最近1周收益 0.43% 3. **Beta因子**，最近1周收益 0.35% 4. **盈利因子**，最近1周收益 0.32% 5. **流动性因子**，最近1周收益 -1.26% 6. **负债因子**，最近1周收益 -0.48% 7. **残差波动率因子**，最近1周收益 -0.44%

量化模型与因子总结 量化模型与构建方式 根据提供的研报内容，**未发现**涉及具体的量化选股模型或多因子模型的构建与测试。报告主要为ETF市场的周度数据统计与描述，未展示如Alpha模型、风险模型等量化模型的构建思路、过程及评价。 量化因子与构建方式 根据提供的研报内容，**未发现**涉及具体的量化因子（如价值、动量、质量等）的构建、测试与分析。报告中的“估值分位数”等属于市场状态描述指标，并非用于选股或组合构建的量化因子。 模型的回测效果 **未提供相关内容**。 因子的回测效果 **未提供相关内容**。 报告核心内容概述 本报告为一篇ETF市场周报，主要对各类ETF的业绩、规模、估值、资金流向及管理人情况进行数据统计与描述[1][2][3][4][5][6]。报告核心内容总结如下： 1. **ETF业绩表现**：统计了上周（2026年03月30日至04月03日）不同资产类别、宽基、板块及主题ETF的周度收益率中位数[2][13]。例如，股票型ETF周度收益率中位数为-1.98%，宽基中上证50ETF跌幅最小（-0.24%），主题中医药ETF收益最高（2.44%）[2][13][15]。 2. **ETF规模与净申赎**：展示了截至上周末的ETF规模，并计算了上周的规模变动与净申赎规模[20][22][25]。计算方法为：使用上市后ETF当日的份额变动乘以收盘价来近似计算每日净申赎规模；为规避干扰，份额折算/拆分当日份额变动设为0，并剔除了分红导致的规模变动[25]。例如，上周股票型ETF总体净赎回245.39亿元，宽基中科创板ETF净申购最多（4.78亿元），主题中红利ETF净申购最多（18.21亿元）[3][25][28][33]。 3. **ETF基准指数估值情况**：使用每日各类别内ETF基准指数的估值（PE、PB）中位数代表该类ETF的估值，并计算该中位数在过去5年（科创板自2019年底起）的历史分位数[34]。例如，截至上周末，创业板类ETF的市盈率分位数相对较低（67.54%），医药ETF的估值分位数较前周明显提升[34][40][41]。 4. **ETF融资融券情况**：统计了股票型ETF的融资余额与融券余量变动[42]。并列出了上周日均融资买入额和融券卖出量最高的10只ETF[46][48]。例如，创业板类ETF和证券ETF的日均融资买入额较高，中证1000ETF和沪深300ETF的日均融券卖出量较高[5][46][48][49]。 5. **ETF管理人**：统计了各基金公司已上市的非货币ETF总管理规模及细分类型规模[50][51]。截至上周末，华夏、易方达、华泰柏瑞三家基金公司的管理规模排名前三[6][50]。