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. **自由现金流ETF跟踪模型** - 模型构建思路：通过跟踪中证全指自由现金流指数，筛选高自由现金流的上市公司构建投资组合[4][7] - 模型具体构建过程： 1) 计算个股自由现金流： $$FCF = 经营活动现金流净额 - 资本支出$$ 2) 按自由现金流/市值比率排序 3) 选取前80%分位股票作为成分股 4) 采用流通市值加权计算指数[7] - 模型评价：该模型能有效捕捉现金流质量高的企业，但需注意周期行业现金流波动的影响[7] 2. **央企增持ETF组合模型** - 模型构建思路：基于央企增持行为构建事件驱动型组合[4][7] - 模型具体构建过程： 1) 监控三大央企（国新/汇金/诚通）公告增持标的 2) 计算增持金额占流通市值比例： $$增持强度 = \frac{增持金额}{流通市值}$$ 3) 对增持强度>1%的标的等权重配置[7] 模型的回测效果 1. 自由现金流ETF模型： - 年化收益12.3% - 最大回撤18.7% - 信息比率(IR)1.25[7] 2. 央企增持组合模型： - 事件后60天超额收益5.8% - 胜率67% - 年化波动率24.3%[7] 量化因子与构建方式 1. **自由现金流因子** - 因子构建思路：衡量企业创造真实现金流的能力[7] - 因子具体构建过程： $$FCF因子 = \frac{过去12个月FCF}{总市值}$$ 按行业中性化处理[7] - 因子评价：长期有效但短期易受会计政策影响[7] 2. **央企增持因子** - 因子构建思路：捕捉大股东增持信号[7] - 因子具体构建过程： 1) 计算过去1个月增持金额 2) 标准化处理： $$增持因子 = \frac{增持金额 - 行业均值}{行业标准差}$$[7] 因子的回测效果 1. 自由现金流因子： - IC均值0.08 - IR 1.32 - 多空收益年化9.5%[7] 2. 央企增持因子： - 事件后20天IC 0.12 - 月度换手率35% - 多空收益年化7.8%[7] 注：所有测试结果均为2020-2024年回溯测试数据[7]

量化模型与构建方式 1. **模型名称**：筹码收益增强因子(holding_ret_enhanced) - **构建思路**：结合筹码收益调整因子的多头端优势与反转因子的空头端优势，通过动态择时和成本锚定提升因子表现[7]。 - **具体构建过程**： - 筹码收益调整因子公式： $$holding\_ret\_adj = \frac{\Sigma Price_{t}^{avg} \times RsdAmt_{t}^{T}}{\Sigma RsdAmt_{t}^{T}} \cdot \mathrm{sign}(mkt\_holding\_ret)$$ 其中，$Price_{t}^{avg}$为T日成交均价，$RsdAmt_{t}^{T}$为T日留存筹码[45]。 - 反转因子择时公式： $$ret20\_adj = ret20 \cdot \mathrm{sign}(mkt\_holding\_ret)$$ 动态调整反转因子方向[57]。 - 合成公式： $$holding\_ret\_enhanced = ret20 \cdot (1 - ret20) + (1 - ret20) \cdot holding\_ret\_adj$$ 通过加权融合两类因子[102]。 - **评价**：兼具多头区分度与空头区分能力，且与Barra风格因子相关性低（相关系数<±10%）[82]。 2. **模型名称**：筹码收益调整因子(holding_ret_adj) - **构建思路**：利用市场赚钱效应（风险偏好开关）动态切换筹码收益因子的动量/反转效应[45]。 - **具体构建过程**： - 筹码收益因子公式： $$holding\_ret = \frac{\Sigma Price_{t}^{avg} \times RsdAmt_{t}^{T}}{\Sigma RsdAmt_{t}^{T}}$$ 反映当前价格相对历史筹码成本的收益[35]。 - 市场赚钱效应代理变量：全市场股票筹码收益因子的加权均值（$mkt\_holding\_ret$）[41]。 - 调整逻辑：当$mkt\_holding\_ret > -2\%$时做动量，否则做反转[77]。 - **评价**：IC均值6.67%，年化ICIR 1.562，显著优于原始筹码收益因子[47]。 3. **模型名称**：反转因子(ret20) - **构建思路**：捕捉20日涨幅的均值回归效应，但存在多头乏力与阶段性失效问题[4]。 - **具体构建过程**： - 计算个股20日涨幅： $$ret20 = \frac{Price_{T} - Price_{T-20}}{Price_{T-20}}$$ 通过市场赚钱效应择时调整方向[57]。 - **评价**：空头端区分显著（月均空头超额-1.41%），但多头端排序不稳定[20]。 --- 量化因子与构建方式 1. **因子名称**：筹码收益因子(holding_ret) - **构建思路**：衡量当前价格相对于历史筹码成本的收益，反映市场持仓盈亏状态[35]。 - **具体构建过程**： - 筹码留存计算： $$RsdAmt_{T-k}^{T} = Amt_{T-k} \cdot \prod_{i=T-k+1}^{T} (1 - Turnover_{i})$$ 其中$Amt_{T-k}$为T-k日成交量，$Turnover_{i}$为i日换手率[29]。 - 因子值计算：加权平均留存筹码对应的成交均价[35]。 - **评价**：周期性切换动量/反转特征，IC均值-4.55%[36]。 2. **因子名称**：市场赚钱效应(mkt_holding_ret) - **构建思路**：全市场筹码收益因子的加权均值，作为风险偏好代理变量[41]。 - **具体构建过程**： - 计算全市场股票$holding\_ret$的市值加权均值[41]。 - 切分阈值测试：最优阈值为-2%，此时因子表现最佳（ICIR 1.821）[77]。 - **评价**：解释因子周期性变化，与投资者行为偏差（如处置效应）相关[42]。 --- 模型的回测效果 1. **筹码收益增强因子(holding_ret_enhanced)** - **月频**： - IC均值9.91%，年化ICIR 2.76，月胜率80%[7]。 - 多空年化收益36.6%，IR 2.405，最大回撤10.3%[110]。 - **周频**： - IC均值6.90%，年化ICIR 3.823，周胜率71.8%[7]。 - 多空年化收益60.0%，IR 3.17，最大回撤17.1%[122]。 2. **筹码收益调整因子(holding_ret_adj_-2%)** - **月频**： - IC均值7.55%，年化ICIR 1.821[77]。 - 多空年化收益32.5%，IR 1.98，最大回撤9.7%[89]。 - **周频**： - 多空年化收益47.0%，IR 2.352，周胜率59.4%[99]。 3. **反转因子(ret20_adj)** - 多空年化收益26.8%，IR 1.598，最大回撤14.0%[59]。 --- 因子的回测效果 1. **筹码收益因子(holding_ret)** - IC均值-4.55%，年化ICIR -1.011，月均多空收益1.02%[47]。 2. **市场赚钱效应(mkt_holding_ret)** - 切分阈值-2%时，因子表现最优（ICIR 1.821）[77]。 3. **分域表现**： - **中证1000**：周频因子多空年化收益52.3%，IR 2.981[131]。 - **沪深300**：月频因子多空年化收益24.2%，IR 1.311[132]。

根据提供的量化分析报告内容，以下是关于量化模型、因子的详细总结： --- 量化模型与构建方式 1. **模型名称**：MACD金叉死叉择时策略 - **构建思路**：基于MACD指标的金叉（买入信号）和死叉（卖出信号）设计择时策略，通过参数优化提升策略效果[31][32] - **具体构建过程**： 1. 参数设置：短均线（6/8/12/20日）、长均线（26/50/100日）、信号线（9/12/20日）[31] 2. 信号生成： - 金叉：DIF上穿DEA时全仓买入 - 死叉：DIF下穿DEA时平仓空仓 $$DIF = EMA(close, short) - EMA(close, long)$$ $$DEA = EMA(DIF, signal)$$ 3. 绩效评估：年化收益、波动率、最大回撤等指标[32][34] - **模型评价**：传统MACD策略效果有限，需结合其他指标增强信号[48][51] 2. **模型名称**：增强版MACD择时策略 - **构建思路**：在基础MACD策略上叠加多维度技术指标验证信号，并引入动态仓位管理[51][52] - **具体构建过程**： 1. 新增信号验证： - RSI超卖（14日RSI<55） - 价格高于30日EMA - 动量加速（14日ROC>5日均值） - 成交量突破（当日/20日均值>1.1） - 阳线收盘（close>open）[51] 2. 动态仓位：初始仓位20%，每触发一个附加信号增加15%仓位[52] - **模型评价**：显著降低波动和回撤，提升年化收益[55] --- 量化因子与构建方式 1. **因子名称**：一阶滞后自相关性因子 - **构建思路**：检验指数收益率序列的均值回复特性[16][24] - **具体构建过程**： 1. 计算不同时间窗口（20/60/120日）的收益率序列 2. 计算滞后一阶自相关系数： $$\rho_1 = \frac{\sum_{t=2}^T (r_t - \bar{r})(r_{t-1} - \bar{r})}{\sum_{t=1}^T (r_t - \bar{r})^2}$$ 3. 显著性判断：90%置信区间[21][24] - **因子评价**：负自相关性越强，均值回复特性越显著[26] 2. **因子名称**：ADF检验平稳性因子 - **构建思路**：通过单位根检验判断收益率序列的平稳性[16][27] - **具体构建过程**： 1. 对收益率序列拟合回归模型： $$\Delta r_t = \alpha + \beta t + \gamma r_{t-1} + \sum_{i=1}^k \delta_i \Delta r_{t-i} + \epsilon_t$$ 2. 检验原假设$\gamma=0$（存在单位根）[27] - **因子评价**：p值越小，平稳性越强[26] --- 模型的回测效果 1. **MACD金叉死叉策略**： - 年化收益：4.70% - 年化波动：15.71% - 最大回撤：28.13% - 夏普比率：0.30[48][55] 2. **增强版MACD策略**： - 年化收益：5.33% - 年化波动：12.57% - 最大回撤：15.95% - 夏普比率：0.42[55] --- 因子的回测效果 1. **一阶滞后自相关性因子**： - 国证2000指数在120日窗口下自相关系数为-34.56%[25] - 上证指数在20日窗口下自相关系数为-5.87%[25] 2. **ADF检验因子**： - 国证2000指数在60日窗口下p值为0.00418[27] - 沪深300指数在60日窗口下p值为0.11819[27] --- 注：以上内容均基于报告中的实证研究结果整理，未包含风险提示等非核心信息[1][65]

量化模型与构建方式 1. **模型名称：CCBA定价模型** - **模型构建思路**：用于衡量转债市场的定价偏离度，通过比较转债实际价格与模型定价的差异来评估市场估值水平[6] - **模型具体构建过程**：定价偏离度计算公式为： $$定价偏离度 = \frac{转债价格}{CCBA模型定价} - 1$$ 其中，CCBA模型定价基于可转债的赎回概率调整计算[6] - **模型评价**：能够有效捕捉转债市场的高估或低估状态，历史分位数分析显示其与中证转债收益率存在相关性[6][7] 2. **模型名称：CCB_out定价模型** - **模型构建思路**：在CCB模型基础上加入退市风险调整，用于筛选低估值转债[22] - **模型具体构建过程**： $$定价偏离度 = \frac{转债价格}{CCB\_out模型定价} - 1$$ 通过分域择时（偏债/平衡/偏股）超配低估分域[22] - **模型评价**：策略稳定性强，2018年以来年化超额收益达12.4%[22][25] 3. **模型名称：中证转债收益预测模型** - **模型构建思路**：基于转债YTM差值和定价偏离度预测未来半年收益[12] - **模型具体构建过程**：采用带符号限制的回归，被解释变量为中证转债未来半年收益[12] - **模型评价**：拟合效果较好，当前预测收益为0.58%（乐观/悲观假设分别为3.91%/-3.06%）[12][13] --- 量化因子与构建方式 1. **因子名称：正股动量因子** - **因子构建思路**：结合正股1/3/6个月动量等权打分，增强策略弹性[26] - **因子具体构建过程**：动量计算采用历史收益率等权加权[26] - **因子评价**：与低估值因子结合后策略年化收益提升至24.5%[26][29] 2. **因子名称：转债高换手因子** - **因子构建思路**：筛选低估转债池中成交活跃的标的[30] - **因子具体构建过程**：综合5日/21日换手率及转债与股票换手率比率[31] - **因子评价**：2023年实现9.6%超额收益，但2025年表现较弱[33] 3. **因子名称：信用替代因子** - **因子构建思路**：通过YTM比较筛选转债替代信用债[37] - **因子具体构建过程**： $$转债YTM + 1\% > 3年期AA级信用债YTM$$ 结合正股动量配置前20只转债[37] - **因子评价**：波动率控制在3%以下，适合绝对收益目标[38][41] --- 模型的回测效果 1. **低估值策略（CCB_out模型）** - 全样本年化收益：21.8% - 年化波动：13.7% - 最大回撤：15.6% - 信息比率（IR）：2.12[25] 2. **低估值+强动量策略** - 全样本年化收益：24.5% - 年化波动：14.4% - 最大回撤：11.9% - 信息比率（IR）：2.41[29] 3. **波动率控制策略** - 全样本年化收益：10.0% - 年化波动：4.5% - 最大回撤：4.2%[44] --- 因子的回测效果 1. **正股动量因子** - 2020年超额收益：25.3% - 2023年超额收益：7.8%[29] 2. **转债高换手因子** - 2021年超额收益：15.0% - 2023年超额收益：9.6%[33] 3. **信用替代因子** - 2021年绝对收益：13.5% - 年化波动：2.1%[41]

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. **行业拥挤度监测模型** - **构建思路**：通过多维度指标监测申万一级行业指数的交易拥挤程度，识别过热或过冷行业[4] - **具体构建过程**： 1. 选取流动性（如换手率）、资金流向、波动率等指标作为拥挤度计算基础 2. 对指标标准化后加权合成综合拥挤度分数 3. 按分数排名划分行业拥挤状态（如美容护理、商贸零售为高拥挤度，通信、房地产为低拥挤度）[4] - **模型评价**：能够动态捕捉行业短期交易风险，但对极端市场环境适应性有限 2. **ETF溢价率Z-score模型** - **构建思路**：通过滚动计算ETF溢价率的Z-score，筛选存在套利机会的标的[5] - **具体构建过程**： 1. 计算ETF溢价率：$$ \text{溢价率} = \frac{\text{IOPV} - \text{市价}}{\text{IOPV}} \times 100\% $$ 2. 滚动窗口内计算溢价率的均值（μ）和标准差（σ） 3. 生成Z-score：$$ Z = \frac{\text{当前溢价率} - \mu}{\sigma} $$ 4. 设定阈值触发关注信号（如Z-score >2或<-2）[5] - **模型评价**：需结合流动性指标避免陷入流动性陷阱 --- 模型的回测效果 1. **行业拥挤度监测模型** - 高拥挤行业（如美容护理）近30日平均回调概率达67%[10] - 低拥挤行业（如通信）后续10日超额收益IR为0.8[10] 2. **ETF溢价率Z-score模型** - 触发信号的ETF（如港股通红利低波ETF）3日套利收益年化达12.5%[13] --- 量化因子与构建方式 1. **主力资金净流入因子** - **构建思路**：监测行业/ETF主力资金流向变化，捕捉短期资金驱动效应[11] - **具体构建过程**： 1. 计算单日主力净流入额：$$ \text{净流入} = \text{大单买入} - \text{大单卖出} $$ 2. 滚动3日求和生成因子值[11] - **因子评价**：对短期反转策略有显著解释力 2. **行业拥挤度变动因子** - **构建思路**：捕捉行业拥挤度的边际变化（如轻工制造单日拥挤度增幅显著）[4] - **具体构建过程**： 1. 计算拥挤度分数的日环比变化率 2. 标准化后作为动量/反转信号[10] --- 因子的回测效果 1. **主力资金净流入因子** - 银行行业近3日净流入23.03亿元，同期超额收益1.2%[11] - 电子行业净流出4.04亿元，后续5日下跌概率达72%[11] 2. **行业拥挤度变动因子** - 拥挤度上升行业（如轻工制造）10日反转收益IR为-0.6[10] --- 注：以上内容严格基于研报中提及的模型、因子及数据[4][5][10][11][13]，未包含免责声明等无关信息。

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：股指分红点位测算模型** - **模型构建思路**：通过精确预测指数成分股的分红金额、除息日及权重变化，计算股指期货合约在存续期间的分红影响点数，以修正升贴水计算[12][39] - **模型具体构建过程**： 1. **成分股权重计算**：采用中证指数公司日度权重数据，若不可得则通过历史权重和涨跌幅动态调整： $$W_{n,t}={\frac{w_{i0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$ 其中$w_{i0}$为最近公布权重，$r_n$为个股非复权涨跌幅[46][47] 2. **分红金额预测**： - 已公布分红金额的直接采用 - 未公布的通过净利润×股息支付率估算： - **净利润预测**：分稳定/不稳定两类公司，分别按历史分布规律或上年同期值预测[51] - **股息支付率预测**：优先采用去年值，若无则取3年均值，从未分红则默认为0[54] 3. **除息日预测**： - 已公布日期的直接采用 - 未公布的根据预案/决案阶段，结合历史间隔天数稳定性线性外推，或默认7-9月末日期[57] 4. **分红点数合成**： $$分红点数=\sum_{n=1}^{N}\frac{成分股分红金额}{成分股总市值}\times成分股权重\times指数收盘价$$ 要求除息日$t<\tau\leq T$（$\tau$为除息日，$T$为合约到期日）[39] - **模型评价**：对上证50和沪深300预测准确度高（误差约5点），中证500误差稍大（约10点）[62] 2. **模型名称：股息率动态预测模型** - **模型构建思路**：区分已实现股息率和剩余股息率，反映指数分红进度[17] - **模型具体构建过程**： - **已实现股息率**：已分红公司股息总和/指数总市值 - **剩余股息率**：未分红公司预测股息总和/指数总市值[17] 模型的回测效果 1. **股指分红点位测算模型** - 上证50预测误差：2023年±5点内[62] - 沪深300预测误差：2024年±5点内[62] - 中证500预测误差：2023-2024年±10点内[62] 2. **股息率动态预测模型** - 上证50剩余股息率：2.46%（2025/4/16）[17] - 沪深300剩余股息率：2.16%[17] - 中证500剩余股息率：1.45%[17] - 中证1000剩余股息率：1.14%[17] 量化因子与构建方式 1. **因子名称：行业股息率因子** - **因子构建思路**：通过行业比较识别高股息板块[15] - **因子具体构建过程**：计算各行业已公布分红预案个股的股息率中位数（预案分红金额/当前总市值）[15] - **因子评价**：煤炭、银行、钢铁行业股息率排名前三[15] 2. **因子名称：合约升贴水因子** - **因子构建思路**：反映股指期货主力合约的折溢价水平[13] - **因子具体构建过程**： $$年化升贴水=\frac{含分红价差}{指数收盘价}\times\frac{365}{到期天数}\times100\%$$ 其中含分红价差=合约收盘价-（指数收盘价-分红点数）[13] 因子的回测效果 1. **行业股息率因子** - 煤炭行业中位数股息率：排名第1[15] - 银行行业中位数股息率：排名第2[15] - 钢铁行业中位数股息率：排名第3[15] 2. **合约升贴水因子** - IH主力合约年化贴水：12.06%（2025/4/16）[13] - IF主力合约年化贴水：12.86%[13] - IC主力合约年化贴水：14.00%[13] - IM主力合约年化贴水：23.30%[13]

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：封板率** - **构建思路**：衡量涨停股票的稳定性，反映市场情绪强弱[17] - **具体构建过程**： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月的股票，计算当日同时满足盘中最高价涨停和收盘涨停的股票占比[17] 2. **因子名称：连板率** - **构建思路**：捕捉连续涨停股票的持续性，反映市场投机热度[17] - **具体构建过程**： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 基于前一日涨停股票中今日继续涨停的比例[17] 3. **因子名称：大宗交易折价率** - **构建思路**：通过大宗交易价格偏离度监测大资金动向[26] - **具体构建过程**： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 计算所有大宗交易成交价相对于市价的加权偏离程度[26] 4. **因子名称：股指期货年化贴水率** - **构建思路**：量化期货市场对现货指数的预期偏差[28] - **具体构建过程**： $$年化贴水率 = \frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ 对上证50、沪深300、中证500、中证1000主力合约分别计算[28] 因子回测效果 1. **封板率因子** - 当日取值：68%（较前日下降0%）[17] - 近一月分位数：未披露 2. **连板率因子** - 当日取值：25%（较前日提升7%）[17] - 近一月分位数：未披露 3. **大宗交易折价率因子** - 当日取值：3.13%[26] - 近半年均值：5.39%[26] 4. **股指期货年化贴水率因子** - 上证50：8.42%（近一年16%分位）[28] - 沪深300：12.64%（近一年11%分位）[28] - 中证500：37.04%（近一年1%分位）[28] - 中证1000：23.15%（近一年8%分位）[28] 模型评价 （注：报告中未涉及具体模型评价内容）

量化模型与构建方式 1. **模型名称**：威科夫点数图目标价预测模型 - **模型构建思路**：基于威科夫"因果关系"原则，通过点数图记录价格波动并识别交易区间，预测突破后的目标价位[7][9] - **模型具体构建过程**： 1. **绘制三点点数图**： - 格值（Box Size）动态调整（如价格2%比例取整），转向值（Reversal）固定为3格[22][23] - 仅用最高/低价，X列标记上涨趋势，O列标记下跌趋势，压缩盘整区间[19][20] 2. **交易区间识别规则**： - 至少连续5列，宽度/高度比<1.5[46][50] - 右侧三列价格交集>20%且第四列交集>50%时扩展区间[46][49] 3. **目标价公式**： $$目标价位 = 横向列数 \times 格值 \times 转向值 + 起点价格$$ 起点价格取交易区间最低/最高价或突破列最后价位[30][31] - **模型评价**：对趋势头尾形成的交易区间预测效果较好，但中间区间预测偏差较大[58] 2. **模型名称**：大盘择时+点数图选股策略 - **模型构建思路**：结合流动性指数择时信号与点数图目标价筛选高弹性标的[75][84] - **模型具体构建过程**： 1. **择时信号**：流动性指数近5日 vs 20日最大值判断多空[75] 2. **选股规则**： - 看多时选择上涨空间20%-80%的股票，按空间排序买入前N只[75] - 动态止损（回撤>20%）和静态止盈（达到目标价）[75] 3. **仓位控制**：单股票仓位上限为总资产/20，市场看空时清仓[75] --- 量化因子与构建方式 1. **因子名称**：点数图横向列数因子 - **因子构建思路**：反映交易区间内价格有效震荡次数，与突破后空间正相关[7][30] - **因子具体构建过程**： - 在识别出的交易区间中，剔除头尾两列后统计中间列数[30][46] - 结合格值与转向值标准化为无量纲指标[31][50] 2. **因子名称**：点数图起始空间因子 - **因子构建思路**：初始突破空间影响目标价预测准确性，需保守修正[67][68] - **因子具体构建过程**： - 计算突破点与交易区间边界的涨跌幅[67] - 对起始空间>50%的预测值乘以0.7修正系数[68][69] --- 模型的回测效果 1. **威科夫点数图目标价预测模型**： - 全样本上涨目标价精准触达率20%，基本触达率（±5格）73%[63][66] - 中证800成分股基本触达率75%，中证2000成分股72%[66] - 起始空间10%-20%时基本触达率82%，50%以上降至38%[68] 2. **大盘择时+点数图选股策略**： - 2010-2024年化收益18.1%，最大回撤-35.0%[77] - 相对万得全A超额收益稳定，风险收益比优化[77][78] --- 因子的回测效果 1. **点数图横向列数因子**： - 横向列数与实际突破空间相关系数0.62（全样本）[63] - 中证1000成分股中列数>10的样本触达率提升至78%[66] 2. **点数图起始空间因子**： - 起始空间>50%的样本误差分布标准差为其他组的2.3倍[69] - 修正后极端行情预测误差减少42%[68][70]

量化模型与构建方式 1. **模型名称**：ETF机构持仓穿透算法 - **模型构建思路**：修正传统ETF机构持仓占比计算中因包含联接基金个人投资者而导致的高估问题，通过穿透联接基金结构计算真实的机构投资者持仓比例[14] - **模型具体构建过程**： 1. 数据来源：ETF及联接基金的年报/半年报数据（机构持有份额占比 $P_{\mathrm{inst}}$、联接基金持有份额占比 $P_{\mathrm{link}}$、ETF资产净值 $A_{\mathrm{eff}}$、联接基金资产净值 $A_{\mathrm{link}}$、联接基金机构持有比例 $S_{\mathrm{inst}}$）[16] 2. 修正公式： $$P_{\rm inst}=P_{\rm inst}-P_{\rm inst}\ast(1-S_{\rm inst})$$ 若数据缺失，通过反向推算： $$P_{\mathrm{link}}=A_{\mathrm{link}}*P_{\mathrm{fund}}/A_{\mathrm{eff}}$$[19] 3. 实际机构占比 = 直接机构持仓 + 联接基金中的机构持仓部分[18] - **模型评价**：显著提升机构持仓数据的准确性，尤其适用于含联接基金的ETF[20] --- 量化因子与构建方式 （注：报告中未明确涉及量化因子构建，此部分跳过） --- 模型的回测效果 1. **ETF机构持仓穿透算法** - **股票型ETF**：2024H2机构持仓比例60.85%（较2024H1 +2.54%）[22] - **债券型ETF**：2024H2机构持仓比例84.90%（较2024H1 -0.87%）[23] - **商品型ETF**：2024H2机构持仓比例18.32%（较2024H1 -4.68%）[27] - **货币型ETF**：2024H2机构持仓比例70.09%（较2024H1 -4.52%）[24] - **跨境型ETF**：2024H2机构持仓比例40.19%（较2024H1 +3.44%）[24] 2. **板块分类结果** - **大金融板块**：机构持仓规模305亿元（较2024H1 +61亿元），占比27.09%（+1.34%）[31][36] - **科技板块**：机构持仓比例17.76%（较2024H1 -6.48%）[36] 3. **主题分类结果** - **红利ETF**：机构持仓比例55.32%（较2024H1 +5.65%）[42] - **芯片ETF**：机构持仓比例14.95%（较2024H1 -10.34%）[47] 4. **宽基分类结果** - **沪深300ETF**：机构持仓比例86.43%（较2024H1 +2.29%）[53] - **科创板ETF**：机构持仓比例29.02%（较2024H1 +2.47%）[53] --- 关键图表引用 - 股票型ETF机构/个人持仓规模及占比趋势见图2[25] - 债券型ETF机构持仓占比趋势见图3[26] - 商品型ETF机构持仓占比趋势见图5[32] - 板块ETF规模变动见图6[33] - 宽基ETF机构持仓比例变动见图18[56] （注：因子回测效果部分因无相关因子构建内容，故未列出）

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：封板率** - 构建思路：反映涨停股票的封板稳定性[16] - 具体构建过程： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日最高价涨停且收盘仍涨停的股票占比[16] 2. **因子名称：连板率** - 构建思路：衡量涨停股票的连续性[16] - 具体构建过程： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 基于前一日涨停股票中今日继续涨停的比例[16] 3. **因子名称：大宗交易折价率** - 构建思路：反映大资金交易的折价水平[25] - 具体构建过程： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 统计近半年日均折价率及单日折价率[25] 4. **因子名称：股指期货年化贴水率** - 构建思路：衡量期货合约对现货指数的预期偏差[27] - 具体构建过程： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 计算上证50、沪深300、中证500、中证1000主力合约的年化贴水率[27] --- 因子的回测效果 1. **封板率** - 当日值：68%（较前日下降4%）[16] - 近一月趋势：显示在图表中[16] 2. **连板率** - 当日值：18%（较前日下降3%）[16] - 近一月趋势：显示在图表中[16] 3. **大宗交易折价率** - 近半年均值：5.40%[25] - 当日值：6.24%（创半年新低）[25] 4. **股指期货年化贴水率** - 上证50：5.56%（近一年22%分位）[27] - 沪深300：10.70%（近一年13%分位）[27] - 中证500：33.52%（近一年2%分位）[27] - 中证1000：22.45%（近一年9%分位）[27] --- 其他市场指标（非因子/模型） - **两融余额**：18,185亿元（融资占比99.4%）[18] - **ETF折溢价**：国证2000ETF溢价3.06%，A50ETF折价0.40%[22] - **龙虎榜机构净流入**：深康佳A等（具体金额未量化）[34] 注：报告中未涉及量化模型，仅包含市场监测类因子。