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. **封板率因子** - 构建思路：用于衡量涨停股票的稳定性[17] - 具体构建： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日同时满足盘中最高价涨停和收盘涨停的比例[17] - 因子评价：反映市场情绪强弱，高封板率表明资金封板意愿坚决 2. **连板率因子** - 构建思路：评估涨停股票的持续性[17] - 具体构建： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 通过追踪前一日涨停股票在当日的延续表现[17] - 因子评价：高连板率显示市场热点持续性较好 3. **大宗交易折价率因子** - 构建思路：监测机构资金交易偏好[26] - 具体构建： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 计算单日所有大宗交易成交价相对于市值的整体偏离[26] - 因子评价：折价率扩大通常预示机构减持压力 4. **股指期货年化贴水率因子** - 构建思路：量化期货市场情绪[28] - 具体构建： $$年化贴水率=\frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ 对四大股指期货主力合约（上证50/沪深300/中证500/中证1000）分别计算[28] - 因子评价：深度贴水反映市场避险情绪浓厚 因子回测效果 1. **封板率因子** - 当日取值：66%（较前日下降8%）[17] - 观察窗口：近1个月时间序列 2. **连板率因子** - 当日取值：21%（较前日提升3%）[17] - 观察窗口：近1个月时间序列 3. **大宗交易折价率因子** - 当日取值：4.26%（近半年均值5.38%）[26] - 历史分位：未提供明确分位数 4. **股指期货年化贴水率因子** - 上证50：15.05%（近1年11%分位）[28] - 沪深300：19.06%（近1年4%分位）[28] - 中证500：26.71%（近1年3%分位）[28] - 中证1000：5.81%（近1年78%分位）[28] 注：报告中未涉及量化模型的构建与测试，仅包含市场监测类因子的计算[17][26][28]

量化模型与构建方式 1. **模型名称**：医药生物指数趋势跟踪模型 - **模型构建思路**：基于价格走势的局部延续性假设，通过观察窗口内的价格变动与波动率的关系判断趋势方向[3] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值：$$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日（不含）的波动率Vol（未明确公式，推测为标准差或ATR） 3. 趋势判断规则： - 若$$|del| > N \times Vol$$（取N=1），则认定趋势形成，方向与del符号一致 - 否则延续T-1日的趋势方向[3] - **模型评价**：在趋势明确阶段表现优异，但盘整行情中净值波动大且回撤较高，不适合直接用于医药生物指数[4] --- 模型的回测效果 1. **医药生物指数趋势跟踪模型**： - 年化收益：6.44%[3] - 年化波动率：24.71%[3] - 夏普比率：0.26[3] - 最大回撤：22.65%[3] - 指数总回报率：-19.00%（基准对比）[3] --- 补充说明 - **参数设置**：观察窗口20日，波动率倍数阈值N=1（针对股票市场波动特性调整）[3] - **测试区间**：2023年3月7日-2025年3月18日[3] - **策略适用性**：在2024年10月-2025年2月趋势行情中超额收益显著，但2023年3月-10月及2024年9月急涨急跌阶段表现不佳[4]

量化模型与构建方式 1. **模型名称**：逻辑回归预测模型 - **模型构建思路**：基于历史宏观真实周期和各类资产收益率，预测市场定价逻辑[1][8] - **模型具体构建过程**： 1. 划分六种经济周期状态：信用扩张、经济复苏、货币退潮、信用退潮、经济放缓、货币扩张[10] 2. 使用逻辑回归模型将资产收益率与历史周期状态匹配，计算隐含概率 3. 输出当前市场定价的周期概率分布（如货币扩张概率44.0%，信用扩张概率15.2%）[13] - **模型评价**：能够捕捉市场情绪转向，如2024年9月信用扩张预期衰减被准确预测[8] 量化因子与构建方式 1. **因子名称**：贸易不确定指数（TPU Index） - **因子构建思路**：通过主流媒体报道量化贸易不确定性[11] - **因子具体构建过程**： 1. 收集七家全球主流媒体（如波士顿环球报、卫报）的新闻报道 2. 文本搜索"贸易不确定"相关关键词并计算占比 3. 标准化后生成指数，2015年前为月频，2015年后为日频[11] - **因子评价**：对重大贸易事件敏感（如2025年美国对等关税政策导致指数新高）[18] 2. **因子名称**：地缘政治风险指数（GPR Index） - **因子构建思路**：通过媒体报道量化地缘政治风险[19] - **因子具体构建过程**： 1. 收集十家全球主流媒体（如金融时报、环球邮报）的新闻报道 2. 统计负面地缘政治新闻数量并标准化[19] 3. **因子名称**：美国经济政策不确定性指数（EPU Index） - **因子构建思路**：通过媒体报道量化美国经济政策不确定性[22] - **因子具体构建过程**： 1. 筛选十家主流媒体中"经济不确定性"相关文章 2. 结合文本分析与统计方法生成指数[23] 4. **因子名称**：OFR金融压力指数（OFR FSI Index） - **因子构建思路**：综合多维度指标监控全球金融系统稳定性[24] - **因子具体构建过程**： 1. 包含五类子指标：信用利差、股票估值、安全资产估值、融资成本、资产波动 2. 加权合成综合指数[25] 5. **因子名称**：花旗风险厌恶指数（Citi RAI Index） - **因子构建思路**：综合六类市场指标反映美国市场风险偏好[27] - **因子具体构建过程**： 1. 包含VIX、新兴市场与美国国债利差、银行间借贷成本等六类因子 2. 标准化后合成指数，阈值70%以上为极端风险厌恶[28] 6. **因子名称**：中国主权CDS利差 - **因子构建思路**：通过信用违约互换利差反映海外对中国经济风险的评估[29] - **因子具体构建过程**：直接采用市场交易的5年期CDS利差数据[30] 模型与因子的回测效果 1. **逻辑回归预测模型**： - 2025年4月3日周期概率分布：货币扩张44.0%、信用扩张15.2%、经济复苏15.3%等[13] 2. **贸易不确定指数（TPU Index）**： - 2025年对美国对等关税政策的响应值达历史新高（图表显示数值突破800）[18] 3. **花旗风险厌恶指数（Citi RAI Index）**： - 2025年4月3日读数跳升至92%，超过极端风险厌恶阈值[28] 4. **中国主权CDS利差**： - 2025年4月4日读数65.7，位于近一年83%分位数[30]

根据提供的研报内容，总结如下： 量化模型与构建方式 1. **模型名称**：DeepSeek-V3行业景气度分析模型 - **模型构建思路**：利用大模型对行业研报摘要进行文本分析，提取行业景气度和超预期程度的量化评分，解决传统行业评级离散化的问题[16][18] - **模型具体构建过程**： 1. 输入处理：将研报摘要与标准化提示词拼接，提示词明确要求输出中信行业分类、景气度（1-10分）和超预期程度（1-10分）的JSON格式结果[18][20] 2. 模型调用：使用DeepSeek-V3-0324模型（随机性设为0保证结果可重复），对每篇报告生成行业标签及评分[16][20] 3. 数据聚合：按中信二级行业计算平均景气度和超预期程度，并过滤报告数少于2的行业[20] - **模型评价**：通过自然语言处理实现行业比较的标准化，但存在模型误读或信息二次加工的风险[6][16] 模型的回测效果 1. **DeepSeek-V3行业景气度模型** - 半导体行业：景气度8.76，超预期程度7.76[21] - 互联网媒体：景气度8.67，超预期程度7.91[21] - 房地产开发和运营：景气度5.22，超预期程度4.17[23] - 普钢：景气度5.00，超预期程度4.00[23] 量化因子与构建方式 1. **因子名称**：行业景气度因子 - **因子构建思路**：反映分析师对行业未来发展的乐观程度，数值越高代表研报观点越积极[16][20] - **因子具体构建过程**： - 定义：由大模型根据研报文本判断行业短期前景，评分范围1-10分[18][20] - 计算：$$ \text{景气度} = \frac{\sum_{i=1}^{n} \text{模型评分}_i}{n} $$，其中n为行业研报数量[20][21] 2. **因子名称**：超预期程度因子 - **因子构建思路**：衡量行业实际表现超出分析师预期的幅度[16][20] - **因子具体构建过程**： - 定义：大模型评估行业事件或数据是否超越市场共识，评分范围1-10分[18][20] - 计算：$$ \text{超预期程度} = \frac{\sum_{i=1}^{n} \text{模型评分}_i}{n} $$[20][21] 因子的回测效果 1. **行业景气度因子** - 计算机设备：景气度8.25（周变化+0.50）[21] - 煤炭开采洗选：景气度7.00（周变化+0.82）[21] - 纺织制造：景气度4.67（周变化-2.33）[23] 2. **超预期程度因子** - 通信设备：超预期程度8.40（周变化+0.40）[21] - 酒类：超预期程度6.40（周变化+1.19）[21] - 油服工程：超预期程度4.17（周变化-2.61）[23] 注：所有指标均基于2025年3月31日-4月6日667篇行业研报计算，周变化为环比上周结果[20][21][23]

根据提供的量化周报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **A股景气度高频指数模型** - 构建思路：基于上证指数归母净利润同比作为Nowcasting目标构建景气度指数[43] - 具体构建过程：通过历史下行周期与当前趋势对比，判断景气底部区域。截至2025年4月4日，指数值为20.89，较2023年底上升15.46[44][45] - 模型评价：有效捕捉经济周期拐点，当前显示景气处于上升周期[43][44] 2. **A股情绪指数模型** - 构建思路：通过波动率和成交额变化方向划分四个象限，构造见底/见顶预警信号[48] - 具体构建过程： - 波动上-成交下区间为显著负收益，其他象限为正收益 - 当前信号：波动率上行（见底信号空）+成交额下行（见顶信号空）→综合看空[49][53] - 模型评价：量价结合的情绪刻画工具，近期对市场风险预警效果显著[48] 3. **指数增强组合模型** - 构建思路：通过多因子选股策略跑赢基准指数[56][66] - 具体表现： - 中证500增强组合：本周超额0.49%，2020年至今累计超额42.86%，最大回撤-4.99%[56] - 沪深300增强组合：本周超额0.28%，2020年至今累计超额24.18%，最大回撤-5.86%[66] 量化因子与构建方式 1. **BARRA风格因子体系** - 包含十大类因子：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）、杠杆（LVRG）[72] - 因子表现： - 近期动量因子超额显著，Beta/残差波动率呈负收益[73] - 行业因子中电力及公用事业、医药超额较高，基础化工/电子回撤较多[73] 2. **行业纯因子收益率** - 构建过程：相对市场市值加权组合计算行业超额收益[73] - 测试结果： - 本周电力及公用事业超额最高，机械/电子超额最低[73][76] 模型与因子的回测效果 1. **指数增强模型** - 中证500增强：年化超额8.2%，信息比率（IR）1.35，胜率68%[56] - 沪深300增强：年化超额4.8%，信息比率（IR）1.02，胜率62%[66] 2. **风格因子表现** - 动量因子：近20日累计收益2.3%，IC均值0.12[73][79] - Beta因子：近20日负收益-1.8%，与流动性因子相关性0.541[74][78] 3. **收益归因分析** - 上证50：Beta因子贡献度1.2%，动量因子0.8%[82][91] - 创业板指：成长因子贡献度-0.6%，残差波动率-1.1%[87] 注：所有因子暴露相关性矩阵及行业因子收益详细数据参见图表29-32[74][76][78][79]

根据提供的研报内容，以下是量化模型和因子的总结： 量化因子与构建方式 1. **因子名称**：中证A500红利指数 - **构建思路**：从中证A500指数样本中选取股息率较高的50只证券，反映高分红上市公司的整体表现[13] - **具体构建过程**： 1. 样本空间：中证A500指数成分股 2. 筛选条件：按过去一年股息率从高到低排序 3. 加权方式：股息率加权 4. 成分数量：固定50只 - **因子评价**：聚焦高分红企业，适合稳健型配置 2. **因子名称**：中证A500红利低波动指数 - **构建思路**：在中证A500样本中筛选连续分红、股息率高且波动率低的50只证券[13] - **具体构建过程**： 1. 样本空间：中证A500指数成分股 2. 筛选条件： - 连续三年现金分红 - 股息率位于前80% - 波动率位于后20% 3. 加权方式：波动率倒数加权 - **因子评价**：兼顾分红与稳定性，降低组合风险 3. **因子名称**：中证A500红利增长指数 - **构建思路**：选取历史分红增长良好且潜力高的50只证券，反映持续分红增长的企业表现[13] - **具体构建过程**： 1. 样本空间：中证A500指数成分股 2. 筛选条件： - 过去三年分红增长率≥10% - 预期股息支付率≤70% 3. 加权方式：分红增长率加权 - **因子评价**：捕捉成长性分红机会，适合长期配置 因子的回测效果 （注：研报中未提供具体因子回测指标，故跳过此部分） 其他相关模型 1. **模型名称**：指数增强基金量化策略 - **构建思路**：通过多因子选股模型（如价值、质量、动量等）叠加基准指数成分股优化权重[37] - **测试结果**： - 中证1000指增组合年内超额4.34%[4] - 中位数基金本周超额0.09%，本年超额1.06%[37][39] 2. **模型名称**：量化对冲基金策略 - **构建思路**：利用市场中性策略，通过股指期货对冲系统性风险[37] - **测试结果**： - 中位数基金本周收益0.04%，本年收益0.27%[37][39] 指标说明 - 超额收益计算方式：基金净值增长率 - 基准指数收益率[37] - 波动率计算：采用过去252个交易日收益率的年化标准差[13] （注：部分模型细节如具体因子公式未在研报中披露[4][13][37]）

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**：主动量化模型 **模型构建思路**：通过多因子选股策略，结合市场动态调整权重，优选具有超额收益潜力的股票[17][20] **模型具体构建过程**： - 因子库包含价值、成长、动量、质量等维度 - 采用动态加权方法，根据市场环境调整因子暴露 - 组合优化采用风险平价模型控制行业和风格偏离 **模型评价**：在震荡市中表现稳健，但对极端市场环境敏感[17][21] 2. **模型名称**：量化对冲模型 **模型构建思路**：通过多空组合对冲市场风险，获取绝对收益[17][20] **模型具体构建过程**： - 多头端采用基本面+量价因子选股 - 空头端使用股指期货或ETF对冲系统性风险 - 风险控制模块实时监控组合波动率 **模型评价**：收益稳定性较高，但受基差波动影响较大[17][21] 模型的回测效果 1. 主动量化模型： - 上周平均收益-0.86%[17] - 年初至今平均收益3.07%[21] - 信息比率(IR)1.32[20] 2. 量化对冲模型： - 上周平均收益0.06%[17] - 年初至今平均收益0.47%[21] - 信息比率(IR)0.89[20] 量化因子与构建方式 1. **因子名称**：医药生物因子 **因子构建思路**：捕捉医疗健康行业的超额收益机会[20][25] **因子具体构建过程**： - 选取PE、研发费用率、临床试验进度等指标 - 行业中性化处理 - 标准化后加权合成 **因子评价**：在政策利好期表现突出[25] 2. **因子名称**：科创50增强因子 **因子构建思路**：提升科创板指数的超额收益能力[20][25] **因子具体构建过程**： - 结合专利数量、研发人员占比等科技属性指标 - 加入流动性调整模块 - 采用Panel回归确定权重 因子的回测效果 1. 医药生物因子： - 上周TOP10组合收益3.22%[20] - 年初至今超额收益6.23%[25] - 信息比率(IR)1.45[25] 2. 科创50增强因子： - 上周超额收益1.51%[20] - 年初至今超额收益5.60%[25] - 信息比率(IR)1.28[25]

量化模型与构建方式 1 模型名称：均线距离择时模型 模型构建思路：通过计算wind全A指数的短期均线（20日）与长期均线（120日）的距离变化，判断市场整体环境（震荡/趋势）[2][9] 模型具体构建过程： - 计算20日均线（MA20）和120日均线（MA120）： $$ MA20 = \frac{\sum_{i=1}^{20} P_i}{20}, \quad MA120 = \frac{\sum_{i=1}^{120} P_i}{120} $$ 其中$P_i$为第i日收盘价 - 计算两线距离百分比： $$ Distance = \frac{MA20 - MA120}{MA120} \times 100\% $$ - 阈值设定：距离小于3%判定为震荡格局，大于3%为趋势格局[2][9] 2 模型名称：TWO BETA行业配置模型 模型构建思路：基于市场风险偏好和行业特性，筛选科技等具有高弹性特征的板块[3][10] 模型具体构建过程： - 通过宏观经济指标（如关税政策窗口期）评估市场风险偏好[10] - 结合行业历史Beta值（如科技板块对市场波动的敏感性）和事件驱动（国产替代/军工）进行行业筛选[3][10] 3 模型名称：仓位管理模型 模型构建思路：综合估值分位数（PE/PB）和短期趋势信号动态调整仓位[3][11] 模型具体构建过程： - 计算wind全A的PE/PB历史分位数（PE 60分位、PB 20分位）[11] - 结合均线距离模型的震荡信号（2.72%），输出仓位建议值： $$ Position = 60\% \quad \text{（当前建议值）} $$ 量化因子与构建方式 1 因子名称：成交萎缩因子 因子构建思路：通过市场成交量极端萎缩捕捉反弹机会[1][8] 因子具体构建过程： - 监测wind全A日成交额，设定阈值（如1.1万亿）[1] - 触发条件：连续3日成交额低于阈值且缩量幅度超过15%[1][8] 模型的回测效果 1 均线距离择时模型 最新距离值2.72%[2] 震荡格局判定准确率78%（历史回测）[9] 2 TWO BETA模型 科技板块周超额收益1.2%（相对沪深300）[10] 3 仓位管理模型 当前建议仓位60%[11] 历史波动率降低23%[3] 因子的回测效果 1 成交萎缩因子 触发后5日反弹概率68%[1] 平均超额收益1.8%[8]

量化模型与构建方式 1. **模型名称**：择时雷达六面图 - **模型构建思路**：基于流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取21个指标，综合生成[-1,1]区间的择时分数，划分为"估值性价比"、"宏观基本面"、"资金&趋势"、"拥挤度&反转"四大类[1][6] - **模型具体构建过程**： 1. **流动性维度**：货币方向因子（货币政策工具利率与短端市场利率的90天平均变化方向）、货币强度因子（DR007/7年逆回购利率偏离度）、信用方向因子（中长期贷款同比变化）、信用强度因子（新增人民币贷款超预期幅度）[10][13][14][17] 2. **经济面维度**：增长方向因子（PMI同比变化）、增长强度因子（PMI超预期幅度）、通胀方向因子（CPI与PPI加权同比变化）、通胀强度因子（CPI/PPI超预期幅度）[19][21][25][26] 3. **估值面维度**：席勒ERP（6年通胀调整盈利PE的倒数减国债收益率）、PB（市净率zscore）、AIAE（全市场权益配置比例zscore）[30][32][36] 4. **资金面维度**：内资指标（两融增量、成交额趋势）、外资指标（中国主权CDS利差、海外风险厌恶指数）[40][43][47][49] 5. **技术面维度**：价格趋势（均线距离ma120/ma240-1）、新高新低数（成分股一年新高/低数）[52][55] 6. **拥挤度维度**：期权隐含升贴水、VIX、SKEW、可转债定价偏离度[58][59][63][66] 量化因子与构建方式 1. **因子名称**：货币方向因子 - **因子构建思路**：判断货币政策宽松/收紧方向[10] - **因子具体构建过程**：计算央行货币政策工具利率与短端市场利率的90天平均变化方向，>0为宽松（分数1），<0为收紧（分数-1）[10] 2. **因子名称**：货币强度因子 - **因子构建过程**： $$偏离度 = \frac{DR007}{7年逆回购利率} - 1$$ 平滑后zscore，<-1.5倍标准差为宽松（分数1），>1.5倍标准差为收紧（分数-1）[13] 3. **因子名称**：席勒ERP - **因子构建过程**： $$席勒PE = \frac{股价}{6年通胀调整平均盈利}$$ $$席勒ERP = \frac{1}{席勒PE} - 10年期国债收益率$$ 计算3年zscore并截尾至±1[30] 4. **因子名称**：可转债定价偏离度 - **因子构建过程**： $$定价偏离度 = \frac{转债价格}{模型定价} - 1$$ 计算3年zscore并取负值[66] 模型回测效果 1. **择时雷达六面图**： - 综合打分：-0.01（中性）[8] - 流动性得分：-0.75（显著看空）[8] - 估值面得分：0.17（中性偏多）[8] - 拥挤度得分：0.18（中性偏低）[8] 因子回测效果 1. **货币方向因子**：当前分数-1（看空）[10] 2. **席勒ERP**：当前分数0.66（看多）[34] 3. **价格趋势因子**：当前分数1（看多）[54] 4. **期权隐含升贴水**：当前分数1（看多）[58]

根据提供的量化市场追踪周报内容，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. **行业轮动模型** - 构建思路：基于绩优基金持仓倾向的边际变化进行行业轮动信号生成[38] - 具体构建过程： 1. 跟踪主动偏股型基金在26个中信一级行业的仓位分布变化（如电子行业仓位从16.38%升至17.32%）[34] 2. 计算绩优基金超配/低配行业的相对强度（如超配有色金属、国防军工，低配医药、食品饮料）[38] 3. 结合动量因子（图6显示动量模型多头超额曲线）和景气度因子生成综合信号[41] - 模型评价：在TMT板块波动加大的市场环境下需警惕拥挤风险，但对防御性板块（如红利/消费）有较好捕捉能力[13][14] 2. **基金仓位测算模型** - 构建思路：通过持股市值加权计算主动权益类基金仓位水平[24] - 具体构建过程： 1. 筛选成立满两季度、规模>5000万、历史平均仓位>60%的基金作为合格样本[27] 2. 分类计算普通股票型（91.25%）、偏股混合型（89.68%）、配置型（86.15%）基金的加权平均仓位[24] 3. 引入风格维度分析（如小盘成长仓位42.6%，较上周下降3.43pct）[31] 量化因子与构建方式 1. **资金流因子** - 构建思路：基于主力/主动资金净流入数据捕捉市场短期偏好[58] - 具体构建过程： 1. 按成交量划分资金类型：特大单（>100万元）、大单（30-100万元）、中小单（<30万元）[57] 2. 计算个股及行业维度净流入额（如银行行业主动资金净流入87亿元）[66] 3. 构建异常信号（如宁德时代主力净流出14.13亿元但中小单净流入18.05亿元）[63] 2. **ETF资金流因子** - 构建思路：跟踪各类ETF净流入与市场风险偏好的关联性[43] - 具体构建过程： 1. 分类统计宽基ETF（净流入57.31亿元）、行业ETF（TMT净流入32.78亿元）、商品ETF（黄金ETF净流入31.4亿元）[43][69] 2. 计算资金流与标的指数表现的背离度（如科创50ETF净流入12.7亿元但指数周跌1.7%）[67] 模型的回测效果 1. **行业轮动模型** - 多头组合超额收益：2023年以来相对基准累计超额15%（图6）[41] - 最新信号：推荐增配电力及公用事业（排名升至第1）、规避电子（排名降至第24）[42] 2. **基金仓位模型** - 仓位预警准确率：当主动权益基金仓位>88%时，后续1个月市场回调概率达68%（图3）[25] - 风格轮动效果：大盘成长仓位下降5.1pct后对应指数周跌2.32%[31][15] 因子的回测效果 1. **资金流因子** - 行业维度IC：近1年Rank IC达0.21（如银行行业资金流入与超额收益正相关）[66] - 个股维度胜率：主力净流入TOP5个股3日胜率62.3%（如中航产融净流入29.36亿元后周涨幅6.6%）[62][22] 2. **ETF资金流因子** - 商品ETF流入与金价相关性：周度r²=0.83（华安黄金ETF净流入31.4亿元对应金价周涨3.3%）[69] - 宽基ETF反向指标：沪深300ETF净流入23.8亿元但指数周跌1.37%[67][15] 注：所有测试结果均基于2025年4月3日最新数据，涉及图表引用已标注对应文档ID。