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：价值50组合** - 模型构建思路：基于价值风格，选取历史相关性低的价值因子构建高beta弹性的组合[7] - 模型具体构建过程：从国证价值指数成分股中筛选50只股票，通过价值因子（如低市盈率、市净率）加权配置[7] - 模型评价：长期稳健超额收益能力较强，但短期回撤控制一般[4] 2. **模型名称：价值均衡50组合** - 模型构建思路：在价值风格基础上，兼顾风险分散目标，降低组合波动[7] - 模型具体构建过程：对价值因子与波动率因子进行双重加权，优化组合权重分配[7] 3. **模型名称：成长50组合** - 模型构建思路：聚焦成长风格，选取高营收增长、高ROE的股票[7] - 模型具体构建过程：从国证成长指数成分股中筛选50只股票，按成长因子得分加权[7] 4. **模型名称：成长均衡50组合** - 模型构建思路：在成长风格中引入风险平价约束[7] - 模型具体构建过程：对成长因子与波动率因子进行正交化处理，采用分层加权方法[7] 5. **模型名称：小盘50组合** - 模型构建思路：捕捉小盘股溢价效应，选取国证2000指数中市值最小的股票[7] - 模型具体构建过程：按市值倒数加权，并控制行业偏离度[7] 6. **模型名称：小盘均衡50组合** - 模型构建思路：在小盘风格中引入质量因子增强[7] - 模型具体构建过程：综合小盘因子与盈利稳定性因子，采用均值-方差优化框架[7] 模型的回测效果 1. **价值50组合** - 周收益率1.13%，年收益率5.80%[8] - 最大相对回撤2.26%，年化超额收益5.70%[8] 2. **价值均衡50组合** - 周收益率0.32%，年收益率1.55%[8] - 最大相对回撤3.99%，年化超额收益1.45%[8] 3. **成长50组合** - 周收益率1.27%，年收益率0.86%[8] - 最大相对回撤3.61%，年化超额收益2.55%[8] 4. **成长均衡50组合** - 周收益率1.59%，年收益率6.05%[8] - 最大相对回撤6.11%，年化超额收益7.74%[8] 5. **小盘50组合** - 周收益率1.39%，年收益率8.87%[8] - 最大相对回撤6.23%，年化超额收益3.93%[8] 6. **小盘均衡50组合** - 周收益率1.49%，年收益率10.70%[8] - 最大相对回撤4.56%，年化超额收益5.76%[8] 量化因子与构建方式 （注：报告中未明确披露具体因子计算公式，仅描述风格方向） 因子的回测效果 （注：报告中未提供单因子测试结果） 关键数据引用来源： - 模型构建原理[7] - 业绩表现数据[8] - 风格收益对比[4]

根据提供的研报内容，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**：大小盘风格因子 **因子构建思路**：通过市场风格分析，区分大盘与小盘股票的表现差异[13] **因子具体构建过程**：基于市值加权计算大小盘股票的相对收益，反映市场风格偏向 **因子评价**：能够有效捕捉市场风格切换的信号 2. **因子名称**：价值成长风格因子 **因子构建思路**：通过估值指标与成长性指标区分价值型与成长型股票[13] **因子具体构建过程**：结合PE、PB等估值指标与营收增长率等成长指标构建复合因子 3. **因子名称**：行业轮动度量因子 **因子构建思路**：量化行业间轮动速度与强度[13] **因子具体构建过程**：计算行业指数超额收益的离散度与轮动速度指标 4. **因子名称**：商品期货趋势强度因子 **因子构建思路**：捕捉商品期货市场的趋势性特征[30] **因子具体构建过程**：通过移动平均线等趋势跟踪指标计算各板块趋势强度 5. **因子名称**：期权隐含波动率差值因子 **因子构建思路**：利用期权市场隐含波动率差异反映市场预期[36] **因子具体构建过程**：计算不同执行价期权隐波差值，构建波动率曲面 因子回测效果 1. **大小盘风格因子** - 上周风格偏向小盘[13] - 风格波动从低位回升[13] 2. **价值成长风格因子** - 上周风格偏向成长[13] - 风格波动从低位回升[13] 3. **行业轮动度量因子** - 行业收益离散度下降[13] - 轮动速度上升[13] 4. **商品期货趋势强度因子** - 能化、黑色板块趋势性延续[30] - 有色、农产品板块趋势性较弱[30] 5. **期权隐含波动率差值因子** - 上证50看涨/看跌期权偏度上升[36] - 中证1000看跌期权偏度上升[36] 注：报告中未提及具体量化模型，主要聚焦于市场环境因子的跟踪与分析。商品市场因子还包括基差动量、波动率等细分指标[30]，期权市场因子包含隐波差值等衍生指标[36]。所有因子均通过历史数据计算得到，并用于监测市场状态变化。

量化模型与构建方式 1. **模型名称：美元流动性扩散指数** - **模型构建思路**：结合数量维度和价格维度构建全面美元流动性刻画体系，通过五个指标（净流动性、联储信用支持、预期引导、市场隐含、公告意外）的等权平均得分反映流动性状态[4][6]。 - **模型具体构建过程**： 1. **数量维度**： - 净流动性 = 总资产 - TGA - 逆回购，反映市场真实可用资金[2][12]。 - 联储信用支持 = (中长期国债 + 联邦机构债券 + MBS) / (流通现金 + 准备金 + 逆回购)，基于抵押品质量衡量信用支持强度[15][17]。 2. **价格维度**： - 预期引导：基于彭博Fed Sentiment指数，通过NLP分析联储官员新闻情绪，计算平滑后季度差分方向[21][25]。 - 市场隐含：从联邦基金利率期货价格推算隐含加息幅度，公式为 $$隐含利率 = 100 - 期货价格$$，再计算季度差分方向[28][29]。 - 公告意外：使用3个月后到期的联邦基金利率期货在会议前后30分钟价格变化，识别超预期宽松或收紧信号[30][32]。 3. **综合得分**：每个指标方向（宽松+1，收紧-1）等权平均，得到美元流动性指数[33][34]。 - **模型评价**：对多数资产具有显著区分效果，尤其在极端收紧时能预警风险，美股择时策略年化超额收益达5.1%~7.2%[37][38]。 --- 量化因子与构建方式 1. **因子名称：净流动性** - **因子构建思路**：剔除TGA和逆回购干扰，直接反映市场可用资金量[2][7]。 - **因子具体构建过程**： - 计算 $$净流动性 = 总资产 - TGA - 逆回购$$，对应负债端的流通现金和准备金[5][9]。 - 通过平滑后的季度差分方向判断扩张（+1）或收缩（-1）[12][13]。 2. **因子名称：联储信用支持** - **因子构建思路**：通过抵押品等级划分（D/C1/C2）衡量联储对信用风险的干预[14][16]。 - **因子具体构建过程**： - 计算 $$联储信用支持 = \frac{中长期国债 + 联邦机构债 + MBS}{流通现金 + 准备金 + 逆回购}$$[15][17]。 - 平滑后同比差分方向为正表示信用支持增强[17][18]。 3. **因子名称：Fed Sentiment指数** - **因子构建思路**：捕捉联储官员高频言论中的政策倾向[21][22]。 - **因子具体构建过程**： - 基于NLP对新闻文本打分（极度鸽派至极度鹰派5档），计算每日情绪总分[22][23]。 - 平滑后季度差分方向反映边际变化[25][26]。 4. **因子名称：联邦基金期货隐含利率** - **因子构建思路**：通过期货价格反推市场对加息的隐含预期[28][29]。 - **因子具体构建过程**： - 公式 $$隐含利率 = 100 - 期货价格$$，关注下一次会议预期变化[28][29]。 5. **因子名称：公告意外** - **因子构建思路**：捕捉会议决策中未被定价的意外冲击[30][32]。 - **因子具体构建过程**： - 计算3个月后到期的联邦基金利率期货在会议前后30分钟价格变化[30][31]。 --- 模型的回测效果 1. **美元流动性扩散指数** - **年化超额收益（标普500）**：5.1%[37]。 - **最大回撤降低**：15%（标普500）、31%（纳指100）[37][38]。 - **夏普比率提升**：0.65（标普500择时） vs. 0.39（基准）[37]。 --- 因子的回测效果 1. **净流动性** - **扩张区间资产超额收益**：标普500年化超额6.8%[13]。 2. **联储信用支持** - **增强区间夏普比率**：标普500为1.25 vs. 减弱区间0.75[18]。 3. **Fed Sentiment指数** - **鸽派区间标普500收益**：年化15.5% vs. 鹰派区间5.2%[24]。 4. **公告意外** - **超预期宽松后60日美债收益**：1.2% vs. 收紧区间-0.4%[31]。 5. **市场隐含利率** - **宽松区间标普500超额**：25% vs. 收紧区间5%[27]。

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**：行业拥挤度监测模型 - **构建思路**：通过监测申万一级行业指数的交易拥挤程度，识别短期过热或低估的行业[4] - **具体构建过程**： 1. 计算行业指数的滚动历史分位数（如30日窗口），衡量交易活跃度与历史水平的偏离 2. 结合主力资金净流入数据，验证拥挤度的持续性 3. 输出每日行业拥挤度热力图，标注高拥挤（如纺织服饰、美容护理）与低拥挤行业（如传媒、电子）[4][12] - **模型评价**：能够有效捕捉短期市场情绪极端值，但需结合资金流向数据避免误判 2. **模型名称**：溢价率Z-score模型（ETF套利信号） - **构建思路**：通过ETF溢价率的标准化分数筛选潜在套利机会[5] - **具体构建过程**： 1. 计算ETF的IOPV（参考净值）溢价率： $$溢价率 = \frac{ETF市价 - IOPV}{IOPV} \times 100\%$$ 2. 滚动计算溢价率的Z-score： $$Z = \frac{当前溢价率 - 滚动均值}{滚动标准差}$$ 3. 设定阈值（如Z>2）触发关注信号[5][16] - **模型评价**：需警惕市场流动性不足导致的套利风险 --- 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日拥挤度达99%[12] - 低拥挤行业（如传媒）拥挤度仅17%[12] 2. **溢价率Z-score模型**： - 触发信号的ETF包括储能电池50ETF（159305.SZ）、工业母机ETF（159667.SZ）等[16] --- 量化因子与构建方式 1. **因子名称**：主力资金净流入因子 - **构建思路**：监测主力资金对行业的短期配置方向[4][15] - **具体构建过程**： 1. 统计申万一级行业指数的单日及多日主力资金净流入额 2. 计算滚动窗口（如3日）的净流入合计值 3. 结合行业拥挤度判断资金背离或共振[15] - **因子评价**：对短期行业轮动有较强解释力 2. **因子名称**：ETF资金流动因子 - **构建思路**：跟踪宽基/行业/跨境ETF的资金动向[6][7] - **具体构建过程**： 1. 按ETF类别（宽基、行业主题等）分类统计日净流入TOP3 2. 计算资金流动的持续性（如科创50ETF连续净流入）[6] --- 因子的回测效果 1. **主力资金净流入因子**： - 近3日主力资金增配煤炭（+4.28亿元）、美容护理（+2.63亿元）[15] - 减配计算机（-129.02亿元）、电子（-97.32亿元）[15] 2. **ETF资金流动因子**： - 宽基ETF单日净流出26.91亿元（上证50ETF净流出4.86亿元）[6] - 跨境ETF单日净流入4.88亿元（恒生科技ETF净流入2.97亿元）[6] --- 注：所有数据引用自研报中的具体图表及描述[4][5][6][12][15][16]

量化模型与构建方式 1. **模型名称**：煤炭指数趋势跟踪模型 - **模型构建思路**：基于标的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），采用标准差或ATR等指标[3] 3. 趋势判断规则： - 若$|del| > N \times Vol$，则趋势方向为del的正负符号（N=1）[3] - 否则延续T-1日的趋势方向[3] - **模型评价**：在窄幅盘整或剧烈反转行情中表现较差，年化收益为负且回撤较大[4] --- 模型的回测效果 1. **煤炭指数趋势跟踪模型**： - 区间年化收益：-8.01%[3] - 波动率（年化）：22.67%[3] - 夏普比率：-0.35[3] - 最大回撤：22.79%[3] - 指数期间总回报率：-8.75%[3] --- 量化因子与构建方式 （报告中未提及独立因子构建） --- 因子的回测效果 （报告中未提及独立因子测试结果） --- 其他关键信息 - **作用标的**：申万一级煤炭指数[3] - **数据预处理**：保留原值[3] - **跟踪区间**：2023年3月7日-2025年3月18日[3] - **策略适用性**：不适用于煤炭指数直接交易，因净值下降期占比高且回撤显著[4]

量化模型与构建方式 1. **模型名称**：石油石化指数趋势跟踪模型 - **模型构建思路**：模型假设标的价格走势具有局部延续性，趋势持续时间大于反转行情持续时间，窄幅盘整时延续原有趋势。通过观察窗口内的价格变动方向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（标准差） 3. 趋势判断规则： - 若$$|del| > N \times Vol$$，则形成新趋势，方向与del符号一致（N=1） - 否则延续T-1日趋势方向[3] - **模型评价**：模型在测试区间内持续回撤，净值下降明显，不适合直接用于申万石油石化指数[4] 模型的回测效果 1. **石油石化指数趋势跟踪模型**： - 年化收益：-24.35% - 波动率（年化）：19.77% - 夏普比率：-1.23 - 最大回撤：44.48% - 指数总回报率：-6.61%[3] （注：报告中未涉及量化因子相关内容，故跳过该部分）

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**：转债综合估值模型 - **构建思路**：通过转股溢价率偏离度和理论价值偏离度（蒙特卡洛模型）两个因子融合，构建综合估值因子以筛选低估转债[24][25] - **具体构建过程**： 1. 计算转股溢价率偏离度：$$ \text{转股溢价率偏离度} = \text{转股溢价率} - \text{拟合转股溢价率} $$ 2. 计算理论价值偏离度（蒙特卡洛模型）：$$ \text{理论价值偏离度} = \frac{\text{转债收盘价}}{\text{理论价值（蒙特卡洛模拟）}} - 1 $$ 3. 综合因子构建：$$ \text{转债综合估值因子} = \text{Rank（转股溢价率偏离度）} + \text{Rank（理论价值偏离度）} $$ 蒙特卡洛模拟中，每条路径考虑转股、赎回、下修、回售条款，贴现率采用同信用同期限利率[25][26] - **模型评价**：在平衡型和偏债型转债中表现较优，偏股型转债中理论价值偏离度单独效果更好[24] 2. **模型名称**：转债风格轮动模型 - **构建思路**：基于转债动量和波动率偏离度捕捉市场情绪，对偏股/平衡/偏债低估指数进行轮动配置[31][32] - **具体构建过程**： 1. 计算单券层面20日动量和波动率偏离度 2. 在低估指数内部取因子中位数作为市场情绪指标 3. 组合信号生成：$$ \text{市场情绪捕捉指标} = \text{Rank（20日动量）} + \text{Rank（波动率偏离度）} $$ 4. 轮动规则：选择指标排名最低的指数，若并列则等权配置，全选时默认配置平衡低估风格[32][33] 量化因子与构建方式 1. **因子名称**：转股溢价率偏离度 - **构建思路**：衡量实际转股溢价率与拟合值的差异[25] - **具体构建过程**： 1. 截面拟合转股溢价率与转股价值的关系曲线：$$ y_i = \alpha_0 + \alpha_1 \cdot \frac{1}{x_i} + \epsilon_i $$ 2. 取转股价值=100时的拟合值作为基准，计算偏离度[46] 2. **因子名称**：理论价值偏离度（蒙特卡洛模型） - **构建思路**：通过期权定价模型计算转债理论价值与实际价格的差异[25] - **具体构建过程**： 1. 蒙特卡洛模拟1万条路径，考虑转股、赎回、下修、回售条款 2. 以同信用等级同期限利率贴现现金流 3. 计算收盘价与理论价值的比率偏离[25][47] 3. **因子名称**：修正YTM - 信用债YTM - **构建思路**：剥离转股条款影响，比较偏债转债与信用债的收益率差异[4][47] - **具体构建过程**： 1. 计算转股概率N(d2)（BS模型） 2. 修正YTM公式：$$ \text{修正YTM} = \text{转债YTM} \times (1-\text{转股概率}) + \text{预期转股收益率} \times \text{转股概率} $$ 3. 取截面中位数：$$ \text{中位数} = \text{median}\{X_1,X_2,...,X_n\} $$[48] 模型的回测效果 1. **转债综合估值模型** - 偏股转债低估指数：年化收益24.83%，波动率20.42%，IR 1.22[28] - 平衡转债低估指数：年化收益13.87%，波动率11.92%，IR 1.16[28] - 偏债转债低估指数：年化收益12.21%，波动率9.49%，IR 1.29[28] 2. **转债风格轮动模型** - 年化收益24.14%，波动率16.53%，IR 1.46，最大回撤-15.54%[38] - 2025年以来收益23.98%，近4周收益8.58%[35][37] 因子的回测效果 1. **估值因子增强效果** - 近4周超额：偏股转债1.56%，平衡转债0.10%，偏债转债0.18%[27] - 长期IR提升：偏股转债从0.58提升至1.22，平衡转债从0.61提升至1.16[28] 2. **市场情绪因子** - 动量+波动率偏离度组合在2018-2025年实现年化超额15.79%[37][38]

量化因子与构建方式 1. **因子名称**：日内高频偏度因子 - **构建思路**：通过捕捉股票日内收益分布的偏度特征来选股[4][10] - **具体构建过程**：计算日内收益率的三阶矩，公式为： $$Skew = \frac{E[(r-\mu)^3]}{\sigma^3}$$ 其中，\( r \)为日内收益率，\( \mu \)为均值，\( \sigma \)为标准差[10] - **评价**：历史IC为0.027，2025年IC提升至0.057，多头端稳定性较好[6] 2. **因子名称**：日内下行波动占比因子 - **构建思路**：衡量下行波动在总波动中的占比，反映风险不对称性[4][13] - **具体构建过程**：计算下行波动与总波动的比值： $$DownVolRatio = \frac{\sum_{r_t<0}(r_t-\mu)^2}{\sum(r_t-\mu)^2}$$[13] - **评价**：2025年多空收益达11.63%，但近期表现较弱[6] 3. **因子名称**：开盘后买入意愿占比因子 - **构建思路**：统计开盘后买方主动成交占比，捕捉资金流向[4][19] - **具体构建过程**：计算开盘30分钟内买方成交额占比： $$BuyRatio = \frac{V_{buy}}{V_{total}}$$[19] - **评价**：2025年周胜率达15/20，多头超额收益显著[7] 4. **因子名称**：改进GRU(50,2)+NN(10)因子 - **构建思路**：结合门控循环单元(GRU)和神经网络(NN)的深度学习模型[4][59] - **具体构建过程**：使用50天历史数据输入GRU层，2层隐藏层后接10层全连接NN[59] - **评价**：2025年多空收益17.68%，但多头超额收益为负[9] 5. **因子名称**：多颗粒度模型-5日标签因子 - **构建思路**：基于双向AGRU训练的多时间颗粒度预测模型[61][64] - **具体构建过程**：融合5日收益率标签数据训练，输出股票排序[64] - **评价**：2025年多空收益28.3%，表现最优[9] 因子回测效果 | 因子名称 | IC(2025) | 多空收益(2025YTD) | 多头超额收益(2025YTD) | 周胜率(2025) | |------------------------------|----------|-------------------|-----------------------|--------------| | 日内高频偏度因子 | 0.057 | 14.17% | 3.26% | 13/20 | | 开盘后大单净买入占比因子 | 0.034 | 12.01% | 6.26% | 16/20 | | 改进GRU(50,2)+NN(10)因子 | 0.039 | 17.68% | -2.08% | 18/20 | | 多颗粒度模型-10日标签因子 | 0.067 | 26.67% | 9.41% | 16/20 | 量化模型与构建方式 1. **模型名称**：中证500 AI增强宽约束组合 - **构建思路**：基于多颗粒度模型因子，叠加宽泛风险约束[67][68] - **具体构建过程**：目标函数为： $$max\sum\mu_{i}w_{i}$$ 约束条件包括个股权重≤1%、行业偏离≤1%、换手率约束等[68] - **评价**：严约束组合2025年超额收益3.53%，回撤控制更优[74][79] 模型回测效果 | 模型名称 | 上周收益 | 5月收益 | 2025YTD收益 | 周胜率 | |------------------------------|----------|---------|-------------|--------| | 中证1000 AI增强严约束组合 | 1.16% | 2.33% | 10.89% | 14/20 | | 中证500 AI增强宽约束组合 | 1.17% | 2.29% | 6.18% | 13/20 |

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：宏观择时模型** - **模型构建思路**：基于动态宏观事件因子构建股债轮动策略，通过经济增长和货币流动性两个维度生成信号[24][25] - **模型具体构建过程**： 1. **经济增长信号**：综合PMI、工业增加值等指标，信号强度为50%（4月）[25] 2. **货币流动性信号**：跟踪SHIBOR、DR007等利率变化，信号强度为40%（4月）[25] 3. **仓位计算**：信号加权后输出权益配置比例（5月推荐仓位25%）[24] - **模型评价**：策略年初收益率1.06%，略低于Wind全A（1.90%），但风险控制稳健[24][27] 2. **模型名称：微盘股择时模型** - **模型构建思路**：结合交易情绪（波动率拥挤度）和基本面（利率同比）指标监控风险[29] - **模型具体构建过程**： 1. **波动率拥挤度指标**：计算波动率历史分位数，阈值设定为0.3（当前-50.09%，未触发）[29][36] 2. **十年国债利率同比**：阈值0.3（当前-28.69%，未触发）[29][36] - **模型评价**：当前未触发风控信号，适合长期持有微盘股风格[29] --- 量化因子与构建方式 1. **因子名称：市值因子（LN_MktCap）** - **构建思路**：捕捉小市值股票的超额收益，方向为负向（↓）[51] - **具体构建**：取流通市值的自然对数 $$LN(MktCap)$$ [51] 2. **因子名称：价值因子（BP_LR/EP_FTTM）** - **构建思路**：筛选低估值股票，方向为正向（↑）[51] - **具体构建**： - BP_LR：账面净资产/市值 - EP_FTTM：未来12月预期净利润/市值[51] 3. **因子名称：反转因子（Price_Chg20D/60D）** - **构建思路**：捕捉短期价格反转效应，方向为负向（↓）[51] - **具体构建**：计算20日/60日收益率 $$Price\_Chg20D = \frac{P_t - P_{t-20}}{P_{t-20}}$$ [51] 4. **因子名称：转债估值因子（平价底价溢价率）** - **构建思路**：衡量可转债估值偏离程度[44] - **具体构建**：未披露详细公式，但基于平价与底价的溢价率计算[44] --- 模型回测效果 1. **宏观择时模型**： - 年初至今收益率1.06%，Wind全A基准1.90%[24] - 超额收益最大回撤-2.48%（全部A股）[47] 2. **微盘股择时模型**： - 波动率拥挤度指标当前-50.09%，远离风险阈值[36] - 十年国债利率同比-28.69%，未触发风控[36] --- 因子回测效果 1. **市值因子**： - 沪深300股票池IC均值4.25%，多空收益5.82%[45] 2. **反转因子**： - 中证1000股票池IC均值8.71%，多空收益12.52%[45] 3. **转债估值因子**： - 上周多空收益为正，具体数值未披露[44] --- 以上内容严格依据研报中的模型与因子部分总结，未包含风险提示等非核心信息。

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. **主动偏股基金仓位高频估测模型** - 构建思路：通过净值序列回归估算基金仓位变动[62] - 具体构建： 1. 以每日净值为因变量，基准指数或行业指数为自变量 2. 采用带约束的多元回归模型求解仓位权重 3. 通过模拟组合优化估算精度 4. 计算行业配置偏离度：$$\Delta w_i = w_{i,t} - w_{i,t-1}$$ 其中$w_i$代表第i行业仓位占比[62][63] - 模型评价：能捕捉短期调仓动向但存在滞后性 2. **REITs指数构建模型** - 构建思路：分级靠档法保持指数稳定性[47] - 具体构建： 1. 按底层资产类型划分产权类/特许经营权类指数 2. 采用除数修正法处理非交易变动（如扩募） 3. 同步计算价格指数和全收益指数 4. 细分项目指数公式：$$I_t = I_{t-1} \times \frac{\sum (P_{i,t} \times S_{i,t})}{\sum (P_{i,t-1} \times S_{i,t-1})}$$ 其中$P$为价格，$S$为调整份额[47][48] 量化因子与构建方式 1. **行业主题基金标签因子** - 构建思路：基于持仓数据识别基金主题特征[36] - 具体构建： 1. 提取近4期年报/中报持仓前五大行业 2. 定义三类标签： - 行业主题（单一行业占比>40%） - 行业轮动（行业集中度年变化>30%） - 行业均衡（其他情形） 3. 计算主题指数收益率：$$R_{theme} = \sum_{i=1}^n w_i \times R_{fund_i}$$[36][37] 2. **ETF资金流因子** - 构建思路：监测细分赛道资金动向[53] - 具体构建： 1. 按宽基/行业/主题分类计算净流入 2. 标准化处理：$$Flow_{std} = \frac{Flow_i - \mu_{flow}}{\sigma_{flow}}$$ 3. 结合收益率构建资金热度指标[53][54] 模型的回测效果 1. **主动偏股基金仓位模型** - 周度仓位变动：-0.66pcts[62] - 行业配置偏离极值： - 医药生物 +0.82pcts - 非银金融 -1.15pcts[63][68] 2. **REITs指数模型** - 本周收益： | 指数类型 | 收益率 | 年化波动率 | |---|---|--| | 综合指数 | 1.73% | 11.23% | | 消费基础设施 | 3.24% | 10.63% | | 能源基础设施 | -0.09% | 10.19% |[48][52] 因子的回测效果 1. **行业主题因子** - 本周收益： | 主题 | 收益率 | |---|---| | 金融地产 | 1.45% | | TMT | -1.02% | | 行业轮动 | 0.45% |[36][37] 2. **ETF资金流因子** - 极端值监测： | 类别 | 净流入(亿) | |---|---| | 科创板ETF | +17.98 | | 大盘宽基ETF | -128.90 | | 黄金ETF | -43.08 |[53][54][59]