报告核心观点 - 报告旨在通过交易明细数据构建指标，以跟踪大额买入和净主动买入行为 [1] 行业资金流向跟踪 - 近5个交易日大额买入排名前5的中信一级行业为：银行、房地产、钢铁、综合、纺织服装 [2] - 近5个交易日净主动买入排名前5的中信一级行业为：银行、交通运输、医药、房地产、石油石化 [2] ETF资金流向跟踪 - 近5个交易日大额买入排名前5的ETF为：国泰中证A500ETF、国泰上证10年期国债ETF、嘉实标普石油天然气勘探及生产精选行业ETF、南方创业板人工智能ETF、海富通上证城投债ETF [2] - 近5个交易日净主动买入排名前5的ETF为：国泰上证10年期国债ETF、易方达沪深300非银ETF、银华上证科创板100ETF、华宝中证有色金属ETF、鹏华中证酒ETF [2]

量化因子与构建方式 1. **因子名称：优加换手率 UTR2.0**[1][7] **因子构建思路**：针对量稳因子（STR）和量小因子（Turn20）进行结合时，将对因子值的使用从次序尺度改为等比尺度，并考虑为量小因子配上一个与量稳因子相关的系数，以反映量小因子作用大小随量稳程度的变化[7] **因子具体构建过程**：优加换手率 UTR2.0 因子的构造公式如下： $$\mathrm{UTR2.0}=\mathrm{STR}+softsign(\mathrm{STR})\cdot\mathrm{Turn20}$$ 其中，$softsign(x) = \frac{x}{1+|x|}$[7] **因子评价**：和原 UTR 因子相比，新因子的收益有所降低，但波动率、信息比率和月度胜率都更优[1] 因子的回测效果 1. **优加换手率 UTR2.0 因子**[8][12] **年化收益率**：40.48%[8][12] **年化波动率**：14.98%[8][12] **信息比率(IR)**：2.70[8][12] **月度胜率**：75.53%[8][12] **最大回撤率**：11.03%[8][12] **2025年10月多空对冲收益率**：6.14%[1][10] **2025年10月多头组合收益率**：4.64%[1][10] **2025年10月空头组合收益率**：-1.50%[1][10]

券商金股上月回顾（2025年10月） - 2025年10月，国盾量子、荣信文化、江波龙等券商金股月度涨幅靠前，其中国盾量子月度上涨65.19%，荣信文化上涨64.86%，江波龙上涨46.78% [3][4] - 西部证券、长城证券、国元证券的月度金股组合收益排名前三，分别为5.84%、5.43%和4.03%，同期偏股混合型基金指数收益为-2.14%，沪深300指数收益为-0.00% [1][6] - 2025年以来，东北证券、华鑫证券、国元证券的金股组合年度收益排名前三，分别为86.32%、77.80%和76.51%，同期偏股混合型基金指数收益为32.47%，沪深300指数收益为17.94% [1][8] 券商金股股票池本月特征（2025年11月） - 截至2025年11月3日，共有42家券商发布本月金股，去重后总计275只A股 [21] - 从绝对行业配置看，券商金股在电子(15.26%)、有色金属(8.68%)、基础化工(6.84%)、计算机(6.58%)、电力设备及新能源(6.32%)行业配置较高 [27] - 从相对行业变化看，券商金股在煤炭(+1.87%)、家电(+1.69%)、银行(+1.43%)行业增配较多，在机械(-2.87%)、传媒(-2.12%)、电子(-1.40%)行业减配较多 [27] - 本月风格暴露与上月基本保持一致 [21] 券商金股选股因子表现 - 最近一个月，总市值、单季度超预期幅度、波动率因子表现较好，多空收益分别为5.21%、4.43%和3.37%，剥离涨停动量、单季度ROE、EPTTM因子表现较差 [17][18] - 今年以来，总市值、单季度营收增速、分析师净上调幅度因子表现较好，多空收益分别为29.99%、25.93%和9.14%，EPTTM、预期股息率、波动率因子表现较差 [17][18] 券商金股市场关注度分析 - 工业富联、金山办公、拓普集团、紫金矿业、中际旭创本月均获得5家以上券商推荐，海尔智家、华新水泥、洛阳钼业等获得4家券商推荐 [22][23] - 从买方关注度视角，筛选出本月金股中尚未被任何主动股基在最近季报中持有为前十大重仓股的样本，包括奥飞数据、安井食品、百诚医药等 [24][28] - 从卖方关注度视角，筛选出本月金股中近12个月以来首次被推荐的样本 [33] 券商金股业绩增强组合表现 - 券商金股组合能够较好地跟踪偏股混合型基金指数的表现，通过多因子优选构建的增强组合在2018年至2024年每年均能稳定战胜偏股混合型基金指数，在公募主动股基中每年排名前30% [2][32] - 本月（20251009-20251031），券商金股业绩增强组合绝对收益为-0.77%，相对偏股混合型基金指数超额收益为1.37% [35] - 本年（20250102-20251031），券商金股业绩增强组合绝对收益为35.08%，相对偏股混合型基金指数超额收益为2.61%，在主动股基中排名40.13%分位点（412/3469） [35] 券商金股行业组合表现 - 本月券商金股行业组合中，电力公用事业、机械、电新行业的超额收益排名前三 [15] - 今年以来券商金股行业组合中，电子、汽车、计算机行业的超额收益排名前三 [15]

国信金工指数增强组合表现 - 沪深300指数增强组合本周实现超额收益0.53%，本年累计超额收益达18.86% [1][7] - 中证500指数增强组合本周实现超额收益0.45%，本年累计超额收益为9.03% [1][7] - 中证1000指数增强组合本周实现超额收益0.34%，本年累计超额收益高达19.00% [1][7] - 中证A500指数增强组合本周超额收益为-0.46%，但本年累计超额收益仍达到8.18% [1][7] 选股因子表现监控 - 在沪深300成分股中，单季ROA（周收益1.31%）、单季ROE（周收益1.28%）及一年动量（周收益1.26%）等因子近期表现优异 [1][8] - 在中证500成分股中，SPTTM（周收益0.45%）、高管薪酬（周收益0.43%）及三个月机构覆盖（周收益0.41%）等因子表现领先 [1][12] - 在中证1000成分股中，3个月盈利上下调（周收益1.61%）、标准化预期外收入（周收益1.53%）及标准化预期外盈利（周收益1.08%）等因子表现突出 [1][13] - 在中证A500指数成分股中，一年动量（周收益1.98%）、单季营收同比增速（周收益1.83%）及DELTAROA（周收益1.73%）等因子表现较好 [1][16] - 在公募基金重仓股中，一年动量（周收益1.48%）、标准化预期外收入（周收益1.48%）及3个月盈利上下调（周收益1.37%）等因子表现强劲 [1][18] 公募基金指数增强产品表现 - 公募基金沪深300指数增强产品数量为76只，总规模达802亿元，本周超额收益最高2.02%，最低-1.13%，中位数为0.06% [1][20][23] - 公募基金中证500指数增强产品数量为74只，总规模为444亿元，本周超额收益最高1.24%，最低-1.61%，中位数为0.19% [1][20][25] - 公募基金中证1000指数增强产品数量为46只，总规模为150亿元，本周超额收益最高1.52%，最低-1.23%，中位数为0.45% [1][20][24][29] - 公募基金中证A500指数增强产品数量为68只，总规模为318亿元，本周超额收益最高0.84%，最低-0.53%，中位数为0.03% [1][20][26][30] 研究方法论 - 公司采用多因子选股框架构建指数增强组合，力求稳定战胜各自基准指数 [2] - 因子有效性检验采用最大化单因子暴露组合方法，在控制行业暴露、风格暴露等实际约束条件下评估因子表现 [31][32] - MFE组合构建通过组合优化模型实现，目标函数为最大化单因子暴露，同时控制风格因子偏离度、行业偏离度及个股权重偏离等约束条件 [33][34] - 公司构建了公募重仓指数作为额外的测试维度，通过基金定期报告获取持仓信息，选取累计权重达90%的股票作为成分股 [35][36]

量化因子与构建方式 1. 因子名称：传统换手率因子(Turn20) **因子构建思路**：基于传统量价选股模型，使用过去20个交易日的日均换手率作为选股指标，逻辑为过去一个月换手率越小的股票未来越有可能上涨，而换手率越大的股票未来越有可能下跌[6] **因子具体构建过程**：每月月底计算每只股票过去20个交易日的日均换手率，并对因子值做市值中性化处理[6] **因子评价**：该因子的逻辑并不完全正确，在换手率最大的分组中，组内成分股未来收益的差异较大，既有大跌的股票也有大涨的股票，导致误判了许多未来大涨的样本[7] 2. 因子名称：换手率分布均匀度因子(UTD) **因子构建思路**：借助成交量的分钟数据，对传统换手率因子进行改进，构造换手率分布均匀度因子，该因子对股票样本的误判程度明显减弱[7][3] **因子具体构建过程**：基于个股的分钟成交量数据构建换手率分布均匀度UTD因子，在剔除了市场常用风格、行业和东吴金工特色因子的干扰后，纯净UTD因子仍然具备一定的选股效果[3] **因子评价**：选股效果大幅优于传统因子，对股票样本的误判程度明显减弱[3] 因子的回测效果 1. 传统换手率因子(Turn20) **测试区间**：2006年1月1日至2021年4月30日[6] **测试范围**：全体A股[6] **月度IC均值**：-0.072[6] **年化ICIR**：-2.10[6] **多空对冲年化收益率**：33.41%[6] **信息比率**：1.90[6] **月度胜率**：71.58%[6] 2. 换手率分布均匀度因子(UTD) **测试区间**：2014年1月至2025年9月[1][7] **测试范围**：全体A股[1][7] **多空对冲年化收益率**：19.82%[1][7] **年化波动率**：7.39%[1][7] **信息比率**：2.68[1][7] **月度胜率**：77.30%[1][7] **月度最大回撤**：5.51%[1][7] **2025年9月表现**： - 10分组多头组合收益率：0.91%[11] - 10分组空头组合收益率：0.52%[11] - 10分组多空对冲收益率：0.39%[11]

量化因子总结 量化因子与构建方式 **1 因子名称：新价量相关性RPV因子** **因子构建思路**：对日内与隔夜信息叠加，通过划分价量四象限，利用月度IC均值有效甄别出价量相关性因子的反转效应和动量效应，在"动量因子切割"研究的基础上，以相关性的形式加入"成交量"的信息，分别为日内、隔夜的价量相关性找到最佳代表，并完成信息叠加[6] **因子具体构建过程**： - 从基准因子CCV（日频CPV）中发现换手率序列可以增强收盘价序列的反转效应 - 分别为日内价量相关性和隔夜价量相关性找到了最佳代表——CCOIV和COV - 日内价量相互配合加强了反转效应 - 隔夜价量关系蕴藏在时间维度上的"错配"之中，"昨日量"加强了隔夜收益的动量 - 将日内和隔夜价量相关性信息协调一致，使各自的信息叠加起来为同一个目标服务[6] **因子评价**：既新颖又"能打"的价量相关性因子[1] **2 因子名称：聪明版日频价量相关性SRV因子** **因子构建思路**：将日内涨跌拆分为上午涨跌和下午涨跌，并计算分钟"聪明"指标，识别知情交易最集中的时段，使用更有效的价量相关性度量[1] **因子具体构建过程**： - 将日内涨跌拆分为上午涨跌和下午涨跌 - 计算分钟"聪明"指标，将当日下午"聪明"指标最大的各20%（24分钟）作为知情交易最集中的"聪明"时段 - 使用下午"聪明"换手率与下午涨跌的相关系数作为日内价量相关性 - 对隔夜价量相关性，将换手率替换为知情交易比例更高的昨天最后半小时换手率 - 将效果更好的日内价量相关性因子和隔夜价量相关性因子结合[1] **因子评价**：效果要好于RPV因子[1] 因子的回测效果 **1 新价量相关性RPV因子** 年化收益率：14.26%[1][7][10] 年化波动率：7.70%[1][7][10] 信息比率：1.85[1][7][10] 月度胜率：72.14%[1][7][10] 最大回撤率：10.63%[1][7][10] **2 聪明版日频价量相关性SRV因子** 年化收益率：17.07%[1][7][10] 年化波动率：6.51%[1][7][10] 信息比率：2.62[1][7][10] 月度胜率：74.29%[1][7][10] 最大回撤率：3.93%[1][7][10]

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**：国信金工指数增强组合 - **模型构建思路**：以多因子选股为主体，分别构建对标沪深300、中证500、中证1000及中证A500指数的增强组合，通过收益预测、风险控制和组合优化三部分实现稳定超额收益[11] - **模型具体构建过程**： 1. **收益预测**：基于30余个因子（估值、反转、成长等）构建股票收益预测模型 2. **风险控制**：约束行业暴露、风格暴露、个股权重偏离等（如行业中性、市值中性） 3. **组合优化**：采用组合优化模型最大化因子暴露，控制换手率和成分股权重占比[39][40] - **模型评价**：通过MFE组合验证因子有效性，兼顾实际投资约束条件下的稳定性 2. **模型名称**：单因子MFE组合 - **模型构建思路**：在给定基准指数下，通过组合优化最大化单因子暴露，控制行业、风格等约束以检验因子实际有效性[39] - **模型具体构建过程**： - 优化目标函数： $$max\ f^{T}w$$ 约束条件包括： - 风格暴露限制：$$s_{l}\leq X(w-w_{b})\leq s_{h}$$ - 行业偏离限制：$$h_{l}\leq H(w-w_{b})\leq h_{h}$$ - 个股权重偏离限制：$$w_{l}\leq w-w_{b}\leq w_{h}$$ - 成分股权重占比控制：$$b_{l}\leq B_{b}w\leq b_{h}$$ - 禁止卖空及权重上限：$$\mathbf{0}\leq w\leq l$$ - 满仓约束：$$\mathbf{1}^{T}w=1$$[39][40] - **模型评价**：更贴近实际投资场景，避免传统分档检验的偏差 --- 量化因子与构建方式 1. **因子名称**：DELTAROE - **因子构建思路**：衡量企业净资产收益率的同比变化，反映盈利能力的改善[16] - **因子具体构建过程**： $$DELTAROE = ROE_{t} - ROE_{t-1}$$ 其中$$ROE$$为单季度归母净利润*2/（期初归母净资产+期末归母净资产）[16] - **因子评价**：在沪深300和中证A500样本中表现稳健，近期超额收益显著 2. **因子名称**：预期PEG - **因子构建思路**：结合估值与成长性，反映未来盈利增长的性价比[16] - **因子具体构建过程**： $$预期PEG = \frac{PE}{一致预期净利润增长率}$$ 其中PE为滚动市盈率，增长率来自分析师一致预期[16] - **因子评价**：在成长风格占优的市场中表现突出 3. **因子名称**：三个月反转 - **因子构建思路**：捕捉短期价格反转效应[16] - **因子具体构建过程**： $$三个月反转 = -\sum_{i=1}^{60} r_{i}$$ $$r_{i}$$为过去60个交易日的日收益率[16] - **因子评价**：近期在沪深300样本中表现较差，但在中证500中有效性分化 4. **因子名称**：特异度 - **因子构建思路**：衡量个股收益脱离市场共同因子的程度[16] - **因子具体构建过程**： $$特异度 = 1-R^{2}$$ $$R^{2}$$为Fama-French三因子回归的拟合度[16] - **因子评价**：在小盘股样本（如中证1000）中区分度较高 --- 模型的回测效果 1. **国信金工指数增强组合**： - 沪深300增强：本周超额0.86%，本年超额10.78%[13] - 中证500增强：本周超额0.16%，本年超额11.24%[13] - 中证1000增强：本周超额-0.29%，本年超额15.73%[13] - 中证A500增强：本周超额0.29%，本年超额11.42%[13] 2. **单因子MFE组合（沪深300样本）**： - DELTAROE：本周超额0.75%，年化IR 3.98%[18] - 预期PEG：本周超额0.72%，年化IR 3.31%[18] - 三个月反转：本周超额-0.35%，年化IR 1.09%[18] --- 因子的回测效果 1. **DELTAROE因子**： - 沪深300样本：本周超额0.75%，年化IR 3.98%[18] - 中证500样本：本周超额0.07%，年化IR 7.68%[20] - 公募重仓样本：本周超额0.87%，年化IR 3.90%[26] 2. **预期PEG因子**： - 沪深300样本：本周超额0.72%，年化IR 3.31%[18] - 中证A500样本：本周超额0.85%，年化IR 1.77%[24] 3. **三个月反转因子**： - 沪深300样本：本周超额-0.35%，年化IR 1.09%[18] - 中证500样本：本周超额-0.61%，年化IR -0.05%[20] --- 注：所有因子计算方式及测试结果均来自研报原文[16][18][20][24][26]，未包含免责声明或风险提示内容。

量化因子与构建方式 1. **因子名称**：量稳换手率STR因子 - **构建思路**：从日频换手率稳定性的角度构造选股因子，通过考察换手率的稳定性而非绝对数值来改进传统换手率因子的缺陷[8] - **具体构建过程**： 1. 计算每只股票过去20个交易日的日频换手率 2. 计算这些日频换手率的稳定性指标（具体方法未详细说明，但参考了UTD因子的研究思路）[8] 3. 对因子进行市值中性化处理[6] - **因子评价**：因子计算简单且效果优秀，在剔除市场常用风格和行业干扰后仍具备较好的选股能力[1] 2. **因子名称**：传统换手率因子（Turn20） - **构建思路**：基于过去20个交易日的日均换手率构造选股因子，逻辑为换手率越小的股票未来越可能上涨[6] - **具体构建过程**： 1. 每月月底计算每只股票过去20个交易日的日均换手率 2. 对换手率进行市值中性化处理[6] - **因子评价**：表现可圈可点，但存在逻辑缺陷，高换手率分组内股票未来收益差异较大[7] 因子的回测效果 1. **量稳换手率STR因子**（2006/01-2025/07，全体A股）[9][10]： - 年化收益率：40.75% - 年化波动率：14.44% - 信息比率（IR）：2.82 - 月度胜率：77.02% - 最大回撤率：9.96% 2. **传统换手率因子（Turn20）**（2006/01-2021/04，全体A股）[6]： - 年化收益率：33.41% - 信息比率（IR）：1.90 - 月度胜率：71.58% - 月度IC均值：-0.072 - 年化ICIR：-2.10 3. **量稳换手率STR因子**（2025年7月，全体A股）[10]： - 多头组合收益率：1.29% - 空头组合收益率：-0.02% - 多空对冲收益率：1.32%

量化因子与构建方式 1. **因子名称：理想反转因子** - **构建思路**：通过切割大单成交数据识别反转属性最强的交易日，捕捉A股反转效应的微观来源[5][15] - **具体构建过程**： 1. 回溯股票过去20日数据，计算每日平均单笔成交金额（成交金额/成交笔数）[43] 2. 选取单笔成交金额最高的10个交易日，加总其涨跌幅记为M_high[43] 3. 选取单笔成交金额最低的10个交易日，加总其涨跌幅记为M_low[43] 4. 计算因子值：$$M = M_{\text{high}} - M_{\text{low}}$$[43] - **因子评价**：通过大单成交切割有效提升了反转效应的稳定性[5][15] 2. **因子名称：聪明钱因子** - **构建思路**：从分钟级价量数据中识别机构交易痕迹，构建跟踪聪明钱的指标[5][15] - **具体构建过程**： 1. 取股票过去10日的分钟行情数据[42] 2. 计算每分钟指标：$$S_t = |R_t| / V_t^{0.25}$$（$R_t$为分钟涨跌幅，$V_t$为分钟成交量）[42] 3. 按$S_t$排序，取成交量累积占比前20%的分钟作为聪明钱交易[42][44] 4. 计算聪明钱VWAP（成交量加权均价）和全体交易VWAP[44] 5. 因子值：$$Q = \text{VWAP}_{\text{smart}} / \text{VWAP}_{\text{all}}$$[42] - **因子评价**：有效捕捉机构交易行为对价格的引导作用[5] 3. **因子名称：APM因子** - **构建思路**：利用日内不同时段交易行为差异构建反转强度指标[5][15] - **具体构建过程**： 1. 取股票过去20日的隔夜收益率$r_{\text{night}}$和下午收益率$r_{\text{afternoon}}$[43] 2. 对40组收益率数据回归：$$r = \alpha + \beta R + \epsilon$$（$R$为对应时段指数收益率）[43] 3. 计算隔夜与下午残差差异：$$\delta_t = \epsilon_{\text{night}} - \epsilon_{\text{afternoon}}$$[43] 4. 构造统计量：$$\mathrm{stat} = \frac{\mu(\delta_t)}{\sigma(\delta_t)/\sqrt{N}}$$[45] 5. 对动量因子横截面回归取残差作为最终因子值[46] - **因子评价**：通过时段切割挖掘反转效应的结构性差异[15] 4. **因子名称：理想振幅因子** - **构建思路**：基于股价维度切割振幅信息，区分高价态与低价态的结构性差异[5][15] - **具体构建过程**： 1. 计算股票过去20个交易日的每日振幅（最高价/最低价-1）[48] 2. 选取收盘价最高的25%交易日，计算振幅均值V_high[48] 3. 选取收盘价最低的25%交易日，计算振幅均值V_low[48] 4. 因子值：$$V = V_{\text{high}} - V_{\text{low}}$$[48] - **因子评价**：价态切割显著提升振幅因子的信息含量[5] 5. **因子名称：交易行为合成因子** - **构建思路**：加权整合四个交易行为因子形成复合因子[30] - **具体构建过程**： 1. 对单因子进行行业内去极值与标准化处理[30] 2. 滚动12期ICIR计算动态权重[30] - **因子评价**：通过动态加权实现因子间的优势互补[30] --- 因子回测效果 1. **理想反转因子** - 全历史IC均值：-0.050[16] - 全历史rankIC均值：-0.061[16] - 信息比率(IR)：2.52[16] - 多空对冲月度胜率：78.3%[16] - 2025年7月收益：0.47%[7][16] - 近12月胜率：66.7%[7][18] 2. **聪明钱因子** - 全历史IC均值：-0.037[16] - 全历史rankIC均值：-0.061[16] - 信息比率(IR)：2.76[16] - 多空对冲月度胜率：82.2%[16] - 2025年7月收益：1.78%[7][19] - 近12月胜率：91.7%[7][22] 3. **APM因子** - 全历史IC均值：0.029[16] - 全历史rankIC均值：0.034[16] - 信息比率(IR)：2.30[16] - 多空对冲月度胜率：77.4%[16] - 2025年7月收益：1.42%[7][23] - 近12月胜率：58.3%[7][27] 4. **理想振幅因子** - 全历史IC均值：-0.054[16] - 全历史rankIC均值：-0.073[16] - 信息比率(IR)：3.03[16] - 多空对冲月度胜率：83.6%[16] - 2025年7月收益：3.86%[7][28] - 近12月胜率：75.0%[7][31] 5. **交易行为合成因子** - 全历史IC均值：0.067[30] - 全历史rankIC均值：0.092[30] - 信息比率(IR)：3.30[30] - 多空对冲月度胜率：82.6%[30] - 2025年7月收益：2.13%[7][30] - 近12月胜率：83.3%[7][36] - 中小盘表现：国证2000 IR=2.87，中证1000 IR=2.77[32][37] --- Barra风格因子表现（2025年7月） - 市值因子收益：0.64%[4][14] - 账面市值比因子收益：0.59%[4][14] - 成长因子收益：0.16%[4][14] - 盈利预期因子收益：-0.32%[4][14]

量化因子与构建方式 1. **因子名称**：大买单成交金额占比 **因子构建思路**：通过逐笔成交数据还原买卖单数据，筛选大单并计算大买单成交金额占总成交金额的比例，以刻画大资金的买入行为[7] **因子具体构建过程**： - 从逐笔成交数据中提取叫买和叫卖序号，还原买卖单数据 - 按每单成交量筛选大单（具体阈值未明确） - 计算大买单成交金额占比： $$ \text{大买单成交金额占比} = \frac{\text{大买单成交金额}}{\text{当日总成交金额}} \times 100\% $$ **因子评价**：有效反映大资金集中买入行为，但对市场流动性敏感 2. **因子名称**：净主动买入金额占比 **因子构建思路**：基于逐笔成交数据的买卖标志区分主动买入/卖出，计算净主动买入金额占总成交金额的比例，反映投资者主动交易意愿[7] **因子具体构建过程**： - 根据逐笔成交中的买卖标志（如B/S）划分主动买入和主动卖出 - 计算净主动买入金额： $$ \text{净主动买入金额} = \sum \text{主动买入成交金额} - \sum \text{主动卖出成交金额} $$ - 计算占比： $$ \text{净主动买入金额占比} = \frac{\text{净主动买入金额}}{\text{当日总成交金额}} \times 100\% $$ **因子评价**：直接捕捉资金流向，但对高频噪声较敏感 --- 因子回测效果 1. **大买单成交金额占比** - **个股表现**：苏博特（91.1%，时序分位数99.2%）、中铁工业（91.0%，99.6%）[9] - **宽基指数**：上证指数（74.7%，91.8%分位数）、中证500（75.6%，40.7%分位数）[12] - **行业表现**：银行（79.9%）、房地产（79.7%）[13] - **ETF表现**：富国中证农业主题ETF（90.8%，97.5%分位数）[15] 2. **净主动买入金额占比** - **个股表现**：伟星股份（18.9%，100%分位数）、海航控股（18.5%，97.9%分位数）[10] - **宽基指数**：上证指数（-7.6%，17.7%分位数）、创业板指（-5.4%，60.5%分位数）[12] - **行业表现**：传媒（-0.9%）、计算机（-2.1%）[13] - **ETF表现**：鹏华中证细分化工产业主题ETF（26.3%，98.8%分位数）[16] --- 模型应用说明 - **复合计算方式**：对个股、宽基指数、行业及ETF均采用整体法计算5日移动平均值，并统计时序分位数[7][12][13] - **衍生指标**：时序分位数反映当前值在历史分布中的位置，辅助判断极端状态[9][10]