市场资金流向与机构行为分析 - 近期市场融资数据显示，煤炭行业获得1.34亿元的净买入额，药明康德获得2.07亿元的大手笔加仓[3] - 表面看是市场对周期板块和龙头股的认可，但量化分析揭示，机构资金可能利用公开的利好消息作为掩护进行反向操作[3] - 普通投资者看到利好消息追入后反而被套，可能因为未能理解主力资金的真实意图[9] 优质股票的波动特征与机构策略 - 优质股票面临跟风盘和获利盘越来越多的天然矛盾，导致其上涨过程中必然伴随剧烈震荡[4] - 机构采用“慢牛快调”的行为模式，即缓慢上涨配合快速调整，例如某股票过去四个月涨幅接近翻倍，但期间经历了三次剧烈调整，其中一次调整幅度高达30%[5][6] - 通过量化系统可观察到“机构震仓”现象，即机构故意打压股价制造恐慌，配合“机构库存”数据可判断为洗盘行为而非真正出货[9] 量化工具揭示的市场行为本质 - 量化数据提供了观察市场本质行为的视角，例如蓝色K线代表机构震仓，橙色部分代表机构库存[9] - 当某个板块获得大量融资买入时，若同时出现蓝色K线和机构库存的组合，往往意味着主力在借利好洗盘[10] - 投资的关键在于理解数字背后反映的市场行为逻辑，而非价格波动本身[11] 对投资者的策略建议 - 投资者不应被表面数据迷惑，需学会从交易行为角度思考[10] - 需要找到适合自己的分析工具并建立自己的投资纪律[10] - 在市场中，看不见的资金博弈才是本质，投资者应在别人恐慌时保持理性[11][12]

中证A500指数核心特征 - 指数于2024年9月发布，从各行业选取市值较大、流动性较好的500只证券作为样本，以反映各行业最具代表性上市公司的整体表现 [5] - 指数行业分布均衡，权重最大的行业为电子（11.34%），其次为银行（9.35%）和电子设备及新能源（8.17%） [5] - 指数以不到全市场1/10的股票数量，覆盖了全部A股71.2%的营业收入、56.1%的市值以及62.5%的归母净利润，市场覆盖度广 [5] - 指数特征可概括为“核心资产+新质生产力”，金融、地产行业权重占比更低，电子、医药、电力设备及新能源、计算机等新兴领域合计占比超过31% [5] - 与沪深300指数相比，中证A500指数相对超配新兴产业，低配传统行业 [29] - 指数成分股风格分散、集中度低、交投活跃、流动性好，当前PE-TTM为13.42，位于近三年51.13%分位点，估值处于合理区间 [31][32] 中证A500指数增强策略优势 - 策略结合了指数的行业均衡长期配置价值与量化策略的灵活Alpha挖掘能力，为投资者提供更具竞争力的投资工具 [6] - A500指数覆盖35个中证二级行业及91个中证三级行业，分散配置可降低单一行业风险 [6] - 量化指增策略可通过多因子模型优化行业配置，提升组合抗风险能力 [6] - 指数在工业、信息技术、医药卫生等新兴行业权重较高，量化策略能捕捉新质生产力带来的增长红利 [7] - 成分股流动性较好，量化策略可利用流动性差异和市场错误定价获取超额收益 [8] - 策略在跟踪指数Beta收益的基础上，通过Alpha策略提升长期收益，并利用风险控制模型实现收益与风险的平衡 [9] - 量化增强策略结合量价因子、基本面因子和另类因子，能灵活捕捉多元化超额机会，并适应市场风格切换 [10] 九坤投资A500指数增强产品表现 - 九坤投资于2025年3月成立“九坤元嘉中证A500指数增强1号量化”产品，截至10月底，该产品近6个月业绩在百亿私募A500指增榜中位居第2 [2] - A500指增是九坤投资时隔4年发布的新策略，公司在此前已拥有超过7年实盘的沪深300、中证500、中证1000指增业绩积累 [3] - 公司成立于2012年，在量化领域深耕逾13年，获得150多项行业荣誉，投研团队普遍来自顶尖高校，过去5年招聘的研究员90%以上具备AI研究背景 [13][14] - 公司认为A500指数交投活跃、行业分布广泛的特点与量化投资的分散化策略高度契合，有利于实现超额收益 [15] A股宽基指数演进 - 第一代宽基指数如上证综指、深证成指，反映单一市场上市公司整体运行态势 [20] - 第二代宽基指数如沪深300、中证500，聚焦跨市场不同市值规模上市公司的综合表现 [20] - 第三代宽基指数如中证A500，在传统市值规模与流动性规则基础上，融合了行业均衡、ESG、互联互通等要素，从多元维度刻画资本市场结构 [20][21]

公司背景与业绩 - 公司董事长拥有十一年交易生涯及百亿元资金规模管理经验 [1] - 董事长博士期间开始期货交易，2013年首次参加期货日报实盘大赛即获冠军 [1] - 公司当前管理规模已超过100亿元 [1] 核心投资策略 - 重点推荐全天候策略，该策略由桥水基金发明，通过配置股票、债券、黄金、大宗商品等低相关性品种实现长期稳定收益 [1] - 策略已成为境内外大型资管机构的核心选择 [1] - 指出沪深300指数与国债期货呈现反向波动特征，叠加商品、黄金等品种可构建抗风险能力更强的投资组合 [1] 后市观点与交易理念 - 认为大宗商品将迎来周期机遇 [1] - 交易理念强调牛市需聚焦主线板块，市场高位时要果断止盈，避免过度依赖量化逻辑 [1] - 资管机构应以绝对收益为目标，通过加大研发投入、优化策略体系为客户创造长期价值 [1] - 面对市场波动，坚守风险控制与趋势判断是行业中长期立足的关键 [1]

公募基金业绩比较基准改革 - 10月底公募基金业绩比较基准征求意见稿公布 11月4日改革加速落地 业绩比较基准要素一类库 二类库名录已经下发[2] - 业绩"尺"与"锚"有了标准 产品的"人设"被基准牢牢锁定 投资者需明确自身投资目标的锚点[3] 主动权益基金业绩基准与表现分析 - 主动权益产品投资朴素准则是跟上或跑赢平均水平 市场平均常用Wind偏股混合基金指数（885001）衡量 该指数反映国内偏股混合型基金整体表现[4] - 近十年偏股混基金指数持续稳定跑赢主流宽基指数 体现主动权益基金群体的阿尔法 例如2019年指数回报45.02% 高于万得全A的33.02% 2020年指数回报55.91% 显著高于沪深300的27.21%[4][5] - 但单只主动权益基金长期持续跑赢偏股混基金指数难度大 2016年以来连续5年每年都跑赢的产品占比低于5% 大部分产品仅能在两到三年跑赢[6][8] 量化基金的投资优势 - 通过量化基金获取超越市场平均收益是成功概率更高的路径 量化擅长对标基准并力争跑赢 借助模型纪律性赢得胜算更大的比赛[10] - 国内不少量化增强产品能做到"年年有超额" 例如华安事件驱动量化混合自2020年5月张序管理以来 每年跑赢偏股混基金指数和中证800指数[11][12] - 2025年前9个月该基金回报39.51% 跑赢偏股混指数的35.37% 2024年回报21.82% 跑赢指数的3.45% 2023年回报-8.63% 跑赢指数的-13.52%[13] 华安事件驱动量化混合产品分析 - 基金机构投资者占比高 A类机构持有份额占比87.99% C类机构占比98.19% 合计机构占比94.67% 显示专业投资者青睐[14] - 基金经理张序拥有近9年基金行业从业经验 近5年公募管理经历 采用A+F（AI+Fundamental）量化投资体系 根据产品定位搭配策略[15][16] - 该产品以行业轮动+选股的量化策略为核心 行业轮动结合微观多因子 中观景气预测 宏观事件驱动三维体系 选股策略纳入事件驱动模型形成可执行交易策略[18][20] - 组合构建环节将选股模型和行业轮动结合 通过基本面分析追求1+1>2效果[21] 行业变革与量化投资机遇 - 业绩比较基准从合同"装饰品"变为"硬约束" 公募行业经历逻辑重塑 跟上基准是基本要求 跑出阿尔法是基金经理价值体现[24] - 这一转变为以纪律性见长的量化投资打开新窗口 为投资者提供更高效的稳定超额收益工具[24]

量化投资策略演进 - 公司量化团队突破传统线性分析局限，采用非线性分析方式更精准地挖掘市场投资机遇[1] - 投资策略从依赖线性分析把握长期规律，向结合非线性分析技术以适应市场变化过渡[2] - 针对指数样本增强，储备了线性多因子模型和非线性机器学习模型两类策略[2] 线性与非线性模型结合 - 指数样本增强主要采取线性和非线性相结合的方式，由多因子模型与机器学习模型互相协作[1] - 线性策略以常见的多因子模型为主，非线性策略包括XGBoost、LightGBM等非线性映射方法[2] - 模型间相关性较低，力争有效降低整体组合的跟踪误差并获得相对稳健的超额收益[1] 神经网络学习技术应用 - 在简单神经网络学习基础上，进一步开发复杂神经网络学习，将长期规则和中短期信息相结合[3] - 通过在原有因子特征基础上做提取，再放到有监督的神经网络训练，有助于模型迅速适应市场变化[3] - XGBoost等技术可展示因子重要性，帮助识别关键因子，增强模型对市场变化的适应能力[2] 卫星策略与风险管理 - 在指数样本增强策略基础上，辅以卫星策略做进一步的风格补充，包括红利优选和大盘成长优选[4] - 红利优选策略在小市值、低估值、高盈利等方面有较强风格暴露，大盘成长优选策略侧重大市值、高成长[4] - 同步开发财务风险管理策略，力争避免风险事件带来的意外冲击[5] 量化产品体系与发展 - 指数样本内增强策略叠加卫星策略，共同构成量化策略体系，自2019年实盘以来已逐步成熟[5] - 公司已推出银河沪深300指数增强基金、银河中证A500指数增强基金两只指增产品[5] - 拟新发行银河中证800指数增强基金，该指数结合大盘蓝筹与中盘成长风格，覆盖申万31个一级行业[5]

根据提供的量化周报内容，以下是关于报告中涉及的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：A股景气指数模型**[29] * **模型构建思路**：该模型旨在对A股市场的景气度进行高频Nowcasting（即时预测），其核心目标是Nowcasting上证指数的归母净利润同比增速[29] * **模型具体构建过程**：报告指出，该指数的构建详情可参考其前期研究报告《视角透析：A股景气度高频指数构建与观察》，但本次周报未提供具体的构建公式和详细步骤[29] 2. **模型名称：A股情绪指数模型**[34] * **模型构建思路**：该模型通过分析市场的波动率和成交额这两个最直接的情绪刻画指标，将市场状态划分为四个象限，并据此构建包含见底预警和见顶预警的综合情绪指数[34] * **模型具体构建过程**：模型首先根据波动率和成交额的变化方向将市场划分为四个象限。历史回测表明，只有“波动率上行-成交额下行”的区间表现为显著负收益，其余三个区间均为显著正收益。基于这一规律，模型构建了A股情绪指数系统，相关细节可参考报告《视角透析：A股情绪指数构建与观察》。报告未提供具体的数学公式[34] 3. **模型名称：指数增强组合模型**[46][55] * **模型构建思路**：分别为中证500和沪深300指数构建增强投资组合，旨在通过量化策略获取超越基准指数的超额收益[46][55] * **模型具体构建过程**：报告展示了两个增强组合的当前持仓明细，但未详细说明其背后的具体选股模型、因子权重配置或组合优化过程。持仓列表可视为模型输出的结果[48][56] 4. **模型名称：主题挖掘算法**[46] * **模型构建思路**：该算法用于从新闻和研报文本中自动挖掘主题投资机会[46] * **模型具体构建过程**：算法流程包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建以及主题影响力因子构建等多个维度。基于此算法，报告在当期推荐了“半导体概念”主题[46] 模型的回测效果 1. **中证500增强模型**，本周收益-0.61%，本周超额收益0.66%，2020年至今累计超额收益53.24%，最大回撤-5.73%[46] 2. **沪深300增强模型**，本周收益-1.67%，本周超额收益-0.58%（跑输基准），2020年至今累计超额收益38.04%，最大回撤-5.86%[55] 量化因子与构建方式 1. **因子体系名称：BARRA风格因子体系**[60] * **因子构建思路**：参照国际通用的BARRA风险模型，针对A股市场构建一套包含十大类风格因子的分析体系，用于解释股票收益的来源和进行组合归因[60] * **因子具体构建过程**：报告列出了十大类风格因子的名称，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）。但报告未提供每个因子的具体计算公式和构建细节[60] 因子的回测效果 *报告在本周（近一周）的因子分析中，未提供各个因子具体的IC值、IR值等定量指标，仅给出了定性的表现描述[61]：* * **风格因子表现**：残差波动率因子超额收益较高；市值因子呈现较为显著的负向超额收益；高杠杆股表现优异；市值、成长等因子表现不佳[61] * **行业因子表现**：保险、医药、有色金属等行业因子跑出较高超额收益；计算机、汽车等行业因子回撤较多[61]

量化投资策略演进 - 为适应复杂市场环境，量化团队突破传统线性分析局限，采用非线性分析方式更精准挖掘投资机遇 [1] - 量化投资仅依靠线性分析难以支撑，行业趋势正从线性向非线性过渡，需不断学习非线性分析技术紧跟市场变化 [2] - 针对指数样本增强储备线性和非线性两类策略，线性策略以多因子模型为主，非线性策略包括XGBoost、LightGBM等非线性映射方法 [2] 非线性策略技术细节 - XGBoost可展示因子重要性，通过排序帮助识别重要因子，增强模型对市场变化的适应能力，尤其在结构化行情下能抓住弹性品种机会 [2] - 在简单神经网络基础上开发复杂神经网络学习，将长期规则和中短期信息结合，在原有因子特征基础上提取再训练，有助于模型迅速适应市场变化 [3] - 简单神经网络直接用原始数据提取个股特征进行有监督学习，但原始数据噪音大难以训练收敛 [3] 复合策略体系构建 - 指数样本增强采取线性和非线性相结合方式，由多因子模型与机器学习模型协作，力争获得稳健超额收益并降低组合跟踪误差 [1] - 在指数样本增强基础上辅以卫星策略加强组合适应能力，卫星策略包括红利优选和大盘成长优选两部分 [4] - 红利优选策略在高股息率样本池中用多因子方法选股，在小市值、低估值、高盈利等方面有较强风格暴露 [4] - 大盘成长优选策略在市值较大样本池中用多因子方法选股，对大市值、高成长等特点有风格暴露 [4] - 同步开发财务风险管理策略，力争避免风险事件带来的意外冲击 [4] 产品应用与市场布局 - 量化策略体系自2019年实盘以来已逐步成熟，并具体运用于量化产品管理过程，基于不同产品特征调整卫星策略子策略配置比例以更精准刻画市场风格 [4] - 公司已推出银河沪深300指数增强基金、银河中证A500指数增强基金两只产品，拟由罗博担纲的银河中证800指数增强基金已启动发行 [4] - 中证800指数结合大盘蓝筹风格与中盘成长风格整体更为均衡，多维度覆盖A股资产，能较全面代表中国经济整体活力 [5] - 中证800指数样本全面覆盖申万31个一级行业，包含传统支柱行业及代表未来产业升级方向的新兴成长领域 [5]

量化投资策略演进 - 量化团队突破传统线性分析对历史回测的局限 采用非线性分析方式更精准地挖掘投资机遇 [1] - 投资总监助理罗博具有21年证券从业经验和15年公募基金管理经验 长期扎根于指数与量化投资领域 [1] - 量化投资从线性向非线性过渡 需要不断学习非线性分析技术以紧跟市场变化 [1] 核心量化策略框架 - 指数样本增强采取线性和非线性相结合的方式 多因子模型与机器学习模型协作力争稳健超额收益 [1] - 线性策略以多因子模型为主 非线性策略包括XGBoost、LightGBM等非线性映射方法 [1] - XGBoost可展示因子重要性 帮助识别重要因子以增强模型对市场变化的适应能力 尤其在结构化行情下能抓住弹性品种机会 [2] 神经网络学习应用 - 在简单神经网络学习基础上进行深度开发 看好复杂神经网络学习 [2] - 将长期规则和中短期信息相结合 在原有因子特征基础上提取 再放到有监督神经网络训练 有助于模型迅速适应市场变化 [2] - 通过调整可避免原始数据噪音问题 训练出收敛的神经网络 [2] 组合策略与产品布局 - 除指数样本增强策略外 还辅以卫星策略加强组合对市场的适应能力 包括红利优选和大盘成长优选两部分 [3] - 红利优选策略在小市值、低估值、高盈利等方面有较强风格暴露 大盘成长优选策略对大市值、高成长等特点有风格暴露 [3] - 同步开发财务风险管理策略 力争避免风险事件带来的意外冲击 [3] - 量化体系自2019年实盘以来逐步成熟 已推出银河沪深300指数增强基金和银河中证A500指数增强基金两只产品 [3] - 拟由罗博担纲的银河中证800指数增强基金已启动发行 以进一步丰富量化产品矩阵 [3] 中证800指数特征 - 中证800指数结合大盘蓝筹风格与中盘成长风格 整体更为均衡 [4] - 指数样本多维度覆盖A股资产 能够较为全面地代表中国经济整体活力 [4] - 指数样本全面覆盖申万31个一级行业 包含传统支柱行业和代表产业升级方向的新兴成长领域 [4]

核心观点 报告核心观点为量化ETF投顾策略在2024年表现出色，其中高景气/红利轮动策略总收益率达110.41%，鑫选ETF绝对收益策略总回报为54.04% [9][26] 同时，指数基金新发市场活跃，资金持续流入A股、跨境及商品类ETF，特别是港股通互联网等主题 [37][49][55] ETF投顾策略跟踪 鑫选ETF绝对收益策略 - 策略组合2024年初至今总回报为54.04%，较ETF等权超额11.1%，夏普比率1.55，最大回撤6.3%，波动率16.25% [9] - 最新持仓包括酒ETF（10%）、创新药ETF（15%）、银行ETF（10%）、证券ETF（10%）、有色金属ETF（5%）、化工ETF（10%）、新能源ETF（5%）、黄金股ETF（10%）、养殖ETF（5%）、证券保险ETF（5%）、红利低波ETF（5%） [10] - 具体持仓ETF代码及权重详见表格，如华泰柏瑞红利低波ETF（5%）、国泰中证畜牧养殖ETF（5%）、鹏华中证酒ETF（10%）等 [11] 全天候多资产多策略ETF风险平价策略 - 2024年初至今收益率为27.75%，最大回撤3.62%，波动率4.53%，夏普比率2.56 [13] - 策略覆盖商品（黄金ETF）、美股（标普500ETF）、国内权益（行业轮动、风格轮动、大小盘轮动）、国内债（10年国债ETF、30年国债ETF） [15] - 持仓以债券为主，上证10年期国债ETF权重43.68%，黄金ETF权重8.02%，并配置畜牧养殖、美股、港股等多元化资产 [16] “复苏”固收+组合 - 组合从2021年至今年化收益7.63%、年化波动率7.06%，夏普率1.07，采用港股高流动性ETF月度轮动结合30年长债持仓 [19] - 八月持仓中，博时上证30年期国债ETF权重59.20%，港股ETF如易方达中证香港证券投资主题ETF（3.05%）、广发中证香港创新药ETF（3.35%）等分散配置 [20] 中美核心资产组合 - 2015年初至今年化回报33.66%，较各指数等权超额收益12.11%，夏普比率1.65，最大回撤18.23%，波动率17.62% [23] - 组合纳入白酒、红利、黄金、纳指四种标的，结合RSRS择时和技术面反转策略，最新持仓为中证红利ETF [23] 高景气/红利轮动策略 - 2021年初至今年化收益25.49%，较各指数等权超额收益22.91%，夏普比率1.09，最大回撤22.91%，波动率24.2% [26] - 信号为高景气成长时调入创业板ETF和科创50ETF各50%，信号为红利时调入红利低波ETF与央企红利50ETF，最新持仓为央企红利50ETF、红利低波ETF [26] 双债LOF增强策略 - 2019年初至今年化收益6.43%，夏普比率2.48，最大回撤2.42%，波动率2.52%，通过调整债券与其他标的权重降低波动 [29] 结构化风险平价（QDII）策略 - 2024年初至今收益率28.53%，最大回撤2.38%，波动率4.68，夏普比率2.57，配置QDII权益、黄金、国内红利及债券ETF [32] 策略表现总览 - 2024年初至今，高景气红利轮动策略总收益率110.41%居首，鑫选技术面量化策略54.04%，中美核心资产组合78.85%，双债增强10.03%，结构化风险平价28.53%，全天候多资产风险平价27.75% [35] 指数基金新发市场追踪 新申报指数基金 - 本周新申报指数基金包括华宝国证商用卫星通信产业ETF、鹏华中证港股通信息技术综合ETF、易方达中证全指红利质量ETF等，覆盖卫星通信、港股通、红利质量等主题 [37] 新成立指数基金 - 本周新成立公募基金24只，募集总金额141.73亿元，其中指数基金14只，首发规模65.90亿元 [39] - 新成立基金包括德邦中证800指数增强A（募集11.73亿元）、国投瑞银上证综合指数增强A（9.71亿元）、银华创业板综合ETF联接A（8.61亿元）等 [39] 首发基金 - 下周首发指数基金24只，如国投瑞银北证50成份指数A、华宝北证50成份指数A、天弘中证细分化工产业主题ETF等，覆盖北证50、化工、港股通互联网等板块 [42] 上市基金 - 下周2只基金上市，南方恒生科技ETF（上市份额45,187.60万份）和华夏中证光伏产业ETF（上市份额29,971.30万份） [44] ETF资金流向 不同资产类别ETF资金流向 - 截至2025年11月14日，A股ETF净申赎122.0亿元，债券ETF-2.7亿元，商品ETF59.4亿元，跨境ETF102.4亿元 [49] A股ETF细分类别资金流 - A股宽基ETF净流出-31亿元，科创50、创业板指净买入居前，行业方面电力设备及新能源净流入28亿元，电子23亿元，非银16亿元，主题ETF中机器人主题净流入近16亿元 [50] - 资金净买入前5产品中，宽基如科创50ETF（25.13亿元）、500ETF（4.49亿元），行业如证券保险ETF（13.87亿元）、科创芯片ETF（10.57亿元），因子如自由现金流ETF（8.16亿元） [54] 跨境ETF资金流 - 跨境ETF本周净买入102亿元，香港市场ETF获增持91亿元，前5产品包括港股非银ETF（16.55亿元）、恒生互联ETF（10.70亿元）、恒生科技ETF天弘（9.31亿元） [55][58] 商品类ETF资金流 - 商品类ETF中黄金ETF净买入58亿元 [59] 市场表现复盘 全球大类资产表现 - A股市场万得微盘指数年初至今涨83.54%，创业板指涨49.80%，港股恒生指数涨30.82%，美股纳斯达克指数涨19.13%，大宗商品伦敦金现涨52.44% [63] 一级行业表现 - 本周消费者服务涨4.81%，纺织服装涨4.43%，医药涨3.29%，基础化工涨3.28%，计算机跌3.72%，电子跌4.44%，通信跌4.90% [64] 鑫选ETF池周涨幅TOP35 - 周涨幅前5为恒生医疗ETF（5.90%）、旅游ETF（5.86%）、恒生医药ETF（5.73%）、科创生物医药ETF（4.01%）、化工ETF（3.72%） [65]

根据提供的研报内容，以下是其中涉及的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：三维择时框架**[7][12] * **模型构建思路**：通过综合评估市场的分歧度、流动性和景气度三个维度的状态，对市场整体走势进行判断[7][12] * **模型具体构建过程**：模型监控三个核心指标：1）市场分歧度指数，反映投资者观点分歧程度；2）市场流动性指数，反映资金面状况；3）A股景气度指数2.0，反映宏观经济与企业盈利景气状况（金融与工业等分项）[7][11][12][23][24] 通过观察这三个指标的趋势（上行或下行）及其组合，形成对市场（如震荡、下跌）的判断[7][12] 2. **模型名称：ETF热点趋势策略**[27][28] * **模型构建思路**：根据ETF价格的上涨形态和市场关注度的提升，筛选出具有短期趋势的ETF构建投资组合[27] * **模型具体构建过程**：1）首先筛选出最高价与最低价同时呈现上涨形态的ETF；2）计算支撑阻力因子，该因子基于最高价与最低价近20日回归系数的相对陡峭程度；3）在支撑阻力因子的多头组中，进一步选择近5日换手率与近20日换手率比值最高的ETF，即短期关注度明显提升的品种；4）最终对选出的约10只ETF采用风险平价方法构建组合[27] 3. **模型名称：资金流共振策略**[35][36] * **模型构建思路**：结合融资融券资金和主动大单资金两类资金流在行业层面的动向，寻找两者有共振效应的行业进行推荐[35][36] * **模型具体构建过程**： * **行业融资融券资金因子**：首先计算个股层面的（融资净买入-融券净卖出），在行业内加总，然后使用Barra市值因子进行中性化处理，再计算其最近50日的均值，最后取该均值的两周环比变化率[35] * **行业主动大单资金因子**：计算行业层面的净流入数据，并采用其最近一年的成交量时间序列进行中性化处理，然后对中性化后的结果进行排序，最后取最近10日的均值[35] * **策略逻辑**：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行业（打分较高）中，剔除融资融券因子也处于头部的行业，以提高稳定性。策略通常会进一步剔除大金融板块[35] 模型的回测效果 1. **资金流共振策略**，年化超额收益13.5%[35]，信息比率(IR)1.7[35]，近期（策略上周）绝对收益1.28%[35]，超额收益（相对行业等权）0.55%[35] 量化因子与构建方式 1. **因子名称：Barra风格因子系列**[41][42] * **因子构建思路**：采用经典的Barra风险模型框架，从不同维度刻画股票的风格特征[41][42] * **因子具体构建过程**：报告中提及的Barra风格因子包括：规模(size)、贝塔(beta)、动量(momentum)、波动率(volatility)、非线性规模(nlsize)、价值(value)、流动性(liquidity)、盈利收益率(earnings_yield)、成长(growth)、杠杆(leverage)。报告未详细描述每个因子的具体计算公式，但指出其属于Barra体系[41][42] 2. **因子名称：速动比率 (quick_ratio)**[46] * **因子构建思路**：衡量企业短期偿债能力，属于流动性及质量类因子[46] * **因子具体构建过程**：$$quick\\_ratio = \\frac{速动资产}{流动负债}$$ [46] 3. **因子名称：资产负债率 (debt_asset_ratio)**[46] * **因子构建思路**：衡量企业负债水平，属于杠杆类因子[46] * **因子具体构建过程**：$$debt\\_asset\\_ratio = \\frac{总负债}{总资产}$$ [46] 报告表格中释义为“资产/负债”，但根据因子名称和常规财务定义，应为“总负债/总资产”。 4. **因子名称：产权比率 (debt_to_equity)**[46] * **因子构建思路**：反映由债权人提供的资本与股东提供的资本的相对关系，属于杠杆类因子[46] * **因子具体构建过程**：$$debt\\_to\\_equity = \\frac{total\\_liab}{book\\_value}$$ [46] 其中 total_liab 为总负债，book_value 为账面价值（股东权益） 5. **因子名称：5年盈利波动性 (earnings_variability_5y)**[46] * **因子构建思路**：衡量公司盈利的稳定性，属于盈利质量类因子[46] * **因子具体构建过程**：$$earnings\\_variability\\_5y = standard \\ deviation \\ of \\ yoy \\ eps \\ growth \\ over \\ 5y$$ [46] 计算过去5年每股收益(EPS)同比增速的标准差 6. **因子名称：单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)**[49] * **因子构建思路**：基于业绩快报和预告信息，衡量公司最新单季度净资产收益率相对于去年同期改善程度，属于盈利动量类因子[49] * **因子具体构建过程**：报告未给出具体公式，因子释义为“单季度ROE同比差值（考虑快报、预告）”[49] 7. **因子名称：单季度ROA同比差值（考虑快报、预告）(roa_q_delta_adv)**[49] * **因子构建思路**：基于业绩快报和预告信息，衡量公司最新单季度总资产收益率相对于去年同期改善程度，属于盈利动量类因子[49] * **因子具体构建过程**：报告未给出具体公式，因子释义为“单季度ROA同比差值（考虑快报、预告）”[49] 8. **因子名称：单季度每股营业收入同比增长率 (yoy_orps_q)**[49] * **因子构建思路**：衡量公司营收增长情况，属于成长类因子[49] * **因子具体构建过程**：报告未给出具体公式，因子释义为“单季度每股营业收入同比增长率”[49] 9. **因子名称：基金持股比例 (io_to_float_a_share)**[49] * **因子构建思路**：反映机构投资者对公司的关注度和认可度，属于机构关注度类因子[49] * **因子具体构建过程**：$$io\\_to\\_float\\_a\\_share = \\frac{基金总持股数}{个股流通股数}$$ [49] 根据基金年报和半年报披露持股数统计 因子的回测效果 1. **Barra风格因子系列**，最近一周收益：价值(value)因子2.36%[42]，杠杆(leverage)因子1.08%[42]，波动率(volatility)因子0.19%[42]，规模(size)因子-3.76%[42]，贝塔(beta)因子-5.52%[42]，动量(momentum)因子-3.16%[42]，流动性(liquidity)因子-2.43%[42]，盈利收益率(earnings_yield)因子-0.08%[42]，成长(growth)因子-2.86%[42]，非线性规模(nlsize)因子-2.30%[42] 2. **速动比率 (quick_ratio)因子**，近一周多头超额收益1.32%[46]，近一月多头超额收益1.17%[46] 3. **资产负债率 (debt_asset_ratio)因子**，近一周多头超额收益1.21%[46]，近一月多头超额收益1.26%[46] 4. **产权比率 (debt_to_equity)因子**，近一周多头超额收益1.11%[46]，近一月多头超额收益1.45%[46] 5. **5年盈利波动性 (earnings_variability_5y)因子**，近一周多头超额收益1.04%[46]，近一月多头超额收益1.38%[46] 6. **单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)因子**，在沪深300成分股中近一周多头超额收益23.45%[49]，在中证500成分股中近一周多头超额收益11.70%[49]，在中证800成分股中近一周多头超额收益18.31%[49]，在中证1000成分股中近一周多头超额收益16.31%[49] 7. **单季度ROA同比差值（考虑快报、预告）(roa_q_delta_adv)因子**，在沪深300成分股中近一周多头超额收益24.07%[49]，在中证500成分股中近一周多头超额收益10.44%[49]，在中证800成分股中近一周多头超额收益16.28%[49]，在中证1000成分股中近一周多头超额收益17.56%[49] 8. **单季度每股营业收入同比增长率 (yoy_orps_q)因子**，在沪深300成分股中近一周多头超额收益11.05%[49]，在中证500成分股中近一周多头超额收益8.25%[49]，在中证800成分股中近一周多头超额收益11.04%[49]，在中证1000成分股中近一周多头超额收益21.00%[49] 9. **基金持股比例 (io_to_float_a_share)因子**，在沪深300成分股中近一周多头超额收益10.96%[49]，在中证500成分股中近一周多头超额收益8.06%[49]，在中证800成分股中近一周多头超额收益10.94%[49]，在中证1000成分股中近一周多头超额收益18.78%[49]