量化模型与构建方式 1 居民资金活跃度指标 **模型构建思路**：通过整合ETF资金流、龙虎榜成交数据和百度指数三个维度的信息，构建一个日频跟踪居民资金活跃度的综合指标，以高频监测居民资金动向[11][12][21] **模型具体构建过程**： 1. **数据预处理**： - 对三类日频原始数据（ETF资金流、龙虎榜成交额占比、百度指数）分别进行滚动1个月移动平均处理，以消除短期噪音[23] 2. **分位数计算**： - 计算每项指标的滚动半年分位数（窗口期为6个月）[23] 3. **百度指数合成**： - 将"股票开户"、"牛市"、"抄底"三个关键词的百度指数分位数等权合成，得到百度指数分项指标[23] 4. **综合指标合成**： - 将以下三个分项指标等权合成，得到最终的居民资金活跃度指标： - 个人投资者主导的ETF资金流分位数 - 龙虎榜居民资金活跃度分位数 - 百度指数合成指标分位数 - 指标取值范围为0-1，代表当前居民资金活跃度在过去半年中的分位数水平[23] **模型评价**：该指标能够较好地高频代理居民资金动向，与月频新增开户数走势一致性较强，且具备一定的市场择时能力，类似于"恐贪指数"的功能[27][28] 2 市场分化度指标 **因子构建思路**：通过计算中证800成分股的平均涨幅与中位数涨幅之间的差异，衡量市场上涨是否集中于少部分股票，以反映市场分化程度[32][35] **因子具体构建过程**： 1. **每日计算**： - 计算中证800指数所有成分股的当日涨幅 - 计算这些涨幅的算术平均值（AvgReturn）和中位数（MedReturn） 2. **差异计算**： - 计算每日分化度： $$ \text{DiffFactor}_t = \text{AvgReturn}_t - \text{MedReturn}_t $$ 3. **平滑处理**： - 对每日分化度进行滚动20日移动平均处理，得到平滑后的市场分化度指标[32][35] **因子评价**：该因子能够有效衡量市场收益分化程度，历史数据显示当分化度过大时往往对应市场短期高点，对市场行情延续性有指示作用[32][35] 模型的回测效果 1 居民资金活跃度择时策略 **策略规则**：当居民资金活跃度指标在过去10日内有达到过70%以上时空仓，否则满仓持有Wind全A指数[28] **回测结果**（2019年2月至2025年8月）： - Wind全A基准收益：75%[28] - 择时策略收益：167%[28] 2 市场分化度指标 **观察结果**：截至2025年9月1日，市场分化度指标（滚动20日均值）处于2019年以来的97.4%分位水平，表明市场收益分化度处于历史极值附近[32] 量化因子与构建方式 1 个人投资者ETF资金流因子 **因子构建思路**：通过筛选个人投资者主导的ETF，计算其每日资金流，以反映居民资金流向[12] **因子具体构建过程**： 1. **样本筛选**：每年8月底和3月底，筛选最新公布的个人持有比例≥70%的A股权益类ETF[12] 2. **资金流计算**： - 每日资金流 = ETF份额变动 × 成交量加权平均价（VWAP）[12] - 加总所有符合条件的ETF资金流，得到日频因子值[12] 2 龙虎榜居民资金活跃度因子 **因子构建思路**：通过计算东方财富拉萨营业部席位在龙虎榜上的成交占比，反映居民资金活跃度[13][17] **因子具体构建过程**： 1. **席位识别**：将东方财富在拉萨的营业部席位视为居民资金主导（如东方财富拉萨团结路第一、东环路第二等）[13][16] 2. **活跃度计算**： - 每日因子值 = 拉萨营业部龙虎榜总成交额 / 万得全A成交额[17] 3 百度指数情绪因子 **因子构建思路**：通过追踪"股票开户"、"牛市"、"抄底"三个关键词的搜索指数，衡量居民资金情绪[21] **因子具体构建过程**： 1. **数据获取**：获取三个关键词的日度百度指数数据[21] 2. **平滑处理**：对每个关键词的指数进行滚动1个月移动平均处理[22] 因子的回测效果 （注：报告中未提供单个因子的具体回测结果数据，仅提供了综合模型的效果）