量化模型与构建方式 1. **模型名称：基于ETF资金流向的行业轮动策略** **模型构建思路：** 从短期资金流入流出、风格调整后的持仓程度及边际变化、以及与主动权益基金的持仓分歧度三个角度，综合构建行业配置模型[35]。 **模型具体构建过程：** * **步骤1：构建四个核心因子** * **因子A：短期资金流入流出**。周频计算各行业ETF持仓规模的一阶差分，差分值越大代表资金流入越明显[40]。 * **因子B：风格调整后持仓程度**。首先使用单边HP滤波器和因子动量模型判断当前市场是**大盘风格占优**还是**小盘风格占优**[48][50]。当大盘风格占优时，持有ETF截面持仓程度（行业持仓规模/行业总市值）最高的行业组合；当小盘风格占优时，持有持仓程度最低的行业组合[47][56]。 * **因子C：风格调整后持仓边际变化**。同样基于风格判断模型，判断当前是**成长风格占优**还是**价值风格占优**[48][50]。当成长风格占优时，持有ETF持仓边际变化（月度截面持仓差分）最大的行业组合（加仓）；当价值风格占优时，持有持仓边际变化最小的行业组合（减仓）[47][56]。 * **因子D：与权益基金的持仓分歧度**。计算股票ETF持仓规模占比与主动权益基金持仓规模占比的差值[27]。同时，对比股票ETF与主动权益基金的月度新发份额环比，定义“新发热度” = 股票ETF新发份额环比 - 主动权益新发份额环比[62]。当股票ETF新发热度更高时，选择ETF持仓相对主动权益**高配**（分歧度为正）的行业；反之，选择主动权益持仓相对ETF**高配**（分歧度为负）的行业[62][65]。 * **步骤2：因子合成与组合构建**。将上述四个因子等权合并，每月优选综合排名前6的行业，进行等权配置，每两周换仓一次[72]。 模型的回测效果 1. **基于ETF资金流向的行业轮动策略**，回测区间（2019年10月8日至2026年1月30日）： * 绝对年化收益：**15.57%**[71] * 年化波动率：**20.75%**[71] * 夏普比率：**0.75**[71] * 最大回撤：**-24.75%**[71] * 超额年化收益（相对行业等权）：**7.56%**[71] * 跟踪误差：**8.13%**[71] * 信息比率（IR）：**0.93**[71] * 相对最大回撤：**-8.30%**[71] * 超额月度胜率：**64%**[3] * 超额月度赔率：**1.38倍**[3] 量化因子与构建方式 1. **因子名称：短期资金流入流出因子** **因子构建思路：** 捕捉ETF资金短期（周频）流入流出对行业收益的驱动效应[44]。 **因子具体构建过程：** 周频计算每个中信一级行业被所有股票ETF持有的总规模。对每个行业，计算其周度持仓规模的一阶差分 $$Flow_{i,t} = Holding_{i,t} - Holding_{i,t-1}$$，其中 $$Holding_{i,t}$$ 代表行业 $$i$$ 在 $$t$$ 周末的ETF持仓总规模。$$Flow_{i,t}$$ 值越大，表示该行业在当周资金流入越显著[37][40]。 **因子评价：** 资金流入的行业在短期内具有明显的收益优势，且2021年后ETF规模快速上升，该因子的驱动效用显著提升[44]。 2. **因子名称：风格调整后持仓程度因子** **因子构建思路：** 根据市场市值风格（大小盘）的强弱，动态选择ETF持仓程度高或低的行业组合[47]。 **因子具体构建过程：** * **基础指标计算：** 月频计算行业截面持仓程度，即行业被ETF持仓的规模除以行业总市值[20]。 * **风格判断模型：** 使用**单边HP滤波器**对风格指数比值（如沪深300/中证1000）进行降噪处理，消除短期波动[50]。然后计算**因子动量**来划分风格阶段，因子动量定义为当期滤波后数值与过去两期均值之差：$$Momentum_t = Factor_t - (Factor_{t-1} + Factor_{t-2})/2$$。当 $$Momentum_t > 0$$ 时，判定为对应风格（如大盘风格）上行/占优；反之则判定为下行/占优[49][50]。 * **因子生成：** 当模型判定为大盘风格占优时，该因子取值为行业截面持仓程度的排名（持仓越高，因子值越大）；当判定为小盘风格占优时，则取持仓程度的倒序排名（持仓越低，因子值越大）[56]。 3. **因子名称：风格调整后持仓边际变化因子** **因子构建思路：** 根据市场成长价值风格的强弱，动态选择ETF加仓或减仓的行业组合[47]。 **因子具体构建过程：** * **基础指标计算：** 月频计算行业持仓边际变化，即当月截面持仓程度与上月截面持仓程度的差值[20]。 * **风格判断模型：** 与因子2类似，使用单边HP滤波器和因子动量模型判断成长/价值风格的强弱（例如使用国证成长/国证价值指数）[50]。 * **因子生成：** 当模型判定为成长风格占优时，该因子取值为行业持仓边际变化的排名（加仓越多，因子值越大）；当判定为价值风格占优时，则取持仓边际变化的倒序排名（减仓越多，因子值越大）[56]。 4. **因子名称：与权益基金的持仓分歧度因子** **因子构建思路：** 将主动权益基金的持仓作为增量信息，利用股票ETF与主动权益基金在行业配置上的分歧以及两者资金流入的热度对比来挖掘机会[60][65]。 **因子具体构建过程：** * **分歧度计算：** 月频计算每个行业的持仓分歧度，即股票ETF持仓规模占比减去主动权益基金持仓规模占比[27]。主动权益基金持仓在季报公布月使用真实重仓数据，在非季报月使用收益回归法模拟估算[28]。 * **热度对比：** 计算股票ETF与主动权益基金的月度新发份额环比差值，得到“新发热度”[62]。 * **因子生成：** 当股票ETF新发热度高于主动权益基金时，该因子取值为行业持仓分歧度的排名（ETF相对持仓越高，因子值越大）；反之，则取持仓分歧度的倒序排名（主动权益相对持仓越高，因子值越大）[62][65]。 因子的回测效果 1. **短期资金流入流出因子**（第5组 vs. 行业等权，全时期）： * 超额年化收益：**2.72%** (计算：6.17% - 3.45%)[42] * 年化波动率：**21.22%**[42] * 夏普比率：**0.29**[42] * 最大回撤：**-37.61%**[42] * *注：表格中第5组（资金流入最多）的绝对年化收益为6.17%，行业等权基准为3.45%*[42]。 2. **风格调整后持仓程度因子**（基础策略，2017年1月9日至2026年1月30日）： * 绝对年化收益：**9.66%**[55] * 年化波动率：**20.29%**[55] * 夏普比率：**0.48**[55] * 最大回撤：**-29.11%**[55] * 超额年化收益（相对行业等权）：**5.82%**[55] * 跟踪误差：**7.76%**[55] * 信息比率（IR）：**0.75**[55] * 相对最大回撤：**-12.33%**[55] 3. **与权益基金的持仓分歧度因子**（基础策略，2019年10月8日至2026年1月30日）： * 绝对年化收益：**14.01%**[64] * 年化波动率：**20.46%**[64] * 夏普比率：**0.68**[64] * 最大回撤：**-28.80%**[64] * 超额年化收益（相对行业等权）：**6.11%**[64] * 跟踪误差：**8.00%**[64] * 信息比率（IR）：**0.76**[64] * 相对最大回撤：**-15.55%**[64]