文章核心观点 - 在市场进入整体上涨环境后，传统的反转类因子效果下降，需要引入动量风格的因子进行互补，行业轮动模型因其动量逻辑成为重要解决方案 [2] - 将行业轮动模型直接因子化，特别是提取其技术面中的行业动量部分，是将其融入传统指数增强框架的较优方式，能提供增量信息并提升组合表现 [6][53] - 行业动量因子与现有选股因子（如低波、反转、动量、低流动性、成长）的横截面相关性低，能提供额外的超额收益来源，并在上行行情中与传统因子形成互补 [6][18][53] - 在行业动量分域视角下（高动量组与中低动量组），传统选股因子的表现差异明显（如动量、反转因子在高动量组持续有效），这为行业动量因子化提供了基础，使其在综合打分时能与有效因子形成“共振” [6][24][40][53] - 实证表明，将行业动量直接作为因子加入选股模型，其表现优于仅用行业轮动模型控制行业偏离的传统方法，这在中证500指数增强模拟组合中得到了验证 [6][42][46][50][53] 拆解行业轮动模型在选股上的增量信息 - 行业轮动模型框架包含基本面、资金面和技术面三大类因子，其中基本面（财报）和资金面（资金流）信息与个股选股因子高度重合 [5] - 技术面因子，特别是基于行业动量和拥挤度的处理，是行业轮动模型能够提供的主要增量信息，因其动量色彩与个股量价因子的短期反转特征不同 [5] - 申万金工行业轮动模型在技术面上的特别处理是关键：在行业动量分域下，对高动量行业反向使用拥挤度指标（追逐高拥挤度行业），这提升了模型稳健性并符合与反转因子互补的需求 [5] 行业动量因子的表现 - 单独对行业动量部分进行因子化后，因子表现相比整体模型有所下降，月度IC均值为3.03%，ICIR为0.22，但保持了不错的单调性和收益进攻特征 [9][16][17] - 行业动量因子与主要选股因子的横截面平均相关性很低：与个股动量因子为0.058，与低波因子为0.004，与低流动性因子为-0.033，与反转因子为-0.006，与成长因子为0.028 [18][19] - 行业动量因子月度IC与其他因子的相关性分析显示，其与成长因子（0.46）和市值因子（0.40）相关性较高，与低波（0.17）、低流动性（0.09）、反转（0.05）等量价因子相关性不高，这有助于在上行行情中形成互补 [20][21] 行业动量分域视角下的因子表现 - 将股票按行业动量得分分为高动量组（前30%）和中低动量组（后70%）后，考察传统因子在不同组别的表现差异 [24][25] - **低波因子**：在高动量组和中低动量组均保持较好单调性，但近年来高动量组的低波因子表现更好，不过这种特征并不稳定；中低动量组的低波因子近年来几乎不贡献收益 [25][28][40] - **反转因子**：表现差异明显，高动量组内的反转因子持续表现更优，单调性好；而中低动量组内的反转因子长期不贡献收益，单调性差 [28][30][40] - **动量因子**：表现差异明显，高动量组内的动量因子持续表现更优，单调性稳定；中低动量组内的动量因子长期不贡献收益，单调性差，近年甚至出现持续回撤 [31][32][33][36][40] - **低流动性因子**：在行业动量分域下的表现没有明显分化，其表现与分组关系不大，且在各组单调性均不佳 [37][38][39][40] 行业动量因子的组合内表现 - 在中证500指数增强模拟组合中对比两种使用方式：1) 将行业动量作为第五个因子加入（五因子组合）；2) 仅用四个量价因子选股，并用行业动量控制行业偏离（行业控制组合） [43] - 在严格的行业中性（最大偏离2%）和个股偏离约束（最大偏离0.5%）下，直接因子化的五因子组合表现始终优于行业控制组合 [43][46] - 即使引入成长因子构成六因子模型，或调整行业偏离约束条件（如允许低动量组负向偏离2%），直接因子化的表现依然优于仅控制行业偏离的做法 [46][49][50] - 因子化优势的原因在于：行业动量因子参与选股时，易与在特定分域下有效的因子（如高动量组下的动量、反转因子）形成“共振”，从而选出有效因子暴露更高的股票组合 [51]

报告行业投资评级 未提及 报告的核心观点 - 以行业轮动模型作为强化点，对基于基本面预测的成长组合进行升级，构建申万金工成长组合2.0版本，采用非线性倾斜加权提升组合收益弹性，且收益提升未牺牲稳定性 [3][38][39] 根据相关目录分别进行总结 申万金工成长组合 申万金工成长组合的构建逻辑和历史表现 - 申万金工在成长、红利、质量等方向构建量化策略内核聚焦于预测未来基本面业绩，申万金工成长组合依托上市公司未来高业绩增速预测实现，通过分析师一致预期数据，先取全市场有分析师覆盖股票中当前一年盈利预测增速前一半股票为股票池，再于10月底剔除前三季度累计盈利增速为负样本，最后用分析师一致预期变化因子筛选50只股票 [4] - 该组合平均净利润增速中位数处于第二年全市场股票净利润增速前10% - 20%，较好实现业绩高增速预测，历史表现具鲜明成长风格特征，2019 - 2021年分别超62%、58%、42%收益，2022 - 2023年回撤，2024 - 2025年回暖 [6][9] 使用行业轮动模型进一步提升收益 - 成长风格与牛市环境常相同，具备进攻特征的行业轮动模型可提升成长组合收益弹性，申万金工行业轮动模型使用基本面、资金面和技术面因子，对拥挤度和趋同度差异化处理，强调动量 [12] - 量化习惯以全部行业指数平均值为基准，申万金工行业轮动模型多头对其有稳定超额收益，稳定性有可拓展属性，可用于改变个股权重，且只使用多头组合会损失有效信息，后续通过行业打分提升组合表现 [15][18] 非线性倾斜加权提升组合收益弹性 非线性的倾斜加权方式 - 考虑用行业轮动模型提升收益，将等权加权调整为按行业得分加权，线性倾斜加权对组合收益改变有限，采用非线性倾斜加权，即对得分靠前行业更高倾斜超配，靠后行业更高倾斜低配，拉开个股最终权重差异 [20] 组合表现提升 - 权重倾斜后组合收益有效提升，倾斜组合相比等权组合超额走势平稳，收益提升未牺牲稳定性，部分回撤在2019年，其他时间收益提升基本稳定向上 [23][25][27] 分年度表现等统计信息 - 倾斜组合在2019年以外年份收益提升，2020 - 2021年收益率超60%，2022 - 2023年回撤下降，近年来收益提升，收益弹性明显提升 [32] - 倾斜组合波动率和最大回撤与等权组合相似，年化收益率提升，波动率略升，最大回撤下降，夏普比和卡玛比率明显提升 [33] - 权重倾斜后个股最大权重升至4%，最小降至0.2%附近，上调和下调比例基本对称 [35] 小结 - 基于基本面预测的成长组合，通过行业轮动模型改进收益，采用非线性倾斜加权，权重倾斜后组合除2019年外收益增长，整体收益提升，超额稳定性不错，未放大波动 [38][39]

文章核心观点 - 传统量价因子（如低波、反转、市值、低流动性）在2026年以来集体失效，其背后逻辑偏反转，在指数快速上涨行情中产生反向作用 [1][5][6] - 行业轮动模型具有强动量特征，其稳健的超额收益特性恰好符合选股因子的需求，为解决量价因子失效问题提供了场景，可将其改造为选股因子加入多因子框架以对冲风险 [1][8][17] - 改造后的行业轮动因子表现优异，月度IC达5.3%，ICIR达4.0，具备强进攻性和动量属性，加入传统多因子框架能有效提升超额收益并增强稳定性 [1][26][33] - 行业轮动因子与指数增强框架中严格的行业偏离约束存在冲突，最佳使用方案是在保持个股偏离约束0.5%的同时，将行业偏离约束从2%适度放松至4%或5%，可在提升超额的同时控制回撤和跟踪误差 [2][3][50] 1. 量价因子失效与行业轮动模型的引入 - 2026年1月底，中证500指增产品全部跑输指数，平均跑输3.46%，主动量化产品平均跑输1.96% [5] - 失效因子主要为流动性、反转、低波、市值等量价因子，其共同逻辑是偏反转，在指数快速上涨、热门板块连续驱动的行情中发生反向 [6] - 行业轮动模型（如申万金工模型）大量基于动量因子，其多头组合相对于全行业平均收益具有稳健的超额，但这种稳健性因基准（全行业平均）缺乏关注而缺少使用场景 [8][13] - 行业轮动模型在行业内部具有稳定的排序能力，这种特性更符合选股因子的需求，为将其因子化并引入多因子选股框架提供了基础 [17] 2. 行业轮动模型的因子化与特性 - 将行业轮动模型改造为选股因子的方法是将每只股票与其所属行业的模型得分进行拼接 [19] - 原始行业轮动因子与成长因子的月度IC相关性达0.44，经正交化处理后，因子表现单调性良好 [21] - 正交后的行业轮动因子在2017年至2026年1月期间，月均IC为5.3%，强于其他传统因子（成长因子3.75%，长期动量因子4.98%），ICIR为0.40，表现优异 [26][27] - 该因子的累计IC和多空表现良好，尤其在尾端快速上行，体现出牛市的强进攻特征和动量属性，能与偏反转的量价因子形成互补 [1][23] 3. 行业轮动因子在多因子框架中的应用与优化 - 在由成长、动量、低波、股息率构成的四因子等权模型中，加入行业轮动因子构成五因子模型，能大幅提升超额收益，并止住2024年下半年以来超额收益下滑的势头 [28][30][33] - 在无约束条件下，五因子等权组合在各年份均取得正超额收益，平均超额达10.52%，表现优于四因子等权（5.55%）及ICIR加权方式 [35][36] - 当加入指增框架常用的行业偏离约束（2%）和个股偏离约束（0.5%）后，五因子模型的超额收益出现下滑，2025年超额收益转负，表明行业轮动因子与严格的行业中性约束存在冲突 [2][37][38] - 尝试用行业轮动模型的打分来控制行业偏离排序，或将其作为卫星组合与主策略“拼盘”，效果均不及直接将因子加入选股模型并优化约束的方案 [40][42][44][47][49] 4. 使用行业轮动因子的最佳方案 - 最佳方案是保持个股偏离约束0.5%不变，适度放松行业偏离约束 [3] - 将行业偏离约束从2%放松至4%或5%时，组合的平均超额收益从6.97%分别提升至7.54%和7.73%，且各年份超额收益均转正 [50] - 放松行业约束后，超额收益的最大回撤在某些关键年份（如2024年）反而下降，例如行业偏离2%时2024年最大回撤为-5.52%，放松至4%时降至-4.56% [50] - 放松行业偏离约束对跟踪误差影响很小，从2%约束下的5.01%仅微升至5%约束下的5.25%，表明该方案能较好地兼顾收益与风险控制 [50][52]

报告行业投资评级 未提及 报告的核心观点 - 2026 年以来传统量价因子集体失效，行业轮动模型因子化有了应用场景，其具备良好因子特性，加入传统多因子框架可提升模型表现，但与指增框架行业偏离约束有冲突，保持个股偏离约束同时放松行业偏离是最佳方案 [2][60][61] 根据相关目录分别进行总结 为行业轮动模型寻找使用场景：从量价因子失效说起 - 2026 年以来中证 500 指数出现量化模型超额回撤，对标该指数的指增和主动量化产品大多跑输，主要失效因子是逻辑偏反转的量价因子，可引入行业轮动模型作为补充 [4][5][7] - 行业轮动模型强动量驱动，与传统量价因子互补，但缺乏使用场景，其多头组合表现不亮眼，稳健超额因基准未获大众认可而缺乏实际意义，可探索因子化引入多因子框架 [10][13][16] 行业轮动模型的因子化 - 将行业模型改为选股因子，把股票所属行业得分拼接，因行业多对因子 IC 影响有限，且需对因子正交处理 [22] - 原始行业轮动因子月度 IC 与成长因子相关性超 0.4，正交化处理后单调性好，累计 IC 和多空表现优异，月均 IC 达 5.3%，ICIR 为 0.40，特性优异 [23][25][30] 行业轮动因子的使用和比较分析 - 四因子和五因子模型比较：加入行业轮动因子的五因子模型战胜基础四因子模型，增强牛市进攻性和超额稳定性 [33][35][38] - 因子等权 vs ICIR 加权：ICIR 加权效果不如因子等权，加入行业轮动因子的五因子等权组合各年份表现最优 [39] - 向指增框架靠拢：增加行业和个股约束后，五因子模型收益部分年份提升但 2025 年超额转负，不过能控制部分年份最大回撤 [41][42] - 通过行业打分来约束行业偏离排序的方法：该方法表现弱于五因子直接约束模型，不是最佳方案 [44] - 多策略组合：行业轮动单因子组合表现与五因子优化约束组合走势相近，“拼盘组合”表现难占优，五因子加行业个股偏离约束仍是最优方案 [47][50][52] - 目前最佳方案：保持个股偏离 0.5%不变，放松行业偏离到 4%或 5%，能提升超额收益、降低最大回撤，对跟踪误差影响小 [53][56][57] 小结 - 行业轮动模型缺乏使用场景，其稳健性为选股因子化提供基础，行业轮动因子特性好，加入传统多因子框架可提升表现，但与指增框架行业偏离约束有冲突，选股有增量贡献，保持个股约束放松行业偏离是最佳方案 [60][61][62]

量化多资产策略的核心特征 - 强调以系统化、纪律化的量化模型作为资产配置、组合调整及风险管理的关键决策依据，提升投资的可重复性与稳定性 [2] - 区别于传统“固收+”策略，专门设置下行风险控制模块，包括硬性止损线和基于波动率管理的事前预警，可能在市场异动前启动调仓 [2] - 调仓主要基于风险控制需求，而非为博取收益进行择时，目标是确保组合运行在安全边界内 [3] 贝莱德基金量化策略的具体运作 - 权益部分采用行业轮动模型，基于价值、成长、价格动量等多个信号维度打分，并结合风险模型、交易成本，通过组合优化器形成行业配置 [2] - 债券部分采用久期、信用轮动策略，综合利率期限结构、价格动量、信用利差动量等信号，动态调整利率债与高等级信用债配比，且不做信用下沉 [2] - 行业轮动模型为中低频策略，核心是基于宏观和基本面数据筛选行业，从行业到个股采用“翻译”式策略，基本不做个股选择 [4] - 股票持仓覆盖行业分散，个股数量较多，通过高分散度摊薄风险，基金经理仅在极个别情况下进行小幅干预 [4] 策略的规模容量与收益来源 - 策略标的以大中盘股票和利率债为主，主要股债策略再平衡频率为月度，产品整体规模上限可达百亿元以上 [5] - 规模增长对收益影响微乎其微，因收益核心来源于交易策略，而非依赖静态债券收益 [5] - 利率债市场定价透明，容量达万亿元级，策略不涉及非标资产与高频交易，规避了资产稀缺和规模扩张对策略运作的压力 [5] 对2026年投资机会的展望 - 国内债市机会将集中在短端高等级信用债与利率债曲线上的相对价值和轮动交易，久期轮动策略在方向不明的市场里可能更具优势 [5] - 仍然看好2026年A股，预计未来12个月至18个月沪深300指数或有较好表现，目前沪深300指数市净率约为1.5倍，基于2025年盈利预估的市盈率约为13.6倍，估值具备吸引力 [6] - 结构性行情将延续，AI主线有望从硬件基础设施向更多应用领域扩散，消费板块在积极因素助力下或迎来修复，有色金属等板块可能呈现波动性机会 [6]

文章核心观点 - 在居民财富配置需求多元化和稳健增值的背景下，“固收+”基金正在向依托量化模型的系统化、纪律化投资方式升级换代 [1] - 量化多资产策略通过模型在资产配置、组合调整及风险管理等关键环节进行决策，旨在提升投资的可重复性与稳定性，并控制下行风险 [2][3] - 该策略的收益核心来源于交易策略而非静态债券收益，且因其投资标的（大中盘股、利率债）和月度再平衡的频率，产品规模上限可达百亿元以上，规模增长对收益影响微乎其微 [5] - 对2026年市场持乐观基调，认为债市存在结构性机会，A股估值具备吸引力，且AI、消费、有色金属等板块将呈现结构性行情 [5][6] 量化多资产策略的运作逻辑与特点 - 策略强调以系统化、纪律化的量化模型作为资产配置、组合调整及风险管理的重要决策依据，辅以少量专家解读 [2] - 以贝莱德富元金利基金为例，其权益部分采用基于价值、成长、价格动量等多信号维度的行业轮动模型，结合风险模型和交易成本进行行业配置 [2] - 债券部分采用久期、信用轮动策略，综合利率期限结构、价格动量、信用利差动量等信号，动态调整利率债与高等级信用债配比，且不做信用下沉 [2][3] - 专门设置下行风险控制模块，包括硬性止损线和基于波动率管理的事前预警，调仓主要基于风险控制需求而非择时博取收益 [3] - 基金经理每日核验模型建议，在常规情况下严格执行风控指令，目标是确保组合运行在安全边界内 [3] 策略的收益来源与规模适应性 - 收益核心来源于交易策略，而非依赖静态债券收益 [5] - 策略标的以大中盘股票和利率债为主，主要股债策略再平衡频率为月度 [5] - “固收+”产品整体规模上限可达百亿元以上，规模增长对收益的影响微乎其微 [5] - 利率债市场定价透明，容量达万亿元级，不存在资产稀缺问题；策略不涉及非标资产，且不依赖高频交易，因此规模扩张不会给策略运作带来压力 [5] 对2026年市场的投资展望 - 若没有过多“黑天鹅”事件，国内债市机会将集中在短端高等级信用债与利率债曲线上的相对价值和轮动交易，后者尤其需要借助量化模型进行多维度判断 [5] - 在方向不明的市场里，久期轮动策略可能更具优势 [5] - 仍然看好2026年的A股，预计未来12个月至18个月沪深300指数或有较好表现 [5] - 目前沪深300指数市净率约为1.5倍，基于2025年盈利预估的市盈率约为13.6倍，估值具备吸引力 [5] - 结构性行情仍将延续：AI主线有望从硬件基础设施逐步向更多应用领域扩散；消费板块在积极因素助力下或迎来修复；有色金属等板块可能呈现波动性机会 [6] 贝莱德基金量化策略的本土化实践与特色 - 作为全球资管巨头试水中国市场的缩影，其展业历程是观察外资机构本土化进程的直观参照 [4] - 其成熟的行业轮动模型经过多年打磨与跨市场验证，与美股、欧股市场的同源策略一脉相承，采用中低频（月度再平衡）量化策略 [4] - 模型核心是基于宏观和基本面数据筛选行业，而非个股博弈；选定行业后，从行业到个股采用“翻译”式策略，基本不做个股选择 [4] - 这造就了公司目前“固收+”产品的一大特色：股票持仓覆盖行业分散，个股数量较多，通过高分散度进一步摊薄风险，基金经理仅在极个别情况下进行小幅干预 [4]

核心观点 - 2026年第一季度，风格轮动模型发出配置小盘股和成长股的信号 [1][2][3] - 2026年1月，行业轮动模型推荐配置的行业集中在非银行金融、煤炭及钢铁 [1][3] - 2025年，相关轮动策略模型取得了显著的超额收益 [1] 风格轮动模型信号与表现 - **2026年第一季度信号**：大小盘轮动模型预测信号为“小盘”，价值成长轮动模型预测信号为“成长” [1][2][3] - **2025年第四季度表现**：沪深300收益率为-0.23%，中证1000收益率为0.27%，小盘风格占优，相对大盘的超额收益为0.50%，模型预测正确 [1] - **2025年全年表现**：价值成长轮动模型全年收益为37.06%，相对季度调仓的等权组合超额收益为7.01% [1] 行业轮动模型信号与表现 - **2026年1月配置观点**：单因子多策略推荐的多头行业为银行、非银行金融、煤炭及钢铁；复合因子策略推荐的多头行业为煤炭、钢铁、非银行金融、有色金属、交通运输 [1][3] - **2025年12月表现**：复合因子策略超额收益为1.18%，单因子多策略超额收益为0.81% [3] - **2025年全年表现**：行业复合因子策略绝对收益达38.10%，相对基准超额收益为11.70%；行业单因子多策略绝对收益达36.00%，相对基准超额收益为10.37% [1]

风格及行业轮动观点 - 2025年第四季度风格轮动模型发出小盘、成长配置信号 其中双驱轮动策略综合分数为-1（小盘）和-3（成长）[2][3][4] - 2025年11月行业轮动策略表现 复合因子策略超额收益为-0.58% 单因子多策略超额收益为-0.83%[4] - 2025年12月行业轮动模型推荐配置多头行业 单因子多策略推荐银行、建筑、有色金融、非银行金融、电力设备及新能源 复合因子策略推荐通信、综合金融、计算机、电力设备及新能源、电力及公用事业[2][4] 医药板块市场表现 - 2025年11月A股医药板块表现弱于大盘 SW医药生物指数下跌3.6% 同期上证综指下跌1.7% 医药板块在申万一级行业中涨跌幅排名第23位[7] - A股医药板块内部表现分化 医药商业上涨1.3% 中药下跌0.6% 化学原料药下跌0.8% 个股涨幅前三为合富中国(+143.3%)、金迪克(+58.4%)、富祥药业(+55.1%)[7] - 2025年11月港股医药板块表现与大盘基本持平 恒生医疗保健指数下跌0.1% 恒生生物科技指数上涨0.4% 同期恒生指数下跌0.2%[7] - 2025年11月美股医药板块表现强于大盘 标普医疗保健精选行业指数上涨9.1% 同期标普500指数上涨0.1% 成分股礼来(ELI LILLY)上涨25%[7][8] 其他行业报告精粹 - 固收领域观点为在数据真空期采取中久期高评级策略[11] - 海外科技领域关注Gemini 3、TPU及端侧AI应用更新 认为模型多模态升级加速端侧AI落地 TPU冲击算力格局[11] - 建材领域发布水泥出海国别研究 关注刚果（金）市场[11]

风格轮动模型信号 - Q4风格轮动模型发出小盘信号，双驱轮动策略综合分数为-1 [1][2][3] - Q4风格轮动模型发出成长信号，双驱轮动策略综合分数为-3 [1][2][4] 行业轮动模型表现与观点 - 9月复合因子策略超额收益为-0.69%，单因子多策略超额收益为-0.93% [4] - 11月单因子多策略推荐多头行业为传媒、通信、电子、非银行金融、电力设备及新能源 [4] - 11月复合因子策略推荐多头行业为通信、计算机、电力及公用事业、传媒、电力设备及新能源 [2][4]

根据研报内容，总结如下： 量化模型与构建方式 **1.模型名称：A股行业轮动模型[4]** - **模型构建思路**：模型从资金、估值、情绪、动量、超买超卖和盈利，共6个因子共同构建打分体系，用以研判行业综合评分[4][19] - **模型具体构建过程**： 1. 选取六个维度的因子：资金、估值、情绪、动量、超买超卖、盈利[19] 2. 各因子数据来源与计算： - **资金因子**：以行业主力资金净流入率作为主要数据[19] - **估值因子**：以该行业位于过去1年的估值分位作为主要数据来源[19] - **情绪因子**：以上涨成分股比例作为主要数据来源[19] - **动量因子**：以MACD指标作为主要数据来源[19] - **超买超卖因子**：以RSI指标作为重要数据来源[19] - **盈利因子**：以该行业的一致预测EPS位于过去1年的分位作为主要数据来源[19] 3. 对每个行业的各个因子进行打分，符号“+++”代表最高分，“---”代表最低分，最终加总得到行业综合评分[21] **2.模型名称：共识度选股模型[5]** - **模型构建思路**：基于动量、价格等因子，结合高频资金流走势与股票价格走势相似度进行选股[5][22] - **模型具体构建过程**： 1. 行业筛选：在申万二级行业层面筛选出过去30天的高涨行业[22] 2. 股票池构建：在涨幅排名前三的二级行业中形成股票池[22] 3. 因子计算：通过股票月度数据计算动量因子、估值因子和上涨频率，同时结合资金高频分钟数据来计算每支股票高频资金流入流出变化[22] 4. 选股标准：在股票池中，选出各个二级行业中高频资金流走势与股票价格走势相似度最高的各五只股票[22] 模型的回测效果 - **A股行业轮动模型**：本期（数据截止2025年10月23日）模型结果显示，传媒、社会服务、食品饮料等综合评分较高（分别为8分、8分、7分），房地产、建筑材料、环保等得分较低（分别为-5分、-5分、-4分）[20][21] - **共识度选股模型**：本期模型输出结果为常铝股份、金田股份、立霸股份等个股，这些股票来自高涨的申万二级行业（工业金属、家电零部件Ⅱ、能源金属），并且是各自行业中高频资金流走势与股票价格走势相似度最高的股票[5][23] 量化因子与构建方式 **1.因子名称：主力资金净流入[3][14]** - **因子构建思路**：通过统计大额成交单来识别主力资金的动向[3][14] - **因子具体构建过程**： 1. 定义主力资金交易单：将每日交易单中大于等于10万股或者金额大于等于20万元的成交金额的交易单作为主力资金流动[3][14] 2. 计算股票主力资金净流入：对符合定义的交易单进行统计，获得每日市场全部股票的主力资金净流入数据[14] 3. 计算行业因子值：将股票按照申万一级行业进行划分，汇总得到各行业的主力资金净流入额[14] 因子的回测效果 - **主力资金净流入因子（过去5日）**：通信行业净流入额最高（19.71亿元），电子行业净流出额最高（-405.66亿元）[15] - **主力资金净流入因子（过去30日）**：煤炭行业净流入额相对最高（-24.56亿元），电子行业净流出额最高（-2529.98亿元）[16]