根据研报内容，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. **主动偏股基金仓位高频估测模型** - 模型构建思路：通过带约束条件的多元回归模型，利用基金每日净值序列和基准/构建的资产序列，估算主动偏股基金的股票仓位变动趋势[62] - 模型具体构建过程： 1. 以基金净值序列为因变量，基准或构建的资产序列为自变量 2. 采用多元回归模型计算仓位最优估计 3. 通过模拟组合提升估算准确性 4. 跟踪行业配置动向（如家用电器、有色金属等增配行业）[62] - 模型评价：能够相对高频地反映机构投资者仓位变化，但存在与实际仓位的偏差风险[62] 2. **REITs指数系列模型** - 模型构建思路：构建价格指数和全收益指数，反映不同底层资产和项目类型的REITs市场表现[47] - 模型具体构建过程： 1. 采用分级靠档法保持份额稳定 2. 使用除数修正法处理非交易因素变动（如新发、扩募） 3. 细分产权类（-0.37%）和特许经营权类（+0.55%）指数[49] 4. 计算全收益指数包含分红再投资收益[49] - 模型评价：为REITs资产配置提供指数化投资工具，但需注意流动性风险[47] 量化因子与构建方式 1. **行业主题基金标签因子** - 因子构建思路：基于基金中报/年报持仓信息，定义长期行业标签（主题/轮动/均衡）[35] - 因子具体构建过程： 1. 分析近4期持仓数据 2. 划分医药（+3.54%）、国防军工（+0.87%）等9大主题类别[35] 3. 计算主题基金指数周涨跌幅 - 因子评价：能有效区分基金风格特征，但存在标签滞后性[35] 2. **ETF资金流向因子** - 因子构建思路：跟踪股票型ETF资金净流入/流出情况，识别市场热点赛道[52] - 因子具体构建过程： 1. 按宽基（大盘+30.14亿）、行业（TMT+25.6亿）等分类统计[52] 2. 计算细分赛道相对优势（如红利ETF净流入13.35亿）[58] - 因子评价：反映短期资金偏好，但需结合收益率分析（如金融科技ETF+5.01%）[58] 模型的回测效果 1. **主动偏股基金仓位模型** - 本周仓位变动：-0.48pcts[62] - 行业配置差异：家电+0.23pct vs 电子-0.18pct[65] 2. **REITs指数模型** - 综合指数周收益：+0.03%[49] - 细分指数表现：能源基础设施+0.70% vs 园区基础设施-0.68%[49] 因子的回测效果 1. **行业主题因子** - 医药主题基金周收益：+3.54%[35] - 新能源主题基金周收益：-2.24%[35] 2. **ETF资金流向因子** - 沪深300ETF净流入：+17.73亿[59] - 恒生医疗ETF净流出：-10.06亿[60] 注：所有测试结果均截至2025年5月30日[1][2][3]