根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. 行业轮动模型 - 模型构建思路：基于绩优基金持仓倾向的边际变化，捕捉行业轮动信号[36] - 模型具体构建过程： 1. 筛选绩优基金样本（近1年业绩前30%） 2. 计算行业超配/低配比例： $超配比例 = \frac{基金行业持仓占比 - 基准行业权重}{基准行业权重}$ 3. 生成行业轮动信号：超配行业看多，低配行业看空[36][38] - 模型评价：对机构重仓行业保持谨慎判断，偏好红利风格暴露[36] 2. 基金仓位测算模型 - 模型构建思路：通过持仓数据估算主动权益基金的风格及行业仓位[24][31] - 模型具体构建过程： 1. 筛选合格样本（成立满两季度、规模>5000万、历史仓位>60%） 2. 持股市值加权计算平均仓位： $仓位 = \frac{\sum(基金i持股市值 \times 仓位_i)}{\sum 基金i持股市值}$ 3. 按大盘/小盘、成长/价值风格分类统计[31][34] 量化因子与构建方式 1. 主力资金流因子 - 因子构建思路：跟踪特大单/大单资金流向捕捉主力动向[59] - 因子具体构建过程： 1. 划分资金类型： - 特大单：成交量≥20万股或金额≥100万元 - 大单：成交量6-20万股或金额30-100万元 2. 计算净流入额： $净流入 = 主买金额 - 主卖金额$ 3. 按行业/个股标准化[59][60] 2. ETF资金流因子 - 因子构建思路：监测ETF申赎反映的市场情绪[42][43] - 因子具体构建过程： 1. 分类统计宽基/行业/主题ETF净流入 2. 计算资金流强度： $资金流强度 = \frac{周净流入}{ETF总规模}$ 3. 结合指数表现分析背离信号[42][43] 模型的回测效果 1. 行业轮动模型 - 多头组合年化超额收益：8.5%（vs 中信一级行业等权）[38] - 最大回撤：15.3%（2024Q1）[38] - 胜率：62.1%（近3年）[38] 2. 基金仓位模型 - 仓位预测与实际净值相关性：0.82（普通股票型）[24] - 风格偏离预警准确率：76%（近1年）[31] 因子的回测效果 1. 主力资金流因子 - 行业因子IC均值：0.21（汽车/机械）[60] - 个股因子IR：1.35（20日调仓）[65] 2. ETF资金流因子 - 宽基ETF资金流与指数收益相关性：0.68（滞后1周）[42] - 行业ETF资金流ICIR：0.89（TMT板块）[43] 关键数据取值 1. 主动权益基金仓位（2025/5/16） - 普通股票型：89.44%（周环比-0.20pct）[24] - 偏股混合型：86.86%（周环比-0.39pct）[24] 2. 风格暴露（2025/5/16） - 小盘成长：49.11%（周环比+0.51pct）[31] - 大盘价值：10.93%（周环比+0.08pct）[31] 3. 行业配置变动（周环比） - 增配前3：传媒（+0.28pct）、医药（+0.26pct）、汽车（+0.21pct）[34] - 减配前3：非银金融（-0.89pct）、电子（-0.41pct）、交通运输（-0.17pct）[34]