量化模型与构建方式 1. 模型名称：行业拥挤度监测模型 - 模型构建思路：通过构建行业拥挤度监测模型，对申万一级行业指数的拥挤度进行每日监测，识别出拥挤度较高或较低的行业[3] - 模型具体构建过程：模型通过分析行业指数的资金流动、主力资金净流入等数据，计算每个行业的拥挤度水平，具体公式未在报告中给出[3] - 模型评价：该模型能够有效识别行业拥挤度变化，为投资者提供行业配置建议[3] 2. 模型名称：溢价率 Z-score 模型 - 模型构建思路：通过滚动测算 ETF 产品的溢价率 Z-score，筛选出存在潜在套利机会的标的[4] - 模型具体构建过程：模型计算 ETF 产品的溢价率 Z-score，公式为： $Z = \frac{X - \mu}{\sigma}$ 其中，(X) 为当前溢价率，(\mu) 为历史溢价率均值，(\sigma) 为历史溢价率标准差[4] - 模型评价：该模型能够有效识别 ETF 产品的溢价率异常，为套利交易提供信号[4] 量化因子与构建方式 1. 因子名称：主力资金净流入因子 - 因子构建思路：通过计算申万一级行业指数的主力资金净流入额，衡量行业资金流向[12] - 因子具体构建过程：因子通过统计每个行业的主力资金净流入额，具体公式未在报告中给出[12] - 因子评价：该因子能够反映行业资金流向变化，为行业配置提供参考[12] 模型的回测效果 1. 行业拥挤度监测模型 - 拥挤度较高行业：美容护理、环保、纺织服饰[3] - 拥挤度较低行业：房地产、银行、建筑装饰[3] 2. 溢价率 Z-score 模型 - 建议关注 ETF：科创创业50ETF基金、新材料ETF基金、卫星ETF、电池ETF、游戏ETF[13] 因子的回测效果 1. 主力资金净流入因子 - 主力资金净流入较高行业：电子、非银金融、汽车[12] - 主力资金净流出较高行业：计算机、国防军工、非银金融[12]