根据提供的研报内容，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. 模型名称：行业拥挤度监测模型 - 模型构建思路：通过监测申万一级行业指数的拥挤度变化，识别行业过热或过冷状态[4][11] - 模型具体构建过程： 1. 计算行业指数的价格波动、成交量、资金流向等指标 2. 综合指标生成拥挤度评分（0%-100%），高分代表高拥挤风险 3. 每日动态监测并对比历史分位数（近30个交易日）[11] - 模型评价：有效捕捉行业短期交易过热信号，但需结合基本面验证 2. 模型名称：溢价率Z-score套利信号模型 - 模型构建思路：通过ETF溢价率的标准化分数（Z-score）识别异常交易机会[6][14] - 模型具体构建过程： 1. 计算ETF溢价率：$\text{溢价率} = \frac{\text{市价}-\text{IOPV}}{\text{IOPV}} \times 100\%$ 2. 滚动计算溢价率Z-score：$Z = \frac{\text{当前溢价率} - \text{历史均值}}{\text{历史标准差}}$ 3. 阈值触发信号（如Z>2为高溢价风险）[14] - 模型评价：需注意市场流动性对套利可行性的影响 --- 模型的回测效果 1. 行业拥挤度监测模型： - 高拥挤行业（如计算机）近期评分86%-96%[11] - 低拥挤行业（如汽车）评分41%-47%[11] 2. 溢价率Z-score模型： - 触发信号的ETF平均套利窗口期为1-3个交易日[14] --- 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：监测主力资金流向判断行业短期动能[12][13] - 因子具体构建过程： 1. 按申万行业分类汇总主力资金净流入额 2. 计算3日滚动净流入合计值[12] 3. 标准化处理：$\text{因子值} = \frac{\text{净流入额}}{\text{行业流通市值}}$ - 因子评价：对短期反转效应有较强解释力 2. 因子名称：ETF资金流因子 - 因子构建思路：跟踪ETF资金净流入捕捉市场情绪[6][9] - 因子具体构建过程： 1. 按ETF类别（宽基/行业/跨境等）分类统计日净流入 2. 计算资金流占比：$\frac{\text{净流入额}}{\text{ETF规模}}$[6] --- 因子的回测效果 1. 主力资金净流入因子： - 近3日净流入TOP1行业：农林牧渔（+1.12亿元）[12] - 净流出TOP1行业：电子（-344.09亿元）[12] 2. ETF资金流因子： - 宽基ETF单日净流入573.79亿元（沪深300ETF占主导）[6] - 跨境ETF净流入76.48亿元（恒生科技指数ETF+14.49亿元）[6] --- 注：所有公式与数据引用自原文标注的文档ID，未包含风险提示等非核心内容。