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. 行业拥挤度监测模型 - 构建思路：通过多维度指标监测申万一级行业指数的交易拥挤程度，识别过热或过冷行业[4] - 具体构建过程： 1. 选取流动性（如换手率）、资金流向、波动率等指标作为拥挤度计算基础 2. 对指标标准化后加权合成综合拥挤度分数 3. 按分数排名划分行业拥挤状态（如美容护理、商贸零售为高拥挤度，通信、房地产为低拥挤度）[4] - 模型评价：能够动态捕捉行业短期交易风险，但对极端市场环境适应性有限 2. ETF溢价率Z-score模型 - 构建思路：通过滚动计算ETF溢价率的Z-score，筛选存在套利机会的标的[5] - 具体构建过程： 1. 计算ETF溢价率：$\text{溢价率} = \frac{\text{IOPV} - \text{市价}}{\text{IOPV}} \times 100\%$ 2. 滚动窗口内计算溢价率的均值（μ）和标准差（σ） 3. 生成Z-score：$Z = \frac{\text{当前溢价率} - \mu}{\sigma}$ 4. 设定阈值触发关注信号（如Z-score >2或<-2）[5] - 模型评价：需结合流动性指标避免陷入流动性陷阱 --- 模型的回测效果 1. 行业拥挤度监测模型 - 高拥挤行业（如美容护理）近30日平均回调概率达67%[10] - 低拥挤行业（如通信）后续10日超额收益IR为0.8[10] 2. ETF溢价率Z-score模型 - 触发信号的ETF（如港股通红利低波ETF）3日套利收益年化达12.5%[13] --- 量化因子与构建方式 1. 主力资金净流入因子 - 构建思路：监测行业/ETF主力资金流向变化，捕捉短期资金驱动效应[11] - 具体构建过程： 1. 计算单日主力净流入额：$\text{净流入} = \text{大单买入} - \text{大单卖出}$ 2. 滚动3日求和生成因子值[11] - 因子评价：对短期反转策略有显著解释力 2. 行业拥挤度变动因子 - 构建思路：捕捉行业拥挤度的边际变化（如轻工制造单日拥挤度增幅显著）[4] - 具体构建过程： 1. 计算拥挤度分数的日环比变化率 2. 标准化后作为动量/反转信号[10] --- 因子的回测效果 1. 主力资金净流入因子 - 银行行业近3日净流入23.03亿元，同期超额收益1.2%[11] - 电子行业净流出4.04亿元，后续5日下跌概率达72%[11] 2. 行业拥挤度变动因子 - 拥挤度上升行业（如轻工制造）10日反转收益IR为-0.6[10] --- 注：以上内容严格基于研报中提及的模型、因子及数据[4][5][10][11][13]，未包含免责声明等无关信息。