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：通过监测申万一级行业指数的交易拥挤度，识别短期过热或低估的行业[4] - 具体构建过程： 1. 计算各行业指数的历史分位数（如30日滚动窗口），衡量交易活跃度与历史水平的偏离程度 2. 综合主力资金流向、换手率等指标生成拥挤度评分 3. 输出热力图展示行业拥挤度分布（如通信、电力设备拥挤度持续低位）[4][11] - 模型评价：适用于短期行业轮动策略，但对极端市场波动敏感 2. ETF溢价率Z-score模型 - 构建思路：通过滚动计算ETF溢价率的标准化分数（Z-score），筛选潜在套利机会标的[5] - 具体构建过程： 1. 计算ETF的IOPV溢价率：$\text{溢价率} = \frac{\text{市场价格} - \text{IOPV}}{\text{IOPV}} \times 100\%$ 2. 滚动计算溢价率的均值与标准差，生成Z-score：$Z = \frac{\text{当前溢价率} - \text{滚动均值}}{\text{滚动标准差}}$ 3. 设定阈值触发关注信号（如Z-score >2或<-2）[5][14] - 模型评价：需结合流动性分析，避免因低流动性导致套利失败 --- 模型的回测效果 1. 行业拥挤度监测模型 - 测试结果： - 通信、电力设备拥挤度分位数低于20%（近30日）[11] - 美容护理、纺织服饰拥挤度分位数超过80%[4] 2. ETF溢价率Z-score模型 - 测试结果： - 筛选出5只ETF建议关注（如红利ETF易方达、绿色能源ETF）[14] --- 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的主力资金流向，捕捉资金驱动效应[12] - 具体构建过程： 1. 计算单日主力净流入额：$\text{净流入} = \text{主力买入额} - \text{主力卖出额}$ 2. 滚动统计3日累计净流入（如传媒行业近3日净流入5.32亿元）[12] - 因子评价：对短期趋势有较强解释力，但需结合基本面过滤噪音 2. ETF资金流动因子 - 构建思路：跟踪ETF规模变动与资金净流入，反映市场偏好[6] - 具体构建过程： 1. 计算单日资金净流入：$\text{净流入} = \text{当日规模} - \text{前日规模} \times (1 + \text{涨跌幅})$ 2. 分类统计宽基/行业/跨境ETF资金流向（如宽基ETF单日净流入283.88亿元）[6][9] --- 因子的回测效果 1. 主力资金净流入因子 - 测试结果： - 电子、电力设备近3日主力净流出超140亿元[12] - 交通运输、社会服务单日主力净流入靠前[4] 2. ETF资金流动因子 - 测试结果： - 沪深300ETF华夏单日净流入55.62亿元[6] - 恒生科技ETF跨境单日净流入6.60亿元[6] --- （注：报告未提供模型/因子的IR或夏普比率等风险调整后收益指标）