根据研报内容，总结如下： 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：通过量化指标监测申万一级行业指数的拥挤程度，识别过热或过冷行业[4] 模型具体构建过程：未披露具体计算方法和阈值设定，仅展示结果热力图（图表3）[10] 模型评价：能有效捕捉行业交易过热风险，但对拐点预测能力未验证 2. 模型名称：溢价率Z-score模型 模型构建思路：通过ETF溢价率的标准化分数识别套利机会[5] 模型具体构建过程： - 计算ETF溢价率：$溢价率 = (市价-净值)/净值$ - 滚动计算历史溢价率的Z-score：$Z = \frac{X - \mu}{\sigma}$ - 设定阈值触发关注信号（具体阈值未披露）[13] 模型评价：对短期套利机会敏感，但需结合流动性风险考量 模型的回测效果 1. 行业拥挤度模型，监测结果显示： - 拥挤度最高行业：美容护理（99%）、纺织服饰（88%）、综合（70%）[10] - 拥挤度最低行业：电力设备（12%）[10] - 单日变动最大行业：传媒（+42%）、汽车（+85%）、交通运输（+4%）[10] 2. 溢价率Z-score模型，输出信号包含： - 国企共赢ETF（159719.SZ） - 浙商之江凤凰ETF（512190.SH） - 物联网50ETF（516260.SH）[13] 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：监测行业主力资金流向判断资金偏好[12] 因子具体构建过程： - 按申万一级行业分类汇总主力资金净流入额 - 计算3日滚动净流入：$NetFlow_{T-2→T} = \sum_{i=0}^{2} Flow_{T-i}$[11] 因子评价：对短期行业轮动有指示作用，但易受大单交易干扰 因子的回测效果 1. 主力资金因子，近3日结果显示： - 净流入TOP3：通信（+31.28亿）、计算机（+30.95亿）、房地产（+11.95亿）[11] - 净流出TOP3：汽车（-20.46亿）、交通运输（-19.31亿）、农林牧渔（-19.61亿）[11] 注：所有数据截取时点为2025/4/21[6]，主力资金数据来源于Wind[12]