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 - 构建思路：通过监测申万一级行业指数的交易拥挤程度，识别短期过热或低估的行业[4] - 具体构建过程： 1. 计算行业指数的滚动历史分位数（如30日窗口），衡量交易活跃度与历史水平的偏离 2. 结合主力资金净流入数据，验证拥挤度的持续性 3. 输出每日行业拥挤度热力图，标注高拥挤（如纺织服饰、美容护理）与低拥挤行业（如传媒、电子）[4][12] - 模型评价：能够有效捕捉短期市场情绪极端值，但需结合资金流向数据避免误判 2. 模型名称：溢价率Z-score模型（ETF套利信号） - 构建思路：通过ETF溢价率的标准化分数筛选潜在套利机会[5] - 具体构建过程： 1. 计算ETF的IOPV（参考净值）溢价率： $溢价率 = \frac{ETF市价 - IOPV}{IOPV} \times 100\%$ 2. 滚动计算溢价率的Z-score： $Z = \frac{当前溢价率 - 滚动均值}{滚动标准差}$ 3. 设定阈值（如Z>2）触发关注信号[5][16] - 模型评价：需警惕市场流动性不足导致的套利风险 --- 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日拥挤度达99%[12] - 低拥挤行业（如传媒）拥挤度仅17%[12] 2. 溢价率Z-score模型： - 触发信号的ETF包括储能电池50ETF（159305.SZ）、工业母机ETF（159667.SZ）等[16] --- 量化因子与构建方式 1. 因子名称：主力资金净流入因子 - 构建思路：监测主力资金对行业的短期配置方向[4][15] - 具体构建过程： 1. 统计申万一级行业指数的单日及多日主力资金净流入额 2. 计算滚动窗口（如3日）的净流入合计值 3. 结合行业拥挤度判断资金背离或共振[15] - 因子评价：对短期行业轮动有较强解释力 2. 因子名称：ETF资金流动因子 - 构建思路：跟踪宽基/行业/跨境ETF的资金动向[6][7] - 具体构建过程： 1. 按ETF类别（宽基、行业主题等）分类统计日净流入TOP3 2. 计算资金流动的持续性（如科创50ETF连续净流入）[6] --- 因子的回测效果 1. 主力资金净流入因子： - 近3日主力资金增配煤炭（+4.28亿元）、美容护理（+2.63亿元）[15] - 减配计算机（-129.02亿元）、电子（-97.32亿元）[15] 2. ETF资金流动因子： - 宽基ETF单日净流出26.91亿元（上证50ETF净流出4.86亿元）[6] - 跨境ETF单日净流入4.88亿元（恒生科技ETF净流入2.97亿元）[6] --- 注：所有数据引用自研报中的具体图表及描述[4][5][6][12][15][16]