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，识别当前市场过热或过冷的行业，提供投资参考[4] - 模型具体构建过程：未披露具体公式或计算步骤，仅提及通过每日监测行业拥挤度水平，并对比历史数据判断当前状态（如有色金属、钢铁拥挤度靠前，汽车、电子较低）[4] - 模型评价：能够动态捕捉行业资金集中度变化，但未说明是否考虑行业间相关性或宏观因子干扰 2. 模型名称：ETF溢价率Z-score模型 - 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] - 模型具体构建过程：未披露具体公式，但Z-score通常定义为： $Z = \frac{X - \mu}{\sigma}$ 其中，(X)为当前溢价率，(\mu)为滚动窗口均值，(\sigma)为滚动标准差 - 模型评价：适用于短期套利策略，但需警惕标的回调风险 --- 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：跟踪主力资金在行业或ETF中的净流动方向，反映大资金动向[4][15] - 因子具体构建过程：直接使用Wind提供的申万行业主力资金净流入额数据，按单日或3日累计计算（如非银金融近3日净流入23.66亿元）[15] - 因子评价：对短期市场情绪敏感，但易受主力资金短期调仓干扰 2. 因子名称：ETF资金流动因子 - 因子构建思路：统计各类ETF（宽基、行业主题等）的单日资金净流入/流出规模，捕捉资金偏好[7] - 因子具体构建过程：直接采用公开数据（如沪深300ETF单日净流入12.10亿元）[7] --- 模型的回测效果 1. 行业拥挤度监测模型 - 测试结果：未披露具体指标（如IR、胜率），仅展示拥挤度排名（有色金属、钢铁靠前）[4] 2. ETF溢价率Z-score模型 - 测试结果：未披露指标值，但输出建议关注的ETF产品（如碳中和50ETF、医疗创新ETF）[16] --- 因子的回测效果 1. 主力资金净流入因子 - 测试结果：未披露因子IC或分层收益，仅展示行业资金流动数据（如电子行业近3日净流出136.43亿元）[15] 2. ETF资金流动因子 - 测试结果：未披露因子有效性指标，仅统计资金流动规模（如宽基ETF单日净流入28.21亿元）[7] --- 注：报告未涉及复合模型/因子或衍生模型/因子的构建细节[4][5][7][15]