根据研报内容，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 - 模型构建思路：通过监测申万一级行业指数的拥挤度，识别行业过热或过冷状态[4] - 模型具体构建过程： 1. 计算行业指数的滚动历史分位数（如30日窗口） 2. 结合主力资金流动数据（净流入/流出）辅助判断 3. 输出拥挤度排名及变动方向（如医药、钢铁、建材拥挤度靠前，汽车、家电较低）[4][14] - 模型评价：能够动态捕捉行业资金博弈状态，但对极端市场事件的适应性未明确说明 2. 模型名称：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： 1. 计算标的ETF的溢价率：$\text{溢价率} = \frac{\text{ETF市价} - \text{净值}}{\text{净值}} \times 100\%$ 2. 滚动计算溢价率的均值（μ）和标准差（σ） 3. 标准化为Z-score：$Z = \frac{\text{当前溢价率} - μ}{σ}$ 4. 设定阈值触发关注信号（如Z-score超过±2）[5][15] - 模型评价：依赖历史统计规律，需警惕市场流动性不足导致的模型失效 --- 模型的回测效果 1. 行业拥挤度监测模型： - 拥挤度高位行业：医药、钢铁、建材（具体数值未披露）[4] - 拥挤度低位行业：汽车、家电（具体数值未披露）[4] - 主力资金流向验证：计算机、电子、电力设备持续流出，银行增配[14] 2. 溢价率 Z-score 模型： - 触发关注信号标的：智能消费ETF（515920）、生物科技ETF（516500）等[15] - 未披露IR或胜率等指标 --- 量化因子与构建方式 1. 因子名称：主力资金净流动因子 - 因子构建思路：通过主力资金净流入/流出金额衡量行业或ETF的资金动向[4][14] - 因子具体构建过程： 1. 按日统计申万行业或ETF的主力资金净额（买入-卖出） 2. 滚动计算3日/5日累计净流动（如近3日银行净流入10.96亿元）[14] - 因子评价：高频数据敏感性高，但易受短期噪音干扰 --- 因子的回测效果 1. 主力资金净流动因子： - 近3日净流入TOP1行业：银行（+10.96亿元）[14] - 近3日净流出TOP1行业：计算机（-188.00亿元）[14] --- 注：报告中未涉及复合模型或衍生因子，测试结果的指标口径（如年化收益率、IR）未明确披露[4][5][14][15]