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拥挤度，识别短期交易过热或过冷的行业[3] - 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），综合成交量、价格波动、资金流向等指标 2. 标准化后生成拥挤度评分，公式为： $\text{Crowding Score} = \frac{X - \mu}{\sigma}$ 其中 (X) 为原始指标值，(\mu) 为均值，(\sigma) 为标准差 3. 根据评分阈值划分拥挤等级（如军工、有色金属为高拥挤度）[3][12] - 模型评价：能够有效捕捉短期市场情绪极端变化，但对长期基本面解释力有限 2. 模型名称：ETF溢价率Z-score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[4] - 具体构建过程： 1. 计算ETF溢价率： $\text{Premium Rate} = \frac{\text{ETF市价} - \text{NAV}}{\text{NAV}}$ 2. 滚动计算过去N日（如10日）溢价率的均值和标准差，生成Z-score： $Z = \frac{\text{Premium Rate}_t - \mu_{\text{Premium}}}{\sigma_{\text{Premium}}}$ 3. 设定阈值（如|Z|>2）触发关注信号[4][13] --- 量化因子与构建方式 1. 因子名称：主力资金净流动因子 - 构建思路：跟踪申万行业主力资金净流入/流出动态，反映资金偏好[12] - 具体构建过程： 1. 按行业汇总大单资金流向数据（如单笔成交额>100万元） 2. 计算T日、T-1日、T-2日的净流入额，并滚动合成3日累计值[12] - 因子评价：对短期行业轮动有较强指示性，但易受市场噪音干扰 2. 因子名称：ETF资金流动因子 - 构建思路：监测宽基/行业/跨境ETF的资金净流入规模，捕捉市场风格变化[5][8] - 具体构建过程： 1. 按ETF类别（如宽基、行业主题）分类统计单日净流入额 2. 计算滚动3日资金流动趋势（如跨境ETF持续净流入）[5][8] --- 模型的回测效果 1. 行业拥挤度监测模型： - 高拥挤度行业（军工、有色）后续3日平均回调概率达65%[3][12] - 低拥挤度行业（商贸零售、石油石化）超额收益IR为1.2[12] 2. ETF溢价率Z-score模型： - 触发信号标的（如ESGETF）后续5日套利收益年化18.7%[4][13] --- 因子的回测效果 1. 主力资金净流动因子： - 3日净流入TOP3行业（电子、有色）后续周度胜率62%[12] - 净流出行业（医药、计算机）平均继续下跌2.3%[12] 2. ETF资金流动因子： - 宽基ETF单日净流出57.97亿元时，次日指数下跌概率70%[5][8] - 跨境ETF持续净流入期间IR达1.5[5][8] --- 注：所有公式与指标均基于研报原始数据计算[3][4][5][8][12][13]