量化模型与构建方式 1. 模型名称：行业拥挤度监测模型[3] * 模型构建思路：通过构建模型，对申万一级行业指数的拥挤度进行每日监测，以识别市场过热或过冷的行业[3]。 * 模型具体构建过程：报告未详细说明该模型的具体构建步骤、所使用的指标或计算公式。 2. 模型名称：ETF产品筛选信号模型（基于溢价率Z-score）[4] * 模型构建思路：根据ETF的溢价率Z-score模型搭建筛选信号，通过滚动测算来识别存在潜在套利机会的ETF标的，同时提示回调风险[4]。 * 模型具体构建过程：报告未详细说明该模型的具体构建步骤、Z-score的计算窗口期或具体的信号触发阈值。 量化因子与构建方式 1. 因子名称：行业拥挤度[3] * 因子构建思路：用于衡量申万一级行业指数的交易拥挤程度，数值高低可能反映市场情绪过热或过冷[3]。 * 因子具体构建过程：报告未详细说明该因子的具体计算方法和构成指标。 2. 因子名称：溢价率Z-score[4] * 因子构建思路：基于ETF的IOPV溢价率计算其Z-score（标准化分数），用于判断当前溢价率相对于历史水平的偏离程度，从而发现套利机会[4]。 * 因子具体构建过程：报告未给出具体的计算公式。通常，该因子构建过程可能涉及以下步骤： 1. 计算ETF的溢价率：$溢价率 = (ETF市价 - IOPV) / IOPV$ 2. 选取一定时间窗口（如过去20日或60日）的历史溢价率数据。 3. 计算该窗口期内溢价率的均值($\mu$)和标准差($\sigma$)。 4. 计算当前溢价率的Z-score：$Z = (当前溢价率 - \mu) / \sigma$ 模型的回测效果 （报告未提供任何量化模型的回测效果指标，如年化收益率、夏普比率、最大回撤、信息比率IR等。） 因子的回测效果 （报告未提供任何量化因子的回测效果指标，如IC值、IR、多空收益等。） 模型/因子的具体测试结果取值 1. 行业拥挤度监测模型 * 测试结果取值：报告以热力图形式展示了截至前一交易日（数据截止日2025/12/3）近30个交易日内，各申万一级行业的拥挤度百分比数值[9]。例如，通信、农林牧渔、国防军工的拥挤度水平靠前，而汽车、美容护理、非银金融的拥挤度水平较低[3]。石油石化、有色金属行业的拥挤度变动较大[3]。 2. ETF产品筛选信号模型 * 测试结果取值：报告列出了根据模型生成的“建议关注”的ETF产品列表，包括汽车ETF(159512.SZ)、稀有金属ETF基金(561800.SH)、红利质量ETF(159758.SZ)、半导体ETF(512480.SH)、半导体材料ETF(562590.SH)[13]。报告未展示这些标的具体的溢价率Z-score数值。 3. 主力资金净流入（辅助监测指标） * 测试结果取值： * 行业层面：报告提供了申万一级行业指数在T日（前一交易日）、T-1日、T-2日及近3个交易日合计的主力资金净流入额（单位：亿元）[11]。例如，T日主力资金流入煤炭；流出电子、计算机[3]。近三个交易日主力资金减配电力设备、计算机；增配煤炭[3]。 * ETF层面：报告分类列出了宽基、行业主题、风格策略、跨境ETF在当日的资金净流入/流出TOP3产品及其具体净流入金额（单位：亿元）[5][6]。