太平洋(SH:601099) 太平洋证券·2025-12-05 22:12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，以识别行业交易过热或过冷的状态[3]。 * 模型具体构建过程：报告未详细说明该模型的具体构建过程和计算公式。 2. 模型名称：溢价率 Z-score 模型[4] * 模型构建思路：通过计算ETF溢价率的Z-score值，来识别存在潜在套利机会的ETF产品[4]。 * 模型具体构建过程：报告未详细说明该模型的具体构建过程和计算公式。通常，Z-score模型会基于ETF的IOPV溢价率历史数据，计算当前溢价率相对于其历史均值和标准差的偏离程度。一般公式可表示为： 其中， 为当前交易日的IOPV溢价率， 为溢价率在特定历史窗口期（如过去20或60个交易日）的均值， 为同期溢价率的标准差。 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：衡量特定行业交易的热度或拥挤程度，数值高低可能反映市场情绪和潜在风险[3]。 * 因子具体构建过程：报告未详细说明该因子的具体构建过程和计算公式。图表3以热力图形式展示了各行业近30个交易日的拥挤度百分比数值[9]。 2. 因子名称：主力资金净流入额[11] * 因子构建思路：追踪大额资金（主力资金）在行业或个股上的净流入或净流出情况，用以判断大资金的动向[3]。 * 因子具体构建过程：报告直接使用了Wind等数据源提供的“主力净流入额”数据，分别列出了申万一级行业指数在当日（T）、前一日（T-1）、前两日（T-2）以及近3个交易日合计的净流入额（单位：亿元）[11]。未提供其底层计算方法。 3. 因子名称：ETF资金净流入[5] * 因子构建思路：监测各类ETF产品的资金流入流出情况，反映市场资金对不同板块的偏好[5]。 * 因子具体构建过程：报告直接列出了各类ETF（宽基、行业主题、风格策略、跨境）的单日资金净流入额（单位：亿元）[5]。未提供其底层计算方法。 4. 因子名称：IOPV溢价率[6] * 因子构建思路：衡量ETF交易价格与其参考净值（IOPV）之间的偏离程度，是发现套利机会和判断市场情绪的关键指标[4][6]。 * 因子具体构建过程：报告在图表1中直接列出了各ETF的“IOPV溢价率(%)”数据[6]。其标准计算公式通常为： 模型的回测效果 （报告未提供相关量化模型的回测效果指标数据） 因子的回测效果 （报告未提供相关量化因子的回测效果指标数据，但展示了因子在特定时点的取值情况） 1. 行业拥挤度因子：报告通过热力图展示了截至2025年12月4日前一交易日，各申万一级行业的拥挤度百分比。例如，通信、国防军工行业拥挤度靠前，计算机、非银金融行业拥挤度较低，家电、机械、传媒行业拥挤度变动较大[3][9]。 2. 主力资金净流入额因子：报告列出了2025年12月4日及前两个交易日，各申万一级行业的主力资金净流入额。例如，当日主力资金流入机械、家电行业；流出电子、电力设备行业。近三个交易日主力资金减配电子、电力设备；增配家电、煤炭[3][11]。 3. ETF资金净流入因子：报告列出了2025年12月4日各类ETF的资金流动情况。例如，宽基ETF单日净流入32亿元，行业主题ETF单日净流出17.19亿元，风格策略ETF单日净流入2.66亿元，跨境ETF单日净流入15.42亿元[5]。 4. IOPV溢价率因子：报告在图表1中列出了多只ETF在2025年12月4日的IOPV溢价率具体数值，例如“中概互联网ETF”为-1.29%，“恒生红利低波ETF”为0.34%等[6]。基于此因子构建的“溢价率 Z-score 模型”用于筛选存在潜在套利机会的ETF产品，如图表5中建议关注的“汽车ETF”、“稀有金属ETF基金”等[4][13]。