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：通过构建一个量化模型，对申万一级行业指数的拥挤度进行每日监测，以识别市场热度较高或较低的行业[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、所使用的子因子或计算公式。 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或回调风险的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步骤和计算公式。通常，此类模型会计算ETF的IOPV溢价率相对于其历史均值和标准差的标准化分数（Z-score）。一个可能的构建过程是： 1. 计算ETF在交易日t的IOPV溢价率：$溢价率_t = (ETF市价_t / IOPV_t - 1) * 100\%$ 2. 选取过去N个交易日（如60日或120日）的溢价率序列，计算其滚动均值($\mu_t$)和滚动标准差($\sigma_t$)。 3. 计算交易日t的溢价率Z-score值：$Z_t = (溢价率_t - \mu_t) / \sigma_t$ 4. 根据Z-score的阈值（如Z > 2 或 Z < -2）生成交易信号[4]。 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：综合多个维度指标，衡量某一行业交易过热或过冷的程度[3]。 * 因子具体构建过程：报告未详细说明该因子的具体构成、各维度指标及其合成方法。 2. 因子名称：主力资金净流入额[3][10] * 因子构建思路：衡量大额资金（主力资金）在特定时间段内对某一行业指数的净买入或净卖出金额，反映大资金的动向[3]。 * 因子具体构建过程：报告直接使用了“主力净流入额”这一数据，未说明其具体计算方式。通常，该数据来源于行情软件，通过统计大单、中单、小单的成交额差值得出。 3. 因子名称：ETF IOPV溢价率[6][12] * 因子构建思路：衡量ETF交易价格相对于其实时估算净值(IOPV)的偏离程度，是判断ETF是否存在折溢价套利机会的基础指标[6][12]。 * 因子具体构建过程：报告直接列出了“IOPV溢价率(%)”数据。其计算公式通常为：$溢价率 = (ETF市价 / IOPV - 1) * 100\%$ 模型的回测效果 （报告中未提供任何量化模型的回测效果指标数据，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 （报告中未提供任何量化因子的回测效果指标数据，如IC值、IR、多空收益等。报告仅展示了因子在特定时点的截面取值或排名情况。） 1. 行业拥挤度因子截面取值（前一交易日）[3] * 拥挤度水平靠前的行业：通信、军工、建材[3]。 * 拥挤度水平较低的行业：计算机、汽车[3]。 * 拥挤度变动较大的行业：银行、化工、建材[3]。 2. 主力资金净流入额因子截面取值（前一交易日）[3] * 主力资金流入的行业：军工、商贸零售、食饮[3]。 * 主力资金流出的行业：有色、电子[3]。 3. 主力资金净流入额因子截面取值（近三个交易日）[3][10] * 主力资金增配的行业：银行、钢铁[3]。 * 主力资金减配的行业：电子、通信[3]。 * 具体数值见图表4（对应文档10中的表格数据）[10]。 4. ETF IOPV溢价率因子截面取值（数据截止日）[6][12] * 具体ETF的溢价率数值见图表1（对应文档6中的表格数据）[6]。 * 根据溢价率Z-score模型筛选出的“建议关注”ETF产品列表见图表5（对应文档12中的表格数据）[12]。