量化模型与因子总结 量化模型与构建方式 1. 模型名称：行业拥挤度监测模型[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，搭建ETF产品筛选信号模型，以识别存在潜在套利机会的标的[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。但根据名称推断，其核心步骤可能包括：计算目标ETF的溢价率（(市价 - IOPV) / IOPV），然后在设定的时间窗口（如过去N个交易日）内，计算该溢价率时间序列的均值和标准差，最后计算当前溢价率相对于该历史均值的Z-score值。公式可能为： $Z_t = \frac{Premium_t - \mu_{t-N, t-1}}{\sigma_{t-N, t-1}}$ 其中，$Z_t$为t日的Z-score值，$Premium_t$为t日的溢价率，$\mu_{t-N, t-1}$为过去N个交易日溢价率的均值，$\sigma_{t-N, t-1}$为过去N个交易日溢价率的标准差。 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的反转风险[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。 2. 因子名称：ETF溢价率[4][6] * 因子构建思路：衡量ETF交易价格与其参考净值（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[4][6]。 * 因子具体构建过程：报告未给出详细构建公式，但根据金融常识，其计算公式通常为： $溢价率 = \frac{ETF市价 - IOPV}{IOPV} \times 100\%$ 其中，IOPV（Indicative Optimized Portfolio Value）为ETF的实时参考净值[6]。 模型的回测效果 （报告中未提供相关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 （报告中未提供相关量化因子的回测效果指标数据，如因子IC值、IR、多空收益、分组收益等。）