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[36] * 模型构建思路：通过量化方法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，为投资决策提供参考[36]。 * 模型具体构建过程：报告未详细披露该模型的具体构建公式和计算步骤，仅提及了其功能和应用结果。模型每日输出各行业的拥挤度水平，并识别出拥挤度较高（如通信、石油石化）和较低（如计算机、纺服）的行业[36]。此外，模型还能监测行业拥挤度的周度变动情况，例如指出有色、医药、机械行业本周拥挤度变动较大[36]。 2. 模型名称：ETF产品关注信号模型（基于溢价率Z-score）[43] * 模型构建思路：根据ETF的溢价率Z-score模型搭建筛选信号，通过滚动测算识别存在潜在套利机会的ETF标的，同时提示标的回调风险[43]。 * 模型具体构建过程：报告未给出该模型具体的Z-score计算公式和滚动窗口设定。模型的核心是基于溢价率指标进行标准化（Z-score）处理，并设定阈值来生成“建议关注”等交易信号[43]。模型最终输出一个包含基金代码、名称、跟踪指数等信息的ETF产品列表[44]。 模型的回测效果 （报告未提供相关量化模型的回测绩效指标，如年化收益率、夏普比率、最大回撤等。） 量化因子与构建方式 1. 因子名称：行业拥挤度[36] * 因子构建思路：衡量特定行业交易过热或过冷程度的指标，用于监测市场情绪和资金集中度[36]。 * 因子具体构建过程：报告未披露该因子的具体计算方法和构成维度（如可能包含成交量、价格动量、分析师情绪等子因子）。因子每日更新，结果以热力图形式展示近30个交易日的行业拥挤度情况[38]。 2. 因子名称：溢价率Z-score[43] * 因子构建思路：将ETF的溢价率进行标准化处理，以衡量当前溢价率相对于其历史水平的偏离程度，用于发现统计意义上的异常值（套利机会）[43]。 * 因子具体构建过程：报告未给出具体的计算公式。通常，Z-score的计算公式为： $Z = \frac{X - \mu}{\sigma}$ 其中，$X$代表当前溢价率，$\mu$代表滚动窗口内的历史溢价率均值，$\sigma$代表滚动窗口内的历史溢价率标准差。模型利用此标准化值生成交易信号[43]。 因子的回测效果 （报告未提供相关量化因子（如行业拥挤度、溢价率Z-score）的因子测试结果，如IC值、IR、多空收益等。）