量化模型与构建方式 1. **模型名称**：CCBA定价偏离度择时模型 - **模型构建思路**：通过CCBA定价偏离度指标（转债价格/CCBA模型定价-1）衡量转债期权估值水平，用于转债市场择时[8] - **模型具体构建过程**： 1. 双周调仓，标的为偏债、平衡、偏股转债等权指数及10年国债 2. 计算定价偏离度过去3年Z值（均值取0），按0-1.5倍标准差截尾后除以1.5得到分数 3. 转债权重=100%-分数，估值越高仓位越低[12] - **模型评价**：对偏股转债择时效果显著，夏普率从0.46提升至0.87；偏债/平衡转债择时性价比低[13] 2. **模型名称**：转债多因子策略（含偏股择时） - **模型构建思路**：结合选债因子与偏股转债择时，平衡/偏债转债使用低估+正股动量因子，偏股转债使用低估因子[18] - **模型具体构建过程**： 1. 选债部分：各分域选min(30,转债数量/3)只，平衡/偏债用低估+动量，偏股用低估 2. 择时部分：偏股转债基于CCBA定价偏离度动态调仓，剩余仓位配国债[18] - **模型评价**：年化收益15.6%，最大回撤13.9%，2022年下跌环境中仍获正收益[19] 模型的回测效果 1. **CCBA择时模型**： - 偏股择时：年化收益16.3%，夏普率0.87，卡玛比率0.74[17] - 平衡择时：年化收益10.3%，夏普率0.83[17] 2. **转债多因子策略**：年化收益15.6%，年化波动11.4%，超额收益9.9%[24] --- 量化因子与构建方式 1. **因子名称**：CCB_out定价偏离度因子 - **因子构建思路**：通过CCB_out模型（含退市风险调整）计算转债低估程度[32] - **因子具体构建过程**： $$定价偏离度=\frac{转债价格}{CCB\_out模型定价}-1$$ 在偏债/平衡/偏股分域中分别选取偏离度最低的15只转债[32] 2. **因子名称**：低估值+强动量复合因子 - **因子构建思路**：结合定价偏离度与正股动量（1/3/6个月动量等权打分）[35] - **因子具体构建过程**： 1. 先筛选低估50%转债池 2. 在池内按动量因子排序选券[35] 3. **因子名称**：低估值+高换手复合因子 - **因子构建思路**：在低估转债池中筛选成交活跃券[40] - **因子具体构建过程**： 使用转债5日/21日换手率及转债/股票换手率比率综合排序[42] 4. **因子名称**：信用债替代筛选因子 - **因子构建思路**：筛选YTM+1%>3年期AA级信用债YTM的转债[48] - **因子具体构建过程**： 1. 满足余额>3亿且评级≥AA- 2. 选取正股1个月动量前20只[48] 因子的回测效果 1. **低估值因子**：年化收益21.7%，IR 2.11，最大回撤15.6%[35] 2. **低估值+强动量因子**：年化收益24.5%，IR 2.39[40] 3. **低估值+高换手因子**：年化收益23.4%，IR 2.15[44] 4. **信用债替代因子**：年化收益7.3%，波动率2.1%[51] --- 策略分组指标取值 | 策略名称 | 年化收益 | 年化波动 | 最大回撤 | 夏普率 | IR | |------------------------|----------|----------|----------|--------|--------| | 偏股择时策略 | 16.3% | 16.4% | 22.1% | 0.87 | - | [17] | 低估值策略 | 21.7% | 13.6% | 15.6% | - | 2.11 | [35] | 低估值+强动量策略 | 24.5% | 14.4% | 11.9% | - | 2.39 | [40] | 信用债替代策略 | 7.3% | 2.1% | 2.8% | - | - | [51]

根据提供的研报内容，以下是量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：大小盘风格因子** - 因子构建思路：用于衡量市场中小盘股相对于大盘股的表现[13] - 因子具体构建过程：通过计算小盘股指数与大盘股指数的相对收益率差异来确定风格偏向 - 因子评价：上周风格偏向小盘，显示小盘股表现强势[13] 2. **因子名称：价值成长风格因子** - 因子构建思路：用于衡量市场中成长股相对于价值股的表现[13] - 因子具体构建过程：通过计算成长股指数与价值股指数的相对收益率差异来确定风格偏向 - 因子评价：上周风格偏向成长，显示成长股表现强势[13] 3. **因子名称：大小盘风格波动因子** - 因子构建思路：用于衡量大小盘风格波动的变化[13] - 因子具体构建过程：通过计算大小盘风格因子的滚动标准差来度量波动水平 - 因子评价：上周大小盘风格波动下降至低位，显示风格较为稳定[13] 4. **因子名称：价值成长风格波动因子** - 因子构建思路：用于衡量价值成长风格波动的变化[13] - 因子具体构建过程：通过计算价值成长风格因子的滚动标准差来度量波动水平 - 因子评价：上周价值成长风格波动下降至低位，显示风格较为稳定[13] 5. **因子名称：行业指数超额收益离散度因子** - 因子构建思路：用于衡量行业间超额收益的离散程度[13] - 因子具体构建过程：通过计算各行业指数超额收益的标准差来度量离散度 - 因子评价：上周行业收益离散度下降，显示行业间收益差异缩小[13] 6. **因子名称：行业轮动度量因子** - 因子构建思路：用于衡量行业轮动的速度[13] - 因子具体构建过程：通过计算行业指数收益率的滚动相关性变化来度量轮动速度 - 因子评价：上周行业轮动速度上升，显示行业切换加快[13] 7. **因子名称：成分股上涨比例因子** - 因子构建思路：用于衡量市场中上涨股票的比例[13] - 因子具体构建过程：通过计算成分股中上涨股票的数量占总成分股数量的比例 - 因子评价：上周成分股上涨比例先升后降，显示市场情绪波动[13] 8. **因子名称：前100个股成交额占比因子** - 因子构建思路：用于衡量市场交易集中度[13] - 因子具体构建过程：通过计算前100只个股成交额占市场总成交额的比例 - 因子评价：上周个股成交集中度维持在低位，显示行业热点分散[13] 9. **因子名称：前5行业成交额占比因子** - 因子构建思路：用于衡量行业交易集中度[13] - 因子具体构建过程：通过计算前5个行业成交额占市场总成交额的比例 - 因子评价：上周行业成交集中度维持在低位，显示行业热点分散[13] 10. **因子名称：指数波动率因子** - 因子构建思路：用于衡量市场波动率水平[13] - 因子具体构建过程：通过计算指数收益率的滚动标准差来度量波动率 - 因子评价：上周市场波动率快速下降，显示市场情绪趋于稳定[13] 11. **因子名称：指数换手率因子** - 因子构建思路：用于衡量市场交易活跃度[13] - 因子具体构建过程：通过计算市场总成交额与流通市值的比例来度量换手率 - 因子评价：上周市场换手率下降，显示交易活跃度降低[13] 12. **因子名称：商品期货趋势强度因子** - 因子构建思路：用于衡量商品期货市场的趋势性[28] - 因子具体构建过程：通过计算商品指数价格的滚动收益率来度量趋势强度 - 因子评价：上周能化、黑色板块趋势性较强，有色、农产品、贵金属板块趋势性较弱[28] 13. **因子名称：商品期货成交活跃度因子** - 因子构建思路：用于衡量商品期货市场的波动率水平[28] - 因子具体构建过程：通过计算商品指数收益率的滚动标准差来度量波动率 - 因子评价：上周各商品指数波动率从高位快速下降，显示市场波动减小[28] 14. **因子名称：商品期货市场流动性因子** - 因子构建思路：用于衡量商品期货市场的流动性[28] - 因子具体构建过程：通过计算商品期货合约的成交量与持仓量的比例来度量流动性 - 因子评价：上周各板块的流动性表现分化，显示资金流向不均[28] 15. **因子名称：商品期货期限结构因子** - 因子构建思路：用于衡量商品期货市场的基差动量[28] - 因子具体构建过程：通过计算近月合约与远月合约的价格差异来度量基差动量 - 因子评价：上周有色、农产品板块基差动量较强，显示市场预期分化[28] 16. **因子名称：期权隐波差值及偏度因子** - 因子构建思路：用于衡量期权市场的隐含波动率水平和偏度[33] - 因子具体构建过程：通过计算不同行权价期权的隐含波动率差异来度量隐波差值和偏度 - 因子评价：上周上证50与中证1000隐波明显回落，显示节前博弈资金离场[33] 17. **因子名称：可转债百元转股溢价率因子** - 因子构建思路：用于衡量可转债市场的估值水平[35] - 因子具体构建过程：通过计算可转债价格与转股价值的差异来度量溢价率 - 因子评价：上周转债市场百元转股溢价率出现小幅调整，估值处于中部略高水平[35] 18. **因子名称：低转股溢价率转债占比因子** - 因子构建思路：用于衡量可转债市场中低溢价率转债的比例[35] - 因子具体构建过程：通过计算低溢价率转债数量占总转债数量的比例 - 因子评价：上周低转股溢价率的转债占比短期持续上升，显示市场偏好变化[35] 19. **因子名称：可转债市场成交额因子** - 因子构建思路：用于衡量可转债市场的交易活跃度[35] - 因子具体构建过程：通过计算可转债市场总成交额来度量活跃度 - 因子评价：上周可转债市场成交额保持平稳，显示交易活跃度稳定[35] 因子的回测效果 1. **大小盘风格因子**，风格偏向小盘[13] 2. **价值成长风格因子**，风格偏向成长[13] 3. **大小盘风格波动因子**，波动下降至低位[13] 4. **价值成长风格波动因子**，波动下降至低位[13] 5. **行业指数超额收益离散度因子**，离散度下降[13] 6. **行业轮动度量因子**，轮动速度上升[13] 7. **成分股上涨比例因子**，上涨比例先升后降[13] 8. **前100个股成交额占比因子**，成交集中度维持在低位[13] 9. **前5行业成交额占比因子**，成交集中度维持在低位[13] 10. **指数波动率因子**，波动率快速下降[13] 11. **指数换手率因子**，换手率下降[13] 12. **商品期货趋势强度因子**，能化、黑色板块趋势性较强[28] 13. **商品期货成交活跃度因子**，波动率从高位快速下降[28] 14. **商品期货市场流动性因子**，流动性表现分化[28] 15. **商品期货期限结构因子**，有色、农产品板块基差动量较强[28] 16. **期权隐波差值及偏度因子**，隐波明显回落[33] 17. **可转债百元转股溢价率因子**，溢价率小幅调整[35] 18. **低转股溢价率转债占比因子**，占比持续上升[35] 19. **可转债市场成交额因子**，成交额保持平稳[35]

量化模型与构建方式 1. **模型名称**：电力设备指数趋势跟踪模型 - **模型构建思路**：假设标的价格走势具有局部延续性，趋势持续时间大于反转行情持续时间，通过观察窗口内的价格变动方向判断趋势延续或反转[3] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值： $$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日（不含）的波动率Vol（未说明具体计算方法） 3. 趋势判断规则： - 若$|del| > N \times Vol$（取N=1），则判定为趋势形成，方向与del符号一致 - 若$|del| \leq N \times Vol$，则延续T-1日的趋势方向[3] - **模型评价**：年化收益回撤比较低，在窄幅震荡行情中表现不佳，不适合直接用于申万一级电力设备指数[4] 模型的回测效果 1. **电力设备指数趋势跟踪模型**： - 区间年化收益：13.52% - 波动率（年化）：29.91% - 夏普率：0.45 - 最大回撤：27.32% - 指数期间总回报率：-22.56%[3] （注：报告中未提及量化因子相关内容，故跳过该部分）

在股票型 ETF 中，宽基 ETF 上周资金净流入-82.09 亿元，上周科创 50ETF 资金净流入 27.36 亿元，中证 1000ETF 资 金净流入 12.07 亿元，中证 2000ETF 资金净流入 4.81 亿元，而沪深 300ETF 资金净流出额超 50 亿元。 主题行业 ETF 上周资金净流入 9.27 亿元。上周科技、周期、金融地产板块 ETF 资金净流入额分别为 31.14 亿元、0.80 亿元、0.35 亿元，高端制造、医药生物、消费板块 ETF 资金净流出额分别为 4.41 亿元、5.94 亿元、6.73 亿元。 上周共有 8 只 ETF 产品申报，其中 2 只为国证港股通消费主题 ETF。 * [10] M. C. ETF 市场回顾 从一级市场资金流动情况来看，上周（2025.5.6-2025.5.9）已上市 ETF 资金净流入合计-71.05 亿元，其中债券型 ETF 资金净流入 41.99 亿元，商品型 ETF 资金净流入 20.27 亿元，跨境 ETF 资金净流出 26.26 亿元，股票型 ETF 资金净流 出 107.05 亿元。 主动权益及增强指数型基金表现跟踪 上周军工主 ...

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：沪深300与中证500成分股调整预测模型 - **模型构建思路**：基于中证指数公司发布的指数编制规则，对沪深300和中证500指数的成分股调整进行预测，重点关注调整前后的超额收益特征[12][13][15] - **模型具体构建过程**： 1. **样本空间筛选**：剔除ST/*ST股票、上市时间不足的证券（科创板/创业板需上市超1年，其他证券需超1季度，除非市值排名前30）[12] 2. **流动性过滤**： - 沪深300：剔除过去一年日均成交金额后50%的证券[12] - 中证500：剔除后20%的证券[12] 3. **市值排序**： - 沪深300：选取剩余证券中日均总市值前300名[12] - 中证500：选取剩余证券中日均总市值前500名[12] 4. **缓冲区规则**： - 沪深300：市值前240名的新样本优先进入，前360名的老样本优先保留[12] - 中证500：市值前400名的新样本优先进入，前600名的老样本优先保留[12] - **模型评价**：规则透明且可回溯，但依赖历史数据，对市场流动性变化敏感[12][24] 2. **事件收益分析模型** - **模型构建思路**：统计调整日前后的超额收益，捕捉调入/调出样本的事件效应[24] - **模型具体构建过程**： 1. 计算调整日前60日至后60个交易日内，调入/调出样本相对于指数的累计超额收益 2. 方向判断： - 调出样本：调整日前呈现负超额收益（沪深300和中证500均显著）[24][25] - 调入样本：中证500在调整日前有正超额收益，沪深300不显著[24][25] 模型的回测效果 1. **沪深300调整预测模型**： - 预测准确率：7只成分股调整（如中航成飞调入，东方雨虹调出）[14] - 行业分布：调入集中于交通运输/国防军工（各2只），调出以电力设备为主（4只）[14][19] 2. **中证500调整预测模型**： - 预测准确率：49只成分股调整（如淮北矿业调入，中化国际调出）[16][21] - 行业分布：调入以电子/电力设备/计算机为主（电子12只），调出以电力设备/医药生物为主（电力设备9只）[23][28] 3. **事件收益模型**： - 沪深300调出样本：调整日前超额收益显著为负[25][26] - 中证500调入样本：调整日前超额收益显著为正[25][26] 量化因子与构建方式 （注：研报中未明确提及独立因子构建，仅涉及事件驱动因子，如调入/调出信号） 因子的回测效果 （注：无具体因子测试指标） --- 以上总结基于研报中可提取的量化相关核心内容，未包含免责声明、风险提示等非核心信息[6][27][29][33][34][35]。

量化模型与构建方式 1. **模型名称**：建筑装饰指数趋势跟踪模型 - **模型构建思路**：基于价格走势的局部延续性假设，通过观察窗口内的价格变动与波动率的关系判断趋势方向[3] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值：$$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日（不含）的波动率Vol（未明确计算方法，推测为标准差或ATR） 3. 趋势信号生成规则： - 若$$|del| > N \times Vol$$（N=1），则趋势方向与del符号一致（正为多，负为空） - 否则延续T-1日趋势方向[3] - **模型评价**：年化收益回撤比较低，中后期回撤持续时间长，不适合直接用于申万一级建筑装饰指数[4] 模型的回测效果 1. **建筑装饰指数趋势跟踪模型**： - 年化收益：4.39%[3] - 波动率（年化）：23.96%[3] - 夏普率：0.18[3] - 最大回撤：22.47%[3] - 指数期间总回报率：-12.25%（基准对比）[3] 其他说明 - **数据预处理**：标的指数（申万一级建筑装饰指数）保留原值[3] - **跟踪区间**：2023年3月7日-2025年3月18日[3] - **策略适用性**：净值在2023年3月-2024年1月上升后进入长期回撤，震荡期表现不佳[4]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：主动权益基金加权净值模型 **模型构建思路**：通过规模加权计算主动权益基金的净值表现，反映整体市场表现[14][16] **模型具体构建过程**： - 限定基金池为普通股票型、偏股混合型、灵活配置型、平衡混合型四类 - 以每季度初的规模作为权重加总计算收益率 - 换算为净值形式展示 **模型评价**：有效捕捉市场整体表现，但未区分行业主题基金的影响 2. **模型名称**：净申购计算模型 **模型构建思路**：量化基金吸金能力，剔除自然规模增长的影响[37] **模型具体构建过程**： $$净申购 = 当期规模 - 上期规模 \times (1 + 当期涨跌幅)$$ 其中： - 当期规模：季度末基金资产净值 - 上期规模：上季度末基金资产净值 - 当期涨跌幅：基金净值涨跌幅 模型的回测效果 1. **主动权益基金加权净值模型**： - 2025Q1规模加权涨跌幅：3.78%[14] - 中位数涨跌幅：2.92%[14] - 超额收益（vs沪深300）：4.99%[23] 2. **净申购计算模型**： - 2025Q1 Top10基金净申购总额：402.20亿元[39] - 收益率中位值：9.48%[39] 量化因子与构建方式 1. **因子名称**：行业配置比因子 **因子构建思路**：统计基金持仓行业占比变化，区分主动/被动调仓[43] **因子具体构建过程**： - 采用长江行业分类标准 - 计算被动调仓比例 = 行业指数涨跌幅 × 上期持仓比例 - 主动调仓比例 = 实际配置比变动 - 被动调仓比例 2. **因子名称**：重仓股集中度因子 **因子构建思路**：衡量基金对行业龙头股的偏好程度[47] **因子具体构建过程**： - 筛选各行业持仓市值Top30个股 - 计算指标： $$持有市值TOP3基金公司占比 = \frac{TOP3基金公司持有市值}{该股票公募总持有市值}$$ 因子的回测效果 1. **行业配置比因子**： - 主动加仓最高行业：机械设备（+0.70pct）[44] - 主动减仓最高行业：电力及新能源设备（-1.35pct）[44] 2. **重仓股集中度因子**： - 电子行业TOP3集中度：32.18%（立讯精密）[61] - 银行行业TOP3集中度：38.59%（招商银行）[52] 指标取值（统一口径：2025Q1） | 模型/因子 | 规模加权涨跌幅 | 主动调仓比例 | TOP3集中度 | |--------------------|----------------|--------------|------------| | 主动权益净值模型 | 3.78%[14] | - | - | | 行业配置比因子 | - | +0.70pct[44] | - | | 重仓股集中度因子 | - | - | 32.18%[61] | 注：所有数据测算截至2025年4月22日，行业配置比数据截至2025年3月31日[47]

金 金融工程点评 [Table_Message]2025-05-12 建筑材料指数趋势跟踪模型效果点评 [Table_Author] 证券分析师：刘晓锋 电话：13401163428 E-MAIL：liuxf@tpyzq.com 执业资格证书编码：S1190522090001 研究助理：孙弋轩 电话：18910596766 E-MAIL：sunyixuan@tpyzq.com 一般证券业务登记编码：S1190123080008 模型概述 结果评估： 区间年化收益：1.98% 波动率（年化）：24.36% 夏普率：0.08 最大回撤：25.11% 指数期间总回报率：-29.59% 太 平 洋 证 券 股 份 有 限 公 司 证 券 研 究 报 [Table_Title] [Table_Summary] 融 工 程 点 评 告 ◼ 设计原理：模型假定标的价格走势具有很好的局部延续性，标的价格永远处 于某一趋势中，出现反转行情的持续时间明显小于趋势延续的时间，若出现 窄幅盘整的情况，亦假设其延续之前的趋势。当处于大级别的趋势之中时， 给定较短时间的观察窗口，走势将延续观察窗口内的局部趋势。而当趋势发 生反转时，在观 ...

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **沪深300指数调样模型** - 模型构建思路：筛选经营状况良好、无违法违规事件、财务报告无重大问题、股票价格无明显异常波动的公司，基于日均成交金额和日均总市值排序，结合缓冲设置和剔除规则[8] - 模型具体构建过程： 1. 计算股票最近一年的日均成交金额和日均总市值 2. 按市值和成交额综合排序 3. 应用缓冲规则（如排名前240名优先保留） 4. 剔除长期停牌或重大亏损股票 5. 调整数量不超过成分股的10%[8][9] 2. **中证500指数调样模型** - 模型构建思路：在沪深300成分股外筛选优质股票，采用与沪深300类似的市值和流动性排序机制[10] - 模型具体构建过程： 1. 排除沪深300现有成分股 2. 按日均市值和成交额排序（考察期242个交易日） 3. 缓冲规则保持前400名优先保留 4. 剔除异常股票后选取排名301-800的股票[10][11] 3. **上证50指数调样模型** - 模型构建思路：基于上证180成分股，通过市值和流动性排序确定样本，依赖上证180预测准确性[13] - 模型具体构建过程： 1. 从上证180成分股中筛选 2. 按过去一年日均总市值和成交额排序 3. 缓冲设置保留前45名[13][14] 4. **科创50指数调样模型** - 模型构建思路：选取科创板中市值大、流动性好的50只证券，反映头部科创企业表现[15] - 模型具体构建过程： 1. 按考察期日均总市值排序 2. 流动性筛选（如日均成交额阈值） 3. 缓冲规则调整[15][16] 5. **创业板指调样模型** - 模型构建思路：基于半年日均总市值排名，结合流动性和停牌情况筛选[20] - 模型具体构建过程： 1. 计算半年日均市值（121个交易日） 2. 剔除流动性不足或停牌股票 3. 缓冲设置保留前90名[20][21] 模型的回测效果 （注：报告中未提供具体回测指标如IR、胜率等数值，仅展示预测调入调出名单及基础数据） 量化因子与构建方式 1. **日均市值因子** - 构建思路：反映股票规模和市场影响力，作为核心排序指标[8][10][15] - 计算公式： $$ \text{日均市值} = \frac{\sum_{t=1}^{n} \text{当日总市值}}{n} $$ 其中n为考察期交易日数量（如242或121天）[9][11][14] 2. **日均成交额因子** - 构建思路：衡量流动性，避免调入低流动性股票[8][13] - 计算公式： $$ \text{日均成交额} = \frac{\sum_{t=1}^{n} \text{当日成交额}}{n} $$ 需满足最低成交额阈值[9][14][16] 因子的回测效果 （注：报告中未提供因子IC、IR等测试结果，仅用于样本股筛选） 模型/因子评价 1. 沪深300/中证500模型采用双因子（市值+流动性）排序，能有效覆盖主流宽基指数需求[8][10] 2. 科创系列模型侧重市值因子，符合科创板高成长特性[15][17] 3. 创业板模型缩短考察期至半年，更适应高波动市场[20][24] 指标取值 （报告中仅展示预测调入调出股票的日均市值和成交额示例值，未提供模型整体绩效指标）

量化模型与构建方式 1. **模型名称：行业拥挤度监测模型** - **模型构建思路**：通过监测申万一级行业指数的拥挤度，识别行业过热或过冷状态[4] - **模型具体构建过程**：未明确披露具体公式或计算步骤，但基于历史数据滚动计算行业拥挤度百分位，结合主力资金流动数据辅助判断[4][12] - **模型评价**：能够动态捕捉行业短期交易过热风险，但对长期基本面偏离的识别有限[4] 2. **模型名称：溢价率Z-score模型** - **模型构建思路**：通过ETF溢价率的标准化分数（Z-score）筛选潜在套利机会[5] - **模型具体构建过程**：计算ETF溢价率相对于历史均值的标准差倍数，公式为： $$Z = \frac{P_{溢价率} - \mu_{溢价率}}{\sigma_{溢价率}}$$ 其中$P_{溢价率}$为当日溢价率，$\mu_{溢价率}$为滚动窗口均值，$\sigma_{溢价率}$为滚动标准差[5] - **模型评价**：对短期套利机会敏感，但需结合流动性风险综合判断[5] --- 量化因子与构建方式 1. **因子名称：行业拥挤度因子** - **因子构建思路**：反映行业交易热度相对于历史水平的极端程度[4][12] - **因子具体构建过程**：未明确公式，但通过30日滚动窗口计算行业指数成交量、涨跌幅等指标的百分位排名[12] 2. **因子名称：主力资金净流入因子** - **因子构建思路**：跟踪主力资金在行业或ETF中的净流入方向[4][13] - **因子具体构建过程**：直接采用Wind提供的行业主力资金净流入数据，按T/T-1/T-2日滚动计算[13] --- 模型的回测效果 1. **行业拥挤度监测模型** - 测试结果：国防军工、纺织服饰、机械设备拥挤度达98%/75%/98%分位（前一日），通信行业单日拥挤度激增[4][12] 2. **溢价率Z-score模型** - 测试结果：筛选出300成长ETF（Z-score=0.77）、红利低波50ETF等标的[14] --- 因子的回测效果 1. **行业拥挤度因子** - 测试结果：煤炭行业拥挤度最低（31%分位），通信行业从4%飙升至98%分位[12] 2. **主力资金净流入因子** - 测试结果：通信行业近3日主力净流入24.79亿元，计算机行业净流出41.13亿元[13]