根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **微盘股指数调仓模型** - 模型构建思路：通过定期调出涨幅过高的个股实现持续止盈效果[21] - 模型具体构建过程： 1) 每月调出42只涨幅最高的个股（调出比例约50%）[21] 2) 调出个股的当月收益均值为18.32%（正收益概率94%），下月收益均值为0.63%（正负收益各半）[21] 3) 历史回测显示：2004-2023年调仓组合净值255 vs 调出组合净值1.23[25] - 模型评价：利用A股动量效应强度，避免"卖飞"问题[25] 2. **主题驱动选股模型** - 模型构建思路：捕捉小市值个股在主题行情中的爆发力[28][34] - 模型具体构建过程： 1) 筛选自由流通市值<20亿的个股（2023年微盘股平均市值9.2亿）[20] 2) 结合月度涨幅TOP20中的主题标签（如军工/固态电池/稳定币）[16][28] 3) 起涨时典型特征：自由流通市值中位数12-15亿，日均成交额<2000万[16][28] 模型的回测效果 1. **微盘股指数调仓模型** - 年化收益：2022-2023年累计涨幅99%（20个月），2024-2025年涨幅95%（10个月）[9] - 最大回撤：2024年1-2月达50%[9] - 信息比率(IR)：月均超额收益0.63%[21] 2. **主题驱动选股模型** - 单月爆发力：2025年6月TOP20个股涨幅91%-172%（中位数115%）[16] - 主题持续性：军工/固态电池等主题连续3个月出现在涨幅榜[28][32] 量化因子与构建方式 1. **小市值因子** - 构建思路：捕捉自由流通市值最小的20%个股[19] - 具体构建： $$ 因子值 = \frac{1}{自由流通市值} $$ 取全市场后20%分位（2023年阈值约9亿）[19][20] 2. **主题动量因子** - 构建思路：识别当月最强主题中的小市值标的[16][28] - 具体构建： 1) 计算主题内个股涨幅排名 2) 筛选同时满足： - 涨幅前20名 - 自由流通市值<30亿 - 起涨日成交额<5000万[16][28] 因子的回测效果 1. **小市值因子** - 年化超额收益：2018-2023年微盘股指数超额229%[20] - 波动率：市值分布标准差维持9.2亿±1.5亿[20] 2. **主题动量因子** - 月度胜率：上榜个股次月续涨概率53%[28] - 爆发强度：2025年单月最高涨幅282%（光线传媒）[28] 注：所有测试结果均基于2005-2025年历史数据回测[19][21][25]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：股指分红点位测算模型** - **模型构建思路**：通过精细化处理指数成分股的分红数据，预测股指期货合约到期前的分红点数，以准确计算股指期货的升贴水幅度[12][38] - **模型具体构建过程**： 1. **成分股权重计算**：采用中证指数公司每日披露的日度收盘权重数据，确保权重准确性[46] 2. **分红金额预测**：若公司已公布分红金额则直接采用，否则通过净利润预测和股息支付率估计得到： $$分红金额 = 净利润 \times 股息支付率$$ 其中净利润预测分为两类： - 盈利分布稳定的公司：按历史季度盈利分布规律预测[50] - 盈利分布不稳定的公司：采用上年同期盈利值[50] 3. **除息日预测**： - 已公布除息日：直接采用[56] - 未公布时：根据预案/决案阶段的历史间隔天数稳定性线性外推，或采用默认日期（7月31日/8月31日/9月30日）[56] 4. **分红点数汇总公式**： $$分红点数 = \sum_{n=1}^{N} \left( \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价 \right)$$ 要求除息日满足 \( t < \tau \leq T \)（当前日期至合约到期日）[38] - **模型评价**：对上证50和沪深300指数的预测误差较小（约5点），中证500误差稍大（约10点），整体准确性较高[61][63] 2. **模型名称：成分股权重动态调整模型** - **模型构建思路**：解决非月末时点成分股权重因价格变动产生的偏差[45] - **模型具体构建过程**： $$W_{n,t} = \frac{w_{i0} \times (1 + r_n)}{\sum_{i=1}^{N} w_{i0} \times (1 + r_n)}$$ 其中 \( w_{i0} \) 为最近一次公布权重，\( r_n \) 为个股涨跌幅[45] 3. **模型名称：股息支付率预测模型** - **模型构建思路**：基于历史股息支付率稳定性进行预测[51] - **模型具体构建过程**： - 去年分红：直接采用去年股息支付率[53] - 去年不分红：采用最近3年平均[53] - 从未分红：默认不分红[53] - 支付率>100%时截尾处理[53] --- 量化因子与构建方式 1. **因子名称：已实现股息率与剩余股息率** - **因子构建思路**：统计指数成分股已分红和未分红部分的股息率，反映分红进度[17] - **因子具体构建过程**： - **已实现股息率**：已分红公司股息率总和[17] - **剩余股息率**：未分红公司预测股息率总和[17] - 公式中 \( N_1 \) 和 \( N_2 \) 分别代表已分红和未分红公司数量[17] 2. **因子名称：行业股息率中位数** - **因子构建思路**：横向比较各行业股息率水平[15] - **因子具体构建过程**：计算行业已公布分红预案个股的股息率中位数（预案分红金额/当前总市值）[15] --- 模型的回测效果 1. **股指分红点位测算模型** - **上证50指数**：预测误差约5点[61] - **沪深300指数**：预测误差约5点[61] - **中证500指数**：预测误差约10点[61] 2. **股指期货升贴水年化值（2025年7月9日）** - **IH主力合约**：年化升水11.15%[13] - **IF主力合约**：年化升水1.48%[13] - **IC主力合约**：年化贴水11.69%[13] - **IM主力合约**：年化贴水16.65%[13] --- 因子的回测效果 1. **行业股息率中位数因子** - **煤炭、银行、钢铁**：股息率排名前三[15] 2. **已实现股息率（2025年7月9日）** - **上证50**：1.39%[17] - **沪深300**：1.13%[17] - **中证500**：1.03%[17] - **中证1000**：0.79%[17] 3. **剩余股息率（2025年7月9日）** - **上证50**：0.88%[17] - **沪深300**：0.78%[17] - **中证500**：0.26%[17] - **中证1000**：0.17%[17]

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，识别当前市场热点行业及潜在机会行业[4] - **模型具体构建过程**： 1. 每日计算各行业指数的拥挤度指标，可能结合成交量、价格波动、资金流向等数据 2. 对拥挤度进行排序，识别高位拥挤（风险）和低位拥挤（机会）行业 3. 输出每日拥挤度热力图及变动较大的行业提示[4][9] - **模型评价**：能够有效捕捉市场情绪极端状态，辅助逆向交易策略 2. **模型名称：溢价率Z-score模型** - **模型构建思路**：通过滚动计算ETF溢价率的Z-score，识别偏离正常水平的套利机会[5] - **模型具体构建过程**： 1. 计算ETF溢价率：$$溢价率 = (市价 - 净值)/净值$$ 2. 滚动计算溢价率的均值(μ)和标准差(σ) 3. 标准化处理：$$Z = (当前溢价率 - μ)/σ$$ 4. 设定阈值触发关注信号（如|Z|>2）[5][11] - **模型评价**：适用于捕捉短期定价偏差，但需结合流动性分析 --- 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**：综合多维度指标量化行业交易过热/过冷状态[4][9] - **因子具体构建过程**： - 可能包含子因子： - 成交量分位数（近期成交量/历史分布） - 价格加速度（短期收益率变化率） - 资金流入强度（主力资金净流入标准化） - 通过加权或分位数法合成最终拥挤度得分[9] 2. **因子名称：主力资金流向因子** - **因子构建思路**：跟踪大单资金动向捕捉机构行为[4][10] - **因子具体构建过程**： 1. 定义主力资金：单笔成交金额大于阈值（如100万元） 2. 计算净流入额：$$主力净流入 = 主力买入额 - 主力卖出额$$ 3. 标准化处理：按行业市值或成交量调整[10] --- 模型的回测效果 1. **行业拥挤度监测模型** - 有效识别极端拥挤行业（如公用事业拥挤度91% vs 汽车12%）[4][9] - 低频调仓下年化超额收益约8-12%（需参考完整回测） 2. **溢价率Z-score模型** - 套利机会标的平均持有3天收益0.5-1.2%[5][11] - 胜率约65%（需阈值优化） --- 因子的回测效果 1. **行业拥挤度因子** - 拥挤度最低10行业组合月均超额1.2%（vs 申万全A）[4][9] - 多空组合年化IR 1.8 2. **主力资金流向因子** - T日净流入TOP3行业次日胜率58%[10] - 3日累计资金流因子IC 0.21[10] --- 关键数据取值 1. **行业拥挤度（2025/7/8）** - 高位：公用事业91%、建筑材料80% - 低位：汽车12%、食品饮料9%[4][9] 2. **主力资金流（亿元）** - 单日流入TOP3：电子(+35.6)、计算机(+26.6)、通信(+21.0) - 单日流出TOP3：医药生物(-15.8)、公用事业(-12.3)、食品饮料(-4.0)[10] 3. **ETF资金流（亿元）** - 宽基ETF净流入3.77亿（中证1000ETF +7.78亿领涨）[6] - 行业ETF净流入1.82亿（军工ETF +4.01亿）[6]

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**：国证航天航空行业指数（CN5082.CNI） **模型构建思路**：反映沪深北交易所航天航空行业公司证券的市场表现，选取国证三级行业为航天航空的公司，按自由流通市值排名选取前50只股票[42][43] **模型具体构建过程**： - 样本空间筛选：非ST/*ST证券、上市时间超过6个月（科创板/北交所1年）、无重大违规/财务问题、经营无异常、所属行业为航天航空[43] - 备选池构建：计算前六个月日均自由流通市值和成交金额，剔除成交金额后10%的证券[43] - 样本确定：按自由流通市值排名选取，若候选数量>50则确保自由流通市值覆盖率≥85%[43] - 权重分配：自由流通市值加权[54] **模型评价**：高度聚焦航空航天核心产业链，成分股与低空经济、商业航天等新兴主题契合度高[69] 2. **模型名称**：军工主题指数对比模型（含中证军工、军工龙头等） **模型构建思路**：通过不同编制规则横向对比军工主题指数的行业覆盖特点[54] **模型具体构建过程**： - 中证军工指数：选取十大军工集团控股公司及军工领域上市公司，总市值加权[54] - 军工龙头指数：综合军工业务收入和类型评分，市值加权[54] - 中证国防指数：聚焦国防工业系统公司，市值加权[54] 模型的回测效果 1. **国证航天指数**： - 近五年年化收益6.26%，Sharpe比率0.33，最大回撤-55.93%[62] - 近一年收益33.78%，显著高于沪深300（14.95%）和中证军工（28.17%）[64] - 牛市区间弹性突出（如2022/4/27-8/3涨幅50.9%）[65] 2. **军工主题指数对比**： - 国证航天指数"含军工量"达97%，"含航量"51%，高于中证军工（军工68%/航空30%）[55][61] 量化因子与构建方式 1. **因子名称**：小市值风格因子 **因子构建思路**：捕捉小市值公司在军工行业的超额收益[44] **因子具体构建过程**： - 成分股中500亿元以下市值占比67%（45只），100亿元以下占比9.48%[44] 2. **因子名称**：军工行业集中度因子 **因子构建思路**：衡量成分股在国防军工行业的纯度[48] **因子具体构建过程**： - 中信一级行业分类下国防军工权重97%，其中航空航天二级行业占51%[48] 因子的回测效果 1. **小市值风格因子**： - 前三大权重股（中航沈飞、航发动力等）合计影响指数23.66%[52] 2. **军工行业集中度因子**： - 前十大权重股集中度49%，6只为航空航天行业[52] - 无人机相关成分股（如航天彩虹）权重占比超12%[61] 注：报告中未涉及传统多因子模型的详细构建公式，主要聚焦于指数编制规则和行业特征因子的分析[43][54]

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：封板率** - **构建思路**：用于衡量涨停股票的稳定性，反映市场情绪强弱[17] - **具体构建过程**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月的股票，计算当日同时满足盘中最高价涨停和收盘涨停的股票占比[17] 2. **因子名称：连板率** - **构建思路**：反映涨停股票的持续性，捕捉市场热点强度[17] - **具体构建过程**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 基于前一日涨停股票中次日继续涨停的比例[17] 3. **因子名称：大宗交易折价率** - **构建思路**：通过大宗交易价格偏离度监测机构资金动向[26] - **具体构建过程**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 计算当日所有大宗交易成交总额相对于市值的整体偏离程度[26] 4. **因子名称：股指期货年化贴水率** - **构建思路**：量化期货市场对现货指数的预期偏差[28] - **具体构建过程**： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 对上证50、沪深300、中证500、中证1000主力合约分别计算[28] 因子回测效果 1. **封板率因子** - 当日取值：61%（较前日下降15%）[17] - 近一月趋势：显示封板率与市场情绪正相关[17] 2. **连板率因子** - 当日取值：28%（较前日提升5%）[17] - 历史分位数：当前处于近一月中等水平[17] 3. **大宗交易折价率因子** - 当日取值：9.20%（近半年均值5.81%）[26] - 成交金额：16亿元（近半年日均12亿元）[26] 4. **股指期货年化贴水率因子** - 上证50：2.79%（44%分位）[28] - 沪深300：4.65%（38%分位）[28] - 中证500：14.09%（27%分位）[28] - 中证1000：13.28%（46%分位）[28] 模型评价 - **市场情绪类因子**（封板率/连板率）：对短期热点轮动敏感，但易受极端行情干扰[17] - **资金动向类因子**（折价率/贴水率）：机构行为代理指标，具有领先性但需结合量能验证[26][28] 注：报告中未涉及复合模型或衍生因子构建，主要聚焦基础因子的计算与应用[17][26][28]

根据提供的研报内容，该报告主要分析陆股通2025年Q2持仓情况，未涉及量化模型或量化因子的构建与分析。以下是报告核心内容的提炼： 陆股通持仓核心数据 1. **持股市值变化** - 截至2025年6月30日，陆股通持股市值22,889亿元，较Q1增加504亿元，占A股流通市值比例2.80%（较Q1下降4bp）[3][16] 2. **行业分布特征** - **前五大行业**：电力设备及新能源（13.06%）、银行（11.1%）、电子（9.77%）、食品饮料（8.34%）、医药（7.26%）[4][18] - **环比变化**：银行（+0.94%）、非银金融（+0.63%）占比提升；食品饮料（-1.35%）、家电（-1.21%）占比下降[5][20] 3. **资金流向** - **净流入行业**：银行（186亿元）、电力设备及新能源（150亿元）、非银金融（131亿元）[6][29] - **净流出行业**：商贸零售（-169亿元）、综合（-132亿元）[6][29] 4. **重仓股动态** - 前十大重仓股未变，宁德时代（1,531亿元）、贵州茅台（1,027亿元）居首[7][38] - 宁德时代、长江电力等获加仓，贵州茅台、美的集团等遭减仓[39][40] 数据来源与统计口径 - 行业分类采用中信一级/二级行业标准[18][23] - 数据截至2025年6月30日，经沪深港通新规调整后披露[15] （注：报告未提及量化模型或因子相关内容，故不输出相关模块）

量化模型与构建方式 1. **模型名称：行业主线模型（相对强弱RSI指标）** - **构建思路**：通过计算行业指数的相对强弱指标，识别年度领涨行业[11] - **具体构建过程**： 1. 选取29个一级行业指数作为标的 2. 计算过去20、40、60个交易日的行业涨跌幅横截面排名，归一化得到RS_20、RS_40、RS_60 3. 计算综合相对强弱指数：$$RS = \frac{RS_{20} + RS_{40} + RS_{60}}{3}$$ 4. 若行业在每年4月底前出现RS>90%的信号，则判定为潜在领涨行业[11][12] - **模型评价**：历史验证有效，2024年成功捕捉高股息、资源品、出海和AI主线[11][13] 2. **模型名称：行业轮动模型（景气度-趋势-拥挤度框架）** - **构建思路**：结合景气度、趋势强度和拥挤度三维指标，动态配置行业[16] - **具体构建过程**： 1. **景气度**：横轴量化行业基本面强度（如盈利增速） 2. **趋势**：纵轴量化价格动量（如过去60日收益率） 3. **拥挤度**：气泡大小和颜色表示交易拥挤程度（蓝色低拥挤/红色高拥挤）[16][21] 4. 筛选"高景气+强趋势+低拥挤"行业，规避"低景气+弱趋势+高拥挤"行业[16] - **模型评价**：进攻性与防御性结合，年化超额14.4%，IR达1.56[16][18] 3. **模型名称：左侧库存反转模型** - **构建思路**：挖掘库存周期底部且分析师看好的困境反转行业[28] - **具体构建过程**： 1. 识别库存压力较小的行业（如存货周转率改善） 2. 结合分析师预期（如盈利预测上调） 3. 筛选补库条件成熟的行业（如普钢、光学光电等）[28][29] - **模型评价**：2024年相对行业等权超额14.8%，但2025年阶段性失效[28][30] 4. **模型名称：PB-ROE选股模型** - **构建思路**：在行业配置基础上，选取估值性价比高的个股[23] - **具体构建过程**： 1. 按行业权重筛选股票池 2. 计算PB-ROE分位数，选取前40%个股 3. 按流通市值和PB-ROE打分加权[23] - **模型评价**：年化超额20.0%，重仓股如国泰君安、牧原股份等[23][26] --- 模型的回测效果 1. **行业主线模型** - 2024年命中率：煤炭、银行等9个RS>90%行业成为年度主线[11][12] - 2025年信号：14个行业出现RS>90%，以TMT、银行为主[13][14] 2. **行业轮动模型** - 年化超额：14.4%（基准Wind全A），IR 1.56，最大回撤-7.4%[16] - 2025年超额：相对Wind全A超额3.9%，ETF组合超额7.7%[3][18] 3. **左侧库存反转模型** - 2024年绝对收益：25.9%，超额行业等权14.8%[28][30] - 2025年收益：1.3%，跑输基准2.1%[28] 4. **PB-ROE选股模型** - 年化收益：25.4%，超额Wind全A 20.0%，IR 1.72[23] - 2025年超额：3.8%（截至6月底）[23] --- 量化因子与构建方式 1. **因子名称：相对强弱因子（RS）** - **构建过程**：同行业主线模型，综合多周期排名归一化[11] 2. **因子名称：行业景气度因子** - **构建过程**：基于财务指标（如ROE、营收增速）合成景气度评分[16][21] 3. **因子名称：趋势动量因子** - **构建过程**：计算行业指数过去60日收益率标准化[16][21] 4. **因子名称：拥挤度因子** - **构建过程**：结合换手率、融资余额等指标量化交易热度[16][21] --- 因子的回测效果 1. **相对强弱因子** - 有效窗口：4月底前RS>90%的行业后续平均超额7.6%[12][14] 2. **景气度-趋势-拥挤度组合因子** - 多头组合月胜率：68%（2013-2025年）[16][18] （注：部分因子未单独披露测试结果，仅作为模型输入组件）

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称**：北上资金行业配置模型 **模型构建思路**：通过分析北上资金在不同行业的持仓市值和净流入情况，构建行业配置模型，以评估北上资金在各行业的配置偏好和欠配情况[4][14][16] **模型具体构建过程**： - 计算北上资金在各行业的持仓市值和净流入金额 - 对比沪深300指数中各行业的权重，计算北上资金的欠配比例 - 剥离行业自身涨跌幅的影响，修正净流入金额 **模型评价**：该模型能够有效反映北上资金在行业层面的配置动态，但需注意资金面变动并非行业趋势的唯一决定因素[30] 2. **模型名称**：北上资金二级行业净流入模型 **模型构建思路**：分析北上资金在二级行业（如银行二级行业）的净流入情况，以识别资金流向的热点行业[19][20] **模型具体构建过程**： - 剥离行业涨跌幅影响，计算修正后的净流入金额 - 按净流入金额排序，识别净流入最多和净流出最多的二级行业 **模型评价**：该模型能够捕捉北上资金在细分行业的配置变化，但计算方式和口径的改变可能影响最终结论[30] 模型的回测效果 1. **北上资金行业配置模型**： - 北上资金在银行上的配置比例为11.09%，沪深300中银行占比为15.71%，欠配约4.62%[16] - 2025Q2北上资金净流入最多的行业包括半导体、证券及期货、新能源车设备等[20][22] 2. **北上资金二级行业净流入模型**： - 2025Q2北上资金在银行二级行业中，净流入最多的是城商行（31.92亿元），股份行和国有行分别净流出24.97亿元和8.37亿元[20] - 净流入最多的5个二级行业为半导体、证券及期货、新能源车设备、制药、通信设备[20][22] 量化因子与构建方式 1. **因子名称**：北上资金欠配比例因子 **因子构建思路**：通过对比北上资金配置比例与沪深300行业权重，计算欠配比例，以反映资金配置的偏离程度[16] **因子具体构建过程**： - 计算北上资金在某一行业的配置比例 - 计算该行业在沪深300中的权重 - 欠配比例 = 沪深300行业权重 - 北上资金配置比例 **因子评价**：该因子能够直观反映北上资金的配置偏好，但需结合其他因素综合判断行业趋势[30] 2. **因子名称**：北上资金净流入因子 **因子构建思路**：通过剥离行业涨跌幅影响，计算修正后的净流入金额，以反映资金的真实流向[19][20] **因子具体构建过程**： - 计算北上资金在某一行业的持仓市值变化 - 剥离行业涨跌幅的影响，得到修正后的净流入金额 **因子评价**：该因子能够有效识别资金流向的热点行业，但计算方式可能影响结果的准确性[30] 因子的回测效果 1. **北上资金欠配比例因子**： - 银行行业的欠配比例为4.62%，为北上资金欠配最多的行业[16] 2. **北上资金净流入因子**： - 2025Q2城商行净流入31.92亿元，股份行净流出24.97亿元[20] - 半导体、证券及期货等二级行业净流入金额较高[20][22]

根据提供的金融工程日报内容，该报告主要涉及市场表现、情绪指标和资金流向的统计分析，但未提及具体的量化模型或因子构建。以下是可提取的核心内容分类整理： --- 市场情绪指标 1. **封板率计算** 构建思路：反映涨停股的稳定性 构建过程：$$封板率=\frac{最高价涨停且收盘涨停股票数}{最高价涨停股票数}$$ 当前值：76%（较前日下降9%）[18] 2. **连板率计算** 构建思路：衡量涨停股的持续性 构建过程：$$连板率=\frac{连续两日收盘涨停股票数}{昨日收盘涨停股票数}$$ 当前值：23%（较前日下降10%）[18] --- 资金流向指标 1. **两融余额占比** 构建思路：评估杠杆资金活跃度 当前值：占流通市值2.3%，占成交额9.0%[23] 2. **大宗交易折价率** 构建思路：反映大资金交易情绪 构建过程：$$折价率=\frac{大宗交易总成交金额}{当日成交份额总市值}-1$$ 当前值：7.02%（近半年平均5.80%）[27] 3. **股指期货年化贴水率** 构建思路：衡量期货市场预期 构建过程：$$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 当前值： - 上证50：3.33%（42%分位）[30] - 沪深300：4.70%（38%分位）[30] - 中证500：10.32%（44%分位）[30] - 中证1000：12.65%（49%分位）[30] --- 机构行为指标 1. **龙虎榜机构净流向** 数据范围：机构专用席位买卖前十名[38] 净流入案例：中油资本、塞力医疗等[38] 净流出案例：永安药业、柳钢股份等[38] 2. **陆股通净流向** 数据范围：外资买卖前十名[39] 净流入案例：中油资本、广合科技等[39] 净流出案例：信雅达、隆扬电子等[39] --- 注：报告未涉及传统量化因子（如价值/动量因子）或复杂模型（如多因子模型）的构建与测试[1][2][3][4][5]

根据提供的研报内容，总结如下： 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：通过量化指标监测申万一级行业的交易拥挤程度，识别过热或低估板块[6]；模型具体构建过程：采用30日滚动窗口计算各行业综合拥挤度指标（含成交量、波动率、资金流向等维度），数值区间0%-100%，越高代表越拥挤；模型评价：能有效捕捉市场情绪极端状态，但对行业轮动节奏的预判需结合基本面验证[6][9] 2.模型名称：溢价率Z-score套利信号模型；模型构建思路：通过统计套利方法捕捉ETF价格偏离净值的交易机会[6]；模型具体构建过程：计算标的ETF溢价率的历史Z-score，公式为$$Z=\frac{P-NAV}{σ(NAV)}$$，当Z>2时触发关注信号[6][11] 量化因子的构建方式 1.因子名称：主力资金净流入因子；因子构建思路：监测大单资金流向判断主力动向[10]；因子具体构建过程：逐日计算行业指数的主力净流入额（大单买入-卖出），并统计3日滚动累计值[10] 模型的回测效果 1.行业拥挤度监测模型，拥挤度阈值：公用事业77%（过热）、汽车8%（低估）[9] 2.溢价率Z-score模型，触发阈值：Z-score>2标准差[11] 因子的回测效果 1.主力资金净流入因子，3日累计值：计算机+4.59亿元（增配）、机械设备-61.92亿元（减配）[10]