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，来识别存在潜在套利机会的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过程和计算公式。通常，Z-score模型会基于ETF的IOPV溢价率历史数据，计算当前溢价率相对于其历史均值和标准差的偏离程度。一般公式可表示为： $$Z = \frac{Premium_t - \mu_{premium}}{\sigma_{premium}}$$ 其中，$Premium_t$ 为当前交易日的IOPV溢价率，$\mu_{premium}$ 为溢价率在特定历史窗口期（如过去20或60个交易日）的均值，$\sigma_{premium}$ 为同期溢价率的标准差。 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。图表3以热力图形式展示了各行业近30个交易日的拥挤度百分比数值[9]。 2. **因子名称：主力资金净流入额**[11] * **因子构建思路**：追踪大额资金（主力资金）在行业或个股上的净流入或净流出情况，用以判断大资金的动向[3]。 * **因子具体构建过程**：报告直接使用了Wind等数据源提供的“主力净流入额”数据，分别列出了申万一级行业指数在当日（T）、前一日（T-1）、前两日（T-2）以及近3个交易日合计的净流入额（单位：亿元）[11]。未提供其底层计算方法。 3. **因子名称：ETF资金净流入**[5] * **因子构建思路**：监测各类ETF产品的资金流入流出情况，反映市场资金对不同板块的偏好[5]。 * **因子具体构建过程**：报告直接列出了各类ETF（宽基、行业主题、风格策略、跨境）的单日资金净流入额（单位：亿元）[5]。未提供其底层计算方法。 4. **因子名称：IOPV溢价率**[6] * **因子构建思路**：衡量ETF交易价格与其参考净值（IOPV）之间的偏离程度，是发现套利机会和判断市场情绪的关键指标[4][6]。 * **因子具体构建过程**：报告在图表1中直接列出了各ETF的“IOPV溢价率(%)”数据[6]。其标准计算公式通常为： $$溢价率 = \frac{ETF市价 - IOPV}{IOPV} \times 100\%$$ 模型的回测效果 （报告未提供相关量化模型的回测效果指标数据） 因子的回测效果 （报告未提供相关量化因子的回测效果指标数据，但展示了因子在特定时点的取值情况） 1. **行业拥挤度因子**：报告通过热力图展示了截至2025年12月4日前一交易日，各申万一级行业的拥挤度百分比。例如，通信、国防军工行业拥挤度靠前，计算机、非银金融行业拥挤度较低，家电、机械、传媒行业拥挤度变动较大[3][9]。 2. **主力资金净流入额因子**：报告列出了2025年12月4日及前两个交易日，各申万一级行业的主力资金净流入额。例如，当日主力资金流入机械、家电行业；流出电子、电力设备行业。近三个交易日主力资金减配电子、电力设备；增配家电、煤炭[3][11]。 3. **ETF资金净流入因子**：报告列出了2025年12月4日各类ETF的资金流动情况。例如，宽基ETF单日净流入32亿元，行业主题ETF单日净流出17.19亿元，风格策略ETF单日净流入2.66亿元，跨境ETF单日净流入15.42亿元[5]。 4. **IOPV溢价率因子**：报告在图表1中列出了多只ETF在2025年12月4日的IOPV溢价率具体数值，例如“中概互联网ETF”为-1.29%，“恒生红利低波ETF”为0.34%等[6]。基于此因子构建的“溢价率 Z-score 模型”用于筛选存在潜在套利机会的ETF产品，如图表5中建议关注的“汽车ETF”、“稀有金属ETF基金”等[4][13]。

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，以识别市场过热或过冷的行业[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、所使用的指标或计算公式。 2. **模型名称：ETF产品筛选信号模型（基于溢价率Z-score）**[4] * **模型构建思路**：根据ETF的溢价率Z-score模型搭建筛选信号，通过滚动测算来识别存在潜在套利机会的ETF标的，同时提示回调风险[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、Z-score的计算窗口期或具体的信号触发阈值。 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**：用于衡量申万一级行业指数的交易拥挤程度，数值高低可能反映市场情绪过热或过冷[3]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算方法和构成指标。 2. **因子名称：溢价率Z-score**[4] * **因子构建思路**：基于ETF的IOPV溢价率计算其Z-score（标准化分数），用于判断当前溢价率相对于历史水平的偏离程度，从而发现套利机会[4]。 * **因子具体构建过程**：报告未给出具体的计算公式。通常，该因子构建过程可能涉及以下步骤： 1. 计算ETF的溢价率：$$溢价率 = (ETF市价 - IOPV) / IOPV$$ 2. 选取一定时间窗口（如过去20日或60日）的历史溢价率数据。 3. 计算该窗口期内溢价率的均值($$\mu$$)和标准差($$\sigma$$)。 4. 计算当前溢价率的Z-score：$$Z = (当前溢价率 - \mu) / \sigma$$ 模型的回测效果 （报告未提供任何量化模型的回测效果指标，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 （报告未提供任何量化因子的回测效果指标，如IC值、IR、多空收益等。） 模型/因子的具体测试结果取值 1. **行业拥挤度监测模型** * **测试结果取值**：报告以热力图形式展示了截至前一交易日（数据截止日2025/12/3）近30个交易日内，各申万一级行业的拥挤度百分比数值[9]。例如，通信、农林牧渔、国防军工的拥挤度水平靠前，而汽车、美容护理、非银金融的拥挤度水平较低[3]。石油石化、有色金属行业的拥挤度变动较大[3]。 2. **ETF产品筛选信号模型** * **测试结果取值**：报告列出了根据模型生成的“建议关注”的ETF产品列表，包括汽车ETF(159512.SZ)、稀有金属ETF基金(561800.SH)、红利质量ETF(159758.SZ)、半导体ETF(512480.SH)、半导体材料ETF(562590.SH)[13]。报告未展示这些标的具体的溢价率Z-score数值。 3. **主力资金净流入（辅助监测指标）** * **测试结果取值**： * **行业层面**：报告提供了申万一级行业指数在T日（前一交易日）、T-1日、T-2日及近3个交易日合计的主力资金净流入额（单位：亿元）[11]。例如，T日主力资金流入煤炭；流出电子、计算机[3]。近三个交易日主力资金减配电力设备、计算机；增配煤炭[3]。 * **ETF层面**：报告分类列出了宽基、行业主题、风格策略、跨境ETF在当日的资金净流入/流出TOP3产品及其具体净流入金额（单位：亿元）[5][6]。

核心观点总结 - 市场情绪指标数值为3.15，较上周五的3.8进一步降低，从情绪角度来看观点偏空[8] - 情绪指标呈现结构性分化但稳中趋缓的状态，价量匹配改善且主力资金回流，但短期上行动能偏弱[12] - 全A成交额环比下降6.87%，平均日成交额为17369.23亿元，市场成交活跃度降低[16] - 模型提示小盘与价值风格占优信号，其中价值风格信号未来可能加强，小盘风格信号未来存在减弱可能[2] - 行业层面，美容护理、传媒、家用电器等行业短期趋势得分上升靠前，纺织服饰、基础化工等是短期趋势最强的行业[2][41] 情绪模型观点总结 - 市场情绪得分周内继续回落，截至11月28日数值为3.15，较上周五的3.8降低[8] - 价量一致性小幅回升，市场价量匹配程度改善，资金关注度与标的涨幅相关性增强[12][13] - 行业间交易波动率小幅下降，显示资金在行业间切换节奏放缓，交易活跃度边际减弱[12] - 行业涨跌趋势性在布林带上界高位震荡，行业观点一致性维持在较高水平[12] - 融资余额占比继续上行并刷新近三年新高，杠杆资金风险偏好持续回升[12][29] - RSI指标周内快速下行并下穿布林带下界，市场短期上行动能偏弱[12][32] - 主力资金净流入周内持续回升，买入力度显著增强，机构资金进场意愿边际改善[12][36] 其他择时模型观点总结 - 均线排列模型显示，美容护理、传媒、家用电器、国防军工、计算机等行业短期趋势得分上升趋势靠前[2][41] - 纺织服饰、基础化工、石油石化、钢铁、电力设备是短期趋势最强的行业，其中纺织服饰短期得分为84.75[2][41] - 行业拥挤度与周内涨跌幅相关系数为-0.12，呈现弱负相关性[2][46] - 电力设备、银行、美容护理、房地产等高拥挤度板块领涨明显，短期有上冲惯性但需警惕高位回调压力[2][46] - 农林牧渔、纺织服饰、非银金融、公用事业等拥挤度较高且涨幅稳健，显示出较强的进攻属性[2][46] - 有色金属、煤炭、石油石化、机械设备、综合等低拥挤度板块涨幅相对落后，资金压力小、估值安全边际高，中长期配置价值突出[2][46] - RSI风格择时模型维持提示小盘风格占优信号，但5日RSI相对20日RSI迅速上升，未来信号存在减弱可能[2][49] - 模型维持提示价值风格占优信号，且5日RSI相对20日RSI迅速降低，未来信号强度可能出现进一步加强[2][49]

市场下周展望 - 市场下周维持震荡可能性较大 [1][2] - 沪深300流动性冲击指标为0.50，高于前一周的0.15，显示当前市场流动性高于过去一年平均水平0.50倍标准差 [2] - 上证50ETF期权PUT-CALL比率为1.02，投资者对短期走势相对谨慎 [2] 技术指标分析 - Wind全A指数处于SAR反转点位之下，均线强弱指数在指数点位上升幅度不大情况下上行，表明市场存在下行可能 [1][2] - 均线强弱指数当前得分为145，处于2023年以来的49.6%分位点 [2] - 情绪模型得分为1分（满分5分），显示市场情绪较弱 [2] 市场交易活跃度 - 上证综指和Wind全A五日平均换手率分别为0.98%和1.59%，处于2005年以来的65.67%和73.47%分位点，交易活跃度有所下降 [2] - 上周人民币在岸和离岸汇率周涨幅分别为0.43%、0.48% [2] 历史日历效应 - 2005年以来12月上半月，上证综指、沪深300、中证500、创业板指上涨概率分别为70%、65%、55%、60% [2] - 同期上述指数涨幅均值分别为1.81%、2.45%、1.55%、-0.02%，涨幅中位数分别为2.09%、2.58%、1.03%、0.77% [2] 上周市场表现 - 上周上证50指数上涨0.47%，沪深300指数上涨1.64%，中证500指数上涨3.14%，创业板指上涨4.54% [3] - 当前全市场PE（TTM）为21.7倍，处于2005年以来的71.9%分位点 [3] 因子拥挤度 - 低估值因子拥挤度为-0.65，继续处于低位 [3] - 小市值因子拥挤度为0.30，高盈利因子拥挤度为-0.04，高盈利增长因子拥挤度为0.02 [3] 行业拥挤度 - 通信、有色金属、综合、电力设备和电子行业的拥挤度相对较高 [4] - 基础化工和银行的行业拥挤度上升幅度相对较大 [4]

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**[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，以识别交易过热或过冷的行业[3] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过滚动测算ETF的溢价率Z-score，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**：报告未提供该模型的具体构建过程和公式，但提及核心指标为“溢价率 Z-score”[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**：用于衡量特定行业交易的热度或拥挤程度[3] * **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 2. **因子名称：溢价率 Z-score**[4] * **因子构建思路**：基于ETF的IOPV溢价率计算其Z-score，用于判断当前溢价率在历史序列中的相对位置，识别异常值[4] * **因子具体构建过程**：报告未提供该因子的具体计算公式，但提及其为标准化后的溢价率指标[4] 模型的回测效果 （报告未提供相关模型的量化回测效果指标，如年化收益率、夏普比率、最大回撤等） 因子的回测效果 （报告未提供相关因子的量化测试效果指标，如IC值、IR、因子收益率等）

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**：通过构建行业拥挤度监测模型，对申万一级行业指数的拥挤度进行每日监测[3] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：根据溢价率 Z-score 模型搭建相关 ETF 产品筛选信号模型，通过滚动测算提供存在潜在套利机会的标的[4] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 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**：用于衡量申万一级行业指数的交易拥挤程度[3] * **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 2. **因子名称：溢价率 Z-score**[4] * **因子构建思路**：用于识别ETF产品是否存在潜在套利机会[4] * **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 模型的回测效果 报告未提供量化模型的回测效果指标取值。 因子的回测效果 报告未提供量化因子的回测效果指标取值。

根据提供的研报内容，以下是关于量化模型与因子的总结。 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，以识别拥挤度较高或较低的行业，并提供关注建议[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、采用的指标或计算公式 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过滚动测算ETF的溢价率Z-score，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，并提示回调风险[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、窗口期或计算公式 模型的回测效果 报告未提供上述模型的回测效果指标取值。 量化因子与构建方式 报告未明确提及具体的量化因子及其构建方式。 因子的回测效果 报告未提供任何量化因子的回测效果指标取值。

市场整体观点 - 市场下周或将维持震荡 [1][2] - Wind全A指数连续一周处于SAR反转点位之下且两者距离未收敛 [1][2] - 均线强弱指数得分为80处于2023年以来25.9%分位点表明市场还有下行空间 [2] - 情绪模型得分为0分（满分5分）趋势模型和加权模型信号均为负向显示市场情绪较弱 [2] 量化指标分析 - 基于沪深300指数的流动性冲击指标为0.15低于前一周0.67意味着当前市场流动性高于过去一年平均水平0.15倍标准差 [2] - 上证50ETF期权成交量PUT-CALL比率震荡下降至1.02低于前一周1.04显示投资者对上证50ETF短期走势谨慎程度下降 [2] - 上证综指和Wind全A五日平均换手率分别为1.21%和1.86%处于2005年以来73.72%和80.02%分位点交易活跃度有所下降 [2] 上周市场表现 - 上证50指数下跌2.72%沪深300指数下跌3.77%中证500指数下跌5.78%创业板指下跌6.15% [3] - 全市场PE（TTM）为21.3倍处于2005年以来70.1%分位点 [3] - 2005年以来各宽基指数在11月下半月均表现不佳 [3] 宏观与外部事件 - 人民币汇率震荡在岸和离岸汇率周涨幅分别为-0.14%-0.07% [2] - 美股道琼斯工业指数标普500指数和纳斯达克指数周收益率分别为-1.91%-1.95%-2.74% [2] - 特朗普政府考虑批准英伟达H200 AI芯片对华销售 [2] - 美国11月标普全球制造业PMI初值为51.9创4个月新低服务业PMI初值为55综合PMI初值为54.8均创4个月新高 [2] 因子拥挤度 - 低估值因子拥挤度出现下降为-0.69 [4] - 小市值因子拥挤度为0.39高盈利因子拥挤度为-0.02高盈利增长因子拥挤度为0.05 [4] 行业拥挤度 - 有色金属通信综合电力设备和钢铁的行业拥挤度相对较高 [5] - 基础化工和银行的行业拥挤度上升幅度相对较大 [5]

根据提供的研报内容，总结如下： 量化因子与构建方式 1. **因子名称：行业拥挤度因子**[3][16] * **因子构建思路**： 使用行业指数最近一周的价格变动和成交金额变动，通过计算两者的马氏距离来衡量行业的短期交易拥挤程度[3][16] * **因子具体构建过程**： 1. 选取各行业指数 2. 计算行业指数最近一周的价格变动率 3. 计算行业指数最近一周的成交金额变动率 4. 基于价格变动率和成交金额变动率计算马氏距离，作为拥挤度的度量[16] * **因子评价**： 该因子可用于识别短期交易过热（显著拥挤）或交易行为异常的行业，第1象限椭圆外的点表示短期显著拥挤的行业，第3象限椭圆外的点表示价量齐跌且偏离度高的行业[16] 模型的回测效果 （报告中未涉及具体模型的回测效果指标） 因子的回测效果 （报告中未涉及具体因子的回测效果指标，如IC、IR等） **注**：本报告主要为市场数据回顾与描述性统计，并未详细阐述用于预测或选股的量化模型，也未提供因子或模型的系统化回测绩效指标（如年化收益、夏普比率、信息比率、最大回撤等）[8][9][12][13][14]

根据研报内容，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**[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，以识别拥挤度较高或较低的行业[3] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过滚动测算ETF产品的溢价率Z-score，搭建ETF产品筛选信号模型，以发现存在潜在套利机会的标的[4] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 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**：用于衡量申万一级行业指数的交易拥挤程度[3] * **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 2. **因子名称：溢价率 Z-score**[4] * **因子构建思路**：作为ETF产品筛选信号模型的核心指标，用于识别偏离正常水平的溢价率[4] * **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 模型的回测效果 （报告未提供模型的回测效果指标取值） 因子的回测效果 （报告未提供因子的回测效果指标取值） 模型/因子应用结果 1. **行业拥挤度监测模型应用结果**： * 前一交易日，综合、煤炭、基础化工行业的拥挤度水平靠前；汽车、非银金融行业的拥挤度水平较低[3] * 军工、传媒行业的拥挤度变动较大[3] 2. **溢价率 Z-score 模型应用结果**： * 根据模型筛选，建议关注的ETF产品包括：港股央企红利50ETF、消费龙头ETF、港股红利ETF博时、机器人ETF基金、A100ETF基金[10]