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**：通过构建一个量化模型，对申万一级行业指数的拥挤度进行每日监测，以识别市场热度或交易过度的行业[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、使用的底层指标或计算公式。 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步骤，例如Z-score计算所基于的滚动窗口期长度、均值和标准差的计算方法。但根据金融工程常规做法，该模型的核心是计算当前溢价率相对于其近期历史分布的标准化偏离度。其核心公式可推断为： $$Z_t = \frac{PremiumRate_t - \mu_{t-n, t-1}}{\sigma_{t-n, t-1}}$$ 其中，$Z_t$ 为t日的溢价率Z-score值，$PremiumRate_t$ 为t日的IOPV溢价率，$\mu_{t-n, t-1}$ 为过去n个交易日（滚动窗口）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[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**：综合多个维度指标，合成一个用于衡量某个申万一级行业交易是否过度拥挤、风险是否积聚的综合性指标[3]。 * **因子具体构建过程**：报告未披露行业拥挤度因子的具体合成方法、所包含的子因子（如换手率、估值分位数、资金流入强度等）及其权重。 2. **因子名称：ETF溢价率**[4][6] * **因子构建思路**：计算ETF二级市场交易价格与其参考净值（IOPV）的偏离百分比，反映市场供需导致的定价偏差[4][6]。 * **因子具体构建过程**：报告未给出公式，但该因子为市场通用计算方式。具体构建过程为：使用ETF的实时成交价格与其单位基金份额参考净值（IOPV）进行计算。 $$溢价率 = \frac{ETF市价 - IOPV}{IOPV} \times 100\%$$ 其中，IOPV（Indicative Optimized Portfolio Value）是由交易所根据ETF申购赎回清单和实时证券价格计算并发布的基金份额参考净值[6]。 3. **因子名称：主力资金净流入额**[10] * **因子构建思路**：统计特定时间段内（如单日）流入某行业板块的主力资金净额，用于观察大资金的动向[10]。 * **因子具体构建过程**：报告直接使用了Wind等数据提供商计算的主力资金净流入额数据，未说明其具体算法。通常该因子基于逐笔成交数据，结合成交价格、订单大小和买卖方向等信息估算得出。 模型的回测效果 （报告中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 （报告中未提供任何量化因子的回测效果指标，如因子IC值、IR、多空收益等。仅展示了因子在特定时点的截面数据。）

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**：通过构建一个量化模型，对申万一级行业指数的拥挤度进行每日监测，以识别市场情绪过热或过冷的行业[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：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，来识别当前溢价率相对于其历史水平的偏离程度，从而筛选出存在潜在套利机会或回调风险的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步骤，但提及了核心指标为“溢价率 Z-score”。通常，此类模型的构建过程可能包含以下步骤： 1. 计算ETF的日度溢价率：$$溢价率 = (ETF市价 - IOPV) / IOPV \times 100\%$$ 其中，IOPV为基金份额参考净值。 2. 选取一个滚动时间窗口（例如过去60个交易日），计算该窗口内溢价率的均值($$\mu$$)和标准差($$\sigma$$)。 3. 计算当前溢价率的Z-score值：$$Z_t = \frac{PremiumRate_t - \mu}{\sigma}$$ 其中，$$PremiumRate_t$$为当前交易日的溢价率。 4. 设定阈值（如Z-score > 2或 < -2），当Z-score超过阈值时，生成相应的关注或警示信号。 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**：综合多个市场维度（如交易活跃度、价格动量、估值水平等）来度量一个行业是否处于交易过度拥挤的状态[3]。 * **因子具体构建过程**：报告未详细说明该因子的具体构建方法、合成指标或计算公式。仅展示了最终结果（热力图）[9]。 2. **因子名称：主力资金净流入额**[3][10] * **因子构建思路**：跟踪大额资金（主力资金）在行业层面的净流入或净流出情况，以判断资金的动向和偏好[3]。 * **因子具体构建过程**：报告直接使用了Wind等数据提供商计算的主力资金净流入额数据，未说明其具体算法。通常，该因子基于逐笔成交数据，通过识别大单买卖来估算主力资金的流向[10]。 3. **因子名称：ETF资金净流入**[5][6] * **因子构建思路**：跟踪资金流入或流出特定ETF产品的规模，反映市场对相关板块或风格的态度[5]。 * **因子具体构建过程**：报告直接引用了ETF的日度资金净流入数据。该数据通常基于ETF的份额变动和单位净值计算得出：$$日资金净流入 = (当日总份额 - 前一日总份额) \times 当日单位净值$$[6]。 4. **因子名称：IOPV溢价率**[6] * **因子构建思路**：衡量ETF交易价格与其实时净值（IOPV）之间的偏离百分比，溢价率为正表示交易价格高于净值，可能存在高估或套利机会[6]。 * **因子具体构建过程**：报告直接引用了IOPV溢价率数据。其计算公式为：$$IOPV溢价率 = \frac{ETF市价 - IOPV}{IOPV} \times 100\%$$[6]。 模型的回测效果 （报告中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 （报告中未提供任何量化因子的回测效果指标，如IC值、IR、多空收益、分组收益等。仅展示了因子在特定时点的截面数据或时间序列数据。）

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**：通过构建一个量化模型，对申万一级行业指数的拥挤度进行每日监测，以识别市场热度较高或较低的行业[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、所使用的子因子或计算公式。 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过计算ETF溢价率的Z-score值，来识别存在潜在套利机会或回调风险的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步骤和计算公式。通常，此类模型会计算ETF的IOPV溢价率相对于其历史均值和标准差的标准化分数（Z-score）。一个可能的构建过程是： 1. 计算ETF在交易日t的IOPV溢价率：$$溢价率_t = (ETF市价_t / IOPV_t - 1) * 100\%$$ 2. 选取过去N个交易日（如60日或120日）的溢价率序列，计算其滚动均值($$\mu_t$$)和滚动标准差($$\sigma_t$$)。 3. 计算交易日t的溢价率Z-score值：$$Z_t = (溢价率_t - \mu_t) / \sigma_t$$ 4. 根据Z-score的阈值（如Z > 2 或 Z < -2）生成交易信号[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**：综合多个维度指标，衡量某一行业交易过热或过冷的程度[3]。 * **因子具体构建过程**：报告未详细说明该因子的具体构成、各维度指标及其合成方法。 2. **因子名称：主力资金净流入额**[3][10] * **因子构建思路**：衡量大额资金（主力资金）在特定时间段内对某一行业指数的净买入或净卖出金额，反映大资金的动向[3]。 * **因子具体构建过程**：报告直接使用了“主力净流入额”这一数据，未说明其具体计算方式。通常，该数据来源于行情软件，通过统计大单、中单、小单的成交额差值得出。 3. **因子名称：ETF IOPV溢价率**[6][12] * **因子构建思路**：衡量ETF交易价格相对于其实时估算净值(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[6][12]。 * **因子具体构建过程**：报告直接列出了“IOPV溢价率(%)”数据。其计算公式通常为：$$溢价率 = (ETF市价 / IOPV - 1) * 100\%$$ 模型的回测效果 （报告中未提供任何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 （报告中未提供任何量化因子的回测效果指标数据，如IC值、IR、多空收益等。报告仅展示了因子在特定时点的截面取值或排名情况。） 1. **行业拥挤度因子截面取值（前一交易日）**[3] * 拥挤度水平靠前的行业：通信、军工、建材[3]。 * 拥挤度水平较低的行业：计算机、汽车[3]。 * 拥挤度变动较大的行业：银行、化工、建材[3]。 2. **主力资金净流入额因子截面取值（前一交易日）**[3] * 主力资金流入的行业：军工、商贸零售、食饮[3]。 * 主力资金流出的行业：有色、电子[3]。 3. **主力资金净流入额因子截面取值（近三个交易日）**[3][10] * 主力资金增配的行业：银行、钢铁[3]。 * 主力资金减配的行业：电子、通信[3]。 * 具体数值见图表4（对应文档10中的表格数据）[10]。 4. **ETF IOPV溢价率因子截面取值（数据截止日）**[6][12] * 具体ETF的溢价率数值见图表1（对应文档6中的表格数据）[6]。 * 根据溢价率Z-score模型筛选出的“建议关注”ETF产品列表见图表5（对应文档12中的表格数据）[12]。

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**：用于搭建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，但提及其核心是计算溢价率的Z-score值 模型的回测效果 （报告中未提供相关模型的量化回测效果指标取值） 量化因子与构建方式 （报告中未明确提及具体的量化因子构建） 因子的回测效果 （报告中未提供相关因子的量化回测效果指标取值） 其他监测结果 * **行业拥挤度监测结果**：监测显示，前一交易日电力设备、化工行业拥挤度靠前；计算机、汽车行业拥挤度水平较低；家电、通信行业拥挤度变动较大[3] * **主力资金流动监测结果**： * 前一交易日：主力资金流入电力设备；流出医药、电子[3] * 近三个交易日：主力资金减配电子、计算机；增配有色、银行[3] * 具体行业近三日主力资金净流入额数据详见报告图表[12] * **ETF资金流动监测结果**： * 宽基ETF、行业主题ETF呈净流出，风格策略ETF、跨境ETF呈净流入[5] * 具体ETF产品的日资金净流入/流出数据详见报告表格[6] * **ETF产品关注信号**：基于溢价率 Z-score 模型，报告列出了部分建议关注的ETF产品清单[13]

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 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 * **因子评价**：拥挤度较高的行业可能意味着风险积聚，拥挤度较低的行业可能值得关注[3] 2. **因子名称：溢价率 Z-score**[4] * **因子构建思路**：用于识别ETF价格相对于其净值是否存在显著偏离，从而提示套利机会或回调风险[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 * **因子评价**：该因子有助于发现潜在的套利机会，但同时也需警惕标的回调风险[4] 模型的回测效果 （报告未提供相关模型的回测效果指标取值） 因子的回测效果 （报告未提供相关因子的回测效果指标取值） 模型/因子的应用结果 1. **行业拥挤度监测模型应用结果**[3] * 监测日期：2025年10月29日的前一交易日[3] * 拥挤度较高行业：电力设备、有色金属[3] * 拥挤度较低行业：食品饮料、社会服务[3] * 拥挤度变动较大行业：非银金融、家用电器[3] 2. **溢价率 Z-score 模型应用结果**[14] * 生成建议关注的ETF产品列表（基于模型信号）[14]： * 中证A500ETF天弘 (159360.SZ) * 中证1000ETF增强 (561280.SH) * 化工50ETF (516120.SH) * 创业板价值ETF (159966.SZ) * 银行ETF优选 (517900.SH)

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：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，以识别拥挤度较高和较低的行业[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**：用于搭建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 报告未涉及具体的量化因子构建内容。 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，以识别拥挤度较高和较低的行业[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**：报告未详细说明该模型的具体构建步骤和计算公式，但提及其核心是计算溢价率的Z-score值 量化因子与构建方式 *报告本部分未提及具体的量化因子构建内容* 模型的回测效果 *报告本部分未提供量化模型的回测效果指标取值* 因子的回测效果 *报告本部分未提供量化因子的回测效果指标取值* 模型/因子的应用与观测结果 1. **行业拥挤度监测模型的应用结果**[3] * **观测日期**：前一交易日（相对于报告数据截止日2025/10/13）[3][5] * **拥挤度较高行业**：电力设备、电子、有色金属[3] * **拥挤度较低行业**：传媒、社会服务[3] * **拥挤度变动较大行业**：环保、钢铁、非银金融[3] 2. **溢价率 Z-score 模型的应用结果**[4][14] * **建议关注的ETF产品（存在潜在套利机会）**：[14] * 日本东证指数ETF (513800.SH) * 500成长ETF (159620.SZ) * 日经ETF (159866.SZ) * 日经ETF (513520.SH) * 红利低波ETF新华 (560890.SH)

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**：通过多维度指标监测申万一级行业指数的拥挤程度，识别高拥挤和低拥挤行业[3] - **模型具体构建过程**： 1. 选取申万一级行业指数作为标的 2. 计算各行业的拥挤度指标（具体指标未在报告中明确列出，但可能包含价格波动、资金流向、换手率等） 3. 对指标进行标准化或分位数处理，生成每日拥挤度评分 4. 根据评分排名，识别高拥挤（如电力设备、电子）和低拥挤行业（如食品饮料、美容护理、石化）[3] 2 **模型名称：溢价率 Z-score 模型** - **模型构建思路**：通过计算ETF溢价率的Z-score值，识别存在套利机会的ETF产品[4] - **模型具体构建过程**： 1. 计算ETF的溢价率： $$溢价率 = \frac{ETF市价 - ETF净值}{ETF净值}$$ 2. 计算溢价率的滚动均值和滚动标准差（窗口期未明确） 3. 计算Z-score： $$Z = \frac{当前溢价率 - 滚动均值}{滚动标准差}$$ 4. 设定阈值（未明确具体值），筛选Z-score异常的ETF作为关注信号[4] --- 量化因子与构建方式 1 **因子名称：主力资金净流动因子** - **因子构建思路**：通过监测主力资金在行业或ETF中的净流入/流出情况，反映资金动向[2][5] - **因子具体构建过程**： 1. 计算单日或多日主力资金净流动金额： $$净流动金额 = 流入金额 - 流出金额$$ 2. 按行业（申万一级）或ETF类别（宽基、行业主题等）分类统计[5][11] 3. 生成排名（如TOP3流入/流出）或时间序列数据[5] --- 模型的回测效果 （报告中未提供模型回测结果） --- 因子的回测效果 1. **主力资金净流动因子**： - 近期表现（2025/9/22）： - 宽基ETF净流出71.31亿元，行业主题ETF净流出30.93亿元，风格策略ETF净流出0.39亿元，跨境ETF净流入20.46亿元[5] - 行业资金流向：电子行业主力资金流入，电力设备、传媒行业流出[3] - 近3日资金动向：减配计算机、电力设备；增配房地产、纺织服饰[3] 2. **行业拥挤度因子**： - 近期表现（截至2025/9/22）： - 高拥挤行业：电力设备、电子（拥挤度评分靠前） - 低拥挤行业：食品饮料、美容护理、石化（拥挤度评分较低） - 变动较大行业：煤炭、有色金属[3] 3. **ETF溢价率Z-score因子**： - 近期关注标的（2025/9/22）： - 道琼斯ETF（513400.SH）、中证500ETF平安（510590.SH）、中证500成长ETF（562340.SH）、香港证券ETF（513090.SH）、黄金ETF基金（518660.SH）[10] ---

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[3] - **模型具体构建过程**： 1 计算各行业指数的历史滚动窗口（如30日）内价格、成交量、波动率等指标的标准化值 2 综合多个指标（如价格偏离度、换手率分位数）构建拥挤度得分，公式示例： $$ \text{Crowding Score} = w_1 \cdot \text{Price Z-score} + w_2 \cdot \text{Turnover Rank} $$ 其中权重$w_1$、$w_2$根据历史回测优化确定 3 按得分排序，划分高/低拥挤度行业[3][9] - **模型评价**：能够有效捕捉市场情绪极端状态，但需结合资金流向数据验证[3] 2 **模型名称**：溢价率Z-score模型 - **模型构建思路**：通过ETF溢价率的统计特征筛选套利机会标的[4] - **模型具体构建过程**： 1 计算ETF溢价率的滚动窗口（如20日）Z-score： $$ Z = \frac{P_{\text{溢价率}} - \mu_{\text{溢价率}}}{\sigma_{\text{溢价率}}} $$ 2 设定阈值（如|Z|>2）生成交易信号[4][14] - **模型评价**：对短期套利有指导意义，但需警惕市场流动性风险[4] --- 模型的回测效果 1 **行业拥挤度监测模型**： - 高拥挤度行业（如建材、军工）近3日主力资金净流出超100亿元[12] - 低拥挤度行业（煤炭、石油石化）资金流出规模较小（<3亿元）[12] 2 **溢价率Z-score模型**： - 筛选标的示例：电池龙头ETF（159767 SZ）规模1.13亿元，跟踪新能电池指数[14] --- 量化因子与构建方式 1 **因子名称**：主力资金净流入因子 - **因子构建思路**：监测行业主力资金流向判断资金偏好[12] - **因子具体构建过程**： 1 按申万一级行业分类计算单日主力净流入额 2 滚动3日求和得到短期资金动向[12] 2 **因子名称**：ETF资金流动因子 - **因子构建思路**：跟踪各类ETF资金净流动捕捉市场风格切换[5] - **因子具体构建过程**： 1 分类统计宽基/行业/跨境ETF单日净流入额 2 计算资金流动排名（如TOP3净流入/流出）[5] --- 因子的回测效果 1 **主力资金净流入因子**： - 银行、非银金融近3日净流入分别为6.94亿、21.99亿元[12] - 军工、机械设备净流出超100亿元[12] 2 **ETF资金流动因子**： - 宽基ETF单日净流出109.69亿元（科创50ETF流出35.12亿）[5] - 跨境ETF净流入26.68亿元（港股通互联网ETF流入8.16亿）[5]

资金流向概况 - 8月13日风格策略ETF基金合计资金净流入1.39亿元，但近5个交易日累计净流出7.26亿元，其中3天出现净流出 [1] - 当日17只基金呈现净流入，22只基金呈现净流出，显示市场资金分化明显 [1][3] 净流入基金表现 - 国泰上证国有企业红利ETF（510720）净流入居首，份额增加1.44亿份，净流入额1.44亿元，最新规模20.73亿元 [1][3] - 华泰柏瑞上证红利ETF（510880）净流入1.42亿元，份额增加0.43亿份，最新规模达176.59亿元 [3] - 易方达中证红利价值ETF（563700）净流入1.29亿元，份额增长1.19亿份，最新规模4.62亿元 [3] 净流出基金表现 - 景顺长城红利低波动100ETF（515100）净流出额最高，达1.23亿元，份额减少8000万份，最新规模52.35亿元 [4][5] - 华夏创成长ETF（159967）净流出0.81亿元，份额缩减1.60亿份，最新规模39.54亿元 [4][5] - 易方达中证红利ETF（515180）净流出0.68亿元，份额减少0.47亿份，最新规模89.76亿元 [5] 基金规模与份额变动 - 华泰柏瑞中证红利低波ETF（512890）最新份额179.30亿份，规模214.64亿元，净流入0.13亿元 [3] - 南方红利低波50ETF（515450）最新份额95.64亿份，规模137.49亿元，净流出0.33亿元 [5] - 摩根标普港股通低波红利ETF（513630）最新份额79.45亿份，规模123.47亿元，净流出0.28亿元 [5]