量化模型与构建方式 行业拥挤度监测模型 1. 模型名称：行业拥挤度监测模型[3] 2. 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，识别过热或过冷行业[3] 3. 模型具体构建过程：模型基于多个市场指标（如交易量、价格波动、资金流向等）构建综合拥挤度指标，每日对申万一级行业指数进行监测排名。具体计算过程未详细披露，但通过热力图形式展示近30个交易日的拥挤度变化[3][9] 4. 模型评价：能够有效识别行业拥挤状态变化，为行业轮动提供参考依据[3] 溢价率Z-score模型 1. 模型名称：溢价率Z-score模型[4] 2. 模型构建思路：通过统计套利方法识别ETF溢价率的异常波动，挖掘潜在套利机会[4] 3. 模型具体构建过程：计算ETF溢价率的Z-score统计量，公式为： $Z = \frac{P_{溢价率} - \mu_{溢价率}}{\sigma_{溢价率}}$ 其中$P_{溢价率}$为当前溢价率，$\mu_{溢价率}$为历史溢价率均值，$\sigma_{溢价率}$为历史溢价率标准差。通过滚动窗口计算Z-score值，当Z-score超过特定阈值时生成交易信号[4] 4. 模型评价：能够有效捕捉ETF定价偏差，但需警惕标的回调风险[4] 量化因子与构建方式 资金净流入因子 1. 因子名称：资金净流入因子[5] 2. 因子构建思路：通过监测各类ETF产品的资金流动情况，识别资金偏好方向[5] 3. 因子具体构建过程：每日计算各类ETF产品的资金净流入额，公式为： $资金净流入 = 流入资金总额 - 流出资金总额$ 按宽基ETF、行业主题ETF、风格策略ETF、跨境ETF四大类别分别统计，并筛选单日资金净流入TOP3和净流出TOP3产品[5] 主力资金净流动因子 1. 因子名称：主力资金净流动因子[11] 2. 因子构建思路：监测申万一级行业指数的主力资金流向变化[11] 3. 因子具体构建过程：计算各行业指数的主力资金净流入额，按T日、T-1日、T-2日分别统计，并汇总近3个交易日合计值。公式为： $近3日主力净流入合计 = 主力净流入_T + 主力净流入_{T-1} + 主力净流入_{T-2}$ 其中主力净流入额为正值表示资金流入，负值表示资金流出[11] 模型的回测效果 （报告中未提供具体的模型回测效果指标数据） 因子的回测效果 （报告中未提供具体的因子回测效果指标数据）