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。）