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**：通过构建一个多维度指标体系，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步骤、所采用的指标维度及合成方法。 2. **模型名称：溢价率Z-score模型**[4] * **模型构建思路**：通过计算ETF产品溢价率的历史Z-score值，来识别当前溢价率是否处于统计意义上的异常水平，从而筛选存在潜在套利机会或回调风险的ETF标的[4]。 * **模型具体构建过程**：报告未详细说明该模型的具体计算窗口期、Z-score阈值设定等构建细节。其核心公式应为： $$ Z = \frac{P - \mu}{\sigma} $$ 其中，\(P\)代表当前溢价率，\(\mu\)代表滚动窗口期内的历史溢价率均值，\(\sigma\)代表滚动窗口期内的历史溢价率标准差。 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**：综合多个市场维度（报告未明确具体维度，可能包括交易量、价格动量、资金流向等）构建一个衡量行业交易拥挤程度的综合指标[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合成公式。 2. **因子名称：溢价率Z-score**[4] * **因子构建思路**：将ETF的实时溢价率与其自身历史表现进行标准化比较，得到一个表征当前溢价率偏离历史正常水平的统计值[4]。 * **因子具体构建过程**：作为溢价率Z-score模型的核心输出，其计算过程与上述模型公式一致，即对滚动窗口期内的历史溢价率序列进行标准化处理，得到当前溢价率的Z-score值。 模型的回测效果 （报告中未提供量化模型的回测效果指标数据） 因子的回测效果 （报告中未提供量化因子的回测效果指标数据）

核心观点 - QDII ETF市场以港股ETF为主，自2021年起快速发展，2023年后非港股ETF规模快速提升，新布局指数多聚焦非港股市场[3][12] - QDII ETF的溢价形成主要源于套利链条断裂，特别是申购限制导致溢价难以抹平，高溢价往往与海外资产表现优异或申购额度限制相关[3][27][47] - 评估QDII ETF折溢价时，溢价率与产品未来收益呈负相关，例如溢价率超过8%时持有一个月收益显著为负；日申购上限与交易情绪是溢价率的显著影响因素[3][76] - 当前部分QDII ETF溢价率处于高位，存在突出的套利机会，但套利收益受交易时间重叠与否、IOPV计算方式等因素影响[3][40][42] 1 QDII ETF总览 - QDII ETF主要以港股和美股ETF为主，同时包含日本、德国、韩国等其他市场产品；截至2025年11月28日，非港股QDII ETF累计规模达1858.62亿元[12] - 规模最大的QDII ETF包括华夏恒生科技ETF（476.43亿元）、华泰柏瑞恒生科技ETF（432.66亿元）和易方达中证海外互联ETF（393.91亿元）[9] - 跟踪指数中，恒生科技指数规模最大（1726.29亿元），其次为纳斯达克100指数（1082.42亿元）[13] - 2024年以来新发QDII ETF多跟踪非港股指数，如道琼斯工业平均、标普500消费精选等；部分新产品上市初期出现较高溢价，例如华泰柏瑞南方东英沙特阿拉伯ETF上市首日溢价率达6.31%[15][17] 2 QDII ETF套利机制与折溢价形成机制探讨 - QDII ETF采用现金申赎，套利模式为“申购溢价基金→卖出”或“买入折价基金→赎回”；溢价的抹平依赖申购，而折价的抹平依赖赎回[21][26] - 受QDII额度影响，多数产品限制每日申购份额上限，例如每日仅能申购一单，导致套利受限，溢价率上升[24][26] - 套利收益计算因交易时间重叠与否而异：交易时间重叠的ETF，套利收益等于溢价率；交易时间不重叠的ETF，套利收益等于溢价率减去当日收益率[31][36] - 以2025年11月18日数据为例，部分美股ETF套利预期收益突出，如景顺长城纳斯达克科技市值加权ETF套利预期收益达16.09%[40] - 溢价率并非长期存在，2020年以来共出现七次平均溢价率超过2%的情况，多与境外投资热潮或额度受限相关；2024年6月QDII额度扩容后，溢价率仍维持约一个月的高位[44][47] - 截至2025年12月2日，非港股QDII ETF平均溢价率升至5.43%，而港股QDII ETF溢价率为-0.02%，显示港股产品整体无显著溢价[51][53] 3 如何评估QDII ETF的折溢价 - 历史数据显示，溢价率与未来收益负相关：溢价率超过8%时，持有一个月收益显著为负；2024年以来，溢价率超过4%时持有一个月已难获收益[73][76] - 日申购上限与交易情绪是溢价率的显著影响因素；交易情绪指标（当日成交额/申购上限）与溢价率呈正相关，且长期具备解释能力[79][81] - 回归分析表明，交易情绪系数变动可作为溢价率变化的前瞻信号；例如2024年内系数上升后，QDII ETF平均溢价率出现三次上升[81][83] - 部分QDII ETF的溢价率难以完全由交易情绪解释，残差分析显示如汇添富纳斯达克100ETF实际溢价率（10.37%）显著高于模型解释值（5.70%），反映额外溢价因素[85][87]

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：** 对申万一级行业指数的拥挤度进行每日监测，以识别行业交易热度水平[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：** 通过计算ETF溢价率的Z-score来搭建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，但提及核心是计算溢价率的Z-score值，公式一般形式为： $$Z = \frac{X - \mu}{\sigma}$$ 其中，$Z$ 代表Z-score值，$X$ 代表当前溢价率，$\mu$ 代表一定历史窗口期内的溢价率均值，$\sigma$ 代表相应窗口期内的溢价率标准差[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：** 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：主力资金净流入额**[3][13] **因子构建思路：** 用于监测单日及多日主力资金在行业间的流动情况[3][13] **因子具体构建过程：** 报告展示了具体数据，但未详细说明其计算方法和公式，通常为主力资金买入额与卖出额的差值[13] 3. **因子名称：ETF资金净流入**[5][6] **因子构建思路：** 用于监测不同类型ETF（宽基、行业主题、风格策略、跨境）的单日资金流动情况[5] **因子具体构建过程：** 报告展示了具体数据，但未详细说明其计算方法和公式，通常为ETF当日申购金额与赎回金额的差值[5][6] 4. **因子名称：IOPV溢价率**[6] **因子构建思路：** 用于衡量ETF交易价格相对于其基金份额参考净值（IOPV）的偏离程度[6] **因子具体构建过程：** 报告展示了具体数据，但未详细说明其计算方法和公式，通常为： $$IOPV溢价率 = \frac{ETF市价 - IOPV}{IOPV} \times 100\%$$ 其中，IOPV（Indicative Optimized Portfolio Value）是交易所计算的基金份额参考净值[6] 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） 因子的回测效果 （报告未提供相关因子的量化回测效果指标，但提供了特定时点的因子数值观察结果，例如通信、房地产行业拥挤度靠前，家电、汽车、非银金融行业拥挤度水平较低[3]；建筑装饰、交通运输、家用电器行业拥挤度变动较大[3]；以及各ETF的单日资金净流入/流出额[5][6]和IOPV溢价率[6]）

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）

根据提供的金融工程点评报告，以下是报告中涉及的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**：该模型旨在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细节、计算公式或参数说明 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：该模型用于搭建ETF产品筛选信号，通过滚动测算ETF的溢价率Z-score，来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细节、计算公式或参数说明 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） 量化因子与构建方式 （报告未明确提及独立的量化因子及其构建方式） 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）

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提示风险，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（IOPV）的异常偏离程度，以捕捉套利机会[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 * **因子评价**：该因子有助于发现潜在的套利机会，但需警惕标的回调风险[4] 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） 模型/因子应用结果 1. **行业拥挤度监测模型应用结果**[3] * 监测日期：前一交易日 * 拥挤度较高行业：电力设备、基础化工、环保[3] * 拥挤度较低行业：计算机、汽车、非银金融[3] * 拥挤度变动较大行业：石化、房地产[3] 2. **溢价率 Z-score 模型应用结果**[13] * 生成建议关注的ETF产品信号，涉及标的包括：中药ETF华泰柏瑞(561510 SH)、食品ETF(515710 SH)、建材ETF(516750 SH)、中药50ETF(562390 SH)、国开债券ETF(159651 SZ)[13]

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**：通过滚动测算ETF产品的溢价率Z-score，来搭建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 报告未明确提及具体的量化因子构建方式。 模型的回测效果 报告未提供上述量化模型的回测效果指标取值。 因子的回测效果 报告未提供具体量化因子的回测效果指标取值。

巴西ETF发行与份额确认 - 华夏巴西ETF最终份额确认比例为11.54% [1] - 易方达巴西ETF最终份额确认比例为11.82% [2] 巴西ETF产品结构 - 华夏巴西ETF全称为华夏布拉德斯科巴西伊博维斯帕ETF，易方达巴西ETF全称为易方达伊塔乌巴西IBOVESPA ETF [8][9] - 两只ETF均跟踪巴西IBOVESPA指数，但并非直接购买股票，而是分别投资于巴西布拉德斯科和伊塔乌两家资管机构发行的ETF [10] 巴西IBOVESPA指数特征 - 指数涵盖巴西主要上市公司，成分股成交额约占巴西股市的80% [12] - 指数采用自由流通市值加权，每4个月在1月、5月、9月调仓一次 [13] - 该指数为全收益指数，价格涨幅中包含股息回报 [14] 巴西IBOVESPA指数历史表现 - 自2005年以来，巴西IBOVESPA指数年化收益率约为8.9%，略高于同期标普500和中证800的约8.5% [17] - 考虑到巴西IBOVESPA指数是全收益指数，若将约2个百分点的股息加回，中证800和标普500的年化收益率约为10.5%，实际高于巴西 [17] - 2016年1月至2021年5月期间，巴西IBOVESPA指数上涨191.16%，约为同期标普500指数收益的一倍，但同期巴西雷亚尔兑美元贬值约25%，抵消后收益与标普500相差不多 [20] - 2023年以来巴西股市呈现慢牛行情，且汇率稳定，收益率能实际到手 [25] 汇率对投资回报的影响 - 巴西雷亚尔长期贬值，2005年初1美元可兑换2.7巴西雷亚尔，当前可兑换5.4巴西雷亚尔，贬值约一半 [19] - 巴西雷亚尔兑人民币也从2012年的100巴西雷亚尔兑368元人民币，贬值至当前的100巴西雷亚尔兑134元人民币 [19] - 考虑汇率因素后，过去20多年投资巴西股市的实际回报需大幅打折 [19] 巴西IBOVESPA指数成分股构成 - 指数第一大成分股为淡水河谷，总市值550亿美元，属于材料行业 [30] - 前三大成分股还包括巴西石油，总市值448亿美元，以及安贝夫，总市值387亿美元 [30] - 指数行业分布较为均衡，材料行业占约13%权重，公用事业、金融、能源、消费等行业各占约10%权重，并非矿业一家独大 [31][32] 当前A股市场状况 - 大盘在4000点附近高位震荡，成交额在2万亿上下，总市值64.55万亿 [34][35] - 市场缺乏明显主线，资金观望心态明显，热点快速轮动 [37][46] - 部分上涨板块出现资金越涨越卖的情况，例如化工ETF连续大涨创新高但份额遭净赎回 [39] - 部分板块资金表现犹豫，如通信ETF和光伏板块，资金追涨后对回调心存顾虑 [41][42] - 低位板块如白酒，抄底资金增速受舆论影响明显放缓 [44]

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**：报告未详细说明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，来搭建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过程和公式 * **模型评价**：该模型可用于提供潜在套利机会的标的，但需警惕标的回调风险[4] 量化因子与构建方式 报告未明确描述具体的量化因子构建方式。 模型的回测效果 报告未提供上述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 报告未提供具体因子的测试结果。 其他相关数据 报告展示了基于模型的部分监测结果，但非模型本身的量化回测指标： * **行业拥挤度监测结果**：前一交易日，电力设备、环保行业拥挤度靠前；非银金融、家用电器行业拥挤度水平较低；银行、综合行业拥挤度变动幅度较大[3] * **主力资金流向结果**：前一交易日主力资金流入电力设备行业，流出计算机、电子行业；近三个交易日主力资金减配电子、计算机行业，增配煤炭行业[3] * **ETF产品关注信号结果**：基于溢价率Z-score模型，建议关注的ETF产品包括红利低波ETF新华、国企共赢ETF、地产ETF、沙特ETF、ESGETF等[14]

量化模型与构建方式 1. 行业拥挤度监测模型 **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. 溢价率Z-score模型 **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 **模型评价**：需警惕标的回调风险[4] 量化因子与构建方式 1. 行业拥挤度因子 **因子名称**：行业拥挤度[3] **因子构建思路**：用于监测申万一级行业指数的拥挤程度[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. 溢价率Z-score因子 **因子名称**：溢价率Z-score[4] **因子构建思路**：用于识别ETF产品存在的潜在套利机会[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具体测试结果取值 因子的回测效果 报告未提供量化因子的具体测试结果取值