ETF跟踪指数的成份股调整多次引发争议，ETF被投资者质疑扮演接盘侠的角色。 一些有争议的上市公司在股价高位被指数纳入成份股，ETF在调仓时，需按规定买入新纳入的成份股，被投资 者质疑为主动资金"接盘"。药捷安康等公司被纳入指数时，ETF的被动买入行为就被投资者如此看待。 今年，一些专业投资者利用港股通规则、指数规则，在判断一些上市公司即将被纳入指数成份股之前提前进行 布局套利。这种套利行为还发生在债券上，在首批科创债ETF募集成立之前，不少债券投资者提前布局，将部 分成份券价格推高至高溢价，待科创债ETF募集建仓之际不得不溢价买入成份券。这些现象进一步加深投资者 对ETF扮演接盘侠的认知。 进一步来看，指数产品创新不足，供选择指数依旧较少，不能满足机构和投资者需求，当前ETF市场的同质化 现象已愈发凸显。不少基金公司为抢占市场份额，陷入"运动式"发行的怪圈，不顾市场实际需求与自身投研 能力，扎堆推出相似标的、相近策略的产品，导致大量同质化ETF涌入市场。 这种粗放式的发行模式，对投资者与基金公司而言均造成显著的资源浪费与潜在损失。过多同质化产品增加投 资者筛选难度，且部分产品规模快速缩水后可能面临清盘风险， ...

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，识别行业过热或低估状态，为投资决策提供参考[3] **模型具体构建过程：** 报告未提供具体的构建公式和详细步骤，仅提及对申万一级行业指数的拥挤度进行每日监测[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，识别存在潜在套利机会的ETF产品[4] **模型具体构建过程：** 报告未提供具体的构建公式和详细步骤，仅提及通过滚动测算提供信号[4] 量化因子与构建方式 1 **因子名称：行业拥挤度因子** **因子构建思路：** 基于申万一级行业指数构建，用于衡量行业交易拥挤程度[3] **因子具体构建过程：** 报告未提供具体的构建公式和详细步骤[3] 2 **因子名称：主力资金净流入因子** **因子构建思路：** 通过计算主力资金净流入额，反映资金对行业或ETF的短期偏好[13] **因子具体构建过程：** 直接使用Wind数据中的主力净流入额（单位：亿元），包括当日（T）、前一日（T-1）及前两日（T-2）数据，并计算近3个交易日合计值[13] 公式： $$近3日合计 = T + T-1 + T-2$$ 模型的回测效果 （报告未提供模型回测结果） 因子的回测效果 1. **行业拥挤度因子** - 拥挤度较高行业：有色、电力设备、电子[3] - 拥挤度较低行业：食品饮料、美护[3] - 拥挤度变动较大行业：汽车、轻工[3] 2. **主力资金净流入因子** - 近3日主力资金净流入较高行业：传媒（+8.81亿元 T日）、汽车（+5.47亿元 T日）[13] - 近3日主力资金净流出较高行业：电子（-50.84亿元 T日）、计算机（-59.24亿元 T日）、电力设备（-23.89亿元 T日）[13] - 近3日合计净流入：传媒（-41.41亿元）、计算机（-59.49亿元）、机械设备（-58.22亿元）[13] 3. **ETF资金流动因子** - 宽基ETF：单日净流出85.26亿元[5] - 行业主题ETF：单日净流入0.27亿元[5] - 风格策略ETF：单日净流入3.52亿元[5] - 跨境ETF：单日净流入38.39亿元[5]

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，识别当前市场过热或过冷的行业，为投资决策提供参考[3] **模型具体构建过程：** 模型每日计算各行业的拥挤度水平，具体计算方式未详细说明，但会输出各行业的拥挤度排名及变动情况[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，识别存在潜在套利机会的ETF产品，同时提示回调风险[4] **模型具体构建过程：** 模型滚动计算ETF溢价率的Z-score值，具体公式未详细说明，但会基于Z-score值生成ETF产品的关注信号[4] 量化因子与构建方式 1 **因子名称：行业拥挤度因子** **因子构建思路：** 用于衡量申万一级行业指数的市场拥挤程度，帮助识别行业过热或过冷状态[3] **因子具体构建过程：** 因子每日计算各行业的拥挤度，具体计算方式未详细说明，但会输出拥挤度排名及变动情况[3] 2 **因子名称：溢价率Z-score因子** **因子构建思路：** 用于衡量ETF溢价率相对于历史水平的偏离程度，识别潜在套利机会[4] **因子具体构建过程：** 因子滚动计算ETF溢价率的Z-score值，具体公式未详细说明，但会基于Z-score值生成ETF产品的关注信号[4] 模型的回测效果 （无相关内容） 因子的回测效果 （无相关内容）

根据提供的研报内容，总结其中涉及的量化模型与因子如下： 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**：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**：报告未提供该模型具体的构建公式和详细计算步骤，仅提及其输出结果为行业拥挤度水平[3] * **模型评价**：报告未提供明确的定性评价 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，来筛选存在潜在套利机会的标的[4] * **模型具体构建过程**：报告未提供该模型具体的构建公式和详细计算步骤，仅提及其核心是计算溢价率的Z-score[4] * **模型评价**：报告未提供明确的定性评价 模型的回测效果 （报告中未提供相关模型的量化回测指标结果） 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**：通过模型计算得到，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**：作为行业拥挤度监测模型的输出结果，但具体计算过程未在报告中披露[3] * **因子评价**：报告未提供明确的定性评价 2. **因子名称**：溢价率 Z-score[4] * **因子构建思路**：用于衡量ETF价格相对于其净值（IOPV）的偏离程度，并经过标准化处理[4] * **因子具体构建过程**：作为溢价率 Z-score 模型的核心输入，但具体计算公式未在报告中披露[4] * **因子评价**：报告未提供明确的定性评价 因子的回测效果 （报告中未提供相关因子的IC、IR等量化有效性指标结果） 其他相关数据与指标 （以下为报告中展示的监测结果数据，非模型或因子本身的回测表现） * **行业拥挤度监测结果 (数据截止: 2025/9/4)**[3][10] * 拥挤度较高行业：有色金属、电力设备 * 拥挤度较低行业：交通运输、煤炭、建筑装饰 * 拥挤度变动较大行业：国防军工、汽车 * **主力资金流向 (近3个交易日合计, 数据截止: 2025/9/4)**[2][11] * 主力资金净流出前三大行业：电子(-441.99亿元)、计算机(-423.01亿元)、通信(-286.02亿元) * 主力资金净流入行业：商贸零售(+2.74亿元) * **ETF产品关注信号 (基于溢价率 Z-score 模型, 数据截止: 2025/9/4)**[4][12] * 建议关注标的：生物医药ETF(159859.SZ)、传媒ETF(159805.SZ)、上证50ETF博时(510710.SH)、国防军工ETF(512810.SH)、集成电路ETF(562820.SH)

ETF套利核心方法 - T+0盘中价差交易利用二级市场价格波动日内低买高卖 单笔交易扣除手续费后可实现净收益 如价差0.04元操作10万份收益3800元[3] - 折价套利在二级市场价格低于净值时买入ETF并赎回一篮子股票再卖出股票 套利收益需覆盖交易成本[4][6] - 溢价套利在二级市场价格高于净值时买入一篮子股票申购ETF并在二级市场卖出 单笔操作收益可达900元（未扣手续费）[7][12] 跨市场套利策略 - 时间套利利用深港通沪港通交易时间差或节假日停牌差异 如在港股收盘前卖出ETF规避次日大跌风险[10] - 期现套利通过股指期货与现货ETF价差对冲 当期货溢价2%时操作可获1.5万元收益（未扣保证金成本）[11][13] - 配对交易同时买入低估ETF卖出高估ETF 利用价差回归获利 如跨市场ETF价差收敛2%时平仓[14][15] 特殊套利模式 - 同一指数不同基金套利利用折溢价差异转换 如ETF间存在4%价差时可实现净赚4万元（未扣手续费）[17] - 套利操作需满足最小申赎单位 如50万份起赎或100万份起申 且需承担股票卖出冲击成本[6][12] 交易成本分析 - 场内交易佣金为万分之1.5至千分之3 单笔最低5元 买入10万元ETF手续费仅15元[20] - 场外交易申购费1%-1.5% 赎回费最高达1.5% 申购100万元ETF手续费约1万元[20] - 普通投资者优先选择场内交易 仅大额套利或定制策略时考虑场外申赎[19] 操作风险要素 - 流动性风险部分ETF日成交量不足100万元 大额交易可能导致价格滑点[19] - 跟踪误差使ETF净值与指数存在偏差 影响套利收益计算精度[21] - 政策风险包括交易所调整申赎规则或提高保证金比例等[21]

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**：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公式和详细过程[3] 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，来筛选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公式和详细过程[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**：通过综合指标衡量特定行业的交易热度[3] * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细过程[3] 2. **因子名称**：溢价率 Z-score[4] * **因子构建思路**：衡量ETF市价相对于其净值（IOPV）的偏离程度，并经过标准化处理[4] * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细过程[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）

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，识别行业当前的市场热度及潜在风险[3] - **模型具体构建过程**： 1. 每日计算各行业指数的拥挤度指标，综合交易量、价格波动、资金流向等数据 2. 通过历史分位数或标准化方法（如Z-score）量化当前拥挤度水平 3. 输出行业拥挤度排名及变动幅度，例如军工、有色、建材等拥挤度较高，商贸零售、煤炭等较低[3] - **模型评价**：能够有效捕捉短期市场过热或低估的行业，但需结合主力资金流向等辅助指标增强信号可靠性[3] 2. **模型名称：ETF溢价率Z-score筛选模型** - **模型构建思路**：通过滚动计算ETF溢价率的Z-score，识别偏离均值的套利机会[4] - **模型具体构建过程**： 1. 计算ETF的IOPV（参考净值）与市场价格的溢价率： $$溢价率 = \frac{市场价格 - IOPV}{IOPV} \times 100\%$$ 2. 滚动窗口内计算溢价率的均值（μ）和标准差（σ），标准化得到Z-score： $$Z = \frac{当前溢价率 - μ}{σ}$$ 3. 筛选Z-score显著偏离阈值的ETF（如|Z|>2）作为关注信号[4] - **模型评价**：适用于捕捉短期套利机会，但需警惕市场情绪导致的持续偏离风险[4] --- 量化因子与构建方式 1. **因子名称：行业拥挤度因子** - **因子构建思路**：反映行业交易过热或冷清的程度，用于预警反转风险[3] - **因子具体构建过程**： 1. 合成多维度指标：包括成交量分位数、价格波动率、资金流入占比等 2. 标准化后加权得到综合拥挤度得分（如0%-100%区间） 3. 例如电力设备、传媒等行业的拥挤度变动幅度较大[3] 2. **因子名称：主力资金净流入因子** - **因子构建思路**：追踪主力资金对行业的偏好变化[10] - **因子具体构建过程**： 1. 计算申万一级行业指数的主力资金净流入额（单位：亿元） 2. 滚动统计近3日累计净流入，例如有色金属（+15.61亿元）、计算机（-142.99亿元）[10] --- 模型的回测效果 1. **行业拥挤度监测模型** - 近期信号：军工、电力设备拥挤度高位（>80%分位数），商贸零售、煤炭低位（<20%分位数）[3] - 有效性验证：拥挤度高位行业（如电力设备）伴随主力资金流入（+29.08亿元），但需结合其他指标[10] 2. **ETF溢价率Z-score模型** - 推荐标的：畜牧养殖ETF（516670.SH）、中证A50ETF（159591.SZ）等溢价率偏离显著的ETF[12] --- 因子的回测效果 1. **行业拥挤度因子** - 极端值分布：电力设备（80%-94%分位数）、传媒（34%-100%分位数）[9] - 与资金流向相关性：高拥挤度行业可能伴随主力资金流入或流出分化（如电力设备流入vs传媒流出）[10] 2. **主力资金净流入因子** - 近3日净流入TOP3行业：有色金属（+15.61亿元）、银行（+7.68亿元）、非银金融（-2.46亿元）[10] - 净流出TOP3行业：计算机（-142.99亿元）、机械设备（-97.50亿元）、国防军工（-68.22亿元）[10]

事件背景 - 海光信息与中科曙光因重大资产重组于5月26日起停牌不超过10个交易日 涉及换股吸收合并及募集配套资金 [2] - 停牌事件引发投资者通过赎回ETF份额套取停牌股票的需求 需选择持有目标个股权重高且现金替代标志为"允许"的ETF [3] ETF运作机制调整 - 部分基金管理人将海光信息和中科曙光现金替代标志改为"必须" 阻止套利资金赎回股票 [4] - 易方达基金维持"允许"但提高申购溢价比例 海光信息从20%升至40% 中科曙光从10%升至20% [4] - 现金替代调整导致ETF按停牌前收盘价估值 在重组利好下形成低估状态 [4] 营销活动与资金流动 - 基金管理人端午假期密集营销 宣传停牌个股权重占比(最高约14%)吸引套利资金 [5] - 5月26日至6月9日停牌期间 7只信创主题ETF净流入近70亿元 其中6月4-6日净流入超52亿元 [7] - 规模扩张严重稀释停牌个股权重 新进资金无法获利 [7] - 6月10日复牌后ETF单日跌逾2% 最大跌幅超3.7% 因个股涨幅不及预期且板块拖累 [7] - 6月10日至20日 7只ETF净流出超40亿元 [8] 行业影响与机构观点 - 行业存在"先到先得"业态 基金公司通过热点营销快速提升规模 [1][14] - 私募机构未参与套利 因重组体量大估值难提升 且套利空间有限 [12] - 行业ETF同质化严重 基金公司依赖营销抢占先机 [15] - 信创主题ETF原属小微产品 停牌前最大规模仅4.19亿元 4只不足亿元 [14] - 营销后规模显著增长 最小产品突破4亿元 最大超27亿元 [14] - 截至6月20日 7只ETF规模均超2亿元 头部产品保持10亿元以上 [14] 投资者行为与后果 - 套利资金在停牌期间推高ETF溢价 复牌后抛售导致溢价消失并转为折价 [10] - 早期投资者或盈利 但高溢价追涨资金因溢价消失和板块回调亏损 [10] - 散户为主要参与群体 缺乏对权重稀释风险的认知 [9][15] 行业反思与建议 - 需加强投资者教育 提升对ETF申赎规则及定价模式的认知 [16] - 应提高基金信息披露质量 约束宣传行为 避免误导性营销 [15][16] - 需专业声音帮助投资者评估风险 促进行业高质量发展 [1][16]

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风险行业[3] - **模型具体构建过程**： 1. 每日计算行业指数的拥挤度指标，可能结合成交量、价格波动、资金流入等维度 2. 根据历史分位数或标准化方法（如Z-score）对拥挤度排序 3. 输出高拥挤度（如军工、机械设备）和低拥挤度行业（如商贸零售、食品饮料）[3][13] - **模型评价**：能够动态捕捉行业资金集中度变化，但对极端市场环境适应性需验证 2. **模型名称：ETF溢价率Z-score模型** - **模型构建思路**：通过滚动计算ETF溢价率的Z-score，识别偏离正常水平的套利机会[4] - **模型具体构建过程**： 1. 计算ETF的IOPV溢价率：$$溢价率 = (市价 - IOPV)/IOPV$$ 2. 滚动计算溢价率的均值与标准差，生成Z-score：$$Z = \frac{当前溢价率 - 滚动均值}{滚动标准差}$$ 3. 设定阈值筛选异常值（如|Z|>2）[4][14] - **模型评价**：适用于捕捉短期套利机会，但需结合流动性分析避免踩踏风险 --- 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**：通过行业主力资金净流入额衡量资金偏好[13] - **因子具体构建过程**： 1. 按申万一级行业分类统计主力资金净流入额（单位：亿元） 2. 计算T日、T-1日、T-2日及3日累计值 3. 标准化后生成多空信号（如机械设备连续净流入）[13] 2. **因子名称：行业拥挤度变动因子** - **因子构建思路**：捕捉行业拥挤度的短期剧烈变化（如煤炭、金融）[3] - **因子具体构建过程**： 1. 计算拥挤度指标的日环比或滚动窗口变化率 2. 结合绝对水平和变化幅度生成预警信号[3][13] --- 模型的回测效果 1. **行业拥挤度监测模型** - 高拥挤度行业：军工（主力3日净流入22.83亿元）、机械设备（净流入23.60亿元）[13] - 低拥挤度行业：医药生物（净流出114.51亿元）、计算机（净流出52.13亿元）[13] 2. **ETF溢价率Z-score模型** - 建议关注标的：医疗器械ETF（规模1.25亿元）、VRETF（规模1.34亿元）[14] --- 因子的回测效果 1. **主力资金净流入因子** - 正向信号：汽车（15.43亿元）、机械设备（23.60亿元）[13] - 负向信号：医药生物（-114.51亿元）、电子（-34.85亿元）[13] 2. **行业拥挤度变动因子** - 激增行业：机械设备（拥挤度排名前二）、煤炭（变动幅度显著）[3][13]