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[4] - 模型具体构建过程： 1. 计算行业指数的滚动时间窗口（如30个交易日）内价格、成交量、波动率等指标的标准化值 2. 综合多个指标（如主力资金净流入、换手率、波动率）构建拥挤度评分 3. 根据评分排名划分高/低拥挤度行业 - 模型评价：能够有效捕捉短期市场情绪极端化的行业，但需结合基本面验证 2. 模型名称：溢价率Z-score模型 - 模型构建思路：通过ETF溢价率的标准化分数（Z-score）筛选存在套利机会的标的[5] - 模型具体构建过程： 1. 计算ETF的IOPV溢价率：$溢价率 = (市价 - IOPV)/IOPV \times 100\%$ 2. 滚动计算溢价率的均值（μ）和标准差（σ） 3. 计算Z-score：$Z = (当前溢价率 - μ)/σ$ 4. 设定阈值（如|Z|>2）生成交易信号 - 模型评价：对短期套利策略有效，但需警惕市场流动性风险 --- 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：跟踪主力资金流向，反映大资金对行业的偏好[14] - 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. 计算滚动窗口（如3日）累计净流入 3. 标准化处理得到行业间可比分值 - 因子评价：对短期行业轮动有较强解释力 2. 因子名称：ETF资金流因子 - 因子构建思路：通过ETF净申购数据捕捉资金动向[6] - 因子具体构建过程： 1. 分类统计宽基/行业/跨境ETF的单日净流入金额 2. 计算资金流占比：$资金流占比 = 单类ETF净流入 / 全市场ETF总规模$ 3. 结合历史分位数判断资金偏好 --- 模型的回测效果 1. 行业拥挤度监测模型： - 高拥挤度行业（机械设备、电力设备）后续3日平均超额收益：-1.2%[4] - 低拥挤度行业（传媒、电子）后续3日平均超额收益：+0.8%[4] 2. 溢价率Z-score模型： - 触发信号ETF的3日套利成功率：68%[5] - 年化IR：1.5[5] --- 因子的回测效果 1. 主力资金净流入因子： - 3日净流入TOP3行业（汽车、电力设备）后续5日胜率：62%[14] - 20日Rank IC：0.15[14] 2. ETF资金流因子： - 宽基ETF净流入与沪深300指数次日相关性：0.43[6] - 跨境ETF净流入与恒生指数3日滞后beta：0.57[6] --- 其他关键指标 - 行业拥挤度最新数据：机械设备拥挤度评分87（前30%分位数），传媒拥挤度评分32（后10%分位数）[4] - ETF溢价率Z-score极值：港股创新药ETF Z=2.3（溢价0.67%），恒生医疗ETF Z=-2.1（折价0.53%）[7]