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[3] - 模型具体构建过程： 1. 计算行业指数的短期价格波动与长期趋势偏离度 2. 结合成交量、资金流向等指标综合评估拥挤程度 3. 输出每日行业拥挤度排名及变动情况[3] - 模型评价：能够有效捕捉行业短期过热风险，但对极端市场环境适应性有限[3] 2. 模型名称：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，识别存在套利机会的标的[4] - 模型具体构建过程： 1. 计算ETF当前溢价率：$溢价率 = (市价 - IOPV)/IOPV$ 2. 滚动计算过去N个交易日的溢价率均值μ和标准差σ 3. 计算Z-score：$Z = (当前溢价率 - μ)/σ$ 4. 设定阈值触发关注信号（如Z>2或Z<-2）[4] - 模型评价：对短期套利机会敏感，但需结合流动性风险综合判断[4] --- 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：监测主力资金在行业/ETF中的净流入方向[3][6] - 因子具体构建过程： 1. 按交易日统计申万一级行业或ETF的主力资金净额 2. 计算3日滚动累计净流入：$净流入_{T-2→T} = \sum_{i=T-2}^{T}净流入_i$[14] - 因子评价：对短期资金动向反应灵敏，但需区分主力资金性质[14] 2. 因子名称：行业拥挤度因子 - 因子构建思路：量化行业交易过热程度的复合指标[3] - 因子具体构建过程： 1. 标准化处理价格波动率、换手率、资金集中度等子指标 2. 加权合成综合拥挤度得分：$拥挤度 = \sum_{i=1}^{n}w_i \cdot 标准化(子指标_i)$[3] --- 模型的回测效果 1. 行业拥挤度监测模型： - 有效识别医药生物、环保等高拥挤行业（拥挤度>85%分位数）[3] - 通信、传媒拥挤度处于历史20%分位数以下[3] 2. 溢价率Z-score模型： - 触发关注信号的ETF包括黄金ETF（Z=2.3）、房地产ETF基金（Z=-2.1）[16] --- 因子的回测效果 1. 主力资金净流入因子： - 近3日净流入TOP3行业：公用事业（+4.55亿元）、医药生物（-0.92亿元）、石油石化（-2.72亿元）[14] - 净流出TOP3行业：计算机（-111.96亿元）、机械设备（-106.29亿元）、电力设备（-98.95亿元）[14] 2. 行业拥挤度因子： - 钢铁、医药生物拥挤度单日变动幅度超15%[3] - 通信、传媒拥挤度持续低于阈值（<30%）[3]