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与潜在风险[4] - 模型具体构建过程： 1. 每日计算各行业指数的拥挤度指标（未披露具体公式） 2. 根据拥挤度水平排序，筛选高拥挤度（如美容护理、纺织服饰）与低拥挤度行业（如电力设备、汽车）[4] - 模型评价：能够动态捕捉行业资金集中度变化，辅助判断短期交易风险[4] 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，识别偏离正常水平的套利机会[5] - 模型具体构建过程： 1. 计算 ETF 的 IOPV 溢价率：$溢价率 = \frac{ETF市价 - IOPV}{IOPV} \times 100\%$ 2. 滚动计算溢价率的均值（μ）和标准差（σ），生成 Z-score：$Z = \frac{当前溢价率 - μ}{σ}$ 3. 设定阈值筛选异常值（如 Z > 2 或 Z < -2）[5] - 模型评价：有效捕捉短期定价偏差，但需结合流动性风险综合判断[5] --- 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：跟踪申万行业指数的主力资金净流入额，反映大资金动向[14] - 因子具体构建过程： 1. 按交易日统计各行业主力资金净流入额（单位：亿元） 2. 计算近3日累计净流入（如房地产行业+22.32亿元）[14] - 因子评价：对短期行业轮动有较强指示性，但需结合基本面验证[14] 2. 因子名称：ETF 资金流因子 - 因子构建思路：通过 ETF 单日资金净流入/流出规模，捕捉市场偏好[6] - 因子具体构建过程： 1. 分类统计宽基、行业主题、跨境等 ETF 的资金流（如沪深300ETF华夏单日+38.70亿元）[6] 2. 结合规模变动与跟踪误差分析资金流有效性[6] --- 模型的回测效果 1. 行业拥挤度监测模型 - 高拥挤度行业：美容护理、纺织服饰（拥挤度排名前5）[4] - 低拥挤度行业：电力设备、汽车、传媒（拥挤度排名后3）[4] 2. 溢价率 Z-score 模型 - 建议关注标的：黄金产业ETF（159322.SZ）、黄金股ETF（159562.SZ）[15] --- 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：房地产（+22.32亿元）、综合（+1.53亿元）、建筑材料（+0.53亿元）[14] - 近3日净流出TOP3行业：电子（-65.34亿元）、电力设备（-50.62亿元）、汽车（-55.01亿元）[14] 2. ETF 资金流因子 - 单日净流入TOP3宽基ETF：沪深300ETF华夏（+38.70亿元）、沪深300ETF（+20.07亿元）[6] - 单日净流出TOP3行业ETF：证券ETF（-2.07亿元）、券商ETF（-1.24亿元）[6]