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水平，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： 1. 计算各行业指数的滚动历史分位数（如30日窗口），衡量当前值相对于历史水平的相对位置 2. 根据分位数阈值划分拥挤度等级（如高于80%为高拥挤，低于20%为低拥挤） 3. 每日更新行业拥挤度热力图，动态展示行业状态[3][10] - 模型评价：能够有效捕捉市场情绪极端点，但需结合基本面分析避免误判[3] 2. 模型名称：ETF溢价率Z-score筛选模型 - 模型构建思路：通过统计套利逻辑识别ETF溢价率的异常波动，挖掘潜在套利机会[4] - 模型具体构建过程： 1. 计算ETF的IOPV溢价率：$溢价率 = (市价 - IOPV)/IOPV \times 100\%$ 2. 滚动计算溢价率的Z-score：$Z = \frac{溢价率 - \mu_{滚动窗口}}{\sigma_{滚动窗口}}$ 3. 设定阈值触发信号（如|Z|>2时为异常）[4][12] - 模型评价：对短期交易有指导意义，但需警惕流动性风险和模型滞后性[4] --- 模型的回测效果 1. 行业拥挤度监测模型： - 高拥挤行业（如美容护理89%、基础化工85%）后续3日平均收益-1.2%[3][10] - 低拥挤行业（如传媒8%、电力设备12%）后续3日平均收益+0.8%[3][10] 2. ETF溢价率Z-score模型： - 信号触发后3日套利成功率62%（样本期内）[4][12] --- 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：跟踪主力资金流向变化，捕捉资金驱动的短期动量效应[11] - 因子具体构建过程： 1. 按申万行业分类计算单日主力净流入额：$净流入 = 主力买入额 - 主力卖出额$ 2. 计算3日滚动净流入合计值[11] - 因子评价：对行业轮动有较强解释力，但需结合换手率过滤噪音[11] 2. 因子名称：ETF资金流因子 - 因子构建思路：通过ETF申赎数据逆向推断大资金动向[6] - 因子具体构建过程： 1. 计算单日资金净流入：$净流入 = 份额变化 \times 单位净值$ 2. 按ETF类型（宽基/行业/跨境等）分类统计[6][7] --- 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27.31亿、公用事业21.73亿）后续5日超额收益+1.5%[11] - 净流出TOP3行业（商贸零售-42.93亿、有色金属-35.66亿）后续5日超额收益-2.1%[11] 2. ETF资金流因子： - 宽基ETF单日净流出12.43亿后3日指数平均跌幅0.6%[6][9] - 行业主题ETF单日净流入7.9亿后3日指数平均涨幅0.9%[6][9]