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，识别行业过热或过冷状态[4] - 模型具体构建过程：未明确披露具体公式或计算步骤，但基于历史数据滚动计算行业拥挤度百分位，结合主力资金流动数据辅助判断[4][12] - 模型评价：能够动态捕捉行业短期交易过热风险，但对长期基本面偏离的识别有限[4] 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）筛选潜在套利机会[5] - 模型具体构建过程：计算ETF溢价率相对于历史均值的标准差倍数，公式为： $Z = \frac{P_{溢价率} - \mu_{溢价率}}{\sigma_{溢价率}}$ 其中$P_{溢价率}$为当日溢价率，$\mu_{溢价率}$为滚动窗口均值，$\sigma_{溢价率}$为滚动标准差[5] - 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[5] --- 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：反映行业交易热度相对于历史水平的极端程度[4][12] - 因子具体构建过程：未明确公式，但通过30日滚动窗口计算行业指数成交量、涨跌幅等指标的百分位排名[12] 2. 因子名称：主力资金净流入因子 - 因子构建思路：跟踪主力资金在行业或ETF中的净流入方向[4][13] - 因子具体构建过程：直接采用Wind提供的行业主力资金净流入数据，按T/T-1/T-2日滚动计算[13] --- 模型的回测效果 1. 行业拥挤度监测模型 - 测试结果：国防军工、纺织服饰、机械设备拥挤度达98%/75%/98%分位（前一日），通信行业单日拥挤度激增[4][12] 2. 溢价率Z-score模型 - 测试结果：筛选出300成长ETF（Z-score=0.77）、红利低波50ETF等标的[14] --- 因子的回测效果 1. 行业拥挤度因子 - 测试结果：煤炭行业拥挤度最低（31%分位），通信行业从4%飙升至98%分位[12] 2. 主力资金净流入因子 - 测试结果：通信行业近3日主力净流入24.79亿元，计算机行业净流出41.13亿元[13]