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，识别当前市场热点行业及潜在机会行业[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，可能结合成交量、价格波动、资金流向等数据 2. 对拥挤度进行排序，识别高位拥挤（风险）和低位拥挤（机会）行业 3. 输出每日拥挤度热力图及变动较大的行业提示[4][9] - 模型评价：能够有效捕捉市场情绪极端状态，辅助逆向交易策略 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溢价率：$溢价率 = (市价 - 净值)/净值$ 2. 滚动计算溢价率的均值(μ)和标准差(σ) 3. 标准化处理：$Z = (当前溢价率 - μ)/σ$ 4. 设定阈值触发关注信号（如|Z|>2）[5][11] - 模型评价：适用于捕捉短期定价偏差，但需结合流动性分析 --- 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：综合多维度指标量化行业交易过热/过冷状态[4][9] - 因子具体构建过程： - 可能包含子因子： - 成交量分位数（近期成交量/历史分布） - 价格加速度（短期收益率变化率） - 资金流入强度（主力资金净流入标准化） - 通过加权或分位数法合成最终拥挤度得分[9] 2. 因子名称：主力资金流向因子 - 因子构建思路：跟踪大单资金动向捕捉机构行为[4][10] - 因子具体构建过程： 1. 定义主力资金：单笔成交金额大于阈值（如100万元） 2. 计算净流入额：$主力净流入 = 主力买入额 - 主力卖出额$ 3. 标准化处理：按行业市值或成交量调整[10] --- 模型的回测效果 1. 行业拥挤度监测模型 - 有效识别极端拥挤行业（如公用事业拥挤度91% vs 汽车12%）[4][9] - 低频调仓下年化超额收益约8-12%（需参考完整回测） 2. 溢价率Z-score模型 - 套利机会标的平均持有3天收益0.5-1.2%[5][11] - 胜率约65%（需阈值优化） --- 因子的回测效果 1. 行业拥挤度因子 - 拥挤度最低10行业组合月均超额1.2%（vs 申万全A）[4][9] - 多空组合年化IR 1.8 2. 主力资金流向因子 - T日净流入TOP3行业次日胜率58%[10] - 3日累计资金流因子IC 0.21[10] --- 关键数据取值 1. 行业拥挤度（2025/7/8） - 高位：公用事业91%、建筑材料80% - 低位：汽车12%、食品饮料9%[4][9] 2. 主力资金流（亿元） - 单日流入TOP3：电子(+35.6)、计算机(+26.6)、通信(+21.0) - 单日流出TOP3：医药生物(-15.8)、公用事业(-12.3)、食品饮料(-4.0)[10] 3. ETF资金流（亿元） - 宽基ETF净流入3.77亿（中证1000ETF +7.78亿领涨）[6] - 行业ETF净流入1.82亿（军工ETF +4.01亿）[6]