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,提供投资参考[3] - 模型具体构建过程: 1. 计算各行业指数的历史分位数(如30日滚动窗口),衡量交易活跃度与历史水平的偏离程度 2. 结合主力资金流动数据(如近3日净流入/流出额)辅助验证拥挤度信号[3][10] 3. 输出热力图展示行业拥挤度排名及变化(如农林牧渔、有色单日变动显著)[9] - 模型评价:能够动态捕捉市场情绪极端化行业,但需结合资金流向避免误判 2. 模型名称:ETF溢价率Z-score套利信号模型 - 模型构建思路:通过统计溢价率偏离历史均值的程度,筛选潜在套利机会的ETF产品[4] - 模型具体构建过程: 1. 计算ETF的IOPV溢价率: [6] 2. 滚动计算溢价率的Z-score: [4] 3. 设定阈值触发关注信号(如Z-score >2或<-2)[11] --- 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:跟踪主力资金对行业的配置变化,反映大资金动向[3][10] - 因子具体构建过程: 1. 按申万一级行业分类统计每日主力净流入额(单位:亿元)[10] 2. 计算3日累计净流入: [10] 3. 标准化处理得到行业间可比指标(如传媒近3日净流入11.02亿元排名第一)[10] 2. 因子名称:ETF资金流动因子 - 因子构建思路:监测各类ETF的资金净流入/流出,捕捉市场风格偏好[2][5] - 因子具体构建过程: 1. 按宽基/行业主题/跨境等类别分类汇总单日净流入[2][5] 2. 计算资金流动强度: [6] 3. 结合规模阈值筛选有效信号(如科创芯片ETF单日净流入4.53亿元)[6] --- 模型的回测效果 1. 行业拥挤度监测模型 - 电力设备、建筑材料拥挤度分位数达84%、89%(过热信号)[9] - 家电、交运拥挤度分位数仅21%、14%(过冷信号)[3] 2. ETF溢价率Z-score模型 - 触发关注信号标的:储能电池50ETF(溢价率Z-score 2.1)、国企红利ETF(Z-score -2.3)[11] --- 因子的回测效果 1. 主力资金净流入因子 - 近3日主力资金增配前3行业:传媒(+11.02亿)、轻工(+4.22亿)、房地产(+0.64亿)[10] - 净流出前3行业:电子(-57.79亿)、医药生物(-48.52亿)、有色金属(-32.47亿)[10] 2. ETF资金流动因子 - 宽基ETF单日净流出39.82亿元(沪深300ETF流出5.73亿)[2] - 行业主题ETF净流入11.40亿元(科创芯片ETF流入4.53亿)[2]
金工ETF点评:宽基ETF单日净流出39.82亿元,农林牧渔、有色拥挤度增幅较大