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：$溢价率 = (市价 - IOPV)/IOPV \times 100\%$ [6] 2. 滚动计算溢价率的Z-score：$Z = \frac{当前溢价率 - 历史均值}{历史标准差}$ [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：$累计净流入 = \sum_{t=0}^{2} 主力净流入_{T-t}$ [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：$流动强度 = \frac{净流入金额}{基金规模}$ [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]