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[4] - 模型具体构建过程： 1. 计算行业指数的历史分位数（如30日滚动窗口），衡量当前价格相对于历史水平的偏离程度 2. 结合成交量、资金流向等辅助指标，综合判断行业拥挤状态 3. 输出每日行业拥挤度排名，钢铁、建材、有色等周期性行业近期拥挤度持续高位[4][12] - 模型评价：能够有效捕捉市场情绪极端化的行业，但对突发政策或事件冲击的敏感性不足 2. 模型名称：ETF溢价率Z-score模型 - 模型构建思路：通过统计套利逻辑筛选ETF溢价异常标的[5] - 模型具体构建过程： 1. 计算ETF溢价率：$溢价率 = (IOPV - 市价)/IOPV \times 100\%$ 2. 滚动计算过去N日（如20日）溢价率的均值μ和标准差σ 3. 生成Z-score：$Z = (当前溢价率 - μ)/σ$ 4. 当Z-score超过±2时触发关注信号[5][14] - 模型评价：适用于流动性较好的宽基ETF，但对行业ETF需结合基本面验证 --- 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：监测主力资金在行业层面的动向[13] - 因子具体构建过程： 1. 按申万一级行业分类汇总大单资金流向（如单笔成交额>100万元） 2. 计算T日净流入额：$净流入额 = 主力买入额 - 主力卖出额$ 3. 生成3日滚动累计值，机械、化工行业近3日净流出超百亿[13] 2. 因子名称：ETF资金流动因子 - 因子构建思路：跟踪各类ETF产品的资金异动[6][9] - 因子具体构建过程： 1. 按宽基/行业/跨境等类别分类统计资金净流入 2. 计算单日及多日滚动净流入规模 3. 近期宽基ETF持续吸金（沪深300ETF单日+12.7亿），行业ETF整体流出[6][8] --- 模型的回测效果 1. 行业拥挤度监测模型： - 高拥挤行业（钢铁/建材）后续3日平均超额收益-1.2%[4][12] - 低拥挤行业（传媒/家电）同期超额收益+0.8%[4] 2. ETF溢价率Z-score模型： - Z-score>2标的后续5日回调概率68%[5][14] - 套利组合年化IR 1.35[14] --- 因子的回测效果 1. 主力资金净流入因子： - 3日净流入TOP3行业后续周度胜率62%[13] - 因子IC（信息系数）0.21[13] 2. ETF资金流动因子： - 宽基ETF净流入与沪深300指数3日相关性0.73[6][9] - 跨境ETF资金流对港股通标的领先性显著（滞后3日β 0.58）[6]