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风险行业[3] - 模型具体构建过程： 1. 每日计算行业指数的拥挤度指标，可能结合成交量、价格波动、资金流入等维度 2. 根据历史分位数或标准化方法（如Z-score）对拥挤度排序 3. 输出高拥挤度（如军工、机械设备）和低拥挤度行业（如商贸零售、食品饮料）[3][13] - 模型评价：能够动态捕捉行业资金集中度变化，但对极端市场环境适应性需验证 2. 模型名称：ETF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[4] - 模型具体构建过程： 1. 计算ETF的IOPV溢价率：$溢价率 = (市价 - IOPV)/IOPV$ 2. 滚动计算溢价率的均值与标准差，生成Z-score：$Z = \frac{当前溢价率 - 滚动均值}{滚动标准差}$ 3. 设定阈值筛选异常值（如|Z|>2）[4][14] - 模型评价：适用于捕捉短期套利机会，但需结合流动性分析避免踩踏风险 --- 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：通过行业主力资金净流入额衡量资金偏好[13] - 因子具体构建过程： 1. 按申万一级行业分类统计主力资金净流入额（单位：亿元） 2. 计算T日、T-1日、T-2日及3日累计值 3. 标准化后生成多空信号（如机械设备连续净流入）[13] 2. 因子名称：行业拥挤度变动因子 - 因子构建思路：捕捉行业拥挤度的短期剧烈变化（如煤炭、金融）[3] - 因子具体构建过程： 1. 计算拥挤度指标的日环比或滚动窗口变化率 2. 结合绝对水平和变化幅度生成预警信号[3][13] --- 模型的回测效果 1. 行业拥挤度监测模型 - 高拥挤度行业：军工（主力3日净流入22.83亿元）、机械设备（净流入23.60亿元）[13] - 低拥挤度行业：医药生物（净流出114.51亿元）、计算机（净流出52.13亿元）[13] 2. ETF溢价率Z-score模型 - 建议关注标的：医疗器械ETF（规模1.25亿元）、VRETF（规模1.34亿元）[14] --- 因子的回测效果 1. 主力资金净流入因子 - 正向信号：汽车（15.43亿元）、机械设备（23.60亿元）[13] - 负向信号：医药生物（-114.51亿元）、电子（-34.85亿元）[13] 2. 行业拥挤度变动因子 - 激增行业：机械设备（拥挤度排名前二）、煤炭（变动幅度显著）[3][13]