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，识别行业当前的市场热度及潜在风险[3] - 模型具体构建过程： 1. 每日计算各行业指数的拥挤度指标，综合交易量、价格波动、资金流向等数据 2. 通过历史分位数或标准化方法（如Z-score）量化当前拥挤度水平 3. 输出行业拥挤度排名及变动幅度，例如军工、有色、建材等拥挤度较高，商贸零售、煤炭等较低[3] - 模型评价：能够有效捕捉短期市场过热或低估的行业，但需结合主力资金流向等辅助指标增强信号可靠性[3] 2. 模型名称：ETF溢价率Z-score筛选模型 - 模型构建思路：通过滚动计算ETF溢价率的Z-score，识别偏离均值的套利机会[4] - 模型具体构建过程： 1. 计算ETF的IOPV（参考净值）与市场价格的溢价率： $溢价率 = \frac{市场价格 - IOPV}{IOPV} \times 100\%$ 2. 滚动窗口内计算溢价率的均值（μ）和标准差（σ），标准化得到Z-score： $Z = \frac{当前溢价率 - μ}{σ}$ 3. 筛选Z-score显著偏离阈值的ETF（如|Z|>2）作为关注信号[4] - 模型评价：适用于捕捉短期套利机会，但需警惕市场情绪导致的持续偏离风险[4] --- 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：反映行业交易过热或冷清的程度，用于预警反转风险[3] - 因子具体构建过程： 1. 合成多维度指标：包括成交量分位数、价格波动率、资金流入占比等 2. 标准化后加权得到综合拥挤度得分（如0%-100%区间） 3. 例如电力设备、传媒等行业的拥挤度变动幅度较大[3] 2. 因子名称：主力资金净流入因子 - 因子构建思路：追踪主力资金对行业的偏好变化[10] - 因子具体构建过程： 1. 计算申万一级行业指数的主力资金净流入额（单位：亿元） 2. 滚动统计近3日累计净流入，例如有色金属（+15.61亿元）、计算机（-142.99亿元）[10] --- 模型的回测效果 1. 行业拥挤度监测模型 - 近期信号：军工、电力设备拥挤度高位（>80%分位数），商贸零售、煤炭低位（<20%分位数）[3] - 有效性验证：拥挤度高位行业（如电力设备）伴随主力资金流入（+29.08亿元），但需结合其他指标[10] 2. ETF溢价率Z-score模型 - 推荐标的：畜牧养殖ETF（516670.SH）、中证A50ETF（159591.SZ）等溢价率偏离显著的ETF[12] --- 因子的回测效果 1. 行业拥挤度因子 - 极端值分布：电力设备（80%-94%分位数）、传媒（34%-100%分位数）[9] - 与资金流向相关性：高拥挤度行业可能伴随主力资金流入或流出分化（如电力设备流入vs传媒流出）[10] 2. 主力资金净流入因子 - 近3日净流入TOP3行业：有色金属（+15.61亿元）、银行（+7.68亿元）、非银金融（-2.46亿元）[10] - 净流出TOP3行业：计算机（-142.99亿元）、机械设备（-97.50亿元）、国防军工（-68.22亿元）[10]