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机会行业[3] - 模型具体构建过程： 1 计算各行业指数的历史滚动窗口（如30日）内价格、成交量、波动率等指标的标准化值 2 综合多个指标（如价格偏离度、换手率分位数）构建拥挤度得分，公式示例： $\text{Crowding Score} = w_1 \cdot \text{Price Z-score} + w_2 \cdot \text{Turnover Rank}$ 其中权重$w_1$、$w_2$根据历史回测优化确定 3 按得分排序，划分高/低拥挤度行业[3][9] - 模型评价：能够有效捕捉市场情绪极端状态，但需结合资金流向数据验证[3] 2 模型名称：溢价率Z-score模型 - 模型构建思路：通过ETF溢价率的统计特征筛选套利机会标的[4] - 模型具体构建过程： 1 计算ETF溢价率的滚动窗口（如20日）Z-score： $Z = \frac{P_{\text{溢价率}} - \mu_{\text{溢价率}}}{\sigma_{\text{溢价率}}}$ 2 设定阈值（如|Z|>2）生成交易信号[4][14] - 模型评价：对短期套利有指导意义，但需警惕市场流动性风险[4] --- 模型的回测效果 1 行业拥挤度监测模型： - 高拥挤度行业（如建材、军工）近3日主力资金净流出超100亿元[12] - 低拥挤度行业（煤炭、石油石化）资金流出规模较小（<3亿元）[12] 2 溢价率Z-score模型： - 筛选标的示例：电池龙头ETF（159767 SZ）规模1.13亿元，跟踪新能电池指数[14] --- 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：监测行业主力资金流向判断资金偏好[12] - 因子具体构建过程： 1 按申万一级行业分类计算单日主力净流入额 2 滚动3日求和得到短期资金动向[12] 2 因子名称：ETF资金流动因子 - 因子构建思路：跟踪各类ETF资金净流动捕捉市场风格切换[5] - 因子具体构建过程： 1 分类统计宽基/行业/跨境ETF单日净流入额 2 计算资金流动排名（如TOP3净流入/流出）[5] --- 因子的回测效果 1 主力资金净流入因子： - 银行、非银金融近3日净流入分别为6.94亿、21.99亿元[12] - 军工、机械设备净流出超100亿元[12] 2 ETF资金流动因子： - 宽基ETF单日净流出109.69亿元（科创50ETF流出35.12亿）[5] - 跨境ETF净流入26.68亿元（港股通互联网ETF流入8.16亿）[5]