量化模型与构建方式 1. 模型名称：行业拥挤度监控模型[1][6][16] 模型构建思路：通过计算行业成交额占比的历史分位水平，来刻画市场对特定行业的共识强度与交易结构脆弱性，以预判尾部风险和发掘逆向配置机会[1][2][6][16] 模型具体构建过程： * 核心指标：行业成交额占比。计算特定行业在选定时间窗口内的成交额占全市场总成交额的比例[10][17]。 * 平滑处理：默认使用过去5个交易日的成交额占比（即5日移动平均）来平滑单日异常波动[17]。 * 历史分位计算：将当前平滑后的行业成交额占比，置于一段历史回望窗口期内进行比较，计算其历史百分位（分位数），以此作为“拥挤度”的最终度量[10][17][18]。默认回望窗口为过去3年[18][20]。 * 计算公式为：$行业拥挤度 = Percentile_{历史窗口}(当前成交额占比)$ 其中，Percentile 表示计算历史分位数的函数，历史窗口 为可调参数（如3年），当前成交额占比 为经过平滑（如5日平均）后的值[10][17][18]。 模型评价：该模型采用经典路径，通过交易数据捕捉资金热度，是预判市场情绪和交易结构变化的重要观测工具[1][2][6][16]。其计算框架具备良好的灵活性和延展性，参数可调，适用于不同行业和主题的监控[2][6][16]。 模型的回测效果 （报告中未提供该拥挤度监控模型具体的回测绩效指标，如年化收益率、夏普比率、最大回撤等数值结果，因此本部分省略。） 量化因子与构建方式 1. 因子名称：行业成交额占比因子[10][17] 因子构建思路：直接使用行业成交额占全市场成交总额的比例，作为衡量该行业资金关注度和交易权重的原始指标[10][17]。 因子具体构建过程：对于行业 $i$，在交易日 $t$，其原始成交额占比因子值为：$Factor_{i,t} = \frac{Volume_{i,t}}{Volume_{total,t}}$ 其中，$Volume_{i,t}$ 代表行业 $i$ 在交易日 $t$ 的成交额，$Volume_{total,t}$ 代表全市场在交易日 $t$ 的总成交额[10][17]。报告中通常对此原始因子进行平滑（如计算5日平均）和标准化（计算历史分位）处理，以得到最终的拥挤度指标[17][18]。 2. 因子名称：行业成交额占比历史分位因子（即“拥挤度”因子）[10][17][18] 因子构建思路：在原始成交额占比因子的基础上，通过计算其在历史序列中的百分位，进行纵向标准化，以消除绝对数值的影响，更纯粹地反映当前热度在历史中所处的位置[10][17][18]。 因子具体构建过程： * 步骤1：获取行业 $i$ 在回望期 $H$（如3年）内每个交易日的平滑成交额占比序列 $\{P_{i,t-H}, ..., P_{i,t-1}\}$，以及当前值 $P_{i,t}$[18]。 * 步骤2：计算当前值 $P_{i,t}$ 在该历史序列中的百分位数。$Crowding_{i,t} = \frac{rank(P_{i,t} \text{ in } \{P_{i,t-H}, ..., P_{i,t-1}\})}{length(\{P_{i,t-H}, ..., P_{i,t-1}\})} \times 100\%$ 其中，$rank$ 函数表示 $P_{i,t}$ 在历史序列中按升序排列的位次，$length$ 表示历史序列的长度[18]。该值 $Crowding_{i,t}$ 即为最终的行业拥挤度因子值，范围在0%到100%之间。 因子的回测效果 （报告中未提供上述因子在选股或择时策略中具体的IC值、IR、多空收益等量化回测结果，仅展示了截至某个时点的截面数据[21][25]和单一行业的时序观察[25]，因此本部分省略。）