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**：通过计算各行业交易拥挤度指标，识别处于高拥挤状态的行业以预警潜在波动风险[7][30] - **模型具体构建过程**： 1. 计算各行业滚动3年内的交易活跃度分位数 2. 设定95%分位为预警阈值，超过阈值的行业触发拥挤信号 3. 监测指标包括成交量、换手率等高频数据[9][13][32] - **模型评价**：能有效捕捉交易过热风险，但对基本面变化不敏感 2. **模型名称：大资金活跃度指标模型** - **模型构建思路**：基于龙虎榜数据构建资金情绪指标，判断小盘风格相对强弱[8][10] - **模型具体构建过程**： 1. 统计龙虎榜机构席位买卖金额占比 2. 计算标准化后的资金活跃度指数： $$ \text{活跃度} = \frac{\text{机构买入额}-\text{机构卖出额}}{\text{市场总成交额}} $$ 3. 通过移动平均平滑处理[10] - **模型评价**：对小盘风格切换有领先指示作用 3. **模型名称：综合配置策略模型** - **模型构建思路**：结合行业景气度与拥挤度进行多因子配置[2][34] - **模型具体构建过程**： 1. 筛选景气上行或持平的行业（见图3[12]） 2. 剔除拥挤度高于预警值的行业 3. 权重分配：景气上行行业权重=2×景气持平行业权重[2][34] 模型的回测效果 1. **综合配置策略模型**： - 最近1个月收益4.6%，超额收益（vs中证800）1.1%[2][34] - 最近6个月收益33.9%，超额收益8.8%[35] - IR（年化）1.2，最大回撤-15.3%[34] 2. **行业拥挤度监测模型**： - 对TMT行业的预警准确率82%（2019-2025回溯测试）[9][30] 量化因子与构建方式 1. **因子名称：行业景气度因子** - **因子构建思路**：通过宏观+行业高频数据合成景气指数[12][14][19][21][25][28] - **因子具体构建过程**： 1. 汽车因子：整合政策力度、M1增速、社融增速等指标[14][17] 2. 化工因子：结合地产数据（如二手房成交量）与新能源价格指标[19] 3. 光伏因子：跟踪产业链价格指数与产能利用率[21][23] 4. 新能源车因子：碳酸锂价格+充电桩保有量增速[25][26] - **因子评价**：对周期行业有较强解释力 2. **因子名称：小市值风格因子** - **因子构建思路**：捕捉大资金活跃度与小盘股超额收益的关系[8][10] - **因子具体构建过程**： 1. 计算全市场市值后30%分位股票组合的相对收益 2. 与大资金活跃度指标做滚动相关性检验[10] 因子的回测效果 1. **行业景气度因子**： - 汽车因子IC均值0.32，RankIC 0.41[14] - 光伏因子3个月预测胜率68%[21] 2. **小市值风格因子**： - 2025年以来多空收益差+14.5%[10] - 与龙虎榜资金流相关性0.78[10]