根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. 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，识别高拥挤度和低拥挤度的行业[4] - 模型具体构建过程：未明确说明计算逻辑，但输出结果为百分比形式的拥挤度水平（如国防军工、纺织服饰拥挤度分别为92%、91%）[4][10] - 模型评价：用于提示行业短期过热或低估风险，需结合主力资金流动数据综合判断[4] 2. 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，筛选存在套利机会的标的[5] - 模型具体构建过程：未给出具体公式，但提及需动态跟踪溢价率偏离历史均值的标准差[5] - 模型评价：需警惕标的回调风险，适用于短期套利策略[5] 模型的回测效果 1. 行业拥挤度监测模型 - 高拥挤度行业：国防军工（92%）、纺织服饰（91%）、美容护理（88%）[10] - 低拥挤度行业：社会服务（21%）、煤炭（15%）、非银金融（19%）[4][10] 2. ETF溢价率Z-score模型 - 建议关注标的：银行ETF（512800.SH）、碳中和50ETF（159861.SZ）等[12] 量化因子与构建方式 （注：报告中未明确提及独立因子构建，仅涉及模型层面的应用） 因子的回测效果 （注：无相关内容） 数据说明 - 行业拥挤度数据基于近30个交易日动态计算[10] - ETF资金流向数据为单日及近3日累计值[6][11]