根据提供的研报内容，以下是量化模型与因子的总结： 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与潜在风险[4] - 模型具体构建过程： 1. 每日计算各行业指数的拥挤度指标（具体公式未披露，但可能结合成交量、价格波动、资金流向等维度） 2. 对拥挤度进行排名，识别高拥挤度（风险）和低拥挤度（机会）行业 3. 结合主力资金流动数据（近3日净流入/流出）交叉验证[4][11] - 模型评价：能够动态捕捉行业短期过热或低估状态，但需结合资金流向避免误判[4] 2. 模型名称：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： 1. 计算ETF溢价率：$溢价率 = \frac{ETF市价 - ETF净值}{ETF净值} \times 100\%$ 2. 滚动计算溢价率的Z-score：$Z = \frac{当前溢价率 - 滚动窗口均值}{滚动窗口标准差}$ 3. 设定阈值（如|Z|>2）生成交易信号[5][12] - 模型评价：适用于捕捉短期套利机会，但需警惕市场回调风险[5] --- 模型的回测效果 （注：报告中未提供具体回测指标，故跳过） --- 量化因子与构建方式 （注：报告中未涉及独立因子构建，故跳过） --- 行业拥挤度监测结果 - 高拥挤度行业：基础化工（98%）、纺织服饰（95%）、轻工制造（94%）[4][10] - 低拥挤度行业：房地产（21%）、电子（34%）、非银金融（17%）[4][10] - 主力资金流向： - 近3日净流入：环保（+8.91亿元）、食品饮料（+4.02亿元）[11] - 近3日净流出：电子（-55.28亿元）、电力设备（-49.13亿元）[11] --- ETF溢价率Z-score信号 - 建议关注标的： - 石油天然气ETF（159588.SZ）[12] - 军工ETF（512660.SH）[12] - 中证2000ETF华夏（562660.SH）[12] （注：未提供Z-score具体数值，仅列示信号结果）