根据研报内容，总结如下： 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，识别行业投资机会与风险[4] - 模型具体构建过程：未明确给出计算公式，但通过每日跟踪行业拥挤度水平（百分比形式），动态展示行业热度分布。图表3显示拥挤度数值范围（如纺织服饰98%、房地产1%等），并标注单日变动较大的行业（如农林牧渔、石油石化、计算机）[4][9] - 模型评价：能够有效捕捉行业短期过热或低估状态，辅助资金流向分析 2. 溢价率Z-score模型 - 模型构建思路：滚动测算ETF溢价率偏离程度，筛选潜在套利标的[5] - 模型具体构建过程：未给出具体公式，但通过标准化处理溢价率历史数据生成信号（如建议关注恒生创新药ETF等产品）[5][11] 量化因子与构建方式 （报告中未明确提及独立因子构建） 模型的回测效果 1. 行业拥挤度监测模型 - 测试结果： - 高拥挤行业：纺织服饰（98%）、轻工制造（91%）、环保（85%）[4][9] - 低拥挤行业：房地产（1%）、电子（4%）、煤炭（21%）[4][9] - 主力资金流向验证：计算机（近3日净流入20.79亿元）与模型低拥挤信号部分吻合[10] 2. 溢价率Z-score模型 - 测试结果： - 输出标的：恒生创新药ETF（规模5.14亿元）、创新药ETF华泰柏瑞（规模2.80亿元）等[11] 因子的回测效果 （报告中未提供因子单独测试数据） 注：主力资金流向数据与行业拥挤度存在联动性（如计算机行业资金流入56.1亿元对应拥挤度59%）[10][9]，但未明确构成因果关系