根据提供的研报内容，总结如下： 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：通过量化指标监测申万一级行业的交易拥挤程度，识别过热或低估板块[6]；模型具体构建过程：采用30日滚动窗口计算各行业综合拥挤度指标（含成交量、波动率、资金流向等维度），数值区间0%-100%，越高代表越拥挤；模型评价：能有效捕捉市场情绪极端状态，但对行业轮动节奏的预判需结合基本面验证[6][9] 2.模型名称：溢价率Z-score套利信号模型；模型构建思路：通过统计套利方法捕捉ETF价格偏离净值的交易机会[6]；模型具体构建过程：计算标的ETF溢价率的历史Z-score，公式为$Z=\frac{P-NAV}{σ(NAV)}$，当Z>2时触发关注信号[6][11] 量化因子的构建方式 1.因子名称：主力资金净流入因子；因子构建思路：监测大单资金流向判断主力动向[10]；因子具体构建过程：逐日计算行业指数的主力净流入额（大单买入-卖出），并统计3日滚动累计值[10] 模型的回测效果 1.行业拥挤度监测模型，拥挤度阈值：公用事业77%（过热）、汽车8%（低估）[9] 2.溢价率Z-score模型，触发阈值：Z-score>2标准差[11] 因子的回测效果 1.主力资金净流入因子，3日累计值：计算机+4.59亿元（增配）、机械设备-61.92亿元（减配）[10]