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[3] * 模型构建思路：通过构建模型对申万一级行业指数的拥挤度进行每日监测，以识别拥挤度较高和较低的行业[3] * 模型具体构建过程：报告未详细说明该模型的具体构建过程和计算公式 2. 模型名称：溢价率 Z-score 模型[4] * 模型构建思路：通过滚动测算ETF的溢价率Z-score，搭建ETF产品筛选信号模型，以发现存在潜在套利机会的标的[4] * 模型具体构建过程：报告未详细说明该模型的具体构建过程和计算公式，但提及核心指标为“溢价率 Z-score”[4] 量化因子与构建方式 1. 因子名称：行业拥挤度[3] * 因子构建思路：用于衡量申万一级行业指数的交易拥挤程度[3] * 因子具体构建过程：报告未详细说明该因子的具体构建过程和计算公式 2. 因子名称：溢价率 Z-score[4] * 因子构建思路：基于ETF溢价率计算的标准化分数，用于识别溢价率异常（过高或过低）的ETF产品[4] * 因子具体构建过程：报告未详细说明该因子的具体构建过程和计算公式 模型的回测效果 （报告中未提供相关模型的回测效果指标取值） 因子的回测效果 （报告中未提供相关因子的回测效果指标取值） 模型/因子的应用结果 1. 行业拥挤度监测模型应用结果[3] * 拥挤度靠前的行业：电力设备、钢铁、有色金属[3] * 拥挤度水平较低的行业：传媒、社会服务[3] * 拥挤度变动较大的行业：煤炭、汽车[3] 2. 溢价率 Z-score 模型应用结果（ETF产品关注信号）[13] * 建议关注的ETF产品（部分列举）：基建ETF (159619.SZ)、红利国企ETF (510720.SH)、在线消费ETF (159728.SZ)、上海金ETF (159830.SZ)、A100ETF (561180.SH) 等[13]