根据研报内容，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，以识别拥挤度较高或较低的行业[3] * 模型具体构建过程：报告未提供该模型的具体构建过程和公式 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：报告未提供该模型的具体构建过程和公式 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的交易拥挤程度[3] * 因子具体构建过程：报告未提供该因子的具体构建过程和公式 * 因子评价：拥挤度较高的行业可能提示风险，拥挤度较低的行业可能值得关注[3] 2. 因子名称：溢价率 Z-score[4] * 因子构建思路：用于识别ETF价格相对于其净值（IOPV）的异常偏离程度，以捕捉套利机会[4] * 因子具体构建过程：报告未提供该因子的具体构建过程和公式 * 因子评价：该因子有助于发现潜在的套利机会，但需警惕标的回调风险[4] 模型的回测效果 （报告未提供量化模型的回测效果指标取值） 因子的回测效果 （报告未提供量化因子的回测效果指标取值） 模型/因子应用结果 1. 行业拥挤度监测模型应用结果[3] * 监测日期：前一交易日 * 拥挤度较高行业：电力设备、基础化工、环保[3] * 拥挤度较低行业：计算机、汽车、非银金融[3] * 拥挤度变动较大行业：石化、房地产[3] 2. 溢价率 Z-score 模型应用结果[13] * 生成建议关注的ETF产品信号，涉及标的包括：中药ETF华泰柏瑞(561510 SH)、食品ETF(515710 SH)、建材ETF(516750 SH)、中药50ETF(562390 SH)、国开债券ETF(159651 SZ)[13]