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：通过构建一个多维度指标体系，对申万一级行业指数的拥挤度进行每日监测，以识别行业交易过热或过冷的状态[3]。 * 模型具体构建过程：报告未详细说明该模型的具体构建步骤、所采用的指标维度及合成方法。 2. 模型名称：溢价率Z-score模型[4] * 模型构建思路：通过计算ETF产品溢价率的历史Z-score值，来识别当前溢价率是否处于统计意义上的异常水平，从而筛选存在潜在套利机会或回调风险的ETF标的[4]。 * 模型具体构建过程：报告未详细说明该模型的具体计算窗口期、Z-score阈值设定等构建细节。其核心公式应为： $Z = \frac{P - \mu}{\sigma}$ 其中，(P)代表当前溢价率，(\mu)代表滚动窗口期内的历史溢价率均值，(\sigma)代表滚动窗口期内的历史溢价率标准差。 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：综合多个市场维度（报告未明确具体维度，可能包括交易量、价格动量、资金流向等）构建一个衡量行业交易拥挤程度的综合指标[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合成公式。 2. 因子名称：溢价率Z-score[4] * 因子构建思路：将ETF的实时溢价率与其自身历史表现进行标准化比较，得到一个表征当前溢价率偏离历史正常水平的统计值[4]。 * 因子具体构建过程：作为溢价率Z-score模型的核心输出，其计算过程与上述模型公式一致，即对滚动窗口期内的历史溢价率序列进行标准化处理，得到当前溢价率的Z-score值。 模型的回测效果 （报告中未提供量化模型的回测效果指标数据） 因子的回测效果 （报告中未提供量化因子的回测效果指标数据）