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：通过构建一个量化模型，对申万一级行业指数的拥挤度进行每日监测，以识别市场情绪过热或过冷的行业[3]。 * 模型具体构建过程：报告未详细说明该模型的具体构建步骤、所使用的底层因子或计算公式。 2. 模型名称：溢价率 Z-score 模型[4] * 模型构建思路：通过计算ETF溢价率的Z-score值，来识别当前溢价率相对于其历史水平的偏离程度，从而筛选出存在潜在套利机会或回调风险的ETF产品[4]。 * 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，但提及了核心指标“溢价率Z-score”。通常，此类模型的构建过程可能包含以下步骤： 1. 计算ETF的日度溢价率：$溢价率 = (ETF市价 - ETF净值) / ETF净值$ 2. 选取一个滚动时间窗口（如过去60个交易日），计算该窗口内溢价率的均值($\mu$)和标准差($\sigma$)。 3. 计算当前溢价率的Z-score值：$Z_t = (溢价率_t - \mu) / \sigma$ 其中，$Z_t$代表当前时点的溢价率Z-score值，用于衡量当前溢价率相对于其近期历史均值的标准化偏离[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：综合多个维度衡量一个行业交易过热或过冷的程度，数值越高通常表示该行业越拥挤[3]。 * 因子具体构建过程：报告未详细说明该因子的具体合成方法、涉及的子因子或计算公式。 2. 因子名称：溢价率Z-score[4] * 因子构建思路：衡量ETF当前溢价率在其近期历史分布中的位置，是一个标准化后的偏离度指标，用于判断溢价率是否处于极端水平[4]。 * 因子具体构建过程：见上文“溢价率 Z-score 模型”的具体构建过程中对Z-score的计算描述[4]。 模型的回测效果 （报告未提供相关模型的回测绩效指标，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告未提供相关因子的IC、IR、多空收益等检验指标。） 模型/因子的具体测试结果取值 1. 行业拥挤度监测模型 与 行业拥挤度因子 * 测试结果取值：报告给出了截至前一交易日（2025/12/12）的监测结果。拥挤度排名靠前的行业为：通信、军工、电子[3]。拥挤度水平较低的行业为：计算机、汽车、传媒[3]。拥挤度变动较大的行业为：建筑装饰、房地产[3]。 2. 溢价率 Z-score 模型 与 溢价率Z-score因子 * 测试结果取值：报告根据该模型输出了“ETF产品关注信号”列表，给出了建议关注的ETF产品，包括：双创龙头ETF(588330.SH)、红利国企ETF(510720.SH)、医疗创新ETF(516820.SH)、有色金属ETF(512400.SH)、工业有色ETF(560860.SH)[14]。报告未列出这些ETF具体的Z-score数值。