量化模型与构建方式 1. 模型名称：行业拥挤度监测模型[37] * 模型构建思路： 通过构建量化模型，对申万一级行业指数的拥挤度进行每日监测，以识别市场过热或过冷的行业，为投资决策提供参考[37]。 * 模型具体构建过程： 研报中未详细说明该模型的具体构建步骤和计算公式，仅提及了其监测结果和应用[37]。 2. 模型名称：ETF产品关注信号模型[45] * 模型构建思路： 根据溢价率Z-score模型搭建相关ETF产品筛选信号模型，通过滚动测算提供存在潜在套利机会的标的，同时提示标的回调风险[45]。 * 模型具体构建过程： 研报中未详细说明该模型的具体构建步骤和计算公式，仅提及了其基于“溢价率Z-score”进行搭建[45]。 量化因子与构建方式 1. 因子名称：溢价率Z-score[45] * 因子的构建思路： 作为ETF产品关注信号模型的核心输入，用于衡量ETF交易价格相对于其基金份额参考净值（IOPV）的偏离程度，并通过标准化（Z-score）处理来识别统计意义上的异常值，从而发现潜在的套利机会[45]。 * 因子具体构建过程： 研报中未给出该因子的具体计算公式。通常，ETF溢价率Z-score的构建过程可能如下： 1. 计算ETF的溢价率：$$溢价率 = \frac{ETF交易价格 - IOPV}{IOPV} \times 100%$$ 2. 在滚动时间窗口（如过去20个交易日）内，计算溢价率的均值（μ）和标准差（σ）。 3. 计算当前溢价率的Z-score：$$Z-score = \frac{当前溢价率 - μ}{σ}$$ 通过Z-score的大小和正负来判断ETF价格偏离其历史正常水平的程度[45]。 模型的回测效果 （研报中未提供相关量化模型的回测效果指标数据。） 因子的回测效果 （研报中未提供相关量化因子的回测效果指标数据。）