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： 对申万一级行业指数的拥挤度进行每日监测，以识别行业交易热度水平[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： 通过计算ETF溢价率的Z-score来搭建ETF产品筛选信号模型，以识别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，但提及核心是计算溢价率的Z-score值，公式一般形式为： $Z = \frac{X - \mu}{\sigma}$ 其中，$Z$ 代表Z-score值，$X$ 代表当前溢价率，$\mu$ 代表一定历史窗口期内的溢价率均值，$\sigma$ 代表相应窗口期内的溢价率标准差[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： 报告未提供该因子的具体构建过程和公式 2. 因子名称：主力资金净流入额[3][13] 因子构建思路： 用于监测单日及多日主力资金在行业间的流动情况[3][13] 因子具体构建过程： 报告展示了具体数据，但未详细说明其计算方法和公式，通常为主力资金买入额与卖出额的差值[13] 3. 因子名称：ETF资金净流入[5][6] 因子构建思路： 用于监测不同类型ETF（宽基、行业主题、风格策略、跨境）的单日资金流动情况[5] 因子具体构建过程： 报告展示了具体数据，但未详细说明其计算方法和公式，通常为ETF当日申购金额与赎回金额的差值[5][6] 4. 因子名称：IOPV溢价率[6] 因子构建思路： 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[6] 因子具体构建过程： 报告展示了具体数据，但未详细说明其计算方法和公式，通常为： $IOPV溢价率 = \frac{ETF市价 - IOPV}{IOPV} \times 100\%$ 其中，IOPV（Indicative Optimized Portfolio Value）是交易所计算的基金份额参考净值[6] 模型的回测效果 （报告未提供相关模型的量化回测效果指标） 因子的回测效果 （报告未提供相关因子的量化回测效果指标，但提供了特定时点的因子数值观察结果，例如通信、房地产行业拥挤度靠前，家电、汽车、非银金融行业拥挤度水平较低[3]；建筑装饰、交通运输、家用电器行业拥挤度变动较大[3]；以及各ETF的单日资金净流入/流出额[5][6]和IOPV溢价率[6]）