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，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：报告未详细说明该模型的具体构建步骤和计算公式，仅提及核心思想是计算溢价率的Z-score。 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：用于衡量某个行业交易过热或过冷的程度，数值越高可能表明该行业交易越拥挤[3]。 * 因子具体构建过程：报告未详细说明该因子的具体计算方法和构成指标。 2. 因子名称：溢价率 Z-score[4] * 因子构建思路：基于ETF的IOPV溢价率，通过标准化处理（计算Z-score）来度量当前溢价率在历史序列中的相对位置，用于发现异常溢价[4]。 * 因子具体构建过程：报告未给出具体的计算公式。通常，Z-score的计算公式为： $Z = \frac{X - \mu}{\sigma}$ 其中，$X$代表当前交易日的ETF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。 模型的回测效果 （报告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 （报告未提供相关量化因子的回测效果指标数据）