量化模型与构建方式 1. **模型名称：分红预测模型** - **模型构建思路**：基于上市公司分红信息（年报、快报、预警等）和合理假设，预测指数成分股分红对股指期货合约的影响[7][22][25] - **模型具体构建过程**： 1. **预估净利润**：优先采用年报数据，其次为快报、预警、三季报TTM或分析师预测均值[25][26] 2. **计算税前分红总额**： - 已公布预案的直接采用 - 未公布预案的，沿用历史分红率（若去年分红率>0）或设为零（若去年未分红）[25][29] - 公式：预估分红总额 = 预估净利润 × 分红率[29] 3. **计算分红对指数的影响**： - 股息点 = 股票权重 × (税后分红总额/最新市值)[27] - 权重调整公式： $$\mathrm{w_{it}={\frac{w_{i0}\times\ (\ 1+R\ )}{\sum_{1}^{n}w_{i0}\times\ (\ 1+R\ )}}}$$ （其中 $w_{i0}$ 为初始权重，$R$ 为涨跌幅）[27] 4. **预测合约影响值**： - 除权除息日预测：已公布的直接采用，未公布的参考历史时间差中位数[30][31] - 合约影响值 = 交割日前所有分红点数累加[31] - **模型评价**：依赖历史分红率和时间分布的假设，对未公告分红公司存在预测偏差风险[7][22] 2. **模型名称：股指期货定价模型** - **模型构建思路**：基于无套利原理，考虑分红现值和无风险利率，计算期货理论价格[34][35] - **模型具体构建过程**： - **离散红利分配**： $$F_t = (S_t - D)(1 + r)$$ （$D$ 为红利现值，$r$ 为无风险利率）[34] - **连续红利分配**： $$F_t = S_t e^{(r-d)(T-t)}$$ （$d$ 为年化红利率）[35] --- 量化因子与构建方式 1. **因子名称：分红点数因子** - **因子构建思路**：量化分红对股指期货合约价格的实际影响[10][11][12][13] - **因子具体构建过程**： - 计算单合约分红点数 = 成分股分红对指数的加权贡献[27] - 含分红价差 = 实际价差 + 分红点数[10][11][12][13] 2. **因子名称：年化对冲成本因子** - **因子构建思路**：衡量剔除分红后的持有合约到期成本[10][11][12][13] - **因子具体构建过程**： - 年化对冲成本 = (实际价差 / 收盘价) × (365 / 剩余天数)[10][11][12][13] --- 模型的回测效果 1. **分红预测模型**： - 上证50 IH2505合约：分红点数0.43，年化对冲成本2.22%（365天）[10] - 沪深300 IF2505合约：分红点数5.76，年化对冲成本2.95%（365天）[11] - 中证500 IC2505合约：分红点数3.49，年化对冲成本12.82%（365天）[12] - 中证1000 IM2505合约：分红点数5.93，年化对冲成本14.22%（365天）[13] 2. **股指期货定价模型**： - 理论价格与实际价差对比显示，含分红价差更接近市场实际价格[10][11][12][13] --- 因子的回测效果 1. **分红点数因子**： - IH2509合约：分红点数58.07，含分红价差5.06[10] - IF2509合约：分红点数72.30，含分红价差-33.10[11] - IC2509合约：分红点数77.78，含分红价差-178.00[12] - IM2509合约：分红点数65.69，含分红价差-249.01[13] 2. **年化对冲成本因子**： - IH2506合约：年化对冲成本0.51%（365天）[10] - IF2506合约：年化对冲成本3.57%（365天）[11] - IC2506合约：年化对冲成本9.42%（365天）[12] - IM2506合约：年化对冲成本12.03%（365天）[13]

根据提供的研报内容，以下是量化模型与因子的详细总结： --- 量化模型与构建方式 1. **模型名称**：行业拥挤度监测模型 **模型构建思路**：通过监测申万一级行业指数的拥挤度，识别当前市场热点行业及潜在机会[3] **模型具体构建过程**： - 每日计算各行业指数的拥挤度指标，综合交易量、价格波动、资金流向等数据 - 拥挤度排名靠前的行业（如美容护理、基础化工）视为高风险区域，低拥挤度行业（如传媒）建议关注[3] - 单日变动较大的行业（如公用事业、有色金属）需额外监控主力资金流向[3] 2. **模型名称**：溢价率Z-score模型 **模型构建思路**：筛选ETF产品中溢价率异常的标的，挖掘套利机会[4] **模型具体构建过程**： - 滚动计算ETF溢价率的Z-score值： $$Z = \frac{P - \mu}{\sigma}$$ 其中\(P\)为当前溢价率，\(\mu\)为历史均值，\(\sigma\)为标准差 - Z-score绝对值较高的ETF（如创业板ETF广发、创业50ETF）触发关注信号[13] --- 模型的回测效果 1. **行业拥挤度监测模型**： - 前一交易日拥挤度最高行业：美容护理（96%）、基础化工（52%）、商贸零售（64%）[3][9] - 拥挤度最低行业：传媒（-14.93亿元主力净流出）[3][12] 2. **溢价率Z-score模型**： - 建议关注标的：创业板ETF广发（基金代码159952.SZ）、创业50ETF（基金代码159682.SZ）[13] --- 量化因子与构建方式 1. **因子名称**：主力资金净流入因子 **因子构建思路**：通过主力资金流向判断行业短期热度[3][12] **因子具体构建过程**： - 计算申万一级行业指数的主力净流入额（T日、T-1日、T-2日） - 近3日合计净流入为正的行业（如汽车+15.37亿元）视为资金增配方向[12] 2. **因子名称**：ETF资金流动因子 **因子构建思路**：跟踪ETF资金净流入/流出规模，捕捉市场偏好[6] **因子具体构建过程**： - 按宽基、行业主题、跨境等分类统计单日净流入TOP3（如创业板ETF+6.03亿元）和流出TOP3（如中证A500ETF基金-5.35亿元）[6] --- 因子的回测效果 1. **主力资金净流入因子**： - 近3日主力增配行业：汽车（+15.37亿元）[12] - 主力减配行业：计算机（-88.40亿元）、电子（-76.45亿元）[12] 2. **ETF资金流动因子**： - 单日净流入最高：港股科技50ETF（+6.67亿元）、港股通互联网ETF（+6.08亿元）[6] - 单日净流出最高：港股创新药ETF（-4.74亿元）[6] --- 以上总结严格基于研报中提及的模型、因子及数据，未包含免责声明或评级规则等无关内容[4][14][15][16][17][18]。

量化因子与构建方式 1 因子名称：RSI相对强弱指标[2] - 因子构建思路：通过计算一定周期内平均涨幅与平均跌幅的比值，衡量市场超买或超卖状态[2] - 因子具体构建过程： - 计算周期为12天的平均涨幅（AvgGain）和平均跌幅（AvgLoss） - 计算相对强弱比RS = AvgGain / AvgLoss - 最终公式：$$RSI = 100 - \frac{100}{1+RS}$$ - RSI>70为超买状态，RSI<30为超卖状态[2] - 因子评价：经典动量类指标，适用于短期趋势判断 2 因子名称：净申购金额[2] - 因子构建思路：通过ETF净值变化计算资金流入流出情况 - 因子具体构建过程： - 计算公式：$$NETBUY(T) = NAV(T) - NAV(T-1) \times (1+R(T))$$ - 其中NAV(T)为当日净值，R(T)为标的指数收益率[2] 因子的回测效果 1 RSI因子： - 宽基ETF中取值区间43.21-68.32（如易方达上证50ETF达68.32）[4] - 主题ETF中极端值出现在光伏板块（华泰柏瑞中证光伏产业ETF仅30.37）[4] 2 净申购因子： - 单日最大净流出为华夏上证50ETF（-5.5亿元）[4] - 单日最大净流入为易方达中证海外互联ETF（25.44亿元）[4] 其他量化指标 1 机构持仓占比： - 宽基ETF最高为华夏中证1000ETF（95.6%）[4] - 主题ETF最高为汇添富中证上海国企ETF（96.29%）[4] 2 成交额指标： - 宽基ETF中华泰柏瑞沪深300ETF达18.94亿元[4] - 主题ETF中华夏恒生科技ETF达55.44亿元[4] 注：报告未涉及完整量化模型构建，主要展示基于市场数据的因子计算与应用[2][4]

根据提供的研报内容，以下是量化模型与因子的详细总结： --- 量化模型与构建方式 1. **模型名称**：基金抱团度模型 - **模型构建思路**：通过重仓股抱团度及其持仓占比衡量基金的抱团程度，反映机构投资的趋同性[30] - **模型具体构建过程**： 1. **股票抱团度计算**：统计每只股票被重仓的基金数量，计算其百分位排名： $$stock\_score_{i,t} = rank_{pt}(num_{i,t})$$ 其中，\(num_{i,t}\)为报告期\(t\)重仓股票\(i\)的基金数量[30][31] 2. **基金抱团度计算**：对基金持有的前十大重仓股，以股票市值占比为权重加权抱团度得分： $$fund\_score_{j,t}=\sum_{k=1}^{10}stock\_cap_{k,t} \times stock\_score_{k,t}$$ 其中，\(stock\_cap_{k,t}\)为股票\(k\)的市值占基金股票持仓比例[32] - **模型评价**：能够有效捕捉机构投资行为的集中趋势，但需结合市场环境动态分析[30][32] --- 模型的回测效果 1. **基金抱团度模型**： - 2025Q1抱团度处于历史中枢略偏高位置，较上季度下降[32][33] --- 量化因子与构建方式 1. **因子名称**：板块超/低配因子 - **因子构建思路**：通过比较当前持仓占比与历史均值，识别板块配置偏离度[16] - **因子具体构建过程**： 1. 计算板块当前持仓占比与近5年历史均值的差值： $$over\_under\_weight = current\_weight - historical\_mean\_weight$$ 2. 超配板块：港股（+9.10pct）、TMT（+2.20pct）、机械（+0.29pct）；低配板块：消费（-5.48pct）、医药（-3.15pct）[16][22] - **因子评价**：反映基金经理对板块的偏好变化，但需结合行业景气度验证[16][21] 2. **因子名称**：行业动量因子 - **因子构建思路**：追踪行业配置比例的时序变化，捕捉趋势性机会[20][21] - **因子具体构建过程**： 1. 计算行业持仓占比的季度变动： $$momentum = weight_{t} - weight_{t-1}$$ 2. 2025Q1动量最强行业：港股（+4.74pct）、汽车（+0.74pct）；最弱行业：电力设备及新能源（-1.86pct）、通信（-1.66pct）[20][22] --- 因子的回测效果 1. **板块超/低配因子**： - 港股超配比例达7.31pct，电子超配2.59pct；食品饮料低配2.78pct[21][22] 2. **行业动量因子**： - 港股和电子配置比例连续4个季度上升，食品饮料和医药连续下降[21][22] --- 以上总结严格基于研报中量化相关部分，未包含风险提示等非核心内容[1][3][6]。

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **均线比较模型** - 构建思路：通过比较指数收盘价与不同周期均线（MA5/MA10/MA20等）的关系，判断市场趋势强度[14] - 具体构建：计算各宽基指数（如上证50、沪深300）的收盘价与5日/10日/20日均线的偏离百分比，公式为： $$ vsMA_n = \frac{收盘价 - MA_n}{MA_n} \times 100\% $$ 其中n为均线周期（5/10/20等）[14] - 模型评价：能有效捕捉短期市场超买超卖信号 2. **风险溢价模型** - 构建思路：以十年期国债收益率为基准，计算股票指数的超额收益[26][27] - 具体构建： $$ 风险溢价 = 指数收益率 - 十年国债即期收益率 $$ 并统计近1年/5年分位值及波动率[28][29] - 模型评价：中证2000和创业板指的风险溢价波动性显著高于大盘指数[31] 3. **股债性价比模型** - 构建思路：通过PE-TTM倒数与国债收益率的差值衡量权益资产相对吸引力[38][40] - 具体构建： $$ 股债性价比 = \frac{1}{PE-TTM} - 十年国债收益率 $$ 结合80%/20%分位值判断极端情况[41] 量化因子与构建方式 1. **PE-TTM因子** - 构建思路：跟踪滚动市盈率的历史分位值[35][37] - 具体构建：计算当前PE-TTM在近1年/5年数据中的百分位排名，公式为： $$ 分位值 = \frac{当前值 - 最小值}{最大值 - 最小值} \times 100\% $$ 并设置±1倍标准差通道[38] 2. **股息率因子** - 构建思路：反映现金分红回报率，适用于防御性策略[43][44] - 具体构建： $$ 股息率 = \frac{年度现金分红总额}{总市值} \times 100\% $$ 统计沪深300等指数的近5年分位值[46][48] 3. **破净率因子** - 构建思路：衡量市净率<1的个股占比，反映市场悲观情绪[49][50] - 具体构建： $$ 破净率 = \frac{破净个股数}{总成分股数} \times 100\% $$ 跟踪各指数破净率的中枢变化[50] 模型回测效果 1. **均线比较模型** - 上证50 vsMA5：-0.24%[14] - 中证2000 vsMA20：1.16%[14] 2. **风险溢价模型** - 中证2000近5年分位值：79.84%[29] - 创业板指近1年波动率：2.53%[29] 3. **PE-TTM因子** - 中证500近5年分位值：78.84%[37] - 创业板指当前值：29.76[38] 4. **股息率因子** - 沪深300近5年分位值：97.27%[48] - 中证2000当前值：1.03%[48] 5. **破净率因子** - 上证50当前值：28.0%[50] - 创业板指当前值：3.0%[50]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **主动权益基金筛选模型** - 构建思路：通过基金二级投资分类和股票仓位阈值筛选主动权益基金[22] - 具体构建： 1. 备选池包括普通股票型、偏股混合型、灵活配置型、增强指数基金 2. 筛选连续4个季度股票规模权重超过60%的基金[22] - 评价：有效区分主动管理与被动指数基金 2. **固收+基金筛选模型** - 构建思路：基于基金类型和股票仓位限制定义固收+基金[70] - 具体构建： 1. 备选池为混合债券型二级基金、偏债混合型基金、灵活配置型基金 2. 筛选过去4个季度股票仓位均值<30%且最大值<40%的基金[70] 量化因子与构建方式 1. **行业配置因子** - 构建思路：通过基金重仓股行业分布计算超配/低配比例[29][33][36] - 具体构建： $$超配比例 = 基金行业持仓占比 - 基准指数行业占比$$ 例如半导体行业超配4.86%（基金占比11.16% - 中证800占比6.30%）[33] 2. **主动调仓因子** - 构建思路：剥离股价波动影响，计算基金真实调仓行为[57][59] - 具体构建： $$主动增减持规模 = Q1持仓市值 - Q4持仓市值 \times (1+Q1股票涨跌幅)$$ 如比亚迪主动增持60.84亿元[57] 3. **杠杆率因子** - 构建思路：衡量固收类基金负债操作水平[85] - 具体构建：规模加权计算基金整体杠杆率，2025Q1固收+基金杠杆率113.27%[85] 模型/因子的回测效果 1. **行业配置因子** - 超配前三行业：半导体(4.86%)、化学制药(2.77%)、电池(2.46%)[33] - 低配前三行业：证券II(-6.43%)、股份制银行II(-3.63%)、电力(-2.36%)[36] 2. **主动调仓因子** - 最大增持：有色金属(+0.57%)、汽车(+0.51%)、传媒(+0.32%)[40] - 最大减持：电力设备(-2.42%)、通信(-1.59%)、家用电器(-0.66%)[41] 3. **港股配置因子** - 资讯科技业主动增持18.96%，季度涨幅22.41%[63] 4. **杠杆率因子** - 固收+基金杠杆率季度下降3.05%至113.27%[85] - 中长期纯债型基金杠杆率上升0.25%至120.59%[91]

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称**：无具体量化模型名称 该研报主要关注公募基金持仓分析，未提及具体的量化模型构建[1][2][3] 2. **因子名称**：无具体量化因子名称 研报内容集中于基金持仓的统计分析，未涉及量化因子的构建或分析[4][5][6] 模型的回测效果 1. 无相关内容 量化因子与构建方式 1. 无相关内容 因子的回测效果 1. 无相关内容 其他关键数据 1. **行业涨跌幅**： - 涨幅前五行业：综合金融(10.87%)、有色金属(8.80%)、农林牧渔(4.76%)、银行(4.03%)、汽车(3.70%)[17] - 跌幅前五行业：煤炭(-12.25%)、非银行金融(-9.63%)、通信(-9.42%)、石油石化(-8.59%)、电力设备及新能源(-7.91%)[17] 2. **基金持仓变化**： - 增持前三行业：汽车(+124.09亿)、有色金属(+122.26亿)、机械(+112.99亿)[35] - 减持前三行业：电力设备及新能源(-268.45亿)、通信(-276.66亿)[35] 3. **个股持仓变化**： - 增持前五个股：比亚迪(+94.9亿)、山西汾酒(+51.95亿)、紫金矿业(+47.52亿)[48] - 减持前五个股：宁德时代(-144.67亿)、沪电股份(-99.04亿)、中际旭创(-98.31亿)[59] 4. **港股持仓**： - 持仓规模前五：腾讯控股(683.31亿)、阿里巴巴-W(336.31亿)、中芯国际(204.32亿)[76] - QDII持仓前五：腾讯控股(37.99亿)、阿里巴巴-W(27.64亿)、携程集团-S(10.93亿)[77] 注：该研报为基金持仓分析报告，未涉及量化模型或因子相关内容，主要提供市场数据和持仓统计[1][2][3][4][5][6]

根据提供的量化分析报告内容，以下是关于量化模型和因子的详细总结： 量化因子与构建方式 1. **动量因子** - 构建思路：捕捉资产价格持续上涨或下跌的趋势[23] - 具体构建：计算过去N期收益率加权平均值，公式为： $$动量_t = \sum_{i=1}^{N} w_i \cdot R_{t-i}$$ 其中$w_i$为时间衰减权重，$R_{t-i}$为历史收益率 - 评价：对趋势性行情敏感，但易受市场反转影响 2. **波动率因子** - 构建思路：衡量资产价格波动幅度[23] - 具体构建：采用20日滚动年化波动率计算： $$\sigma_t = \sqrt{252} \cdot \sqrt{\frac{1}{N}\sum_{i=1}^{N}(r_{t-i} - \bar{r})^2}$$ - 评价：常用于风险控制和组合优化 3. **流动性因子** - 构建思路：反映资产交易活跃程度[23] - 具体构建：结合日均成交额与流通市值比率： $$流动性_t = \frac{成交额_{20d}}{流通市值}$$ 4. **价值因子** - 构建思路：识别低估值股票[23] - 具体构建：采用PB-ROE框架： $$价值得分 = \frac{ROE}{PB}$$ 因子回测效果 | 因子名称 | IC均值 | IR | 年化收益率 | |----------------|--------|-------|------------| | 动量因子 | 0.2598 | 1.29 | 15.7%[23] | | 波动率因子 | 0.1575 | 0.82 | 9.2%[23] | | 流动性因子 | 0.5005 | 1.11 | 12.3%[23] | | 价值因子 | -0.7927| -0.22 | -3.5%[23] | 风格配置分析 - **增持风格**：动量(+0.1614)、波动率(+0.1021)、流动性(+0.0959)[23] - **减持风格**：盈利(-0.0903)、市值(-0.0394)、价值(-0.0373)[23] - **行业偏好**：电子(19.03%)、医药(10.69%)、汽车(+1.24%增配)[32][42] 复合因子应用 - **成长-动量复合因子**：通过筛选高成长性且趋势向上的股票，在科技板块取得超额收益[56] - **风险调整因子**：结合波动率与流动性因子构建，信息比率达1.37[23] 注：报告中未提及具体量化模型构建细节，主要聚焦于因子层面的分析和配置策略。所有数据均基于2025Q1季报披露的持仓统计[7][9][11]。

根据提供的研报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：大小盘风格因子** - 因子构建思路：用于衡量市场大小盘风格偏向[13] - 因子具体构建过程：通过计算大盘股与小盘股的相对收益或市值加权比例来确定风格偏向 - 因子评价：能够有效捕捉市场风格变化 2. **因子名称：价值成长风格因子** - 因子构建思路：用于衡量市场价值与成长风格的偏向[13] - 因子具体构建过程：通过计算价值股（如低市盈率、高股息率）与成长股（如高营收增长率）的相对收益来确定风格偏向 - 因子评价：在市场风格切换时表现显著 3. **因子名称：行业指数超额收益离散度因子** - 因子构建思路：用于衡量行业间超额收益的离散程度[13] - 因子具体构建过程：计算各行业指数超额收益的标准差或变异系数 - 因子评价：反映行业轮动的活跃程度 4. **因子名称：行业轮动度量因子** - 因子构建思路：用于衡量行业轮动的速度[13] - 因子具体构建过程：通过计算行业收益排名的变动率或相关性衰减速度 - 因子评价：能够捕捉行业轮动的周期性特征 5. **因子名称：交易集中度因子** - 因子构建思路：用于衡量市场交易的集中程度[13] - 因子具体构建过程：计算前100个股成交额占比或前5行业成交额占比 - 因子评价：反映市场资金的集中或分散趋势 6. **因子名称：市场波动率因子** - 因子构建思路：用于衡量市场整体波动水平[13] - 因子具体构建过程：计算指数收益率的滚动标准差或已实现波动率 - 因子评价：能够有效捕捉市场风险情绪变化 7. **因子名称：市场换手率因子** - 因子构建思路：用于衡量市场交易的活跃程度[13] - 因子具体构建过程：计算市场总成交额与流通市值的比率 - 因子评价：反映市场流动性和投资者情绪 因子的回测效果 1. **大小盘风格因子** - 风格偏向大盘[13] 2. **价值成长风格因子** - 风格偏向价值[13] 3. **行业指数超额收益离散度因子** - 行业收益离散度下降[13] 4. **行业轮动度量因子** - 行业轮动速度持平[13] 5. **交易集中度因子** - 个股成交集中度下降[13] - 行业成交集中度下降[13] 6. **市场波动率因子** - 市场波动率下降[13] 7. **市场换手率因子** - 市场换手率下降[13] 以上内容均基于研报中提到的量化因子及其表现[13]。

根据提供的金融工程定期报告内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 （注：报告中未明确提及具体量化模型名称和构建过程，该部分内容缺失） 量化因子与构建方式 1. **均线偏离因子** - 构建思路：通过计算指数价格与不同周期均线的偏离程度，捕捉短期超买超卖信号[17] - 具体构建： - 计算5日/10日/20日/60日/120日/250日均线（MA） - 偏离度公式：$$ \text{偏离度} = \frac{\text{收盘价} - \text{MA}_n}{\text{MA}_n} \times 100\% $$ - 例如上证50对5日均线偏离-0.02%，中证2000对120日均线偏离-2.08%[19] - 因子评价：中证500、中证1000等指数对长期均线偏离较大，反转势能显著[17] 2. **风险溢价因子** - 构建思路：以十年期国债收益率为基准，衡量权益资产超额收益[31] - 具体构建： - 风险溢价 = 指数收益率 - 十年期国债即期收益率 - 分位值计算采用近5年历史分布[32] - 因子评价：上证50风险溢价分位值达57.62%，显示较高配置价值；创业板指分位值仅30.08%，吸引力较低[33] 3. **PE-TTM估值因子** - 构建思路：动态市盈率结合历史分位评估估值水平[36] - 具体构建： - 计算滚动市盈率：$$ \text{PE-TTM} = \frac{\text{总市值}}{\text{最近12个月净利润}} $$ - 中证500当前PE-TTM为27.79，近5年分位值78.68%[43] - 因子评价：中小盘指数估值分位偏高，需警惕回调风险[39] 4. **股息率因子** - 构建思路：现金分红与股价比率，捕捉高股息资产[48] - 具体构建： - $$ \text{股息率} = \frac{\text{近12个月分红总额}}{\text{总市值}} \times 100\% $$ - 沪深300股息率3.65%，近5年分位值97.11%[53] - 因子评价：大盘指数股息率处于历史高位，防御性突出[51] 5. **破净率因子** - 构建思路：市净率低于1的个股占比，反映市场悲观情绪[55] - 具体构建：统计指数成分股中$$ \text{市净率} = \frac{\text{股价}}{\text{每股净资产}} < 1 $$的股票比例 - 当前上证50破净率26%，创业板指仅3%[55] 因子回测效果 1. **均线偏离因子** - 中证2000对250日均线偏离+43.17%，创最大正向偏离记录[19] - 创业板指对120日均线偏离-10.55%，显示深度超卖[19] 2. **风险溢价因子** - 近1年波动率：中证2000达2.29%，创业板指2.53%[33] - 当前风险溢价：上证50 +0.13%，创业板指 -0.82%[33] 3. **PE-TTM估值因子** - 中证500近1年波动率3.33，当前值超+1倍标准差-0.74%[44] - 创业板指PE-TTM 29.61，低于近1年均值29.99[44] 4. **股息率因子** - 沪深300股息率超+2倍标准差24.92%[53] - 中证2000股息率1.04%，低于近1年均值1.15%[53] 5. **破净率因子** - 上证50破净个股占比26%，沪深300为19%[55] - 中证2000破净率最低仅5.8%[55] （注：报告未提供信息比率IR等风险调整后收益指标）