宏观经济中长期潜力与结构分化 - 中长期来看 我国经济具有较大增长潜力 [1] - 2025年宏观经济总量稳定 但结构分化明显 具体表现为供、需分化以及量、价分化 [1] - 内需偏弱仍是需要2026年政策解决的问题 物价指标是关注内需变化的核心指标 [1] - 稳增长的关键在于稳价格 [1] 资产配置与通胀预期 - 资产重构 决胜于“价” [2] - 通胀预期对于居民财富管理至关重要 [2] 全球资产定价框架变化 - 全球经济、货币体系重构 导致黄金、美元、美债等资产的定价框架也发生变化 [3]

核心观点 - 在零售连锁药店行业需求端弱化、供给侧收缩的背景下，行业龙头药店的经营拐点已经出现，应重点关注其在2026年通过内生增长和外延扩张带来的增长潜力 [1] 行业整体表现与趋势 - 2024年中国实体药店市场（药品+非药）零售规模达6119亿元，同比下降1.8% [2] - 2025年前三季度行业规模为4490亿元，同比下降1.9%，但环比呈现复苏态势，其中2025年9月行业规模为538亿元，同比增长0.8%，环比增长6.7% [2] - 分品类看，2025年前三季度实体药店药品收入同比下降0.8%，器械下降1.8%，中药饮片下降4.8%，保健品下降16.6%，且各品类降幅均较2025年1-8月数据有所收窄 [2] 需求侧变化与品类结构 - 在终端消费较弱的背景下，偏消费属性的品类（如保健品）降幅较大，而偏刚需的药品品类实现环比复苏 [3] - 2025年9月实体药店药品零售规模为437亿元，环比增长6.9%，同比增长2.2%，创新药销售提升是主要拉动因素 [3] - 品类增速差异导致药店前三季度药品销售占比同比提升0.8个百分点至81.4%，保健品类占比同比下降0.5个百分点至3.8%，消费变量对线下药店的影响正在减弱 [3] 供给侧出清与集中度提升 - 实体药店数量在2024年再创新高，一度突破70万家，较2014年末的43.5万家增长超60%，导致平均单店服务客群下探至约2000人/店，行业竞争压力凸显 [4] - 部分中小连锁药店因经营不善开始申请破产或注销，2024年第四季度和2025年第一季度行业门店数量分别净减少4000家和3000家 [4] - 头部连锁药店凭借更强的经营韧性和管理能力，关店比例更低，根据中康数据（2025年第一季度对比2023年第三季度），行业TOP10连锁关店率最低为2.3%，而其他小连锁关店率最高达4.5%，行业集中度有望被动提升 [4] 龙头药店增长前景 - 预计2026年龙头药店将通过“内生+外延”同步驱动增长 [5] - 内生增长方面：近期流感发病率快速爬升将带动呼吸类等药品销售，第47周北方哨点医院流感阳性病例达到8.6%，已明显高于2022-2024年同期水平；同时行业门店数量减少有望推动剩余存量药店客流回升 [5] - 外延扩张方面：头部连锁药店有望通过并购实现持续扩张，当前部分行业龙头直营门店数量约1万家，行业占比仅约1.5%，仍处于较低水平，行业格局变化处于早期阶段，长期看好行业集中度提升主线 [5]

核心观点 - DeepSeek-V3.2系列的发布标志着开源大模型进入性能与实用性并重的新阶段 其在核心推理能力上达到顶尖闭源模型水平 并创新性地将思考模式融入工具调用 为AI应用开发提供了更高效、更经济的解决方案 推动大模型开源与开发者生态繁荣 [1][2] 模型性能与能力突破 - DeepSeek-V3.2在公开推理基准测试中表现已对标GPT-5 并显著优于部分专注长上下文的开源模型 [2] - 长思考增强版V3.2-Speciale在多项国际顶级竞赛中达到人类顶尖水平 在国际数学奥林匹克（IMO）、国际大学生程序设计竞赛（ICPC）等顶级赛事中斩获金牌 其中ICPC成绩位列人类选手第二名 [2] - V3.2-Speciale版本融合了深度数学定理证明能力 首次在多项高难度推理任务上验证了开源模型达到人类顶尖智力水平的潜力 [2] - DeepSeek-V3.2是业界首个将链式思考能力系统化融入工具调用流程的开源模型 [3] - 通过独创的大规模Agent训练数据合成方法 模型在涵盖1800余个环境的85,000余条复杂指令上进行强化学习 使其在未经特殊训练的工具调用评测中达到开源模型最高水平 显著缩小了与闭源模型的差距 [3] 技术架构与创新 - 模型创新性地实现了思考模式与工具调用的深度融合 大幅提升了智能体在复杂场景中的泛化与执行能力 [3] - 该架构允许开发者在思考模式下进行多轮规划与工具调用 为构建能够处理复杂、多步骤现实任务的AI智能体提供了可靠的开源基础 [3] - 此次更新支持了思考模式下的工具调用 提供了长达128K的上下文窗口 [4] 开源生态与产业影响 - 深度求索已将官方网页、App及API服务全面升级至DeepSeek-V3.2 并为研究社区临时开放了Speciale版本的API [4] - 公司通过HuggingFace、ModelScope等平台完整开源了模型权重与技术细节 [4] - 这种“开放性能 + 开放生态”的组合策略 大幅降低了企业与开发者的应用门槛 有望引领开源模型从技术追赶向规模化、实用化产业部署的关键转折 [4] - 彻底的开放策略预计将吸引大量开发者基于其构建垂直应用 形成以DeepSeek为核心的开源应用生态 进一步巩固其在开源领域的引领地位 [4]

文章核心观点 - 随着人工智能数据中心（AIDC）的快速发展，美国电力短缺问题可能加剧，为数据中心配置储能被视为一种解决方案，市场潜力巨大 [2] - 储能系统供应商Fluence正在洽谈超过30吉瓦时（GWh）的数据中心储能项目，其中80%的项目是在2025年第四季度末之后发起的，表明这是一个值得重视的新兴市场 [2] - 数据中心配置储能短期内可帮助调峰调频、促进并网，长期来看，光储结合的经济性和并网周期优势可能使其成为数据中心自备电源的一种形式 [3] AIDC发展加剧美国电力短缺 - 2023年美国数据中心用电量达到176太瓦时（TWh），占美国总电力消耗的4.4% [2] - 预计2023年至2028年期间，数据中心电力需求每年将增长13%至27%，到2028年电力消耗量将增至325至580太瓦时，占美国总电力需求的比例将提升至6.7%至12% [2] - 若假设到2030年数据中心新增50吉瓦（GW），则对应2030年不考虑机组退休的美国电力缺口为23吉瓦，若考虑机组退休，则电力缺口更大 [2] 数据中心配置储能的需求与机遇 - 储能可以缓解AIDC带来的功率波动对于电网的影响 [3] - 由于美国电网老旧、调节能力差，数据中心并网等待时间长，在芝加哥约需3年，在弗吉尼亚约需7年 [3] - 短期配置储能有利于数据中心调峰调频，并促进其并网 [3] - 长期来看，随着美国缺电情况发展，数据中心可能从寻求并网转向自备电源，光储结合方案的经济性已体现，且并网周期对比燃气轮机（供货周期约3年或更长）有优势，未来或成为主流自备电源形式之一 [3] - 在欧洲和加州等可再生能源普及率较高的市场，出现了对6至8小时长时储能的新兴需求 [2]

文章核心观点 - 人工智能数据中心(AIDC)的高速发展将加剧美国电力短缺，为数据中心配置储能是重要的解决方案，短期可帮助数据中心调峰调频以利并网，长期光储结合或成为其自备电源，市场潜力巨大 [1][2][3] AIDC发展加剧美国电力短缺 - 2023年美国数据中心用电量达176太瓦时，占全国总电力消耗的4.4% [2] - 预计2023-2028年，数据中心电力需求年增长13%-27%，到2028年用电量将增至325-580太瓦时，占全国总电力需求比例将提升至6.7%-12% [2] - 若假设到2030年数据中心新增50吉瓦，则对应不考虑机组退休的美国电力缺口为23吉瓦，若考虑机组退休则缺口更大 [2] 数据中心配置储能的机遇与作用 - 储能可以缓解AIDC带来的功率波动对电网的影响 [3] - 美国电网老旧且调节能力差，数据中心并网等待时间长，在芝加哥约需3年，在弗吉尼亚约需7年 [3] - 短期配置储能有利于数据中心进行调峰调频，并促进其并网进程 [3] - 随着未来缺电情况加剧，数据中心可能从寻求并网转向发展自备电源 [3] - 燃气轮机虽是当前主流自备电源方案，但其供货周期长达3年或更久，而光储方案经济性已显现，且并网周期相比燃气轮机更具优势，未来或成为一种重要的自备电源形式 [3] 市场动态与公司案例 - 储能公司Fluence正在洽谈超过30吉瓦时的数据中心储能项目 [1][2] - 其中80%的项目是在2025年第四季度末之后发起的，表明这是一个值得重视的新兴市场 [2] - 在欧洲和加州等可再生能源普及率高的市场，出现了对6-8小时长时储能的新兴需求 [2]

模型构建背景与目标 - 报告旨在重新构建基于因子分组筛选与多模型聚合的国债期货量价因子择时模型 [1] - 模型优化重点围绕解决有效性不稳定、信号波动大、单一信号可靠性不足三大问题展开 [1][2] - 此前以“分场景作战”方式构建的择时模型在2025年表现一般，故进行模型重构 [2] 因子筛选方法 - 采用分组IC与阈值设定的双重标准进行因子筛选，以破解因子有效性不稳定的难题 [2] - 对因子在排序后的分组IC值进行穿透检验，并设定严格阈值 [2] - 筛选标准旨在找出在高低值区间下均能稳定发挥预测作用的因子，从源头保障模型信息的有效性 [2] 模型训练与信号生成机制 - 采用“随机分组 + 独立训练”的因子处理策略，将有效因子随机分组并独立训练子模型，以破解单一因子噪声干扰 [3] - 信号生成通过“滚动平滑 + 多组投票”流程实现，对不同周期预测概率适配性平滑后以多数共识确定方向 [3] - 该方法旨在分散噪声并聚合有效信息，确保择时信号精准且稳健 [3] 模型参数配置 - 模型参数基于2019年至2025年9月间的回测表现稳健性进行筛选 [3] - 1日信号采用300日训练窗口、15组分组与每组15个因子，以适配超短期噪声过滤需求 [3] - 5日信号选择250日训练窗口、5组分组与每组10个因子，以兼顾中期趋势捕捉与信号灵敏度 [3] - 综合信号以250日训练窗口、15组分组与每组20个因子为最优配置 [3] 模型回测表现 - 样本内回测显示，1日信号年化收益3.61%、夏普比率1.12，全面领先基准 [3] - 样本内回测显示，5日信号年化收益2.63%、综合信号年化收益2.20%，整体模型在收益与风险维度均跑赢基准 [3] - 样本外回测显示，1日信号累计收益0.99%，相较基准优势明显，体现出较强的稳健择时能力 [3] - 样本外回测显示，5日信号的适应性有所下降 [3]

文章核心观点 - 中观景气延续分化格局，新兴科技行业维持高景气，服务消费景气显著提升，而地产周期和耐用品需求持续承压 [1] 下游消费 - **服务消费景气显著提升**：国内冰雪游热度上升，广州-哈尔滨2026年元旦机票均价较2025年11月提升约56% [2] - **电影市场表现强劲**：电影票房同比+326.7%，环比+355.7%，主要受爆款新片上映拉动 [2] - **地产销售持续磨底**：30大中城市商品房成交面积同比-34.3%，其中一线/二线/三线城市同比分别为-31.6%/-33.9%/-40.7% [2] - **二手房市场疲软**：10大重点城市二手房成交面积同比-24.3% [2] - **耐用品消费承压**：乘用车日均零售同比下滑，12月空调内销和外销排产分别同比-29.9%和-11.4% [2] 科技与制造 - **高性能存储价格快速上涨**：高性能DRAM存储器DDR4/DDR5现货均价环比分别+13.3%和+8.2% [3] - **游戏供给宽松**：2025年11月国产游戏版号数量同比+58.9% [3] - **AI端侧应用取得进展**：搭载豆包的AI手机发布标志着AI端侧应用取得突破性进展 [3] - **建工需求偏弱**：钢铁价格因高炉开工率环比下滑而小幅回升，玻璃、水泥价格持续磨底 [3] - **制造业开工率下滑**：汽车半钢胎、化工等制造业开工率环比下滑，企业招聘意愿边际下降 [3] 上游资源 - **煤炭价格环比回落**：煤价环比-2.2%，需求端短期难有超预期表现 [3] - **工业金属价格上涨**：受海外降息预期升温影响，工业金属价格上涨 [3] 人流物流 - **长途出行需求环比回落但同比偏强**：百度迁徙规模指数环比-3.8%，同比+18.5% [4] - **国际航班执飞架次延续提升**：国际航班执飞架次环比+0.5% [4] - **货运物流景气环比回落**：全国高速公路货车通行量环比-0.2%，全国铁路货运量环比+0.7% [4] - **快递量继续回落**：全国邮政快递揽收量和投递量环比分别-2.9%和-1.5% [4] - **干散运价大幅上涨**：受铁矿增产拉动海运需求，干散运输价格环比明显提升 [4]

豆包AI手机助手产品特性 - 豆包发布AI手机助手预览版，作为系统级Agent可执行复杂指令，实现从信息搜索、处理到跨应用沟通的完整闭环 [2] - 助手与操作系统深度融合，拥有比单一APP更高的系统权限，可调用底层硬件能力和系统服务 [2] - 用户无需点击图标进入，可通过侧边栏、实体键或语音直接唤醒，随时随地覆盖在任何界面之上且不打断当前APP进程 [2] - 助手能够"看懂"用户当前屏幕内容并基于此进行对话或操作，例如生成回复、协助处理微信好友请求 [2] - 助手可识别屏幕上UI元素，模拟人手进行点击、滑动和输入等操作，实现复杂跨应用任务，如在多个购物平台比价并下单，或整合小红书攻略、地图标记及购票后发送方案给微信好友 [2] AI手机商业模式与行业影响 - 豆包表示不造手机硬件，而是与手机品牌厂商在操作系统层面合作，形成"模型公司提供AI大脑 + 手机厂商提供硬件载体"的商业模式 [3] - 对于中低端价位手机品牌，尤其是难以大额投入自研大模型的企业，接入豆包助手可使用户获得更好AI体验，加强品牌在AI时代的竞争力，提供AI平权和弯道超车机会 [3] - 全面AI手机的时代即将到来 [3] 端侧硬件生态发展 - 豆包强大的实时语音、多模态和代理能力，为无屏或小屏端侧设备（如AI眼镜、TWS耳机、AI Pin等）提供了真正的可用性 [3] - 这些设备可通过豆包助手与手机操作系统的深度集成实现复杂任务执行，丰富用户体验，端侧硬件生态有望快速爆发 [3]

模型能力与生态优势 - Gemini 3验证了预训练Scaling Law仍旧成立，其能力大幅跃迁得益于预训练突破，证明谷歌在算力投入上不再保守[1] - 谷歌拥有搜索、YouTube、Chrome等生态产生的独家且不可迁移的用户行为数据，构成了理解用户意图和上下文的强大壁垒[1] - 公司具备全栈技术加全面应用场景的独特生态优势[1] 多模态能力与端侧应用 - Gemini重点强化多模态能力，屏幕理解表现亮眼，ScreenSpot-Pro测试得分达72.7%，远超GPT-5.1的3.5%与Claude Sonnet 4.5的36.2%[2] - 模型逐渐具备视觉智能与界面逻辑理解能力，为端侧AI Agent实现GUI操控提供可能[2] - 豆包手机助手已率先落地，其跨APP比价功能本质是GUI模拟人类操作[2] - 谷歌坐拥安卓系统、模型、Pixel硬件入口及应用全家桶的全栈集成能力，在端侧AI落地具备天然优势[2] TPU算力生态与竞争格局 - 谷歌2025年加速优化TPU生态，原生支持PyTorch并在vLLM的TPU支持上进行大规模工程投入，大幅提升外部可用性[3] - TPU在内部使用时TCO较GB200服务器低44%，对外租赁时TCO较GB200低30%、较GB300低41%[3] - TPU集群通过ICI 3D Torus网络支持最大9216颗芯片，OCS技术实现数千种拓扑组合，适配多样并行需求[3] - TPU对谷歌的核心意义在于构建全栈AI生态，通过芯片与模型架构协同设计实现算力成本与效率最优，并赋能云业务[3] - 长期看TPU完全颠覆英伟达GPU概率较小，更可能作为其补充，因英伟达拥有规模优势、供应链议价权及开箱即用属性对中小客户吸引力更强[3] - 英伟达Rubin系列升级显著缩小TCO差距，且其一年一迭代的能力（如Feynman接力Rubin）有望持续保持技术领先性[3]

风格轮动模型信号 - 2025年第四季度大小盘风格轮动模型综合分数为-1，发出小盘配置信号[3] - 2025年第四季度价值成长风格轮动模型综合分数为-3，发出成长配置信号[4] 行业轮动模型表现与观点 - 11月复合因子策略超额收益为-0.58%，单因子多策略超额收益为-0.83%[4] - 12月单因子多策略推荐配置多头行业为银行、建筑、有色金融、非银行金融、电力设备及新能源[4] - 12月复合因子策略推荐配置多头行业为通信、综合金融、计算机、电力设备及新能源、电力及公用事业[4] 核心配置观点 - 第四季度风格轮动模型整体发出小盘、成长信号[1][2] - 电力设备及新能源行业在12月单因子策略和复合因子策略中均被推荐为多头配置行业[1][2][4]