行业投资评级 - 银行行业评级为“增持”，并维持该评级 [8] 核心观点 - 2026年2月社会融资规模增量达2.38万亿元，超出市场一致预期的1.84万亿元，同比多增1469亿元，存量同比增速为8.2% [1] - 社融超预期主要得益于企业端信贷发力及表外融资少减的支撑，而政府债发行节奏错位形成阶段性拖累 [1] - 政策预期向好，应把握银行板块的结构性投资机会 [1] - 个股推荐分为两类：一是优质区域银行，包括宁波银行、南京银行、渝农商行AH股；二是股息具备较优性价比的银行，包括成都银行、上海银行、工商银行H股、建设银行H股、农业银行H股、中国银行H股等 [1] 社融与信贷数据分析 - **贷款总量与结构**： - 2月人民币贷款新增9000亿元，同比少增1100亿元，贷款存量同比增速为6.0%，较1月末下降0.1个百分点 [2] - 居民贷款减少6507亿元，同比多减2616亿元，其中短期贷款和中长期贷款分别同比多减1952亿元和665亿元，主要受2月春节假期错位效应影响，购房网签及大宗消费活动阶段性放缓 [2] - 企业贷款新增1.49万亿元，同比多增4500亿元，结构优化：短期贷款同比多增2700亿元，主要受节前企业集中发放薪资及结算货款带来的流动性需求推动；中长期贷款同比多增3500亿元，得益于节后复工复产及重大项目建设稳步推进；票据融资同比多减2043亿元，反映银行继续压降票据以腾挪信贷额度 [2] - **直接与表外融资**： - 2月直接融资规模为1.60万亿元，同比少增2706亿元 [3] - 政府债券融资1.40万亿元，同比少增2903亿元，主要受1月政府债大规模前置发行及春节假期工作日减少影响 [3] - 企业债券融资1521亿元，同比少增181亿元；非金融企业境内股票融资454亿元，同比多增378亿元 [3] - 表外融资规模为-1627亿元，同比少减1918亿元，呈现边际改善态势：委托贷款-181亿元，同比少减47亿元；信托贷款309亿元，同比多增639亿元；未贴现银行承兑汇票-1755亿元，同比少减1232亿元 [3] 货币供应与存款结构 - **货币供应量**： - 2月末，狭义货币(M1)同比增速为5.9%，较上月提升1.0个百分点；广义货币(M2)同比增速为9.0%，与上月持平 [4] - M1-M2剪刀差为-3.1%，较1月末收窄1.0个百分点，显示节后复工复产带动企业资金活化，M1增速延续改善 [4] - **存款变化**： - 2月人民币存款新增1.17万亿元，同比少增3.25万亿元 [4] - 结构上受春节错位效应主导：企业集中发放薪资及年终奖导致资金由企业账户向居民账户转移，表现为居民存款同比多增2.50万亿元，非金融企业存款同比多减1.76万亿元 [4] - 财政存款同比多减1.61万亿元，反映财政支出节奏加快；非银行业金融机构存款同比少增1.44万亿元，与节前现金需求增加有关 [4] 重点推荐公司观点 - **农业银行 (1288 HK)**：县域地位领先，业绩增长具备韧性，1-9月业绩边际改善，非息收入增速回升，维持“买入”评级 [31] - **成都银行 (601838 CH)**：资产质量稳居同业第一梯队，大股东持续增持彰显信心，政信与实体业务协同发展，维持“买入”评级 [31] - **渝农商行 (601077 CH / 3618 HK)**：信贷投放有力，息差降幅收窄，资产质量指标持续改善，维持A/H股“增持/买入”评级 [31] - **南京银行 (601009 CH)**：深耕江苏优质区域，负债端成本改善显效，息差降幅收窄，中收增长回暖，维持“买入”评级 [31] - **工商银行 (1398 HK)**：龙头地位稳固，业绩边际改善，非息收入增速回升，中收增速由负转正，维持A/H股“买入”评级 [31] - **中国银行 (3988 HK)**：国际化、综合化特色突出，信贷平稳增长，息差边际企稳，维持A/H股“增持/买入”评级 [31] - **上海银行 (601229 CH)**：经营稳健的优质红利标的，深度受益于区域经济，股息估值性价比突出，新董事长上任注入新发展动能，维持“买入”评级 [32] - **宁波银行 (002142 CH)**：管理层平稳过渡，战略定力保持，地处经济活跃区，信贷投放保持强劲，财富管理能力突出，维持“买入”评级 [32] - **建设银行 (939 HK)**：“新金融”持续推进，信贷平稳增长，利息净收入降幅收窄，资产质量稳健，维持A/H股“买入”评级 [32]

报告行业投资评级 - 科技行业：增持 (维持) [7] - 计算机行业：增持 (维持) [7] 报告的核心观点 - AI产业竞争重心正从单点模型能力提升，逐步转向复杂任务交付与Agent系统落地 [1] - 类Claw产品加快发布推动Agent加速演进，带动Token消耗、推理算力需求及相关基础设施投入继续上行 [1] - 企业级Agent、AI4S和物理AI等方向的商业化与产业化进展同步推进，AI正从能力验证阶段进一步走向真实场景落地 [1] - 建议持续关注推理侧算力、平台型基础设施以及具备场景与生态壁垒的应用机会 [1] AI模型：复杂任务能力提升，类Claw产品加快落地 - 模型演进核心变化是复杂任务执行能力成为重要评价维度，类Claw产品进入加速落地阶段 [2] - 国内类Claw产品竞争正由“能不能用”转向“如何形成工作流产品” [2] - 海外模型继续强化推理、编码、工具协同和专业工作流能力 [2] - 随着多Agent协同和多工具调用逐步常态化，模型竞争正从单点能力比拼转向复杂任务交付能力竞争 [2] - Token消耗与推理侧算力需求有望持续提升 [2] - 智谱GLM-5模型升级，参数规模由355B（激活32B）扩展至744B（激活40B），预训练数据由23T提升至28.5T [12] - 智谱AutoClaw产品降低OpenClaw类产品的使用门槛，并内置面向OpenClaw场景优化的Pony-Alpha-2模型 [16] - 国内厂商如MiniMax的MaxClaw和Kimi的Kimi Claw围绕部署门槛、云端托管、长期记忆、多IM接入和工具生态展开差异化布局 [20] - 海外方面，Gemini 3.1 Pro在ARC-AGI-2上的得分由31.1%升至77.1%，在LiveCodeBench Pro上的Elo由2439提升至2887，SWE-Bench Verified达到80.6% [21] - GPT-5.4在内部投行初级分析师类电子表格建模基准上均值达到87.3%，高于GPT-5.2的68.4% [25] - GPT-5.4引入tool search机制，在实现相同准确率的前提下可将总token使用量降低47% [25] - GPT-5.4标准版API输入价格由GPT-5.2的$1.75/百万token升至$2.50/百万token [28] AI算力：Agent叙事强化，LPU商业化进程或加速 - Agent正从能力验证迈向规模化应用，Claw生态加速成熟，推动长链任务、工具调用与多Agent协作普及 [3] - Token消耗斜率继续上行，推理需求放量下，算力租赁价格与基础设施景气度持续提升 [3] - LPU等高吞吐推理架构的商业化进程或同步加速 [3] - 中国模型凭借能力提升与极致性价比优势加速Token出海，国内算力需求Beta有望持续上行 [3] - 伴随OpenClaw等Agent工具的快速传播，Token消耗斜率加速提升 [33] - 据估计，OpenClaw轻度用户日均token消耗量在100万左右，日常办公场景在500万左右，而重度用户在2000万左右 [33] - OpenRouter平台周度token调用规模增长至约16万亿（trillion）token左右，2个月的时间增长2.5倍以上 [33] - 截至2月底，英伟达高端GPU租赁价格较上月普遍上涨15%-30% [34] - MiniMax财报显示，2026年2月M2模型系列日均Token消耗量是2025年12月的6倍以上，其中编程场景Token消耗增长超过10倍 [45] - 2月底OpenRouter平台模型调用来看，由MiniMax、月之暗面、智谱、DeepSeek、阶跃星辰领衔的中国模型Token调用首次超越美国模型 [45] - 国内模型的平均价格只有海外的1/10 [50] AI应用：海外SaaS悲观预期缓解，OpenClaw催化Agent加速 - 海外AI应用商业化持续推进，SaaS板块对“模型吞噬软件”的悲观预期有所缓解 [4] - 海外SaaS厂商的中台化转型初见成效，数据中台与Agent管理平台有望成为企业级Agent落地的重要基座 [4] - 26年应用侧放量值得关注 [4] - 国内方面，OpenClaw热潮正推动Agent形态加快演进，并带动AI Infra需求提升 [4] - 随着Agent逐步进入复杂数据场景，AI终端有望成为新的数据入口，进一步打开个人与企业Agent的发展空间 [4] - 25Q4海外AI应用公司业绩基本超市场预期，CY26Q1收入指引呈小幅上修状态 [51] - 25Q4 Google、Oracle、Amazon云业务营收同比增速分别为48%、84%、24%，增速相较于25Q3环比提升14、16、4个百分点（pct） [51] - Salesforce的Data Cloud ARR在25Q4环比增速为16%，Agentforce ARR在25Q4环比增速为48%，显示Agent数据呈加速趋势 [56] - 国内OpenClaw热潮持续，以腾讯为代表的科技大厂迅速推出一键式部署版本 [58] - Agent能力边界拓展与数据访问权限高度相关，AI眼镜、AI胸针、AI戒指等新AI终端有望成为Agent的数据获取来源 [61] AI4S：AI制药持续商业化落地，物理AI有望加速发展 - AI for Science正从单点辅助工具加速演进为重构科研与产业研发范式的底层能力 [5] - 在生物医药、材料科学与物理系统等方向持续打开应用空间 [5] - 持续看好AI制药在2026年的商业化前景，随着技术边界的拓展与产业化验证的深入，行业将迎来加速发展 [5] - 预计2026年有望成为物理AI加速发展的关键阶段，英伟达、谷歌加速物理AI布局，推动物理AI从实验室走向产业化落地 [5] - 2026年2月25日，Alphabet旗下工业机器人软件公司Intrinsic正式并入谷歌，标志着谷歌从AI算法研发向实体产业操作系统延伸 [68] - 英伟达全栈物理AI平台已形成“训练-仿真-推理”三位一体的完整技术闭环 [74] - 2026年1月13日，阿斯利康宣布将收购AI公司Modella AI [81] - 2026年3月5日，礼来正式启用AI制药工厂LillyPod，总算力高达9000 Petaflops [81] - 2026年1月26日，晶泰控股与东阳光药达成数亿元战略合作 [82] - 晶泰控股孵化企业溪砾科技的创新药管线RTX-117成功实现中美双地IND获批，晶泰收到数千万港币里程碑付款，并于3月2日完成首例患者给药 [82] - 英矽智能核心管线ISM001-055计划在2026上半年启动IIb/III期关键临床研究 [85] AI Coding：国产Claw浪潮涌起，入口与模型是核心壁垒 - 国产Claw产品进入密集发布期，入口与模型将成为这一轮竞争的核心壁垒 [6] - 互联网大厂抢占Agent时代的流量入口，模型厂则放大Agent能力并加速Token变现 [6] - Claw产品的运行机制决定其Token消耗显著高于普通场景，可能具备更高的幻觉与安全风险 [6] - Claw类产品有望继续推动Agent应用加速落地，后续壁垒将进一步围绕生态连接深度、模型能力分化 [6] - 建议持续关注算力、网安及端侧相关机会 [6] - 国内科技公司在数周内密集推出了自己的Claw封装产品，强调一键部署、无需编程、开箱即用 [89] - 产品主要分化为云端托管路线（如ArkClaw、DuClaw）、本地部署路线（如AutoClaw、QClaw）和平台级封装路线（如WorkBuddy） [90] - 互联网大厂将OpenClaw相关的AI功能与自身应用深度结合，例如腾讯接入微信和QQ、字节深度绑定飞书、百度接入百度APP [92] - 对于模型厂而言，Claw产品最直接的商业价值是驱动自己模型的Token消耗 [94] - OpenClaw的运行机制（如Gateway设计、重试机制、复杂使用场景）决定了其更高的Token消耗 [95][99][102] - 复杂任务带来更高的幻觉，安全性仍然是推广的重大阻碍 [103][104] - 根据Cisco官网博客，其Skill扫描工具在31,000个Skill中发现26%至少包含一个漏洞 [104] - Claw类产品的壁垒将沿生态与模型分化，互联网大厂的壁垒在于生态连接深度与安全治理能力，模型厂的壁垒在于Agent场景下的模型能力、幻觉情况与成本效率 [105]

量化模型与构建方式 1. 模型名称：全球三层次流动性风险预警模型 - **模型构建思路**：为捕捉流动性风险从政策源头到交易末端的全链条传导，构建一个包含央行流动性、资金流动性和市场流动性三个层次的预警模型，旨在动态监控可能导致资产价格同步下跌的流动性枯竭时刻，为多资产策略提供下行风险保护[1][26]。 - **模型具体构建过程**： 1. **第一层次：央行流动性**。从价格、数量和预期三个维度进行刻画[2]。 - **价格维度**：使用全球央行政策利率扩散指数追踪27个主要央行的政策动向[2]。 - **数量维度**：使用联储流动性支持指标衡量美联储通过期限转换和信用增级渠道扩张的资产负债表规模[2]。 - **预期维度**：使用彭博Fedspeak指数和市场隐含利率预期高频追踪美联储利率预期的边际变化[2]。 2. **第二层次：资金流动性**。选取担保隔夜融资利率（SOFR）和风险逆转期权（RR）作为监测指标，分别监测回购融资和跨境套利市场的杠杆资金松紧[3]。 3. **第三层次：市场流动性**。选取跨资产隐含波动率作为间接监测对象，并构建多周期的综合压力指数，以刻画市场交易摩擦[4]。 4. **信号综合与择时**：基于各层次的压力信号（通常为-1表示趋紧，1表示正常），构建防御性择时策略。当监测到压力信号触发时，空仓持有现金；其余时刻全仓持有风险资产[30][69][101]。 2. 因子名称：全球央行政策利率扩散指数 - **因子构建思路**：为了量化全球主要央行货币政策的同步性与共振效应，从全球视角捕捉流动性的松紧切换[32]。 - **因子具体构建过程**： 1. **数据预处理**：由于政策利率为事件驱动型低频数据，采用前向填充法将数据重采样为日度序列[37]。 2. **计算扩散指数**：采用1年滚动窗口分别统计各国降息与加息次数之差，记为该国的净宽松度；将各国净宽松度得分等权求和，即得到全球央行政策利率扩散指数[37]。 3. **生成压力信号**：对扩散指数进行季度差分。若差分值为正，则表明全球流动性边际宽松，压力信号得分为1；若差分值为负，则表明全球流动性边际收紧，压力信号得分为-1[37]。 3. 因子名称：联储流动性支持 - **因子构建思路**：基于Howell（2020）的“流动性质量论”，重点关注美联储通过期限转换（购买中长期国债）和信用增级（购买MBS、机构债券）渠道扩张的资产负债表规模变化，以衡量高质量流动性的供给情况[31][42]。 - **因子具体构建过程**： 1. **指标计算**：使用总资产规模对原始序列作标准化处理，具体计算公式如下： $$信用支持指标 = \frac{中长期国债 + MBS + 机构债券}{流通中现金 + 逆回购 + 准备金}$$[42] 2. **信号生成**：对原始指标序列进行滚动一年平滑处理，然后计算季度差分值。差分值为正时压力信号得分为1；差分值为负时压力信号得分为-1[42]。 4. 因子名称：彭博Fedspeak指数 - **因子构建思路**：通过分析美联储官员的公开言论，高频追踪市场对美联储货币政策预期的边际变化[31][48]。 - **因子具体构建过程**： 1. **数据来源与预处理**：收集彭博终端收录的FOMC委员发表的与货币政策相关的公开言论（视频访谈、演讲、推文等），并剔除陈旧发言。对原始文本进行语义提炼，仅保留直接反映美联储对经济或政策立场看法的内容[53]。 2. **模型训练**：人工标注训练数据集，对每条样本进行情感赋分（-2=高度鸽派，2=高度鹰派）。采用在金融语境下微调的RoBERTa模型，结合CORN序数损失函数进行针对性微调[53]。 3. **指数计算**：对每日所有相关新闻的情绪得分进行求和，再按绝对值之和缩放，得到日度原始情绪指数。最后对原始指数进行1个月期的指数衰减平滑，得到Fedspeak指数[53]。 4. **信号生成**：对原始序列取相反数，然后使用季度差分法生成压力信号。差分值为正时压力信号得分为1；差分值为负时压力信号得分为-1[48]。 5. 因子名称：市场隐含利率预期 - **因子构建思路**：从利率衍生品市场中提取市场对未来美联储利率路径的预期，作为央行流动性预期的另一个观测维度[31][52]。 - **因子具体构建过程**： 1. **指标计算**：使用3个月后起始的1个月期美元（联邦基金）掉期所隐含的远期利率（3M1M Swap OIS）与有效联邦基准利率（EFFR）的差值，作为市场隐含利率预期的代理变量[52]。 2. **信号生成**：对原始序列取相反数，然后计算季度差分。差分为正则压力信号取值为1，差分为负则压力信号取值为-1[52]。 6. 因子名称：央行流动性综合压力信号 - **因子构建思路**：综合上述四个央行流动性子指标（全球央行政策利率扩散指数、联储流动性支持、彭博Fedspeak指数、市场隐含利率预期），构建一个综合压力信号，以提升预警效果的稳定性和互补性[58]。 - **因子具体构建过程**：对四个子指标的信号值求均值。均值大于0则综合压力信号得分为1，均值小于0则综合压力信号得分为-1[58]。 7. 因子名称：担保隔夜融资利率（SOFR）压力信号 - **因子构建思路**：SOFR表征以美国国债为抵押的隔夜融资成本，是杠杆交易（如国债基差套利）的核心融资利率。通过监测SOFR是否突破多个关键利率上限，来识别银行间及非银机构面临的资金流动性压力[3][78][86]。 - **因子具体构建过程**： 1. **设定关键对照利率**：包括IORB（准备金余额利率）、EFFR（有效联邦基金利率）、FFRU（联邦基金利率上限）、OIS（隔夜SOFR互换利率）[88]。 2. **信号生成**：当SOFR同时高于至少两个关键利率时，视为资金流动性趋紧，压力信号得分为-1；其他情况下压力信号得分为1[89]。在SOFR历史数据未推出前，用美国隔夜LIBOR利率进行替代[89]。 8. 因子名称：风险逆转期权（RR）综合压力指数 - **因子构建思路**：风险逆转期权（RR）是衡量外汇期权市场隐含波动率偏度的指标，能够高频监测外汇市场利差交易（如日元套利交易）的去杠杆压力。通过构建多货币对、多周期的综合指数，以捕捉外汇市场的流动性逆转信号[3][90][95]。 - **因子具体构建过程**： 1. **选取标的**：选取USD/JPY、EUR/USD、AUD/USD、EUR/AUD、AUD/JPY五个主要利差交易货币对的1个月期25 Delta风险逆转期权（25R1M）作为监测对象[95]。 2. **计算单指标Zscore**：为增强鲁棒性，计算不同窗长（k，参数范围为不同交易日窗长）下的Zscore得分。 $$Z_{c,t,k} = \frac{X_{c,t} - \mu_{c,t,k}}{\sigma_{c,t,k}}$$[95] 其中，$$X_{c,t}$$表示货币对c在t时刻的RR值，$$\mu_{c,t,k}$$和$$\sigma_{c,t,k}$$分别为滚动窗口下的均值和标准差[95][96]。 3. **计算单指标信号得分**：区分异常程度并跨窗口加权。 $$I_{c,t,k} = \mathbb{I}(Z_{c,t,k} > 2) + \mathbb{I}(Z_{c,t,k} > 3)$$ $$S_{c,t} = \sum_{k \in \{13,21,34,55,89,144\}} w_k I_{c,t,k}$$[96] 其中，$$\mathbb{I}(\cdot)$$为示性函数。$$w_k$$是k的单调递减函数，赋予短期窗口更高权重[96]。 4. **计算综合压力得分**：对五个货币对的信号得分取等权平均。 $$RR_t = \frac{1}{5}\sum_{c=1}^{5}S_{c,t}$$[97] 5. **生成最终压力信号**：计算综合压力得分滚动一年的分位数水平作为理论上限。统计过去10个交易日内，综合得分超过上限的天数。若超过天数≥2天，则压力信号得分为-1（趋紧），否则为1（正常）[98]。 9. 因子名称：资金流动性综合压力信号 - **因子构建思路**：结合SOFR和RR两个维度的压力信号，构建资金流动性综合压力信号，以更全面地识别资金层面的流动性风险，利用指标的互补性提升预警效果[101]。 - **因子具体构建过程**：当监测到SOFR压力信号为-1、RR压力信号为-1，或二者同时触发时，综合压力信号判定为趋紧（-1），其余时刻为正常（1）[101][105]。 10. 因子名称：市场流动性综合压力指数 - **因子构建思路**：隐含波动率的跳升可反映做市商收缩报价深度、市场流动性枯竭。通过结合覆盖权益、固收、大宗商品市场的多个隐含波动率指标，构建综合压力指数，以预警微观交易层面的流动性趋紧[4][111][114]。 - **因子具体构建过程**： 1. **选取标的**：选取VIX、VXN、RVX、MOVE、GVZ、OVX、VXEEM和COP八类覆盖多资产类别的隐含波动率指标[4][114]。 2. **构建方法**：构建方法与RR综合压力指数类似，沿用滚动阈值的Zscore框架，计算得到综合压力得分，并根据其超过滚动阈值上限的天数进行最终的压力信号判定[114]。 模型的回测效果 （回测区间：2008-06-30 至 2026-03-13） 1. **基准策略（全球流动性敏感型组合）**，年化收益5.31%，夏普比率0.56，最大回撤-34.55%，Calmar比率0.15，索提诺比率0.75[5][30]。 2. **三层次流动性信号择时策略**，年化收益8.76%，夏普比率1.22，最大回撤-14.09%，Calmar比率0.62，索提诺比率1.77[5][30]。 3. **央行流动性压力信号择时策略**，年化收益7.55%，夏普比率1.18，最大回撤-14.09%，Calmar比率0.54，索提诺比率1.67[30]。 4. **资金流动性压力信号择时策略**，年化收益8.43%，夏普比率0.99，最大回撤-21.65%，Calmar比率0.39，索提诺比率1.38[30]。 5. **市场流动性压力信号择时策略**，年化收益7.42%，夏普比率0.91，最大回撤-23.65%，Calmar比率0.31，索提诺比率1.28[30]。 因子的回测效果 （以下为各因子作为择时信号应用于“全球流动性敏感型组合”的绩效表现，回测区间：2008-06-30 至 2026-03-13） 1. **全球央行政策利率扩散指数**，年化收益4.51%，夏普比率0.64，最大回撤-23.01%，Calmar比率0.20，索提诺比率0.88[73]。 2. **联储流动性支持**，年化收益4.76%，夏普比率0.86，最大回撤-12.67%，Calmar比率0.38，索提诺比率1.23[73]。 3. **彭博Fedspeak指数**，年化收益4.48%，夏普比率0.91，最大回撤-11.28%，Calmar比率0.40，索提诺比率1.31[73]。 4. **市场隐含利率预期**，年化收益6.34%，夏普比率0.92，最大回撤-18.99%，Calmar比率0.33，索提诺比率1.29[73]。 5. **央行流动性综合压力信号**，年化收益7.55%，夏普比率1.18，最大回撤-14.09%，Calmar比率0.54，索提诺比率1.67[73]。 6. **SOFR压力信号**，年化收益6.86%，夏普比率0.94，最大回撤-20.72%，Calmar比率0.33，索提诺比率1.34[106]。 7. **RR压力信号**，年化收益6.64%，夏普比率0.83，最大回撤-19.51%，Calmar比率0.34，索提诺比率1.15[106]。 8. **资金流动性综合压力信号**，年化收益8.43%，夏普比率0.99，最大回撤-21.65%，Calmar比率0.39，索提诺比率1.38[106]。

量化因子总结 量化因子与构建方式 1. **因子名称：估值因子** [17] * **因子构建思路：** 通过衡量股票价格与其基本面价值（如盈利、净资产、销售额）的相对高低，来识别被市场低估或高估的股票[9]。价值风格被视为典型的防御性因子[10]。 * **因子具体构建过程：** 估值因子是一个大类因子，由多个细分估值因子合成。报告展示了其细分因子，主要包括： * **估值-EP (盈利收益率因子):** 通常为每股收益(EPS)与股价(P)的比率，即 $$EP = \frac{EPS}{P}$$，代表单位价格对应的盈利水平[18]。 * **估值-BP (账面市值比因子):** 通常为每股净资产(BPS)与股价(P)的比率，即 $$BP = \frac{BPS}{P}$$，代表单位价格对应的净资产[18]。 * **估值-SP (销售收入市值比因子):** 通常为每股销售收入(SPS)与股价(P)的比率，即 $$SP = \frac{SPS}{P}$$，代表单位价格对应的销售收入[18]。 * **股息率:** 通常为每股股息(DPS)与股价(P)的比率，即 $$股息率 = \frac{DPS}{P}$$，代表股票的现金回报率[18]。 2. **因子名称：成长因子** [17] * **因子构建思路：** 通过衡量公司基本面指标（如营业收入、净利润）的增长速度，来识别具有高成长潜力的股票[2]。 * **因子具体构建过程：** 成长因子是一个大类因子，由多个衡量增长的细分因子合成。报告展示了其细分因子，主要包括： * **营业收入增长率** [18] * **净利润增长率** [18] * **ROE增长率** [18] 3. **因子名称：盈利因子** [17] * **因子构建思路：** 通过衡量公司的盈利能力，如净资产收益率、总资产收益率等，来识别盈利质量高、盈利能力强的公司[2]。 * **因子具体构建过程：** 盈利因子是一个大类因子，由多个衡量盈利能力的细分因子合成。报告展示了其细分因子，主要包括： * **ROE (净资产收益率)** [18] * **ROA (总资产收益率)** [18] * **毛利率** [18] * **净利率** [18] 4. **因子名称：小市值因子** [17] * **因子构建思路：** 认为市值较小的公司可能具有更高的成长性和弹性，长期来看能获得超额收益[2]。 5. **因子名称：反转因子** [17] * **因子构建思路：** 基于市场短期过度反应或反应不足的假设，认为过去一段时间表现较差的股票在未来可能反弹，而表现过好的股票可能回调[2]。 * **因子具体构建过程：** 反转因子是一个大类因子，由多个不同时间窗口和计算方法的细分反转因子合成。报告展示了其细分因子，主要包括： * **1个月反转:** 基于过去1个月的收益率构建[18]。 * **3个月反转:** 基于过去3个月的收益率构建[18]。 * **衰减换手率加权3个月反转:** 在3个月反转的基础上，使用衰减的换手率对历史收益率进行加权，以更强调近期价格行为[18]。 * **衰减换手率加权6个月反转:** 在6个月反转的基础上，使用衰减的换手率对历史收益率进行加权[18]。 6. **因子名称：波动率因子** [17] * **因子构建思路：** 基于“波动率溢价”或“彩票效应”等市场异象，认为低波动率的股票长期可能获得更高的风险调整后收益[2]。 * **因子具体构建过程：** 波动率因子是一个大类因子，由多个衡量不同维度波动率的细分因子合成。报告展示了其细分因子，主要包括： * **1个月波动率** [18] * **3个月波动率** [18] * **FF三因子残差1个月波动率:** 计算股票收益率在剔除Fama-French三因子（市场、市值、估值）影响后的残差，再计算该残差的1个月波动率，以衡量特质风险[18]。 * **FF三因子残差3个月波动率:** 计算FF三因子残差的3个月波动率[18]。 7. **因子名称：换手率因子** [17] * **因子构建思路：** 通常作为流动性或投资者情绪的代理变量，低换手率可能意味着关注度低或流动性折价，长期可能产生超额收益[2]。 * **因子具体构建过程：** 换手率因子是一个大类因子，由多个不同时间窗口的换手率细分因子合成。报告展示了其细分因子，主要包括： * **1个月日均换手率** [18] * **3个月日均换手率** [18] * **近1个月/近2年的日均换手率:** 通过比较短期和长期换手率，捕捉换手率的相对变化[18]。 8. **因子名称：超预期因子** [17] * **因子构建思路：** 捕捉公司实际发布的财务数据与市场一致预期之间的差异（Surprise），认为业绩超预期的公司未来股价有正面反应[2]。 * **因子具体构建过程：** 超预期因子是一个大类因子，由两个常见的超预期细分因子合成。报告展示了其细分因子： * **SUR (收入超预期):** 衡量实际营业收入与一致预期营业收入的差异[18]。 * **SUE (盈利超预期):** 衡量实际每股收益(EPS)与一致预期EPS的差异[18]。 9. **因子名称：预期类因子** [17] * **因子构建思路：** 直接使用分析师对未来财务指标的预期数据（而非历史数据）构建因子，旨在更前瞻地反映市场对公司基本面的看法[2]。 * **因子具体构建过程：** 报告展示了两个主要的预期大类因子及其细分因子： * **预期估值因子:** * **预期EP_FY1:** 基于未来12个月(FY1)的一致预期每股收益计算的预期盈利收益率[18]。 * **预期PEG倒数_FY1:** 基于未来12个月(FY1)的一致预期盈利增长率和预期市盈率构建的PEG指标倒数，用于衡量成长性与估值的匹配度[18]。 * **预期BP_FY1:** 基于未来12个月(FY1)的一致预期每股净资产计算的预期账面市值比[18]。 * **预期净利润复合增速FY1:** 基于未来一段时间（如未来2-3年）的一致预期净利润计算的复合年增长率[18]。 10. **因子名称：去均值估值因子** [9] * **因子构建思路：** 对原始的估值因子IC序列进行去均值处理，以更好地剥离长期趋势，凸显其周期性的波动特征，用于观察价值风格的周期性变化[9]。 * **因子具体构建过程：** 报告未详细说明去均值的方法，但通常做法是从原始估值因子的月度IC序列中减去其历史长期均值或移动均值[9]。 因子的回测效果 *注：以下所有指标均为“Rank IC 均值”，数据截至2026年3月13日，频率为月频[18][19][20][21]。* 1. **估值因子** * 沪深300成分股：23.65%[18] * 中证500成分股：17.00%[19] * 中证1000成分股：23.49%[20] * 全A股：21.04%[21] 2. **成长因子** * 沪深300成分股：-2.71%[18] * 中证500成分股：3.61%[19] * 中证1000成分股：-1.51%[20] * 全A股：-2.38%[21] 3. **盈利因子** * 沪深300成分股：4.58%[18] * 中证500成分股：3.62%[19] * 中证1000成分股：-2.83%[20] * 全A股：-0.89%[21] 4. **小市值因子** * 沪深300成分股：-1.17%[18] * 中证500成分股：12.28%[19] * 中证1000成分股：4.58%[20] * 全A股：2.85%[21] 5. **反转因子** * 沪深300成分股：9.59%[18] * 中证500成分股：4.88%[19] * 中证1000成分股：5.15%[20] * 全A股：5.85%[21] 6. **波动率因子** * 沪深300成分股：19.31%[18] * 中证500成分股：10.91%[19] * 中证1000成分股：15.34%[20] * 全A股：19.49%[21] 7. **换手率因子** * 沪深300成分股：11.80%[18] * 中证500成分股：4.73%[19] * 中证1000成分股：6.90%[20] * 全A股：10.46%[21] 8. **超预期因子** * 沪深300成分股：-7.46%[18] * 中证500成分股：6.38%[19] * 中证1000成分股：-0.50%[20] * 全A股：-2.98%[21] 9. **预期估值因子** * 沪深300成分股：7.78%[18] * 中证500成分股：14.44%[19] * 中证1000成分股：20.96%[20] * 全A股：13.74%[21] 10. **预期净利润复合增速FY1因子** * 沪深300成分股：-9.05%[18] * 中证500成分股：-1.44%[19] * 中证1000成分股：1.09%[20] * 全A股：-4.48%[21]

投资评级与核心观点 - 报告维持对招商积余的“买入”评级 [1][6] - 报告核心观点：公司主业业绩稳中有进，市拓规模和增速有望领跑头部企业，股东回报水平稳中有升，看好其保持市拓竞争优势及在股东回报方面的进一步成长空间 [1] 财务业绩表现 - 2025年实现营业收入192.7亿元，同比增长12% [1][11] - 2025年归母净利润为6.5亿元，同比下降22%，主要受出售衡阳项目一次性影响 [1] - 剔除出售衡阳项目一次性影响后，2025年归母净利润为9.1亿元，同比增长8%，略低于报告预期（+11%） [1] - 2025年公司总体毛利率同比下降0.9个百分点至11.1% [2] - 2025年公司拟派息2.7亿元，剔除出售衡阳项目影响后的派息率为30%，同比持平 [4] - 2025年公司回购注销股份0.7亿元，结合派息，总回报比例同比提升6个百分点至38% [4] 业务运营分析 - **轻重资产分离完成**：2025年第四季度以168万元底价转让衡阳项目60%股权，标志着历史遗留地产开发项目全部处置完毕，轻重资产分离战略完全落地，该交易一次性减少归母净利润2.64亿元 [2] - **物业管理业务**：2025年物管/资管营收同比分别增长13%和下降1% [2] - 基础物管营收同比增长7% [2] - 专业增值服务在招商蛇口业务协同支持下营收同比增长48% [2] - **分业态毛利率**： - 住宅物管毛利率同比增长0.5个百分点至11.4%，连续两年逆势增长 [2] - 非住宅物管毛利率同比下降0.4个百分点至10.2% [2] - **费用控制**：公司通过压降销售及管理费用率，以及有息负债减少带来的财务费用节约，部分对冲了毛利率下降的影响 [2] 市场拓展（市拓）表现 - 2025年全年新签年度合同额同比增长11%至44.8亿元 [3] - 其中第三方新签年度合同额同比增长13%至41.7亿元 [3] - 报告预计其市拓规模和增速在头部公司中处于领先水平 [3] - **市拓亮点**： - 非住宅领域在航空、高校、IFM（综合设施管理）等业态取得较快增长 [3] - 存量住宅市场发力显著，住宅市拓金额同比大幅增长60%至4.7亿元，新签上海康城、西安秦汉雅苑等标杆大盘项目 [3] - 积极链接大股东资源，招商局集团和招商蛇口分别助力落地第三方新签年度合同额2.8亿元和3.4亿元 [3] 未来展望与股东回报 - 考虑到公司有息负债已大幅收缩、现金储备持续扩张，在没有大规模收并购的情况下，报告预计公司有望进一步提升派息率 [4] - 预测派息率将在2026-2028年分别提升至35%、37.5%和40% [4] 盈利预测与估值 - **盈利预测调整**：考虑到招商蛇口销售面积收缩、市拓竞争、经济环境等因素，小幅下调营收和毛利率假设 [5] - **归母净利润预测**： - 2026年预测值下调至10.0亿元（前值为10.4亿元，下调3%） [5] - 2027年预测值下调至10.7亿元（前值为11.5亿元，下调7%） [5] - 引入2028年预测值为11.4亿元 [5] - **每股收益（EPS）预测**：2026-2028年EPS预测分别为0.95元、1.02元和1.09元 [5][11] - **估值与目标价**： - 可比公司平均2026年预测市盈率（PE）为12倍 [5] - 综合考虑公司优秀的市拓能力以及A股流动性和稀缺性溢价，认为公司合理2026年PE为15倍 [5] - 基于此，将目标价调整至14.25元人民币（前值为15.68元） [5][6] 公司基本数据 - 截至2026年3月13日，收盘价为10.76元人民币 [8] - 总市值为113.38亿元 [8] - 52周价格区间为10.51-13.35元人民币 [8]

投资评级与核心观点 - 报告维持满帮集团“买入”评级 [1][6] - 报告给予满帮集团目标价16.3美元，较前值16.1美元有所上调 [4][6] - 报告核心观点认为，满帮集团4Q25业绩收入与利润超预期，虽然货运经纪业务调整带来短期波动，但核心交易服务业务货币化能力稳步提升，公司正加速向AI驱动的智能化平台升级，并推进海外与自动驾驶布局，长期增长前景依然看好 [1] 4Q25业绩表现 - **收入略超预期**：4Q25收入31.9亿元人民币，同比增长0.6%，超出市场一致预期2.8% [1][2] - **盈利能力显著增强**：4Q25经营利润10.3亿元，超出预期15.5%；调整后净利润10.6亿元，超出预期2.5% [1][3] - **核心业务增长强劲**：交易服务收入达14.9亿元，同比增长28.4%，基本符合预期，主要受益于抽佣渗透率提升和单均变现额优化 [2] - **货运经纪业务收缩**：货运经纪业务收入9.6亿元，同比下降26.9%，但实际表现超出预期7.4% [2] - **运营指标高质量增长**：履约订单量达6390万单，同比增长12.3%；平均货主月活（MAU）为328万，同比增长11.6% [1][2] - **运营效率提升**：订单履约率创纪录达到42.7%，货主结构持续向直客倾斜，4Q25直客订单占比已提升至55% [2] 盈利能力与成本结构 - **毛利率大幅提升**：4Q25毛利润21.2亿元，同比增长18.7%，超出预期14.5%；毛利率由去年同期的56.2%大幅提升至66.3% [3] - **经营利润率优化**：经营利润率达32.2%，优于预期3.5个百分点 [3] - **成本显著下降**：营业成本同比下降22.6%，主要由于经纪业务收缩带来的增值税及相关税收成本减少 [3] - **费用率保持稳定**：销售、管理、研发三项费用率分别为15.6%、6.0%、8.1%，其中管理费用率同比优化0.4个百分点 [3] 未来盈利预测 - **收入预测**：预计公司2026至2028年收入分别为116亿元、142亿元、175亿元，其中2026、2027年预测较前值分别上调0.3%和1.9% [4] - **利润预测**：预计公司2026至2028年调整后归母净利润分别为49亿元、61亿元、76亿元，其中2026、2027年预测较前值分别下调0.5%和6.2% [4] - **预测依据**：收入预测上调主要因4Q25业绩超预期；利润预测下调主要考虑到公司收缩货运经纪业务以及税收返还存在坏账减值 [4] 估值与可比分析 - **估值方法**：采用市盈率（PE）估值法，参考全球货运可比公司2026年平均PE 20.7倍 [4][13] - **估值溢价**：考虑到满帮在中国数字货运市场的龙头地位以及行业线上化率提升，给予其估值溢价 [4] - **目标价推导**：给予满帮2026年24倍PE（不变），对应目标价16.3美元 [4][12] - **可比公司**：选取的可比公司包括Uber、罗宾逊全球物流、京东物流、JB亨特运输服务、顺丰控股等 [13] 财务与运营指标预测摘要 - **毛利率展望**：预测显示公司毛利率将从2025年的62.88%显著提升至2026E的75%，并在此后保持稳定 [19] - **调整后净利润率**：预测公司调整后净利润率将从2025年的38.90%稳步提升至2028E的43.15% [19] - **每股收益**：预测调整后每股收益（EPS）将从2025年的4.63元人民币增长至2028E的7.23元人民币 [9][19] - **净资产收益率**：预测调整后ROE将保持在10%以上，2028E达到12.76% [19] - **季度预测**：2026年各季度预测显示收入、毛利润、经营利润及调整后净利润均呈现环比增长趋势，毛利率和经营利润率逐季提升 [14]

投资评级与核心观点 - 报告维持宝丰能源“买入”评级，目标价为人民币45.98元 [1] - 报告核心观点：油价回升预期下，煤制烯烃景气度有望显著改善，公司的煤制烯烃成本优势有望延续 [1][3] 2025年财务业绩与经营回顾 - 2025年全年实现营业收入480.38亿元，同比增长45.64%；归母净利润113.50亿元，同比增长79.09%；扣非净利润115.20亿元，同比增长69.9% [1][25] - 2025年第四季度实现归母净利润24.00亿元，同比增长33%，环比下降26% [1] - 2025年全年综合毛利率同比提升2.8个百分点至35.92%，期间费用率同比下降0.2个百分点至7.4% [2] - 2025年公司计划进行差异化分红，全年合计派息50.9亿元，占归母净利润的45% [1] - 烯烃产品销量大幅增长：2025年聚乙烯/聚丙烯销量同比分别增长123%和111%至253万吨和246万吨，销售收入同比分别增长104%和94% [2] - 原料成本下降：2025年原料煤/炼焦精煤/动力煤采购均价同比分别下降18%、30%和19% [2] 行业环境与公司优势 - 2026年初以来，聚乙烯/聚丙烯均价较年初分别上涨31%和45%，而内蒙地区原煤价格较年初下降13%，油煤剪刀差扩大利好煤制烯烃价差回暖 [3] - 内蒙项目300万吨/年烯烃产线已创造良好收益，宁东四期50万吨/年烯烃项目预计在2026年内投产，将进一步巩固公司的低成本与规模优势 [3] 盈利预测与估值 - 基于原油和聚烯烃价格上涨，报告上调盈利预测，预计公司2026-2028年归母净利润分别为152.96亿元、162.76亿元、173.55亿元，对应EPS分别为2.09元、2.22元、2.37元 [4][9] - 给予公司2026年22倍市盈率估值，目标价45.98元，主要依据是公司烯烃工艺成本优势居行业前列，且可比公司2026年Wind一致预期平均市盈率为19倍 [4][16] 财务预测与运营数据 - 预计2026年营业收入为628.56亿元，同比增长30.85%，随后两年增速放缓 [9][27] - 预计2026年烯烃收入为490.26亿元，同比增长7% [25] - 预计2026年毛利率为35.43%，净利率为24.33%，净资产收益率（ROE）为26.12% [27] - 预计2026-2028年经营性现金流持续为正，资本支出呈下降趋势 [25][27]

报告投资评级 * 报告未明确给出具体的行业投资评级（如增持、中性、减持）[1] 报告核心观点 * 报告系统回顾了量化行业轮动的研究历程，指出传统基本面因子因行业逻辑时序不稳定和截面可比性差而面临失效困局，尤其是在2024年几乎“全军覆没”[1][11] * 报告认为，残差动量因子、拥挤度指标以及动态因子挖掘系统中的技术面遗传规划模型经受住了时间考验，持续为投资者创造超额收益[1][16] * 报告展望了量化行业轮动的“下半场”，提出了风格择时辅助行业轮动、行业轮动与CTA信号结合、大语言模型应用于行业轮动三大破局思路[1][62] 量化行业轮动研究回顾 * 行业轮动旨在从截面比较不同行业的投资机会，行业弹性通常大于宽基指数，成功捕获主线行业能显著跑赢宽基指数[9] * 行业轮动标的的颗粒度是模型表现的敏感变量，颗粒度过于粗放或精细都会影响模型效果[9] * 在基本面、交易面、机器学习三大维度的尝试中，基本面因子在样本外跟踪中失效最严重，尤其是在2024年几乎“全军覆没”[1][11] * 基本面因子失效的根本原因在于行业逻辑的时序不稳定性和截面可比性差，例如汽车行业的定价逻辑已从“乘用车销量”转向科技属性，且不同行业核心定价指标不同[11] * 交易面因子中，传统技术分析指标如异同离差乖离率(DBCD)表现不佳，而残差动量因子和拥挤度指标经受住了考验[14][16] * 北向资金加仓持续性因子曾是样本外表现最优的交易面因子，但因数据可获性问题已无法计算[16] * 相较于固定因子模式，动态更新因子库更有助于行业轮动模型适应市场变化，这项任务已交给机器学习执行[16] * 过去五年研究中，仍然值得进行样本外跟踪的模型包括：残差动量因子、拥挤度指标、动态因子挖掘系统中的技术面遗传规划模型[16] 残差动量因子 * 残差动量因子通过剔除市场因子和风格因子的影响，捕捉产业政策、技术进步等无法被结构化数据描述的股价驱动因素[2][17] * 改进版本引入了波动率反转效应，对日波动率最高月份的残差进行反转处理[2][20] * 在2017-01-01至2026-02-28的回测区间内，改进残差动量策略的年化超额收益达**12.90%**[2][22] * 该策略在2024Q3至2025Q2出现较大幅度、持续的超额收益回撤，但随后快速修复并在2026年初创新高[2][22] * 策略年化收益为**19.00%**，年化波动为**23.59%**，夏普比率为**0.81**，最大回撤为**-35.62%**（基准组合年化收益为**6.10%**）[25] * 该因子已被华泰睿选大类资产配置FOF1号（Wind代码HT25YK2.OF）所借鉴[2][22] 拥挤度指标 * 拥挤度用于衡量交易是否“涨得太快”，交易拥挤往往发生在“击鼓传花”式的上涨中，一旦成交量跟不上可能引发踩踏式下跌[3][26] * 基于门限测试方法精选了4个量价指标构建行业拥挤度模型，单指标滚动分位数达到**95%**阈值时触发拥挤信号，3个或4个指标触发拥挤信号视为行业高拥挤[3][29] * 2026年初，该模型成功预警了国防军工、工业金属、贵金属三个行业的交易风险，拥挤度3分或4分略领先行业指数的阶段性高点[3][30] * 回测表明，规避过去20个交易日中有两天拥挤度达到3分或4分的行业，对长期业绩具有正向贡献[3][30] 动态因子挖掘系统（机器学习） * 遗传规划是量化投资领域经典的因子挖掘方法，报告团队通过GPU加速和多目标体系改造对其进行了升级[4][38] * 引入**\|IC\|**、**\|IC\|胜率**、**NDCG@k**三维评价体系，有效降低了传统单目标遗传规划存在的种群拥挤和因子同质化问题[4][40] * **技术面遗传规划**样本外表现较好，在2022-10-10至2026-02-28区间，双目标体系年化超额收益为**19.20%**，升级后的三目标体系年化超额收益达**25.39%**（报告数据存在两处，取较高值）[4][49][53] * 三目标体系（拼接版）年化收益为**37.87%**，年化波动为**17.09%**，夏普比率为**2.22**，最大回撤为**-20.72%**（基准组合年化收益为12.48%）[53] * **基本面遗传规划**因仅依赖结构化信息，无法对行业基本面形成深刻理解，表现一般，在相同回测区间年化超额收益为**6.81%**[4][57] * 基本面遗传规划年化收益为**19.67%**，年化波动为**17.52%**，夏普比率为**1.12**，最大回撤为**-26.45%**（基准组合年化收益为12.86%）[61] 量化行业轮动的“下半场”破局思路 * **风格择时辅助行业轮动**：市场主导风格（如价值-成长）相较于行业轮动更易把握，因其定义清晰且轮动速度较慢[63] * 报告将红利择时模型信号迁移至国证价值100与国证成长100轮动，在2017-01-01至2026-02-28区间，风格择时模型年化超额收益为**18.29%**[66] * 在技术面遗传规划模型基础上叠加价值-成长风格择时信号，策略风险收益比有所改善，年化收益从**37.87%**提升至**38.67%**，最大回撤从**-20.72%**收窄至**-17.53%**，夏普比率从**2.22**提升至**2.28**[71] * **行业轮动与CTA信号结合**：行业轮动模型提供方向（“到有鱼的地方”），CTA信号提供买卖时点（“等待大鱼上钩”），旨在提升持有体验和调仓胜率[72][75] * **大语言模型(LLM)时代的行业轮动**：LLM擅长处理非结构化、多模态信息，能通过思维链整合碎片化信息形成基本面判断[76] * 报告认为，基于传统结构化信息的基本面行业轮动可能已陷入“无解的困局”，LLM对非结构化信息的深度整合能力或将成为基本面行业轮动的“破局之道”[4][77]

行业投资评级 - 农林牧渔行业评级为“增持” [7] 报告核心观点 - 功能粮是宠物食品行业发展的必然选择，也是品牌发展的必由之路，其长研发周期、高壁垒的特点有望打破行业内卷格局，研发实力突出的头部宠食企业有望率先受益 [1] - 美国宠物功能粮市场已超百亿美元规模，是精细化喂养和产品升级下的必然选择，其增长显著跑赢行业大盘 [2] - 行业具有高准入门槛和强监管特征，研发能力强者能获得更高的品牌溢价 [3] - 市场竞争格局中，处方粮市场高度集中，而功能粮市场相对分散，但头部处方粮企业凭借研发优势可对功能粮市场形成“降维打击” [4] - 报告与市场的不同之处在于：1) 认为功能粮是下一轮产品周期的起点而非简单的营销概念；2) 首次对功能粮进行概念界定、市场规模估算并深入解析美国审核流程与研发壁垒 [5] - 投资建议看好研发实力突出的头部宠企，具体关注乖宝宠物、中宠股份、佩蒂股份 [6][10] 行业概览与市场前景 - **概念界定**：美国宠物功能粮并非联邦法定独立品类，而是在均衡营养基础上添加功能成分的升级主粮，广义可分为处方粮、特定功效粮（报告研究重点）、强化型基础粮（泛功能粮）及其他四类 [2][16][20] - **发展历程**：美国宠物行业经历了从“处方粮→泛功能粮→功能粮”的阶段转变，是精准喂养理念深化和产品升级的必然选择，技术壁垒呈梯度分布 [2][16][25] - **市场规模与增长**：估算2024年美国功能粮市场规模约121亿美元，占整体宠物食品市场规模（452.07亿美元）的27% [2][44] - 2019-2024年功能粮市场规模复合年增长率（CAGR）为14.2%，显著跑赢行业整体增速（10.6%）3.6个百分点 [2][44] - 2024年功能粮与处方粮合计市场规模为158.6亿美元，占整体市场规模的35.1% [44] - **市场结构**：功能粮主要类型包括化毛球、体重管理、美毛护肤、关节养护、肠胃健康、泌尿呵护、口腔健康等7大类，其中体重管理和肠胃健康是两大热门方向 [23] - 在高端宠物干粮市场中，功能添加是核心溢价来源，2024年在高端猫干粮、狗干粮中的市占率分别达40.9%和37.6% [4][18] 行业壁垒与监管 - **监管模式**：行业实行“联邦与州双重监管、协会标准主导、重罚兜底”模式，核心监管机构包括FDA、AAFCO及各州农业部 [3][52][53] - **审核流程差异**： - 功能粮在法律上属于“宠物食品”，审批流程适用于所有宠物食品，需满足AAFCO标准，无需FDA事前审批，但需完成各州注册 [51][52] - 处方粮因宣称干预疾病，在法律上被视为“未经批准的新兽药”，需通过FDA“执法自由裁量权”豁免，但必须备有患病动物双盲临床试验数据，且仅能通过兽医处方渠道销售 [51][52] - **原料合规壁垒**： - 原料需通过AAFCO收录或GRAS（一般公认安全）认证 [3][56] - GRAS认证流程繁琐耗时，通常需1-10年，成本高昂，仅少数头部企业能完成核心原料认证 [3][17][56] - 截至2026年3月，在FDA GRAS通知清单中，宠物食品品牌商仅5家，其中皇家和希尔斯的万寿菊提取物、α-硫辛酸分别花费了9年和10年才通过认证 [60][64] - **营养与功效验证壁垒**： - 营养验证分为低成本的“配方计算法”和高成本的“AAFCO动物喂养试验法” [17][64] - AAFCO动物喂养试验要求严格，例如对成年犬粮需用至少8只健康犬进行为期26周的测试，单款SKU的硬成本在5万到15万美元之间，高端品牌多采用此法 [17][67] - 功能功效验证是更高门槛，企业通常通过实验室检验、病理模型或双盲实验等方式进行，论证越严密，产品溢价越高 [3][17][68] - **违规风险**：违规将面临FDA强制召回、巨额罚款乃至品牌强制退出的风险 [3][17] 市场竞争格局 - **处方粮市场**：集中度极高且格局稳定，2024年希尔斯（Hill‘s）和皇家（Royal Canin）合计占据约90%的市场份额，其中希尔斯占62.3%，皇家占27.4% [4][18] - **功能粮市场**：格局相对分散，2024年TOP3品牌（希尔斯Science Diet、Purina ONE、Pro Plan）合计市占率仅为57.1% [4][18] - 功能粮市场分散的部分原因是部分基础功效品类（如去毛球、体重管理）技术门槛较低，中低端品牌易于入局 [4][18] - **“降维打击”效应**：处方粮与功能粮TOP品牌重合度高，头部处方粮企业凭借更严苛的病理双盲实验等研发优势，对功能粮市场形成“降维打击” [4][18] - **品牌溢价逻辑**：产品溢价核心取决于原料品质与功效论证的严密性，例如雀巢旗下cat chow、purina one、pro plan三款化毛球猫粮，因添加原料与原理不同，价格相差1倍 [3][17] 发展历程与趋势 - **五大演进阶段**： 1. **萌芽奠基期（1930s-1970s）**：处方粮品类诞生（希尔斯1948年创立），膨化技术量产革新（普瑞纳1956年），功能粮初步跨越（希尔斯1968年推出Science Diet） [29] 2. **品类分化期（1970s-2000s）**：功能粮产品应运而生，皇家开创泛功能粮细分（按体型、品种），冠能引领功能粮科技化，政策（DSHEA法案）推动功能成分添加 [27][30] 3. **功能粮爆发期（2000s-2010s）**：2007年三聚氰胺事件催化天然功能粮快速增长，功能成分普及，各品牌深化功能管线布局 [28][33] 4. **跨界融合期（2010s-2020s）**：品类边界模糊，处方粮技术向功能粮下沉，天然粮理念向处方粮渗透，并购整合加速（如2018年通用磨坊80亿美元收购蓝爵） [33] 5. **精准整合期（2020s-至今）**：头部品牌全谱系布局，功效边界不断拓宽，个性化创新密集落地，行业迈向“千人千面”的精准营养时代 [31][33] - **核心范式迁移**：美国功能粮百年演进，本质是从“治疗疾病”到“优化生命”的范式迁移 [16][32] 投资建议与关注公司 - 基于美国宠食行业发展经验，功能添加是高端品牌重要溢价来源，深厚研发壁垒可助企业市占率快速集中 [6] - 在本轮产品迭代中，研发实力强的企业有望受益 [6] - 报告重点推荐三家公司：乖宝宠物（目标价110.50，买入）、中宠股份（目标价79.64，买入）、佩蒂股份（目标价21.78，买入） [10]

投资评级与目标价 - 报告维持港铁公司“增持”评级，目标价为35.20港元 [1] 核心业绩与观点 - **2025年业绩不及预期**：公司2025年收入为555亿港元，同比下降7.6%；归母净利润为147亿港元，同比下降6.9%，低于彭博一致预期的159亿港元 [1] - **利润低于预期主因一次性减值**：经常性业务利润为56.5亿港元，同比下降21.6%，较报告预期低约10%，主要由于对杭州地铁一号线计提3.8亿港元减值以及对电影院历史租金宽减计提减值等一次性因素 [1] - **物业发展是利润核心**：物业发展业务利润为111亿港元，同比增长8.0%，是利润的主要贡献来源 [1] - **股息政策稳定**：公司拟派发全年股息合计1.31港元，与上年持平，对应股息率为3.8% [1] - **核心观点**：考虑到香港住宅市场复苏且公司处于物业交楼高峰期，报告维持“增持”评级 [1] 业务分部表现 香港车务运营 - **收入微增但亏损扩大**：2025年香港车务运营收入同比增长2.5%，但EBIT亏损扩大至2.5亿港元 [2] - **成本压力显著**：亏损主因员工成本同比增长5.8%、保养及相关工程成本同比增长5.6%以及折旧同比增长2.5%，而票价涨幅（本地铁路均价仅涨1.7%）未能覆盖成本增长 [2] - **客运量分化**：本地铁路、过境服务、高铁、机场快线收入分别同比增长1.2%、6.6%、3.7%、6.4%，显示本地出行增长乏力，而过境线受益于北上与访港需求增长 [2] 车站商务与物业租赁 - **租金收入下滑**：2025年香港车站商务EBIT为36.6亿港元，同比下降3.0%；物业租赁及管理EBIT为38.2亿港元，同比下降8.3% [3] - **新订租金承压**：尽管香港零售业销货价值已同比转正，但因租约更换周期影响，车站与商场的新订租金仍分别下滑8.5%和9.5% [3] - **投资物业公允价值亏损**：公司对投资物业计提公允价值损失20.6亿港元，约占2024年投资物业净值的2% [3] 物业发展业务 - **处于结转高峰期**：2025年物业发展净利润同比增长8.0%至111亿港元，主要来自日出康城第12期、何文田站第1&2期、港岛南岸第3&5期的贡献 [4] - **未来展望**：预计2026年结转高峰将延续，主要项目包括日出康城第12&13期、港岛南岸第5&6期等，但2027-2028年可供结转项目或将显著减少 [4] - **受益于市场复苏**：2025年香港住宅市场触底回升，呈现量价齐升趋势，该趋势在2026年预计延续，公司业务有望直接受益 [4] 盈利预测与估值 - **盈利预测调整**：考虑到物业发展项目结转进度慢于预期，报告调整2026-2027年归母净利润预测至197亿港元（-6%）和121亿港元（+9%），并预计2028年归母净利润为120亿港元 [5] - **估值方法与目标价**：采用分部估值法，将目标价调整至35.2港元（前值29.9港元）[5] - **估值关键假设**： - 香港铁路业务基于DCF估值，WACC维持7.0%，永续增长率维持3% [5] - 投资物业基于资本化率估值（商铺维持4.1%）[5] - 物业发展基于NAV测算 [5] - 各部分加总后给予10%的折让（前次为20%），折让收窄主要因香港住宅复苏趋势更为明确 [5] 财务数据与预测 - **营业收入预测**：预计2026E-2028E营业收入分别为534.82亿港元、559.15亿港元和588.25亿港元 [10] - **归母净利润预测**：预计2026E-2028E归母净利润分别为196.62亿港元、120.63亿港元和119.66亿港元，同比增速分别为34.1%、-38.6%和-0.8% [10] - **每股收益（EPS）**：预计2026E-2028E EPS分别为2.96港元、1.74港元和1.72港元 [10] - **估值指标**：基于2026年预测，PE为11.68倍，PB为1.06倍，EV/EBITDA为9.20倍 [10] 分部估值详情 - **企业价值构成**：分部估值加总得出的企业价值为3222.63亿港元，其中香港车站商务占比最高（33%，价值1056.31亿港元），其次为香港物业租赁及管理（28%，价值890.55亿港元）[35] - **目标价推导**：企业价值减去净负债、少数股东权益及永续债后，得到股权价值2435.16亿港元，经10%折让后目标股权市值为2191.64亿港元，对应目标价35.2港元 [35]