会议情况 - 中银国际证券第二届董事会第四十五次会议于2026年3月27日召开，12名董事均参与表决[1] 议案审议 - 审议通过中银证券公募基金2025年年度报告等多项议案[1][2][3] 报告审阅 - 董事会审阅《中银证券2025年四季度公司治理评估报告》，全体董事无异议[5]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：风格组相对拥挤度模型[127] * **模型构建思路**：通过计算不同风格指数换手率标准化值的差异及其历史分位，来衡量两种风格之间的相对交易拥挤程度，以判断其配置风险或性价比[71] * **模型具体构建过程**： 1. 对于风格A和风格B，分别计算其近252日平均换手率[127] 2. 将风格A和风格B的换手率序列，在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B[127] 3. 计算二者差值：差值 = Z-score_A - Z-score_B[127] 4. 计算该差值的滚动6年历史分位数（历史数据量满1年且不足6年时，以全部历史数据进行计算），该分位数即为风格A相对于风格B的相对拥挤度[127] 2. **模型名称**：风格指数累计超额净值模型[128] * **模型构建思路**：以万得全A指数为基准，计算各风格指数相对于基准的累计超额表现，用于跟踪风格轮动和相对强弱[128] * **模型具体构建过程**： 1. 设定基准日（例如2020年1月4日）[128] 2. 将各风格指数及万得全A指数的每日收盘点数除以各自在基准日的收盘点数，得到各自的累计净值[128] 3. 将各风格指数在每一交易日的累计净值，除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A指数的累计超额净值[128] 3. **模型名称**：机构调研活跃度分位数模型[129] * **模型构建思路**：通过计算板块或行业日均机构调研次数的标准化值相对于全市场的差异及其历史分位，来衡量机构关注度的相对热度[129] * **模型具体构建过程**： 1. 对于特定板块（指数、行业），计算其近n个交易日的“日均机构调研次数”[129] 2. 将该日均调研次数序列在滚动y年的历史时间序列上进行z-score标准化[129] 3. 将上述标准化结果与万得全A指数的标准化结果作差，得到“机构调研活跃度”[129] 4. 最后计算该“机构调研活跃度”的滚动y年历史分位数（长期口径：n=126，y=6年；短期口径：n=63，y=3年）[129] 量化因子与构建方式 1. **因子名称**：滚动季度夏普率[35] * **因子构建思路**：计算万得全A指数滚动一个季度的夏普比率，作为衡量市场情绪风险的指标，极端高位可能预示市场情绪高峰后的调整风险[35] * **因子具体构建过程**：报告未详细说明具体计算窗口和参数，但核心是计算指数在过去一个季度时间窗口内的收益率均值与标准差之比，即夏普比率 2. **因子名称**：股债性价比（ERP）[51] * **因子构建思路**：通过计算股票市场市盈率倒数与无风险利率（国债收益率）的差值，来衡量投资股票相对于债券的预期超额收益，即风险溢价[51] * **因子具体构建过程**： 1. 计算指数市盈率（PE_TTM）的倒数：$$1 / PE\_TTM$$[51] 2. 减去10年期中债国债到期收益率：$$ERP = 1 / PE\_TTM - 10年期国债到期收益率$$[51] 3. 将计算出的ERP值置于历史时间序列中计算其百分位，以判断当前性价比高低[51][59] 3. **因子名称**：成交热度[25] * **因子构建思路**：使用周度日均自由流通换手率的历史分位值来衡量板块或行业的交易活跃度[25] * **因子具体构建过程**：计算特定板块或行业当周的日均自由流通换手率，然后计算该值在历史时间序列（例如自2005年1月1日以来）中的百分位[25] 4. **因子名称**：长江动量因子[63] * **因子构建思路**：以最近一年收益率减去最近一个月收益率（剔除涨停板）作为动量指标，筛选A股市场中动量特征强且流动性高的股票[63] * **因子具体构建过程**：报告未给出具体公式，但构建逻辑为：动量指标 = 最近一年股票收益率 - 最近一个月股票收益率（需剔除涨停板影响）[63] 5. **因子名称**：长江反转因子[63] * **因子构建思路**：以最近一个月股票收益率作为筛选指标，选择A股市场中反转效应强、流动性好的股票[63] * **因子具体构建过程**：报告未给出具体公式，但构建逻辑为直接使用最近一个月股票收益率作为反转因子指标[63] 模型的回测效果 *本报告为市场跟踪周报，未提供量化模型的历史回测绩效指标（如年化收益率、夏普比率、最大回撤等）。* 因子的回测效果 *本报告为市场跟踪周报，未提供量化因子的历史IC、IR、多空收益等传统因子测试结果。报告主要通过展示因子当前状态（如历史分位）及其与市场表现的近期关系来进行分析。*

核心观点 报告认为，2026年美伊军事冲突正成为全球能源战略的“第三次范式转型”的催化剂，推动全球从“化石能源依赖”加速转向“新能源技术主权”和“零碳技术体系”，而中国在此转型中扮演“主导国”角色[1][2][11]。对A股短期冲击可控，市场处于“混沌期”，短期宽基指数或转入震荡，中期结构性慢牛格局不变[2][8][15]。行业配置上，应关注主线板块的扩散与核心细分方向的“业绩抱团”[2][16]。 长期影响：能源范式转型的历史拐点 - 本轮地缘冲突引发的油价上涨及其次生影响，有望比肩1973年和1979年的两次全球石油危机，并加速全球能源结构调整[2][9] - 第一次石油危机（1973-1974）后，主要经济体转向石油储备和多元化能源体系，原油价格从每桶约3美元涨至近12美元[9] - 第二次石油危机（1979-1980）后，全球加速向低能耗、节约型转型，油价从每桶13美元涨至40美元附近[10] - 2026年美伊冲突或催化全球能源战略从“化石能源主导”加速转向“新能源技术主权”，开启向“零碳技术体系”的战略重构[2][11] 短期市场影响与A股判断 - 地缘局势紧张及油价大涨对A股整体冲击仍在可控范围内，布伦特原油本周再度站上100美元/桶以上关口[2][8] - 维持A股宽基指数短期转入震荡阶段，中期仍是结构性慢牛的观点[2][15] - 市场区间底部临近，但准确触底时点受军事冲突扰动较大，具备短期不可测性[15] - 回顾2025年以来，每一次“贸易摩擦扰动”和“美元流动性扰动”都构成了权益市场的“战略布局点”[2][15][18] 行业配置主线：扩散与抱团 - **主线一：科技向先进制造扩散**。高油价时代传统能源的脆弱性倒逼全球加快向可再生能源转型，科技TMT行情已开始向先进制造（电力设备及新能源、新能源汽车）扩散[2][16][21] - **主线二：工业品向能化品扩散**。根据大宗商品轮动规律（工业品—能化—农产品），2025年以来工业品价格率先发力，中东局势催化能化品补涨行情开启，叠加全球再通胀背景，化工品价格具备上行基础。此前工业品趋势行情（有色金属）已开始向能化趋势行情（基础化工）扩散[2][16][22] - **主线三：AI产业趋势下的业绩抱团**。AI产业趋势不受中东局势明显影响，在整体风偏下降或海外流动性收紧阶段，板块整体估值或受压制，但盈利增长确定性强的核心细分方向（如光模块、PCB、服务器、云服务）会受“抱团业绩”驱动，穿越估值扰动[2][17][23][50][51] 市场数据与热点观察 - **大类资产表现**：截至2026年3月15日，本周WTI原油上涨9.25%，3月以来累计上涨48.18%，年初以来上涨73.83%；10年期美债收益率上行13个基点；美元指数上涨1.56%；万得全A本周微涨0.36%，但3月以来下跌2.76%[27][28] - **市场情绪与资金**：BOCIASI快线情绪指标由上周五的53.8%回落至45.9%[32]。本周A股主力资金净卖出423.81亿元，为连续第2周净卖出[56]。建筑装饰、电力设备、基础化工获主力资金净流入居前，分别为215.46亿元、204.51亿元、197.69亿元[57] - **行业轮动与表现**：当前A股行业轮动强度较低，主线集中度高，主要集中在资源品[41][43]。本周煤炭、建筑、电力设备及新能源、电力及公用事业表现较好[37][40]。前期强势的资源品主线出现一定幅度调整[42][45] - **估值-盈利性价比**：从估值-盈利性价比角度看，电力设备、有色金属、传媒、计算机等板块2026年预测净利润增速维持较高水平且市盈率分位数处于80%以下，具备较优配置价值[46][48] - **AI产业链表现**：本周AI产业链在龙虾智能体进展催化下出现反弹，光模块、PCB、服务器、云服务等赛道表现相对亮眼。其中，光模块板块周涨跌幅为5.03%，2026年预测归母净利润增速高达114.41%[50][51][52] - **科技出口景气度**：科技板块出口维持高景气，2026年1-2月集成电路出口金额同比增速高达72.60%[53][55] - **热门主题分布**：市场呈现“趋势延续 + 高位消化 + 低位修复”的多层共存格局，黄金概念、人工智能、旅游概念、储能、风电等主题热度居前[61][62]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：市场情绪风险监测模型[35] **模型构建思路**：通过监测市场宽基指数滚动夏普率的历史分位，来判断市场情绪是否达到极端水平，以预警市场可能的调整风险[35] **模型具体构建过程**：计算万得全A指数的滚动季度夏普率，并将其置于历史时间序列中进行分位计算，当夏普率上升至历史极高位置时，认为市场情绪达到极端高峰[35] 2. **模型名称**：风格拥挤度监测模型[2][69] **模型构建思路**：通过计算不同风格指数之间相对换手率的历史分位，来度量该风格交易的拥挤程度，为风格配置提供风险提示[2][69] **模型具体构建过程**：对于风格A和风格B，首先分别计算其近252日平均换手率在历史时间序列上的Z-score标准化值（Z-score_A与Z-score_B），然后计算二者差值（Z-score_A - Z-score_B）的滚动6年历史分位数[123] **公式**： $$相对拥挤度 = 历史分位数(Z\_score\_A - Z\_score\_B)$$ 其中，Z-score基于近252日平均换手率在2005年1月1日以来的历史序列计算[123] 3. **模型名称**：风格超额净值计算模型[69][124] **模型构建思路**：通过计算风格指数相对于市场基准（万得全A）的累计超额净值，来刻画该风格的长期相对表现[69][124] **模型具体构建过程**：以2020年1月4日为基准日，将各风格指数及万得全A指数的每日收盘价除以基准日收盘价，得到各自的累计净值。然后将各风格指数的累计净值除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A的累计超额净值[124] 4. **模型名称**：机构调研活跃度监测模型[125] **模型构建思路**：通过标准化并比较不同板块（指数、行业）的机构调研频率，来监测资金关注度的相对变化[125] **模型具体构建过程**：将板块近n个交易日的“日均机构调研次数”在滚动y年的历史时间序列上进行z-score标准化，并与万得全A的标准化结果作差，得到“机构调研活跃度”，最后计算该活跃度的滚动y年历史分位数[125]。报告提及两种参数设置：长期口径（n=126日，滚动窗口y=6年）和短期口径（n=63日，滚动窗口y=3年）[125] 量化因子与构建方式 1. **因子名称**：股债性价比因子（ERP）[50] **因子构建思路**：通过计算股票指数盈利收益率与无风险利率（10年期国债收益率）的差值，来衡量配置权益资产相对于债券的预期超额回报，即风险溢价[50] **因子具体构建过程**：对于特定股票指数，计算其盈利收益率（即市盈率TTM的倒数），然后减去10年期中债国债到期收益率[50] **公式**： $$指数erp = \frac{1}{指数PE\_TTM} – 10年期中债国债到期收益率$$ 其中，PE_TTM为指数滚动市盈率[50] 2. **因子名称**：成交热度因子[24] **因子构建思路**：使用换手率的历史分位来度量当前交易活跃度的相对水平，辅助判断市场或板块的情绪热度[24] **因子具体构建过程**：计算指数或行业的周度日均自由流通换手率，然后计算该换手率在历史时间区间（例如2005年1月1日至今）内的百分位值[24][30] 3. **因子名称**：长江动量因子[60] **因子构建思路**：通过计算经过调整的长期收益率来捕捉股票的动量效应[60] **因子具体构建过程**：以最近一年股票收益率减去最近一个月股票收益率（并剔除涨停板影响）作为动量指标[60]。该因子被用于构建“长江动量”指数，选取全市场动量特征强且流动性高的前100只股票[60] 4. **因子名称**：长江反转因子[61] **因子构建思路**：通过计算短期收益率来捕捉股票的反转效应[61] **因子具体构建过程**：以最近一个月股票收益率作为筛选指标[61]。该因子被用于构建“长江反转”指数，选取全市场反转效应强、流动性好的前100只股票，并采用近三个月日均成交量进行加权[61] 模型的回测效果 （注：本报告为市场跟踪周报，未提供模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等。报告主要展示了模型或因子在特定时点的状态输出。） 因子的回测效果 （注：本报告为市场跟踪周报，未提供因子的历史IC、IR、多空收益等传统因子测试结果。报告主要展示了基于因子构建的指数或风格组合在近一周、近一月和年初至今的表现。） 1. **成长 vs 红利因子**：近一周相对收益为-1.3%，近一月为-3.7%，年初至今为-3.3%[59] 2. **小盘 vs 大盘因子**：近一周相对收益为-1.3%，近一月为1.0%，年初至今为9.9%[59] 3. **微盘股 vs 基金重仓因子**：近一周相对收益为0.3%，近一月为1.0%，年初至今为8.8%[59] 4. **动量 vs 反转因子**：近一周相对收益为-2.1%，近一月为-2.6%，年初至今为-6.7%[59]

报告行业投资评级 - 未提及 报告的核心观点 - 中东局势升级、航路安全问题扰动通胀预期，国际油价快速拉升影响美国通胀和美债市场，但从中期看该局势产生脉冲式影响可能性较高，若冲突降级再升级风险降低 [3] - 2026 年经济增长目标 4.5%－5%，财政政策更积极，新增政府债务 11.89 万亿元，较 2025 年增加约 300 亿元，政府债增速或回落，社融增速放缓对利率债有一定利好；货币政策操作弹性可能提高，预计有 1 - 2 次各 25BP 降准和 1 - 2 次各 10BP 政策利率降息；2026 年债市基准利率大概率区间震荡，国债 10 年期收益率波动区间 1.6 - 1.9%，当前收益率低于 1.8%，降至 1.75%附近继续下行难度大，近期不宜对利率债走势有太高期待 [3] - 本周布伦特和 WTI 原油期货价平均分别环比升 17.48%和 19.04%，LME 铜现货价全周均价环比降 1.54%，铜金比价环比降 0.89%，铝现货全周均价环比升 6.59%；农业部猪肉平均批发价环比降 3.92%，28 种重点监测蔬菜平均批发价全周平均环比降 4.07%，2 月 20 日当周食用农产品价格指数同比升 4.61%；国内水泥价格指数环比降 0.20%，南华铁矿石指数平均环比升 1.36%，产能超 200 万吨的焦化企业开工率环比降 0.90%，螺纹钢库存指标环比升 12.38%，螺纹钢价格指标环比降 0.12%，全国 247 家钢厂高炉开工率环比降 3.18%，2 月 20 日当周生产资料价格指数同比升 1.22% [3] 各目录总结 高频数据全景扫描 - 展示美国 CPI 同比涨幅、我国三大部门融资增速、我国 GDP 增速及缩减指数等图表 [12][13] - 高频数据周度环比变化显示，食品、其他消费品、大宗商品、能源、有色金属、黑色金属、房地产、航运等多领域指标有不同程度的环比变化，如猪肉平均批发价环比降 3.92%，布伦特原油期货结算价环比升 17.48%等 [17] - 高频数据全景扫描呈现对重要指标有前瞻/相关关系的高频数据最新值及前几期数据，如 LME 铜现货结算价同比最新值 35.80%，粗钢日均产量同比最新值 - 12.89%等 [18] 高频数据和重要宏观指标走势对比 - 包含铜现货价同比与工业增加值同比（+PPI 同比）、粗钢日均产量同比与工业增加值同比等多组指标对比的图表 [21] 美欧日重要高频指标 - 有美国周度经济指标和实际经济增速、美国首周申领就业人数和失业率等图表，还涉及衍生品市场隐含日本央行、欧央行加/降息前景 [90][94] 高频数据季节性走势 - 展示粗钢(旬度)日均产量、生产资料价格指数等指标的季节性走势图表 [102] 北上广深高频交通数据 - 呈现北京、上海、广州、深圳地铁客运量同比变化图表 [154]

量化模型与构建方式 1. **模型名称**：风格组相对拥挤度模型[130] * **模型构建思路**：通过计算不同风格指数换手率Z-score的差值及其历史分位，来度量某一风格相对于另一风格的交易拥挤程度[130]。 * **模型具体构建过程**： 1. 分别计算风格A指数和风格B指数在过去252个交易日的平均换手率[130]。 2. 将上述平均换手率序列，在自2005年1月1日起的历史时间序列上进行Z-score标准化，得到Z-score_A和Z-score_B[130]。 3. 计算二者差值：$$Diff = Z\_score\_A - Z\_score\_B$$ [130] 4. 计算该差值序列在过去6年滚动窗口内的历史分位数（若历史数据不足6年但满1年，则使用全部历史数据计算）[130]。该分位数即为风格A相对于风格B的“相对拥挤度”。 2. **模型名称**：风格指数累计超额净值模型[131] * **模型构建思路**：通过计算风格指数相对于市场基准指数（万得全A）的累计净值比，来衡量该风格的长期超额收益表现[131]。 * **模型具体构建过程**： 1. 以2020年1月4日为基准日，计算风格指数和万得全A指数的每日累计净值：$$Cumulative\_Net\_Value_{t} = \frac{Close\_Price_{t}}{Close\_Price_{基准日}}$$ [131] 2. 计算风格指数相对于万得全A指数的累计超额净值：$$Cumulative\_Excess\_Net\_Value_{t} = \frac{Cumulative\_Net\_Value_{风格,t}}{Cumulative\_Net\_Value_{万得全A,t}}$$ [131] 3. **模型名称**：机构调研活跃度分位数模型[132] * **模型构建思路**：通过计算板块或行业相对于全市场机构调研活跃度的标准化差值及其历史分位，来评估其受机构关注度的相对水平[132]。 * **模型具体构建过程**： 1. 计算板块（或指数、行业）在过去n个交易日的“日均机构调研次数”[132]。 2. 将上述序列在滚动y年的历史时间序列上进行Z-score标准化，得到该板块的Z-score值[132]。 3. 对万得全A指数进行同样的计算，得到市场基准的Z-score值[132]。 4. 计算“机构调研活跃度”：$$Survey\_Activity = Z\_score_{板块} - Z\_score_{万得全A}$$ [132] 5. 计算该“机构调研活跃度”序列在滚动y年窗口内的历史分位数（长期口径：n=126，y=6年；短期口径：n=63，y=3年。历史数据不足时使用全部可用数据）[132]。 4. **因子名称**：风险溢价因子 (ERP)[52] * **因子构建思路**：通过计算股票指数市盈率倒数与无风险利率（10年期国债收益率）的差值，来衡量投资权益资产相对于债券资产的超额回报补偿，即股债性价比[52]。 * **因子具体构建过程**：对于任一股票指数，其ERP计算公式为：$$ERP = \frac{1}{PE\_TTM} - 10年期国债到期收益率$$ [52] 其中，PE_TTM为指数的滚动市盈率。 5. **因子名称**：长江动量因子[64] * **因子构建思路**：以过去一年（剔除最近一个月）的股票收益率作为动量指标，筛选市场中动量特征强的股票构建指数[64]。 * **因子具体构建过程**：“长江动量”指数以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，综合选择A股市场中动量特征强且流动性相对较高的前100只股票作为指数成分股[64]。 6. **因子名称**：长江反转因子[64] * **因子构建思路**：以最近一个月的股票收益率作为反转指标，筛选市场中反转效应强的股票构建指数[64]。 * **因子具体构建过程**：“长江反转”指数以最近一个月股票收益率作为筛选指标，综合选择A股市场中反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权[64]。 模型的回测效果 （本报告未提供量化模型在历史回测中的具体绩效指标，如年化收益率、夏普比率、最大回撤等数值结果。报告主要展示了模型在特定时点的输出状态，例如拥挤度分位、超额净值走势等。） 1. **风格组相对拥挤度模型**，成长 vs 红利相对拥挤度历史分位为73%[72]，小盘 vs 大盘相对拥挤度历史分位为20%[77]，微盘股 vs 中证800相对拥挤度历史分位为76%[80] 2. **风格指数累计超额净值模型**，成长较红利累计超额净值处于历史较高位置[72]，小盘较大盘累计超额净值处于历史较高位置[77]，微盘股较中证800累计超额净值处于历史极高位置[80] 量化因子与构建方式 （报告中提及的动量、反转、成长、红利、大小盘等均为市场常见风格因子，其具体构建已在对应的指数编制方法中说明，详见“量化模型与构建方式”第5、6点及报告对风格指数的描述。） 因子的回测效果 （本报告未提供单因子测试的绩效指标，如因子IC、IR、多空组合收益等。报告主要展示了基于这些因子构建的风格指数在特定时期的表现。） 1. **成长 vs 红利因子**，近一周相对收益为-2.6%，近一月为-3.8%，年初至今为-1.9%[61] 2. **小盘 vs 大盘因子**，近一周相对收益为-2.7%，近一月为1.1%，年初至今为11.2%[61] 3. **动量 vs 反转因子**，近一周相对收益为-2.0%，近一月为-2.3%，年初至今为-4.5%[61] 4. **微盘股 vs 基金重仓因子**，近一周相对收益为1.2%，近一月为4.1%，年初至今为8.5%[61]

会议情况 - 公司第二届董事会第四十四次会议于2026年3月2日召开[1] - 会议通知于2026年2月13日以电子邮件方式发出[1] - 应参与表决董事12名，实际参与表决董事12名[1] 议案表决 - 《关于修订<公司风险偏好陈述书（2026年版）>的议案》表决结果：同意12票，反对0票，弃权0票[1] - 该议案已获董事会风险控制委员会事前审议通过[1]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：风格指数构建模型（长江动量/反转指数）[64] * **模型构建思路**：分别基于动量效应和反转效应，构建能够表征A股市场中相应风格股票整体走势的指数。 * **模型具体构建过程**： * **长江动量指数**：以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，综合选择A股市场中动量特征强且流动性相对较高的前100只股票作为指数成分股[64]。 * **长江反转指数**：以最近一个月股票收益率作为筛选指标，综合选择A股市场中反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权[64]。 2. **模型名称**：风格拥挤度计算模型[73][129] * **模型构建思路**：通过计算不同风格指数换手率Z-score的差值及其历史分位数，来衡量某一风格相对于另一风格的交易拥挤程度。 * **模型具体构建过程**： 1. 分别计算风格A和风格B指数的近252日平均换手率在历史时间序列上的Z-score标准化值，记为Z-score_A与Z-score_B[129]。 2. 计算二者差值：$$Diff_{Z} = Z\text{-}score\_A - Z\text{-}score\_B$$[129]。 3. 计算该差值（Diff_Z）的滚动6年历史分位数（历史数据量满1年且不足6年时，以全部历史数据进行计算），此分位数即为风格A相对于风格B的“相对拥挤度”[129]。 3. **模型名称**：风格累计超额净值计算模型[130] * **模型构建思路**：以万得全A指数为基准，计算各风格指数相对于基准的累计超额表现，用于跟踪风格收益的持续性。 * **模型具体构建过程**： 1. 以2020年1月4日为基准日，将各风格指数及万得全A指数的每日收盘点数除以基准日收盘点数，得到各自的累计净值[130]。 2. 将各风格指数的累计净值除以同一交易日的万得全A指数累计净值，得到各风格指数相对于万得全A指数的累计超额净值[130]。 4. **模型名称**：机构调研活跃度分位数计算模型[131] * **模型构建思路**：通过标准化板块（指数、行业）的日均机构调研次数并与市场整体水平比较，计算其历史分位数，以衡量机构关注度的相对高低。 * **模型具体构建过程**： 1. 计算板块（指数、行业）近n个交易日的“日均机构调研次数”[131]。 2. 将该值在滚动y年的历史时间序列上进行Z-score标准化，得到该板块的标准化值[131]。 3. 将该板块的标准化值与万得全A指数的标准化结果作差，得到“机构调研活跃度”差值[131]。 4. 最后计算该“机构调研活跃度”差值的滚动y年历史分位数[131]。 * **参数设置**： * 长期口径：n取126（近半年），滚动窗口y为6年（历史数据量满3年且不足6年时，以全部历史数据进行计算）[131]。 * 短期口径：n取63（近一季度），滚动窗口y为3年（历史数据量满1年且不足3年时，以全部历史数据进行计算）[131]。 5. **模型名称**：股债性价比（ERP）计算模型[52] * **模型构建思路**：通过计算股票指数市盈率倒数与无风险利率的差值，来衡量权益资产相对于债券的预期超额回报，即风险溢价。 * **模型具体构建过程**： 1. 计算指数市盈率的倒数：$$Earnings Yield = 1 / PE\_TTM$$[52]。 2. 减去10年期中债国债到期收益率：$$ERP = 1 / PE\_TTM - 10\text{年期国债到期收益率}$$[52]。 3. 计算该ERP值在历史时间序列上的百分位，以判断当前性价比的高低[52][60]。 量化因子与构建方式 1. **因子名称**：动量因子[64] * **因子构建思路**：捕捉股票中期收益率延续的趋势，即过去表现好的股票在未来一段时间内继续表现好。 * **因子具体构建过程**：计算每只股票最近一年收益率减去最近一个月收益率（剔除涨停板影响），以此作为动量得分[64]。 2. **因子名称**：反转因子[64] * **因子构建思路**：捕捉股票短期收益率反转的趋势，即过去短期内表现差的股票在未来可能反弹。 * **因子具体构建过程**：计算每只股票最近一个月的股票收益率，以此作为反转得分[64]。 3. **因子名称**：成交热度因子[25] * **因子构建思路**：通过换手率的历史分位来衡量板块或行业的交易活跃度。 * **因子具体构建过程**：计算板块或行业的周度日均自由流通换手率，并求其在历史时间区间（例如2005年1月1日至今）内的历史分位值[25][36]。 4. **因子名称**：估值分位因子[41][50] * **因子构建思路**：通过市盈率（PE_TTM）的历史分位来判断指数、板块或行业的估值水平高低。 * **因子具体构建过程**：计算指数、板块或行业的当前PE_TTM，并求其在历史时间区间（例如2005年1月1日至今）内的历史分位值[41][50]。 5. **因子名称**：规模因子（小盘/大盘）[61] * **因子构建思路**：基于市值规模划分风格，捕捉小盘股相对于大盘股的溢价效应。 * **因子具体构建过程**：通常通过构建小盘指数（如巨潮小盘）与大盘指数（如巨潮大盘）的相对收益来表征[61]。 6. **因子名称**：成长/红利因子[61] * **因子构建思路**：区分成长型股票与高股息（红利）型股票，捕捉不同市场环境下两类风格的表现差异。 * **因子具体构建过程**：通过构建成长指数（如国证成长）与红利指数（如中证红利）的相对收益来表征[61]。 模型的回测效果 （本报告为市场跟踪周报，未提供量化模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等。报告主要展示了模型或因子在特定时点的状态和近期表现。） 因子的回测效果 （本报告为市场跟踪周报，未提供量化因子的历史回测绩效指标，如IC、IR、多空收益等。报告主要展示了基于因子构建的风格指数在近期的表现，具体数值如下：） 1. **成长 vs 红利因子**，近一周超额收益-0.4%，近一月超额收益-3.4%，年初至今超额收益0.9%[61] 2. **小盘 vs 大盘因子**，近一周超额收益3.5%，近一月超额收益1.0%，年初至今超额收益14.4%[61] 3. **微盘股 vs 基金重仓因子**，近一周超额收益0.2%，近一月超额收益3.7%，年初至今超额收益7.3%[61] 4. **动量 vs 反转因子**，近一周超额收益0.8%，近一月超额收益-0.9%，年初至今超额收益-2.4%[61]

算力租赁板块市场表现 - 2月27日午后，算力租赁板块延续强势，云计算ETF华夏（516630）涨幅为1.33%，成分股云天励飞20cm涨停，拓维信息涨停，云赛智联、润和软件、汉得信息等股跟涨 [1] 算力服务提价事件 - 欧洲最大数据中心运营商之一Hetzner宣布，由于IT多个领域成本大幅上涨，将于4月1日起调高全线产品及服务报价 [1] - 此次调价影响其位于欧洲、美国和新加坡数据中心的新订单及现有订阅用户 [1] - 德国及芬兰地区的云服务价格根据配置等级不同，涨幅在30%到38%之间；美国地区的CCX专用vCPU云服务器价格普遍上涨约30% [1] - 这是Hetzner本月第二次宣布提价，该公司于2月2日已调高专用服务器的一次性设置费用 [1] 行业观点与趋势分析 - 中银证券指出，随着模型能力提升，智能体与多模态应用进入深水区，算力涨价成为新迹象，凸显供应瓶颈，算力产业链有望持续受益 [1] - 中信证券认为，token的爆发式增长本质上反映出AI推理需求的指数级扩容，国产算力凭借成本优势及不断完善的生态，有望在基础设施层逐步占据主导 [2] - 中信证券建议重点关注由超节点互联密度提升带来的价值重估机遇 [2] 相关投资产品信息 - 云计算ETF华夏（516630）聚焦国产AI软硬件算力，其跟踪指数中，计算机软件+云服务+计算机设备合计权重高达84.3%，场内综合费率仅0.20% [3] - 通信ETF华夏（515050）深度聚焦电子与通信算力硬件，前五大持仓股为中际旭创、新易盛、立讯精密、工业富联、兆易创新 [3] - 创业板人工智能ETF华夏（159381）跟踪指数权重一半集中在光模块CPO板块，另一半覆盖AI软件应用领域，前两大权重股为中际旭创（14.27%）和新易盛（13.00%），目前基金规模近20亿元，场内综合费率仅0.20% [3]

市场表现与驱动逻辑 - 春节假期期间 国际市场金属板块整体呈现震荡偏强格局 [1] - 本轮金属板块上涨的核心逻辑在于避险与滞胀交易双重主线共振 [1] - 全球宏观层面多重不确定性因素叠加 成为金属资产价格走强的核心支撑力 [1] 行业前景与投资策略 - 进入2026年 市场将进入“盈利驱动上涨阶段” [1] - 在“反内卷”和扩内需驱动下 国内再通胀叙事强化 [1] - 金属资产的强周期属性有望体现 而金融属性及产业趋势将带来重估机遇 [1] - 投资者可以考虑以工业金属与小金属为矛 贵金属为盾 及时把握市场机遇 [1] 投资工具与产品 - 正在发行中的银华中证有色金属ETF联接基金提供了便捷的投资工具 [1] - 该基金通过投资有色ETF银华 紧密跟踪中证有色金属指数 帮助投资者一键把握有色行业核心资产 [1] - 考虑到有色行业细分品种多、个股波动大 投资者可借助有色ETF银华及其联接基金 或可大幅降低选股难度与交易成本 [1]