量化模型与构建方式 1. **模型名称**：华福金工权益基金评价模型[18] **模型构建思路**：通过将基金收益率与一系列基准指数进行滚动窗口回归，选取拟合优度最高的指数作为该基金的业绩参考基准，从而对基金进行风格分类和评价[18] **模型具体构建过程**： * **基准池**：使用22个基准指数作为自变量，涵盖大盘、中小盘、价值、成长、板块主题五大风格分类[18][21] * **回归计算**：对每只基金，以其收益率为因变量，分别与22个基准指数进行一元线性回归，计算每一期的拟合优度R²[18] * **滚动窗口**：在每个月底，向前选取窗口期为6个月的收益率数据进行滚动窗口回归，得到每个基金关于每个指数的R²时间序列矩阵[18] * **基准确定**：计算每个指数近6期R²的均值，选取均值最大的R²所对应的指数作为该基金当期的业绩参考指数[18] 2. **模型名称**：华福金工基金综合打分体系[47] **模型构建思路**：构建一个立体的、面向所有主动权益基金的综合打分体系，从横向（全市场胜率分位数）和纵向（长期业绩与业绩变化趋势）两个维度对基金经理进行分档打分，最终形成AAA、AA+、AA、BB+等评级[47] **模型具体构建过程**： * **评级对象**：基于【基金-基金经理】构建，多基金经理管理的基金根据实际管理日期分别打分[49] * **评级标准**： * **AAA级（稳定alpha型）**：其相对自适应基准的长期超额收益胜率在所有基金经理中排名前25%，α值较为分散且无下滑迹象[47] * **AA+级（α持续上升型）**：其α值序列呈现稳健提升的态势，且胜率在前25%[47][48] * **AA级（α择时型）**：胜率高但α相对前两者并不稳定[47] * **BB+级（逆风翻盘型）**：α值趋势处于持续上升，但胜率在前25%-前50%之间[48] 量化因子与构建方式 1. **因子名称**：基金相对单一指数拟合优度（R²）[34] **因子构建思路**：通过计算基金收益率与单一基准指数收益率的线性回归拟合优度，来衡量基金策略与市场基准的偏离度或集中度，用以判断公募基金整体策略变化[34] **因子具体构建过程**：对于样本池中的每只基金，每月计算其收益率与根据“权益基金评价模型”确定的当期业绩参考指数收益率的线性回归R²[18][34]。然后计算所有样本基金R²的平均值，作为市场整体策略集中度的观测指标[34]。 2. **因子名称**：基金策略分布与调仓路径[41][42] **因子构建思路**：根据“权益基金评价模型”确定的每只基金的业绩参考指数，统计不同风格和具体指数下的基金数量及占比，并追踪其跨期变化，以观察市场风格动向和基金调仓行为[41][42] **因子具体构建过程**： * **策略分布**：每月末，根据每只基金的业绩参考指数，将其归类到对应的大风格分类（如成长、板块主题等）和细分指数（如中证500、周期(中信)等），并计算各类别的基金数量及占比[41] * **流量统计**：比较相邻两期（本月与上月）各分类下基金数量的变化，计算流入量（本期新增跟踪该指数的基金数）和流出量（本期不再跟踪该指数的基金数）[42] * **调仓路径**：追踪基金参考指数从上一期到本期的具体变化，识别出流量最大的调仓路径（例如，从上期跟踪“中证500”转为本期跟踪“周期(中信)”的基金数量）[42] 模型的回测效果 *本报告未提供量化模型的回测效果指标（如年化收益率、夏普比率、最大回撤等）的具体数值。* 因子的回测效果 *本报告未提供量化因子（如IC、IR、多空收益等）的具体测试结果数值。报告主要展示了基于模型和因子分析得到的市场状态描述和基金业绩统计，而非因子本身的量化回测表现。*

行业投资评级 - 强于大市（维持评级）[6] 报告核心观点 - 字节跳动发布AI视频生成模型Seedance 2.0，凭借“电影级”生成效果引爆海内外社交媒体，标志着AI视频生成能力实现关键跃迁，将从技术竞争转向场景与生态竞争[2] - Seedance 2.0的核心突破在于实现了从“抽卡式生成”到“导演级可控创作”的转变，通过自动分镜规划、多镜头角色一致性等能力，大幅简化创作流程并提升视频可用率[3] - AI视频生成技术的进步将重塑行业格局，凸显IP价值与版权壁垒的重要性，并推动AI短剧/动画成为首批规模化落地场景，带来新的投资机会[4] 事件概述 - 字节跳动发布AI视频生成模型Seedance 2.0，内测即“出圈”，迅速引爆海内外社交媒体关注[2] - 该模型支持文本、图片、视频、音频四种模态输入，最多可接受12个参考文件，最长能生成15秒的2K分辨率视频，并原生支持音画同步与口型匹配[2] - 内测上线后，相关话题在国内外社交平台刷屏，多条演示视频播放量破百万，关键词冲上微博热搜[2] 核心突破 - **自分镜/自运镜**：模型可根据用户描述的情节自动规划分镜和运镜，无需用户精确描述具体镜头动作，大幅简化创作流程[3] - **多镜头角色一致性**：通过原生多模态架构深度融合视觉与听觉信号，能有效维持角色外貌与场景设定在不同镜头间的一致性[3] - **质量与成本**：据36氪，Seedance 2.0生成视频的可用率提升至90%以上，大幅提升了“抽卡”成功率[3] 折射的行业趋势 - **趋势一：竞争核心转向场景与生态**：模型能力已从单条视频生成跃迁至具备“分镜规划+角色一致性+音画协同”的系统化创作能力，后续竞争核心在于落地场景与生态闭环，字节跳动凭借“生成→创作→分发（抖音/即梦生态）”的全链路能力形成壁垒[4] - **趋势二：IP价值与版权壁垒凸显**：在生成能力普及的背景下，IP的稀缺性显著提升，优质IP具备天然粉丝基础与内容衍生空间，可直接提升AI内容转化率与商业化效率，拥有头部IP储备或版权运营能力的平台在AI时代议价权更强[4] - **趋势三：AI短剧/动画或成首批规模化场景**：2025年有3.3万部微短剧上线播出，国内用户规模近7亿，市场规模破千亿元，AI视频技术可大幅降低短剧制作成本与时间，有望带来AI短剧在短剧市场渗透率的快速提升[4] 投资建议 - 建议关注字节AI视频产业链，包括字节AIDC、字节ASIC等算力产业链[5]

核心观点 - 报告认为，2026年中美AI产业叙事或将再度向上，当前产业仍处于“上游卖铲子”和“技术新需求”的过渡阶段，尚未完全进入“赋能全行业”的第三阶段 [5][9] - 报告指出，A股AI产业链当前行情或仍处于由估值驱动为主的阶段，尚未进入业绩驱动的第二波行情 [5][15] - 报告通过复盘中美两次科技革命（1985-2005年美股互联网、2007-2015年A股移动互联网），构建了“宏观叙事→股价驱动→财务筛选”的三维度方法论，旨在筛选AI浪潮中可能率先盈利、走出第二波行情的核心标的 [5][21][22][23][24] 叙事框架与产业阶段判断 - 技术革命中，三类“风口”公司有望受益：1）上游核心技术及设备供应商（“卖铲子”）；2）由新技术直接催生的新需求所对应的公司；3）将新技术应用于现有行业、实现赋能改造的公司 [2][9][30] - 当前中美AI产业叙事处于第一、二阶段的过渡期：1）“上游卖铲子”阶段叙事未结束，2026年中美互联网巨头预测资本开支合计达4044.88亿美元，同比增长约18% [5][9]；2）“技术新需求”阶段，具身机器人、智能驾驶等领域正从技术验证迈向规模化（“1-100”阶段） [5][10]；3）“赋能全行业”的第三阶段尚未完全到来 [5][9] - 历史科技革命呈现清晰的产业传导路径：美股互联网遵循“基础协议奠基-硬件普及加速-关键应用引爆-商业模式重塑”；A股移动互联网遵循“通信基建-智能终端-应用生态-资本映射” [2][32][43][46] 行情驱动因素与阶段特征 - 技术革命引发的行情，其核心驱动力呈现从估值向盈利切换的规律：行情启动初期由估值扩张驱动（市场对新技术“提前计价”），行情持续则需依赖企业真实盈利的兑现 [2][15][51] - 以英伟达为例，2022年10月至2023年10月期间股价涨幅与估值涨幅基本同步，为估值驱动阶段；此后股价涨幅显著超越估值涨幅，进入盈利驱动阶段 [15] - 对应A股人工智能指数，其股价波动仍与估值变化高度相关，表明当前行情或仍处于估值驱动为主的阶段 [5][15] 财务筛选信号体系 - **营收信号**：营收快速增长是验证公司受益于技术革命的重要先行指标，营收高增通常领先“盈利跳跃”约1个季度 [3][20][77] - **营收信号失灵的两类情况**：1）向新技术业务转型：原有业务下滑可能对冲整体营收增速，此时“毛利率上升”或是转型成功、利润开始上升的信号 [20][74][82][83]；2）提前投资：营收快速增长但盈利跳跃滞后，此时“投资”（资本支出+研发费用）增速小于营收增速或是盈利的先行信号 [20][74][86][89] - **现金流信号**：经营性现金流高增多领先“盈利跳跃”1个季度，该指标较营收更综合、更稳定 [20][74][91] - **预收款项信号**：预收款项增速高增大多领先“盈利跳跃”2个季度，该指标较营收更具前瞻性，但受会计准则和历史数据可得性影响 [20][74][95]

市场概况与结构 - 美国私募信贷市场规模接近1.3万亿美元，相当于商业银行总信贷规模的10%[3][12] - 市场主要由私募信贷基金（占市场份额约60%）和商业发展公司（BDC，占市场份额约37%）构成[18] - 主要投资策略为直接贷款，约占三分之一，交易集中在软件（约41%）和医疗健康（约14%）领域[3][30] 主要载体（BDC）表现与风险 - 降息后，上市BDC公司的平均股利保障倍数从2023年中的1.34倍跌至2025年9月的1.08倍，覆盖股息能力减弱[4][45] - BDC的平均净投资收益利润率从2023年一季度的56%下滑至2025年三季度的47%，盈利能力承压[45] - BDC的平均非应计投资占比从2022年的约0.8%攀升至2025年三季度的1.2%以上，信贷质量恶化[4][48] - BDC投资组合中实物支付利息的占比从2022年一季度的5.2%攀升至2025年二季度的11.4%，掩盖了贷款质量风险[52] 市场风险与趋势 - 考虑被延期贷款后，私募信贷实际违约率约为4%，远高于表面报告的1%[62] - 2025年三季度直接贷款的平均信用利差较上一季度收窄54个基点，创历史新低，压缩收益[4][47] - 私募信贷对银行的依赖加深，银行业对其承诺贷款总额超过950亿美元，BDC和私募债务基金的杠杆率分别达57.3%和60.7%[76] - 软件和医疗保健行业风险突出，AI技术进步可能冲击小型软件企业，近半数商业地产贷款处于负资产状态[5][72]

就业数据表现 - 1月新增非农就业人数大幅反弹至13万人，显著高于预期的6.5万人，创2025年1月以来最大增幅[4][7] - 1月私人部门新增就业17.2万人，近三月平均新增10.3万人，较四季度均值5万人显著回暖[4][7] - 1月失业率下降0.1个百分点至4.3%，劳动参与率反弹0.1个百分点至62.5%[4][9][13] - 1月非农就业平均时薪环比增速反弹至0.4%，高于预期的0.3%；同比增速微降至3.7%，维持在3.7%-3.9%的韧性区间[4][19] 行业与结构分析 - 教育保健业是1月非农就业主要贡献者，新增13.7万人；私人部门（剔除教育保健）新增3.5万人，也有所企稳[4][8] - 12月美国职位空缺数降至654.2万人，续创2020年以来新低，职位空缺率首次跌破4%至3.9%[17] - 分行业薪资增速显示，零售业和金融业同比增速最高，分别为4.3%和4.6%；运输仓储业时薪同比增速反弹幅度最大，较上月增加0.76个百分点[23] 市场影响与预期 - 数据公布后，市场预期美联储3月降息概率从21.7%大幅降至7.9%，6月前降息概率从75%降至59.8%[2][30] - 强劲数据推动美股三大指数上涨，美元指数走高，10年期美债收益率一度触及4.2%，贵金属回吐部分涨幅[2][30] - 12月实际时薪同比增速为1.1%，较上月回升0.2个百分点，名义薪资稳定与通胀回落有望支撑消费复苏[24]

投资评级 - 维持“买入”评级 [6] 核心观点 - 裕同科技收购华研科技51%股权，交易对价为44,880万元人民币，旨在深化“包装+”战略，拓展AI精密零部件领域 [2][3] - 收购标的华研科技为国家级专精特新小巨人企业，在折叠手机转轴、手表结构件和智能眼镜转轴模组领域具备技术和客户优势，主要终端客户包括谷歌、三星、META、亚马逊、微软、索尼等全球知名品牌 [4] - 本次收购定价相对可比交易均值有折价，以华研科技2026-2028年三年承诺期均值业绩测算约8.0X PE、约4.0X PB [4] - 华研科技业绩承诺为2026-2028年扣非净利润分别不低于7500万元、10000万元、15500万元，若承诺落地，对裕同科技合并口径的净利润贡献在0.38-0.79亿元区间，按公司2024年归母净利润14.09亿元测算，对应约2.7%-5.6%的增厚体量 [3][4] - 收购有助于形成“包装+精密部件/模组”的一体化方案，提升客户内部份额与议价能力，并为公司在智能眼镜等快速增长领域注入新动能，构筑第二增长曲线 [5] - 公司出海势头强劲，多元业务多点开花，预计2025-2027年归母净利润分别为16.37亿元、19.16亿元、22.1亿元，同比增速分别为+16%、+17%、+15% [6] - 公司具备“稳增长+高分红”的双重属性，持续深度受益全球供应链重构进程 [6] 财务数据与预测 - 裕同科技2024年营业收入为171.57亿元，同比增长13%；归母净利润为14.09亿元 [7] - 预计2025-2027年营业收入分别为191.29亿元、213.15亿元、232.62亿元，同比增长率分别为11%、11%、9% [7] - 预计2025-2027年归母净利润分别为16.37亿元、19.16亿元、22.10亿元，同比增长率分别为16%、17%、15% [7] - 预计2025-2027年每股收益（EPS）分别为1.78元、2.08元、2.40元 [7] - 预计2025-2027年市盈率（P/E）分别为17.9X、15.3X、13.3X [7] - 华研科技2024年实现营收6.2亿元，归母净利润7127.48万元，净利率11.5%；2025年1-8月实现营收4.56亿元，归母净利润4022.02万元，净利率8.8% [4] 业务与战略 - 裕同科技通过收购华研科技，并购拓展AI精密零部件领域，预期产生协同效应 [4] - 华研科技专注于不锈钢、钛合金、磁性材料、高性能散热材料等领域，具备强大的垂直整合、材料研发和精密模组设计及制造能力 [4] - 公司此前参投核心ODM厂商龙旗科技，龙旗科技AIoT业务增速迅猛，在智能手表/手环、智能眼镜等领域出货量已跃居行业前二，2024年成功推出多款智能眼镜，总出货量超200万台 [5] - 业务多元布局，乘AI浪潮成长动能充足 [5]

报告行业投资评级 未提及 报告的核心观点 - 本次Q4货政报告增量信息有限，政策稳增长诉求提升，但宽松落地时点仍需观察，短期债市或延续偏强震荡状态，后续需观察两会及节后开工后基本面与政策环境 [2][7] 根据相关目录分别进行总结 对防风险和稳增长态度变化 - 本次报告对防风险的担忧减弱，对稳增长的诉求增强，Q4报告虽对国内经济维持信心但提到经济供强需弱问题，央行在下阶段政策基调中删掉“稳增长与防风险”关系，调整货币政策考量表述，可能因Q4 GDP增速降至4.5%，且《金融时报》未再提及警惕过度放松金融条件负面影响 [2][3] 总量政策落地情况 - 央行并未透露总量政策落地的信号，降准降息可能还需根据中央整体部署，报告总体政策层面延续中央经济工作会议精神，但正文很多延续Q3报告说法，且未提及降准降息等政策工具及银行息差平稳为降息创造空间表述 [4] 国债买卖操作 - 央行关注长期收益率的变化灵活把握国债买卖操作规模，在专栏中提到货币政策与财政政策协同，重点解释1月财政货币协同发力扩内需措施，正文提到10月恢复公开市场国债买卖操作并将常态化，可解释利率中枢上行后央行购债规模增加，利率突破1.8%后回落更多依赖自身力量 [4] 存款、利率与汇率情况 - 央行认为金融脱媒、存款搬家等现象影响银行负债结构但不冲击整体流动性，在利率改革部分强调引导短期货币市场利率围绕央行政策利率平稳运行，1.3%附近的DR001或被央行认为在政策利率附近，实际影响有限，汇率方面增加相关表述显示央行或容忍人民币一定程度升值 [5]

货币政策执行与效果 - 2025年末金融机构贷款利率较三季度下降10个基点至3.15%，其中一般贷款利率回落12个基点至3.55%[2] - 2025年末金融机构超额准备金率回升至1.5%，较9月末高0.1个百分点，较上年同期高0.4个百分点[2] - 2025年10月财政动用5000亿元地方债结存限额后，央行当月重启国债买卖操作[3] 政策协同与框架转变 - 货币政策与财政政策通过公开市场操作支持发债、“再贷款+财政贴息”、风险分担三种模式加强协同[3] - 央行提出合并观察资管产品与银行存款以更好评估流动性，认为存款结构变化不影响总量[4] - 货币政策框架进一步转向以调控利率为主的“价格型”模式，淡化数量目标关注[4] 未来政策方向与重点 - 2026年货币政策将更强调逆周期调节的灵活与精准，总量与结构性工具并举[5] - 政策重点在于扩大内需，资源将向服务消费、新质生产力等“增量”领域倾斜[5] - 2026年贷款余额增速可能进一步回落，传统银行信贷占比将继续下降[5] - 一季度存在降准可能性以释放中长期流动性，但降息的频次和幅度将相对谨慎[5]

货币政策效果与流动性状况 - 2025年末金融机构贷款利率较三季度下降10个基点至3.15%，其中一般贷款利率回落12个基点至3.55%，票据利率和房贷利率分别稳定在1.14%和3.06%[3] - 四季度流动性边际转宽，金融机构超额准备金率回升至1.5%，较9月末高0.1个百分点，较上年同期高0.4个百分点[3] - 央行提出合并观察银行存款与资管产品以评估流动性，认为存款结构变化不影响总量，合并后增速与M2增长基本接近[5] 政策协同与未来取向 - 货币政策与财政政策通过公开市场操作支持发债、“再贷款+财政贴息”、风险共担增信三种模式加强协同[4] - 2025年货币政策从先行发力转为与财政同步发力，例如10月财政动用5000亿元地方债结存限额后，央行当月重启国债买卖[4] - 2026年货币政策重点在于扩大内需和支持“增量需求”，如服务消费和新质生产力，传统信贷占比将继续下降，贷款余额增速或进一步回落[5] - 预计2026年政府仍是加杠杆主体，在促进融资成本低位运行的要求下，政策利率大幅下行空间有限[4] - 央行或继续运用买卖国债、逆回购等工具配合政府债发行，一季度不排除降准，但降息的频次和幅度将相对谨慎[5] 央行操作框架转变 - 央行通过合并视角观察流动性，意在淡化对货币数量目标的关注，进一步转向通过调控利率影响经济的“价格型”模式[5]

量化模型与构建方式 1. 宏观周期识别框架 1. **模型名称**：宏观周期识别框架[9] 2. **模型构建思路**：为改善单一维度判断不稳定的问题，同时考虑经济景气、通胀、利率、库存、信用五个维度的宏观指标，构建高维宏观周期识别框架[9]。 3. **模型具体构建过程**： * **宏观因子变量构建**：将宏观指数分别对宽基指数、代理宏观变量做回归，选取t值显著的细分宏观变量，用过去一年标准差倒数加权构建宏观因子变量[2]。 * **数据处理**：采用单边HP滤波器对宏观经济数据进行调整，以消除短期波动对长期趋势判断的影响[2]。 * **状态与趋势划分**：基于滤波后的变量，分别用因子动量划分宏观趋势（上行、下行）和用时序百分位划分宏观状态（高、中、低位）[2]。 2. 中证全指择时策略 1. **模型名称**：中证全指择时策略[28] 2. **模型构建思路**：基于宏观变量组合（流动性+库存、流动性+信用）对中证全指未来上涨概率的预测值进行择时[26]。 3. **模型具体构建过程**：统计“流动性+库存”和“流动性+信用”两个子策略对中证全指未来收益是否上涨的预测值，当任一子策略的预测值高于阈值（0.6）时，对中证全指做多，反之做空[26]。 3. 红利指数择时策略 1. **模型名称**：红利指数择时策略[35] 2. **模型构建思路**：基于宏观变量组合（通胀+库存、库存+信用）对红利指数未来上涨概率的预测值进行择时[35]。 3. **模型具体构建过程**：计算“通胀+库存”和“库存+信用”两个子策略对红利指数未来收益是否上涨的预测值的均值，当该均值高于阈值（0.6）时，对红利指数做多，反之做空[35]。 4. 风格轮动配置策略 1. **模型名称**：风格轮动配置策略[48] 2. **模型构建思路**：利用有效的宏观因子两两组合，滚动预测六大风格指数的远期收益率，并基于预测结果进行月度调仓配置[42]。 3. **模型具体构建过程**： * **因子组合筛选**：筛选出“通胀+库存”和“通胀+信用”两个有效的宏观因子组合[43]。 * **收益预测与排序**：将两个子策略对风格指数未来收益的预测值进行截面排序并求均值[48]。 * **配置规则**：每月等权配置预测值排名前二的风格指数[48]。 模型的回测效果 1. 中证全指择时策略 * **回测期**：2012年1月末至2026年1月31日[28] * **年化收益**：16.56%[28] * **年化波动**：21.98%[29] * **夏普比率**：75.33%[29] * **最大回撤**：-28.10%[29] * **超额收益（相对中证全指）**：10.19%[28] * **跟踪误差**：35.06%[29] * **信息比率(IR)**：29.07%[29] * **相对最大回撤**：-50.30%[29] 2. 红利指数择时策略 * **回测期**：2012年1月末至2026年1月31日[35] * **年化收益**：10.97%[35] * **年化波动**：14.91%[41] * **夏普比率**：0.74[41] * **最大回撤**：-19.92%[41] * **超额收益（相对红利指数）**：8.49%[35] * **跟踪误差**：9.63%[41] * **信息比率(IR)**：0.88[41] * **相对最大回撤**：-12.47%[41] 3. 风格轮动配置策略 * **回测期**：2014年9月30日至2026年1月31日[48] * **年化收益**：14.79%[48] * **年化波动**：23.46%[52] * **夏普比率**：0.63[52] * **最大回撤**：-45.93%[52] * **超额收益（相对风格等权）**：4.61%[48] * **跟踪误差**：10.56%[52] * **信息比率(IR)**：0.44[52] * **相对最大回撤**：-31.16%[52] 量化因子与构建方式 1. 宏观因子变量 1. **因子名称**：宏观因子变量[2] 2. **因子构建思路**：通过回归筛选出对市场有显著影响的细分宏观变量，并进行加权合成，以构建综合性的宏观因子[2]。 3. **因子具体构建过程**： * 将宏观指数分别对宽基指数、代理宏观变量做回归[2]。 * 选取回归结果中t值显著的细分宏观变量[2]。 * 使用过去一年历史数据的标准差倒数对选出的变量进行加权，构建最终的宏观因子变量[2]。 2. 宏观趋势（因子动量） 1. **因子名称**：宏观趋势（因子动量）[2] 2. **因子构建思路**：基于滤波后的宏观变量，通过其动量方向来判断宏观经济的趋势是上行还是下行[2]。 3. **因子具体构建过程**：对经过单边HP滤波器处理后的宏观变量，计算其动量，并根据动量方向划分为“上行”或“下行”趋势[2]。 3. 宏观状态（时序百分位） 1. **因子名称**：宏观状态（时序百分位）[2] 2. **因子构建思路**：根据宏观变量在历史序列中所处的位置，来判断当前宏观状态处于高位、中位还是低位[2]。 3. **因子具体构建过程**：计算滤波后的宏观变量在历史时间序列上的百分位，根据设定的分位数阈值（例如，前30%为高位，中间40%为中位，后30%为低位）划分状态[2]。 4. 有效宏观因子组合 1. **因子名称**：通胀+库存组合、通胀+信用组合[43] 2. **因子构建思路**：将两个不同的宏观维度（状态或趋势）进行组合，形成对风格轮动预测更有效的复合因子信号[42][43]。 3. **因子具体构建过程**：报告通过测试发现，“通胀”与“库存”的组合，以及“通胀”与“信用”的组合，在预测风格指数未来收益率方面具有较好的有效性和互补性[43]。