根据提供的内容，没有发现与量化模型或量化因子相关的内容

量化模型与构建方式 1. 模型名称：风格轮动型基金优选策略 - **模型构建思路**：基于成长价值与大小盘两个维度，通过基金持仓数据构建绝对主动轮动指标，识别风格轮动型基金，并结合主动轮动收益因子刻画风格轮动效果[36] - **模型具体构建过程**： - 构建绝对主动轮动指标：剔除基金报告期之间风格变化中的被动部分，仅保留基金经理主动调整的部分[36][64] - 构建主动轮动收益因子：根据区间风格主动变化及区间风格因子收益计算，体现基金风格轮动的结果[64] - 策略采用半年频调仓，每年3月末和8月末进行调仓，选基范围为偏股混合型基金及普通股票型基金，并扣除交易成本[36] - **模型评价**：该策略能够有效识别风格轮动型基金，并在优选组合中体现出较好的超额收益能力[36] 2. 模型名称：基于基金特征和基金能力的综合选基策略 - **模型构建思路**：从基金规模、持有人结构、基金业绩动量、选股能力、隐形交易能力、含金量等多个维度构建选基因子，并进行等权重合成[41] - **模型具体构建过程**： - 构建选基因子：包括基金规模类因子、持有人结构类因子、基金业绩动量类因子、选股能力因子、隐形交易能力因子、含金量因子等[64] - 策略采用季频调仓，每年1月、4月、7月、10月末进行调仓，并扣除交易成本[41] - **模型评价**：策略通过多维度因子综合评估基金特征和能力，能够在一定程度上实现超额收益[41] 3. 模型名称：基于交易动机因子及股票价差收益因子的选基策略 - **模型构建思路**：结合基金交易动机因子和股票价差收益因子，筛选出股票价差收益较高、主动交易动机强且业绩粉饰可能性较低的基金[49] - **模型具体构建过程**： - 构建交易动机因子：由估值/流动性动机因子和业绩粉饰动机因子等权合成[64] - 构建股票价差收益因子：由基金利润表中股票价差收入（股票投资收益科目）计算得出[64] - 策略采用半年频调仓，每年3月末和8月末进行调仓，从主动权益型基金中进行筛选，并扣除交易成本[49] - **模型评价**：策略长期表现优于基准，但在短期内可能存在一定波动[49] 4. 模型名称：基金经理持股网络中交易独特性选基策略 - **模型构建思路**：通过基金经理持股和交易数据构建网络，计算基金经理交易独特性指标，用于筛选基金[57] - **模型具体构建过程**： - 构建基金经理网络：基于基金经理持股和交易数据，构建基金经理之间的关联网络[64] - 计算交易独特性因子：基于网络计算每个基金经理与其相关联基金经理在交易方面的差异[64] - 策略采用半年频调仓，每年4月初和8月初进行调仓，选基范围为偏股混合型基金、普通股票型基金、灵活配置型基金，并扣除交易成本[57] - **模型评价**：策略能够捕捉基金经理交易行为的独特性，但短期表现可能受市场环境影响[57] --- 模型的回测效果 风格轮动型基金优选策略 - **1月份收益率**：1.01%[38] - **年化收益率**：9.03%[38] - **年化波动率**：19.03%[38] - **Sharpe比率**：0.47[38] - **最大回撤率**：37.30%[38] - **年化超额收益率**：4.07%[38] - **超额最大回撤率**：9.49%[38] - **信息比率（IR）**：0.76[38] 基于基金特征和基金能力的综合选基策略 - **1月份收益率**：0.91%[46] - **年化收益率**：13.31%[46] - **年化波动率**：21.69%[46] - **Sharpe比率**：0.61[46] - **最大回撤率**：44.27%[46] - **年化超额收益率**：5.49%[46] - **超额最大回撤率**：7.96%[46] - **信息比率（IR）**：1.13[46] 基于交易动机因子及股票价差收益因子的选基策略 - **1月份收益率**：-0.06%[53] - **年化收益率**：8.89%[53] - **年化波动率**：21.70%[53] - **Sharpe比率**：0.41[53] - **最大回撤率**：48.39%[53] - **年化超额收益率**：3.41%[53] - **超额最大回撤率**：14.81%[53] - **信息比率（IR）**：0.6[53] 基金经理持股网络中交易独特性选基策略 - **1月份收益率**：-0.21%[60] - **年化收益率**：10.00%[60] - **年化波动率**：19.55%[60] - **Sharpe比率**：0.51[60] - **最大回撤率**：37.26%[60] - **年化超额收益率**：5.27%[60] - **超额最大回撤率**：6.30%[60] - **信息比率（IR）**：1.1[60]

量化模型与构建方式 1. 模型名称：常青低波基金组合 - **模型构建思路**：通过量化方法优选具有低波动特征的主动权益基金，满足在高风险市场环境下的防御需求，同时适合追求稳定收益的投资者[11][13] - **模型具体构建过程**： - 以高权益仓位主动管理的基金为基础，挑选具有长期稳定收益特征的基金 - 结合基金的历史净值回撤和波动水平，评估基金经理的投资风格和风险控制能力 - 增加基金估值水平的限制，从净值表现和持仓特征两个维度优选低波基金 - 构建具有低波动特征的主动权益基金组合[13][20] - **模型评价**：该模型在减小组合净值波动的同时，保持了较好的收益水平，低波动和小回撤特性在市场波动中得到了验证[20][21] 2. 模型名称：股基增强基金组合 - **模型构建思路**：挖掘具有更强Alpha收益能力的基金经理，构建风险波动等级较高且兼具进攻性的基金组合，满足高风险偏好投资者的需求[11][14] - **模型具体构建过程**： - 在主动管理权益基金中，分析基金收益率指标，拆分收益来源 - 剔除配置行业的Beta收益，提取剩余的Alpha收益 - 基于Alpha收益的显著延续性，优选强选股能力的基金经理 - 构建基金组合，并在回测中验证其持有期胜率[14] - **模型评价**：该模型在市场环境改善后有望展现更强弹性，同时在较弱市场环境下保持与基准相近的表现[23] 3. 模型名称：现金增利基金组合 - **模型构建思路**：基于货币基金的多维特征因子，优选收益表现更佳的货币基金，优化短期闲置资金收益水平[12][16] - **模型具体构建过程**： - 综合管理费率、托管费率、销售服务费率、久期水平、杠杆水平等指标 - 关注机构持仓占比和偏离度等风险指标，避免收益率波动 - 构建货币基金优选体系，筛选出收益更高且波动风险较低的货币基金[16] - **模型评价**：该模型能够有效帮助投资者在现金管理中获取更高收益，同时减少收益波动风险[26] 4. 模型名称：海外权益配置基金组合 - **模型构建思路**：基于海外市场指数的长期动量和短期反转因子，优选上涨趋势且动能较好的指数，构建全球化投资的辅助工具[12][17] - **模型具体构建过程**： - 根据长期动量因子和短期反转因子，剔除涨势过高、超买的指数 - 选择处于上涨趋势且动能较好的指数作为配置标的 - 构建海外权益配置基金组合，满足投资者全球化配置需求[17] - **模型评价**：该模型在全球化配置中展现了较高的收益增厚能力，适合作为A股权益市场的补充工具[27] --- 模型的回测效果 1. 常青低波基金组合 - 本周收益：0.264%[18] - 近一个月收益：1.526%[18] - 今年以来收益：-0.922%[18] - 策略运行以来收益：6.814%[18] 2. 股基增强基金组合 - 本周收益：0.946%[18] - 近一个月收益：3.351%[18] - 今年以来收益：0.297%[18] - 策略运行以来收益：7.858%[18] 3. 现金增利基金组合 - 本周收益：0.054%[18] - 近一个月收益：0.154%[18] - 今年以来收益：0.181%[18] - 策略运行以来收益：3.061%[18] 4. 海外权益配置基金组合 - 本周收益：0.224%[18] - 近一个月收益：3.150%[18] - 今年以来收益：3.086%[18] - 策略运行以来收益：28.311%[18]

- 公募量化基金的主赛道为指数增强型基金，其中沪深300和中证500增强基金合计规模占比接近50%[4][5] - 2025年新发方向主要集中在中证A500增强基金，目前有3只中证A500增强基金正在发行，另有26只在申报进程中[4][5] - 历史经验表明，单纯提高交易频率和降低成分股占比无法显著提高超额收益，传统成分股内的低频交易策略仍具有优势[4][5]

量化模型与构建方式 1. 模型名称：综合配置策略模型 - **模型构建思路**：根据各个细分行业的景气度信号，配置景气上行及景气持平、且拥挤度较低的行业[2][28] - **模型具体构建过程**： - 每月更新时，根据各个细分行业的景气度信号，配置景气上行及景气持平、且拥挤度较低的行业 - 景气持平行业的权重设置为景气上行行业的一半 - 最终形成综合配置策略[2][28] - **模型评价**：该模型通过动态调整行业配置，旨在捕捉景气度上行的行业机会，同时规避拥挤度较高的行业风险[2][28] 模型的回测效果 - 综合配置策略模型，最近1个月收益0.3%，相对行业等权指数及中证800的超额收益分别为-1.1%和-1.1%[2][28] - 综合配置策略模型，最近3个月收益-9.2%，相对行业等权指数及中证800的超额收益分别为-2.4%和-2.8%[30] - 综合配置策略模型，最近6个月收益18.4%，相对行业等权指数及中证800的超额收益分别为1.4%和3.7%[30] - 综合配置策略模型，2025年以来收益-3.5%，相对行业等权指数及中证800的超额收益分别为-0.6%和-0.4%[30] 量化因子与构建方式 1. 因子名称：行业景气度因子 - **因子的构建思路**：通过分析各行业的景气度信号，判断行业的景气上行、持平或下行状态[6][7] - **因子具体构建过程**： - 收集各行业的景气度数据 - 根据景气度数据，判断行业的景气状态（上行、持平、下行） - 将景气持平行业的权重设置为景气上行行业的一半[6][7] - **因子评价**：该因子通过景气度信号的分析，能够较好地反映行业的景气状态，为行业配置提供依据[6][7] 因子的回测效果 - 行业景气度因子，汽车行业景气度指标边际上行[9][11] - 行业景气度因子，光伏行业综合景气指标边际上行[18][21] - 行业景气度因子，消费电子综合景气指标边际上行[24][25]

量化模型与构建方式 1. 模型名称：基差修正模型 - **模型构建思路**：通过调整股指期货基差中的分红影响，剔除成分股分红对基差的干扰，以更准确地反映期货合约的真实基差水平[16] - **模型具体构建过程**： - 基差定义为合约收盘价与标的指数收盘价的差值 - 分红影响提前反映在期货合约价格中，因此需要剔除分红的影响 - 调整公式为： $ 预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红 $[16] - 年化基差计算公式为： $ 年化基差 = (实际基差 + (预期)分红点位)/指数价格 × 360/合约剩余天数 $[16] - **模型评价**：通过剔除分红影响，模型能够更准确地反映期货合约的真实基差水平[16] 2. 模型名称：期现对冲策略模型 - **模型构建思路**：基于股指期货基差收敛的特性，通过对冲优化策略实现风险管理和收益提升[40] - **模型具体构建过程**： - **连续对冲策略**： - 现货端持有标的指数的全收益指数，期货端做空对应股指期货合约 - 现货端使用70%资金，期货端使用30%资金 - 调仓规则：持有季月/当月合约，直至合约到期前2日平仓并换仓下一合约[41] - **最低贴水策略**： - 选择年化基差贴水幅度最小的合约进行开仓 - 同一合约持有8个交易日或到期前2日换仓[42] - **模型评价**：通过优化调仓规则和基差选择，策略能够在一定程度上降低波动率和回撤[40][41][42] 3. 模型名称：信达波动率指数（Cinda-VIX） - **模型构建思路**：借鉴海外经验，结合我国场内期权市场实际情况，开发反映市场波动性的指数[58] - **模型具体构建过程**： - 基于期权市场隐含波动率，计算投资者对标的资产未来波动的预期 - 指数具有期限结构，反映不同期限内的波动预期[58] - **模型评价**：能够准确反映市场波动性，为投资者提供重要的市场情绪参考[58] 4. 模型名称：信达波动率偏斜指数（Cinda-SKEW） - **模型构建思路**：通过捕捉不同行权价格期权隐含波动率的偏斜特征，衡量市场对标的资产未来收益分布的预期[64] - **模型具体构建过程**： - 计算不同行权价格期权的隐含波动率 - 分析波动率偏斜程度，得出SKEW指数 - SKEW指数高于100时，表明市场对极端负面事件的担忧加剧[64][65] - **模型评价**：能够捕捉市场对尾部风险的预期，为风险管理提供有价值的信息[64][65] --- 模型的回测效果 1. 基差修正模型 - 无具体回测效果数据 2. 期现对冲策略模型 - **中证500（IC）**： - 年化收益：当月连续对冲-1.96%，季月连续对冲-2.01%，最低贴水策略-1.02%，指数表现-2.94% - 波动率：当月连续对冲4.06%，季月连续对冲4.98%，最低贴水策略4.88%，指数表现21.36% - 最大回撤：当月连续对冲-7.51%，季月连续对冲-8.34%，最低贴水策略-7.97%，指数表现-31.46% - 净值：当月连续对冲0.9513，季月连续对冲0.9501，最低贴水策略0.9746，指数表现0.9276[44] - **沪深300（IF）**： - 年化收益：当月连续对冲0.93%，季月连续对冲0.76%，最低贴水策略1.29%，指数表现-3.32% - 波动率：当月连续对冲2.90%，季月连续对冲3.28%，最低贴水策略3.07%，指数表现17.60% - 最大回撤：当月连续对冲-3.95%，季月连续对冲-4.03%，最低贴水策略-4.06%，指数表现-25.59% - 净值：当月连续对冲1.0236，季月连续对冲1.0192，最低贴水策略1.0328，指数表现0.9185[49] - **上证50（IH）**： - 年化收益：当月连续对冲1.30%，季月连续对冲2.02%，最低贴水策略1.70%，指数表现-3.44% - 波动率：当月连续对冲3.15%，季月连续对冲3.56%，最低贴水策略3.11%，指数表现16.89% - 最大回撤：当月连续对冲-4.22%，季月连续对冲-3.75%，最低贴水策略-3.91%，指数表现-22.96% - 净值：当月连续对冲1.0330，季月连续对冲1.0517，最低贴水策略1.0435，指数表现0.9156[52] - **中证1000（IM）**： - 年化收益：当月连续对冲-4.90%，季月连续对冲-4.38%，最低贴水策略-3.77%，指数表现-5.29% - 波动率：当月连续对冲4.23%，季月连续对冲5.28%，最低贴水策略5.15%，指数表现24.84% - 最大回撤：当月连续对冲-13.84%，季月连续对冲-12.63%，最低贴水策略-11.11%，指数表现-41.60% - 净值：当月连续对冲0.8811，季月连续对冲0.8932，最低贴水策略0.9077，指数表现0.8720[55] 3. 信达波动率指数（Cinda-VIX） - 30日波动率指数： - 上证50VIX：21.59 - 沪深300VIX：21.68 - 中证500VIX：25.69 - 中证1000VIX：28.73[58] 4. 信达波动率偏斜指数（Cinda-SKEW） - SKEW指数： - 上证50SKEW：96.73 - 沪深300SKEW：98.05 - 中证500SKEW：99.86 - 中证1000SKEW：104.11[65]

量化模型与构建方式 1. 模型名称：大小盘风格轮动模型 - **模型构建思路**：基于国泰君安金融工程团队构建的A股风格因子体系，通过月度打分的量化模型结合月度效应与主观分析，确定大小盘风格的轮动观点[19][20] - **模型具体构建过程**： 1. 构建A股风格因子体系，涵盖8个大类因子和20个风格因子[19] 2. 基于风格因子体系，构建月度打分的量化模型，评估大小盘风格的表现[19] 3. 结合月度效应与主观分析，确定月度风格观点，并调整配置策略[20] - **模型评价**：模型能够结合因子表现与月度效应，动态调整风格配置，具有一定的前瞻性[19][20] 2. 模型名称：风险模型 - **模型构建思路**：基于多因子模型，将股票协方差矩阵分解为因子协方差矩阵和股票特质风险矩阵，以实现更准确的风险预测与投资组合归因[19][20] - **模型具体构建过程**： 1. 使用多因子模型，分解股票协方差矩阵为因子协方差矩阵和特质风险矩阵[20] 2. 更新因子协方差矩阵（最新数据截至2025/01/24）[20] 3. 应用风险模型对投资组合进行收益与风险归因[20] - **模型评价**：模型能够有效分解风险来源，为投资组合的优化和归因提供了科学依据[19][20] --- 模型的回测效果 1. 大小盘风格轮动模型 - **最新得分**：模型最新得分指向小盘风格[20] - **月度观点**：结合量化模型和月度效应，认为2月小盘风格有望占优，配置策略调整为超配小盘风格[20] 2. 风险模型 - **基金重仓指数**： - 年前一周：风格因子贡献超额收益-0.07%（动量因子-0.09%，成长因子0.08%），贡献超额风险68.61%（动量因子27.32%，市值因子22.53%）[20] - 2024年以来：风格因子贡献超额收益0.72%（市值因子1.94%，波动率因子1.70%），贡献超额风险85.78%（市值因子52.04%，波动率因子12.14%）[20] - **中证红利指数**： - 年前一周：风格因子贡献超额收益0.32%（价值因子1.01%，波动率因子-0.64%），贡献超额风险90.99%（波动率因子72.07%，价值因子8.01%）[20] - 2024年以来：风格因子贡献超额收益3.44%（价值因子8.10%，波动率因子-8.22%），贡献超额风险87.49%（波动率因子65.21%，价值因子8.42%）[20] - **微盘股指数**： - 年前一周：风格因子贡献超额收益-0.49%（价值因子-0.47%，动量因子-0.37%），贡献超额风险98.03%（市值因子79.20%，波动率因子11.20%）[20] - 2024年以来：风格因子贡献超额收益-0.66%（市值因子-10.19%，波动率因子9.87%），贡献超额风险98.79%（市值因子89.31%，波动率因子5.67%）[20] --- 量化因子与构建方式 1. 因子名称：波动率因子 - **因子构建思路**：衡量股票价格波动的程度，用于捕捉市场风险偏好变化[19] - **因子具体构建过程**：基于历史价格数据计算股票的波动率，作为因子值[19] - **因子评价**：波动率因子在2024年以来表现出较高的正向收益，显示其在捕捉市场风险偏好方面的有效性[19] 2. 因子名称：价值因子 - **因子构建思路**：衡量股票的估值水平，用于捕捉低估值股票的超额收益[19] - **因子具体构建过程**：基于市盈率、市净率等指标计算股票的估值水平，作为因子值[19] - **因子评价**：价值因子在2024年以来表现出较高的正向收益，显示其在捕捉低估值股票超额收益方面的有效性[19] 3. 因子名称：流动性因子 - **因子构建思路**：衡量股票的交易活跃程度，用于捕捉市场对流动性溢价的偏好[19] - **因子具体构建过程**：基于股票的成交量、换手率等指标计算流动性水平，作为因子值[19] - **因子评价**：流动性因子在2024年以来表现出负向收益，显示其在当前市场环境下的表现较弱[19] --- 因子的回测效果 1. 波动率因子 - **2024年以来**：正向收益较高[19] 2. 价值因子 - **2024年以来**：正向收益较高[19] 3. 流动性因子 - **2024年以来**：负向收益较高[19]

量化因子与构建方式 1. 因子名称：价格因子与产能因子 - **因子的构建思路**：通过动力煤长协机制的价格指数以及产能同比变化，逐月估计煤炭行业的营收增速和利润增速[7] - **因子具体构建过程**：根据动力煤长协机制，每个月最后一期价格指数决定下一个月的销售价格，结合价格因子和产能因子同比变化，逐月测算煤炭行业的营收和利润增速[7][9] 2. 因子名称：出栏系数法 - **因子的构建思路**：利用生猪出栏与能繁母猪存栏的比例关系，测算未来6个月的生猪供需缺口[10] - **因子具体构建过程**： - 出栏系数公式： $ 出栏系数 = 单季度生猪出栏 / 能繁母猪存栏_{lag6m} $ 其中，$ lag6m $ 表示滞后6个月的能繁母猪存栏[10] - 潜在产能公式： $ 6个月后单季潜在产能 = t月能繁母猪存栏 \times (t+6月上年同期出栏系数) $[10] - 潜在需求公式： $ 6个月后生猪潜在需求 = t+6月上年同期单季度生猪出栏 $[11] - 通过供需缺口的测算，判断生猪价格的上行或下行周期[11] 3. 因子名称：钢材价格与成本因子 - **因子的构建思路**：综合考虑普通钢材售价与铁矿石、焦炭、喷吹煤、废钢等成本指标，预测普钢行业月度利润增速和单吨盈利[13] - **因子具体构建过程**：基于钢材价格和成本因子的变化，测算普钢行业的利润增速和单吨盈利[13] 4. 因子名称：玻璃与水泥价格因子 - **因子的构建思路**：通过价格指标和成本指标，跟踪玻璃和水泥制造行业的盈利变化，并设计配置信号[16] - **因子具体构建过程**：基于浮法玻璃和光伏玻璃的价格变化，以及水泥价格的恢复情况，测算行业利润增速[16][19] 5. 因子名称：燃料型炼化价格因子 - **因子的构建思路**：利用成品油燃料价格和原油价格的变化，测算行业利润增速和裂解价差，并设计配置信号[20] - **因子具体构建过程**：通过燃料价格、原油进口成本和裂解价差的变化，预测燃料型炼化行业的利润增速[20][22] --- 因子的回测效果 1. 价格因子与产能因子 - **煤炭行业利润同比增速**：2025年2月预测为同比下降[9] 2. 出栏系数法 - **生猪供需缺口**：2025年Q2预测供给短缺约260万头，维持均衡区间[12] 3. 钢材价格与成本因子 - **普钢行业利润同比增速**：2025年1月预测为同比下滑[15] 4. 玻璃与水泥价格因子 - **玻璃行业毛利**：2025年1月测算为同比下跌[19] - **水泥行业利润同比增速**：2025年1月预测为同比正增长[19] 5. 燃料型炼化价格因子 - **燃料型炼化行业利润同比增速**：2025年1月预测为同比正增长[20][22]

- 模型名称：DeepSeek-R1-Zero；模型构建思路：通过纯强化学习路径提升大模型的推理能力；模型具体构建过程：DeepSeek 团队直接在基础模型（base model）上应用强化学习，得到了 DeepSeek-R1-Zero 模型。随着强化学习迭代次数的上升，模型性能稳步提升。在测试集 AIME 2024 上，DeepSeek-R1-Zero 的单次准确率（pass@1）从初始的 15.6% 提升至 71.0%，多数投票（cons@64）后达 86.7%[47][49][50]；模型评价：模型能够从强化学习过程中获取增量信息，表现出自我演化过程[50] - 模型名称：DeepSeek-R1；模型构建思路：通过带有冷启动的强化学习方式提升模型性能；模型具体构建过程：DeepSeek 团队搭建了一个完整的流程，包括冷启动、推理导向的强化学习、拒绝采样与 SFT 等多种方法。首先通过监督微调帮助模型进入稳定训练状态，然后进行强化学习训练，最后进行拒绝采样和微调[55][56]；模型评价：冷启动数据输出内容更适合人类阅读，减少了语言混合与格式混乱问题[55] - 模型名称：DeepSeek-R1-Distill-Qwen；模型构建思路：通过蒸馏提升小模型的推理能力；模型具体构建过程：使用 80 万条思维链数据对 Qwen 和 Llama 等开源小模型进行微调，显著增强小模型的推理能力。蒸馏数据微调后的小模型在推理类任务上表现优于 OpenAI-o1-mini[57][58]；模型评价：蒸馏可将大模型的"推理思路"直接转移给小模型，取得远胜于自身独立强化学习的效果[58] - DeepSeek-R1-Zero 模型在 AIME 2024 测试集上的单次准确率（pass@1）从初始的 15.6% 提升至 71.0%，多数投票（cons@64）后达 86.7%[49] - DeepSeek-R1-Distill-Qwen 模型在 AIME 2024 测试集上的 pass@1 为 72.6%，cons@64 为 83.3%[59] - DeepSeek-R1-Distill-Qwen 模型在 MATH-500 测试集上的 pass@1 为 94.3%[59] - DeepSeek-R1-Distill-Qwen 模型在 GPQA 测试集上的 pass@1 为 62.1%[59] - DeepSeek-R1-Distill-Qwen 模型在 Diamond LiveCodeBench 测试集上的 pass@1 为 57.2%[59]

- 2月份券商金股推荐次数靠前的股票包括中芯国际、宁德时代、中兴通讯、宁波银行、上海港湾、中科创达、齐鲁银行等[10][11] - 2月份券商金股的市值水平下降，估值水平上升，表明转向成长风格[16][18] - 1月份券商金股组合整体收益率为0.8%，新进金股组合收益率为3.0%，重复金股组合收益率为-1.3%[4][17][20] - 开源金工优选金股组合1月份收益率为8.5%，2025年相对中证500超额10.9%，年化收益率为20.9%[5][22][25]