量化模型与构建方式 模型名称：打新收益率模型 模型构建思路 通过跟踪不同情景下的打新收益率，估算在不同情景下的打新收益率[2][8] 模型具体构建过程 1. 情景1：所有主板、科创板、创业板的股票都打中 2. 情景2：只打上市时公司已实现正盈利的股票，即所有主板、创业板股票都打，科创板选择只打已实现盈利的新股 3. 情景3：主板新股都打，双创新股只打上市时公司已实现正盈利的股票，且上市PE不超过招股说明书中披露的可比照的同行业市盈率x%幅度的股票，当x%=0时，即只打上市PE不超过同行PE的股票（x在打新数据库中可自选） 4. 情景4：假设能够提前预判双创新股的涨跌情况（即机构的新股定价能力很强），例如，假设双创新股上市后上涨的股票中能够打中y%，而下跌的股票中能够打中z%，主板新股都打。机构定价能力越强，y%越高，z%越低（y，z，测算方式在打新数据库中均可自选）[8][9] 模型评价 该模型通过不同情景的假设，能够较为全面地评估打新策略在不同市场环境下的表现，具有较高的实用性和参考价值[8] 模型的回测效果 1. 情景1：A类2亿规模账户打新收益率1.05%，C类2亿规模账户打新收益率0.83%[2][9] 2. 情景2：A类2亿规模账户打新收益率1.05%，C类2亿规模账户打新收益率0.83%[2][9] 3. 情景3：A类2亿规模账户打新收益率0.89%，C类2亿规模账户打新收益率0.72%（设置参数x%=0%）[2][9] 4. 情景4：A类2亿规模账户打新收益率1.05%，C类2亿规模账户打新收益率0.84%（设置参数y%=100%，z%=0%，模糊估计法）[2][9]

量化模型与构建方式 宏观状态事件预测模型 - **模型名称**：宏观状态事件预测模型 - **模型构建思路**：通过Logit模型预测宏观环境状态，基于多维度宏观变量的变化进行建模[9][27] - **模型具体构建过程**： - 选取短期货币流动性、长端利率、信用、经济增长以及汇率五个维度的宏观变量[21] - 对变量进行平稳化处理，计算变化值及影响系数[24] - 使用Logit模型进行预测，公式为： $ Logit = \frac{1}{1 + e^{-z}} $ 其中，$ z $ 为变量的线性组合[27] - **模型评价**：模型预测值持续下降，已处于历史低位，反映当前宏观环境较弱[9][27] 行业轮动策略模型 - **模型名称**：国联行业轮动策略2.0 - **模型构建思路**：基于经济四象限理论，结合多维度行业风格因子进行行业轮动配置[69][71] - **模型具体构建过程**： - 构建经济四象限：[企业盈利上行，信用上行]、[企业盈利上行，信用下行]、[企业盈利下行，信用上行]、[企业盈利下行，信用下行][69] - 选取行业风格因子，包括一致预期景气、超越预期盈利、龙头效应、行业估值泡沫、反转因子、动量因子、拥挤度、通胀beta等[69] - 在四个象限中对因子进行有效性检验，最终配置高预期收益行业[71] - **模型评价**：策略框架清晰，能够有效捕捉行业轮动机会[71][72] 遗传规划选股模型 - **模型名称**：遗传规划选股模型 - **模型构建思路**：通过遗传规划算法挖掘因子，构建指数增强组合[83][86][93][98] - **模型具体构建过程**： - 股票池：分别选取沪深300、中证500、中证1000和中证全指成分股[83][86][93][98] - 训练集：样本内数据为2016年1月1日至2020年12月31日[83][86][93][98] - 因子挖掘：通过遗传规划算法，设置初始种群、代数和轮数，最终得到多个因子加权复合组成[83][86][93][98] - 策略：每周选择模型得分最高的每个行业内前10%的股票构建多头组合，周频调仓，交易成本为双边千三[83][86][93][98] - **模型评价**：因子挖掘过程复杂，能够有效提升选股能力[83][86][93][98] --- 模型的回测效果 宏观状态事件预测模型 - Logit预测值：2024年8月9日为0.109，上月末值为0.131[27][28] 行业轮动策略模型 - 无剔除版年化超额收益：9.21%[72][77] - 双剔除版年化超额收益：11.43%[72][81] 遗传规划选股模型 - **沪深300选股因子**： - 年化超额收益率：19.34% - 夏普率：1.02 - 今年以来超额收益率：7.60% - 本周超额收益率：1.49%[85][88] - **中证500选股因子**： - 年化超额收益率：12.25% - 夏普率：0.65 - 今年以来超额收益率：8.06% - 本周超额收益率：0.88%[87][90] - **中证1000选股因子**： - 年化超额收益率：19.34% - 夏普率：0.75 - 今年以来超额收益率：6.69% - 本周超额收益率：1.32%[96][97] - **中证全指选股因子**： - 年化超额收益率：24.14% - 夏普率：1.12 - 今年以来超额收益率：9.00% - 本周超额收益率：1.22%[99][101] --- 量化因子与构建方式 微观结构风险因子 - **因子名称**：微观结构风险因子 - **因子构建思路**：通过估值、风险溢价、波动率和流动性四类因子刻画宽基指数的微观结构风险[33] - **因子具体构建过程**： - 估值：市盈率与市净率在过去5年中所处分位数的均值 - 风险溢价：ERP(ep-rf:市盈率倒数减去一年期定存利率)在过去5年中所处分位数 - 波动率：50日波动率在过去5年中所处分位数 - 流动性：自由流通市值换手率在过去5年中所处分位数 - 综合因子：四因子等权相加[34] - **因子评价**：因子具有均值回复特性，能够有效刻画结构性风险[33][34] 行业轮动因子 - **因子名称**：行业轮动因子 - **因子构建思路**：基于多维度行业风格因子进行轮动配置[69][71] - **因子具体构建过程**： - 包括一致预期景气、超越预期盈利、龙头效应、行业估值泡沫、反转因子、动量因子、拥挤度、通胀beta等[69] - 在经济四象限中对因子进行有效性检验，最终配置高预期收益行业[71] - **因子评价**：因子表现稳定，能够捕捉行业轮动机会[71][72] --- 因子的回测效果 微观结构风险因子 - 中证全指结构风险：0.219 - 沪深300结构风险：0.218 - 中证500结构风险：0.254 - 中证1000结构风险：0.276[35] 行业轮动因子 - 历史年化收益率：一致预期行业景气因子表现较好，北向资金因子近期收益率有所回落[59][61]

- 短期价量行业配置模型建议未来一周配置建筑、轻工制造、商贸零售、医药、房地产及综合行业[4] - 宏观择时策略建议8月份的权益配置比例为20%，较7月下降5%[5][31] - 量价类技术因子和低波因子在弱市中表现较好，低估值顺周期板块和红利板块表现优异[5][47] - 选股因子中，反转、质量、技术、价值、波动率因子在全部A股、沪深300、中证500和中证1000股票池中表现较好[47] - 可转债择券因子中，正股价值和转债估值因子上周表现较好[54] - 行业轮动策略的年化收益率为10.65%，夏普比率为0.53，信息比率为0.76[34]

总结 量化因子与构建方式 - **因子名称**：长江动量因子 - **因子的构建思路**：以股票的动量特征为核心，筛选出动量特征强且流动性较高的股票[25] - **因子具体构建过程**： 1. 动量指标计算：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[25] 2. 筛选股票：选择A股市场中动量特征强且流动性较高的前100只股票作为指数成分股[25] 3. 指数构建：以选定股票构建动量指数，表征A股市场中最具动量特征股票的整体走势[25] - **因子名称**：长江反转因子 - **因子的构建思路**：以反转效应为核心，筛选出反转特征强且流动性较高的股票[26] - **因子具体构建过程**： 1. 反转指标计算：最近一个月股票收益率作为筛选指标[26] 2. 筛选股票：选择A股市场中反转效应强且流动性较高的前100只股票作为指数成分股[26] 3. 权重分配：采用成分股近三个月日均成交量进行加权[26] 4. 指数构建：表征A股市场各阶段高反转特征个股的整体表现[26] 因子的回测效果 - **长江动量因子** - **近一周**：动量较反转超额收益为3.7%[24] - **近一月**：动量较反转超额收益为-6.1%[24] - **年初至今**：动量较反转超额收益为-6.1%[24] - **长江反转因子** - **近一周**：反转较动量超额收益为-3.7%[24] - **近一月**：反转较动量超额收益为6.1%[24] - **年初至今**：反转较动量超额收益为6.1%[24] 风格因子与拥挤度 - **成长 vs 红利** - **拥挤度**：成长风格拥挤度处于历史低位（10%），红利风格拥挤度处于历史高位（83%）[30][31] - **超额净值**：成长较红利超额净值近一周上行，红利较成长占优[30][31] - **大盘 vs 小盘** - **拥挤度**：小盘风格拥挤度处于历史低位（2%），大盘风格拥挤度处于历史均衡位置（41%）[35][36] - **超额净值**：小盘较大盘超额净值近一周下行，大盘较小盘占优[35][36] - **微盘股 vs 基金重仓** - **拥挤度**：微盘股拥挤度处于历史极高位置（100%），基金重仓拥挤度处于历史极高位置（99%）[37][38] - **超额净值**：微盘股较基金重仓超额净值近一周上行，基金重仓较微盘股占优[37][38] 风格因子的回测效果 - **成长 vs 红利** - **近一周**：成长较红利超额收益为0.2%[24] - **近一月**：成长较红利超额收益为-1.3%[24] - **年初至今**：成长较红利超额收益为-15.0%[24] - **大盘 vs 小盘** - **近一周**：小盘较大盘超额收益为-0.4%[24] - **近一月**：小盘较大盘超额收益为0.3%[24] - **年初至今**：小盘较大盘超额收益为-12.4%[24] - **微盘股 vs 基金重仓** - **近一周**：微盘股较基金重仓超额收益为2.1%[24] - **近一月**：微盘股较基金重仓超额收益为6.4%[24] - **年初至今**：微盘股较基金重仓超额收益为-13.7%[24]

量化因子与构建方式 - **因子名称：小市值因子** - **因子的构建思路**：小市值因子通过衡量市值较小的股票表现，捕捉市场中小市值股票的超额收益特性[22] - **因子具体构建过程**：使用估值价差、配对相关性、长期收益反转、因子波动率四个指标度量因子拥挤程度，计算复合拥挤度[22][25] - **因子评价**：小市值因子拥挤度迅速回升，表明市场对小市值股票的关注度增加[22][25] - **因子名称：低估值因子** - **因子的构建思路**：低估值因子通过衡量估值较低的股票表现，捕捉市场中低估值股票的超额收益特性[22] - **因子具体构建过程**：同样使用估值价差、配对相关性、长期收益反转、因子波动率四个指标度量因子拥挤程度，计算复合拥挤度[22][25] - **因子评价**：低估值因子拥挤度较高，表明市场对低估值股票的关注度较大[22][25] - **因子名称：高盈利因子** - **因子的构建思路**：高盈利因子通过衡量盈利能力较强的股票表现，捕捉市场中高盈利股票的超额收益特性[22] - **因子具体构建过程**：同样使用估值价差、配对相关性、长期收益反转、因子波动率四个指标度量因子拥挤程度，计算复合拥挤度[22][25] - **因子评价**：高盈利因子拥挤度为负，表明市场对高盈利股票的关注度有所下降[22][25] - **因子名称：高增长因子** - **因子的构建思路**：高增长因子通过衡量增长能力较强的股票表现，捕捉市场中高增长股票的超额收益特性[22] - **因子具体构建过程**：同样使用估值价差、配对相关性、长期收益反转、因子波动率四个指标度量因子拥挤程度，计算复合拥挤度[22][25] - **因子评价**：高增长因子拥挤度为负，表明市场对高增长股票的关注度有所下降[22][25] 因子的回测效果 - **小市值因子** - 估值价差：0.27[25] - 配对相关性：0.50[25] - 市场波动：-0.36[25] - 收益反转：1.21[25] - 综合打分（拥挤度）：0.41[25] - **低估值因子** - 估值价差：1.83[25] - 配对相关性：0.30[25] - 市场波动：-0.80[25] - 收益反转：1.82[25] - 综合打分（拥挤度）：0.79[25] - **高盈利因子** - 估值价差：-0.68[25] - 配对相关性：0.15[25] - 市场波动：-0.10[25] - 收益反转：-0.83[25] - 综合打分（拥挤度）：-0.36[25] - **高增长因子** - 估值价差：-0.46[25] - 配对相关性：0.10[25] - 市场波动：-0.64[25] - 收益反转：-0.50[25] - 综合打分（拥挤度）：-0.37[25]

量化因子与构建方式 高频偏度因子 - **因子的构建思路** 高频偏度因子通过分析股票收益分布特征，捕捉高频数据中的偏度信息，反映市场中收益分布的非对称性[14][16][17] - **因子具体构建过程** 计算方式参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》，具体方法未在本报告中详细列出[14][17] - **因子评价** 高频偏度因子在本周和8月表现出一定的多空收益，但2024年整体收益为负，说明其在长期表现上存在一定波动性[13][14] 下行波动占比因子 - **因子的构建思路** 下行波动占比因子通过分解已实现波动，捕捉市场中下行风险的占比特征[17][20] - **因子具体构建过程** 计算方式参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》，具体方法未在本报告中详细列出[17][20] - **因子评价** 因子在本周和8月表现出较好的多空收益，但2024年整体收益为负，表明其在捕捉下行风险方面具有一定的短期有效性[13][17] 开盘后买入意愿占比因子 - **因子的构建思路** 通过分析开盘后买入意愿的占比，反映市场参与者的交易意图[22][23] - **因子具体构建过程** 计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》，具体方法未在本报告中详细列出[22][23] - **因子评价** 因子在2024年表现出正收益，表明其在捕捉开盘交易意图方面具有一定的有效性[13][22] 开盘后买入意愿强度因子 - **因子的构建思路** 通过分析开盘后买入意愿的强度，进一步量化市场交易意图的强弱[25][26] - **因子具体构建过程** 计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》，具体方法未在本报告中详细列出[25][26] - **因子评价** 因子在2024年表现出正收益，表明其在捕捉开盘交易强度方面具有一定的有效性[13][25] 开盘后大单净买入占比因子 - **因子的构建思路** 通过分析开盘后大单净买入的占比，捕捉市场中大单交易的行为特征[29][30] - **因子具体构建过程** 具体方法未在本报告中详细列出[29][30] - **因子评价** 因子在2024年表现出较高的正收益，表明其在捕捉大单交易行为方面具有较好的有效性[13][29] 开盘后大单净买入强度因子 - **因子的构建思路** 通过分析开盘后大单净买入的强度，进一步量化大单交易的影响力[32][34] - **因子具体构建过程** 具体方法未在本报告中详细列出[32][34] - **因子评价** 因子在2024年表现出较高的正收益，表明其在捕捉大单交易强度方面具有较好的有效性[13][32] 深度学习因子（多颗粒度模型-5日标签） - **因子的构建思路** 基于双向AGRU模型训练，捕捉多颗粒度的市场特征[58][61] - **因子具体构建过程** 通过双向AGRU模型对高频数据进行训练，生成5日标签的因子值[58][61] - **因子评价** 因子在本周、8月及2024年均表现出显著的多空收益，表明其在捕捉市场特征方面具有较高的有效性[13][58] 深度学习因子（多颗粒度模型-10日标签） - **因子的构建思路** 基于双向AGRU模型训练，捕捉多颗粒度的市场特征[62][65] - **因子具体构建过程** 通过双向AGRU模型对高频数据进行训练，生成10日标签的因子值[62][65] - **因子评价** 因子在本周、8月及2024年均表现出显著的多空收益，表明其在捕捉市场特征方面具有较高的有效性[13][62] 深度学习高频因子（改进GRU(50,2)+NN(10)） - **因子的构建思路** 通过改进的GRU和神经网络模型，捕捉高频数据中的复杂特征[51][53] - **因子具体构建过程** 使用GRU(50,2)和NN(10)模型对高频数据进行训练，生成因子值[51][53] - **因子评价** 因子在2024年表现出较高的正收益，表明其在捕捉高频特征方面具有较好的有效性[13][51] 深度学习高频因子（残差注意力LSTM(48,2)+NN(10)） - **因子的构建思路** 通过残差注意力机制和LSTM模型，捕捉高频数据中的复杂特征[56][57] - **因子具体构建过程** 使用残差注意力LSTM(48,2)和NN(10)模型对高频数据进行训练，生成因子值[56][57] - **因子评价** 因子在2024年表现出正收益，表明其在捕捉高频特征方面具有一定的有效性[13][56] --- 因子的回测效果 高频偏度因子 - 本周多空收益：0.25%[13] - 8月多空收益：0.33%[13] - 2024年多空收益：-2.06%[13] 下行波动占比因子 - 本周多空收益：0.46%[13] - 8月多空收益：0.59%[13] - 2024年多空收益：-4.03%[13] 开盘后买入意愿占比因子 - 本周多空收益：-0.04%[13] - 8月多空收益：-0.07%[13] - 2024年多空收益：0.45%[13] 开盘后买入意愿强度因子 - 本周多空收益：0.01%[13] - 8月多空收益：0.04%[13] - 2024年多空收益：1.54%[13] 开盘后大单净买入占比因子 - 本周多空收益：0.04%[13] - 8月多空收益：-0.36%[13] - 2024年多空收益：3.80%[13] 开盘后大单净买入强度因子 - 本周多空收益：0.01%[13] - 8月多空收益：-0.45%[13] - 2024年多空收益：3.73%[13] 深度学习因子（多颗粒度模型-5日标签） - 本周多空收益：0.33%[13] - 8月多空收益：0.41%[13] - 2024年多空收益：6.68%[13] 深度学习因子（多颗粒度模型-10日标签） - 本周多空收益：0.39%[13] - 8月多空收益：0.48%[13] - 2024年多空收益：6.87%[13] 深度学习高频因子（改进GRU(50,2)+NN(10)） - 本周多空收益：0.17%[13] - 8月多空收益：0.25%[13] - 2024年多空收益：3.79%[

- 我们采用总热度指标，对宽基、行业、概念中的个股成分股的总热度指标进行加和，得到宽基、行业、概念层面的"总热度"指标[9] - 股票的浏览、自选与点击次数之和，以同一日在全市场占比的方式进行归一化，将归一化后的数值乘以10000，指标取值区间为[0,10000][9] - 宽基、行业与概念作为一个更大的整体，关注度不足导致错误定价的逻辑不如在个股层面通畅，因此我们将聚合的总热度看作"情绪热度"的代理变量进行追踪[9] 量化模型与构建方式 1. **模型名称**：宽基轮动策略 - **模型构建思路**：通过热度周度变化率构建轮动策略，在每周最后一个交易日买入总热度变化率MA2最大的宽基，如果变化率最大的为"其他"组则空仓[15] - **模型具体构建过程**： - 计算不同组股票周度热度变化率，并取MA2进行平滑处理 - 在每周最后一个交易日买入总热度变化率MA2最大的宽基，如果变化率最大的为"其他"组则空仓[12][15] - **模型评价**：策略2017年来年化收益率8.74%，最大回撤23.5%，2024年来收益为-8.2%[17] 模型的回测效果 1. **宽基轮动策略**： - 年化收益率：8.74%[17] - 最大回撤：23.5%[17] - 2024年来收益：-8.2%[17] 量化因子与构建方式 1. **因子名称**：总热度指标 - **因子的构建思路**：通过股票的浏览、自选与点击次数之和，以同一日在全市场占比的方式进行归一化，将归一化后的数值乘以10000，得到总热度指标[9] - **因子具体构建过程**： - 股票的浏览、自选与点击次数之和 - 以同一日在全市场占比的方式进行归一化 - 将归一化后的数值乘以10000，指标取值区间为[0,10000][9] - **因子评价**：总热度指标作为"情绪热度"的代理变量进行追踪[9] 因子的回测效果 1. **总热度指标**： - 无具体回测效果数据 复合因子与构建方式 1. **因子名称**：热度变化率 - **因子的构建思路**：通过计算每个申万一级、二级行业热度的周度变化率MA2，得到行业层面的热度变化率[20] - **因子具体构建过程**： - 计算每个申万一级、二级行业热度的周度变化率 - 取MA2进行平滑处理[20] - **因子评价**：热度变化率作为行业热度变化的代理变量进行追踪[20] 因子的回测效果 1. **热度变化率**： - 无具体回测效果数据

- 本报告未涉及量化模型或量化因子的构建、测试及评价内容[1][2][3]

- 报告中提到安联中国精选混合型证券投资基金采用增强GARP策略（AllianzGI GARP Investment），其投资策略包括布局高股息、低波动红利的标的，同时买入成长股，通过深度的ROE研究实现全市场均衡配置，并适时配合A+H股策略，长期投资优质公司[6][4][3] - 量化产品的业绩表现中，主动量化产品上周平均收益为-1.34%，量化对冲产品为-0.01%[17][18][4] - 年初至今，主动量化产品的平均收益为-11.03%，量化对冲产品为0.26%[20][24][4] - 主动量化基金中，年初至今表现最好的基金为长盛量化红利策略A，净值增长率为12.58%[21][25][4] - 量化对冲基金中，年初至今表现最好的基金为申万菱信量化对冲策略，净值增长率为3.81%[21][25][4] - 指数增强型基金中，年初至今表现最好的基金为中银中证1000指数增强A，其相对基准超额收益为13.92%[21][25][4]

量化模型与构建方式 1. 模型名称：利率市场结构模型 - **模型构建思路**：通过将1至10年期国债到期收益率（YTM）数据转化为水平、期限和凸性结构指标，分析利率市场的结构变化，并从均值回归的视角判断当前利率市场的状态[7][8] - **模型具体构建过程**： 1. 收集1至10年期国债YTM数据 2. 将数据转化为以下三个结构指标： - **水平结构**：衡量整体利率水平 - **期限结构**：衡量期限利差 - **凸性结构**：衡量收益率曲线的弯曲程度 3. 对上述指标进行历史分位数计算，分别从3年、5年和10年的滚动窗口视角分析其历史位置[7][8] - **模型评价**：该模型能够较好地捕捉利率市场的结构性变化，为投资者提供均值回归视角的参考[7][8] 2. 模型名称：利率价量周期择时模型 - **模型构建思路**：基于核回归算法，识别利率数据的支撑线和阻力线，并结合长、中、短周期的利率走势形态突破情况，生成多周期复合择时信号[9] - **模型具体构建过程**： 1. 使用核回归算法对利率数据进行拟合，刻画支撑线和阻力线 2. 根据长周期（切换频率为月度）、中周期（切换频率为双周度）、短周期（切换频率为周度）的利率走势形态，判断是否发生突破 3. 综合三种周期的突破信号，按照2/3的票数规则生成最终择时信号[9] - **模型评价**：模型通过多周期视角捕捉利率趋势变化，信号生成逻辑清晰，适合用于利率择时分析[9] 3. 模型名称：公募债基久期与分歧跟踪模型 - **模型构建思路**：通过改进后的回归模型，动态跟踪公募中长期纯债基金的久期及久期分歧变化，分析机构持仓的久期观点[10][11] - **模型具体构建过程**： 1. 使用改进后的回归模型测算全市场中长期纯债基金的久期和久期分歧 2. 计算久期的中位数、均值及4周移动平均值，分析久期水平的变化趋势 3. 计算久期的截面标准差，衡量机构持仓久期的分歧程度[10][11] - **模型评价**：模型能够有效捕捉公募基金久期及分歧的动态变化，为投资者提供机构行为的量化参考[10][11] --- 模型的回测效果 1. 利率市场结构模型 - **水平结构**：读数为1.89%，相对上周升高6.96BP，处于历史3年、5年、10年视角下的1%、1%和0%分位[8] - **期限结构**：读数为0.74%，相对上周升高0.48BP，处于历史3年、5年、10年视角下的68%、69%和76%分位[8] - **凸性结构**：读数为0.09%，相对上周下降3.34BP，处于历史3年、5年、10年视角下的3%、4%和15%分位[8] 2. 利率价量周期择时模型 - **长周期信号**：无信号[9] - **中周期信号**：无信号[9] - **短周期信号**：向上突破[9] - **综合信号**：中性震荡（总票数未达2/3）[9] 3. 公募债基久期与分歧跟踪模型 - **久期中位数**：最新读数为2.75年，4周移动平均值为2.64年，均值为3.07年，相对上周分别提升0.07年、0.06年，处于历史5年69.5%分位[10] - **久期分歧**：截面标准差为1.85年，相对上周提升0.02年，处于历史5年99.23%分位[11] - **到期收益率（YTM）**：最新中位数为2.01%，4周移动平均值为2.06%，均值为2.08%，相对上周未平滑数据微升0BP，平滑数据下降4BP，接近历史低位[16]