量化模型与构建方式 1. **模型名称**：主动量化模型 **模型构建思路**：通过多因子选股策略，结合市场动态调整因子权重，以实现超额收益[21] **模型具体构建过程**：模型基于历史数据，选取多个量化因子（如动量、价值、质量等），通过线性回归或机器学习方法计算因子权重，最终构建投资组合。公式为： $$R_p = \sum_{i=1}^{n} w_i \cdot F_i$$ 其中，$R_p$ 为组合收益，$w_i$ 为因子权重，$F_i$ 为因子收益 **模型评价**：该模型在市场波动较大时表现较为稳健，但在极端市场环境下可能存在失效风险[42] 2. **模型名称**：量化对冲模型 **模型构建思路**：通过构建多空组合，对冲市场系统性风险，获取绝对收益[21] **模型具体构建过程**：模型通过选取相关性较低的多空头寸，利用统计套利策略进行对冲。公式为： $$R_{hedge} = R_{long} - R_{short}$$ 其中，$R_{hedge}$ 为对冲收益，$R_{long}$ 为多头收益，$R_{short}$ 为空头收益 **模型评价**：该模型在市场波动较小时表现优异，但在市场趋势明显时可能表现不佳[42] 模型的回测效果 1. **主动量化模型**，上周平均收益为-2.10%，年初至今平均收益为2.49%[21][25] 2. **量化对冲模型**，上周平均收益为0.08%，年初至今平均收益为-0.11%[21][25] 量化因子与构建方式 1. **因子名称**：动量因子 **因子构建思路**：通过计算股票过去一段时间的收益率，捕捉市场趋势[21] **因子具体构建过程**：动量因子计算公式为： $$Momentum = \frac{P_t - P_{t-n}}{P_{t-n}}$$ 其中，$P_t$ 为当前价格，$P_{t-n}$ 为n天前的价格 **因子评价**：动量因子在趋势明显的市场中表现较好，但在市场反转时可能失效[42] 2. **因子名称**：价值因子 **因子构建思路**：通过计算股票的估值指标（如市盈率、市净率等），捕捉低估股票的投资机会[21] **因子具体构建过程**：价值因子计算公式为： $$Value = \frac{Earnings}{Price}$$ 其中，$Earnings$ 为每股收益，$Price$ 为股票价格 **因子评价**：价值因子在长期投资中表现较好，但在市场情绪高涨时可能表现不佳[42] 因子的回测效果 1. **动量因子**，上周平均收益为-2.22%，年初至今平均收益为2.34%[22][26] 2. **价值因子**，上周平均收益为-3.26%，年初至今平均收益为5.25%[22][26]

量化模型与构建方式 1. **模型名称**：k-means++聚类模型 **模型构建思路**：通过概率化选择初始质心，确保质心之间尽量分散，覆盖不同数据分布区域，从而优化聚类效果[38]。 **模型具体构建过程**： - 随机选择一个数据点作为第一个质心[39]。 - 对每个新质心的选择，计算所有数据点到已有质心的最短距离，以这些距离的平方值作为权重按概率分布选择下一个质心，距离越远的点被选中的概率越高[39]。 - 重复上述操作，直到选出k个质心，后续流程与传统k-means一致，即迭代更新质心并分配数据点[39]。 **模型评价**：k-means++通过优化初始质心选择，减少了局部最优风险，加速了收敛，效果优于传统k-means[38]。 2. **模型名称**：支撑阻力因子模型 **模型构建思路**：通过最高价与最低价的形态变化，判断ETF的趋势强度，构建支撑阻力因子，选择趋势更强的ETF[59]。 **模型具体构建过程**： - 计算最近20个交易日ETF最高价的斜率ℎ和最低价的斜率[62]。 - 支撑阻力因子= abs(ℎ/)[62]。 - 选择最高价和最低价均上涨的ETF，根据支撑阻力因子排序，取因子值最高的前20%[63]。 **模型评价**：该模型能够有效捕捉ETF的趋势变化，支撑阻力因子的构建有助于识别上行空间较大的ETF[59]。 模型的回测效果 1. **k-means++聚类模型**：聚类结果基本符合投资概念或板块的相似度要求，能够有效降低ETF选择的复杂度[42]。 2. **支撑阻力因子模型**：2016年以来年化收益14.46%，年化波动14.44%，年化夏普1.0，相对于沪深300指数的年化超额12.56%[63]。 量化因子与构建方式 1. **因子名称**：支撑阻力因子 **因子的构建思路**：通过最高价与最低价的斜率变化，判断ETF的支撑与阻力强度，选择趋势更强的ETF[62]。 **因子具体构建过程**： - 计算最近20个交易日ETF最高价的斜率ℎ和最低价的斜率[62]。 - 支撑阻力因子= abs(ℎ/)[62]。 **因子评价**：该因子能够有效识别ETF的趋势强度，支撑阻力因子的构建有助于选择上行空间较大的ETF[62]。 2. **因子名称**：换手率因子 **因子的构建思路**：通过近5日换手率与近20日换手率的比值，判断ETF的短期市场关注度[63]。 **因子具体构建过程**： - 计算近5日换手率与近20日换手率的比值[63]。 - 选择比值最高的ETF，构建组合[63]。 **因子评价**：该因子能够有效捕捉ETF的短期市场关注度，有助于选择短期内市场热度较高的ETF[63]。 因子的回测效果 1. **支撑阻力因子**：2016年以来年化收益14.46%，年化波动14.44%，年化夏普1.0，相对于沪深300指数的年化超额12.56%[63]。 2. **换手率因子**：2016年以来年化收益14.46%，年化波动14.44%，年化夏普1.0，相对于沪深300指数的年化超额12.56%[63]。

量化模型与构建方式 1. 模型名称：指数风控模型 - **模型构建思路**：通过构建指数层面的风控模型，控制主动风险的偏离，最大化信息比，提升超额收益的稳定性[3][42][55] - **模型具体构建过程**： 1. 确定纳入模型的指数列表，筛选在给定交易日前发布的指数，且成分均为A股，并可获取成分列表及权重数据[53] 2. 合成指数层面数据，将个股行业/风格得分按权重加总，得到指数敞口数据[53] 3. 模型公式： $ r = c f_c + \sum_{i} f_i + \sum_{s} f_s + u $ 其中，$ r $为标的超额收益，$ f_c $为市场因子，$ f_i $为行业因子，$ f_s $为风格因子，$ u $为残差[52] 4. 通过对指数持仓穿透至个股，降低大市值股票权重，提升权重均衡性[53][54] - **模型评价**：指数风控模型的有效性显著高于个股风控模型，行业因子贡献大幅提升，风格因子中市值、动量、盈余等贡献增加，贝塔和流动性贡献降低[55][56] 2. 模型名称：指数配置组合优化模型 - **模型构建思路**：通过优化组合信号得分，同时对行业和风格偏离进行约束，最大化组合的阿尔法信号值[72][73] - **模型具体构建过程**： 1. 非组合优化：对指数打分，选择TOP50指数进行等权配置[72] 2. 组合优化：目标函数为最大化组合信号得分，同时对行业和风格偏离进行约束，基准为中证全指，月频调仓[72] 3. 优化后，最大回撤显著降低，信息比和Calmar比均得到改善[72][73] - **模型评价**：组合优化模型在控制风险的同时，提升了超额收益的稳定性，信息比和Calmar比均优于非组合优化[72][73] --- 模型的回测效果 1. 指数风控模型 - 年化超额：未提供具体值 - 超额波动率：未提供具体值 - 信息比：未提供具体值 - 最大回撤：未提供具体值 - Calmar比：未提供具体值 2. 指数配置组合优化模型 - **非组合优化**： - 年化超额：13.29% - 超额波动率：7.42% - 信息比：1.79 - 最大回撤：8.30% - Calmar比：1.60[73] - **组合优化**： - 年化超额：9.41% - 超额波动率：4.93% - 信息比：1.91 - 最大回撤：4.55% - Calmar比：2.07[73] --- 量化因子与构建方式 1. 因子名称：市值因子 - **因子构建思路**：通过市值因子捕捉规模效应，评估其对指数收益的贡献[55][56] - **因子具体构建过程**：基于指数成分股的市值数据，按权重加总得到指数层面的市值因子暴露值[53][55] - **因子评价**：市值因子在指数层面表现出较高的解释度贡献，对主动风险的影响较大[55][56] 2. 因子名称：动量因子 - **因子构建思路**：利用动量效应，评估其在指数层面的表现[55][56] - **因子具体构建过程**：基于成分股的动量信号，按权重加总得到指数层面的动量因子暴露值[53][55] - **因子评价**：动量因子在指数层面效应更强，解释度贡献显著提升[55][56] 3. 因子名称：分红因子 - **因子构建思路**：通过分红因子捕捉高分红股票的收益特征[55][56] - **因子具体构建过程**：基于成分股的分红数据，按权重加总得到指数层面的分红因子暴露值[53][55] - **因子评价**：分红因子在指数层面表现更好，解释度贡献较高[55][56] --- 因子的回测效果 1. 市值因子 - 年化超额：未提供具体值 - 超额波动率：未提供具体值 - 信息比：未提供具体值 - 最大回撤：未提供具体值 - Calmar比：未提供具体值 2. 动量因子 - 年化超额：未提供具体值 - 超额波动率：未提供具体值 - 信息比：未提供具体值 - 最大回撤：未提供具体值 - Calmar比：未提供具体值 3. 分红因子 - 年化超额：未提供具体值 - 超额波动率：未提供具体值 - 信息比：未提供具体值 - 最大回撤：未提供具体值 - Calmar比：未提供具体值

根据研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：DeepSeek-R1** - **模型构建思路**：通过混合专家（MoE）架构与动态路由技术，结合强化学习提升推理能力，实现低成本高性能的模型训练[16][38] - **模型具体构建过程**： 1. 采用MoE架构，通过门控网络动态分配任务给专家模型，实现稀疏激活[28] 2. 引入GRPO（Group Relative Policy Optimization）算法，舍弃Critic模型降低训练成本[31] 3. 使用FP8混合精度训练框架提升计算效率，减少内存占用[36] 4. 通过多令牌预测（MTP）技术增强模型预测能力[34] 5. 结合冷启动数据（高质量长思维链数据）提升训练初期稳定性[42] - **模型评价**：在极低训练成本下实现与主流大模型相当的性能，推理成本仅为GPT-4 Turbo的17%[16][43] 2. **模型名称：DeepSeek-V3** - **模型构建思路**：基于6710亿参数的混合专家模型，优化架构与训练方法以提升开源模型性能[33] - **模型具体构建过程**： 1. 延续DeepSeek-V2的MLA（多头潜在注意力）机制，减少KV缓存数量[25] 2. 扩展MoE架构至更大参数量级，结合动态路由技术[33] 3. 引入FP8混合精度训练框架[36] 3. **模型名称：DeepSeek-V2** - **模型构建思路**：设计经济高效的混合专家语言模型，平衡性能与成本[23] - **模型具体构建过程**： 1. 创新提出MLA（Multi-head Latent Attention）替代传统MHA，降低KV缓存[25] 2. 采用MoE架构实现模型容量扩展[28] 3. 使用GRPO算法优化强化学习流程[31] 4. **模型名称：DeepSeek LLM** - **模型构建思路**：基于扩展法则（Scaling Laws）研究模型规模、数据与计算资源的优化分配[21] - **模型具体构建过程**： 1. 通过小规模实验预测大规模模型性能，指导资源分配[22] 2. 验证高质量数据对模型扩展的倾斜效应[22] 量化因子与构建方式 （注：研报中未明确提及传统量化因子，主要聚焦AI模型技术） 模型的回测效果 1. **DeepSeek-R1** - 推理成本：GPT-4 Turbo的17%[16] - 训练成本：显著低于传统大模型（未披露具体数值）[43] - 日活跃用户：上线10天突破2000万[15] 2. **DeepSeek-V3** - 参数量：6710亿[33] - 支持FP8混合精度训练[36] 3. **DeepSeek-V2** - MLA机制：KV缓存减少50%以上（对比MHA）[25] - MoE架构：激活参数量仅为全模型的1/4[28] 关键公式与技术 1. **扩展法则（Scaling Laws）** $$ \text{模型性能} = f(\text{模型规模}, \text{数据规模}, \text{计算资源}) $$ 指导资源分配时需优先考虑数据质量[21][22] 2. **GRPO算法** 舍弃Critic模型，通过群体分数估计基线： $$ \text{优势函数} = \text{奖励值} - \text{群体基线} $$ 降低RL训练成本[31] 3. **多令牌预测（MTP）** 同时预测未来多个令牌： $$ P(y_{t+1}, y_{t+2}, ..., y_{t+k} | x) $$ 增强训练信号密度[34] 4. **FP8混合精度框架** 将部分计算精度降至8位浮点，内存占用仅为FP32的1/4[36]

量化模型与构建方式 1. **模型名称**：三维情绪模型 **模型构建思路**：通过三个维度（情绪预期、情绪温度、情绪浓度）观察市场情绪面的不同频率波动，分别对应中高频、中频、低频维度的市场情绪变化[7] **模型具体构建过程**： - **情绪预期**：合成沪深300股指期货升贴水率和上证50ETF期权成交额PCR的倒数，通过取均值和主成分分析构建 公式： $${\hat{\mathbb{R}}}\times{\hat{\mathbb{R}}}\times{\hat{\mathbb{R}}}={\frac{{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}}{{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}}}$$ 其中，沪深300股指期货升贴水率计算公式为： $${\text{升贴水率}} = \frac{{\text{沪深300股指期货主力价格}} - {\text{沪深300指数价格}}}{{\text{沪深300指数价格}}}$$[8] - **情绪温度**：基于主力买入率（大单买入金额/沪深成交总额）计算三年滚动百分位，并进行平滑处理[12] - **情绪浓度**：计算中信三级行业体系指数的第一主成分方差贡献率，滚动窗口平滑处理后得到[16] **模型评价**：三维情绪模型能够有效捕捉市场情绪的不同频率波动，情绪浓度指标高于警戒线（0.83）时具有长期牛熊转折预示作用[16] 模型的回测效果 1. **三维情绪模型** - 情绪预期当前值（20250220）：0.7696[9] - 情绪温度当前值（20250220）：0.6952[13] - 情绪浓度当前值（20250220）：0.6884[18] 量化因子与构建方式 1. **因子名称**：情绪预期因子 **因子构建思路**：反映市场短期情绪变化，通过股指期货升贴水率和期权成交额PCR合成[8] **因子具体构建过程**： - 计算沪深300股指期货升贴水率 - 计算上证50ETF期权成交额PCR的倒数 - 对两者取均值和主成分分析合成情绪预期指标[8] 2. **因子名称**：情绪温度因子 **因子构建思路**：反映市场主力资金热度变化，基于主力买入率计算[12] **因子具体构建过程**： - 计算主力买入率（大单买入金额/沪深成交总额） - 对主力买入率进行平滑处理 - 计算三年滚动百分位得到情绪温度指标[12] 3. **因子名称**：情绪浓度因子 **因子构建思路**：反映市场多资产相关性变化，衡量情绪累积程度[16] **因子具体构建过程**： - 计算中信三级行业体系指数的第一主成分方差贡献率 - 对贡献率进行滚动窗口平滑处理得到情绪浓度指标[16] 因子的回测效果 1. **情绪预期因子** - 当前值（20250220）：0.7696[9] 2. **情绪温度因子** - 当前值（20250220）：0.6952[13] 3. **情绪浓度因子** - 当前值（20250220）：0.6884[18]

量化模型与因子分析总结 量化模型与构建方式 1. **华泰金工三周期模型** - 模型构建思路：通过基钦周期、朱格拉周期和库兹涅茨周期三个经济周期维度对COMEX黄金结算价同比序列进行建模分析[17] - 模型具体构建过程：从黄金价格同比序列中提取三大周期分量，其中库兹涅茨周期分量振幅最大，朱格拉周期次之，基钦周期最小[17][19] - 模型评价：该模型能有效捕捉黄金价格中长期趋势，与股票资产以基钦周期为主导不同，黄金价格受朱格拉周期和库兹涅茨周期影响更大[17] 2. **黄金资产配置组合模型** - 模型构建思路：通过在传统股债组合中加入黄金资产，构建优化后的资产配置组合[24][26] - 模型具体构建过程： - 原始组合：60%中债新综合财富指数+40%中证A500 - 组合A：50%国债+40%股票+10%黄金(AU9999现货黄金) - 组合B：60%国债+30%股票+10%黄金[24][26] - 模型评价：加入黄金后组合的风险收益特征得到改善，特别是组合B在提升收益的同时降低了波动率[26] 模型的回测效果 1. **华泰金工三周期模型** - 周期分量振幅排序：库兹涅茨周期>朱格拉周期>基钦周期[17] - 当前周期位置：库兹涅茨周期项处于高位附近，朱格拉周期项处于上行区间[17] 2. **黄金资产配置组合模型(2005.1.3-2025.2.20)** - 原始股债组合：年化收益率6.63%，年化波动率9.76%，夏普比率0.68，最大回撤-33.36%[26] - 组合A：年化收益率7.17%，年化波动率9.95%，夏普比率0.72，最大回撤-35.47%[26] - 组合B：年化收益率6.69%，年化波动率7.56%，夏普比率0.88，最大回撤-26.86%[26] 量化因子与构建方式 1. **黄金价格驱动因子** - 因子构建思路：识别影响黄金价格的主要宏观经济和市场因素[12][13] - 因子具体构建过程： - 美国债务因子：政府部门杠杆率和信贷市场未偿债务余额增速[12] - 避险需求因子：全球地缘局势紧张程度和贸易摩擦预期[13] - 美元信用因子：美元作为全球储备货币的信用价值变化[13] - AI冲击因子：DeepSeek等AI模型对美股基本面的冲击程度[13] 2. **黄金相关性因子** - 因子构建思路：分析黄金与其他大类资产的相关性特征[23][24] - 因子具体构建过程：计算AU9999现货黄金与中证A500、恒生指数、标普500、COMEX铜、布伦特原油等资产的历史收益率相关系数[24] - 因子评价：黄金与其他大类资产相关性普遍较低，具有较好的分散风险效果[23] 因子的回测效果 1. **黄金价格驱动因子** - 美债利率与金铜比价相关性：2022年后由负相关转为正相关[12] - COMEX黄金库存与价格同步性：与特朗普关税政策表态节点高度相关[7][9] 2. **黄金相关性因子(2005.2.18-2025.2.19)** - 与中证A500相关性：4.58%[24] - 与恒生指数相关性：10.30%[24] - 与标普500相关性：-1.40%[24] - 与COMEX铜相关性：4.98%[24] - 与布伦特原油相关性：2.90%[24] - 与中债新综合财富指数相关性：4.14%[24]

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**：在高权益仓位主动管理的基金中，挑选具有长期稳定收益特征的基金，寻找主动权益基金中的业绩“常青树”[13] - **模型具体构建过程**：基于基金历史较长时间下的净值回撤和波动水平，反映基金经理的投资风格及风险控制能力，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，构建低波动特征的主动权益基金组合[13] - **模型评价**：组合波动率与最大回撤显著优于中证主动式股票基金指数，在减小净值波动的同时保持不错的收益水平，兼具防守与进攻性[20][21] 2. **模型名称：股基增强基金组合** - **模型构建思路**：在主动管理权益基金中，挖掘具有更强Alpha挖掘能力的基金经理进行配置，构建风险波动等级较高且兼具进攻性的组合[14] - **模型具体构建过程**：分析基金收益来源，对基金配置行业收益和选股超额能力进行拆分，剔除所配置行业的Beta收益后，基于剩余Alpha收益构建组合[14] - **模型评价**：组合在回测区间表现出优秀的持有期胜率，有望在市场环境改善后展现更强弹性[23] 3. **模型名称：现金增利基金组合** - **模型构建思路**：基于货币基金多维特征因子，构建货币基金筛选体系，优选出收益表现更优秀的货币基金，帮助投资者优化短期闲置资金收益水平[16] - **模型具体构建过程**：综合考虑管理费率、托管费率、销售服务费率、久期水平、杠杆水平、机构持仓占比及偏离度等风险指标，构建货币基金优选体系[16] - **模型评价**：组合持续跑赢比较基准，超额收益累计叠加，为现金管理提供有效参考[25] 4. **模型名称：海外权益配置基金组合** - **模型构建思路**：基于海外国家或地区的权益市场指数，根据长期动量和短期反转因子，剔除涨势过高、出现超买的指数，选择处于上涨趋势且上升动能较好的指数作为配置标的[17] - **模型具体构建过程**：综合长期动量和短期反转因子，筛选指数并构建海外权益配置基金组合[17] - **模型评价**：组合在美联储降息通道及人工智能科技带动下累积了较高水平的超额收益，全球化配置为权益投资组合带来收益增厚[26] 模型的回测效果 1. **常青低波基金组合** - 本周收益：0.126%[18] - 近一个月收益：2.314%[18] - 今年以来收益：0.531%[18] - 策略运行以来收益：8.380%[18] 2. **股基增强基金组合** - 本周收益：0.435%[18] - 近一个月收益：2.841%[18] - 今年以来收益：1.719%[18] - 策略运行以来收益：9.387%[18] 3. **现金增利基金组合** - 本周收益：0.031%[18] - 近一个月收益：0.152%[18] - 今年以来收益：0.245%[18] - 策略运行以来收益：3.126%[18] 4. **海外权益配置基金组合** - 本周收益：-0.321%[18] - 近一个月收益：3.282%[18] - 今年以来收益：4.151%[18] - 策略运行以来收益：29.636%[18]

- 永安新加坡成为新交所衍生品市场交易和清算会员[1] - 永安期货自2006年开始布局国际市场，先后进入中国香港和新加坡市场，并在境外开展大宗商品、股指期货及外汇衍生品等业务[2] - 永安期货在境外的净资产合计超过2.37亿美元，拥有期货、证券、资管、清算等全牌照[2] - 永安期货通过香港、新加坡等地的地理与资源优势，积极拓展产业链上下游业务，近5年业务规模超过7亿美元[2] - 永安期货在境外财富管理方面，帮助多家中国百亿元级私募机构设立境外办公室并发行私募产品[3] - 永安期货获得新交所衍生品市场交易和清算会员资格，是继2019年获得新加坡金融管理局CMS期货牌照后的又一重要进展[4] - 永安期货致力于构建支持实体企业海外发展的金融服务网络，为跨境贸易、投资、并购提供全链条金融联动产品和服务[4]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：自选基金组合FOF模型 - **模型构建思路**：通过筛选成立年限、规模、基金经理能力、风险调整后收益等指标，构建由30只基金组成的FOF组合，并按季度调仓[56] - **模型具体构建过程**： 1. 筛选标准包括基金成立年限、规模（剔除规模过小或过大的基金） 2. 评估基金经理的选股择时能力（通过Alpha、Beta等指标） 3. 计算风险调整后收益（夏普比率、卡玛比率等） 4. 等权重配置30只符合条件的基金，每季度再平衡 - **模型评价**：组合注重分散化和风险控制，但回测显示区间超额收益为负（-7.34%），可能受市场风格切换影响[58][59] 模型的回测效果 1. **自选基金组合FOF模型** - 区间绝对收益率：0.46% - 区间年化收益率：3.75% - 区间最大回撤：3.94% - 区间年化波动率：10.36% - 区间下行风险：7.73% - 区间年化夏普比率：0.27 - 区间卡玛比率：0.95 - 区间累计超额收益：-7.34%[59] 量化因子与构建方式 （注：研报中未明确提及具体量化因子构建，仅描述市场表现和基金筛选逻辑，故本部分跳过） 因子的回测效果 （注：研报中未涉及因子测试结果，故本部分跳过） --- **说明**： - 研报核心内容为市场数据综述和FOF组合回测，未涉及传统量化因子（如价值、动量等）的构建与测试[5][56][58] - 模型回测结果中，超额收益为负可能与2025年2月市场波动（如港股科技板块大涨10.34%）导致基准（偏股混合型基金指数）表现强劲有关[9][59]

证券研究报告：金融工程报告 2025 年 2 月 22 日 《扩散指数有高位回调风险 ——微盘 股指数周报 20250216》 - 2025.02.17 《基本面回撤，高波风格持续——中邮 因子周报 20250209》 - 2025.02.10 《各资金持续流入机器人，短期注意回 调风险，行业轮动开始超配成长——行 业轮动周报 20250209》 - 2025.02.10 《全面牛市正在到来，微盘有望修复前 高 ——微盘股指数周报 20250209》 - 2025.02.10 《基本面表现强势，风格切换加速—— 中邮因子周报 20250126》 - 2025.01.27 《节前融资资金大幅净流出，ETF 资金 聚焦机器人以及红利——行业轮动周 报 20250126》 - 2025.01.26 《信号全部翻多，微盘股高胜率月份即 将到来 — — 微 盘 股 指 数 周 报 20250126》 - 2025.01.26 《基金 Q4 加仓非银商贸银行，减仓有 色医药电子——公募基金 2024Q4 季报 点评》 - 2025.01.24 《"春节效应"将至，市场即将企稳回升 ——微盘股指数周报 20250119》 ...