核心观点 - 美联储于2025年12月宣布降息25个基点，将联邦基金利率目标区间下调至3.5%至3.75%之间，这是自2024年9月启动本轮降息周期以来的第六次降息，符合市场预期 [1][7] - 此次降息被界定为“预防型降息”，主要背景是美国就业市场偏弱、通胀水平未明显上升 [4][7] - 报告核心判断是，美联储此次降息短期可能催化A股春季行情开启，并对科技和周期等行业的配置产生积极影响 [2][4] 一、美联储降息符合预期，明年仍有宽松空间 - 本次降息是美联储2025年9月以来连续第三次降息，幅度均为25个基点 [4][7] - 降息决策基于美国短期就业市场偏弱、通胀水平未明显上升的环境，当前美国CPI同比增速仍处于低位，非农就业人数下调且薪资增速下滑 [4][7] - 美联储同时释放鹰派与鸽派分化信号 [4][10] - **鹰派信号**：点阵图显示，17位委员中预计2026年维持利率不变、降息一次和降息两次的各有4位，2026年利率中值为3.4%，对应2026年可能仅降息1次；美联储预计2025年核心PCE增速为3.0%，显示物价压力仍较大；声明中添加了考虑未来降息“幅度和时机”的表述，类似表述在2024年12月出现后，美联储后续停止了降息 [4][10][14] - **鸽派信号**：鲍威尔表示劳动力市场逐步降温且存在显著下行风险，近几个月非农就业数据被系统性高估，内部估算显示平均每月多算约6万个岗位，真实新增就业人数可能仅10万出头甚至更低；鲍威尔预计关税对通胀的影响很可能是“一次性价格上涨”；美联储将从12月12日开始每月购买400亿美元的国库券以充实金融体系准备金，且购买规模预计会在几个月内保持高位 [4][10] - 短期流动性可能偏宽松，主要因美联储每月购买400亿美元债券投放流动性，且点阵图显示一季度仍可能降息一次；中期流动性可能受美国通胀上行等约束，但仍维持宽松 [4] 二、短期春季行情可能开启，关注科技和周期 (一) 市场趋势：美联储降息短期可能催化春季行情可能开启 - **短期影响**：美联储进一步降息可能催化A股春季行情开启 [4][15] - 国内基本面继续弱修复，美联储降息使得国内货币政策空间打开，经济修复预期可能上升 [4][15] - 美联储降息可能使美元走弱，人民币汇率维持偏强趋势，从而基本消除国内央行进一步降准降息的掣肘；同时，外资等股市资金也有望在美联储降息环境下流入A股 [4][15] - 美联储降息可能提振全球市场风险偏好，在鲍威尔表态偏鸽下市场情绪有望回升 [4][15] - **长期影响**：A股长期慢牛的逻辑不变，2026年A股大概率处于盈利修复、信用底部回升的宏观环境中，可能延续慢牛趋势；美联储降息可能进一步加强流动性和政策宽松驱动的慢牛逻辑 [4][15] (二) 行业配置：科技和周期等行业可能受益 - **历史复盘**：在美联储降息周期中，产业趋势上行或高景气的行业相对占优，例如2001年1月至2003年6月的汽车行业、2007年9月至2008年12月的农林牧渔、2019年8月至2020年3月的电子行业、2024年9月至2025年12月的通信行业 [18] - **当前判断**：科技成长和部分周期行业可能相对占优 [2][18] - 以人工智能和机器人为代表的科技产业趋势在中短期可能持续上行 [2][18] - 受益于涨价和新材料需求上升的有色金属、化工等部分周期行业景气度持续上升 [2][18] - **具体关注方向**： 1. **产业趋势上行的科技行业**：包括TMT、商业航天、机器人、电新、创新药等 [2][22] - **计算机**：第三届无锡国际人工智能创新应用大会将于12月12日举行，主题为“智融世界·具身未来” [22] - **电子**：全球智能机械与电子产品博览会于12月4-6日在澳门与珠海同步举行 [22] - **通信**：中国电信于12月4-7日在广州举办2025数智科技生态大会 [22] - **传媒**：游戏市场实际销售收入持续创新高，2025年10月达到313.59亿元，同比上涨7.83%，环比上涨5.66%；“2025年度中国游戏产业年会”将于12月17-19日在上海举办 [22] - **商业航天**：国家航天局近期设立商业航天司，并印发《国家航天局推进商业航天高质量安全发展行动计划（2025-2027年）》 [22] - **机器人**：2025机器人与智能制造技术国际会议将于12月12-14日在常州举行；机器人技术应用研讨会（杭州站）将于12月11日召开 [22] - **电新**：核能发电量回升，2025年10月同比上涨5.28%，环比上涨6.91%；2025年电力、能源和控制智能技术国际会议将于12月10-13日召开 [22] - **创新药**：2025中国生物医药创新与前沿技术峰会将于12月10日于上海召开 [22] 2. **高景气的周期行业**：有色金属和化工等 [2][27] - **有色金属**：截至2025年12月10日，LME铝库存月环比下降4.83%，同比下降23.37%；2025CCMN云南(文山)绿色铝基新材料产业对接大会将于12月17-19日在云南砚山召开 [27] - **化工**：截至2025年12月10日，六氟磷酸锂价格月环比上升40.08%，同比上升188.00%；第六届全国光电材料与太阳能电池学术会议将于12月12-14日在河南郑州召开 [27]

报告核心观点 - 报告提出2026年大化工行业“稳健配置+涨价品种”的投资策略，并聚焦四大投资方向：红利策略、资金配置化工低估值龙头、下游需求驱动涨价、国内反内卷驱动涨价 [1][2] 投资方向一：红利策略 - 推荐中国海油、中国石油、中国石化，预计2026年布伦特油价中枢为60-70美元/桶 [2] - 中国海油继续增储上产和降本增效，并承诺2025-2027年分红率不低于45% [2] - 中国石油继续受益于国内天然气市场化改革，进口气成本下降，天然气售价上升 [36][43] - 中国石化需关注国内炼油化工反内卷的进展 [2] 投资方向二：资金配置化工低估值龙头 - 推荐万华化学、宝丰能源、卫星化学、华鲁恒升，认为市场增量资金（包括量化资金）将优先配置化工ETF权重股 [2] - 化工龙头公司受益于成本、技术、市场等行业壁垒，业绩基本见底 [2] 投资方向三：下游需求驱动涨价 传统需求 - **食品添加剂**：维生素、蛋氨酸等需求稳健增长，关注新和成、安迪苏 [2] - **农药**：下游海外农药制剂企业补库，国内农药供给新增受限，海外市场开拓带动品种涨价，关注扬农化工、江山股份、国光股份 [2] - **化肥**：钾肥供需紧平衡支撑价格中枢上移，关注亚钾国际、东方铁塔 [2] 新兴需求 - **磷化工**：下游新能源动力电池和储能需求拉动磷酸铁和六氟磷酸锂需求，带动产业链景气度提升，关注川恒股份、兴发集团、川发龙蟒、云图控股、云天化 [2] - **氟化工**：下游AI需求提升带动液冷需求，关注巨化股份、三美股份、永和股份、多氟多 [2] 投资方向四：国内反内卷驱动涨价 - **大炼化**：国内PTA、长丝反内卷，关注恒力石化、荣盛石化、恒逸石化、桐昆股份、新凤鸣 [2] - **有机硅**：扩产周期步入尾声，国外产能计划退出，国内主要企业召开会议下调行业开工率，关注新安股份、东岳硅材 [2] - **纯碱**：行业现有和新增产能均受到调控，老旧产能面临评估与淘汰压力，关注博源化工 [2] 石油化工行业分析 原油市场 - 预计2026年布伦特油价中枢在60-70美元/桶区间震荡，OPEC+在2026年第一季度暂停增产，市场形成60美元/桶的底部新预期 [8][11] - OPEC+剩余产能处于近五年低位，截至2025年10月合计为412万桶/日，主要集中在沙特、阿联酋、伊朗、伊拉克、科威特和俄罗斯 [14] - 俄罗斯原油产能接近上限，后续增产能力有限，但出口总量未明显下降，贸易流向从欧洲转向中国和印度 [18][22] - 委内瑞拉原油储量全球第一，达3000亿桶，截至2025年10月产量为101万桶/日，其产量和出口可能受美国政策影响 [25] 三桶油核心观点 - **中国海油**：业绩受国际油价、公司成本下降和油气产量提升驱动，承诺2025-2027年分红率不低于45% [36][51] - **中国石油**：受益于国内天然气顺价改革推进，进口气成本下降，天然气售价上升 [36][43] - **中国石化**：需关注国内炼油化工反内卷的进展 [36] 大炼化 - 大炼化涉及从炼油到化纤的全产业链，主要包括恒力石化、荣盛石化、东方盛虹、恒逸石化、桐昆股份和新凤鸣六家民营企业 [81] - 国内PTA有效产能为9250万吨/年，近期多家装置停车检修或降负运行，行业供给端出现收缩 [85] - **恒力石化**：具备2000万吨原油和500万吨原煤加工能力，致力于打造世界级全产业链一体化协同平台 [90] - **荣盛石化**：主导的浙石化项目具备年加工4000万吨原油、880万吨PX及420万吨乙烯的能力，炼化一体化率全球领先 [94] - **东方盛虹**：拥有1600万吨/年炼化产能，核心产品覆盖乙烯、EVA等，持续巩固“1+N”产业布局 [99] - **恒逸石化**：核心依托文莱炼化项目一期，形成“炼油-化工-化纤”垂直整合链条，是国内民营大炼化中唯一海外炼厂规模化运营企业 [103] - **桐昆股份**：现有PTA产能1020万吨，已实现PTA原材料自给自足，并通过参股浙石化及推进印尼项目形成海内外协同炼化布局 [108] - **新凤鸣**：拥有845万吨/年涤纶长丝、770万吨/年PTA产能，预计到2025年底PTA产能将突破1000万吨/年 [113] 基础化工行业分析 聚氨酯 - 全球MDI行业呈寡头垄断格局，2024年CR5为90%，未来2-3年新增产能主要来自万华化学，其全球市占率已从2020年的22%提升至2024年的32% [116] - 全球TDI产能中，中国占比58%，海外产能陆续关停，新增产能主要来自国内，如万华福建和华鲁恒升 [119][121] - 2025年TDI价格受海外科思创装置不可抗力影响中枢抬升，预计2026年随着美国地产回暖，聚氨酯海外销售情况有望改善，支撑价格 [121][130] - 2025年底，巴斯夫、陶氏、亨斯迈、万华化学等海外巨头相继宣布对MDI、TDI产品提价，涨幅在200-350美元/吨或300-350欧元/吨 [132][133] - **万华化学**：全球聚氨酯龙头企业，截至2025年第四季度拥有MDI产能380万吨/年，TDI产能144万吨/年，福建基地预计2026年第二季度扩建70万吨/年MDI产能 [137] 聚烯烃 - 乙烯生产主要包含油、煤、气三种路线，其中油制路线占2023年总产能的73%，煤制与乙烷裂解路线成本优势突出 [139][144] - **宝丰能源**：截至2025年底聚烯烃产能达520万吨/年，规模居国内煤制烯烃行业首位，积极推进宁东四期、新疆和内蒙二期项目 [147] - **卫星化学**：拥有C2与C3轻烃一体化布局，已形成182万吨/年乙二醇等产能，并聚焦高性能催化新材料项目 [149][150] 食品添加剂 维生素 - 维生素分为水溶性和脂溶性两大类，全球公认共13种，新和成能够生产其中8种 [152][154] - 全球VA产能约6万吨，CR5为77%，新增产能有限，天新药业计划新增1000吨/年产能 [157][158] - 全球VE产能约26万吨，呈现寡头垄断格局，CR5为92%，花园生物和万华化学分别规划新增2万吨/年产能 [157][158] - 2025年VA、VE价格触底，预计VA价格基本见底，VE价格短期将维持当前水平，长期需关注新增产能情况 [164] 蛋氨酸 - 蛋氨酸是动物必需氨基酸，豆粕减量替代政策推动其需求增长 [165]

核心观点 - 2026年转债市场预计维持震荡向上的趋势，权益市场“慢牛”行情下，股性/平衡转债或持续活跃，供需端呈现紧平衡，市场对高估值环境预计逐渐适应 [5] 2025年转债市场复盘 - 2025年转债市场以“供给收缩+股性主导”为核心主线，呈现“震荡上行、结构深化”的整体态势，资金持续向政策重点支持的科技成长、高技术制造等赛道及低估值标的集中 [8] - Q1市场震荡上行，整体表现优于多数主要权益指数，2-3月初在AI、人形机器人等主题催化下科技类转债成为热点 [9] - Q2市场在“供给收缩+政策与外部环境博弈”下震荡修复，呈现先抑后扬的结构性行情 [9] - Q3市场呈“先扬后震、强赎主导收缩”特征，中证转债指数季度上涨但弱于权益市场，7-8月PPI修复预期带动石油石化、有色金属等行业转债上涨 [10] - 10月以来市场延续“供需紧平衡+高韧性”特征，强赎潮导致存量规模缩减，新券发行落地偏缓，稀缺性支撑估值中枢维持高位 [10] 2026年转债投资策略：供需分析 - 2026年转债供需预计呈现紧平衡局面，新券上市将满足因强赎或到期产生的配置需求 [5] - 基于审批节点测算，证监会批准和发审委审核通过的转债，大概率在2026年1-4月逐步上市，其中4月上市量相对较大，1-4月预测上市余额规模约为85亿元 [13] - 当前股东大会通过且未上市的转债规模约为1110亿元，其中部分可能在2026年上市 [14] - 预计高景气高预期行业的转债将持续上市，其在总上市转债中的占比接近2025年对应高位，有望支撑次新券及全市场估值水平 [5][21] - 截至2025年10月，机构投资者的转债持仓占比进一步上升，债市资产荒下配置需求旺盛，公募基金持有占比上升明显 [30] - 二级债基规模明显增长，其绝对持仓规模对转债的配置形成增量，在转债市场总体缩量的背景下，使得潜在的供需缺口有所上升 [5][35] 2026年转债投资策略：债底与利率 - 2026年国内债券利率有望呈现“N”型走势，利率端对转债的影响相对中性 [5][47] - 利率与债性转债估值存在负相关性，60-70元平价区间转债价格中位数与10年期国债收益率的相关系数为-0.6 [47] - 结构择时角度：年初春季躁动行情下，股性转债或相对更强；二季度若利率下行，债性转债估值可能上升，若股市波动加大，其性价比相对上升 [5][48] 2026年转债投资策略：条款博弈 - 2025年7月后强赎执行率开始上升，或压缩股性转债溢价率向上的空间 [51] - 动态视角下，2026年强赎对股性转债溢价率的压力可能弱化，因新券上市和老券退市将导致股性转债的剩余年限结构下降 [5][51] - 统计显示，上市剩余年限越短，转债强赎概率越小，剩余年限0-1年的强赎概率为24%，1-2年为23%，2-3年为29%，3-4年为36%，4-5年为45%，大于5年为58% [51][57] 2026年转债投资策略：权益市场驱动力 - 资金端预计成为2026年股票市场主要驱动力，政策引导下，商业保险资金、全国社会保障基金、基本养老保险基金、公募基金等中长期资金预计持续加大入市力度 [5][59] - 具体政策包括：国有险企“每年新增保费30%投A股”、公募基金“持有A股流通市值三年每年至少增长10%” [60] - 中长期资金持续流入，预计2026年股票市场整体估值大概率呈现稳中有升的态势 [5][59] 2026年转债投资策略：核心赛道推荐 - 投资线索可参考“十五五”规划建议，关注产业结构升级下的科技和高端制造领域 [5][61] - 着力打造新兴支柱产业：关注新能源、新材料、航空航天、低空经济等战略性新兴产业，相关方向可关注锂电和储能转债 [5][61] - 前瞻布局未来产业：关注量子科技、生物制造、氢能和核聚变能、脑机接口、具身智能、第六代移动通信等领域，可关注有相关布局的转债主体 [5][61] - 加快建设新型能源体系：坚持风光水核等多能并举，建议关注风电、光伏、核电方向的转债 [5][62]

核心观点 - AI已成为投研效率的革命性工具，能够快速解析海量信息并辅助决策，但无法独立创造超额收益[2] - AI模型存在历史依赖、数据局限、模型幻觉、黑盒决策等固有局限，难以预判缺乏历史先例的未来结构性拐点[2][4] - “人机结合”是应对模型风险与监管要求的必然模式，人类在定义问题、建立范式和最终决策中不可或缺[2][18] AI赋能投研的效率革命 - AI被定位为投资经理的“超级副驾驶”，核心在于实现极速信息处理与自动化分析支持，正在实现从“算力平权”到“投研平权”的跨越[3] - AI通过深度处理非结构化数据提升宏观与政策分析效率，例如可对央行货币政策文本进行自动化、批量化处理，生成连续、可比的政策力度指数[3] - 在资产配置中，AI能快速解析海量结构化与非结构化数据，挖掘市场规律及资产间隐含关联性，辅助构建量化模型并优化风险平价权重[3] AI的局限：历史依赖与前瞻预判鸿沟 - AI基于历史数据训练，擅长总结过去，但难以预判缺乏历史先例的未来结构性拐点，这是其生成超额收益的核心障碍[2][4] - Citadel创始人Ken Griffin指出，生成式AI无法帮助对冲基金产生超越市场的回报，因为投资优势在于预测未知未来，而AI只能学习过去已知信息[4] - 在处理具有长期趋势性或数据“非收敛”特征的资产（如黄金、部分国债）时，AI的预测能力面临根本挑战，可能错误地将动量驱动行情识别为均值回归拐点[7] AI的局限：模型幻觉、过拟合与数据异化 - AI面临幻觉风险，可能生成缺乏事实依据的逻辑关联，具体表现为“事实捏造”、“逻辑飞跃”和“情感误导”三种高风险形式[8] - 过度依赖有限历史模式的AI可能“过拟合”，在真实市场中表现僵化，将局部噪声误认为普适真理[9] - 模型训练所依赖的“数据地基”可能发生异化（如宏观统计口径调整、行业分类重构），导致建立在之上的所有逻辑坍塌[9] AI的局限：黑盒决策、同质化与监管冲突 - AI的“黑箱”特性与金融监管要求的透明度、可解释性直接冲突，使得完全依赖AI的决策在面临合规审查时存在巨大压力[10] - 策略同质化可能引发共振风险，当市场参与者广泛采用相似的AI模型时，其交易信号与行为会高度趋同，在市场压力时期会急剧放大波动，甚至形成程序化踩踏[11] - 模型在面对未知时可能集体失效，例如2018年“波动率末日”事件中，同质化的量化策略基于相同历史规则被同时触发大规模卖出指令，加剧了市场下跌[11] AI的认知天花板与人类角色 - AI本质是模式复现者而非意义创造者，可能陷入“解决方案主义”陷阱，将复杂问题强行简化为可处理的数据筛选问题，从而“衡量了容易衡量的，却错过了真正重要的”[12][13] - AI无法进行范式转换级别的创造性洞察，它无法想象从未见过的数据模式所代表的新事物，无法像人类那样提出“动物精神”、“护城河”等颠覆性概念或投资叙事[14] - 人类的角色已演进为框架架构师、关键输出校验者与风险兜底者、以及合规与伦理的最终责任主体，确保决策过程可解释、可审计[18] - 未来的投研范式将是人类洞察驾驭AI算力的深度协同，AI是卓越的“副驾驶”，但人类仍需承担最终且不可替代的决策职责[21]

核心观点 - 2024—2025年，全球对冲基金对人工智能的应用正从局部工具化走向流程化重构，关键在于将非结构化信息处理、推理式研究、代码与回测工程化能力整合进一条可迭代的投研链路，以提升研究产能、缩短策略迭代周期，并形成可持续的组织能力[3] - 行业呈现三条相对清晰的落地路径：智能体驱动研究体系、基本面投研增强体系、平台化基础设施体系[3] - 上述路径共同指向的竞争要点是：数据治理与私有语境理解能力、工程化迭代机制、可解释与可审计体系，这些比单一模型性能更重要[3] 行业背景：从结构化预测走向推理与流程化迭代 - 传统的量化金融主要依赖结构化数据和统计模型，面临“数据挖掘”风险和策略空间拥挤的问题[4] - 随着以Transformer架构为核心的AI技术成熟，行业正在经历“Quant 3.0”革命[4] - 2024—2025年的变化源于三类能力模块的工程化成熟：非结构化信息处理、智能体工作流拆解研究流程、以及提升工程效率的代码生成与数据管道自动化[4] 行业分化：三条主流落地路线 - **全自动投研路径**：以Man Group和Bridgewater为代表，致力于构建能独立提出假设、编写代码、验证策略并解释经济原理的AI系统[5] - **基本面投研增强**：以Citadel和Point72为代表，将AI视为人类基金经理的助手，通过自动化信息处理提升基本面选股的覆盖广度与深度[5] - **平台化基础设施**：以Balyasny和Millennium为代表，侧重于构建中心化的AI基础设施，赋能旗下众多独立的交易团队[5] 案例拆解：智能体驱动研究体系 - **Man Group**：通过“AlphaGPT”项目构建多智能体系统模拟人类研究团队分工，在盲测中其生成的Alpha因子代码质量和逻辑完备性平均分达8.16分，高于人类的6.81分，胜率达86.60%[7]；引入反馈机制后，策略有效性显著提升，信息系数从初始的0.58%提升至2.23%[7]；极度强调可解释性，要求每个信号附带清晰的经济学原理解释[8] - **Bridgewater Associates**：推出AIA Forecaster，这是一个模拟投资委员会辩论过程的多智能体系统，具备动态搜索实时信息的能力[9]；系统末端引入统计校准层，将AI的语言输出转化为具有统计意义的置信度概率[9]；建立严格的时间戳管控机制以避免“先知偏差”，并要求AI输出逻辑链条而非单一预测[10] 案例拆解：基本面投研增强体系 - **Citadel**：内部推进统一的AI助手体系，将大模型能力与内部研究材料打通，主要服务两个高频场景：为基金经理生成持仓与关注清单的定向摘要与跟踪要点；解析10-K、10-Q等文件并标注关键信息点[11]；后台工程中，Citadel Securities的工程师已100%采用AI代码辅助工具Cursor，极大缩短了策略开发周期[12] - **Point72**：自研“Canvas”平台，核心是利用AI技术将零散的另类数据拼凑成完整的产业链全景图，包括多模态数据融合、知识图谱构建以及为基金经理合成信息报告[16]；同时通过Academy等项目培养复合型分析师以提高平台能力的吸收与转化效率[16] 案例拆解：平台化基础设施体系 - **Balyasny Asset Management (BAM)**：采取中心化的AI战略，建立公司级的“应用AI”团队，自建专用嵌入模型以提升内部文档检索的准确度与召回质量，重点解决金融行业语境依赖强导致的检索偏差[17]；应用AI团队深入交易台梳理流程痛点，承担技术与投研之间的接口角色[17] - **Millennium Management**：采用去中心化和灵活的架构，提供强大的底层基建让各团队自主构建应用，其云基础设施倾向多云配置以满足差异化需求，同时高度重视数据隔离、权限控制与审计[18]；在应用层面提供标准化工具接口与通信协议以提升跨团队复用效率[19] 案例拆解：其他代表性机构 - **Two Sigma**：利用先进的机器学习技术捕捉市场中微弱且非线性的信号，研究重点包括单核神经元深度学习、深度多任务学习以及Transformer在金融时间序列中的应用[13][14]；其Venn平台是一个面向机构投资者的投资组合分析平台，核心是一个包含18个宏观和风格因子的风险模型，实现了Alpha能力的SaaS化[14]；通过Venn平台收集的投资者行为数据可能为其自营交易提供独特市场洞察[15] 总结：三条路径对比与趋同 - **智能体驱动研究体系**：代表机构为Man Group、Bridgewater，目标是把假设生成、实现、回测、归因解释做成可规模化的流程化研发管线，核心能力包括非结构化信息摄取、多智能体分工、代码生成与回测工程化等，主要收益是策略研发周期缩短、研究产能提升[20] - **基本面投研增强体系**：代表机构为Citadel、Point72，目标是把AI作为研究助理与信息引擎，提升覆盖广度、深度与跟踪频率，核心能力包括持仓定向摘要、另类数据融合、知识图谱构建等，主要收益是覆盖面扩大、阅读与整理成本下降[20] - **平台化基础设施体系**：代表机构为Balyasny、Millennium，目标是构建统一数据、权限、检索、安全与审计框架，对多团队交易组织输出通用AI能力底座，核心能力包括统一数据治理、检索增强、沙箱化运行等，主要收益是产生规模效应、降低重复造轮子成本、提升开发与迭代工程效率[20] - 三条路径在终局上趋同于同一套竞争要点：数据治理与私有语境理解、工程化迭代机制、可解释与可审计体系[20]

证券研究报告 2026年房地产行业风险排雷手册 ——年度策略报告姊妹篇 2025年12月11日 行业评级：看好 分析师 杨凡 邮箱 yangfan02@stock.com.cn 电话 13916395118 证书编号 S1230521120001 引言 浙商证券研究所认为2026年资本市场将围绕【结构转型信心重振，外需悲观彻底扭转】而展开。 —— 科技产业投入守得云开见月明，市场重振对结构转型的信心。 —— 非美市场开疆拓土对冲关税战，美欧日财政货币双宽稳需求。 —— 系统性慢牛逐级抬高驭势而上，消费成长周期红利风格均衡。 作为年度策略的姊妹篇，浙商研究同步推出各个行业"风险排雷手册"， 换位思考年度策略最大的软肋，主动揭示市场误判的风险，前瞻研判行业最大的困难。 特别强调，风险排雷绝不是看空，而是为了更好做多，运用逆向思维强化2026年度策略观点。 2 目录 C O N T E N T S 年度策略风险排雷 01 年度策略 | 经营风险 | 政策风险 | 其他风险 02 重点个股风险排雷 推荐个股风险排雷 | 热门个股风险排雷 03 风险提示 3 年度策略 01 风险排雷 4 年度策略 经营风险 政策风险 ...

煤炭 2026 年度策略报告： 煤炭的"韧"与"实" [Table_CoverStock] —行业策略报告 [Table_ReportTime] 2025 年 7 月 8 日 投资评级 看好 上次评级 看好 高升：煤炭钢铁行业首席分析师 执业编号：S1500524100002 邮箱：gaosheng@cindasc.com 李睿：煤炭钢铁行业分析师 执业编号：S1500525040002 邮箱：lirui@cindasc.com 刘波： 煤炭钢铁行业分析师 执业编号：S1500525070001 邮箱：liubo1@cindasc.com 信达证券股份有限公司 CINDASECURITIESCO.,LTD 北京市西城区宣武门西大街甲 127 号 金隅大厦 B 座 邮编：100031 [Table_Title] 煤炭 2026 年度策略报告：煤炭的"韧"与 "实" 证券研究报告 行业研究 [Table_ReportType] 行业投资策略 [Table_StockAndRank] 煤炭开采 [Table_ReportDate] 2025 年 12 月 11 日 本期内容提要: 我们预计 2026 年，煤炭总供给 ...

核心观点 - 报告认为A股市场将延续震荡特征 但政治局会议传递积极政策基调 叠加美联储降息确认海外流动性宽松 市场将在政策与流动性预期下重归强势 投资者需保持耐心 围绕政策与科技主线布局 等待情绪回暖 [1][36] 市场回顾 - 近5个交易日（12月5日-12月11日） 主要指数涨跌不一 上证综指微跌0.06% 创业板指上涨3.14% 沪深300上涨0.12% 中证500上涨1.00% [1][3] - 市场成交量有所放量 统计区间内两市成交9.30万亿元 日均成交额达1.86万亿元 较前五个交易日日均成交额增加2059.80亿元 [1][11] - 行业表现跌多涨少 申万一级行业中通信、综合、国防军工涨幅居前 煤炭、石油石化、钢铁行业跌幅居前 [1][21] 宏观经济数据 - **出口数据**：11月出口同比增长5.9% 较10月显著回升 主要受基数走低、外需平稳、假期扰动消退等因素影响 对美出口同比降幅扩大 对日、韩、欧盟出口则大幅回升 显示出口结构优化持续加深 [1][26] - **通胀数据**：11月CPI同比上涨0.7% 环比下降0.1% 同比回升主要受食品项推动 鲜菜价格大幅上行 PPI同比下降2.2% 环比上涨0.1% 同比降幅扩大主要受基数走高影响 [1][28] 政策与海外动态 - **国内政策**：中共中央政治局会议分析研究2026年经济工作 宏观政策延续“更加积极有为”基调 财政政策“更加积极” 货币政策“适度宽松” 会议要求发挥存量与增量政策集成效应 意味着增量政策将获进一步部署 2026年经济工作将围绕建设强大国内市场、培育壮大新动能等8个方面展开 [1][34] - **美联储议息**：美联储12月议息会议将联邦基金利率降低25个基点至3.50%-3.75% 符合预期 鲍威尔表态偏鸽 对通胀持续性担忧缓解 点阵图显示2026年和2027年利率预期中值分别为3.4%和3.1% 与9月持平 会议同时上调2026年GDP增速预期至2.3% 下调PCE通胀预期至2.4% [35] 行业配置策略 - **科技与高端制造**：在国内外云厂商AI资本开支持续扩张、算力国产替代进程有望加快以及应用端增量催化可期背景下 关注TMT板块及机器人领域的投资机会 [1][36] - **新能源与新材料**：在全球储能需求高景气及固态电池产业化持续推进下 关注电力设备、有色金属行业的投资机会 [1][36] - **政策博弈机会**：在政策端聚焦调结构、“反内卷”等领域下 关注社会服务、资源品的政策博弈性机会 [1][36] - **低估值修复**：继续关注低利率环境叠加公募基金持仓向业绩基准回归下 银行行业的配置机会 [1][36]

核心观点 - 2024—2025年，全球对冲基金对人工智能的应用正从局部工具化走向流程化重构，关键在于将非结构化信息处理、推理式研究、代码与回测工程化能力整合进一条可迭代的投研链路，以提升研究产能、缩短策略迭代周期，并形成可持续的组织能力[3] - 行业呈现三条相对清晰的落地路径：智能体驱动研究体系、基本面投研增强体系、平台化基础设施体系[3] - 上述路径共同指向的竞争要点是：数据治理与私有语境理解能力、工程化迭代机制、可解释与可审计体系，这些比单一模型性能更重要[3] 行业背景：从结构化预测走向推理与流程化迭代 - 传统的量化金融主要依赖结构化数据和统计模型，但面临“数据挖掘”风险和策略空间拥挤的问题[4] - 随着以Transformer架构为核心的AI技术成熟，行业正在经历“Quant 3.0”革命[4] - 2024—2025年的变化源于三类能力模块的工程化成熟：非结构化信息处理、智能体工作流、以及提升工程效率的代码生成与数据管道自动化[4] 行业分化：三条主流落地路线 - **全自动投研路径**：以Man Group和Bridgewater为代表，致力于构建能独立提出假设、编写代码、验证策略并解释经济原理的AI系统[5] - **基本面投研增强**：以Citadel和Point72为代表，将AI视为人类基金经理的助手，通过自动化信息处理提升基本面选股的覆盖广度与深度[5] - **平台化基础设施**：以Balyasny和Millennium为代表，侧重于构建中心化的AI基础设施，赋能旗下众多独立的交易团队[5] 案例拆解：智能体驱动研究体系 - **Man Group**：通过“AlphaGPT”项目构建多智能体系统，模拟人类量化研究团队分工，在盲测中其生成的Alpha因子在代码质量和逻辑完备性上获得8.16分（人类研究员为6.81分），胜率达86.60%[7]，引入反馈机制后，策略有效性显著提升（IC从0.58%提升至2.23%）[7]，并极度强调可解释性，要求每个信号附带清晰的经济学原理解释[8] - **Bridgewater Associates**：推出AIA Forecaster，这是一个模拟投资委员会辩论过程的多智能体系统，具备动态搜索实时信息的能力，并通过多视角辩论、监督和统计校准来避免模型“幻觉”，输出具有统计意义的置信度概率[9]，同时建立严格的时间戳管控机制，防止“先知偏差”[10] 案例拆解：基本面投研增强体系 - **Citadel**：内部推进统一的AI助手体系，将大模型能力与内部研究材料打通，主要服务两个高频场景：为基金经理生成定向摘要与跟踪要点；解析10-K、10-Q等文件以提升研究覆盖效率[11]，其工程师已100%采用AI代码辅助工具Cursor，极大缩短了策略开发周期[12] - **Point72**：自研“Canvas”平台，核心是利用AI进行多模态数据融合和知识图谱构建，将零散的另类数据拼凑成完整的产业链全景图，并利用生成式AI合成行业概览报告辅助决策[16]，同时通过Academy等项目培养复合型分析师以提高平台能力转化效率[16] 案例拆解：平台化基础设施体系 - **Balyasny Asset Management (BAM)**：采取中心化的AI战略，建立公司级的“应用AI”团队，自建专用嵌入模型以提升内部文档检索的准确度与召回质量，重点解决金融行业语境依赖强导致的检索偏差[17]，该团队深入交易台梳理流程痛点，推动AI能力从可用走向常用[17] - **Millennium Management**：采用去中心化和灵活的架构，提供强大的底层基建（如多云配置）让各团队自主构建应用，同时优先保障数据隔离、权限控制与审计[18]，平台提供标准化工具接口与通信协议，以提升跨团队复用效率和开发迭代效率[19] 案例拆解：其他代表性机构 - **Two Sigma**：利用先进的机器学习技术捕捉市场中微弱且非线性的信号，研究重点包括单核神经元深度学习、深度多任务学习以及Transformer在金融时间序列中的应用[13][14]，其Venn平台是一个面向机构投资者的投资组合分析平台，核心是一个包含18个宏观和风格因子的风险模型，将Alpha能力SaaS化[14][15] 总结：三条路径对比 - **智能体驱动研究体系**：代表机构为Man Group、Bridgewater，目标是把假设生成、实现、回测、归因解释做成可规模化的流程化研发管线，核心能力包括非结构化信息摄取、多智能体分工、代码生成与回测工程化等，主要收益是策略研发周期缩短、研究产能提升[20] - **基本面投研增强体系**：代表机构为Citadel、Point72，目标是把AI作为研究助理与信息引擎，提升覆盖广度、深度与跟踪频率，核心能力包括定向摘要生成、另类数据融合、知识图谱构建等，主要收益是覆盖面扩大、阅读与整理成本下降[20] - **平台化基础设施体系**：代表机构为Balyasny、Millennium，目标是统一数据、权限、检索、安全与审计框架，对多团队交易组织输出通用AI能力底座，核心能力包括统一数据治理、检索增强、沙箱化运行等，主要收益是规模效应更强、降低重复造轮子成本[20] - 三条路径最终趋同于同一套竞争要点：数据治理与私有语境理解、工程化迭代机制、可解释与可审计体系[20]

核心观点 - AI已成为投研效率的革命性工具，能够快速解析海量信息并辅助决策，但无法独立创造超额收益，其核心障碍在于对历史数据的依赖和前瞻预判的鸿沟 [2] - AI在投研中的合理定位是“超级副驾驶”，旨在提升人类分析师的效率，而非替代人类决策，“人机结合”是应对模型风险和监管要求的必然模式 [2][3] - AI存在三大局限：历史依赖与前瞻预判的鸿沟、模型幻觉与过拟合风险、“黑盒”决策与策略同质化风险，这些局限决定了人类必须作为架构师、校验者和最终责任主体 [4][8][10] - AI本质是模式复现者而非意义创造者，容易陷入“解决方案主义”陷阱，并无法进行范式转换级别的创造性洞察，真正的智能投研是让AI承担效率工作，解放人类进行意义创造 [12][14][17] AI赋能投研：效率革命与“副驾驶”定位 - 以Citadel为代表的机构将AI定位为投资经理的“超级副驾驶”，核心在于实现极速信息处理与自动化分析支持，正在实现从“算力平权”到“投研平权”的跨越 [3] - AI通过深度处理非结构化数据提升宏观与政策分析效率，例如，借助大模型可对央行政策文本进行自动化处理，生成连续、可比的政策力度指数，改变传统人工解读模式 [3] - 在资产配置中，AI能快速解析海量结构化与非结构化数据，挖掘市场波动规律及资产间隐含关联性，辅助构建量化模型并优化风险平价权重，其策略回测能力可模拟多场景下的组合表现 [3] AI的局限一：历史依赖与前瞻预判的鸿沟 - AI基于历史数据训练，擅长总结过去，但难以预判缺乏历史先例的未来结构性拐点，这是其生成超额收益的核心障碍 [2][4] - Citadel创始人Ken Griffin指出，生成式AI无法帮助对冲基金产生超越市场的回报，因为投资优势在于预测未知未来，而AI只能学习过去已知信息 [4] - 在处理如黄金、部分国债等价格走势“非收敛”的资产时，AI可能错误地将动量驱动行情识别为均值回归拐点，从而做出误判，必须为其引入前瞻性数据或动量因子以弥补缺陷 [7][8] AI的局限二：模型幻觉、过拟合与数据异化风险 - AI幻觉是大型语言模型因缺乏真实认知与因果推理能力，而产生的与事实不符的内容，在投研中表现为“事实捏造”、“逻辑飞跃”和“情感误导”三种高风险形式 [8][9] - 过度依赖有限历史模式的AI可能“过拟合”，完美拟合历史数据却在真实市场中表现僵化，将局部噪声误认为普适真理 [9] - 数据异化风险指模型训练所依赖的“数据地基”发生改变，如宏观统计口径调整、行业分类重构，导致AI基于旧知识解答新问题，产生系统性偏差 [9] AI的局限三：“黑盒”决策、同质化与监管合规冲突 - AI的“黑箱”决策特性与金融监管要求的透明度、可解释性直接冲突，使得完全依赖AI的决策在面临合规审查时存在巨大压力 [10] - 策略同质化可能引发共振风险，当市场参与者广泛采用相似的AI模型时，其交易信号会高度趋同，在市场压力时期可能急剧放大波动，形成程序化踩踏 [11] - 模型在极端市场下可能集体失效，例如2018年“波动率末日”事件中，同质化的量化策略基于相同历史规则被同时触发大规模卖出，反而加剧了市场下跌 [11] 总结：AI“解决方案主义”陷阱与创造性洞察的缺失 - AI本质是模式复现者而非意义创造者，其强项在于规则清晰、目标明确的问题域内进行优化，但顶级投资本质是定义问题和发现新范式 [12] - 在投研中，AI可能被误用于处理模糊地带问题，例如强行将复杂的洞察需求压缩成可处理的结构化数据筛选问题，导致“衡量了容易衡量的，却错过了真正重要的” [12][13] - AI无法进行颠覆现有认知框架的“范式转换”级别创造性洞察，它无法想象从未见过的数据模式，只能在事后当新范式成为海量数据后对其进行学习和优化 [14] 人类的角色——架构师、校验者与最终的责任主体 - 人类角色已演进为框架架构师与范式定义者，为AI投喂经过验证的研究框架和逻辑 [18] - 人类是关键输出校验者与风险兜底者，对AI的结论进行逻辑审查、防止“幻觉”，并在模型可能失效的极端市场环境下进行干预 [18] - 人类是合规与伦理的最终责任主体，确保整个决策过程可解释、可审计，并为最终结果承担法律与道德责任 [18] - 未来的投研范式将是人类洞察驾驭AI算力的深度协同，AI是卓越的“副驾驶”，但穿越市场不确定性仍需人类承担最终且不可替代的决策职责 [21]