量化模型与构建方式 1. **模型名称**：风格轮动型基金优选组合 **模型构建思路**：基于成长价值与大小盘两个维度，根据基金在两个报告期的股票持仓，构建基金绝对主动轮动指标，识别风格轮动型基金或风格稳定型基金，并通过主动轮动收益因子刻画基金风格轮动的效果，进行基金优选[22] **模型具体构建过程**： - 首先，根据基金在两个报告期的股票持仓，计算基金在成长价值与大小盘两个维度上的风格暴露变化 - 构建绝对主动轮动指标，剔除被动风格变化部分，保留基金经理主动调整的部分 - 通过主动轮动收益因子，计算基金风格轮动的效果，筛选出风格轮动型基金 - 策略采用半年频调仓，每年3月末/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[22] **模型评价**：该模型能够有效识别风格轮动型基金，并通过风格轮动收益因子优选基金，但近期表现未能跑赢基准指数[22] 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，优选普通股票型基金及偏股混合型基金[31] **模型具体构建过程**： - 基金规模因子：使用基金规模、份额（合并口径）数据 - 持有人结构因子：使用员工持有份额占比数据 - 基金业绩动量因子：由4因子模型alpha、夏普比率、区间胜率、HM模型中的择时能力系数等权重合成，使用过去1年的基金净值数据计算 - 选股能力因子：根据多期Brinson模型，使用基金季频重仓股数据计算，由选股胜率、选股超额收益率等权重合成 - 隐形交易能力因子：由隐形收益能力因子、风险转移能力因子等权重合成 - 含金量因子：考察基金重仓股中包含的券商金股情况 - 策略采用季频调仓，每年1、4、7、10四个月末进行调仓，并扣除交易成本[31] **模型评价**：该模型通过多维度因子优选基金，长期表现优于基准指数，但近期表现未能跑赢基准指数[31] 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**：将基金的交易动机进行划分并构造基金交易动机因子，再结合基金利润表中的股票价差收益因子，构造二者相结合的选基策略，筛选出股票价差收益较高、拥有主动交易动机且业绩粉饰可能性较低的基金[37] **模型具体构建过程**： - 交易动机因子：由估值/流动性动机因子、业绩粉饰动机因子等权合成，其中估值/流动性动机因子根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出 - 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）计算而来 - 策略采用半年频调仓，每年3月末/8月末进行调仓，从主动权益型基金中筛选，并扣除交易成本[37] **模型评价**：该模型能够有效筛选出具有主动交易动机且股票价差收益较高的基金，长期表现优于基准指数，但近期表现未能跑赢基准指数[37] 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**：根据基金经理持股、交易的明细构建网络，并由此构建客户基金经理交易独特性的指标，筛选出交易独特性较高的基金[42] **模型具体构建过程**： - 首先，根据基金经理持股、交易数据构建基金经理网络 - 基于该网络，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，构建交易独特性因子 - 策略采用半年频调仓，每年4月初/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[42] **模型评价**：该模型能够有效识别交易独特性较高的基金，长期表现优于基准指数，但近期表现未能跑赢基准指数[42] 模型的回测效果 1. **风格轮动型基金优选组合** - 2月份收益率：3.61% - 年化收益率：9.37% - 年化波动率：19.05% - Sharpe比率：0.49 - 最大回撤率：37.30% - 年化超额收益率：3.95% - 超额最大回撤率：9.49% - 信息比率（IR）：0.74 - 2月份超额收益率：-0.69%[27] 2. **基于基金特征和基金能力的综合选基策略** - 2月份收益率：3.21% - 年化收益率：13.49% - 年化波动率：21.74% - Sharpe比率：0.62 - 最大回撤率：44.27% - 年化超额收益率：5.36% - 超额最大回撤率：7.96% - 信息比率（IR）：1.07 - 2月份超额收益率：-1.08%[35] 3. **基于交易动机因子及股票价差收益因子的选基策略** - 2月份收益率：0.35% - 年化收益率：8.86% - 年化波动率：21.65% - Sharpe比率：0.41 - 最大回撤率：48.39% - 年化超额收益率：3.00% - 超额最大回撤率：19.35% - 信息比率（IR）：0.52 - 2月份超额收益率：-5.10%[41] 4. **基金经理持股网络中交易独特性选基策略** - 2月份收益率：2.03% - 年化收益率：10.16% - 年化波动率：19.49% - Sharpe比率：0.52 - 最大回撤率：37.26% - 年化超额收益率：4.83% - 超额最大回撤率：8.23% - 信息比率（IR）：1.00 - 2月份超额收益率：-2.79%[49] 量化因子与构建方式 1. **因子名称**：交易动机因子 **因子构建思路**：将基金的交易动机划分为估值/流动性动机和业绩粉饰动机，构建交易动机因子[54] **因子具体构建过程**： - 估值/流动性动机因子：根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出 - 业绩粉饰动机因子：根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出 - 交易动机因子：由估值/流动性动机因子、业绩粉饰动机因子等权合成[54] 2. **因子名称**：股票价差收益因子 **因子构建思路**：根据基金利润表中股票价差收入（股票投资收益科目）计算而来[54] **因子具体构建过程**： - 从基金利润表中提取股票投资收益科目数据 - 计算股票价差收益因子[54] 3. **因子名称**：基金规模因子 **因子构建思路**：使用基金规模、份额（合并口径）数据[54] **因子具体构建过程**： - 从基金报告中提取基金规模、份额数据 - 计算基金规模因子[54] 4. **因子名称**：持有人结构因子 **因子构建思路**：使用员工持有份额占比数据[54] **因子具体构建过程**： - 从基金报告中提取员工持有份额占比数据 - 计算持有人结构因子[54] 5. **因子名称**：基金业绩动量因子 **因子构建思路**：由4因子模型alpha、夏普比率、区间胜率、HM模型中的择时能力系数等权重合成，使用过去1年的基金净值数据计算[54] **因子具体构建过程**： - 计算4因子模型alpha - 计算夏普比率 - 计算区间胜率 - 计算HM模型中的择时能力系数 - 基金业绩动量因子：由上述四个因子等权重合成[54] 6. **因子名称**：选股能力因子 **因子构建思路**：根据多期Brinson模型，使用基金季频重仓股数据计算，由选股胜率、选股超额收益率等权重合成[54] **因子具体构建过程**： - 计算选股胜率 - 计算选股超额收益率 - 选股能力因子：由上述两个因子等权重合成[54] 7. **因子名称**：隐形交易能力因子 **因子构建思路**：由隐形收益能力因子、风险转移能力因子等权重合成，从收益和风险两个层面度量基金交易带来的贡献[54] **因子具体构建过程**： - 计算隐形收益能力因子 - 计算风险转移能力因子 - 隐形交易能力因子：由上述两个因子等权重合成[54] 8. **因子名称**：含金量因子 **因子构建思路**：考察基金重仓股中包含的券商金股情况[54] **因子具体构建过程**： - 从基金重仓股数据中提取券商金股情况 - 计算含金量因子[54] 9. **因子名称**：主动轮动收益因子 **因子构建思路**：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[54] **因子具体构建过程**： - 计算区间风格主动变化 - 计算区间风格因子收益 - 主动轮动收益因子：由上述两个部分计算得出[54] 10. **因子名称**：绝对主动轮动指标 **因子构建思路**：将基金报告期之间的风格变化，剔除了被动变化的部分，保留基金经理主动调整的部分[54] **因子具体构建过程**： - 计算基金报告期之间的风格变化 - 剔除被动风格变化部分 - 绝对主动轮动指标：保留基金经理主动调整的部分[54] 11. **因子名称**：交易独特性因子 **因子构建思路**：根据基金经理持股、交易数据构建基金经理网络，然后基于该网络计算出每个基金经理与其相关联基金经理在交易方面的差异[54] **因子具体构建过程**： - 构建基金经理网络 - 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 - 交易独特性因子：由上述差异计算得出[54]

量化模型与构建方式 1 模型名称：大小盘风格择时策略 模型构建思路：基于龙虎榜数据刻画非机构大资金的活跃程度，通过其活跃度指标的边际变化预测大小盘风格轮动[1][3] 模型具体构建过程： - **数据预处理**：优先保留单日触发的龙虎榜记录，多日触发数据按比例拆分估算单日买卖金额[16] - **活跃营业部筛选**： 1) 月频筛选上榜次数前10%的营业部 2) 限定参与股票流通市值分位数在30%-80%区间[23] 3) 要求存在共同上榜概率>50%的协同营业部[23] 4) 取总成交金额Top50营业部作为活跃资金池[23] - **指标计算**： 日度活跃营业部总成交额/Wind全A成交额，经周均平滑和15周移动平均处理[24] 进一步采用HP滤波平滑指标（参数lambda=9-20）[29] - **交易信号**：当周指标值>上周时配置国证2000，否则配置沪深300[31] 模型的回测效果 1 大小盘风格择时策略（2012/1-2025/2）： - 年化收益18.1%（基准7.0%） - 最大回撤38.1%（基准55.8%） - 年化超额收益11.1% - IR 1.14 - 月度胜率63.7%[3][28] 2 2016年后表现： - 超额收益最大回撤14.1% - IR提升至1.27[3] 量化因子与构建方式 1 因子名称：非机构大资金活跃度指标 因子构建思路：通过活跃营业部成交额占比捕捉市场情绪风向标[1][20] 因子具体构建过程： $$ \text{活跃度指标}_t = \frac{\sum_{i=1}^{50} \text{营业部}_i\text{日成交额}_t}{\text{Wind全A成交额}_t} $$ 经标准化后取60日移动平均[4][24] 因子评价：对极端风格切换（如2014-2015年）敏感度较低[3] 因子的回测效果 1 非机构大资金活跃度指标： - 与国证2000/沪深300比值的相关系数0.68（2016-2024）[5] - 领先大小盘风格拐点1-2周[24]

量化模型与构建方式 1. **模型名称**：PB-ROE框架下的ETF轮动策略 **模型构建思路**：通过PB（市净率）和ROE（净资产收益率）两个因子，结合行业的历史分位数和预期ROE，构建行业轮动策略，重点关注高PB高ROE和低PB中ROE的行业[26][27] **模型具体构建过程**： - 首先，计算各行业的PB和ROE，并分别计算其历史分位数 - 将PB和ROE因子结合，将全行业划分为六个象限，重点关注第三象限（高PB高ROE）和第五象限（低PB中ROE）的行业 - 通过行情指标、资金强度、预期指标和财务纵比四个维度对PB-ROE框架进行补充，进一步优化策略 - 最终构建综合PB-ROE策略，每月持有3个行业ETF，并进行月度调仓[28] **模型评价**：该策略在2017年至2024年的回测期内表现出较好的超额收益，尤其是第三象限和第五象限组合的年化超额收益率分别为4.78%和3.94%，综合策略的年化超额收益率为13.22%[27][28] 模型的回测效果 1. **PB-ROE框架下的ETF轮动策略** - 最近一周累计收益率：1.14%[29] - 最近一周相对于沪深300的超额收益率：-0.24%[29] - 2023年以来累计收益率：15.87%[32] - 2023年以来相对于沪深300的超额收益率：14.00%[32] - 2022年以来累计收益率：-0.92%[34] - 2022年以来相对于沪深300的超额收益率：19.25%[34] 量化因子与构建方式 1. **因子名称**：PB因子 **因子构建思路**：通过市净率（PB）来衡量行业的估值水平，结合历史分位数进行相对估值比较[26] **因子具体构建过程**： - 计算各行业的PB值 - 计算PB的历史分位数，用于衡量当前PB值在历史中的相对位置[26] **因子评价**：PB因子在行业轮动中表现出一定的分层能力，尤其是PB分位因子的有效性更强[26] 2. **因子名称**：ROE因子 **因子构建思路**：通过净资产收益率（ROE）来衡量行业的盈利能力，结合预期ROE进行绝对预期水平的比较[26] **因子具体构建过程**： - 计算各行业的ROE值 - 使用预期ROE因子，结合财报数据和市场预期，衡量行业的未来盈利能力[26] **因子评价**：ROE因子在2018年后有效性有所下降，但预期ROE因子的有效性和胜率得到明显改进[26] 因子的回测效果 1. **PB因子** - 分层能力：有效，尤其是PB分位因子的有效性更强[26] 2. **ROE因子** - 有效性：2018年后有所下降，但预期ROE因子的有效性和胜率得到改进[26]

根据提供的金融工程研报内容，总结如下： 量化模型与构建方式 1. **模型名称**：无明确量化模型提及 报告中主要聚焦于市场回顾、基金表现和ETF资金流动分析，未涉及具体量化模型的构建或应用[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61] 2. **量化因子与构建方式** - **因子名称**：无明确量化因子构建 报告未提及独立量化因子（如价值、动量等）的构建方法或逻辑，仅包含市场指数估值分位数（如市盈率、市净率）的统计结果[22][23][24][25][26][27][28] - **估值分位数计算**： 采用历史分位数反映当前估值水平，例如中证1000市盈率分位数环比上升4.6pct至51.6%，创业板指分位数20.0%处于低位[22][23][24] - **公式**： $$ \text{分位数} = \frac{\text{当前值 - 历史最小值}}{\text{历史最大值 - 历史最小值}} \times 100\% $$ 未提供具体参数说明或衍生因子公式[22][23][24] 回测效果（市场与基金表现） 1. **市场指数表现** - 科创50周涨幅2.63%（最大），沪深300涨幅1.39%（最小）[9][10][11] - 中证转债指数上涨1.39%，南华商品指数下跌1.55%[9][13][14] 2. **基金表现** - **偏股混合型基金**：周平均涨幅3.29%，正收益占比98.59%[30][31][32] - **量化基金**：周平均涨幅2.22%，正收益占比97.42%[30][31][32] - **FOF基金**：周涨幅0.88%，正收益占比96.93%[30][31][32] 3. **ETF资金流动** - 股票型ETF净流出321.33亿元，跨境型ETF净流入84.90亿元[39][40][43][44] - 中证港股通互联网指数ETF净流入居前[41][42][44] 评价 报告为市场动态跟踪性质，未对模型或因子进行定性评价，仅提供数据统计结果[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61]

根据提供的文档内容，未发现涉及量化模型或量化因子的具体构建、测试及评价相关内容。文档主要展示以下市场数据： 1 北证50与沪深300指数涨跌幅对比图表[1][2] 2 北交所与A股各行业当日算数平均涨跌幅对比图[3] 3 北交所成交金额与换手率走势图[6] 4 北交所个股涨跌幅排名及财务数据表格[7][8] 5 北证与双创板块估值变化趋势图[10][11] 6 北交所分行业市盈率与市净率分布图[12] 注：所有图表数据均来源于iFinD及中国银河证券研究院[4][5][12]，但未包含任何量化模型或因子相关的构建方法、计算公式或回测结果等核心要素。文档主体为市场数据展示与行情分析，未涉及量化研究的具体方法论。

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：宏观择时策略** - **构建思路**：基于动态宏观事件因子进行股债轮动配置，通过经济增长和货币流动性两个维度的信号强度确定权益仓位[25] - **具体构建过程**： 1. **经济增长信号**：综合PMI、工业增加值等指标，当同比改善时信号强度提升 2. **货币流动性信号**：跟踪SHIBOR、DR007等利率变化，宽松时信号增强 3. **仓位计算**：信号强度加权平均后映射到30%-100%仓位区间[25][26] - **模型评价**：策略具备动态调整能力，2025年初至今跑赢基准Wind全A指数1.16%[25] 2. **模型名称：微盘股择时模型** - **构建思路**：结合技术面与基本面指标监控微盘股风险[28] - **具体构建过程**： 1. **波动率拥挤度指标**：计算微盘股波动率同比变化，阈值设为0.3[30] 2. **利率同比指标**：十年国债利率同比变化，阈值-20%[29] 3. **轮动信号**：微盘/茅指数相对净值突破年线且20日斜率为正时触发[34][35] 量化因子与构建方式 1. **因子名称：八大类选股因子** - **构建思路**：覆盖市值、价值、成长等维度，适用于不同股票池[39] - **具体构建过程**（部分关键因子）： - **市值因子**：$$LN\_MktCap = \ln(流通市值)$$[47] - **价值因子**： $$BP\_LR = \frac{账面净资产}{市值}$$ $$EP\_FTTM = \frac{未来12月预期净利润}{市值}$$[47] - **成长因子**： $$NetIncome\_SQ\_Chg1Y = \frac{单季度净利润}{去年同期值}-1$$[47] - **质量因子**： $$ROE\_FTTM = \frac{预期净利润}{股东权益均值}$$[47] 2. **因子名称：转债择券因子** - **构建思路**：通过正股特征映射转债估值[45] - **具体构建过程**： - **正股财务质量因子**：移植选股质量因子至转债标的[48] - **平价底价溢价率**：$$ \frac{转债价格 - 纯债价值}{转股价值} $$[47] 模型的回测效果 1. **宏观择时模型**： - 2025年收益率：-1.16%（同期Wind全A：-2.32%）[25] - 当前信号强度：经济增长0%、货币流动性60%[26] 2. **微盘股择时模型**： - 波动率拥挤度：-50.09%（未触发阈值）[30] - 利率同比：-28.69%（未触发阈值）[29] 因子的回测效果 1. **选股因子（全部A股）**： - 上周IC均值：市值因子15.14%、质量因子11.81%、反转因子-10.57%[39] - 多空收益：市值因子4.77%、技术因子-2.73%[39] 2. **转债因子**： - 正股财务质量因子上周多空收益：+3.19%[39] - 正股成长因子今年IC均值：4.97%（中证500）[39] （注：部分因子如波动率、技术因子的具体公式未在原文中完整呈现，故未列出）

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：封板率因子** - 构建思路：通过统计涨停股票的封板情况来反映市场情绪强度[15] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月的股票，计算当日同时满足盘中最高价涨停和收盘涨停的股票占比[15] 2. **因子名称：连板率因子** - 构建思路：衡量涨停股票的持续性效应[15] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 需满足前一日收盘涨停且当日继续涨停的条件[15] 3. **因子名称：大宗交易折价率因子** - 构建思路：反映机构投资者的大额交易溢价/折价倾向[24] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计近半年日均折价率（5.21%）作为基准[24] 4. **因子名称：股指期货年化贴水率因子** - 构建思路：监测不同指数期货的基差变化[26] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 涵盖上证50、沪深300、中证500和中证1000四大合约[26] 因子回测效果 1. **封板率因子** - 当日取值：77%（较前日+1%）[15] - 近一月动态范围：未披露具体区间 2. **连板率因子** - 当日取值：20%（较前日-2%）[15] - 近一月动态范围：未披露具体区间 3. **大宗交易折价率因子** - 当日取值：7.98%（近半年均值5.21%）[24] - 分位点：未披露 4. **股指期货年化贴水率因子** - 上证50：7.95%（近一年16%分位）[26] - 沪深300：9.05%（近一年15%分位）[26] - 中证500：17.56%（近一年4%分位）[26] - 中证1000：29.45%（近一年2%分位）[26] 模型评价 （注：报告中未涉及具体模型评价内容）

量化模型与构建方式 1. **模型名称**：均线强弱指数 - **模型构建思路**：通过比较Wind二级行业指数的8种均线组合与当前收盘价的相对位置，预测市场顶部/底部是否显现[17] - **模型具体构建过程**： 1. 选取Wind二级行业指数的8日、13日、21日等8种均线组合 2. 计算各均线与当前收盘价的相对位置 3. 综合比较各均线位置关系，生成市场强弱得分（范围0-100%） 4. 当前市场得分为208，处于2021年以来83.9%分位点[14][15] 2. **模型名称**：SAR指标翻转信号 - **模型构建思路**：基于抛物线转向指标（SAR）捕捉Wind全A指数的趋势反转信号[17] - **模型具体构建过程**： 1. 计算Wind全A指数的SAR值（默认参数0.02步长/0.2极值） 2. 当收盘价突破SAR曲线时生成买入/卖出信号 3. 2025年3月6日触发向上突破信号[14][17] 量化因子与构建方式 1. **因子名称**：复合因子拥挤度（小市值/低估值/高盈利/高增长） - **因子构建思路**：通过估值价差、配对相关性、收益反转、波动率四个维度预警因子失效风险[18][19] - **因子具体构建过程**： 1. **估值价差**：因子分组内高估值组合与低估值组合的估值比率标准化值 2. **配对相关性**：因子分组内股票收益率的平均横截面相关性 3. **收益反转**：因子过去12个月收益率的反转效应强度 4. **波动率**：因子收益率的滚动20日波动率 5. 综合打分公式： $$综合拥挤度 = \frac{估值价差 + 配对相关性 + 收益反转 + 波动率}{4}$$ 6. 当前取值：小市值(0.62)、低估值(-0.10)、高盈利(-0.36)、高增长(-0.91)[20] 2. **因子名称**：行业拥挤度 - **因子构建思路**：通过交易活跃度、估值偏离度等指标监测行业过热风险[21] - **因子具体构建过程**： 1. 计算各行业换手率、资金流入、估值分位数等原始指标 2. 标准化后加权合成行业拥挤度指数（范围-2至2） 3. 当前最高拥挤度行业：机械设备(1.15)、电子(1.15)、综合(0.63)[22][24] 模型的回测效果 1. **均线强弱指数**： - 当前市场得分208，处于2021年以来83.9%分位点[15] - 与Wind全A指数同步性达0.82（2023-2025年） 2. **SAR翻转信号**： - 2025年3月6日触发买入信号后3日收益率1.2%[17] 因子的回测效果 1. **小市值因子**： - 复合拥挤度0.62（历史80%分位） - 近1月收益率2.8%，年化IR 1.52[20] 2. **低估值因子**： - 复合拥挤度-0.10（历史45%分位） - 近1月收益率1.2%，年化IR 0.91[20] 3. **高盈利因子**： - 复合拥挤度-0.36（历史30%分位） - 近1月收益率0.7%，年化IR 0.63[20] 4. **机械设备行业**： - 拥挤度1.15（月环比+0.29） - 近20日超额收益3.5%[24]

证券研究报告 [Table_Title] 每日复盘 2025 年 03 月 11 日 2025 年 3 月 11 日市场低开高走，军工板块集体拉升 报告要点： 2025 年 3 月 11 日市场低开高走，军工板块集体拉升。上证指数上涨 0.41%，深证成指上涨 0.33%，创业板指上涨 0.19%。市场成交额 14816.33 亿 元，较上一交易日减少 237.57 亿元。全市场 2908 只个股上涨，2322 只个股 下跌。 风格上看，各指数涨跌幅排序为：消费>金融>稳定>周期>成长>0；小盘 价值>中盘价值>中盘成长>大盘价值>小盘成长>大盘成长；中证全指表现优 于基金重仓。 分行业看，30 个中信一级行业普遍上涨；表现相对靠前的是：国防军工 （2.39%），食品饮料（1.93%），农林牧渔（1.62%）；表现相对靠后的是：汽 车（-0.34%），电子（-0.29%），综合金融（-0.28%）。概念板块方面，多数 概念板块上涨，昨日连板_含一字、轮毂电机、噪声防治等大幅上涨；机器 人执行器、汽车一体化压铸、MLOps 等板块走低。 资金筹码方面，主力资金 3 月 11 日净流出 177.57 亿元。其中超 ...