核心观点 - 市场下周或存在一定的结构性机会 [1][2] 量化指标与市场观点 - 基于沪深300指数的流动性冲击指标周五为5.07，低于前一周的5.09，意味着当前市场流动性高于过去一年平均水平5.07倍标准差 [2] - 上证50ETF期权成交量的PUT-CALL比率周五为0.89，低于前一周的0.98，显示投资者对上证50ETF短期走势的谨慎程度下降 [2] - 上证综指和Wind全A五日平均换手率分别为1.75%和2.49%，处于2005年以来的84.56%和89.72%分位点，交易活跃度有所上升 [2] - 根据2005年以来的日历效应，上证综指、沪深300、中证500、创业板指在2月上半月上涨概率分别为90%、90%、100%、80%，涨幅均值分别为2.85%、3.61%、5.34%、4.65% [2] 技术分析信号 - 情绪模型得分为0分（满分5分），趋势模型和加权模型信号均为负向，显示市场情绪较为悲观 [2] - 高频资金流模型对主要宽基指数发出信号：沪深300指数为正向，中证500指数为正向，中证1000指数为负向，中证2000指数为负向 [2] - 根据均线强弱指数，当前市场得分为172，处于2023年以来的59.50%分位点 [2] 宏观与市场回顾 - 1月在岸和离岸人民币汇率周涨幅分别为0.07%、0.27% [2] - 中国1月官方制造业PMI为49.3，低于前值50.1和Wind一致预期50.18 [2] - 上周（20260126-20260130）市场表现：上证50指数上涨1.13%，沪深300指数上涨0.08%，中证500指数下跌2.56%，创业板指下跌0.09% [3] - 当前全市场PE（TTM）为23.3倍，处于2005年以来的82.0%分位点 [3] 因子与行业拥挤度 - 小市值因子拥挤度为0.05，有所下降；低估值因子拥挤度为-0.28；高盈利因子拥挤度为0.20；高盈利增长因子拥挤度为0.53 [3] - 通信、有色金属、综合、电子和基础化工的行业拥挤度相对较高 [4] - 电子和国防军工的行业拥挤度上升幅度相对较大 [4]

报告行业投资评级 - 报告未明确给出对整体市场的投资评级，但基于量化择时体系判断市场继续位于上行趋势 [2][5][7] 报告的核心观点 - 市场趋势指标进入边缘位置，核心观点是投资策略应从重仓位转向重结构 [1][2][5] - 量化择时体系显示市场仍处于上行趋势，但赚钱效应处于零值边缘，上行格局存在随时中止的可能，市场或将从上行趋势重回震荡格局 [2][5][8][12] - 在宽基ETF份额持续下滑和有色金属价格重挫的双重影响下，预计节前市场成交将逐步下滑，行业分化将加大 [2][5][8] 市场大势与择时分析 - 上周（截至报告发布时）市场表现：WIND全A指数全周下跌1.59% [2][7] - 市值维度表现：中证1000下跌2.55%，中证500下跌2.56%，沪深300微涨0.08%，上证50上涨1.13% [2][7] - 行业表现：石油石化上涨6.92%，通信行业涨幅靠前；国防军工下跌7.6%，表现较弱 [2][7] - 择时体系信号：WIND全A的20日均线收于6774点，120日均线收于6297点，两线距离为7.58%（原文亦提及6.77%），距离绝对值显著大于3%的阈值，市场继续处于上行趋势 [2][5][7][12] - 核心观测指标：市场趋势线位于6800点附近，赚钱效应处于零值边缘 [2][5][8][12] - 短期压力：宽基ETF资金持续流出，特别是沪深300ETF份额持续下降；周五有色金属出现史诗级暴跌，抑制短期风险偏好 [2][5][8] - 市场成交：近期市场每日成交金额近3万亿元 [2][7] 估值水平与仓位建议 - WIND全A指数估值：PE位于90分位点附近，属于较高水平；PB位于50分位点，属于中等水平 [2][9] - 仓位建议：根据仓位管理模型，当前以WIND全A为配置主体的绝对收益产品建议仓位为70% [2][5][9] 行业配置方向 - 中期困境反转预期模型：继续等待白酒与地产行业的反转信号 [2][6][8][12] - TWO BETA模型：继续推荐科技板块，关注商业航天（卫星产业ETF，代码159218）的反弹机会 [2][6][8][12] - 业绩趋势模型：重点关注算力相关产业链，具体关注科创芯片ETF（代码588200）、中韩半导体ETF（代码513310）、电网设备ETF（代码159326） [2][6][12][14] - 周期上游板块：业绩高景气的工业有色与化工等板块，需等待大幅缩量后的机会 [2][6][8]

量化模型总结 量化模型与构建方式 1. **模型名称：市场趋势择时模型**[2][5][7] * **模型构建思路**：通过计算WIND全A指数的短期均线（20日）与长期均线（120日）之间的距离（百分比），来判断市场整体是处于上行趋势还是震荡格局[2][7]。 * **模型具体构建过程**： 1. 计算WIND全A指数的20日移动平均线（MA20）和120日移动平均线（MA120）。 2. 计算两条均线之间的距离（百分比差值），公式为： $$距离 = \frac{MA20 - MA120}{MA120} \times 100\%$$ 3. 根据距离绝对值设定阈值进行判断：当距离绝对值大于3%时，市场处于上行趋势；否则可能处于震荡格局[2][7]。 2. **模型名称：仓位管理模型**[2][9] * **模型构建思路**：结合市场的估值水平（PE、PB分位数）和短期趋势判断，为绝对收益产品提供股票仓位的配置建议[2][9]。 * **模型具体构建过程**：报告未详细描述该模型的具体计算过程和权重分配规则，仅展示了其输出结果。模型会综合估值指标（如PE位于90分位点，PB位于50分位点）和趋势判断，给出具体的仓位建议比例[9]。 3. **模型名称：行业趋势配置模型**[2][6][8] * **模型构建思路**：这是一个复合模型，整合了多个子模型的信号，用于进行行业配置方向的判断[2][6]。 * **模型具体构建过程**：该模型本身未给出具体构建公式，但其包含以下三个子模型，并综合它们的输出进行推荐： * **中期困境反转预期模型**：用于识别如白酒、地产等具有困境反转潜力的行业，当前模型显示需继续等待反转信号[2][6][8]。 * **TWO BETA模型**：用于推荐科技板块等，当前模型继续推荐科技板块，并关注商业航天的反弹机会[2][6][8]。 * **业绩趋势模型**：用于提示业绩高景气的行业方向，当前模型提示重点关注算力相关产业链，以及周期上游中的工业有色与化工等板块（需等待缩量后的机会）[2][6][8]。 模型的回测效果 （注：本报告为周度观点报告，未提供上述模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等具体数值。） 量化因子总结 量化因子与构建方式 1. **因子名称：均线距离因子**[2][7] * **因子构建思路**：作为趋势的度量，反映短期价格相对于长期平均成本的偏离程度，用于判断市场趋势强度[2][7]。 * **因子具体构建过程**：与市场趋势择时模型的核心计算过程一致。计算WIND全A指数的20日线与120日线的百分比距离，公式为： $$均线距离因子值 = \frac{MA20 - MA120}{MA120} \times 100\%$$ 其中，MA20代表20日移动平均价，MA120代表120日移动平均价[2][7]。 2. **因子名称：估值分位数因子（PE/PB）**[2][9][10][12] * **因子构建思路**：通过计算当前估值（PE或PB）在历史序列中所处的位置（分位数），来判断市场估值水平的高低[9][10][12]。 * **因子具体构建过程**： 1. 获取WIND全A指数历史每日的PE（或PB）数据，时间范围至少覆盖2014年10月17日至当前[11][13]。 2. 计算当前PE（或PB）值在历史全部数据中的百分位排名（分位数）。 3. 根据分位数高低进行定性判断：例如，PE位于90分位点附近属于较高水平，PB位于50分位点属于中等水平[9]。 3. **因子名称：赚钱效应因子**[2][5][8] * **因子构建思路**：在上行趋势中，将“赚钱效应是否为正”作为核心观测指标，用于判断趋势的可持续性[2][5][8]。 * **因子具体构建过程**：报告未给出该因子的明确定义和计算公式。从上下文推断，可能涉及市场指数价格与某一关键趋势线（报告中提及6800点）的相对位置，或与广泛上涨的股票数量比例相关，当因子值在零值边缘时，预示上行趋势可能中止[2][5][8]。 因子的回测效果 （注：本报告未提供上述因子的IC值、IR、多空收益等历史测试结果的具体数值。）

量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[79] * **模型构建思路**：利用卷积神经网络（CNN）对个股历史价量数据生成的标准化图表进行深度学习，识别图表中的特征模式，并建立这些模式与未来价格走势之间的映射关系。最终将学习到的有效特征应用于行业主题板块，生成配置建议。[79] * **模型具体构建过程**： 1. **数据准备**：为每个个股在特定窗口期内的价量数据（如价格、成交量）构建标准化的图表。这个过程可能包括数据归一化、时间序列到图像的转换等步骤，以生成CNN可处理的输入格式。[79] 2. **模型训练**：使用卷积神经网络对上述生成的图表化数据进行建模。模型的学习目标是建立图表特征与未来一段时间（报告中未明确具体期限）价格变动之间的关联。[79] 3. **特征映射与应用**：将训练好的CNN模型学习到的有效特征，从个股层面映射到更广泛的行业主题板块中，从而判断哪些行业主题在未来可能具有趋势性机会。[79] * **模型评价**：该模型属于利用深度学习技术进行市场趋势观察和行业配置的前沿方法，能够从复杂的价量图表中提取非线性特征。[79] 2. **模型名称：宏观因子事件模型**[56] * **模型构建思路**：通过跟踪一系列关键的国内外宏观指标，定义并识别其走势中的特定事件（如短期高低点、连续涨跌等），并从历史数据中筛选出对未来资产收益率有显著预测作用的“有效因子事件”，以此作为判断市场趋势的依据。[56] * **模型具体构建过程**： 1. **因子选择**：从货币政策、财政政策、流动性、通胀水平等多个角度，选取对市场影响较大的宏观因子，例如PMI、CPI同比、社融存量同比、10年期国债收益率、美元指数等。[56][59] 2. **事件定义**：针对每个宏观因子，定义四类走势事件：短期高点/低点、连续上涨/下跌、创历史新高/新低、因子走势反转。[56] 3. **有效性检验**：在历史数据中回溯，统计各类宏观因子事件发生后，相关资产（如股票、债券）在未来一段时间（例如一个月）的平均收益率，筛选出导致资产收益存在显著差异的事件，标记为“有效因子事件”。[56] 4. **趋势判断**：对于连续型指标，采用历史均线（如1月、3月、12月均线）将其走势划分为“上行”或“下行”趋势，并统计在该趋势下资产未来的平均表现，形成观点（如看多、震荡）。[58][59] 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[49] * **模型构建思路**：通过监测上证50ETF期权成交量的看涨看跌比率（CPR）与其布林通道的相对位置，来判断蓝筹股市场的短期情绪和超买超卖风险。[49] * **模型具体构建过程**： 1. **计算CPR**：计算上证50ETF期权成交量的看涨看跌比率。具体公式未在报告中给出，通常为看涨期权成交量与看跌期权成交量之比。 2. **构建布林通道**：计算CPR的60日移动平均线作为中轨，并计算其标准差，以此构建布林通道的上轨和下轨。[49] 3. **生成信号**：当滚动20日的CPR值高于60日布林通道的上轨时，模型认为市场情绪过于乐观，蓝筹股短期存在超卖风险。[49] 4. **模型名称：GFTD模型**[83] * **模型构建思路**：报告中仅提及该模型名称及历史择时成功率，未详细说明其构建思路和过程。[83] 5. **模型名称：LLT模型**[83] * **模型构建思路**：报告中仅提及该模型名称及历史择时成功率，未详细说明其构建思路和过程。[83] 量化因子与构建方式 1. **因子名称：新高新低比例因子**[34] * **因子构建思路**：通过统计市场中创近期新高与新低的个股数量占比，来度量市场的整体强度与广度，是常用的市场情绪跟踪指标。[34] * **因子具体构建过程**： 1. **新高比例**：计算当日收盘价创近60日新高的个股数量，除以当日总上市个股数量（或样本空间内个股数量），得到百分比。公式为： $$新高比例 = \frac{创近60日新高个股数}{总个股数} \times 100\%$$ 2. **新低比例**：计算当日收盘价创近60日新低的个股数量，除以当日总上市个股数量（或样本空间内个股数量），得到百分比。公式为： $$新低比例 = \frac{创近60日新低个股数}{总个股数} \times 100\%$$ [34] 2. **因子名称：个股均线结构因子（均线强弱指标）**[38] * **因子构建思路**：通过计算市场中呈现特定均线多头排列与空头排列的个股数量差异占比，来反映市场整体的技术趋势强弱。[38] * **因子具体构建过程**： 1. **个股判断**：对于每只个股，判断其短期、中期、长期均线（如5日、20日、60日均线）是否呈多头排列（短期>中期>长期）或空头排列（短期<中期<长期）。[38] 2. **市场汇总**：统计全市场（或样本空间内）呈多头排列的个股数量（$N_{多头}$）和呈空头排列的个股数量（$N_{空头}$）。[38] 3. **计算指标**：计算多头排列个股数量与空头排列个股数量之差，再除以总个股数（或两者之和），得到百分比。报告中展示的指标可能为： $$均线强弱指标 = \frac{N_{多头} - N_{空头}}{总个股数} \times 100\%$$ 或类似形式。[38] 3. **因子名称：长期均线以上比例因子**[41] * **因子构建思路**：统计股价位于长期移动平均线（如200日均线）之上的个股比例，用以衡量市场长期趋势的强弱和广度。[41] * **因子具体构建过程**：计算当日收盘价位于其200日移动平均线之上的个股数量，除以总个股数（或样本空间内个股数量），得到百分比。[41] 4. **因子名称：风险溢价因子**[67] * **因子构建思路**：用股票市场的隐含收益率（市盈率倒数）减去无风险收益率（十年期国债收益率），衡量股票资产相对于债券资产的超额收益吸引力。[67][82] * **因子具体构建过程**：以中证全指为例，计算公式为： $$风险溢价 = \frac{1}{PE_{TTM}} - 十年期国债收益率$$ 其中，$PE_{TTM}$ 为中证全指的滚动市盈率。[67][82] 5. **因子名称：指数超买超卖因子**[70] * **因子构建思路**：通过某种量化方法计算主要指数和行业指数的超跌或超买程度，通常是一个百分比指标，用于识别市场极端状态。[70][71][74] * **因子具体构建过程**：报告中未给出该因子的具体计算公式，仅展示了统计结果。该因子可能基于价格偏离均线的幅度、RSI等震荡指标，或是创特定周期新低个股占比等方法构建。[70] 6. **因子名称：融资余额因子**[77] * **因子构建思路**：跟踪市场融资余额的绝对规模及其占流通市值的比例，作为衡量市场杠杆水平和投资者风险偏好的指标。[77] * **因子具体构建过程**： 1. **融资余额**：直接获取市场的总融资买入未偿还金额。[77] 2. **融资余额占比**：计算融资余额占A股流通市值的百分比。公式为： $$融资余额占比 = \frac{融资余额}{流通市值} \times 100\%$$ [77][78] 7. **因子名称：市场真实换手率因子**[52] * **因子构建思路**：考虑自由流通股本后计算的市场换手率，以更真实地反映市场的交易活跃度和资金流动情况。[52] * **因子具体构建过程**：计算市场总成交金额与自由流通市值的比率。以中证全指为例，公式可能为： $$真实换手率 = \frac{总成交金额}{自由流通市值} \times 100\%$$ [52] 8. **因子名称：基金仓位因子**[43] * **因子构建思路**：通过回归等方法估算普通股票型、偏股混合型等权益类公募基金的整体仓位水平，反映机构投资者的仓位变动。[43] * **因子具体构建过程**：选取普通股票、偏股混合、平衡混合、灵活配置等类型的基金（剔除联接基金），将其净值表现与中证800指数进行回归，估算其权益仓位，再按基金规模进行加权，得到整体权益基金仓位估计值。[43] 模型的回测效果 1. **GFTD模型**，历史择时成功率约80%[83] 2. **LLT模型**，历史择时成功率约80%[83] 因子的回测效果 *(注：本报告未提供各因子的具体回测指标（如IC、IR、多空收益等）数值，仅展示了部分因子在最新一期的状态或历史走势图。因此，本部分无法列出具体的指标取值。)*

量化模型与构建方式 1. **模型名称：情绪择时模型**[14] * **模型构建思路**：通过构建与涨跌停板相关的因子来刻画市场的情绪强弱，并综合多个情绪因子信号生成择时信号。[14] * **模型具体构建过程**：模型包含五个细分情绪因子：净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益。每个因子独立计算并生成信号（例如，0分或1分），最终将所有因子信号汇总，得到一个总分（满分5分）。[14][17] * **模型评价**：该模型用于判断市场情绪的强弱和方向。[14] 2. **模型名称：高频资金流择时模型**[14] * **模型构建思路**：通过分析高频资金流的走势，对主要宽基指数生成买入或卖出信号。[14] * **模型具体构建过程**：模型针对不同宽基指数（如沪深300、中证500等）分别构建。根据高频资金流数据，模型会生成四种不同风险偏好的信号：激进多头、激进多空、稳健多头、稳健多空。信号“1”代表正向（做多），“0”代表负向（不做多或做空）。[14][17][20] 3. **模型名称：因子拥挤度模型**[18] * **模型构建思路**：使用多个指标度量因子的拥挤程度，以预警因子可能因资金过度追逐而失效的风险。[18] * **模型具体构建过程**：对于每个待评估的因子（如小市值、低估值等），计算四个分项拥挤度指标： 1. **估值价差**：衡量因子多空组合的估值差异。 2. **配对相关性**：衡量因子内股票收益的相关性。 3. **长期收益反转**：可能指因子动量或反转效应。 4. **因子波动率**：衡量因子收益的波动情况。 将这四个分项指标得分标准化后，综合计算得到一个复合拥挤度分数。[18][19] 4. **模型名称：行业拥挤度模型**[23] * **模型构建思路**：构建指标度量不同行业的拥挤程度，以识别交易过热或关注度过高的行业。[23] * **模型具体构建过程**：报告提及该模型参考了专题报告《行业轮动系列研究 15——行业板块拥挤度》，但未在本周报中详述具体构建公式。模型输出结果为各行业的拥挤度数值。[23][25] 模型的回测效果 1. **情绪择时模型**，当前模型得分为0分（满分5分），趋势模型信号为负向，加权模型信号为负向。[14] 2. **高频资金流择时模型**，截至2026年1月30日，对主要宽基指数的信号为：沪深300指数（正向）、中证500指数（正向）、中证1000指数（负向）、中证2000指数（负向）。[14][17][20] 3. **因子拥挤度模型**，截至2026年1月30日，复合拥挤度分数为：小市值因子0.05，低估值因子-0.28，高盈利因子0.20，高盈利增长因子0.53。[19] 4. **行业拥挤度模型**，截至2026年1月30日，行业拥挤度较高的有：通信(2.46)、有色金属(2.28)、综合(1.82)、电子(1.71)、基础化工(1.59)；拥挤度上升幅度较大的有：电子(+1.11)、国防军工(+1.08)。[23][25][26] 量化因子与构建方式 1. **因子名称：流动性冲击指标**[2][8] * **因子构建思路**：基于沪深300指数构建，用于衡量当前市场流动性相对于历史水平的偏离程度。[2][8] * **因子具体构建过程**：报告未给出具体计算公式，但指出该指标数值代表“当前市场的流动性高于过去一年平均水平X倍标准差”。例如，数值5.07意味着流动性高于过去一年均值5.07个标准差。[8] 2. **因子名称：PUT-CALL比率**[2][8] * **因子构建思路**：使用上证50ETF期权的成交量数据计算，反映投资者对标的指数短期走势的乐观或谨慎情绪。[2][8] * **因子具体构建过程**：计算公式为PUT合约成交量除以CALL合约成交量。比率下降通常表示谨慎情绪下降或乐观情绪上升。[8] 3. **因子名称：五日平均换手率**[2][8] * **因子构建思路**：通过计算市场指数的近期平均换手率，来度量市场的交易活跃度。[2][8] * **因子具体构建过程**：计算上证综指或Wind全A指数最近五个交易日的换手率平均值。[8] 4. **因子名称：均线强弱指数**[14] * **因子构建思路**：通过Wind二级行业指数的均线情况来综合判断市场的整体技术强弱。[14] * **因子具体构建过程**：报告未给出具体计算公式，但指出该指数得分为172，处于2023年以来的59.50%分位点。[14] 5. **因子名称：估值价差（因子拥挤度分项）**[18][19] * **因子构建思路**：作为因子拥挤度的度量指标之一，用于衡量因子多空组合的估值差异。[18] * **因子具体构建过程**：报告未给出具体计算公式，但在因子拥挤度模型中以分项得分形式出现。[19] 6. **因子名称：配对相关性（因子拥挤度分项）**[18][19] * **因子构建思路**：作为因子拥挤度的度量指标之一，用于衡量因子内股票收益的相关性。[18] * **因子具体构建过程**：报告未给出具体计算公式，但在因子拥挤度模型中以分项得分形式出现。[19] 7. **因子名称：长期收益反转（因子拥挤度分项）**[18][19] * **因子构建思路**：作为因子拥挤度的度量指标之一，可能用于度量因子的动量或反转效应。[18] * **因子具体构建过程**：报告未给出具体计算公式，但在因子拥挤度模型中以分项得分形式出现。[19] 8. **因子名称：因子波动率（因子拥挤度分项）**[18][19] * **因子构建思路**：作为因子拥挤度的度量指标之一，用于衡量因子收益的波动情况。[18] * **因子具体构建过程**：报告未给出具体计算公式，但在因子拥挤度模型中以分项得分形式出现。[19] 因子的回测效果 1. **流动性冲击指标**，2026年1月30日数值为5.07。[8] 2. **PUT-CALL比率**，2026年1月30日数值为0.89。[8] 3. **五日平均换手率**，2026年1月30日，上证综指为1.75%（处于2005年以来84.56%分位点），Wind全A为2.49%（处于2005年以来89.72%分位点）。[8] 4. **均线强弱指数**，当前市场得分为172，处于2023年以来的59.50%分位点。[14] 5. **估值价差（因子拥挤度分项）**，截至2026年1月30日，小市值因子得分0.55，低估值因子得分-1.14，高盈利因子得分-0.48，高增长因子得分1.35。[19] 6. **配对相关性（因子拥挤度分项）**，截至2026年1月30日，小市值因子得分-0.46，低估值因子得分-0.57，高盈利因子得分-0.32，高增长因子得分-0.23。[19] 7. **长期收益反转（因子拥挤度分项）**，截至2026年1月30日，小市值因子得分0.54，低估值因子得分-1.63，高盈利因子得分1.61，高增长因子得分1.21。[19] 8. **因子波动率（因子拥挤度分项）**，截至2026年1月30日，小市值因子得分-0.45，低估值因子得分2.24，高盈利因子得分-0.02，高增长因子得分-0.24。[19]

核心观点 - 市场情绪整体平稳，价量一致性指标维持高位震荡，显示市场情绪处于相对活跃区间，但短期上行动能有所减弱 [2][3][7][9] - 资金活跃度较高，风险偏好出现边际改善迹象，高弹性板块关注度提升，但市场成交活跃度较上周有所降温 [3][13][19] - 行业趋势与风格方面，有色金属行业趋势得分领先，模型提示成长风格与小盘风格占优，但短期信号强度存在削弱可能 [3][45][54] 情绪模型观点：市场情绪平稳，价量一致性高位震荡 - 截至2026年1月23日，市场情绪指标数值为2.35，较上周五的2.25小幅上升，情绪指标周内小幅震荡，模型观点偏中性 [2][9] - 价量一致性指标周内维持高位震荡，市场价量匹配程度仍处于较高水平，资金关注度与标的涨幅之间保持较强相关性 [3][13][16] - 科创50相对万得全A成交占比周内回升，表明市场风险偏好出现边际改善迹象，高弹性板块交易关注度有所提升 [3][13][22] - 行业间交易波动率小幅回升，资金在不同行业间切换频率有所提高，跨行业轮动活跃度边际改善 [3][13][27] - 行业涨跌趋势性指标周内出现回落但仍运行于布林带上方，反映市场对行业短期价值判断一致性仍处于较高水平，板块β效应依然占据主导 [3][13][30] - 融资余额占比周内小幅震荡上行并持续运行于布林带上界之上，显示杠杆资金情绪维持在偏高水平 [3][13][34] - RSI指标周内出现回落，短期上行动能有所减弱，卖盘力量边际增强，市场参与意愿阶段性下降 [3][13][37] - 主力资金净流入指标维持高位震荡，主力买入力度较强，机构资金配置意愿提升 [3][13][40] 市场成交情况 - 本周全A成交额较上周环比下降19.22%，平均日成交额为27989.42亿元，市场成交活跃度有所降温 [3][19] - 1月23日成交额为周内最高31181.08亿元人民币，日成交量1777.17亿股 [3][19] 其他择时模型观点：行业趋势与风格 - 根据均线排列模型，截至2026年1月23日，有色金属、通信、国防军工、综合、电子行业趋势得分排名前列 [3][45] - 公用事业、房地产、美容护理、建筑装饰、交通运输等行业短期得分上升幅度靠前 [3][45] - 从行业短期得分数值上看，有色金属、轻工制造、机械设备、建筑材料、电子是短期得分最高的行业，其中有色金属当前短期得分为100.00，为短期得分最高行业 [3][45] - 截至2026年1月23日，平均拥挤度最高的行业分别为公用事业、计算机、传媒、银行、石油石化，拥挤度最低的行业分别为环保、纺织服饰、综合、轻工制造、农林牧渔 [48] - 本周拥挤度与周内涨跌幅相关系数为0.00，拥挤度与周内涨跌幅不存在明显相关性 [3][50] - 近期石油石化、公用事业、传媒等高拥挤度板块领涨明显，拥挤资金快速流入导致涨幅显著放大 [3][50] - 银行、计算机等拥挤度同样较高但涨幅较低，食品饮料等低拥挤度板块涨幅相对落后 [3][50] - 当前模型维持提示小盘风格占优信号，且5日RSI相对20日RSI有所下降，未来信号存在削弱可能 [3][54] - 模型切换提示成长风格占优信号，信号提示强度较强，但5日RSI相对20日RSI出现快速下滑趋势，短期信号可能出现减弱 [3][54]

量化模型与构建方式 1. **模型名称：市场整体环境择时体系（均线距离模型）**[2][7] * **模型构建思路**：通过比较Wind全A指数的短期均线与长期均线的相对位置和距离，来判断市场整体是处于上行趋势还是下行趋势[2][7]。 * **模型具体构建过程**： 1. 计算Wind全A指数的20日移动平均线（短期均线）和120日移动平均线（长期均线）[2][7]。 2. 计算两条均线之间的距离（差值），通常以百分比表示。公式为： $$均线距离 = \frac{短期均线价格 - 长期均线价格}{长期均线价格} \times 100\%$$ 其中，短期均线价格为20日均线值，长期均线价格为120日均线值[2][7]。 3. 设定阈值进行判断：当均线距离的绝对值大于3%时，认为市场处于明确的趋势中（上行或下行）；否则可能处于震荡市[2][7]。 2. **模型名称：仓位管理模型**[8] * **模型构建思路**：综合市场估值水平和短期趋势判断，为绝对收益产品提供股票仓位的配置建议[8]。 * **模型具体构建过程**： 1. 评估市场估值水平：计算Wind全A指数的PE（市盈率）和PB（市净率）在其历史数据中的分位数[8]。 2. 结合短期趋势判断：参考择时体系等对市场短期方向的判断[8]。 3. 综合以上两点，通过模型计算得出建议的股票仓位比例。报告未提供具体的综合计算公式。 3. **模型名称：行业趋势配置模型**[2][6][7] * **模型构建思路**：这是一个复合模型，通过整合多个子模型的信号，为行业配置提供方向性建议[2][6][7]。 * **模型具体构建过程**：该模型本身不提供具体构建公式，而是作为以下三个子模型信号的汇总与整合框架： * **子模型1：中期困境反转预期模型**[2][6][7] * **构建思路**：寻找具有中期困境反转预期的行业或板块。 * **具体构建过程**：报告未提供具体构建细节。 * **子模型2：TWO BETA模型**[2][6][7] * **构建思路**：推荐科技板块，并关注与特定主题（如商业航天、太空光伏、稳定代币）相关的方向。 * **具体构建过程**：报告未提供具体构建细节。 * **子模型3：业绩趋势模型**[2][6][7] * **构建思路**：提示具有业绩趋势向好信号的板块机会。 * **具体构建过程**：报告未提供具体构建细节。 量化因子与构建方式 1. **因子名称：均线距离因子**[2][7] * **因子构建思路**：作为择时体系的核心指标，衡量市场短期动量相对于长期趋势的强度[2][7]。 * **因子具体构建过程**：与上述“市场整体环境择时体系”中的均线距离计算过程完全相同。即计算Wind全A指数20日均线与120日均线的百分比差值[2][7]。 * **因子评价**：该因子是判断市场是否处于上行趋势的关键定量指标[2][7]。 2. **因子名称：赚钱效应因子**[2][5][7] * **因子构建思路**：在市场被判断为上行趋势后，用于观测趋势能否延续的核心指标，反映市场整体的盈利状况[2][5][7]。 * **因子具体构建过程**： 1. 设定一个“市场趋势线”参考点位（报告中为6712点）[2][5][7]。 2. 计算赚钱效应，公式为： $$赚钱效应 = \frac{当前指数点位 - 市场趋势线点位}{市场趋势线点位} \times 100\%$$ 其中，当前指数点位为Wind全A指数的最新值[2][5][7]。 * **因子评价**：该因子是确认上行趋势健康度和持续性的重要观测指标，当其值为正时，意味着趋势有望延续[2][5][7]。 3. **因子名称：估值分位数因子（PE/PB）**[8][10][12] * **因子构建思路**：通过计算指数估值指标在其历史序列中的分位数，来判断当前市场的估值水平高低[8][10][12]。 * **因子具体构建过程**： 1. 选取估值指标：如Wind全A指数的市盈率（PE）和市净率（PB）[8]。 2. 获取该指标的历史数据（报告中数据区间为2014年10月17日至2026年1月23日）[10][12]。 3. 计算当前估值在历史数据中所处的百分位点（分位数）。分位数越高，表示当前估值相对自身历史水平越高[10][12]。 模型的回测效果 （注：本篇报告为周度市场观点，未提供历史回测的详细绩效指标，如年化收益率、夏普比率、最大回撤等。报告中仅展示了模型在当前时点的信号输出和仓位建议。） 因子的回测效果 （注：本篇报告未提供因子IC值、IR、多空收益等历史测试结果。报告中仅展示了因子在当前时点的具体数值和状态。） 1. **均线距离因子**，当前数值：6.78%[2][7] 2. **赚钱效应因子**，当前数值：2.7%[2][5][7] 3. **估值分位数因子（PE）**，当前数值：约95分位点[8] 4. **估值分位数因子（PB）**，当前数值：约55分位点[8]

量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[2][78] * **模型构建思路**：使用卷积神经网络（CNN）对个股历史价量数据生成的标准化图表进行深度学习，以识别图表中的特征模式，并预测未来价格走势。最终将学习到的特征映射到行业主题板块，生成行业配置建议。[2][78] * **模型具体构建过程**： 1. **数据准备**：为每个个股在特定窗口期内的价量数据构建标准化的图表。价量数据通常包括价格、成交量等时间序列。[78] 2. **图表化**：将标准化后的价量数据转换为图像格式，作为CNN的输入。图表示例可参考报告中的“标准化数据价量图表”。[79] 3. **模型训练**：使用卷积神经网络对大量的历史价量图表进行训练，学习图表特征与未来一段时间（如下一期）价格变动之间的映射关系。[2][78] 4. **特征映射**：将训练好的CNN模型学习到的有效特征，应用于行业或主题板块层面的分析，识别出当前具有相似积极特征的板块。[2][78] 5. **生成信号**：根据模型对各个板块的分析，输出看好的行业主题配置列表。[80] 2. **模型名称：宏观因子事件模型**[55][57] * **模型构建思路**：跟踪一系列关键的国内外宏观指标，通过定义和识别这些指标在特定时间窗口内的走势事件（如短期高点、连续下跌等），并基于历史回测筛选出对资产未来收益率有显著影响的“有效因子事件”，从而对权益市场未来走势进行判断。[55] * **模型具体构建过程**： 1. **因子选择**：跟踪25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平及其他经济指标等多个维度。[55] 2. **事件定义**：定义四类宏观因子走势事件：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转。[55] 3. **有效性检验**：从历史数据中回测，寻找那些对资产（如股票指数）未来收益率影响较为显著的因子事件，即“有效因子事件”。[55] 4. **趋势判断**：对于部分因子，采用历史均线（如1月、3月、12月均线）将其走势划分为趋势上行或趋势下行。[57] 5. **信号生成**：统计历史上在宏观指标处于不同趋势下，对应资产的未来平均收益，筛选出存在显著差异的情况，形成当前宏观因子趋势对权益市场的观点（如看多、震荡）。[57][58] 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[48] * **模型构建思路**：通过监测上证50ETF期权成交量的看涨看跌比率（CPR），并将其与布林通道结合，判断蓝筹股是否存在短期超买或超卖风险。[48] * **模型具体构建过程**： 1. **计算CPR**：计算上证50ETF期权成交量的看涨看跌比率。[48] 2. **计算滚动指标**：计算滚动20个交易日的CPR。[50] 3. **构建通道**：计算该滚动20日CPR的60日布林通道上轨。[48] 4. **生成信号**：当滚动20日CPR高于其60日布林通道上轨时，模型认为蓝筹股短期存在超卖风险。[48] 4. **模型名称：GFTD模型**[82] * **模型评价**：报告中提及该模型历史择时成功率约为80%，但市场波动不确定性下模型信号存在失效可能。[82] 5. **模型名称：LLT模型**[82] * **模型评价**：报告中提及该模型历史择时成功率约为80%，但市场波动不确定性下模型信号存在失效可能。[82] 量化因子与构建方式 1. **因子名称：新高新低比例因子**[33] * **因子构建思路**：通过统计市场中创近期新高与新低的个股数量占比，来度量市场的极端情绪和趋势强度。[33] * **因子具体构建过程**： 1. 每日计算全市场个股中，收盘价创近60日新高的个股数量。 2. 每日计算全市场个股中，收盘价创近60日新低的个股数量。 3. 分别计算新高个股数占总股票数的比例（60日新高比例），以及新低个股数占总股票数的比例（60日新低比例）。[33][34] 2. **因子名称：个股均线结构因子**[37] * **因子构建思路**：通过计算呈现特定均线多头排列形态的个股占比，来反映市场整体的技术趋势强弱。[37] * **因子具体构建过程**： 1. 对每只个股，判断其短期、中期、长期均线（如5日、20日、60日均线）是否呈多头排列（短期>中期>长期）。 2. 判断其是否呈空头排列（短期<中期<长期）。 3. 计算当日呈多头排列的个股数量与呈空头排列的个股数量之差，再除以总股票数，得到“均线强弱指标”或“多头排列减空头排列个股占比”。[37][38] 3. **因子名称：长期均线以上比例因子**[40] * **因子构建思路**：通过统计股价位于长期均线之上的个股比例，来衡量市场整体的牛市广度。[40] * **因子具体构建过程**： 1. 对每只个股，判断其当日收盘价是否位于200日长期移动平均线之上。 2. 计算股价位于200日长期均线之上的个股数量占总股票数的比例。[40] 4. **因子名称：风险溢价因子**[66][81] * **因子构建思路**：通过计算股票市场隐含收益率（市盈率倒数）与无风险利率（十年期国债收益率）的差值，来衡量股票资产相对于债券资产的吸引力。[66][81] * **因子具体构建过程**： 1. 计算中证全指（或其它宽基指数）的静态市盈率（PE_TTM）。 2. 计算其倒数，即盈利收益率（EP）。 3. 从盈利收益率（EP）中减去十年期国债收益率，得到风险溢价。 $$风险溢价 = \frac{1}{PE\_{TTM}} - 十年期国债收益率$$[81] 5. **因子名称：指数超买超卖因子**[69][73] * **因子构建思路**：通过特定方法计算各主要宽基指数和行业指数的超跌或超买程度，用于识别市场或板块的极端状态。[69][73] * **因子具体构建过程**：报告中未详细描述具体计算公式，但展示了截至报告日（NEW）和历史上另一个时点（20181228）各指数的“超跌指标”统计结果，用于对比。[70][71][74][75] 6. **因子名称：融资余额因子**[76] * **因子构建思路**：跟踪市场融资余额的绝对规模及其占流通市值的比例，作为衡量市场杠杆资金情绪和力量的指标。[76] * **因子具体构建过程**： 1. 获取每日市场融资买入的总余额。 2. 计算融资余额占A股流通市值的百分比。[77] 7. **因子名称：市场真实换手率因子**[51] * **因子构建思路**：考虑自由流通股本后计算市场换手率，以更真实地反映市场的交易活跃程度。[51] * **因子具体构建过程**：报告中未给出具体公式，但指出其计算考虑了自由流通股本，并以中证全指和创业板指为例展示了该因子的时间序列。[51][53] 模型的回测效果 （报告中未提供具体模型的量化回测指标结果，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告中未提供具体因子的IC、IR、多空收益等量化检验结果。）

市场近期表现 - 最近5个交易日，科创50指数上涨2.62%，国证2000代表的小盘股上涨3.33%，而创业板指下跌0.34%，大盘价值下跌1.64%，大盘成长下跌1.34%，上证50下跌1.54% [1] - 行业表现方面，建筑材料、石油石化表现靠前，银行、通信表现靠后 [1] - 两市日均成交额为27,727亿元 [2] 主流ETF规模变化 - 最近5个交易日，ETF资金流出3,265亿元 [2] 卷积神经网络趋势观察 - 基于卷积神经网络对图表化的价量数据与未来价格进行建模，并将学习特征映射到行业主题板块中 [2][11] - 最新配置主题包括石化、化工、机床、半导体和有色，具体关注中证石化产业指数、中证细分化工产业主题指数、中证机床指数、中证半导体材料设备主题指数和国证有色指数等细分指数 [2][3][12] 市场情绪之200日长期均线之上比例 - 该部分在提供的文档内容中无具体数据或描述，已根据要求跳过 权益资产与债券资产风险偏好跟踪 - 截至2026年1月23日，风险溢价指标为2.46%，该指标由中证全指静态市盈率的倒数减去十年期国债收益率计算得出，其两倍标准差边界为4.68% [1] - 估值方面，截至同一日期，中证全指市盈率TTM分位数为84%，上证50与沪深300分位数分别为72%和73%，创业板指接近63%，中证500与中证1000分别为70%和68%，创业板指风格估值相对历史总体处于中位数水平 [1] 融资余额 - 最近5个交易日，融资盘增加约65亿元 [2] 个股年初至今基于收益区间的占比分布统计 - 该部分在提供的文档内容中无具体数据或描述，已根据要求跳过 指数超卖 - 该部分在提供的文档内容中无具体数据或描述，已根据要求跳过

量化模型与构建方式 1. 短期择时模型 1. **模型名称**：短期择时模型[18] 2. **模型构建思路**：从宏观基本面、估值面、情绪面、流动性四个维度构建多因子综合择时模型，每个维度包含若干具体指标，通过判断各指标在历史分位数上的位置来给出乐观、谨慎或中性的信号，最终综合得出总仓位信号[18][22]。 3. **模型具体构建过程**： * **一级指标**：模型包含四个一级指标：基本面、估值面、情绪面、流动性[18][22]。 * **二级指标与信号生成**：每个一级指标下包含若干二级指标。每周计算每个二级指标的当前值，并计算其在过去5年历史数据中的分位数。根据分位数高低和指标特性，将每个二级指标转化为“乐观”（信号值1.00）、“谨慎”（信号值0.00）或“中性”（信号值0.50）的二级择时信号[18][19][22]。 * **一级信号合成**：对每个一级指标下的所有二级择时信号进行综合（具体综合方法未明确说明，可能为等权平均或投票），得到该一级指标的最终信号（乐观、谨慎或中性）[18][22]。 * **总仓位信号合成**：综合四个一级指标的信号，生成最终的总仓位信号。总仓位信号为1.00表示乐观（高仓位），0.00表示谨慎（低仓位或空仓），0.50表示中性（中等仓位）[22][28]。 * **具体指标说明**： * **基本面指标**：包括制造业PMI是否大于50、信贷脉冲环比变化分位数、M1同比增速（HP滤波去趋势）分位数[18][22]。 * **估值面指标**：包括A股整体PE分位数、A股整体PB分位数[18][22]。 * **情绪面指标**：包括A股整体Beta离散度分位数、A股整体量能情绪分位数、A股整体波动率分位数[19][22]。 * **流动性指标**：包括货币利率指标分位数、汇率预期指标分位数、沪深净融资额5日均值分位数[19][22]。 2. 成长价值风格轮动模型 1. **模型名称**：成长价值风格轮动模型[29][30] 2. **模型构建思路**：从基本面、估值面、情绪面三个维度构建多因子轮动模型，判断成长与价值风格的相对强弱，从而给出超配成长或超配价值的建议[30]。 3. **模型具体构建过程**： * **一级指标**：模型包含三个一级指标：基本面、估值面、情绪面[30][32]。 * **二级指标与信号生成**： * **基本面**：包含盈利周期斜率、利率综合周期水平、信贷综合周期变化三个指标。根据各指标水平判断其对成长或价值风格利好，并转化为具体的仓位配置建议（例如，盈利斜率周期水平为4.17，判断为“盈利周期斜率大，利好成长”，则给出成长100%、价值0%的二级仓位信号）[30][32]。 * **估值面**：包含成长价值PE差分位数、成长价值PB差分位数。根据估值差分位数的高低和均值回归方向，判断其对风格的影响（例如，PE差分位数为52.75%，判断为“估值差均值回归上行中，利好成长”，则给出成长100%、价值0%的二级仓位信号）[30][32]。 * **情绪面**：包含成长价值换手差分位数、成长价值波动差分位数。根据换手差和波动差的分位数水平判断其对风格的影响（例如，换手差分位数为70.22%，判断为“换手差偏高，利好成长”，则给出成长100%、价值0%的二级仓位信号）[30][32]。 * **一级信号与最终建议**：综合每个一级指标下的二级仓位信号，得到该一级指标的超配建议（例如，基本面整体给出“超配成长”信号）。最终结合所有一级指标信号，给出模型的综合建议（例如，当前建议“超配成长”）[30][32]。 3. 小盘大盘风格轮动模型 1. **模型名称**：小盘大盘风格轮动模型[29][34] 2. **模型构建思路**：从流动性、情绪、估值、技术等多个角度选取11个有效轮动指标，每日计算各指标看多小盘（仓位100%）或看多大盘（仓位0%）的信号，通过综合这些指标信号来构建最终的大小盘轮动信号[34][36]。 3. **模型具体构建过程**： * **指标池**：模型共使用11个轮动指标，包括：A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、Beta离散度、PB分化度、大宗交易折溢价率、中证1000 MACD(10,20,10)、中证1000交易量能[36]。 * **单指标信号**：每个指标独立产生每日信号，信号值为0%或100%。0%表示该指标看多大盘（即小盘仓位为0%），100%表示该指标看多小盘（即小盘仓位为100%）[36]。 * **综合信号生成**：每日将11个指标的小盘仓位信号值进行综合（具体综合方法未明确说明，可能为等权平均或投票），得到每日的“小盘综合信号”百分比。例如，2026-01-26日，综合信号为0%，即看多大盘（大盘仓位100%）[36]。 * **信号平滑**：为了减少噪音，对综合信号进行了“3D平滑”处理[36]。 模型的回测效果 1. 短期择时模型 1. **回测区间**：2012年底至今（全区间）及2024年以来[21][24][27] 2. **基准策略**：月度中性持仓再平衡[21] 3. **全区间表现（2012年底至今）**[24]： * 年化收益率：16.78% * 年化波动率：14.79% * 最大回撤：15.05% * 夏普比率：0.9882 * 收益回撤比：1.1155 * 月度胜率：66.46% * 基准年化收益率：5.11% * 年化超额收益率：11.67% 4. **近期表现（2024年以来）**[27]： * 年化收益率：31.59% * 年化波动率：16.52% * 最大回撤：11.04% * 夏普比率：1.6247 * 收益回撤比：2.8617 * 月度胜率：73.08% * 基准年化收益率：11.13% * 年化超额收益率：20.46%（根据年化收益率差值计算） 2. 成长价值风格轮动模型 1. **回测区间**：2012年底至今[31][33] 2. **基准策略**：月度风格均衡配置（成长和价值等权）[31][33] 3. **全区间表现**[33]： * 年化收益率：13.34% * 年化波动率：20.74% * 最大回撤：43.07% * 夏普比率：0.6119 * 收益回撤比：0.3098 * 月度胜率：58.60% * 基准年化收益率：8.35% * 年化超额收益率：4.99% 3. 小盘大盘风格轮动模型 1. **回测区间**：2014年以来[35][36] 2. **基准策略**：大小盘等权配置（沪深300和中证1000全收益指数等权）[35][36] 3. **综合信号表现**[36]： * 年化收益率：20.85%（综合信号3D平滑） * 年化超额收益率：13.11% * 最大回撤：40.70% * 平均换手间隔：20个交易日 * 胜率（按交易）：50.21% 4. **单指标表现示例（年化超额收益率）**[36]： * 融资买入余额变化：5.76% * 大宗交易折溢价率：9.35% * A股龙虎榜买入强度：5.16% * R007：4.55% * 中证1000交易量能：10.06% * PB分化度：9.69% 量化因子与构建方式 （注：报告中未详细描述独立因子的构建过程，所有指标均作为模型组成部分出现，因此本部分略过） 因子的回测效果 （注：报告中未提供独立因子的测试结果，仅在小盘大盘轮动模型中列出了部分单指标的年化超额收益等表现，已归入模型回测效果部分）