量化模型与构建方式 1. **模型名称：SAR技术指标择时模型**[1][7][14] * **模型构建思路**：使用抛物线转向指标（SAR）来识别市场趋势的潜在反转点，生成买入或卖出信号[1][7][14]。 * **模型具体构建过程**：SAR指标的计算涉及一个递归过程，其核心思想是随着价格趋势的发展，止损点（即SAR值）会加速移动。具体公式和计算步骤在报告中未详细给出，但标准SAR计算公式通常如下： $$SAR_{t} = SAR_{t-1} + AF \times (EP - SAR_{t-1})$$ 其中，`SAR_t`为当前周期的SAR值，`SAR_{t-1}`为上一周期的SAR值，`AF`为加速因子（随着新极值点出现而递增，但有上限），`EP`为当前上涨趋势中的最高价或下跌趋势中的最低价（极值点）。当价格从下方突破SAR时，发出买入信号；当价格从上方跌破SAR时，发出卖出信号[15]。 2. **模型名称：市场均线强弱指数**[4][14] * **模型构建思路**：通过计算各行业指数相对于其均线的位置，来综合判断整个市场的技术强弱[4][14]。 * **模型具体构建过程**：报告提及该指数基于Wind二级行业指数计算。具体构建过程未详细说明，但通常思路可能是：计算每个行业指数相对于其某条移动平均线（如20日、60日均线）的偏离度或强弱状态，然后将所有行业的得分进行加总或平均，得到代表整体市场强度的指数。当前得分为238，处于2023年以来86.52%的分位点[14]。 3. **模型名称：市场情绪模型**[4][14][16] * **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[4][14]。 * **模型具体构建过程**：根据国泰海通量化团队前期专题报告，该模型包含多个细分情绪因子。报告列出了截至当前的部分因子信号：净涨停占比（信号为1）、跌停次日收益（信号为0）、涨停板占比（信号为0）、跌停板占比（信号为0）、高频打板收益（信号为1）[16]。这些因子信号通过一定规则（报告中未详述）汇总成情绪模型得分（当前为2分，满分5分）以及趋势模型信号（正向）和加权模型信号（正向）[14]。 4. **模型名称：高频资金流择时模型**[4][14][16] * **模型构建思路**：通过分析高频资金流的走势，对主要宽基指数发出买入或卖出信号[4][14]。 * **模型具体构建过程**：根据国泰海通量化团队前期专题报告构建。报告展示了该模型对沪深300、中证500、中证1000指数的信号。模型分为“激进多头”、“激进多空”、“稳健多头”、“稳健多空”四种策略，当前对所有观察的宽基指数均发出看多信号（信号值为1）[16]。 5. **因子名称：因子拥挤度复合指标**[18][19] * **因子构建思路**：用于预警因子因资金过度追逐而可能失效的风险，通过综合多个维度指标来度量因子的拥挤程度[18]。 * **因子具体构建过程**：根据国泰海通量化团队前期专题报告，使用四个指标度量因子拥挤度：估值价差、配对相关性、长期收益反转、因子波动率。报告未给出每个分项指标的具体计算公式。最终，将这四个指标得分综合成一个复合拥挤度打分[18][19]。 6. **因子名称：行业拥挤度指标**[25][27] * **因子构建思路**：度量特定行业板块因资金过度集中而可能面临的回调风险[25]。 * **因子具体构建过程**：根据国泰海通量化团队前期专题报告构建。报告未给出具体计算公式，但展示了截至2026年1月23日各行业的拥挤度数值及相对上月的变化[25][27][28]。 模型的回测效果 （注：本报告为周报，主要展示模型当期信号和部分指标状态，未提供历史回测绩效指标如年化收益率、夏普比率等。） 量化因子与构建方式 1. **因子名称：流动性冲击指标**[4][8] * **因子构建思路**：基于沪深300指数，衡量当前市场流动性相对于历史平均水平的偏离程度[4][8]。 * **因子具体构建过程**：报告指出，该指标值为5.09，意味着当前市场的流动性高于过去一年平均水平5.09倍标准差。具体计算公式未提供[8]。 2. **因子名称：PUT-CALL比率**[4][8] * **因子构建思路**：通过上证50ETF期权看跌期权与看涨期权的成交量比率，来观察投资者对短期走势的情绪谨慎程度[4][8]。 * **因子具体构建过程**：计算公式为看跌期权成交量除以看涨期权成交量。报告指出周五该比率为0.98，高于前一周的0.80[8]。 3. **因子名称：五日平均换手率**[4][8] * **因子构建思路**：通过计算上证综指和Wind全A指数的五日平均换手率，并观察其历史分位点，来判断市场交易活跃度[4][8]。 * **因子具体构建过程**：计算指数最近五个交易日的平均换手率。报告指出当前值分别为1.50%和2.21%，处于2005年以来的80.71%和86.58%分位点[8]。 4. **因子名称：日历效应因子**[7][9] * **因子构建思路**：基于历史数据，统计特定时间段（如1月下半月）各大宽基指数的历史表现规律，作为市场表现的参考[7][9]。 * **因子具体构建过程**：统计2005年以来，每年1月下半月各指数的涨跌幅，计算上涨概率、涨幅均值和中位数。例如，报告指出上证综指在1月下半月上涨概率为55%，涨幅均值为-1.52%[9]。 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，具体思路未在本文中详述[18]。 * **因子具体构建过程**：计算过程未提供。报告展示了小市值、低估值、高盈利、高增长因子的估值价差分项得分[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，具体思路未在本文中详述[18]。 * **因子具体构建过程**：计算过程未提供。报告展示了小市值、低估值、高盈利、高增长因子的配对相关性分项得分[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，具体思路未在本文中详述[18]。 * **因子具体构建过程**：计算过程未提供。报告展示了小市值、低估值、高盈利、高增长因子的长期收益反转分项得分[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，具体思路未在本文中详述[18]。 * **因子具体构建过程**：计算过程未提供。报告展示了小市值、低估值、高盈利、高增长因子的因子波动率分项得分[19]。 因子的回测效果 （注：本报告未提供因子IC、IR、多空收益等传统因子测试结果。主要展示了部分因子的当期数值或状态。） **因子拥挤度复合指标取值（截至2026.01.23）**[19][21] 1. 小市值因子拥挤度：0.28 2. 低估值因子拥挤度：-0.42 3. 高盈利因子拥挤度：0.31 4. 高盈利增长因子拥挤度：0.35 **行业拥挤度指标取值（截至2026.01.23，列举部分）**[27][28] 1. 有色金属行业拥挤度：2.08 2. 综合行业拥挤度：1.98 3. 通信行业拥挤度：1.97 4. 电子行业拥挤度：1.47 5. 国防军工行业拥挤度：1.46 6. 食品饮料行业拥挤度：-1.27 7. 美容护理行业拥挤度：-1.43

量化模型与构建方式 1. **模型名称：SAR择时模型**[14] * **模型构建思路**：使用抛物线转向指标（SAR）来识别市场趋势的潜在反转点，生成买入或卖出信号[14]。 * **模型具体构建过程**：SAR指标的计算涉及一个加速因子，随着趋势的延续，该因子会逐步增大，使得止损点（SAR值）加速靠近价格。当价格从下方突破SAR线时，发出买入信号；当价格从上方跌破SAR线时，发出卖出信号[14][15]。报告中将此模型应用于Wind全A指数。 2. **模型名称：市场均线强弱指数**[14] * **模型构建思路**：通过计算各行业指数相对于其均线的位置，综合评估整个市场的技术强弱[14]。 * **模型具体构建过程**：基于Wind二级行业指数，计算每个行业指数与其均线（如20日均线）的相对位置，然后对所有行业的得分进行加总或平均，得到市场整体的均线强弱分数。报告指出当前得分为238，处于2023年以来的86.52%分位点，表明市场技术面偏强[14][16]。 3. **模型名称：市场情绪模型**[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和赚钱效应[14]。 * **模型具体构建过程**：根据国泰海通量化团队前期专题报告，构建了多个细分情绪因子，包括：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[14][17]。每个因子会生成一个信号（例如，1表示看多，0表示中性或看空），最终通过某种方式（如加权或打分卡）汇总成一个综合情绪得分。报告显示当前情绪模型得分为2分（满分5分）[14]。 4. **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，对主要宽基指数发出买入或卖出信号[14]。 * **模型具体构建过程**：根据国泰海通量化团队前期专题报告，利用高频资金流数据构建模型。模型分为“激进多头”、“激进多空”、“稳健多头”、“稳健多空”四种策略，每种策略对特定指数（如沪深300、中证500、中证1000）生成信号（1代表看多）[14][17]。 5. **因子名称：因子拥挤度复合指标**[18] * **因子构建思路**：为了预警因子可能因资金过度追逐而失效的风险，使用多个维度指标综合度量因子的拥挤程度[18]。 * **因子具体构建过程**：参考国泰海通量化团队前期专题报告，使用四个指标来度量因子拥挤度[18]： 1. **估值价差**：衡量因子多空组合在估值指标上的差异。 2. **配对相关性**：衡量因子多空组合内股票收益的相关性。 3. **长期收益反转**：衡量因子近期收益与长期收益的背离情况。 4. **因子波动率**：衡量因子收益序列的波动情况。 将上述四个分项指标标准化后，通过一定方法（如等权或加权）合成一个综合拥挤度得分。报告展示了小市值、低估值、高盈利、高增长四个因子的拥挤度[19][21]。 6. **因子名称：行业拥挤度指标**[25] * **因子构建思路**：度量特定行业板块因资金过度集中而可能面临回调的风险[25]。 * **因子具体构建过程**：根据国泰海通量化团队前期专题报告《行业轮动系列研究 15——行业板块拥挤度》构建。报告未给出具体计算公式，但展示了截至2026年1月23日各行业的拥挤度数值及相对上月的变化[25][27][28]。 模型的回测效果 *注：本报告为周报，主要展示模型的最新信号和状态，未提供历史回测的绩效指标（如年化收益率、夏普比率、最大回撤等）。* 1. **SAR择时模型**：对Wind全A指数，于1月20日发出卖出信号，于1月23日再度发出买入信号[14]。 2. **市场均线强弱指数**：当前市场得分为238，处于2023年以来的86.52%分位点[14]。 3. **市场情绪模型**：综合得分为2分（满分5分），趋势模型信号为正向，加权模型信号为正向[14]。细分因子信号为：净涨停占比(1)，跌停次日收益(0)，涨停板占比(0)，跌停板占比(0)，高频打板收益(1)[17]。 4. **高频资金流择时模型**：对沪深300、中证500、中证1000指数，激进多头、激进多空、稳健多头、稳健多空四种策略信号均为1（看多）[17]。 因子的回测效果 *注：本报告未提供因子IC、IR、多空收益等传统因子测试绩效指标。主要展示了因子拥挤度指标的最新数值。* 1. **小市值因子拥挤度**：综合打分 0.28[19][21]。分项得分：估值价差 0.67，配对相关性 0.45，市场波动 -0.51，收益反转 0.51[19]。 2. **低估值因子拥挤度**：综合打分 -0.42[19][21]。分项得分：估值价差 -1.39，配对相关性 0.24，市场波动 1.39，收益反转 -1.90[19]。 3. **高盈利因子拥挤度**：综合打分 0.31[19][21]。分项得分：估值价差 -0.61，配对相关性 0.15，市场波动 0.15，收益反转 1.57[19]。 4. **高盈利增长因子拥挤度**：综合打分 0.35[19][21]。分项得分：估值价差 1.12，配对相关性 -0.49，市场波动 -0.21，收益反转 0.97[19]。 5. **行业拥挤度**：截至2026年1月23日，有色金属(2.08)、综合(1.98)、通信(1.97)、电子(1.47)、国防军工(1.46)等行业拥挤度相对较高[27][28]。国防军工和电子的行业拥挤度上升幅度相对较大[25][28]。

报告行业投资评级 未提及 报告核心观点 - 当前衍生品市场对冲性价比凸显，股指期货各合约贴水程度处于历史低位，IC、IM 近月合约甚至升水；股指期权隐含波动率降至 20.65%的历史低位，两类工具对冲成本均处低位，契合 A 股高位震荡风险对冲需求[3][4] - 期货对冲核心在于合约优选，通过优选年化基差率最高的合约并动态移仓，能有效优化对冲效果，回测显示该策略较近月期货对冲策略年化收益率提升约 2.5%，夏普比率升至 1.45[4] - 期货及期权结合对冲策略实现风险与收益最佳平衡，大跌后切换至看跌期权可规避期货对冲在市场上涨时浮亏侵蚀收益的弊端，回测显示该策略年化收益率达 22.68%，夏普比率提升至 2.0，最大回撤降至 11.11%[5] 各部分总结 前言 - 2026 年 1 月 A 股进入高位震荡阶段，指数估值高，回调风险加剧，但期权及期货对冲成本低，此时介入对冲交易恰逢其时，股指期货及期权可充当风险对冲工具平抑投资组合波动[12] 何谓对冲成本 - 股指期货对冲成本：一般为股指期货的贴水，即年化基差率，可在华泰期货天玑平台相关模块查看[14] - 股指期权对冲成本：一般为股指期权合约的时间价值，隐含波动率指数可反映期权时间价值大小，数据可在华泰期货天玑平台相关模块查看，且期权价格受股指期货贴水影响[15][16] - 当前市场对冲成本分析：股指期货对冲成本处历史低位，各合约贴水程度低，IC 及 IM 较近月合约出现升水；股指期权对冲成本也处于历史低位，中证 1000 隐含波动率降至 20.65%[17] 股指期货及期权对冲策略 - 现货选取：选取中证 1000 指数增强基金“SMXXXX87”作为现货标的，指数增强基金适合用衍生品对冲，可控制 Beta 下跌风险，且其超额收益能覆盖对冲成本[18][19][20] - 回测设定：回测标的为中证 1000 股指期货及期权，区间为 2022 - 07 - 22 至 2026 - 01 - 09，建仓选开盘时，股指期货手续费万分之 0.3，暂不考虑滑点，股指期权手续费一张 20 元，滑点万分 5[21] - 股指期货对冲：长期用近月股指期货合约对冲，组合收益率下滑 7.66%，但风险指标改善，夏普从 0.8 提高到 1.16[21] - 股指期货对冲（合约优选）：开仓选年化基差率最高的合约，按规则移仓，推荐提前移仓换月并参考年化基差率，回测显示该策略较近月合约对冲组合年化收益率提高约 2.5%，夏普提高到 1.45[25][26] - 股指期货及期权对冲（大跌后用期权）：期货与期权对冲关键区别在于是否保留上行收益，提供择时思路，改进策略为中证 1000 近 5 个交易日收益率小于 - 4.87%时切换到看跌期权多头，期权合约选择考虑行权价和平值合约及到期期限选股指期货合约贴水最浅的期限，回测显示该策略年化收益率从 20.88%提高到 22.68%，最大回撤从 28.89%降低到 11.11%，夏普比率从 0.8 提升到 2.0[30][31][35] - 小结：展示各策略净值曲线和风险收益指标，供参考[37] 股指期货及期权对冲案例分析 - 中证 1000 案例期间走势：选取 2024 年 10 月 10 日至 2025 年 2 月 10 日的历史场景，与当前行情匹配且具代表性[42] - 近月期货对冲案例分析：持续持有近月股指期货合约空头并按规则移仓，四个月震荡行情中衍生品端转移 3 次仓位，总计亏损 315.8 点，做空 1 手股指期货合约共计亏损 63160 元[45] - 优选期货对冲案例分析：开仓选年化基差率最高的合约并按规则移仓，四个月期间两次因贴水差移仓，衍生品端转移 4 次仓位，总计亏损 259 点，做空 1 手股指期货合约共计亏损 51800 元，比近月合约对冲少亏损 11360 元[48][49] - 优选期货及期权对冲案例分析：市场大跌时将股指期货空头切换为看跌期权多头，四个月期间 4 次因大跌移仓，衍生品端转移 7 次仓位，总计盈利 282.8 点，做空 1 手股指期货合约或做多 2 手股指看跌期权合约共计盈利 56560 元，比优选期货对冲多盈利 108360 元，其核心原因是市场下跌时期货空头提供做空收益，反弹行情中看跌期权多头亏损有限[50][52][55] 总结 - 明确股指期货和期权对冲成本定义，以中证 1000 指数增强基金为标的设计三类对冲策略并回测，近月期货对冲降低波动但牺牲收益，优选期货对冲优化收益，优选期货及期权对冲实现风险与收益最佳平衡，结合历史行情案例验证了优选期货及期权对冲策略有效性，当前市场环境下投资者可采用量化择时期货期权对冲策略实现投资组合稳健增值[57]

报告业绩回顾 - 2025年成长期优选组合累计收益84.1%，相较于885001指数获得50.9%的超额收益 [1] - 指数增强组合中，采用ICIR加权方式的收益表现优于IC均值加权方式 [1] 下周市场观点 - 市场下周有望震荡上行 [2] - 基于沪深300的流动性冲击指标周五为3.32，高于前一周的0.60，显示当前市场流动性高于过去一年平均水平3.32倍标准差 [2] - 上证50ETF期权成交量PUT-CALL比率周五为0.80，高于前一周的0.64，表明投资者对上证50ETF短期走势趋于谨慎 [2] - 上证综指和Wind全A五日平均换手率分别为1.71%和2.71%，处于2005年以来84.10%和92.01%的分位点，交易活跃度上升 [2] - 上周在岸和离岸人民币汇率周涨幅分别为0.19%和0.12% [2] - 12月新增人民币贷款9100亿元，高于Wind一致预期的6794亿元和前值的3900亿元 [2] - 12月广义货币M2同比增长8.5%，高于Wind一致预期的7.93%和前值的8% [2] - Wind全A指数于12月1日向上突破SAR翻转指标 [2] - 基于Wind二级行业指数计算的均线强弱指数当前得分为213，处于2023年以来76.93%的分位点 [2] - 市场情绪模型得分为2分，趋势模型信号为正向，加权模型信号为负向 [2] - 高频资金流模型对主要宽基指数发出看多信号，包括沪深300、中证500和中证1000指数 [2] 上周市场回顾 - 上周上证50指数下跌1.74%，沪深300指数下跌0.57%，中证500指数上涨2.18%，创业板指上涨1% [3] - 当前全市场PE为23.3倍，处于2005年以来82.0%的分位点 [3] 因子拥挤度观察 - 因子拥挤度整体保持平稳 [4] - 小市值因子拥挤度为0.20，低估值因子拥挤度为-0.75，高盈利因子拥挤度为0.35，高盈利增长因子拥挤度为0.55 [4] 行业拥挤度观察 - 通信、有色金属、综合、电子和国防军工行业的拥挤度相对较高 [5] - 国防军工和电子行业的拥挤度上升幅度相对较大 [5]

量化模型与构建方式 1. 存款搬家信号模型 * **模型名称**：存款搬家信号模型[5][12][13] * **模型构建思路**：结合居民存款和非银存款的月度变化方向，构建一个判断居民资金是否从银行存款转向非银机构（可能包括股市）的择时信号[5][13] * **模型具体构建过程**： 1. **计算存款占比**：为了消除季节性影响，使用12个月累计数据计算两个核心指标[13]。 * 新增居民存款占比 = 过去12个月累计新增居民存款 / 过去12个月累计新增总存款[13] * 新增非银存款占比 = 过去12个月累计新增非银存款 / 过去12个月累计新增总存款[13] 2. **判断变化方向**：将当月计算出的占比数值与前3个月的平均值进行比较[13]。 * 若当月值 > 前3月均值，则判定该占比“上行”[13][14] * 若当月值 < 前3月均值，则判定该占比“下行”[13][14] 3. **生成信号**：当同时满足“新增居民存款占比下降”和“新增非银存款占比上升”这两个条件时，触发“存款搬家”看多信号[5][14] * **模型评价**：该信号在历史上对A股后市有较好的预示效果，但需注意资金可能流向非权益资产（如债券）而导致信号失效，需结合A股成交热度进行辅助判断[14] 2. 短期量化择时模型 * **模型名称**：短期量化择时模型[19][20][21] * **模型构建思路**：从宏观基本面、估值面、情绪面、流动性四个维度选取多个指标，综合判断市场短期走势，并给出仓位建议[19][20] * **模型具体构建过程**： 1. **基本面指标**： * 制造业PMI：若 > 50，给出乐观信号[19][22] * 信贷脉冲环比变化分位数：处于历史高位时，给出乐观信号[19][22] * M1同比增速（HP滤波去趋势）分位数：处于历史高位时，给出乐观信号[19][22] * 综合以上指标信号，得出基本面总信号（乐观/中性/谨慎）[19] 2. **估值面指标**： * A股整体PE中位数分位数：处于历史高位（均值回归下行压力大）时，给出谨慎信号[19][22] * A股整体PB中位数分位数：处于历史高位（均值回归下行压力大）时，给出谨慎信号[19][22] * 综合以上指标信号，得出估值面总信号[19] 3. **情绪面指标**： * A股整体Beta离散度分位数：偏高时，给出谨慎信号[20][22] * A股整体量能情绪分位数：偏高时，给出乐观信号[20][22] * A股整体波动率分位数：根据分位数水平给出中性或其它信号[20][22] * 综合以上指标信号，得出情绪面总信号[20] 4. **流动性指标**： * 货币利率指标分位数：偏低（流动性宽松）时，给出乐观信号[20][22] * 汇率预期指标分位数：人民币偏强时，给出乐观信号[20][22] * 沪深净融资额5日均值分位数：极低（杠杆风险小）时，给出乐观信号[20][22] * 综合以上指标信号，得出流动性总信号[20] 5. **综合信号**：汇总四个维度的总信号，通过一定规则（报告中未明确给出具体加权或投票规则）生成最终的总仓位信号（如乐观、中性、谨慎，对应不同的仓位水平）[19][20][22] 3. 成长价值风格轮动模型 * **模型名称**：成长价值风格轮动模型[28][29] * **模型构建思路**：从基本面、估值面、情绪面三个维度选取与成长/价值风格相关的指标，构建综合轮动信号，以决定超配成长或价值风格[28][30] * **模型具体构建过程**： 1. **基本面指标**： * 盈利周期斜率：斜率大时，利好成长风格[28][30] * 利率综合周期水平：水平偏低时，利好成长风格[28][30] * 信贷综合周期变化：上行时，利好成长风格[28][30] * 综合以上信号，得出基本面维度的风格建议（如100%成长，0%价值）[30] 2. **估值面指标**： * 成长价值PE差分位数：估值差均值回归上行时，利好成长风格[28][30] * 成长价值PB差分位数：估值差反弹至偏高位置时，利好均衡风格[28][30] * 综合以上信号，得出估值面维度的风格建议[30] 3. **情绪面指标**： * 成长价值换手差分位数：换手差偏高时，利好成长风格[28][30] * 成长价值波动差分位数：波动差处于中性位置时，利好均衡风格[28][30] * 综合以上信号，得出情绪面维度的风格建议[30] 4. **综合信号**：结合三个维度的风格建议，通过一定规则（报告中未明确给出具体规则）生成最终的风格轮动信号，即建议超配成长或价值[28][30] 4. 小盘大盘风格轮动模型 * **模型名称**：小盘大盘风格轮动模型[32][33] * **模型构建思路**：从11个有效轮动指标出发，构建综合大小盘轮动信号[32] * **模型具体构建过程**： 1. **指标构成**：模型基于11个指标，每个指标独立产生看多小盘或看多大盘的信号（0%或100%仓位）[32][34]。报告中列举的指标包括： * A股龙虎榜买入强度[34] * R007[34] * 融资买入余额变化[34] * 主题投资交易情绪[34] * 等级利差[34] * 期权波动率风险溢价[34] * beta离散度[34] * pb分化度[34] * 大宗交易折溢价率[34] * 中证1000 MACD(10,20,10)[34] * 中证1000交易量能[34] 2. **信号生成**：每个指标独立判断，给出看多小盘（100%）或看多大盘（0%）的信号[34] 3. **综合信号**：将所有指标的信号进行综合（报告中提及“综合信号3D平滑”，但未详述具体聚合方法，如等权平均或投票），得出最终的小盘仓位建议百分比[34] 模型的回测效果 1. 存款搬家信号模型 * **信号触发后一个月内全A指数平均收益率**：1.72%[5][15] * **信号触发后一个月内胜率**：65% (64.9%)[5][15] * **对比（未触发信号月份）平均收益率**：0.13%[5][15] * **对比（未触发信号月份）胜率**：52% (51.8%)[5][15] 2. 短期量化择时模型 * **回测期**：2012年底至今[21] * **年化收益率**：16.65%[21][24] * **年化波动率**：14.80%[24] * **最大回撤**：15.05%[21][24] * **夏普比率**：0.9802[24] * **收益回撤比**：1.1068[24] * **月度胜率**：66.46%[24] * **基准（月度中性持仓再平衡）表现**： * **年化收益率**：5.05%[21][24] * **年化波动率**：11.57%[24] * **最大回撤**：31.41%[21][24] * **夏普比率**：0.3109[24] * **收益回撤比**：0.1607[24] * **月度胜率**：54.43%[24] * **2024年以来表现**： * **年化收益率**：30.80%[26] * **年化波动率**：16.58%[26] * **最大回撤**：11.04%[21][26] * **夏普比率**：1.5833[26] * **收益回撤比**：2.7907[26] * **月度胜率**：73.08%[26] * **基准（2024年以来）表现**： * **年化收益率**：10.75%[26] * **年化波动率**：10.92%[26] * **最大回撤**：8.89%[26] * **夏普比率**：0.8069[26] * **收益回撤比**：1.2087[26] * **月度胜率**：61.54%[26] 3. 成长价值风格轮动模型 * **回测期**：2012年底至今[29] * **年化收益率**：13.30%[29][31] * **年化波动率**：20.76%[31] * **最大回撤**：43.07%[31] * **夏普比率**：0.6098[31] * **收益回撤比**：0.3088[31] * **月度胜率**：58.60%[31] * **基准（月度风格均衡配置）表现**： * **年化收益率**：8.30%[29][31] * **年化波动率**：20.60%[31] * **最大回撤**：44.13%[31] * **夏普比率**：0.3935[31] * **收益回撤比**：0.1880[31] * **月度胜率**：56.05%[31] 4. 小盘大盘风格轮动模型 * **综合策略表现（2014年以来）**： * **年化收益率**：20.60%[34] * **年化超额收益率**：12.95%[34] * **最大回撤**：40.70%[34] * **胜率（按交易）**：50.11%[34] * **2026年以来表现**： * **超额收益率**：2.88%[33][34] * **部分子指标表现（年化超额收益）**： * 融资买入余额变化：5.96%[34] * 大宗交易折溢价率：9.52%[34] * 中证1000交易量能：9.90%[34] * pb分化度：9.53%[34]

量化模型与构建方式 1. **模型名称：均线强弱指数模型**[14] * **模型构建思路**：通过计算市场各行业指数相对于其关键移动平均线的位置，来综合判断市场整体的技术强弱状态[14]。 * **模型具体构建过程**： 1. 选取Wind二级行业指数作为计算基础[14]。 2. 对于每个行业指数，计算其收盘价与某一长期移动平均线（如250日均线）的相对位置[14]。 3. 根据每个行业指数相对于其均线的位置（例如，在均线之上或之下，以及偏离程度）进行打分[14]。 4. 将所有行业指数的得分加总，得到市场的均线强弱指数总分[14]。 5. 将当前总分与历史分位数进行比较，以判断当前市场在历史中的强弱位置[14]。 2. **模型名称：情绪择时模型**[14] * **模型构建思路**：基于涨跌停板相关数据构建因子，用以刻画市场的情绪强弱，并综合多个因子信号生成择时观点[14]。 * **模型具体构建过程**： 1. 根据专题报告，构建了多个涨跌停板相关情绪因子，包括：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[14][19]。 2. 每个因子独立生成信号（例如，看多为1，看空为0）[19]。 3. 通过加权或其他方式综合各因子信号，得到最终的情绪模型得分（满分5分）和趋势方向信号[14]。 3. **模型名称：高频资金流择时模型**[14] * **模型构建思路**：通过分析主要宽基指数的高频资金流数据（如主力资金流向）的走势，对指数发出买入或卖出信号[14]。 * **模型具体构建过程**： 1. 获取沪深300、中证500、中证1000等宽基指数的高频资金流数据[14]。 2. 根据资金流的趋势、强度等特征，设定信号生成规则[14]。 3. 模型输出多种策略信号，包括“激进多头”、“激进多空”、“稳健多头”、“稳健多空”[19]。 4. 信号为“1”代表看多，“-1”代表看空（根据上下文推断）[19]。 4. **模型名称：因子拥挤度模型**[20] * **模型构建思路**：使用多个指标综合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[20]。 * **模型具体构建过程**： 1. 选取四个分项指标来度量拥挤度：估值价差、配对相关性、长期收益反转、因子波动率[20]。 2. 分别计算目标因子（如小市值因子）在这四个指标上的得分[21]。 3. 将四个分项指标得分合成一个综合拥挤度分数[21]。合成方法在对应专题报告中详细说明[20]。 5. **模型名称：行业拥挤度模型**[27] * **模型构建思路**：构建综合指标来度量各行业的交易拥挤程度，以识别过热或过冷的行业板块[27]。 * **模型具体构建过程**：根据专题报告，构建了行业拥挤度指标，具体计算方法未在本文中详述，但展示了截至某一时点的计算结果和排名[27]。 模型的回测效果 1. **均线强弱指数模型**，当前市场得分为213，处于2023年以来的76.93%分位点[14] 2. **情绪择时模型**，情绪模型得分为2分（满分5分），趋势模型信号为正向，加权模型信号为负向[14] 3. **高频资金流择时模型**，沪深300指数信号：看多[14]；中证500指数信号：看多[14]；中证1000指数信号：看多[14] 4. **因子拥挤度模型**，小市值因子拥挤度0.20[21]；低估值因子拥挤度-0.75[21]；高盈利因子拥挤度0.35[21]；高盈利增长因子拥挤度0.55[21] 5. **行业拥挤度模型**，通信行业拥挤度1.96[30]；有色金属行业拥挤度1.95[30]；综合行业拥挤度1.82[30]；电子行业拥挤度1.40[30]；国防军工行业拥挤度1.08[30] 量化因子与构建方式 1. **因子名称：流动性冲击指标**[4] * **因子构建思路**：通过计算当前市场流动性相对于其历史平均水平的偏离程度，来度量市场的流动性冲击[4]。 * **因子具体构建过程**：以沪深300指数为标的，计算其流动性指标的Z值。具体公式为： $$流动性冲击指标 = \frac{当前流动性 - 过去一年流动性均值}{过去一年流动性标准差}$$ 报告中指出，周五该指标值为3.32，意味着当前市场流动性高于过去一年平均水平3.32倍标准差[4]。 2. **因子名称：PUT-CALL比率**[4] * **因子构建思路**：使用上证50ETF期权看跌期权与看涨期权的成交量比率，来观察市场对标的资产短期走势的谨慎或乐观情绪[4]。 * **因子具体构建过程**：计算上证50ETF期权当日看跌期权总成交量与看涨期权总成交量的比值[4]。 3. **因子名称：五日平均换手率**[4] * **因子构建思路**：通过计算市场近期平均换手率，并将其与历史分位数比较，来衡量市场的交易活跃度[4]。 * **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日均换手率[4]。 4. **因子名称：净涨停占比**[14][19] * **因子构建思路**：通过涨停与跌停公司数量的净差额占比来反映市场多头力量的强度[14]。 * **因子具体构建过程**：计算（涨停公司家数 - 跌停公司家数） / 总交易公司家数（或类似基准）[14]。 5. **因子名称：跌停次日收益**[14][19] * **因子构建思路**：通过观察跌停股票在次日的平均表现，来探测市场是否存在“错杀”或恐慌性抛售后的修复动力[14]。 * **因子具体构建过程**：计算当日跌停股票在下一个交易日的平均收益率[14]。 6. **因子名称：涨停板占比**[14][19] * **因子构建思路**：通过涨停公司数量占比来直接衡量市场的赚钱效应和做多热情[14]。 * **因子具体构建过程**：计算涨停公司家数 / 总交易公司家数[14]。 7. **因子名称：跌停板占比**[14][19] * **因子构建思路**：通过跌停公司数量占比来直接衡量市场的亏钱效应和悲观情绪[14]。 * **因子具体构建过程**：计算跌停公司家数 / 总交易公司家数[14]。 8. **因子名称：高频打板收益**[14][19] * **因子构建思路**：通过模拟在涨停价买入股票并在次日卖出的策略收益，来检验涨停板策略的短期有效性，从而反映市场情绪[14]。 * **因子具体构建过程**：计算在涨停价买入当日涨停股票，并于下一交易日以开盘价或收盘价卖出的平均收益率[14]。 9. **复合因子名称：小市值因子**[20] * **因子构建思路**：识别并投资于市值较小的公司，这些公司可能具有更高的成长潜力和弹性[20]。 * **因子具体构建过程**：通常使用总市值或流通市值作为排序标准，构建做多小市值、做空大市值的组合。其拥挤度通过估值价差、配对相关性等四个子指标综合计算[20][21]。 10. **复合因子名称：低估值因子**[20] * **因子构建思路**：识别并投资于估值水平（如市盈率PE、市净率PB）较低的股票，寻求价值回归的收益[20]。 * **因子具体构建过程**：通常使用PE或PB等估值指标作为排序标准，构建做多低估值、做空高估值的组合。其拥挤度通过估值价差、配对相关性等四个子指标综合计算[20][21]。 11. **复合因子名称：高盈利因子**[20] * **因子构建思路**：识别并投资于盈利能力（如净资产收益率ROE）较强的公司[20]。 * **因子具体构建过程**：通常使用ROE等盈利指标作为排序标准，构建做多高盈利、做空低盈利的组合。其拥挤度通过估值价差、配对相关性等四个子指标综合计算[20][21]。 12. **复合因子名称：高盈利增长因子**[20] * **因子构建思路**：识别并投资于盈利增长能力较强的公司[20]。 * **因子具体构建过程**：通常使用净利润增长率等指标作为排序标准，构建做多高增长、做空低增长的组合。其拥挤度通过估值价差、配对相关性等四个子指标综合计算[20][21]。 因子的回测效果 1. **流动性冲击指标**，基于沪深300指数，周五值为3.32[4] 2. **PUT-CALL比率**，周五值为0.80[4] 3. **五日平均换手率**，上证综指值为1.71%，处于2005年以来84.10%分位点[4]；Wind全A值为2.71%，处于2005年以来92.01%分位点[4] 4. **净涨停占比**，当前信号为1（看多）[19] 5. **跌停次日收益**，当前信号为0[19] 6. **涨停板占比**，当前信号为1（看多）[19] 7. **跌停板占比**，当前信号为0[19] 8. **高频打板收益**，当前信号为0[19] 9. **小市值因子**，估值价差得分0.43，配对相关性得分0.22，市场波动得分-0.28，收益反转得分0.41，综合拥挤度0.20[21] 10. **低估值因子**，估值价差得分-1.22，配对相关性得分-0.05，市场波动得分0.26，收益反转得分-2.01，综合拥挤度-0.75[21] 11. **高盈利因子**，估值价差得分-0.55，配对相关性得分0.31，市场波动得分-0.01，收益反转得分1.65，综合拥挤度0.35[21] 12. **高盈利增长因子**，估值价差得分1.09，配对相关性得分0.46，市场波动得分-0.29，收益反转得分0.95，综合拥挤度0.55[21]

量化模型与构建方式 1. **模型名称：市场趋势择时模型**[2][5][6] * **模型构建思路**：通过比较市场指数的短期均线与长期均线的相对位置，来判断市场整体处于上行或下行趋势[2][6]。 * **模型具体构建过程**： 1. 选择基准指数：WIND全A指数。 2. 计算均线：计算基准指数的20日移动平均线（短期均线）和120日移动平均线（长期均线）。 3. 计算均线距离：计算短期均线与长期均线的差值百分比。 $$均线距离 = \frac{20日线价格 - 120日线价格}{120日线价格} \times 100\%$$ 4. 生成信号：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。具体地，若短期均线位于长期均线之上（距离为正且大于3%），则判断为上行趋势；若短期均线位于长期均线之下（距离为负且绝对值大于3%），则判断为下行趋势[2][6]。 2. **模型名称：赚钱效应指标**[2][5][7] * **模型构建思路**：在判断市场为上行趋势后，通过计算当前价格相对于市场趋势线的位置（即赚钱效应），来观测趋势的强弱和持续性[2][7]。 * **模型具体构建过程**： 1. 确定市场趋势线：报告未明确给出趋势线的具体计算方法，但指出其是判断市场环境的核心观测指标之一[2][7]。 2. 计算赚钱效应：计算当前指数价格相对于趋势线的涨幅百分比。 $$赚钱效应 = \frac{当前指数价格 - 市场趋势线价格}{市场趋势线价格} \times 100\%$$ 3. 信号解读：当赚钱效应为正时，表明市场处于盈利状态，有助于吸引增量资金，上行趋势有望延续[2][7]。 3. **模型名称：仓位管理模型**[5][7] * **模型构建思路**：结合市场的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[7]。 * **模型具体构建过程**： 1. 评估估值水平：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[7]。 2. 判断短期趋势：参考其他择时指标（如赚钱效应、ETF资金流、成交额等）对市场短期走势进行定性判断[5][7]。 3. 综合给出仓位建议：将估值水平（例如，PE位于90分位点偏上，PB位于50分位点中等）与短期趋势判断相结合，通过模型计算出建议仓位。例如，当前建议仓位为80%[5][7]。 4. **模型名称：行业趋势配置模型**[2][5][7] * **模型构建思路**：这是一个综合模型框架，内部包含多个子模型，用于在不同时间维度上挖掘具有配置机会的行业或板块[2][5]。 * **模型具体构建过程**：报告未详细描述该综合模型的具体构建步骤，但列举了其包含的子模型及其当前信号： * **中期困境反转预期模型**：信号显示关注“创新医疗”板块[2][5]。 * **TWO BETA模型**：继续推荐“科技”板块，并提示关注“AI应用”和“商业航天”调整后的机会[2][5]。 * **业绩趋势模型**：在短期业绩披露高峰期，提示关注“算力”与“储能电池”等板块的机会[2][5][7]。 模型的回测效果 （报告中未提供各量化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。） 量化因子与构建方式 （报告中未提及具体的、可计算的量化因子（如价值、动量、质量等因子）的构建思路与过程。） 因子的回测效果 （报告中未提供任何量化因子的测试结果，如IC值、IR、多空收益等。）

量化模型与构建方式 1. **模型名称**：基于动态宏观事件因子的中证港股通大消费指数择时策略[3][4] **模型构建思路**：探索中国宏观经济对香港大消费主题上市公司整体状况和走势的影响，从动态宏观事件因子的角度构建择时策略框架[4][19] **模型具体构建过程**： * **宏观数据选用**：选取经济、通胀、货币和信用四大类的20余个宏观数据指标，包括PMI、PPI、M1等[4][20][24][25] * **宏观数据预处理**： 1. 对齐数据频率：将日频数据统一为月频，取每月最后一个交易日数据或月内均值[29] 2. 填充数据缺失值：使用过去12个月指标一阶差分值的中位数叠加上一期数值进行填充[29] $$X_{t}=X_{t-1}+Median_{diff12}$$ 3. 滤波处理：尝试使用原始数据或单向HP滤波处理后的数据，通过后续因子筛选确定更适合的处理方式[30] $${\hat{t}}_{t|t,\lambda}=\sum^{t}_{s=1}\omega_{t|t,s,\lambda}\cdot y_{s}=W_{t|t,\lambda}(L)\;.\;y_{t}$$ 4. 变化数据结构衍生因子：对数据使用同比、环比、移动平均等不同格式进行衍生[31] * **宏观事件因子构建**： 1. 确定事件突破方向：计算数据与资产下一期收益率的相关性，正相关则构建正向突破事件，反之构建反向突破事件[32] 2. 确定领先滞后性：对数据衍生滞后0-4期的事件因子，通过筛选确定最优滞后期[32] 3. 生成事件因子：构建三类事件因子（数据突破数据均线、突破数据中位数、数据同向变动），并赋予不同参数，共生成28个不同因子事件[32][33] 4. 因子事件初筛选：筛选标准为：a) t检验在95%置信区间内拒绝原假设；b) 事件收益率胜率>55%；c) 事件发生次数>滚动窗口期数/6[34] 5. 叠加事件因子：选择收益率胜率最高的事件作为基础因子，再从剩余因子中选出与基础因子相关性低于0.85的次高胜率因子进行叠加。若叠加后胜率更高则选用叠加事件，否则仅用最高胜率事件[35] 6. 动态剔除：若当期无事件因子通过筛选，则该宏观指标标记为空仓，不参与当期大类因子打分[35] 7. 确定最优滚动窗口：基于事件因子历史净值表现，计算开仓波动调整收益率，在48、60、72、84、96个月等时间窗口中选出最优参数[35] * **最终因子筛选**：在测试区间内计算所有事件因子的开仓波动调整收益率，筛选出表现较好的5个宏观因子[36][37] * **择时策略构建**：使用筛选出的宏观事件因子搭建策略。每期，当发出看多信号的因子比例大于2/3时，大类因子信号标记为1；当比例小于1/3时，标记为0；若比例介于两者之间，则标记为对应的具体比例。将该得分作为当期的择时仓位信号[4][37] 量化因子与构建方式 1. **因子名称**：PMI:原材料价格事件因子[37] **因子构建思路**：作为最终筛选出的5个宏观因子之一，用于构建择时策略[37] **因子具体构建过程**：该因子使用原始数据，最优滚动窗口为96个月[37] 2. **因子名称**：中美国债利差10Y事件因子[37] **因子构建思路**：作为最终筛选出的5个宏观因子之一，用于构建择时策略[37] **因子具体构建过程**：该因子使用原始数据，最优滚动窗口为72个月[37] 3. **因子名称**：金融机构:中长期贷款余额:当月新增:滚动12M求和:同比事件因子[37] **因子构建思路**：作为最终筛选出的5个宏观因子之一，用于构建择时策略[37] **因子具体构建过程**：该因子使用原始数据，最优滚动窗口为48个月[37] 4. **因子名称**：M1:同比事件因子[37] **因子构建思路**：作为最终筛选出的5个宏观因子之一，用于构建择时策略[37] **因子具体构建过程**：该因子使用原始数据，最优滚动窗口为48个月[37] 5. **因子名称**：新增社融:滚动12个月求和:同比事件因子[37] **因子构建思路**：作为最终筛选出的5个宏观因子之一，用于构建择时策略[37] **因子具体构建过程**：该因子使用原始数据，最优滚动窗口为96个月[37] 模型的回测效果 1. **基于动态宏观事件因子的中证港股通大消费指数择时策略**，年化收益率8.59%，年化波动率18.62%，最大回撤-29.72%，夏普比率0.50，收益回撤比0.29[12][21] 2. **等比例基准**，年化收益率8.00%，年化波动率18.64%，最大回撤-30.82%，夏普比率0.47，收益回撤比0.26[21] 3. **中证港股通大消费指数**，年化收益率2.99%，年化波动率29.80%，最大回撤-65.11%，夏普比率0.22，收益回撤比0.05[21]

量化模型与构建方式 1. **模型名称**：流动性冲击指标[2] * **模型构建思路**：用于衡量当前市场流动性相对于过去一年平均水平的标准差倍数，以判断市场流动性状况[2]。 * **模型具体构建过程**：报告未提供该指标的具体计算公式和构建步骤，仅提及了基于沪深300指数的计算结果[2]。 2. **模型名称**：情绪择时模型[14][16][17] * **模型构建思路**：通过构建涨跌停板相关因子来刻画市场情绪强弱，并综合多个细分情绪因子信号生成择时信号[14]。 * **模型具体构建过程**：模型包含多个情绪因子，每个因子生成0或1的信号。报告列举了部分细分因子及其最新信号：净涨停占比（信号1）、跌停次日收益（信号0）、涨停板占比（信号1）、跌停板占比（信号1）、高频打板收益（信号1）[17]。模型最终综合这些信号给出总分（满分5分）和方向信号[14]。 3. **模型名称**：趋势模型[14][16] * **模型构建思路**：作为情绪择时模型的一部分，根据市场趋势给出正向或负向信号[14][16]。 * **模型具体构建过程**：报告未提供具体构建过程，仅提及了其最新信号为“正向”[14]。 4. **模型名称**：加权模型[14][16] * **模型构建思路**：作为情绪择时模型的一部分，根据加权计算给出正向或负向信号[14][16]。 * **模型具体构建过程**：报告未提供具体构建过程，仅提及了其最新信号为“正向”[14]。 5. **模型名称**：SAR指标（停损转向指标）[14][15] * **模型构建思路**：一种技术分析指标，用于判断市场趋势的转向点，提供买入和卖出信号[14][15]。 * **模型具体构建过程**：报告未提供具体计算公式，但通过图表展示了Wind全A指数与SAR指标的对比，并指出Wind全A指数于12月1日向上突破翻转指标[14][15]。 6. **模型名称**：均线强弱指数[1][7][14][19] * **模型构建思路**：通过计算Wind二级行业指数的均线情况来综合衡量整个市场的技术面强弱程度[14]。 * **模型具体构建过程**：报告未提供具体计算公式。构建过程涉及使用Wind二级行业指数进行计算，最终得到一个市场得分[14]。最新得分为261，处于2023年以来的95.22%分位点，表明市场技术面处于历史高位[14]。 7. **模型名称**：日历效应模型[1][4][7][9] * **模型构建思路**：基于历史数据统计特定时间段（如1月下半月）市场指数的表现规律，用于判断未来相同时期的市场表现[1][4][7][9]。 * **模型具体构建过程**：统计2005年以来，各大宽基指数在1月下半月的上涨概率、涨幅均值和中位数[9]。例如，上证综指、沪深300、中证500、创业板指在1月下半月的上涨概率分别为55%、45%、50%、40%，涨幅均值分别为-1.52%、-0.97%、-1.42%、-1.11%[9]。 8. **因子名称**：因子拥挤度（复合因子）[18][20][21] * **因子构建思路**：用于预警因子可能因资金过度追逐而失效的风险。通过综合多个子指标来度量因子的拥挤程度[18]。 * **因子具体构建过程**：使用四个指标度量因子拥挤程度：估值价差、配对相关性、长期收益反转、因子波动率[18]。报告未提供各子指标及综合打分的具体计算公式，但提及详细计算方法可参考专题报告《选股因子系列（四十二）——因子失效预警：因子拥挤》[18]。 9. **因子名称**：行业拥挤度[4][23][25][26] * **因子构建思路**：用于衡量特定行业是否因资金过度集中而存在回调风险[4][23]。 * **因子具体构建过程**：报告未提供具体计算公式，但提及详细计算方法可参考专题报告《行业轮动系列研究 15——行业板块拥挤度》[23]。 10. **因子名称**：行业三维矩阵[27][28][29] * **因子构建思路**：通过三个维度（拥挤度、历史估值偏离度、景气度）对行业进行可视化分析，辅助判断行业投资价值[27][28][29]。 * **因子具体构建过程**： * **横轴**：历史估值偏离度，代表行业滚动500个交易日市净率（PB）的Z值[29]。 * **纵轴**：行业拥挤度[28]。 * **气泡大小**：代表行业景气度，用行业滚动120个交易日分析师预期ROE的百分位刻画[29]。 模型的回测效果 *报告未提供量化模型的历史回测效果指标（如年化收益率、夏普比率、最大回撤等）。* 量化因子与构建方式 *（因子拥挤度、行业拥挤度、行业三维矩阵因子已在上方“量化模型与构建方式”中列出，此处不再重复）* 因子的回测效果 1. **小市值因子拥挤度**，综合打分 **0.37**[21] 2. **低估值因子拥挤度**，综合打分 **-0.57**[21] 3. **高盈利因子拥挤度**，综合打分 **0.63**[21] 4. **高增长因子拥挤度**，综合打分 **1.09**[21] 5. **行业拥挤度**（截至2026.01.09），各行业取值如下[25][26]： * 通信：2.19 * 综合：1.47 * 有色金属：1.74 * 国防军工：-0.15 * 电子：0.59 * 电力设备：1.08 * 基础化工：0.59 * 机械设备：0.14 * 非银金融：0.07 * 钢铁：0.36 * 银行：0.16 * 商贸零售：0.16 * 石油石化：-0.44 * 社会服务：-0.07 * 轻工制造：-0.16 * 计算机：-0.97 * 医药生物：-0.76 * 公用事业：-0.48 * 农林牧渔：-0.67 * 交通运输：-0.32 * 纺织服饰：-0.50 * 传媒：-1.04 * 煤炭：-0.71 * 汽车：-0.89 * 建筑材料：-0.34 * 建筑装饰：-0.89 * 美容护理：-0.68 * 食品饮料：-1.01 * 家用电器：-1.03 * 房地产：-0.90 * 环保：-1.03

核心市场观点 - 市场下周或出现短暂震荡 主要依据是技术面均线强弱指数处于历史高位 且日历效应显示各大宽基指数在1月下半月表现不佳 [1][2] 量化与市场指标 - 基于沪深300指数的流动性冲击指标周五为0.60 高于前一周的0.34 意味着当前市场流动性高于过去一年平均水平0.60倍标准差 [2] - 上证50ETF期权成交量PUT-CALL比率周五为0.64 低于前一周的0.88 显示投资者对上证50ETF短期走势乐观程度上升 [2] - 上证综指和Wind全A五日平均换手率分别为1.41%和2.24% 处于2005年以来的79.01%和87.08%分位点 交易活跃度有所上升 [2] - 当前全市场PE（TTM）为23.2倍 处于2005年以来的81.9%分位点 [3] 宏观与事件驱动 - 人民币汇率震荡 在岸和离岸汇率周涨幅分别为0.1%和-0.09% [2] - 中国12月官方制造业PMI为50.1 高于前值49.2和Wind一致预期50.05 标普全球中国制造业PMI为50.1 高于前值49.9 [2] - 中国12月CPI同比0.8% 高于前值0.7%和预期0.75% PPI同比为-1.9% 高于前值-2.2%和预期-2% [2] - 上周美股震荡上行 道琼斯工业指数 标普500指数和纳斯达克指数周收益率分别为2.32% 1.57% 1.88% [2] - 美国2025年12月季调后非农就业人口增加5万人 低于市场预期的6万人 12月失业率降至4.4% 低于预期的4.5% [2] - 以2025年底价格计算 美国海外全球官方黄金储备价值已达3.93万亿美元 超越海外官方持有的美债规模（截至去年10月接近3.88万亿美元） [2] 市场回顾与表现 - 上周（20260105-20260109）上证50指数上涨3.4% 沪深300指数上涨2.79% 中证500指数上涨7.92% 创业板指上涨3.89% [3] - 日历效应显示 2005年以来 各大宽基指数在1月下半月表现不佳 [3] 因子拥挤度观察 - 高增长因子拥挤度上升 具体因子拥挤度：小市值因子0.37 低估值因子-0.57 高盈利因子0.63 高盈利增长因子1.09 [3] 行业拥挤度观察 - 通信 综合 有色金属 国防军工和电子的行业拥挤度相对较高 [4] - 国防军工和综合的行业拥挤度上升幅度相对较大 [4]