报告核心观点 - 7月A股预计震荡调整，港股与A股节奏一致但A股表现或更优，成长与红利风格轮动受动量效应、关税政策等影响 [4][70] - 美股7月偏震荡，黄金震荡幅度缩小并逐步走强，二者维持反向震荡格局 [4] - 国债和利率整体震荡下行，国债利率有下行基础，美债震荡下行幅度有限 [4] - 建议基金相对均衡配置，以ETF为主 [135] A股和港股——顺势而为，蓄势待变 权益宏微观月度低频择时模型 - 从基本面、资金面、国际面、估值面、技术面五个维度评测万得全A，最新一期（2025年7月）综合评分为 -5分，大盘7月预计震荡调整，风格轮动预计震荡偏价值 [29][30] 权益宏微观日度高频择时模型 - 同样从五个维度评测万得全A，6月下旬发出正向信号预计持续数日，7月大盘前半段或因动量效应上涨，后半段可能震荡调整，6月下半月成长风格占优，7月后半段红利风格有望凸显优势 [37][39][40] 日历效应 - 统计1999 - 2024年各指数月度表现，7月宽基、行业指数表现较好，8月一般，7月金融、周期和成长风格或占优，8月价值与红利板块占优，7月成长与红利风格或呈对冲态势 [43][47][58] 技术分析 - 万得全A指数筹码分布优，抛压小；恒生科技指数筹码上方堆积，突破难，恒生AH股溢价指数低位反转，预计7月A股表现优于港股 [66][69] 市场展望 - 7月上半旬A股或延续上涨，后续进入调整，下半旬红利风格可能占优，海内外事件驱动可能使风格变化提前，港股与A股节奏一致，全月宽幅震荡 [70] 美股和黄金——对冲效应或仍将演绎 美股与黄金的对冲效应 - 自2025年初起，美股与黄金呈反向对冲态势，风险偏好切换影响资金流向 [74] 黄金市场 - 短期：市场7月降息预期低，美联储态度有变化，关注6月通胀与就业数据，震荡幅度或缩小并企稳走强 [78] - 长期：受地缘政治长尾效应和美联储政策转向支撑，上涨空间和动能或提升 [82] 美股市场 - 持有逻辑：市场韧性支撑，降息预期托底，但处于估值高位，需警惕波动风险 [85][86] - 潜在变数：7月9日对等关税暂缓期到期，政策不确定性可能引发市场波动 [90] 市场展望 - 7月美股高位震荡，黄金震荡偏强，二者反向震荡，需等待事件政策催化和经济数据公布 [97] 国债和美债——稳中有进，震荡偏强 国债市场 - 6月回顾：收益率稳定，利差走阔，呈现“短升长稳”格局，超长期国债有吸引力 [101] - 7月展望：基本面经济修复斜率偏缓，政策面宽松不改，资金面压力缓解，外部环境人民币升值、全球避险，利率有下行空间 [104][108][111] 美债市场 - 7月展望：供给端到期压力可控，政策面宽松节奏不明朗，资金面外资结构分化，全球不确定性推升需求，利率震荡，中长期下行幅度有限 [123][125][128] 基金配置建议——相对均衡配置 - 以ETF为主筛选基金，要求成立时间满一年且规模大于一亿元，建议相对均衡型ETF配置，等待市场时机 [135]

量化模型与构建方式 1. **模型名称：PB-ROE-50组合** - **构建思路**：基于PB（市净率）和ROE（净资产收益率）双因子筛选股票，选取估值合理且盈利能力强的标的[23] - **具体构建过程**： 1. 在全市场股票池中计算每只股票的PB和ROE值 2. 对PB和ROE分别进行标准化处理并加权综合得分 3. 选取综合得分前50名的股票构成组合 4. 按月频调仓，动态更新标的[24] 2. **模型名称：私募调研跟踪策略** - **构建思路**：通过跟踪私募机构调研行为挖掘超额收益机会[25] - **具体构建过程**： 1. 统计上市公司接受私募机构调研的频率及参与调研的机构质量 2. 对调研事件赋予权重（如头部私募调研权重更高） 3. 结合基本面指标筛选被调研股票中的优质标的[26] 3. **模型名称：大宗交易组合** - **构建思路**：基于"高成交金额比率+低波动率"原则筛选大宗交易标的[29] - **具体构建过程**： 1. 计算个股大宗交易成交金额占日均成交额比率 2. 计算个股6日成交金额波动率 3. 选择成交比率高且波动率低的股票构建组合[30] 4. **模型名称：定向增发组合** - **构建思路**：利用定向增发事件驱动效应构建投资组合[35] - **具体构建过程**： 1. 以股东大会公告日为事件节点 2. 结合市值因子和仓位控制规则 3. 筛选近期发布定增预案且估值合理的标的[36] --- 模型的回测效果 1. **PB-ROE-50组合** - 中证500超额收益1.15%（本周），今年以来2.19%[24] - 中证800超额收益0.29%（本周），今年以来1.96%[24] 2. **私募调研跟踪策略** - 中证800超额收益2.61%（本周），今年以来9.91%[26] 3. **大宗交易组合** - 中证全指超额收益-0.61%（本周），今年以来23.37%[30] 4. **定向增发组合** - 中证全指超额收益0.12%（本周），今年以来6.18%[36] --- 量化因子与构建方式 1. **因子名称：净利润断层** - **构建思路**：捕捉财报公布后盈利超预期带来的股价跳空缺口[12] - **测试结果**：沪深300股票池本周收益1.30%[13] 2. **因子名称：5日反转** - **构建思路**：计算个股过去5日收益率并反向交易[12] - **测试结果**： - 沪深300股票池本周收益0.38%[13] - 中证500股票池本周收益-0.49%[15] 3. **因子名称：毛利率TTM** - **构建思路**：采用滚动12个月毛利率衡量企业盈利能力[14] - **测试结果**：中证500股票池本周收益1.65%[15] 4. **因子名称：动量弹簧因子** - **构建思路**：结合短期动量与均值回归特性[12] - **测试结果**： - 沪深300股票池本周收益-1.12%[13] - 流动性1500股票池本周收益-1.07%[17] --- 因子的回测效果 1. **大类因子表现** - 动量因子：本周收益0.12%[18] - 规模因子：本周收益-0.40%[18] 2. **行业内因子表现** - 钢铁行业：净利润增长率因子表现最佳[21] - 煤炭行业：EP因子表现突出[22] 3. **单因子表现（沪深300）** - 成交量的5日指数移动平均：1.15%[13] - 对数市值因子：-1.02%[13] 4. **单因子表现（中证500）** - 单季度ROA：1.40%[15] - 早盘后收益因子：-0.64%[15]

报告行业投资评级 - 行业投资评级为增持（维持） [1] 报告的核心观点 - 报告构建了技术分析的双维框架，从动能驱动和风险管控两方面进行研究，通过多种指标构建策略，为投资者提供交易决策依据，投资者可根据自身情况选择合适策略 [8] 根据相关目录分别进行总结 技术分析之动能驱动 - 标的具有动量效应，分为时间序列动量和横截面动量，形成原因包括市场对新信息吸收滞后和投资者情绪化投资 [13][14][15] - 均线是衡量动量效应的重要指标，可分为短、中、长期，有趋势判断、支撑阻力和交叉信号等作用，但存在滞后性、极端值干扰和震荡行情适用性问题，通过不同变量定义趋势状态和强度评分，综合得出 MA 动量效应评分 [14][18][22][23] - MACD 由 DIF 线、DEA 线和 MACD 柱状图构成，可用于判断市场趋势、发出买卖信号和识别顶底背离，但震荡行情易产生虚假信号，需结合其他指标，通过多维度分析定义 12 种状态和强度评分，与均线评分结合得到 TREND 评分 [25][26][29][30] - 济安线用于判断股票中长期趋势及买卖时机，由慢线 JAX 和快线 TMP 构成，有多头和调整信号，但参数设置需动态调整，震荡行情表现不佳，通过计算斜率数据并标准化生成中期和短期动量数据，综合使用均线、MACD 和济安线可提高交易决策准确性 [34][38][41][42] 技术分析之风险管控 - 风险管控关注标的相对位置高低，风险度指标 TR 考虑空间和时间维度，常态区间为 0 到 100，数值越高投资风险越大，对 A 股、申万一级行业、H 股和美股主要宽基指数均有较高适配性，能帮助投资者识别局部顶底，进行波段交易和风险控制 [44][45][50][52] - 局部顶底指价格在特定时间段内的相对高点和低点，结合 TR、济安线和 TREND 构建触发信号，局部底左右侧信号各有优劣，左侧买入收益潜力大但风险高，适合大资金投资者；右侧买入胜率高、回撤小，适合小资金投资者，该信号对多种指数底部开仓胜率高，具备普适性与稳健性 [64][80][82] 风险趋势模型 - 从趋势和风险维度为资产进行二维空间打分，构建日频、周频、月频定期择时策略，但表现相对不定期择时模型一般，建议在定期模型中给予技术综合评分因子较低权重，在不定期择时模型中提高风险度和趋势因子使用权重 [8]

量化投资行业的发展与特点 - 量化投资行业起源于1994年，标杆公司D E Shaw曾在一天内贡献纽交所超2%的订单量 [3] - 头部量化公司幻方推出大语言模型DeepSeek R1，未营销即震撼全球，用户增速超越早期抖音 [4] - 量化投资完全依赖数据挖掘规律，放弃主观信息获取，认为人类行为重复性可被计算机捕捉 [5] 量化策略的核心逻辑 - 价差回归策略：监测相关股票价差变动，早期案例显示6-7只股票可支撑3000万美元基金规模 [6] - 动量效应：学界发现过去收益好的股票未来大概率持续，量化模型通过因子捕捉此类规律 [7] - 复杂因子应用：J P Morgan构建特朗普推文语义指数"Volfefe"解释国债利率变动，WorldQuant使用含不明意义参数的复杂公式 [9] 量化行业的人才与文化 - 头部公司偏好数学/计算机背景人才，Two Sigma曾雇佣130名博士和6名国际奥数获奖者 [12] - 幻方创始人倾向招聘信息学竞赛金牌得主或顶尖高校计算机专业毕业生 [13] - 研究范式强调科学验证，例如Two Sigma面试题要求设计CEO离职对股价影响的实验方案 [15] 量化公司的组织架构 - 分组独立运营模式：顶级机构允许小组独立交易，曾有小组通过另类资产策略获利数十亿元 [16] - 集体决策模式：文艺复兴全员共研交易系统，研究员需定期展示成果并承受业绩压力 [17] - 办公选址刻意远离传统金融区，如Two Sigma不设华尔街办公室，幻方总部位于杭州 [15] 技术投入与极致执行 - 文艺复兴数据库覆盖18世纪至今数据，每日新增40TB，拥有52000个计算核心 [18] - Two Sigma部署超过7200台服务器，接入10000多个数据源的300PB数据 [18] - 幻方在2021年投入上亿元购买10000张英伟达显卡布局大模型研发 [19] 量化与大模型的共性 - 机器学习因子日产量达数千个，虽失效快但数量优势显著，类似大模型训练中的海量参数 [9][18] - 成功关键均在于将方法论贯彻极致，如GPT参数从1 17亿扩大到1750亿实现智能涌现 [18][19] - 行业先驱都需突破认知边界，西蒙斯曾质疑机器学习黑箱，梁文锋坚持算法交易探索 [18][19]