量化模型与构建方式 1. 动态因子调整模型（小盘股票池“2+3”模型） * **模型名称**： 小盘股票池“2+3”动态因子调整模型[4][98] * **模型构建思路**： 针对小盘股票池因子表达稳定、动量效应强的特点，结合固定有效因子与动态动量筛选，并剔除高失效风险的因子，构建动态选股模型[4][93][98]。 * **模型具体构建过程**： 1. **固定因子选择**： 每期固定选择估值因子（BTOP）和残差波动率因子（VOLATILITY）[98]。 2. **动态因子筛选**： * **剔除高失效风险因子**： 在每个月末，剔除当期条件失效概率高于80%的因子[93][98]。 * **计算动量评分**： 对剩余因子，计算其中期动量（过去6个月RankIC均值）和长期动量（过去3至12个月RankICIR均值）[4][82]。 * **选择动态因子**： 根据动量评分，选取评分最高的前3个因子[98]。 3. **模型合成**： 将2个固定因子与3个动态筛选出的因子结合，构成每期用于选股的5个因子集合[98]。 4. **组合构建**： 使用这5个因子对股票进行等权打分，选取得分最高的50只股票构建等权投资组合[103]。 2. 动态因子调整模型（大盘股票池综合打分模型） * **模型名称**： 大盘股票池综合打分动态因子调整模型[4][109] * **模型构建思路**： 针对大盘股票池因子表达剧烈、失效反转风险高的特点，采用更严格的因子剔除标准，并将失效概率信息融入综合评分，以动态选择因子[4][106][109]。 * **模型具体构建过程**： 1. **初步剔除高失效风险因子**： 在每个月末，首先剔除当期条件失效概率高于70%的因子[109]。 2. **构建综合评分**： 对剩余因子，构建综合评分。评分结合了正向的动量指标和负向的失效风险指标[87][88]。 * **动量指标**： 包括中期动量（过去6个月RankIC均值）和长期动量（过去3至12个月RankICIR均值）[4][82]。 * **失效风险指标**： 使用条件失效概率 $P$（次月失效|当月状态）[74][87]。将失效风险转化为负向评分，例如使用 $1 - P$ 的形式[88]。 3. **选择动态因子**： 根据综合评分，选取评分最高的前5个因子[109]。 4. **组合构建**： 使用这5个因子对股票进行等权打分，并构建投资组合[109]。 3. 因子动量评估指标 * **指标名称**： 因子RankIC动量指标[4][62][66] * **指标构建思路**： 通过计算当期因子选股能力（RankIC）与历史不同窗口期选股能力均值之间的相关性，来刻画因子的动量效应，并寻找最优的动量观察窗口[4][63][66]。 * **指标具体构建过程**： 1. **定义动量窗口**： 使用“m_n”表示从过去第m个月开始，到过去第n个月结束的历史数据均值。例如，“3_12”表示跳空最近3个月，回溯过去第3至第12个月共10个月的数据均值[66]。 2. **计算历史动量**： 对于每个因子，在时间截面 $t$，计算其在指定历史窗口（如“3_12”）内的RankIC（或RankICIR）的均值，作为该因子的历史动量值 $Momentum_{t}^{m\_n}$[4][66]。 3. **评估动量效应**： 在时间截面 $t$，计算所有因子当期RankIC值 $RankIC_t$ 与其对应的历史动量值 $Momentum_{t}^{m\_n}$ 的截面斯皮尔曼秩相关系数[65]。该相关系数越高，表明因子的选股能力在指定窗口下延续性（动量效应）越强[66]。 4. **确定最优参数**： 通过比较不同“m_n”参数组合下的平均相关系数，发现“3_12”窗口（即近端跳空3个月，回溯12个月）的动量效应最为稳健和显著，被确立为最优动量窗口[4][66]。 4. 因子条件失效概率指标 * **指标名称**： 因子条件失效概率[4][72][74] * **指标构建思路**： 基于因子当期有效性状态，通过滚动历史窗口统计其下一期陷入或维持失效状态的概率，用以评估因子短期反转的潜在风险[4][74]。 * **指标具体构建过程**： 1. **定义状态**： 在每个月末，根据因子当期RankIC值的正负（是否符合预期方向）将其划分为“有效”或“失效”两种状态[74]。 2. **构建转移矩阵**： 滚动过去一年的历史数据，统计因子从“当月有效”转移到“次月失效”的频率，以及从“当月失效”维持到“次月失效”的频率[72][74]。 3. **计算条件概率**： 以当期因子的状态（有效或失效）为条件，计算其次月失效的条件概率 $P$（次月失效|当月状态）[74][87]。该概率即为当期关注的因子失效指标。 5. 因子收益与选股能力背离指标 * **指标名称**： 因子收益与RankIC滚动相关系数[55][56] * **指标构建思路**： 通过计算因子收益率与其实际选股能力（RankIC）在滚动窗口内的相关性，识别因子回报是否由基本面选股Alpha驱动，以预警交易拥挤和失效风险[55][56]。 * **指标具体构建过程**： 1. **计算时间序列**： 对于每个一级风格因子，分别计算其因子收益率时间序列和RankIC时间序列[55]。 2. **滚动计算相关性**： 采用6个月的向前滚动窗口（T-5期至T期），计算两个序列的斯皮尔曼秩相关系数[55]。 3. **设定风险阈值**： 分析发现，当滚动相关系数的绝对值突破0.75的阈值时，往往预示着因子面临显著的短期失效风险[4][57][60]。极端正相关可能反映“因子拥挤”，极端负相关可能反映市场的“非理性过激”[60]。 量化因子与构建方式 **注**：报告详细分析了一个包含15个一级风格因子的体系，但未提供所有因子的具体计算公式，仅给出了描述性定义[8]。以下列出报告中明确提及并进行分析的核心因子。 1. 估值类因子 * **因子名称**： 账面市值比（BTOP）[8][39] * **因子构建思路**： 属于估值因子，衡量股票的相对便宜程度，通常认为账面价值相对市值越高，股票未来回报可能越高[8]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“账面价值除以当前市值”[8]。 * **因子名称**： 股息率（DIVIDEND）[8][39] * **因子构建思路**： 属于估值因子，衡量公司分红回报水平，通常认为股息率越高，股票可能更具投资价值[8]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“滚动过去一年股息水平”[8]。 * **因子名称**： 盈利收益率（EARNING）[8][39] * **因子构建思路**： 属于估值/盈利因子，衡量公司盈利相对于市值的水平，通常认为盈利收益率越高，股票估值可能越低[8]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“各类盈利 vs 市值”[8]。 * **因子评价**： 估值类因子在大盘股内表现相对极端，选股力度可能更强但方向把控需更精准；BTOP因子在小盘股中优势更明显[39]。在慢牛、震荡、下行市场中更倾向正向表达[30]。 2. 质量类因子 * **因子名称**： 盈利变异性（EARNINGVAR）[8][50] * **因子构建思路**： 属于质量因子，衡量公司盈利的稳定程度，通常认为盈利波动越小，公司质量越高，未来股票回报可能越高（负向因子）[50]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“营业收入、净利润、现金的变异程度”[8]。 * **因子名称**： 盈收质量（PROFITABLITY）[8][50] * **因子构建思路**： 属于质量因子，衡量公司盈利的质量和水平，通常认为盈利质量越高，公司基本面越好，未来股票回报可能越高（正向因子）[50]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“营收、利润等水平”[8]。 * **因子评价**： 质量类因子在大盘股内存在明显的正向优势，选股区分度高，但在成长股票池内的选股效果弱于其他池[47][50]。盈收质量因子在2021年前后出现有效性分水岭[50]。 3. 价量类因子 * **因子名称**： 动量（MOMENTUM）[8][46] * **因子构建思路**： 属于价量因子，认为过去表现好的股票在未来一段时间内会延续其趋势（报告中定义方向为负）[8][46]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“收益率、alpha的动量”[8]。 * **因子评价**： 动量因子在大盘股内持续正向表达，大盘股动量效应显著；而在小盘股内反转效应显著[4][46]。该因子属于失效概率较高的因子之一[4][78]。 4. 波动与流动性因子 * **因子名称**： 残差波动率（VOLATILITY）[8][40] * **因子构建思路**： 属于波动率因子，衡量股票剔除市场影响后的特异性风险，通常认为波动率越低，股票风险越小，未来回报可能越高（负向因子）[8][40]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“收益与时间回归残差项的波动率”[8]。 * **因子名称**： 流动性（LIQUIDITY）[8][40] * **因子构建思路**： 属于流动性因子，衡量股票的交易便利程度，通常认为流动性越差，股票需要提供更高的风险补偿（负向因子）[8][40]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“短、中、长期的流动性”[8]。 * **因子评价**： 波动率和流动性因子在各个股票池内大多保持稳定的负向表达，失效概率较低[20][40][78]。当其RankIC出现异常正向放大后，市场往往上行[41]。 模型的回测效果 1. 小盘股票池“2+3”动态因子调整模型 * **回测区间**： 2016年1月4日 至 2025年11月28日[103] * **基准**： 中证1000与中证2000指数等权[103] * **业绩指标**： * 年化收益： 8.83%[103] * 年化波动： 21.08%[103] * 夏普比率： 0.42[103] * 最大回撤： 38.67%[103] * 卡玛比率： 0.23[103] * 超额年化收益： 11.47%[103] * 超额波动： 13.82%[103] * 信息比率（IR）： 0.83[103] * 超额最大回撤： 21.10%[103] 因子的回测效果 **注**：报告提供了多个因子在不同股票池和不同年份的RankICIR具体数值及排名[18][22][25][27][34][36][38][46][48][50]。以下选取全区间（约2013-2025年）在特定股票池的RankICIR均值进行概括性展示，以反映因子的长期表现差异。 1. 大盘股票池（沪深300）全区间RankICIR均值 * **BETA**: -0.19[22] * **BTOP**: 0.17[22] * **DIVIDEND**: 0.28[22] * **EARNING**: -0.26[22] * **EARNINGVAR**: 0.22[22] * **GROWTH**: -0.22[22] * **INVENSTMENT**: 0.18[22] * **LEVERAGE**: 0.01[22] * **LIQUIDITY**: -0.38[22] * **LTREVERSAL**: 0.14[22] * **MIDCAP**: -0.11[22] * **MOMENTUM**: 0.03[22] * **PROFITABLITY**: 0.00[22] * **SIZE**: 0.10[22] * **VOLATILITY**: -0.27[22] 2. 小盘股票池（中证1000+中证2000）全区间RankICIR均值 * **BETA**: -0.05[22] * **BTOP**: 0.37[22] * **DIVIDEND**: 0.37[22] * **EARNING**: -0.25[22] * **EARNINGVAR**: 0.23[22] * **GROWTH**: -0.11[22] * **INVENSTMENT**: 0.12[22] * **LEVERAGE**: 0.02[22] * **LIQUIDITY**: -0.54[22] * **LTREVERSAL**: 0.25[22] * **MIDCAP**: -0.36[22] * **MOMENTUM**: 0.06[22] * **PROFITABLITY**: -0.38[22] * **SIZE**: -0.39[22] * **VOLATILITY**: -0.39[22] 3. 成长股票池全区间RankICIR均值 * **BETA**: -0.13[25] * **BTOP**: 0.09[25] * **DIVIDEND**: 0.20[25] * **EARNING**: -0.23[25] * **EARNINGVAR**: 0.14[25] * **GROWTH**: -0.16[25] * **INVENSTMENT**: 0.21[25] * **LEVERAGE**: 0.01[25] * **LIQUIDITY**: -0.38[25] * **LTREVERSAL**: 0.09[25] * **MIDCAP**: -0.12[25] * **MOMENTUM**: 0.01[25] * **PROFITABLITY**: 0.08[25] * **SIZE**: 0.03[25] * **VOLATILITY**: -0.18[25] 4. 价值股票池全区间RankICIR均值 * **BETA**: -0.15[27] * **BTOP**: 0.22[27] * **DIVIDEND**: 0.34[27] * **EARNING**: -0.20[27] * **EARNINGVAR**: 0.25[27] * **GROWTH**: -0.19[27] * **INVENSTMENT**: 0.12[27] * **LEVERAGE**: -0.04[27] * **LIQUIDITY**: -0.42[27] * **LTREVERSAL**: 0.13[27] * **MIDCAP**: -0.25[27] * **MOMENTUM**: -0.17[27] * **PROFITABLITY**: 0.08[27] * **SIZE**: -0.08[27] * **VOLATILITY**: -0.40[27]

因子配置观点 - 宏观量化与因子动量结合进行因子选择，对经济敏感、对信用不敏感的因子得分靠前[1] - 当前经济出现回升迹象、流动性略偏松、信用指标略好，修正后宏观方向为经济好转、流动性偏弱和信用收缩[3] - 价值因子得分明显提高并在沪深300中成为共振因子，成长因子宏观得分下降但结合动量后仍被选中[4] - 10月沪深300中成长因子IC为正，价值、红利因子反弹明显；中证500中价值因子反弹，成长因子出现回撤[4] 经济前瞻指标 - 2025年11月经济前瞻指标处于2025年9月以来上升周期的中部，预计未来3个月小幅上行，2026年3月达到顶部拐点[6] - 2025年10月PMI为49，PMI新订单为48.8，均较上月下降，但周期项与模型预期一致[6] - 固定资产投资完成额累计同比、挖掘机产量当月同比、工业企业利润总额累计同比等多个领先指标均位于上升周期[6] - 社会消费品零售总额当月同比预计位于9月以来平台期末期，即将在12月开启下降周期[10] - M2同比指标位于7月以来下降周期的中期，预计未来将持续下降[9] 流动性环境 - 流动性综合信号近三个月（2025年8月、9月、10月）均为1，整体维持略偏松状态[12][13][16] - 2025年10月利率信号偏紧（综合信号为1），但货币净投放为0.41标准差倍数（偏松），超储率1.51%高于历史同期（偏松）[13][16] - 10月长端利率快速上升后小幅回落但仍高于均线，短端利率略高于均线[13] 信用状况 - 社融存量同比连续2个月下降，信用总量指标继续回落，信用结构小幅回升，指标总体呈现小幅扩张[17] - 信用价格维度信号宽松（信用利差、贷款利率、信托收益率信号均为1），信用总量维度信号中性（综合信号为0），信用结构维度信号略偏弱（综合信号为-0.33）[17] 大类资产配置 - 结合经济上行、流动性偏紧、信用收缩的环境，对债券观点偏弱，黄金由于动量转弱配置比例降至10%，A股配置提升[18] - 激进型配置权重为A股70%、黄金10%、国债10%、企业债10%，商品和美股配置权重为0%[18] 市场关注点 - 通过Factor Mimicking模型跟踪市场关注点，2023年以来信用和通胀（通缩）关注度较高[19] - 近阶段尤其是2024年9月24日行情以来流动性持续为最受关注变量，表明市场受流动性驱动较多[19] - PPI相关关注度近期持续回升，10月末小幅超越经济关注度[19] 行业配置建议 - 行业配置倾向于选择对经济敏感、对信用不敏感的行业，本期行业选择整体偏价值[21] - 对经济最敏感的行业包括公用事业、煤炭、建筑装饰、钢铁、综合、银行[21] - 对信用最敏感的行业包括商贸零售、钢铁、银行、房地产、社会服务、建筑装饰[21] - 综合得分最高的行业包括钢铁、煤炭、建筑装饰、银行、商贸零售、房地产[21]

量化模型与构建方式 1. **模型名称**：市值分域的线性回归模型 - **模型构建思路**：通过市值分组加权回归方法构建复合因子，适配不同市值选股域的表现差异[7] - **模型具体构建过程**： 1. 将全市场股票按市值对数分为11组（KMedian聚类） 2. 采用分组加权回归，权重公式： $$w_{i}=w_{b a s e}+(1-w_{b a s e})*|i-I|/n$$ 其中： - \(w_{base}\)为最小权数（取0.9、0.5、0三种情况） - \(n=11\)为分组数 - \(I\)为最大权重分组（从1到11循环测试） 3. 对5类子因子（分红、ROE_SUE、日度量价、高频量价、复合因子）分别采用OLS回归系数IR加权复合[7][10] 2. **模型名称**：风格因子加权复合模型 - **模型构建思路**：基于市值、估值、价值-成长指标、行业等多风格因子聚类加权，提升因子在不同风格域的适应性[98] - **模型具体构建过程**： 1. 对5类风格因子（市值、市值三次方、估值、价值-成长指标、行业）进行曼哈顿距离聚类，分为11组 2. 价值-成长指标计算： - 价值指标：分析师一致预期市盈率+市净率+市销率+市现率+预期分红 - 成长指标：盈利增长+历史市值增长率+利润增长率+净现金流增长率+营收增长率 - 最终指标为两者相减[98] 3. 行业合并为TMT、上游、中游、消费、金融、综合六类，跨类时曼哈顿距离贡献为聚类数[98] 4. 采用与市值分域类似的交叉复合加权方法构建因子 --- 量化因子与构建方式 1. **因子名称**：分红因子 - **因子构建思路**：结合股息率与分红虚拟变量，反映基本面分红能力[10] - **因子具体构建过程**：由股息率因子与是否有分红的虚拟变量线性回归复合[10] 2. **因子名称**：ROE_SUE因子 - **因子构建思路**：综合ROE和SUE指标，反映盈利质量与增长[10] - **因子具体构建过程**：由ROE、SUE及对应的虚拟变量线性回归复合[10] 3. **因子名称**：日度量价因子 - **因子构建思路**：捕捉短期量价特征[10] - **因子具体构建过程**：由换手率、反转、特质波动、非流动性四个因子复合[10] 4. **因子名称**：高频量价因子 - **因子构建思路**：利用高频数据捕捉微观结构信号[10] - **因子具体构建过程**：由10个手工高频因子复合（具体因子未列明）[10] --- 模型的回测效果 1. **市值分域线性回归模型**（全市场测试，2017.01-2025.07） - **IC**：0.057（等权）→0.058（base_w=0.5）[8][9] - **Rank MAE**：1.090（等权）→1.089（base_w=0.5）[8][9] - **多空收益**：1.07%（等权）→1.08%（base_w=0.9）[11] - **多头收益**：0.33%（等权）→0.31%（base_w=0）[11] 2. **风格因子加权模型**（沪深300增强，严约束） - **年化超额收益**：5.83%（等权）→7.36%（base_w=0交叉复合）[103] - **IR**：0.804（等权）→0.901（base_w=0交叉复合）[103] - **最大回撤**：14.99%（等权）→16.33%（base_w=0交叉复合）[103] --- 因子的回测效果 1. **分红因子**（全市场IC，2017.01-2025.07） - **IC**：0.006（等权）→0.007（base_w=0）[13][14] 2. **ROE_SUE因子**（全市场IC） - **IC**：0.020（等权）→0.021（base_w=0.5）[15][16] 3. **日度量价因子**（全市场IC） - **IC**：0.042（等权）→0.044（base_w=0）[17][18] 4. **高频量价因子**（全市场IC） - **IC**：0.035（等权）→0.037（base_w=0.5）[19][20] --- 关键结论 - **市值加权效果**： - 沪深300增强中，极端大市值加权（base_w=0）提升年化超额1%以上[49][97] - 中证500增强中，base_w=0.5交叉复合效果最佳（年化超额15.06%）[92] - **风格因子加权局限性**：对中证1000增强效果不显著，仅严约束组合年化提升1%[132][141]

成长因子共振 - 宏观量化与因子动量结合选择共振因子 成长因子成为沪深300和中证1000的共振因子 经济偏弱下沪深300和中证500侧重基本面 中证1000偏向低波 [1][4] - 7月沪深300成长因子维持强势 分析师预期因子表现回落 中证500低波动率和短期反转表现出色 [4] 经济前瞻指标 - 2025年8月经济前瞻指标处于下降周期底部 未来将小幅上升后再次下降 PMI和PMI新订单7月数据分别为49.3和49.4 [6] - 领先指标中乘用车销量同比 粗钢产量同比 M2同比 社会消费品零售总额同比均处于下降周期 预计分别在2026年1月 2月 2025年9月 2026年2月见底 [6][8][9] - 工业生产指标如粗钢产量同比预计10月将大幅下降 信贷指标如新增人民币贷款预计9月达到峰值 [8] 流动性环境 - 7月利率指标仍为明显宽松但趋势平稳 短端利率略低于均线 长期利率与均线有较大距离 [12] - 货币净投放数据回落但仍维持宽松信号 超储率处于较低水平 综合流动性指标略偏松 [12][14] 信用指标 - 信用量 结构指标近2个月有所回落 社融存量同比回落 信用结构转向偏弱 但综合信用指标仍维持正向 [15] - 信用价格指标宽松 信用总量指标中性 信用结构指标偏弱 [15] 大类资产配置 - 经济下行 流动性偏紧 信用较好环境下 明显提升股票仓位至65.12% 黄金配置14.88% 商品0% 债券20% [16][17] - 权益资产配置观点中性偏多 黄金偏多 商品偏空 债券中性 [17] 行业选择 - 选择对经济不敏感 对信用敏感的行业 电子 计算机 食品饮料 电力设备 美容护理等行业综合得分最高 [20] - 传媒 家用电器 有色金属 美容护理 环保等行业对信用敏感度最高 [20]

报告核心观点 - 盈利预期指标转弱，配置风格偏向成长，结合当前指标，降低商品仓位，经济前瞻指标位于上升趋势后期，流动性维持略偏紧，信用维持较高水平，市场对流动性关注度较高，行业配置倾向成长属性 [4] 各部分总结 盈利预期指标转弱，配置风格偏向成长 - 将宏观量化与因子动量观点结合，选择共振因子，成长因子任意方法选择即配置，其他因子按类型参考宏观或因子动量结果 [7] - 目前经济回升、流动性中性偏紧、信用指标转好，但微观映射中经济（盈利预期）偏弱，修正后经济下行、流动性偏紧、信用转好 [9] - 因流动性与信用背离，按对经济不敏感、对信用敏感选得分前三因子，各股票池配置风格更偏向成长，短期反转加入 300、500 因子选择，中证 1000 因子选择维持稳定 [9] 各宏观指标方向与资产配置观点 经济前瞻指标：位于上升趋势后期 - 2025 年 5 月处于上升趋势后期，预计 6 月达顶部并进入下降周期，未来持续下降 [11] - 2025 年 4 月 PMI 和 PMI 新订单指标下降，分别为 49 和 49.2，经济前瞻指标预计处 2024 年 9 月以来上升周期 [11] - OECD 综合领先指标等多项领先经济指标处于上升周期，预计在不同时间到达顶部拐点 [14] 流动性：维持略偏紧 - 每月末根据利率、货币净投放、超储率判断流动性环境，近三个月综合信号显示流动性中性略偏紧 [24] - 4 月短端利率小幅回落，长端利率回落更多，货币价格指标偏松，但货币量投放低、超储率回落，综合指标维持略偏紧 [27] 综合信用指标 - 2024 年下半年信用各维度指标偏弱，本月信用指标与上期接近，社融存量同比连续 4 个月回升，综合信用指标维持较高水平 [28] 大类配置观点：降低商品仓位 - 经济下行、流动性偏紧、信用较好，虽经济和流动性对权益观点偏弱，但其他资产观点不强，A股仓位小幅上升，美股仓位略有回升，商品仓位减至 0 [31] 市场关注点：流动性关注度较高 - 通过 Factor Mimicking 模型跟踪市场关注点，近期用代表性股票计算代理组合，观察波动上升最快变量 [31] - 2023 年以来信用、通胀关注度高，近期流动性成最受关注变量，市场受流动性驱动多，近期流动性转弱，权益市场表现偏弱，经济关注度近一年持续提升 [32] 宏观视角下的行业选择 - 经济指标下行、流动性略偏紧、信用乐观，因流动性和信用背离，行业配置倾向对经济不敏感、对信用敏感的行业 [33] - 对经济最不敏感、对信用最敏感及综合得分最高的行业有电子、有色金属、美容护理等，配置行业成长属性提升 [33]

低波因子与因子共振 - 低波因子在沪深300、中证1000中持续成为共振因子，中证500则选中价值因子且为共振 [1][2] - 因子配置方法结合宏观量化与因子动量，经济敏感和信用敏感的因子得分前三 [1] - 2025年3月沪深300低流动性因子表现突出，中证500估值因子表现较好 [2] 宏观指标方向与修正 - 经济指标回升，流动性中性偏紧，信用指标转好，微观映射与宏观指标一致未触发修正 [1] - 经济维度宏观指标方向为+，微观映射中性，修正后方向为+ [1] - 信用维度宏观与微观映射均为+，修正后方向为+ [1] 经济前瞻指标 - 2025年4月经济前瞻指标位于上升趋势后期，预计6月到达顶部，12月进入下降周期 [3] - PMI和PMI新订单3月分别上升至50.5和51.8，与模型预期一致 [3] - 固定资产投资、乘用车销量、OECD领先指标等均位于上升周期中 [3][9] 流动性指标 - 2025年3月短端利率超过均线，货币价格指标转为偏紧，综合流动性中性略偏紧 [11][13][15] - 货币净投放处于历史较低水平，超储率偏高 [12][15] - 流动性综合信号1月为-1，2月和3月均为1 [12] 信用指标 - 社融存量同比连续两个月回升，综合信用指标达到较高水平 [16] - 信用价格、信用总量指标均为宽松信号1 [17] - 信用结构指标为0.33，长期-短期贷款信号为-1 [17] 大类资产配置 - 经济上行、流动性偏紧、信用较好背景下，降低债券和美股仓位 [18] - A股配置权重49.6%，黄金20%，商品5.76%，国债14.63%，企业债10%，美股0% [18] - 债券观点偏弱，A股和商品仓位上升 [18] 市场关注点 - 流动性持续为最受关注变量，9月末以来市场受流动性驱动较多 [19] - 信用和通胀关注度较高，近期宏观和微观流动性转弱 [19] 行业选择 - 对经济敏感和对信用敏感的行业受青睐，综合得分前六包括公用事业和传媒 [22] - 行业配置倾向与上期一致，结合经济上行和信用乐观的环境 [22]