报告核心观点 - 报告旨在介绍一款名为“宏观策略图表百宝箱”的系统性分析工具，该系统旨在解决宏观策略分析中指标繁杂、逻辑验证困难、复盘效率低下等问题 [1] - 该系统具备六大核心功能，支持最多六个指标同屏对比与展示，可一键生成图表并每日自动更新，覆盖主流宏观策略报告中的大多数分析视角 [3][9] - 系统底层对接专业金融数据库，涵盖EDB指标、资产价格及其衍生指标，目前已支持近**1000项**宏观策略指标的日度更新，并可根据需要灵活扩展 [3][9] - 报告通过13个贴近实战的图表分析案例，系统展示该系统如何应对三类核心问题：如何检验宏观逻辑的可靠性、如何从历史行情中挖掘有效规律、以及如何构建动态有效的策略跟踪体系 [1][10] - 工具的高级价值在于拓展认知边界，帮助投研人员挑战“想当然”的逻辑，发现“看不见”的规律，规避“直觉性”的误判 [2][87] 系统功能与架构 - 系统界面由三部分组成：面板A（图表绘制与展示控制）、面板B（指标选取与衍生计算模块）及图表展示区 [88] - 面板A提供精细控制绘图起止日期和数据频率、一键下载源数据、保存/导入自定义图表模板、切换绘图模式、进入内置常用模板以及开启特色区间分析功能 [88] - 面板B支持在一张图表中清晰展示最多六个指标序列，并提供多种指标检索方式，包括拼音首字母模糊查询和代码精确查询 [88][89] - 系统支持两种绘图模式的自由切换：**正常模式**（在同一时间区间展示不同指标走势）和**区间对齐模式**（以指定事件日为基准进行前后区间对比分析） [95][96] - 系统支持对指标进行多种数据处理，包括指标间的加减乘除运算、平滑（移动平均）处理、布林带分析以及领先/滞后关系计算 [88][89][107][108] - 系统具备灵活的图表优化功能，支持手动调整坐标参数，并可通过“双参数作图法”避免因量纲不同导致的视觉失真 [116][121] - 系统提供极具特色的**区间统计分析功能**，允许用户对任意指定区间进行点击操作，获取该区间内各类资产（行业、宽基、大类资产）的涨跌幅统计结果 [126] 宏观逻辑的实证检验 - **案例1：美债收益率与A股大小盘风格**：实证分析显示，以国证2000指数与上证50指数的比值衡量大小盘风格轮动，其与美债收益率的关系并不稳定，传统教科书逻辑在实际市场中常受其他因素扰动 [11] - **案例2：大宗商品向股市的传导**：分析发现，CRB金属现货指数对中美两国PPI均有较为明显的领先性，且领先期数基本一致 [20]；但自2000年以来，**标普500指数**走势与CRB金属现货指数的相关性，强于**沪深300指数**与之的相关性 [20] - **案例3：股债收益差的参数选择**：对比**3年滚动窗口**与**5年滚动窗口**构建的股债收益差（股息率减10年期国债收益率）布林带指标发现，3年窗口对熊市低点识别更佳但难以刻画2015年牛市高点，而5年窗口对2015年牛市高点解释力强但对熊市低点识别偏弱 [23][28] 历史规律的挖掘与情景复盘 - **案例4：大跌后的反弹规律**：复盘2022年以来历次急跌后企稳反弹的板块表现，总结出“**超跌+成长催化**”的双重规律，领涨板块通常兼具前期调整充分和具备科技成长属性 [29]；反弹结构轮动存在阶段性，初期资金交易“超跌”逻辑，随后产业趋势或政策支撑的主线板块脱颖而出 [29] - **案例5：春节效应的市场阶段依赖**：以TMT指数相对国证A指的比值衡量成长风格，分析发现春节后成长风格占优的规律仅在**牛市环境**或风险偏好显著提升的背景下才较为显著，在熊市及牛市中后期该规律可能失效 [46] - **案例6：有色金属大跌的类比警示**：对比2026年初与2021年9月有色金属板块大跌，指出三个“不等于”：有色金属商品价格走势不等于股票走势；美债收益率趋势性上行不等于商品价格趋势性下行；美债收益率趋势性下行不等于股票价格趋势性上行 [60] - **案例7：近三轮牛市的时空对比**：以Wind全A指数低点定义，三轮牛市起点分别为2016年1月28日、2019年1月3日及2024年2月5日 [62]；从上涨时间与空间维度看，当前（报告发布时）牛市阶段与2021年前后的市场状态较为相似 [62] 当前市场的动态跟踪体系 - **案例8：板块轮动节奏跟踪**：通过计算各泛行业指数（周期、先进制造、消费、医药、TMT、金融地产）相对国证A指的比值，观察相对强弱变化 [69]；2026年1月至2月期间，板块轮动呈现清晰次序：周期调整→消费启动→先进制造接力→TMT跟进 [69][70] - **案例9：行业分歧度预警**：构建“行业分歧度”指标，定义为过去一个季度内申万一级行业涨跌幅截面的标准差 [71]；历史经验显示，当该指标处于过去两至三年的较高分位时，往往预示着市场风格或行业涨幅存在收敛诉求 [73] - **案例10：泛行业拥挤度跟踪**：采用行业成交额占全市场成交额之比来衡量资金关注度与拥挤度 [77]；2026年1月中旬以来，TMT板块成交额占比曾两次逼近**0.4**，接近历史较高区域，存在交易拥挤嫌疑；同期周期板块成交额占比震荡提升 [77] - **案例11：宽基ETF规模变动**：2026年1月初以来宽基ETF持续遭遇大规模赎回，部分主流品种规模已低于**2024年9月**行情启动前水平，其作为市场重要增量资金的逻辑是否生变更值得跟踪 [78] - **案例12：融资净买入情绪观察**：融资净买入的边际变化是观察资金流向与情绪的风向标 [81]；2026年春节前最后一个交易日，电子、汽车、计算机、传媒等板块融资净买入明显为负，节后电子板块融资净买入持续回暖 [81] - **案例13：期权VIX指数的A股特征**：A股期权VIX指数呈现与美股不同的特征，无论市场大涨或大跌均可能出现急剧飙升，这与中美期权市场参与者结构及交易目的差异有关 [84]

量化模型与构建方式 1. **模型名称：周期分析模型**[1][6] * **模型构建思路**：通过分析市场指数的历史价格数据，识别并划分不同时间周期（如月线级别）的波动规律和趋势，以判断当前市场所处的周期阶段和未来可能的趋势方向[1][6]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建过程和数学公式，主要将其作为一种分析框架使用。其核心在于识别价格图表中的周期性波动特征，并结合其他技术分析方法进行综合判断[1][6]。 2. **模型名称：缠论及趋势分析模型**[1][6] * **模型构建思路**：基于缠论（一种技术分析理论）对市场走势进行形态划分和对比，识别类似的历史走势模式（如将2025年12月走势与2017年12月类比），并结合趋势分析来评估当前市场走势的强弱[1][6]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建过程和数学公式。其应用主要涉及对K线走势进行笔、线段、中枢等缠论元素的划分，并进行跨时间段的形态相似性比较，以辅助市场判断[1][6]。 3. **因子名称：趋势强度因子**[1][6] * **因子构建思路**：通过观察市场指数多条移动平均线（MA）的排列关系（如多头排列）及其变化，来量化市场向上或向下趋势的强度[1][6]。 * **因子具体构建过程**：报告未给出该因子的具体计算公式。其构建逻辑通常涉及计算短期、中期、长期等多条移动平均线，并观察它们是否呈现短期均线在上、长期均线在下的有序排列（多头排列），以及这种排列状态的改善或恶化程度，以此作为趋势强弱的度量[1][6]。 * **因子评价**：该因子能有效捕捉市场趋势的延续和转折信号，为判断市场整体格局提供量化依据[1][6]。 4. **指标名称：行业分歧度指标**[1][6] * **指标构建思路**：衡量不同行业板块在同一时期表现差异（涨跌同步性）的指标。当行业表现趋同（同涨同跌）时，分歧度低；当行业表现分化（涨跌互现）时，分歧度高[1][6]。 * **指标具体构建过程**：报告未给出该指标的具体计算公式。其常见构建方法可能基于各行业指数收益率的相关性矩阵、收益率截面标准差或特定熵模型来计算[1][6]。 * **指标评价**：历史经验表明，在牛市或上行格局中，行业分歧度处于低位往往对应市场的局部低点或重要底部，可作为判断市场情绪和阶段的重要逆向参考指标[1][6]。 5. **模型名称：行业四轮驱动模型**[1][6] * **模型构建思路**：一个用于捕捉行业轮动交易机会的量化模型，旨在识别短期内具有上涨潜力的行业或板块[1][6]。 * **模型具体构建过程**：报告未详细披露该模型的具体构建逻辑、因子构成和信号生成算法。从输出结果看，该模型会定期（如每日）生成包含“行业代码”、“行业简称”、“信号类型”（如“交易机会”）等信息的信号列表[15]。 模型的回测效果 （报告中未提供各模型或因子具体的历史回测绩效指标，如年化收益率、夏普比率、最大回撤、信息比率（IR）等数值结果。） 量化因子与构建方式 （因子与指标已在“量化模型与构建方式”部分列出，此处不再重复。） 因子的回测效果 （报告中未提供各因子具体的历史回测绩效指标，如IC值、ICIR、多空收益、因子收益率等数值结果。）

根据提供的研报内容，以下是关于量化模型与因子的总结： 量化因子与构建方式 **1 因子名称：行业分歧度[7]** - **因子构建思路**：通过计算各行业滚动一季度收益率的标准差，来衡量市场行业表现的分化程度[7] - **因子具体构建过程**： 1. 选取市场中的所有行业作为计算样本 2. 计算每个行业在过去一个季度（滚动窗口）的收益率 3. 计算这些行业收益率的标准差，作为行业分歧度指标 具体公式为： $$行业分歧度 = Std( R_{i, t} )$$ 其中，`R_i,t` 代表行业 `i` 在滚动一季度窗口内的收益率，`Std` 代表标准差函数 **2 因子名称：交易拥挤度[7]** - **因子构建思路**：通过计算特定板块（如TMT、先进制造）的成交金额占市场总成交金额的比例，来衡量资金在这些板块的集中程度[7] - **因子具体构建过程**： 1. 确定目标板块（如TMT板块、先进制造板块） 2. 计算目标板块内所有成分的日成交金额总和 3. 计算全市场（或选定基准）的总成交金额 4. 计算板块成交金额总和与市场总成交金额的比值 具体公式为： $$板块拥挤度 = \frac{成交金额_{板块}}{成交金额_{全市场}}$$ 报告中特别提及了TMT板块拥挤度，以及TMT与先进制造板块合并计算的拥挤度[7] **3 因子名称：股债收益差[8]** - **因子构建思路**：通过比较股票市场收益率与债券市场收益率的差异，并结合布林带分析，来判断市场的相对价值和风险[8] - **因子具体构建过程**： 1. 计算股票的隐含收益率（通常使用市盈率的倒数等方法） 2. 选取代表性债券（如10年期国债）计算其到期收益率 3. 计算股债收益差：`股债收益差 = 股票收益率 - 债券收益率` 4. 基于近三年的股债收益差数据计算其布林带，包括中轨（均值）和上下轨（均值±2倍标准差）[8] 报告中指出该指标用于判断市场位置，当前运行在布林带下轨（-2倍标准差）下方[8] 模型的回测效果 *（注：报告中未提供具体量化模型的回测数值结果）* 因子的回测效果 *（注：报告中未提供具体量化因子的回测数值结果，但对因子的历史表现和当前状态有定性描述）* **行业分歧度因子**：近期持续扩大，若格局延续预计将突破2024年9月以来的峰值，历史极值通常伴随市场风险偏好提升出现[7] **交易拥挤度因子**：TMT板块成交占比处于历史第三高位，TMT与先进制造板块合并占比正逼近历史最高水平[7] **股债收益差因子**：当前已持续运行在近三年布林带下轨的-2倍标准差下方[8]