报告行业投资评级 * 报告未明确给出对“固收+”行业的整体投资评级 [1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62][63] 报告核心观点 * 2025年是国内“固收+”产品市场关注度提升、份额规模快速增长的一年，截至2025年底总规模达2.78万亿元，创历史新高 [1][9] * 从仓位、业绩、规模三大维度观察，“固收+”产品整体权益仓位仍处高位，重仓股呈现“科技+周期”特征；赛道类产品2025年收益更高，而一般均衡类产品近5年业绩稳健性更强；稳健型产品规模增长最快，显示投资者风险偏好提升 [1][10] * 展望未来，在低利率、高波动的市场环境下，通过多风格、多资产分散化配置，并辅以量化择时模型，或可帮助“固收+”产品控制风险、增厚收益 [4][11][39][53] 仓位分布维度总结 * **整体仓位特征**：2025年第四季度（25Q4），“固收+”产品整体股票仓位中位数为16.94%，较第三季度（25Q3）的17.99%有所下降，但仍处于2024年第四季度（24Q4）以来的相对高位 [2][14][15][18]；可转债仓位中位数连续4个季度下行，25Q4已降至5.00% [2][14][15][18]；重仓债券久期中位数也连续4个季度下行，25Q4约为2.15年 [2][14][15][18] * **板块配置特征**：25Q4，“固收+”产品重仓股在A股行业分布上呈现显著的“科技+周期”特征，有色金属（仓位14.58%）、电子（12.90%）、电力设备及新能源（9.21%）等行业仓位占比较高 [2][10][20]；与25Q3相比，在非银金融（加仓3.59个百分点）、通信（加仓1.54个百分点）、基础化工（加仓1.24个百分点）、有色金属（加仓0.95个百分点）等行业加仓幅度较大，在医药（减仓2.94个百分点）、传媒（减仓1.24个百分点）、计算机（减仓1.22个百分点）等行业减仓幅度较大 [20][21] * **细分类型特征**：针对股票仓位大于10%的产品，依据行业集中度和轮动度可细分为四类 [2][22]；25Q4，四类产品仓位前两大行业均为有色金属和电子，但加仓方向略有不同：赛道集中类重点加仓有色金属、机械和非银金融；赛道轮动类加注非银金融、基础化工和通信；一般均衡类加仓非银金融、通信和石油石化；均衡轮动类主要加仓通信、银行、食品饮料和家电 [2][24][25] 业绩表现维度总结 * **整体业绩概览**：2025年，“固收+”产品年化收益率中位数为4.21%，夏普比率1.54，Calmar比率2.37，相关指标均优于中长期纯债型基金，回撤控制优于股票型基金 [26][28] * **不同类型产品表现**：保守型产品波动和回撤控制最优，2022年及2023年均录得正收益 [26][28]；稳健型产品在收益与回撤的权衡上相对出色，2025年收益率超4%的同时Calmar比率接近保守型产品 [26][28]；在股票仓位较高的细分类型中，赛道集中类和赛道轮动类产品2025年年化收益率中位数均在6%以上，高于均衡类产品 [3][26][28]；但从近5年（2021-2025年）业绩持续性看，一般均衡型产品表现更为稳健，显示出“穿越牛熊”的收益可持续性 [1][3][10][26][28] 份额规模维度总结 * **整体规模增长**：截至2025年12月31日，国内“固收+”产品总规模达2.78万亿元，较2025年第三季度增长0.29万亿元，较2024年增长1.01万亿元，创历史新高 [1][9] * **按权益仓位分类的规模**：截至25Q4，稳健型产品规模存量最大，达1.27万亿元，全年规模增加0.56万亿元，25Q4单季度增加0.13万亿元，增速均高于保守型和激进型产品 [3][10][33][36]；激进型产品2025年全年及Q4规模增长也高于保守型产品，份额变化趋势与规模一致，表明投资者风险偏好有所提升 [1][3][33][36] * **按行业策略分类的规模**：在股票仓位大于10%的产品中，一般均衡类产品规模和份额存量均为四种类型之首 [3][10][33][36]；边际变化上，受益于2025年A股科技与周期板块的趋势行情，赛道类产品规模和份额增长迅速，其中赛道轮动类产品全年规模增长超3000亿元，赛道集中类产品增长超1900亿元 [3][33][36]；赛道集中类产品中，2025年规模增长前五的基金均与科技或周期相关 [3][35][36] 对未来配置的思考总结 * **多风格分散配置**：模拟回测显示，相比“债券+单一风格股票”的组合，“债券+多风格均衡”组合的夏普比率、Calmar比率更高，滚动1年期胜率超98%，长期业绩表现更为稳健 [4][44]；用港股红利指数替代A股红利指数后，组合的Calmar比率等指标得到进一步提升 [44] * **多资产分散配置**：公募Reits与股票、债券的相关性较低，且具有分红属性，可作为第三类资产加入组合以替代部分债券仓位 [4][45][46]；在辅以营业收入、EBITDA、股息率、流通市值等因子的优选策略下，配置优选Reits组合相比配置中证Reits指数，能进一步提升组合的夏普比率和Calmar比率 [48][49][52][53] * **量化择时应用**：在组合中融入基于资金、技术、估值、情绪等多维度的A股择时指标，动态调整股票仓位 [53][54]；回测显示，择时指标在股市震荡或偏弱行情下有助于守住收益，在上涨行情中可通过牺牲部分收益换取更优的波动和回撤控制，最终提升组合的夏普比率和Calmar比率 [4][58][61]

核心观点 - 市场下周或继续以震荡为主 [1][2] 市场观点与量化指标 - 基于沪深300指数的流动性冲击指标周五为6.21，高于前一周的5.07，意味着当前市场流动性高于过去一年平均水平6.21倍标准差 [2] - 上证50ETF期权成交量的PUT-CALL比率周五为0.96，高于前一周的0.89，显示投资者对上证50ETF短期走势谨慎程度上升 [2] - 上证综指和Wind全A五日平均换手率分别为1.34%和1.97%，处于2005年以来的77.24%和82.76%分位点，交易活跃度有所下降 [2] - 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 [2] - 高频资金流模型对主要宽基指数发出负向信号（沪深300、中证500、中证1000、中证2000指数均为负向） [2] - 均线强弱指数当前市场得分为181，处于2023年以来的62.50%分位点 [2] 宏观因子 - 上周人民币汇率震荡，在岸和离岸汇率周涨幅分别为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] - 标普全球中国制造业PMI为50.3，高于前值50.1 [2] 技术分析 - Wind全A指数于2月2日向下突破SAR翻转指标 [2] 市场回顾 - 上周（20260202-20260206），上证50指数下跌0.93%，沪深300指数下跌1.33%，中证500指数下跌2.68%，创业板指下跌3.28% [3] - 当前全市场PE（TTM）为23.0倍，处于2005年以来的81.0%分位点 [3] 因子拥挤度观察 - 高盈利因子拥挤度有所下降，最新值为-0.01 [3] - 小市值因子拥挤度为0.06，低估值因子拥挤度为-0.31，高盈利增长因子拥挤度为0.28 [3] 行业拥挤度 - 综合、基础化工、通信、有色金属和电子的行业拥挤度相对较高 [3] - 商贸零售和综合的行业拥挤度上升幅度相对较大 [3]

量化模型与构建方式 1. 短期择时模型 * **模型名称**：短期择时模型[4][16] * **模型构建思路**：通过综合评估宏观基本面、估值面、情绪面和流动性四个维度的多个指标，生成对A股市场的短期（周度）择时信号[14][16]。 * **模型具体构建过程**： 1. **指标选取与信号生成**：选取四个一级维度下的多个二级指标，每个指标根据其当前值在过去5年历史数据中的分位数，被赋予“乐观”、“中性”或“谨慎”的定性信号[14][15][16]。 * **基本面**：包含制造业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[14][17]。 * **估值面**：包含A股整体PE分位数、A股整体PB分位数[15][17]。 * **情绪面**：包含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[15][17]。 * **流动性**：包含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[16][17]。 2. **维度综合**：将每个一级维度下的所有二级指标信号进行综合，得出该维度的总体信号（乐观/中性/谨慎）[14][15][16]。 3. **总仓位信号生成**：将四个一级维度的总体信号进一步综合，生成最终的总仓位信号（例如，以0.5为中性，1.0为乐观，0.0为谨慎）[17][21]。 2. 成长价值风格轮动模型 * **模型名称**：成长价值风格轮动模型[4][22] * **模型构建思路**：通过动态宏观信号、估值回归信号、短期动量信号、风格广度信号和风格拥挤信号等多个维度的信号，综合判断并轮动配置成长与价值风格[22][23]。 * **模型具体构建过程**： 1. **信号维度**：模型包含五个信号维度，每个维度独立生成对成长风格的配置建议（仓位百分比）[23]。 * 动态宏观信号 * 估值回归信号 * 短期动量信号 * 风格广度信号 * 风格拥挤信号 2. **信号综合**：将上述五个维度的信号进行综合，生成最终的成长风格配置仓位。报告中展示了两种综合方式：“无中性仓位”和“5日平均仓位”[23]。 3. 小盘大盘风格轮动模型 * **模型名称**：小盘大盘风格轮动模型[4][25] * **模型构建思路**：从流动性、资金面、市场情绪、技术趋势等多个角度选取11个有效轮动指标，构建综合信号来轮动配置大盘与小盘风格[25][27]。 * **模型具体构建过程**： 1. **指标选取**：根据专题报告，选取了11个有效的大小盘轮动指标[25][27]。报告中列举的指标包括： * 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 2. **信号生成与综合**：每个指标独立生成对小盘风格的配置建议（0%或100%）。将所有指标信号进行综合，得到最终的小盘/大盘配置仓位。报告中采用了“综合信号3D平滑”的方式进行综合[27]。 模型的回测效果 1. 短期择时模型 * **回测区间**：2012年底至2026年2月8日[16][18] * **年化收益率**：16.45%[16][18] * **年化波动率**：14.81%[18] * **最大回撤**：15.05%[16][18] * **夏普比率**：0.9681[18] * **收益回撤比**：1.0935[18] * **月度胜率**：66.04%[18] * **基准年化收益率**：4.97%[16][18] * **年化超额收益率**：11.48%[16] 2. 成长价值风格轮动模型 * **回测区间**：2011年至2026年2月6日[22][23] * **模型版本**：综合信号2_5D平均仓位_国证成长价值[23] * **累计收益**：741.18%[23] * **年化收益**：14.47%[22][23] * **年化波动率**：21.44%[23] * **最大回撤**：40.08%[23] * **夏普比率**：0.64[23] * **收益回撤比**：0.36[23] * **基准年化收益**：6.57%[22][23] * **年化超额收益率**：7.90%[22][23] * **月度超额胜率**：66.14%[23] * **年化跟踪误差**：5.89%[23] * **年化信息比率(IR)**：1.34[23] 3. 小盘大盘风格轮动模型 * **回测区间**：2014年至2026年[26][27] * **模型版本**：综合信号3D平滑[27] * **年化收益**：20.61%[27] * **年化超额收益率**：13.18%[27] * **最大回撤**：40.70%[27] * **平均换手间隔（交易日）**：20[27] * **胜率（按交易）**：50.00%[27] 量化因子与构建方式 （报告中未详细描述独立因子的构建过程，主要介绍了用于模型决策的各类指标。） 因子的回测效果 （报告中未提供独立因子的测试结果。）

量化模型与构建方式 1. **模型名称：择时体系模型** [5][8][9] * **模型构建思路**：通过计算市场指数（WIND全A）的短期均线与长期均线的相对距离，来判断市场整体所处的趋势环境（上行、下行或震荡）[5][9]。 * **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. 计算两条均线之间的距离（差值），并以百分比形式表示。公式定义为： $$均线距离 = \frac{短期均线值 - 长期均线值}{长期均线值} \times 100\%$$ 3. 设定阈值进行判断：当均线距离的绝对值大于3%时，市场处于趋势格局（上行或下行）；当均线距离绝对值小于等于3%时，市场处于震荡格局[5][9]。 2. **模型名称：仓位管理模型** [5][10] * **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（来自择时体系模型），为绝对收益产品提供股票仓位的配置建议[5][10]。 3. **模型名称：行业趋势配置模型** [5][8][10] * **模型构建思路**：该模型是一个复合模型，包含多个子模型，分别从不同维度（如困境反转、宏观Beta、业绩趋势）对行业进行研判，以提供综合的行业配置方向[5][8][10]。 * **模型具体构建过程**：该模型由三个子模型构成： 1. **中期困境反转预期模型**：用于识别当前处于困境但未来有反转预期的行业（如报告提及的白酒与地产），并等待其反转信号的出现[5][8][10]。 2. **TWO BETA模型**：基于宏观风险因子（贝塔）分析，推荐与特定宏观环境（如科技产业周期）相匹配的板块（如科技板块）[5][8][10]。 3. **业绩趋势模型**：基于行业或产业链的业绩增长趋势进行筛选，提示重点关注高景气或业绩有望改善的方向（如算力产业链、超跌的有色与化工板块）[5][8][10]。 模型的回测效果 （报告中未提供各模型具体的历史回测指标数值，如年化收益率、夏普比率、最大回撤等。） 量化因子与构建方式 1. **因子名称：均线距离因子** [5][9] * **因子构建思路**：作为择时体系模型的核心输入，该因子衡量市场短期动量与长期趋势的偏离程度[5][9]。 * **因子具体构建过程**： 1. 取标的指数（WIND全A）的每日收盘价。 2. 分别计算其20日简单移动平均（MA20）和120日简单移动平均（MA120）。 3. 计算均线距离因子值，公式为： $$均线距离因子值 = \frac{MA20 - MA120}{MA120} \times 100\%$$ 2. **因子名称：估值分位数因子（PE、PB）** [5][10][11][13] * **因子构建思路**：用于评估市场或指数的估值水平，通过计算当前估值指标（PE或PB）在其自身历史数据中所处的位置（分位数），来判断估值的高低[5][10]。 * **因子具体构建过程**： 1. 选取标的指数（如WIND全A）。 2. 计算其历史每日的市盈率（PE）和市净率（PB）。 3. 对于当前时点的PE（或PB）值，计算其在过去一段历史时期（例如报告中数据自2014年10月17日起）所有PE（或PB）值序列中的分位数。 4. 分位数越高，代表当前估值相对自身历史水平越高[12][14]。 3. **因子名称：赚钱效应因子** [5][8][9] * **因子构建思路**：反映市场近期的盈利状况，是判断市场趋势的辅助指标[5][9]。 * **因子具体构建过程**：（报告未详细说明其计算方式，仅提及该因子的当前数值。通常可定义为一定周期内上涨股票数量占比或指数累计涨幅等。） 4. **因子名称：成交量触底信号因子** [5][8][10] * **因子构建思路**：将市场成交量与一个预设的极值阈值（如2万亿元）进行比较，以判断市场情绪是否达到短期冰点，可能预示着反弹机会[5][8][10]。 * **因子具体构建过程**：监测市场（如沪深两市）的每日总成交金额，当成交金额接近或低于预设的阈值（报告中为2万亿）时，触发“触底信号”[5][8][10]。 因子的回测效果 （报告中未提供各因子具体的历史测试指标数值，如IC值、IR、多空收益等。）

量化模型与构建方式 1. **模型名称：成交量模型**[9][11] * **模型构建思路：** 基于价量关系构建的短期择时模型，核心思想是成交量变化能反映市场情绪和趋势强度[9]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为短期择时模型之一，并给出了最新信号[11]。 2. **模型名称：特征龙虎榜机构模型**[11] * **模型构建思路：** 利用龙虎榜机构买卖数据构建的短期择时模型，捕捉机构资金动向对市场的影响[11]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为短期择时模型之一，并给出了最新信号[11]。 3. **模型名称：特征成交量模型**[11] * **模型构建思路：** 基于特定的成交量特征（可能与普通成交量模型不同）构建的短期择时模型[11]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为短期择时模型之一，并给出了最新信号[11]。 4. **模型名称：智能算法沪深300模型 / 智能算法中证500模型**[11] * **模型构建思路：** 应用智能算法（如机器学习）对沪深300或中证500指数进行择时判断[11]。 * **模型具体构建过程：** 报告未详细描述具体算法、因子或构建过程，仅提及其为短期择时模型之一，并给出了最新信号[11]。 5. **模型名称：涨跌停模型**[12] * **模型构建思路：** 基于市场涨跌停股票数量或相关特征构建的中期择时模型，反映市场极端情绪和赚钱效应[9][12]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为中期择时模型之一，并给出了最新信号[12]。 6. **模型名称：上下行收益差模型**[12] * **模型构建思路：** 通过比较市场上涨和下跌时的收益差异来构建择时信号，衡量市场内在动能的强弱[9][12]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为中期择时模型之一，并给出了对不同宽基指数的看多/中性信号[11][12]。 7. **模型名称：月历效应模型**[12] * **模型构建思路：** 基于历史统计中存在的特定月份或时间段的市场规律（月历效应）构建的中期择时模型[12]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为中期择时模型之一，并给出了看多信号[12]。 8. **模型名称：长期动量模型**[12] * **模型构建思路：** 基于长期价格动量趋势构建的择时模型[9][12]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为长期择时模型之一，并给出了中性信号[12]。 9. **模型名称：A股综合兵器V3模型 / A股综合国证2000模型**[13] * **模型构建思路：** 将不同周期、不同策略的多个择时模型信号进行耦合得到的综合择时模型，旨在实现攻守兼备[9][13]。 * **模型具体构建过程：** 报告未详细描述具体的耦合规则或权重分配方法，仅提及其为综合模型，并给出了中性信号[13]。 10. **模型名称：成交额倒波幅模型**[13] * **模型构建思路：** 应用于港股的中期择时模型，可能结合成交额与波动率（波幅）的倒数关系来构建信号[13]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为港股中期择时模型之一，并给出了看空信号[13]。 11. **模型名称：上下行收益差相似模型**[13] * **模型构建思路：** 应用于港股的中期择时模型，原理可能与A股的上下行收益差模型类似，用于衡量市场动能[13]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为港股中期择时模型之一，并给出了看多信号[13]。 12. **模型名称：形态学监控模型（杯柄形态、双底形态）**[43] * **模型构建思路：** 基于技术分析中的经典价格形态（杯柄形态、双底形态）识别个股买入机会，属于事件驱动型选股策略[43]。 * **模型具体构建过程：** 报告未详细描述形态识别的具体算法规则和参数，但展示了识别出的形态关键点（如A、B、C点）和突破信号[46][48][51][53][56][57][59]。 13. **模型名称：VIX指数模型**[40] * **模型构建思路：** 通过计算期权隐含波动率来构建市场恐慌/情绪指标，为判断市场提供参考，VIX通常与大盘呈负相关关系[40]。 * **模型具体构建过程：** 报告提及根据公开披露的VIX计算方法复现了指数，具体公式未列出，但指出其与中证指数公司历史VIX的相关系数达99.2%[40]。 模型的回测效果 1. **双底形态模型**，自2020年12月31日至今累计收益23.45%，同期上证综指涨幅17.06%，超额收益6.39%[43]。 2. **杯柄形态模型**，自2020年12月31日至今累计收益19.67%，同期上证综指涨幅17.06%，超额收益2.61%[43]。 量化因子与构建方式 1. **因子名称：分析师一致预期调整因子**[17][18] * **因子构建思路：** 利用卖方分析师对个股盈利预测的上调或下调比例，构建行业层面的预期情绪因子[17][18]。 * **因子具体构建过程：** 报告展示了“分析师上调个股比例”和“分析师下调个股比例”这两个数据，可能通过计算净上调比例或两者差值来构建因子，但未给出明确公式[17][18]。 2. **因子名称：基金仓位因子（绝对仓位、超低配仓位）**[21][22][26][27][30] * **因子构建思路：** 利用公募基金定期报告披露的持仓数据，计算行业配置比例，反映机构资金动向和偏好[21][22]。 * **因子具体构建过程：** * **绝对仓位：** 计算股票型或混合型基金在某行业的持仓市值占其总股票持仓市值的比例[26][27]。 * **超低配仓位：** 计算基金在某行业的持仓比例与该行业市值占全市场比例（或基准指数比例）的差值[30]。 * **超低配近两年分位数：** 将当前超低配仓位值放在近两年的历史序列中计算其分位数，以判断当前配置水平在历史上的位置[22][30]。 因子的回测效果 *(报告未提供因子的独立历史回测绩效指标，如IC、IR、多空收益等。)*

量化模型与构建方式 1. **模型名称：情绪模型**[4][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，并综合多个因子信号生成情绪得分和择时信号[4][14]。 * **模型具体构建过程**：模型包含五个细分情绪因子，每个因子根据其计算规则生成0或1的信号，最后汇总得到总分（满分5分）[18]。具体因子及信号规则如下： 1. **净涨停占比因子**：计算规则未在报告中详述，当期信号为0[18]。 2. **跌停次日收益因子**：计算规则未在报告中详述，当期信号为0[18]。 3. **涨停板占比因子**：计算规则未在报告中详述，当期信号为0[18]。 4. **跌停板占比因子**：计算规则未在报告中详述，当期信号为0[18]。 5. **高频打板收益因子**：计算规则未在报告中详述，当期信号为0[18]。 * **模型评价**：该模型用于判断市场情绪的高低，情绪得分低（如0分）表明市场情绪低迷[4][7][14]。 2. **模型名称：高频资金流模型**[4][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，以辅助择时决策[4][14]。 * **模型具体构建过程**：模型针对不同宽基指数（沪深300、中证500、中证1000、中证2000）生成四种策略信号：激进多头、激进多空、稳健多头、稳健多空[18]。信号取值为1（正向/买入）、0（中性）或-1（负向/卖出）。具体构建方法参考专题报告，本报告未详述[14]。 3. **指标名称：均线强弱指数**[4][14] * **构建思路**：通过计算Wind二级行业指数的均线排列情况，来综合判断市场的整体技术强弱[4][14]。 * **具体构建过程**：报告未详细说明具体计算步骤，仅提及该指数基于Wind二级行业指数算出。当期市场得分为181分，并给出了其在2023年以来的历史分位点（62.50%）[4][14]。 4. **指标名称：流动性冲击指标**[4][8] * **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其历史平均水平的偏离程度[4][8]。 * **具体构建过程**：报告未给出具体计算公式。指标数值表示当前市场的流动性高于过去一年平均水平的标准差倍数。例如，数值6.21表示高于过去一年均值6.21倍标准差[4][8]。 5. **因子名称：因子拥挤度（复合指标）**[19] * **因子构建思路**：因子拥挤是指跟踪某一因子的资金过多导致其收益稳定性下降的现象。该复合指标通过综合多个子指标来度量因子的拥挤程度，作为因子失效的预警[19]。 * **因子具体构建过程**：使用四个子指标度量因子拥挤程度，并综合打分[19]。具体子指标包括： 1. **估值价差**：计算规则详见对应专题报告，本报告未详述[19]。 2. **配对相关性**：计算规则详见对应专题报告，本报告未详述[19]。 3. **长期收益反转**：计算规则详见对应专题报告，本报告未详述[19]。 4. **因子波动率**：计算规则详见对应专题报告，本报告未详述[19]。 * **因子评价**：该指标可用于预警因子失效风险，当拥挤度过高时，提示该因子的收益或收益稳定性可能下降[19]。 6. **指标名称：行业拥挤度**[23] * **构建思路**：参考专题报告构建，用于度量各行业板块的拥挤程度[23]。 * **具体构建过程**：报告未给出具体计算公式，计算方法详见对应专题报告[23]。 模型的回测效果 1. **情绪模型**，情绪得分0分（满分5分）[4][14]，趋势模型信号为负向[4][14]，加权模型信号为负向[4][14] 2. **高频资金流模型**，沪深300指数信号：激进多头1，激进多空0，稳健多头0，稳健多空0[18]；中证500指数信号：激进多头1，激进多空0，稳健多头0，稳健多空0[18]；中证1000指数信号：激进多头0，激进多空-1，稳健多头0，稳健多空0[18]；中证2000指数信号：激进多头0，激进多空-1，稳健多头0，稳健多空-1[18] 3. **均线强弱指数**，当前得分181[4][14]，2023年以来历史分位点62.50%[4][14] 4. **流动性冲击指标**，当期数值6.21[4][8] 量化因子与构建方式 1. **因子名称：小市值因子拥挤度**[20] * **因子构建思路**：作为复合因子拥挤度的一个应用，专门度量小市值因子的拥挤情况[20]。 * **因子具体构建过程**：其值为复合因子拥挤度模型对小市值因子的综合打分结果[20]。 2. **因子名称：低估值因子拥挤度**[20] * **因子构建思路**：作为复合因子拥挤度的一个应用，专门度量低估值因子的拥挤情况[20]。 * **因子具体构建过程**：其值为复合因子拥挤度模型对低估值因子的综合打分结果[20]。 3. **因子名称：高盈利因子拥挤度**[20] * **因子构建思路**：作为复合因子拥挤度的一个应用，专门度量高盈利因子的拥挤情况[20]。 * **因子具体构建过程**：其值为复合因子拥挤度模型对高盈利因子的综合打分结果[20]。 4. **因子名称：高盈利增长因子拥挤度**[20] * **因子构建思路**：作为复合因子拥挤度的一个应用，专门度量高盈利增长（高增长）因子的拥挤情况[20]。 * **因子具体构建过程**：其值为复合因子拥挤度模型对高盈利增长因子的综合打分结果[20]。 因子的回测效果 1. **小市值因子拥挤度**，综合打分0.06[20]，估值价差0.60[20]，配对相关性-0.32[20]，市场波动-0.62[20]，收益反转0.58[20] 2. **低估值因子拥挤度**，综合打分-0.31[20]，估值价差-0.47[20]，配对相关性-0.44[20]，市场波动1.21[20]，收益反转-1.55[20] 3. **高盈利因子拥挤度**，综合打分-0.01[20]，估值价差-0.72[20]，配对相关性-0.45[20]，市场波动-0.42[20]，收益反转1.56[20] 4. **高盈利增长因子拥挤度**，综合打分0.28[20]，估值价差1.02[20]，配对相关性-0.53[20]，市场波动-0.61[20]，收益反转1.22[20] 5. **行业拥挤度**，综合行业2.40[27]，基础化工行业2.10[27]，通信行业2.08[27]，有色金属行业2.07[27]，电子行业1.67[27]，国防军工行业1.36[27]，电力设备行业1.04[27]，机械设备行业0.95[27]，商贸零售行业0.38[27]，计算机行业0.00[27]，社会服务行业-0.02[27]，建筑材料行业-0.02[27]，钢铁行业-0.06[27]，银行行业-0.25[27]，交通运输行业-0.28[27]，传媒行业-0.29[27]，石油石化行业-0.32[27]，纺织服饰行业-0.44[27]，汽车行业-0.54[27]，轻工制造行业-0.61[27]，农林牧渔行业-0.77[27]，非银金融行业-0.79[27]，医药生物行业-0.85[27]，煤炭行业-0.86[27]，食品饮料行业-1.00[27]，家用电器行业-1.10[27]，房地产行业-1.10[27]，美容护理行业-1.14[27]，环保行业-1.18[27]，公用事业行业-1.31[27]，建筑装饰行业-1.51[27]

量化模型与构建方式 1. **模型名称：流动性冲击指标**[4] * **模型构建思路**：通过计算当前市场流动性相对于其历史均值的偏离程度（以标准差倍数衡量），来评估市场流动性的异常水平[4]。 * **模型具体构建过程**：该指标基于沪深300指数计算。具体计算过程未在报告中详细说明，但核心逻辑是计算当前流动性指标值（如成交额）相对于过去一年（约250个交易日）该指标均值的标准差倍数[4]。公式可理解为： $$流动性冲击指标_t = \frac{L_t - \mu_{L, t-250:t-1}}{\sigma_{L, t-250:t-1}}$$ 其中，$L_t$ 代表第t日的流动性指标（如成交额），$\mu_{L, t-250:t-1}$ 和 $\sigma_{L, t-250:t-1}$ 分别代表截至前一日过去一年流动性指标的均值和标准差。 2. **模型名称：PUT-CALL比率**[4] * **模型构建思路**：通过计算上证50ETF期权看跌合约（PUT）与看涨合约（CALL）的成交量比率，来反映市场投资者对标的资产短期走势的谨慎或乐观情绪[4]。 * **模型具体构建过程**：直接计算看跌期权总成交量与看涨期权总成交量的比值。 $$PUT-CALL比率_t = \frac{\sum 看跌期权成交量_t}{\sum 看涨期权成交量_t}$$ 3. **模型名称：SAR指标（停损转向指标）**[14] * **模型构建思路**：一种趋势跟踪指标，用于判断市场趋势的转折点。当价格线从下方突破SAR线时，发出买入信号；当价格线从上方跌破SAR线时，发出卖出信号[14]。 * **模型具体构建过程**：报告未给出具体计算公式。SAR指标的计算涉及加速因子（AF）和极值点（EP）的迭代更新，其通用公式为： $$SAR_t = SAR_{t-1} + AF \times (EP - SAR_{t-1})$$ 其中，AF初始值通常为0.02，随着趋势延续每次增加0.02，上限为0.2；EP为当前上涨趋势中的最高价或下跌趋势中的最低价。当价格趋势反转时，SAR值重置。 4. **模型名称：均线强弱指数**[4][14] * **模型构建思路**：通过统计全市场（或行业指数）中价格位于其长期均线之上的股票（或指数）数量或比例，来量化市场的整体技术强度[4][14]。 * **模型具体构建过程**：报告未给出具体计算公式。构建思路是基于Wind二级行业指数，计算每个行业指数价格与其长期移动平均线（如200日均线）的相对位置，然后对所有行业进行打分或加权，汇总得到全市场的均线强弱指数得分[14]。 5. **模型名称：情绪模型**[4][14] * **模型构建思路**：通过构建多个与涨跌停板相关的微观因子，综合刻画市场的投机情绪和赚钱效应强弱[4][14]。 * **模型具体构建过程**：报告参考了专题报告《从涨停板、打板策略到赚钱效应引发的情绪择时指标》[14]。模型包含多个细分情绪因子，如净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益等[18]。这些因子通过一定的规则（如阈值比较）转化为0或1的信号，最后可能通过等权或加权方式汇总成一个综合情绪得分（0-5分）[14][18]。 6. **模型名称：高频资金流模型**[4][14] * **模型构建思路**：利用高频资金流（可能指主力资金净流入、大单资金流向等）的走势和特征，对主要宽基指数生成择时交易信号[4][14]。 * **模型具体构建过程**：报告参考了专题报告《高频资金流如何辅助宽基择时决策》[14]。模型针对不同指数（如沪深300、中证500等）和不同风险偏好（激进、稳健）以及策略类型（多头、多空），生成了独立的信号[18]。具体构建细节未说明，但核心是利用资金流数据判断趋势的强弱和持续性。 7. **模型/因子名称：因子拥挤度模型**[19] * **模型构建思路**：使用多个维度的指标来度量跟踪或投资某一因子的资金是否过多，从而预警因子可能失效的风险[19]。 * **模型具体构建过程**：报告参考了专题报告《选股因子系列（四十二）——因子失效预警：因子拥挤》[19]。模型使用四个指标度量因子拥挤程度[19]： 1. **估值价差**：因子多空组合两端股票的估值差异。 2. **配对相关性**：因子多空组合两端股票收益的相关性。 3. **长期收益反转**：因子长期收益的动量或反转效应。 4. **因子波动率**：因子收益序列的波动情况。 每个指标计算后都进行标准化（Z-Score）处理，然后通过一定的规则（如等权平均）合成一个综合拥挤度得分[20]。 8. **模型名称：行业拥挤度模型**[23] * **模型构建思路**：类似于因子拥挤度，但应用于行业层面，用于评估某个行业交易是否过热或过冷[23]。 * **模型具体构建过程**：报告参考了专题报告《行业轮动系列研究 15——行业板块拥挤度》[23]。具体计算指标未详细说明，但最终结果是一个标准化的拥挤度分数[26][27]。 模型的回测效果 1. **流动性冲击指标**， 基于沪深300指数的指标值为6.21（2026年2月6日）[4] 2. **PUT-CALL比率**， 上证50ETF期权成交量比率为0.96（2026年2月6日）[4] 3. **均线强弱指数**， 当前市场得分为181，处于2023年以来62.50%分位点[14] 4. **情绪模型**， 综合得分为0分（满分5分）[14] 5. **高频资金流模型**， 沪深300指数：激进多头信号为1，激进多空为0，稳健多头为0，稳健多空为0[18]；中证500指数：激进多头信号为1，激进多空为0，稳健多头为0，稳健多空为0[18]；中证1000指数：激进多头信号为0，激进多空为-1，稳健多头为0，稳健多空为0[18]；中证2000指数：激进多头信号为0，激进多空为-1，稳健多头为0，稳健多空为-1[18] 量化因子与构建方式 1. **因子名称：小市值因子**[20] * **因子构建思路**：选择市值较小的股票，基于小市值公司可能具有更高成长性或溢价的理论。 * **因子具体构建过程**：报告未给出具体构建公式。通常使用总市值或流通市值进行排序或标准化，构建多空组合。 2. **因子名称：低估值因子**[20] * **因子构建思路**：选择估值指标（如市盈率PE、市净率PB）较低的股票，基于价值投资理论。 * **因子具体构建过程**：报告未给出具体构建公式。通常使用PE或PB等估值指标进行排序或标准化，构建多空组合。 3. **因子名称：高盈利因子**[20] * **因子构建思路**：选择盈利能力（如净资产收益率ROE、总资产收益率ROA）较强的股票。 * **因子具体构建过程**：报告未给出具体构建公式。通常使用ROE或ROA等盈利指标进行排序或标准化，构建多空组合。 4. **因子名称：高盈利增长因子（高增长因子）**[20] * **因子构建思路**：选择盈利增长（如净利润增长率、营业收入增长率）较快的股票。 * **因子具体构建过程**：报告未给出具体构建公式。通常使用盈利增长率指标进行排序或标准化，构建多空组合。 5. **因子名称：情绪细分因子**[18] * **因子构建思路**：从不同角度刻画市场涨停板相关的投机情绪[14]。 * **因子具体构建过程**：包含净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益等细分因子[18]。具体计算方式未说明。 因子的回测效果 1. **小市值因子拥挤度**， 综合打分0.06，估值价差0.60，配对相关性-0.32，市场波动-0.62，收益反转0.58（2026年2月6日）[20] 2. **低估值因子拥挤度**， 综合打分-0.31，估值价差-0.47，配对相关性-0.44，市场波动1.21，收益反转-1.55（2026年2月6日）[20] 3. **高盈利因子拥挤度**， 综合打分-0.01，估值价差-0.72，配对相关性-0.45，市场波动-0.42，收益反转1.56（2026年2月6日）[20] 4. **高盈利增长因子拥挤度**， 综合打分0.28，估值价差1.02，配对相关性-0.53，市场波动-0.61，收益反转1.22（2026年2月6日）[20] 5. **情绪细分因子信号**， 净涨停占比信号0，跌停次日收益信号0，涨停板占比信号0，跌停板占比信号0，高频打板收益信号0（截至报告时点）[18]

量化模型与构建方式 1. **模型名称：稀疏自编码择时模型 (Sparse Auto Encoder, SAE)**[7] * **模型构建思路**：针对指数择时数据量少、噪声高、特征有效性波动大的问题，对标准自编码器进行改进，通过引入稀疏化惩罚和自回归损失，使模型能够自动进行特征筛选和信息提纯，提高鲁棒性和抗过拟合能力，以学习指数涨跌规律[2][7][11]。 * **模型具体构建过程**： 1. **模型结构**：模型分为稀疏自编码器和预测器两部分[8]。 2. **编码与解码**：输入特征 $x_i$ 通过编码器（Encoder）压缩为低维编码 $code_i$，再通过解码器（Decoder）重构为 $\hat{x}_i$[8]。 3. **预测**：将编码器输出的隐藏层特征 $res_i$ 通过预测器（Predictor）得到未来收益率的预测值 $\hat{y}_i$[8]。 4. **损失函数**：总损失函数由预测损失、自回归损失和稀疏化惩罚三部分加权构成，公式如下： $$Loss=\frac{1}{N}\sum\nolimits_{i=1}^{N}\left(\mathcal{J}(y_{i},{\hat{y}}_{i})+\lambda_{1}\mathcal{L}\left(x_{i},{\hat{x}}_{i}\right)+\lambda_{2}SparseLoss(code_{i})\right)$$ 其中，$\mathcal{J}$ 和 $\mathcal{L}$ 为距离度量函数（如MSE），$\lambda_1$ 和 $\lambda_2$ 为超参数，$SparseLoss$ 为稀疏化惩罚项[9][12]。 5. **稀疏化惩罚**：可采用KL散度形式，公式如下： $$\sum_{i}\left[\rho\mathrm{log}{\frac{\rho}{\rho_{i}}}+(1-\rho)\mathrm{log}({\frac{1-\rho}{1-\rho_{i}}})\right]$$ 其中 $\rho_i$ 为第 $i$ 个神经元在批次样本中的平均激活值，$\rho$ 为设定的稀疏化参数[12][13]。 6. **训练方式**：采用年度滚动增量训练，每次训练取五组不同随机种子（seed）的结果进行平均，以生成样本外预测信号[13][15]。 * **模型评价**：模型训练过程较为稳定，但存在一定的随机性，不过随机性对最终结果的影响可能有限[2][23][26]。 2. **预处理方法：小波变换去噪** * **构建思路**：为了降低金融量价时序数据中的噪声含量，缓解神经网络因数据量不足导致的过拟合风险，采用小波变换对数据进行分解重构，保留长期趋势、中期波动和短期震荡成分，过滤掉噪声[19]。 * **具体构建过程**： 1. 选取父小波 $\varphi$ 和母小波 $\psi$ 函数，它们彼此正交[19]。 2. 定义 $j$ 阶小波函数： $\varphi_{jk}=2^{-j/2}\varphi(2^{-j}-k)$ $\psi_{jk}=2^{-j/2}\psi(2^{-j}-k)$[19] 3. 将标准化后的时间序列 $x(t)$ 通过小波函数投影进行多级分解与重建，本算法级别 $J$ 取值为4。重建公式为： $$x(t)=\sum\nolimits_{k}s_{j,k}\varphi_{j,k}+\sum\nolimits_{k}d_{j,k}\psi_{j,k}+\ldots+\sum\nolimits_{k}d_{1,k}\psi_{1,k}$$ 其中系数通过以下公式计算： $S_{J,k}=\int\varphi_{J,k}x(s)ds$ $d_{j,k}=\int\psi_{J,k}x(s)ds$[20] 4. 将去噪后的数据作为稀疏自编码模型的输入[21]。 3. **输入特征集** * **构建思路**：使用基于指数日K线字段（高开低收、成交额、成交量）构建的常见技术特征作为模型输入，涵盖不同时间尺度信息，未进行人工筛选以避免过拟合[16][18]。 * **具体特征**：共计92个特征，分为四大类： 1. **基础K线量价字段**：如标准化价格、换手率、振幅及其滚动统计量（均值、分位数）[16]。 2. **均线及相对位置指标**：如滚动N日均线、不同周期均线相对位置[16]。 3. **波动率类指标**：如滚动N日收益率及换手率波动率[16]。 4. **基础技术指标**：如不同参数的RSI、OBV、MACD等。其中： * RSI = (N日内收盘涨幅绝对值之和) / (N日内收盘跌幅绝对值之和)[16] * OBV = N日内收盘涨跌符号乘以换手率之和[16] * MACD计算方式：DIF=12日EMA-26日EMA，DEA=DIF的9日EMA，MACD指标=DIF-DEA[16][17] 模型的回测效果 （回测区间：2020年1月1日至2025年12月31日，交易规则：根据T日收盘信号于T+1日收盘价交易，不考虑费用[27]） 1. **中证500指数择时策略 (阈值k=0.2%)** * **多空策略**：年化收益43.86%，年化波动率21.21%，夏普比率2.07，最大回撤-14.00%，Calmar比率3.13[29]。 * **只做多策略**：年化收益23.30%，年化波动率16.82%，夏普比率1.39，最大回撤-16.04%，Calmar比率1.45[33]。 * **只做空策略**：年化收益16.68%，年化波动率13.04%，夏普比率1.28，最大回撤-14.30%，Calmar比率1.17[34]。 2. **中证1000指数择时策略 (阈值k=0.2%)** * **多空策略**：年化收益50.47%，交易次数246次，胜率54.64%，最大回撤-30.03%[43]。 * **只做多策略**：年化收益26.00%，年化波动率18.49%，夏普比率1.41，最大回撤-22.08%，Calmar比率1.18[46]。 * **只做空策略**：年化收益20.01%，年化波动率15.73%，夏普比率1.27，最大回撤-19.85%，Calmar比率1.01[47]。 3. **其他宽基指数只做多策略** * **中证2000指数**：年化收益32.56%，年化波动率20.13%，夏普比率1.62，最大回撤-25.59%，Calmar比率1.27[55]。 * **中证全指**：年化收益18.83%，年化波动率14.90%，夏普比率1.26，最大回撤-16.95%，Calmar比率1.11[56]。

报告行业投资评级 未提及 报告的核心观点 报告给出几个借助ETF构建的策略指数，并以周度为频率对指数的绩效和持仓进行跟踪 [11] 根据相关目录分别进行总结 1. ETF策略指数跟踪 - 上周部分ETF策略指数绩效：华宝研究大小盘轮动ETF策略指数上周指数收益-2.56%，基准收益-0.70%，超额收益-1.86%；华宝研究量化风火轮ETF策略指数上周指数收益1.86%，基准收益-0.70%，超额收益2.56%；华宝研究量化平衡术ETF策略指数上周指数收益-0.28%，基准收益0.08%，超额收益-0.36%；华宝研究SmartBeta增强ETF策略指数上周指数收益-3.46%，基准收益-0.70%，超额收益-2.76%；华宝研究热点跟踪ETF策略指数上周指数收益1.67%，基准收益-1.54%，超额收益3.21%；华宝研究债券ETF久期策略指数上周指数收益0.12%，基准收益-0.02%，超额收益0.14% [12] 1.1. 华宝研究大小盘轮动ETF策略指数 - 策略：利用多维度技术指标因子，采用机器学习模型对申万大盘指数和申万小盘指数的收益差进行预测，模型周度输出信号，预测下一周指数强弱并决定持仓获取超额回报 [13] - 收益情况：截至2026/1/30，2024年以来超额收益29.34%，近一月超额收益5.89%，近一周超额收益-1.86%；近一周收益-2.56%，近一月收益10.38%，2024年以来收益71.07%；中证800近一周收益-0.70%，近一月收益4.49%，2024年以来收益41.73% [13][14][17] - 持仓：中证500ETF权重50%，中证1000ETF权重50% [17] 1.2. 华宝研究SmartBeta增强ETF策略指数 - 策略：利用量价类指标对自建barra因子择时，依据ETF在9大barra因子上的暴露度将择时信号映射到ETF上获取超越市场的收益，ETF涵盖主流宽基指数ETF以及一些风格、策略ETF [15] - 收益情况：截至2026/1/30，2024年以来超额收益20.15%，近一月超额收益-2.11%，近一周超额收益-2.76%；近一周收益-3.46%，近一月收益2.38%，2024年以来收益61.87%；中证800近一周收益-0.70%，近一月收益4.49%，2024年以来收益41.73% [15][16][18] - 持仓：鹏华科创100ETF权重25.18%，南方创业板200ETF权重25.00%，富国科创综指ETF权重24.91%，华夏科创综指ETF权重24.90% [20] 1.3. 华宝研究量化风火轮ETF策略指数 - 策略：从多因子角度出发，包含对中长期基本面维度的把握、短期市场趋势的跟踪以及市场各类参与者的行为分析，通过估值与拥挤度信号提示行业风险，多维度挖掘潜力板块获得超额收益 [20] - 收益情况：截至2026/1/30，2024年以来超额收益51.39%，近一月超额收益6.51%，近一周超额收益2.56%；近一周收益1.86%，近一月收益11.00%，2024年以来收益93.11%；中证800近一周收益-0.70%，近一月收益4.49%，2024年以来收益41.73% [20][23] - 持仓：有色金属ETF权重23.46%，鹏华石油ETF权重20.32%，化工ETF权重19.64%，钢铁ETF权重19.03%，易方达证券保险ETF权重17.54% [25] 1.4. 华宝研究量化平衡术ETF策略指数 - 策略：采用多因子体系，囊括经济基本面、流动性、技术面和投资者行为四大类因子，构建量化择时系统对权益市场进行趋势研判，对市场大小盘风格建立预测模型调整权益市场仓位分布，综合择时和轮动获取超额收益 [24] - 收益情况：截至2026/1/30，2024年以来超额收益-10.24%，近一月超额收益0.48%，近一周超额收益-0.36%；近一周收益-0.28%，近一月收益2.13%，2024年以来收益26.93%；沪深300近一周收益0.08%，近一月收益1.65%，2024年以来收益37.17% [24][25] - 持仓：十年国债ETF权重9.02%，500ETF增强权重6.70%，中证1000ETF权重6.41%，国泰沪深300增强ETF权重33.09%，政金债券ETF权重22.42%，海富通短融ETF权重22.34% [27] 1.5. 华宝研究热点跟踪ETF策略指数 - 策略：根据市场情绪分析、行业重大事件跟踪、投资者情绪和专业观点、政策和法规变动以及历史演绎等策略，及时跟踪并挖掘热点指数标的产品，构建能捕捉市场热点的ETF组合，为投资者提供短期市场趋势参考并帮助决策 [27] - 收益情况：截至2026/1/30，近一月超额收益6.21%，近一周超额收益3.21%；近一周收益1.67%，近一月收益11.96%；中证全指近一周收益-1.54%，近一月收益5.75% [27][29] - 持仓：汇添富有色ETF权重45.33%，博时港股红利ETF权重21.32%，易方达港股通医药ETF权重17.51%，海富通短融ETF权重15.84% [30] 1.6. 华宝研究债券ETF久期策略指数 - 策略：采用债券市场流动性指标、量价指标，筛选有效择时因子，通过机器学习方法对债券收益率进行预测，当预期收益率低于阈值时减少债券投资组合中长久期的仓位，提升组合长期收益和回撤控制能力 [30] - 收益情况：截至2026/1/30，近一月超额收益0.40%，近一周超额收益0.14%；近一周收益0.12%，近一月收益0.51%，2024年以来收益9.61%，成立以来收益23.78%；中债 - 总指数近一周收益-0.02%，近一月收益0.10%，2024年以来收益3.12%，成立以来收益7.40% [30][31] - 持仓：十年国债ETF权重50.03%，国债ETF5至10年权重24.98%，政金债券ETF权重24.98% [33]

核心观点总结 - 截至2026年1月30日，市场情绪指标数值为2.6，较上周五的2.35小幅上升，情绪整体平稳，模型观点偏多 [2][9] - 市场资金在不同行业间切换频率提高，行业涨跌趋势性指标快速下挫，显示资金对行业短期走势判断分歧加剧，资金切换较快 [3][13] - 当前模型整体提示小盘与成长风格占优信号，但短期信号存在削弱可能 [3][53] 1. 情绪模型观点：情绪指标整体平稳，资金切换较快 - **情绪指标概况**：市场情绪结构指标由多个分项指标合成，采用打分方式，最终指标为20日均线，在近5年A股市场中围绕0轴在[-6,6]范围内波动，2024年10月市场情绪得分突破2 [7][8] - **整体情绪**：截至1月30日，市场情绪指标为2.6，较上周五的2.35小幅上升，情绪整体平稳，模型观点偏多 [2][9] - **价量关系**：价量一致性指标周内维持高位震荡，表明市场价量匹配程度高，资金关注度与标的涨幅之间保持强相关性，市场情绪整体偏活跃 [3][13][16] - **成交活跃度**：本周全A成交额较上周环比上升9.44%，平均日成交额为30632.46亿元，市场成交活跃度小幅回升，其中1月26日成交额达周内最高32806.44亿元，日成交量1923.57亿股 [3][19] - **风险偏好**：科创50相对万得全A成交占比周内持续回升，反映市场风险偏好出现上行迹象，高弹性板块交易关注度提升，整体情绪已逐步脱离低迷区间 [3][13][22] - **资金轮动**：行业间交易波动率小幅回升，表明资金在不同行业间的切换频率提高，跨行业轮动活跃度增强，市场交易活跃度出现阶段性回暖 [3][13][27] - **趋势分歧**：行业涨跌趋势性指标周内快速下挫并跌破布林带上界，显示资金对行业短期走势的判断分歧加剧，行业趋势一致性下降，板块β效应边际减弱 [3][13][30] - **杠杆情绪**：融资余额占比周内小幅上行且仍运行于布林带上界之上，显示杠杆资金情绪维持在较高水平，投资者风险偏好整体偏积极，融资交易活跃度保持高位 [3][13][33] - **动能减弱**：RSI指标周内持续回落，表明市场短期上行动能进一步减弱，卖盘力量增强，市场参与意愿阶段性降温 [3][13][36] - **主力资金**：主力资金净流入指标维持高位震荡，反映主力买入力量仍然较强，机构资金入场与主动配置意愿提升，对市场中短期做多动能形成支撑 [3][13][39] 2. 其他择时模型观点：食品饮料短期得分上升幅度领先，成长风格与小盘风格占优 - **行业趋势得分**：根据均线排列模型，截至2026年1月30日，石油石化、建筑材料、有色金属、轻工制造、通信行业趋势得分排名前列，其中石油石化、建筑材料短期得分均为98.31，为短期得分最高行业 [3][43] - **得分上升行业**：食品饮料、银行、煤炭、房地产、石油石化等行业短期得分上升幅度靠前 [3][43] - **行业拥挤度**：截至2026年1月30日，平均拥挤度最高的行业分别为有色金属、石油石化、钢铁、计算机、传媒，拥挤度最低的行业分别为交通运输、房地产、商贸零售、环保、轻工制造 [46] - **拥挤度与涨跌关系**：本周拥挤度与周内涨跌幅相关系数为0.33，存在较明显正相关性，石油石化等高拥挤度板块领涨明显，短期仍有上冲惯性但需警惕高位回调压力，钢铁、计算机等拥挤度较高但涨幅较低，商贸零售、环保、轻工制造等低拥挤度板块涨幅相对落后 [3][49] - **风格信号**：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快速下降，未来信号存在削弱可能，同时模型维持提示成长风格占优信号，信号提示强度较弱，且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][53]