OpenAI与软银的投资结构 - 软银已向OpenAI投资346亿美元，获得该公司11%的股权，这笔投资全部计入其2019年成立的愿景基金2期 [4] - 愿景基金2期曾向母公司软银借款85亿美元，该笔贷款此前由孙正义个人提供担保，但最新财报披露孙正义已不再需要承担此项约10亿美元的个人担保责任 [3][4] - 根据一项协议，若愿景基金2期的价值较投资成本超出30%，孙正义个人有权获得该基金17.25%的利润分成，这意味着若OpenAI成功上市且市值达数万亿美元，孙正义个人可能获利数十亿美元 [3][4] 愿景基金2期业绩与软银状况 - 一年前，愿景基金2期亏损230亿美元，相当于其投资总额的40% [4] - 主要得益于对OpenAI的投资，该基金因OpenAI股权增值198亿美元，目前亏损已收窄至约3%，几乎实现盈亏平衡 [4] - 若OpenAI以7500亿美元估值进行新一轮数百亿美元融资，软银将录得更大规模收益 [4] - 过去一年，软银股价翻倍，成为市场对OpenAI信心的公开晴雨表 [5] 软银的风险与策略调整 - 软银向愿景基金2期提供的85亿美元贷款已偿还并转换为优先股，这意味着若基金仅取得温和成功，软银将优先获得利润 [6] - 软银正高度依赖债务为其人工智能投资承诺提供资金 [6] - 愿景基金2期仍持有大量高风险投资 [6] Pinterest业绩与市场反应 - Pinterest第四季度营收同比增长14%，但增速较前几个季度放缓了数个百分点，处于公司此前给出的预期区间下限 [7] - 公司将增速放缓归咎于新的家具关税导致大型零售商削减了广告支出 [7] - 财报公布后，公司股价在盘后交易中暴跌18%，跌至略高于15美元，为2020年4月以来的最低点 [7] - 公司首席执行官表示对第四季度营收表现不满意，并正紧急行动以期将增速恢复至15%-20%及以上的历史水平 [7] 其他公司动态 - Anthropic宣布完成300亿美元融资，由新加坡主权财富基金GIC和Coatue Management领投，融资后估值达3800亿美元 [7] - Airbnb第四季度营收同比增长12%，自由现金流增长13.7%至5.21亿美元，股价盘后上涨5.7% [7] - Instacart第四季度营收为9.92亿美元，同比增长12%，股价上涨15%，其12月季度总交易额同比增长14%，高管称此为三年来最快增速 [7]

报告行业投资评级 - 报告未明确给出对“红利风格”或相关行业的整体投资评级 [1][4][6][17] 报告的核心观点 - 上周（20260202 至 20260206）红利风格择时模型综合因子值为 0.09，转为正值、发出正向信号，市场风格可能向红利切换 [1][4][6] - 因子值相对前一周（20260126 至 20260130）的 -0.08 继续回升 [1][4][6] - 分项来看，红利上周表现亮眼，动量因子贡献由负转正 [4][7] - 美债利率的下行趋势大幅减弱，对红利的压制进一步减小 [4][7] - 存量方面，市场情绪降温，为红利风格产生正贡献 [4][7] - 多因素共同作用下，打分由负转正 [4][7] 模型最新结果 - 上周（20260202 至 20260206）红利风格择时模型综合因子值为 0.09，转为正值、发出正向信号 [6] - 因子值相对前一周（20260126 至 20260130）的 -0.08 继续回升 [6] - 各因子最新观点（20260206）显示：中国非制造业 PMI服务业因子值为 -0.13，观点为“1”；中国M2同比因子值为 0.21，观点为“0”；美国国债收益率10年因子值为 -0.24，观点为“0”；红利相对净值自身因子值为 0.92，观点为“1”；中证红利股息率-10年期中债收益率因子值为 0.22，观点为“1”；融资净买入因子值为 -1.62，观点为“1”；行业平均景气度因子值为 0.77，观点为“0” [11]

合并交易核心信息 - SpaceX与xAI合并组建估值达1.25万亿美元的私营企业，成为史上估值最高的私营企业 [2] - 合并交易预计于今年3月16日完成，埃隆·马斯克将执掌合并后的实体 [6] - SpaceX将以2500亿美元收购xAI，xAI股份按约7:1的比例兑换为SpaceX股票，合并后实体股价定为每股527美元 [3] 交易背景与动机 - 自SpaceX在去年夏季向xAI投资20亿美元以来，市场已流传合并传闻，但多数股东对上周开始的正式谈判感到意外 [2] - 支持者认为合并将火箭、卫星网络、社交媒体数据与AI模型结合，形成协同效应，是伟大工程能力的证明 [2][6] - 批评者视之为金融工程案例，借助马斯克个人品牌和SpaceX为每月烧掉10亿美元现金的xAI“输血” [2] - 有观点认为，xAI独立发展竞争力有限，合并是现实选择，AI发展的瓶颈在于能源，而垂直整合提供了解决方案 [6][7] 财务与运营状况 - SpaceX凭借商业火箭发射垄断地位及星链用户激增，年收入已增长至160亿美元 [7] - SpaceX将私募估值上调至1万亿美元，依据是星链宽带服务收入增长，较去年12月二级市场估值高出2000亿美元 [5] - xAI去年收入仅有几亿美元，且近期警告2025年可能需投入超100亿美元用于采购芯片和建设数据中心 [7] - 为完成交易，SpaceX将增发价值2500亿美元的新股，可能稀释现有股东持股比例 [7] 首次公开募股计划 - SpaceX确认计划于今年6月进行首次公开招股 [2] - IPO可能募集高达500亿美元资金，有望成为史上规模最大的IPO，超越沙特阿美2019年290亿美元的募资额 [6] - 马斯克坚持6月时间点是因为当月将出现罕见的木星、金星与水星三星连珠天象 [6] - 投资者认为紧迫安排是希望抢先于正洽谈今年上市的OpenAI和Anthropic上市，以占据先发优势 [6] 战略举措与行业影响 - SpaceX向监管机构申请发射100万颗卫星以构建“轨道数据中心系统”，相比当前9400颗的规模是巨大跃升 [7] - 特斯拉已宣布向xAI投资20亿美元并将战略重心转向AI芯片和人形机器人，引发市场对SpaceX与特斯拉最终可能合并的猜测 [8] - 有投资者担忧，与亏损严重的xAI合并可能使SpaceX的IPO进程复杂化甚至危及上市 [7]

报告行业投资评级 - 报告未明确给出对“红利风格”或相关行业的整体投资评级 [1][4][6] 报告的核心观点 - 上周（20260126至20260130）红利风格择时模型综合因子值为-0.08，相对前一周（20260112至20260123）的-0.57大幅回升，已接近临界点，需注意市场风格由其他风格向红利风格切换的可能性 [1][4][6] - 综合因子值迅速接近0轴，是正负贡献因子相互对冲的结果：市场情绪及股债性价比因子提供了较强的正贡献，部分抵消了美债利率下行趋势和行业景气度改善带来的负贡献 [4][7] 模型最新结果与因子分析 - **综合因子动态**：截至20260130，红利风格择时模型综合因子值为-0.08，较前一周的-0.57显著回升 [6] - **正贡献因子**： - 融资净买入大幅减小，对红利风格转为正贡献 [4][7] - 市场情绪及股债性价比因子提供了较强的正贡献 [4][7] - 上周红利表现较好，动量因子明显改善 [4][7] - **负贡献因子**： - 美债利率（美国:国债收益率:10年）的下行趋势持续减弱，对红利风格的压制减小，但其下行趋势本身仍是负贡献的主要来源之一 [4][7] - 行业平均景气度的改善是另一个负贡献的主要来源 [4][7] - **最新因子观点（20260130）**： - 看多因子（观点为1）：中国:非制造业PMI:服务业、中证红利股息率-10年期中债收益率、融资净买入 [11] - 看平因子（观点为0）：中国:M2:同比、美国:国债收益率:10年、红利相对净值自身、行业平均景气度 [11] - 关键因子具体数值：美国10年期国债收益率因子值为-0.39（前值-0.56），融资净买入因子值为-1.26（前值1.37），中证红利股息率-10年期中债收益率因子值为0.43（前值0.76） [11]

量化模型与构建方式 1. **模型名称：宏观指标趋势模型** [17] * **模型构建思路**：通过统计检验方法（T检验），判断单个宏观指标的趋势（上行或下行）是否对大类资产未来一个月的收益率有显著影响，并以此为基础构建打分模型[17]。 * **模型具体构建过程**： 1. 对于每个宏观指标，计算其不同周期的历史月度均线，并根据该均线判断指标在每个月处于“趋势上行”或“趋势下行”状态[17][18]。 2. 分别统计在宏观指标“趋势上行”和“趋势下行”两种情况下，对应大类资产未来1个自然月的月度收益率序列[17]。 3. 对上述两个收益率序列进行T检验，计算t值。t值越大，表明该宏观指标的趋势变化对该大类资产未来表现的影响越显著[17]。 4. 筛选出历史上t值显著（即影响显著）的宏观指标，用于后续月度打分[17]。 5. 每月末，根据筛选出的宏观指标的当前趋势方向（上行记+1分，下行记-1分）及其对资产的影响方向（正向或负向），计算每个大类资产的宏观视角总得分[31]。 * **T检验公式**： $$t={\frac{{\overline{{R_{1}}}}-{\overline{{R_{2}}}}}{\sqrt{\frac{(n_{1}-1){S_{1}}^{2}+(n_{2}-1){S_{2}}^{2}}{n_{1}+n_{2}-2}}({\frac{1}{n_{1}}}+{\frac{1}{n_{2}}})}}\sim t_{n_{1}+n_{2}-2}$$ 其中，$\overline{R_1}$、$\overline{R_2}$分别代表宏观指标在趋势上行和趋势下行的不同情况下，某个大类资产未来1个自然月的平均月度收益率；$S_1$、$S_2$代表对应情况下收益率的标准差；$n_1$、$n_2$分别代表宏观指标处于趋势上行或趋势下行的月份数量[17]。 2. **因子名称：技术视角-趋势因子** [22] * **因子构建思路**：基于大类资产价格（收盘价或LLT指标）计算历史平均涨跌幅，以此判断资产价格的趋势方向，并转化为打分信号[22]。 * **因子具体构建过程**：对于不同大类资产，采用不同的计算周期（如2个月、6个月等）计算其价格的平均月度涨跌幅[33]。具体为： 1. **权益资产**：使用“历史2个月LLT平均月度涨跌幅”与“历史(T-12至T-2)个月LLT平均月度涨跌幅”进行比较判断[33]。 2. **债券、黄金、工业品资产**：使用“历史N个月收盘价平均月度涨跌幅”与更长期的历史平均涨跌幅进行比较判断（N取2或6）[33]。 3. 若计算出的趋势指标为正，则认为趋势向上，记+1分；若为负，则认为趋势向下，记-1分[22]。 3. **因子名称：技术视角-估值因子** [23] * **因子构建思路**：计算股权风险溢价（ERP）及其历史分位数，以此衡量权益资产的估值水平，并根据分位数区间进行打分[23][25]。 * **因子具体构建过程**： 1. 计算股权风险溢价（ERP）：ERP = 中证800指数PE(TTM)的倒数 - 10年期国债到期收益率[23]。 2. 计算ERP的历史5年分位数：分位数 = (当前ERP值 - 历史5年ERP最低值) / (历史5年ERP最高值 - 历史5年ERP最低值)[23]。 3. 根据分位数所在区间赋予估值得分：高于90%为+2分，70%-90%为+1分，30%-70%为0分，10%-30%为-1分，低于10%为-2分[25]。 4. **因子名称：技术视角-资金流因子** [26] * **因子构建思路**：通过计算指数月度主动净流入额的边际变化，来衡量权益资产资金面的整体情况，并转化为打分信号[26]。 * **因子具体构建过程**： 1. 以日度频率计算个股的主动净流入额，并加总得到指数月度主动净流入额[26]。 2. 计算该月度主动净流入额数据的边际变化（报告未明确具体计算公式，通常为当期值与历史均值或前期值的比较）[26]。 3. 若资金流指标为正，则认为资金面边际改善及资金流入，记+1分；若为负，则认为资金面边际恶化及资金流出，记-1分[26]。 5. **模型名称：综合打分配置模型** [35] * **模型构建思路**：结合宏观视角和技术视角的月度打分结果，形成对各大类资产或权益风格的最终观点，并以此调整基准配置组合的权重，构建主动配置组合[35]。 * **模型具体构建过程**： 1. **观点生成**：对每个大类资产或权益风格，分别计算其宏观视角总得分（相关宏观指标得分之和）和技术视角总得分（趋势、估值、资金流等得分之和），两者相加得到最新总得分，根据总得分形成“看好”、“看空”或“看平”等观点[35][56]。 2. **组合构建**： * **设定基准组合**：为各大类资产或权益风格设定固定的基准配置权重[35][57]。 * **权重调整**：根据月度最新信号（观点），对看好的资产/风格在其基准权重上增加一个固定的“调整权重”，对看空的资产/风格则减少相应的“调整权重”，并相应调整货币资产或另一风格资产的配置比例以保持总权重为100%[35][36][57]。 * 报告展示了三种基准组合的增强版本： a. **固定比例+宏观/技术指标组合**：在固定权重基准组合（权益20%、债券60%、商品15%、货币5%）上，根据宏观或技术指标信号调整[36]。 b. **控制年化波动率6%+宏观指标+技术指标组合**：在控制组合年化波动率不超过6%的基准权重上，根据宏观和技术指标信号调整[46]。 c. **风险平价+宏观指标+技术指标组合**：在风险平价模型确定的基准权重上，根据宏观和技术指标信号调整[46]。 模型的回测效果 1. **固定比例+宏观指标+技术指标组合** [40][44] * 年化收益率：10.20%[40] * 最大回撤：9.27%[40] * 年化波动率：6.14%[40] * 2026年1月收益率：3.75%[36] 2. **控制年化波动率6%+宏观指标+技术指标组合** [50][51] * 年化收益率：10.46%[50] * 最大回撤：7.37%[50] * 年化波动率：5.54%[50] * 2026年1月收益率：5.60%[51] 3. **风险平价+宏观指标+技术指标组合** [50][51] * 年化收益率：8.29%[50] * 最大回撤：4.58%[50] * 年化波动率：3.39%[50] * 2026年1月收益率：2.01%[51] 4. **大小盘轮动组合** [61][62] * 年化收益率：14.30%[61] * 最大回撤：49.10%[61] * 年化波动率：22.30%[61] * 2026年1月收益率：8.47%，超额收益（相对基准）2.54%[62] 5. **成长价值轮动组合** [68] * 年化收益率：14.43%[68] * 最大回撤：45.18%[68] * 年化波动率：21.57%[68] * 2026年1月收益率：5.66%，超额收益（相对基准）1.51%[68]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：双低策略转债指数[29] * **模型构建思路**：基于可转债的“价格”和“转股溢价率”两个核心估值指标，构建一个综合评分（即“双低值”）较低的转债组合，以捕捉兼具债底保护与股性弹性的投资机会[29]。 * **模型具体构建过程**：该模型通过构建“万得可转债双低指数”来体现。其核心是计算每只可转债的“双低值”，该值通常为转债价格与转股溢价率之和。模型选取市场上“双低值”排名靠前的可转债构成指数成分，并定期调整。其中，转股溢价率的计算公式为： $$转股溢价率 = \frac{可转债收盘价 - 转股价值}{转股价值}$$ 而转股价值的计算公式为： $$转股价值 = \frac{100}{转股价格} \times 正股收盘价$$ 因此，双低值（Score）可表示为： $$Score = P_{cb} + \frac{P_{cb} - \frac{100}{P_{conv}} \times P_{stock}}{\frac{100}{P_{conv}} \times P_{stock}}$$ 其中，$P_{cb}$代表可转债收盘价，$P_{conv}$代表转股价格，$P_{stock}$代表正股收盘价[19]。 2. **模型名称**：高价低溢价率策略转债指数[29] * **模型构建思路**：专注于筛选价格较高但转股溢价率较低的可转债，这类转债股性较强，与正股股价联动更紧密，旨在捕捉正股上涨带来的弹性收益[29]。 * **模型具体构建过程**：该模型通过构建“万得可转债高价低溢价率指数”来体现。其构建逻辑是，在价格较高的可转债池中（例如价格大于某一阈值），进一步筛选出转股溢价率最低的一批个券组成指数。这本质上是一个在约束条件下的排序筛选模型，先以价格为条件划定范围，再以转股溢价率为指标进行优选[29]。 量化因子与构建方式 1. **因子名称**：转股溢价率[19] * **因子构建思路**：衡量可转债价格相对于其转换为股票后的价值（转股价值）的溢价程度，是评估可转债估值高低和股性强弱的核心指标[19]。 * **因子具体构建过程**：对于单只可转债，在特定时点（如日度），使用收盘价数据计算其转股溢价率。计算公式为： $$转股溢价率 = \frac{可转债收盘价 - 转股价值}{转股价值}$$ 其中，转股价值 = (100 / 转股价格) × 正股收盘价[19]。 * **因子评价**：该因子是连接可转债与正股的关键桥梁。较低的转股溢价率通常意味着转债的股性更强，价格随正股波动更敏感；较高的转股溢价率则意味着债性更强，但股性弹性不足[19]。 2. **因子名称**：转债价格[35] * **因子构建思路**：可转债的市场交易价格，是反映其绝对价位和债底保护程度的基础因子[35]。 * **因子具体构建过程**：直接采用可转债在二级市场的收盘价[35]。 * **因子评价**：价格是划分可转债属性（债性、平衡性、股性）的基础。通常，价格越低，债底保护越强，下跌空间相对有限；价格越高，则股性越强，波动更大[35]。 3. **因子名称**：信用评级[22] * **因子构建思路**：根据发行主体的信用状况，由评级机构给出的信用等级，用于评估可转债的违约风险[22]。 * **因子具体构建过程**：采用第三方评级机构（如中诚信、联合资信等）对可转债或其发行主体给出的最新公开信用评级，如AAA、AA+、AA、AA-及以下等[22]。 * **因子评价**：信用评级是衡量可转债信用风险和债底稳定性的重要因子。高评级转债信用风险低，但票息和弹性可能较低；低评级转债则相反，信用风险较高，但可能提供更高的风险补偿[22]。 4. **因子名称**：转债规模[27] * **因子构建思路**：以可转债的发行规模或剩余规模作为因子，用于区分大盘、中盘、小盘转债，规模可能影响其流动性和市场表现特征[27]。 * **因子具体构建过程**：通常采用可转债的当前剩余规模（即未转股的余额）作为规模因子的取值。研报中引用的“万得可转债大盘/中盘/小盘指数”即是按此规模分类构建的[27]。 模型的回测效果 （注：研报中未提供具体模型的量化回测指标数值，如年化收益率、夏普比率、最大回撤等。仅展示了不同策略指数近一年的累计涨跌幅走势图[29]） 因子的回测效果 （注：研报中未提供单因子的IC、IR、多空收益等量化回测指标数值。仅展示了按不同因子（信用评级[22]、价格[25]、规模[27]）分类的指数近一年的累计涨跌幅走势图，用于定性观察不同因子分组的历史表现差异。）

量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[79] * **模型构建思路**：利用卷积神经网络（CNN）对个股历史价量数据生成的标准化图表进行深度学习，识别图表中的特征模式，并建立这些模式与未来价格走势之间的映射关系。最终将学习到的有效特征应用于行业主题板块，生成配置建议。[79] * **模型具体构建过程**： 1. **数据准备**：为每个个股在特定窗口期内的价量数据（如价格、成交量）构建标准化的图表。这个过程可能包括数据归一化、时间序列到图像的转换等步骤，以生成CNN可处理的输入格式。[79] 2. **模型训练**：使用卷积神经网络对上述生成的图表化数据进行建模。模型的学习目标是建立图表特征与未来一段时间（报告中未明确具体期限）价格变动之间的关联。[79] 3. **特征映射与应用**：将训练好的CNN模型学习到的有效特征，从个股层面映射到更广泛的行业主题板块中，从而判断哪些行业主题在未来可能具有趋势性机会。[79] * **模型评价**：该模型属于利用深度学习技术进行市场趋势观察和行业配置的前沿方法，能够从复杂的价量图表中提取非线性特征。[79] 2. **模型名称：宏观因子事件模型**[56] * **模型构建思路**：通过跟踪一系列关键的国内外宏观指标，定义并识别其走势中的特定事件（如短期高低点、连续涨跌等），并从历史数据中筛选出对未来资产收益率有显著预测作用的“有效因子事件”，以此作为判断市场趋势的依据。[56] * **模型具体构建过程**： 1. **因子选择**：从货币政策、财政政策、流动性、通胀水平等多个角度，选取对市场影响较大的宏观因子，例如PMI、CPI同比、社融存量同比、10年期国债收益率、美元指数等。[56][59] 2. **事件定义**：针对每个宏观因子，定义四类走势事件：短期高点/低点、连续上涨/下跌、创历史新高/新低、因子走势反转。[56] 3. **有效性检验**：在历史数据中回溯，统计各类宏观因子事件发生后，相关资产（如股票、债券）在未来一段时间（例如一个月）的平均收益率，筛选出导致资产收益存在显著差异的事件，标记为“有效因子事件”。[56] 4. **趋势判断**：对于连续型指标，采用历史均线（如1月、3月、12月均线）将其走势划分为“上行”或“下行”趋势，并统计在该趋势下资产未来的平均表现，形成观点（如看多、震荡）。[58][59] 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[49] * **模型构建思路**：通过监测上证50ETF期权成交量的看涨看跌比率（CPR）与其布林通道的相对位置，来判断蓝筹股市场的短期情绪和超买超卖风险。[49] * **模型具体构建过程**： 1. **计算CPR**：计算上证50ETF期权成交量的看涨看跌比率。具体公式未在报告中给出，通常为看涨期权成交量与看跌期权成交量之比。 2. **构建布林通道**：计算CPR的60日移动平均线作为中轨，并计算其标准差，以此构建布林通道的上轨和下轨。[49] 3. **生成信号**：当滚动20日的CPR值高于60日布林通道的上轨时，模型认为市场情绪过于乐观，蓝筹股短期存在超卖风险。[49] 4. **模型名称：GFTD模型**[83] * **模型构建思路**：报告中仅提及该模型名称及历史择时成功率，未详细说明其构建思路和过程。[83] 5. **模型名称：LLT模型**[83] * **模型构建思路**：报告中仅提及该模型名称及历史择时成功率，未详细说明其构建思路和过程。[83] 量化因子与构建方式 1. **因子名称：新高新低比例因子**[34] * **因子构建思路**：通过统计市场中创近期新高与新低的个股数量占比，来度量市场的整体强度与广度，是常用的市场情绪跟踪指标。[34] * **因子具体构建过程**： 1. **新高比例**：计算当日收盘价创近60日新高的个股数量，除以当日总上市个股数量（或样本空间内个股数量），得到百分比。公式为： $$新高比例 = \frac{创近60日新高个股数}{总个股数} \times 100\%$$ 2. **新低比例**：计算当日收盘价创近60日新低的个股数量，除以当日总上市个股数量（或样本空间内个股数量），得到百分比。公式为： $$新低比例 = \frac{创近60日新低个股数}{总个股数} \times 100\%$$ [34] 2. **因子名称：个股均线结构因子（均线强弱指标）**[38] * **因子构建思路**：通过计算市场中呈现特定均线多头排列与空头排列的个股数量差异占比，来反映市场整体的技术趋势强弱。[38] * **因子具体构建过程**： 1. **个股判断**：对于每只个股，判断其短期、中期、长期均线（如5日、20日、60日均线）是否呈多头排列（短期>中期>长期）或空头排列（短期<中期<长期）。[38] 2. **市场汇总**：统计全市场（或样本空间内）呈多头排列的个股数量（$N_{多头}$）和呈空头排列的个股数量（$N_{空头}$）。[38] 3. **计算指标**：计算多头排列个股数量与空头排列个股数量之差，再除以总个股数（或两者之和），得到百分比。报告中展示的指标可能为： $$均线强弱指标 = \frac{N_{多头} - N_{空头}}{总个股数} \times 100\%$$ 或类似形式。[38] 3. **因子名称：长期均线以上比例因子**[41] * **因子构建思路**：统计股价位于长期移动平均线（如200日均线）之上的个股比例，用以衡量市场长期趋势的强弱和广度。[41] * **因子具体构建过程**：计算当日收盘价位于其200日移动平均线之上的个股数量，除以总个股数（或样本空间内个股数量），得到百分比。[41] 4. **因子名称：风险溢价因子**[67] * **因子构建思路**：用股票市场的隐含收益率（市盈率倒数）减去无风险收益率（十年期国债收益率），衡量股票资产相对于债券资产的超额收益吸引力。[67][82] * **因子具体构建过程**：以中证全指为例，计算公式为： $$风险溢价 = \frac{1}{PE_{TTM}} - 十年期国债收益率$$ 其中，$PE_{TTM}$ 为中证全指的滚动市盈率。[67][82] 5. **因子名称：指数超买超卖因子**[70] * **因子构建思路**：通过某种量化方法计算主要指数和行业指数的超跌或超买程度，通常是一个百分比指标，用于识别市场极端状态。[70][71][74] * **因子具体构建过程**：报告中未给出该因子的具体计算公式，仅展示了统计结果。该因子可能基于价格偏离均线的幅度、RSI等震荡指标，或是创特定周期新低个股占比等方法构建。[70] 6. **因子名称：融资余额因子**[77] * **因子构建思路**：跟踪市场融资余额的绝对规模及其占流通市值的比例，作为衡量市场杠杆水平和投资者风险偏好的指标。[77] * **因子具体构建过程**： 1. **融资余额**：直接获取市场的总融资买入未偿还金额。[77] 2. **融资余额占比**：计算融资余额占A股流通市值的百分比。公式为： $$融资余额占比 = \frac{融资余额}{流通市值} \times 100\%$$ [77][78] 7. **因子名称：市场真实换手率因子**[52] * **因子构建思路**：考虑自由流通股本后计算的市场换手率，以更真实地反映市场的交易活跃度和资金流动情况。[52] * **因子具体构建过程**：计算市场总成交金额与自由流通市值的比率。以中证全指为例，公式可能为： $$真实换手率 = \frac{总成交金额}{自由流通市值} \times 100\%$$ [52] 8. **因子名称：基金仓位因子**[43] * **因子构建思路**：通过回归等方法估算普通股票型、偏股混合型等权益类公募基金的整体仓位水平，反映机构投资者的仓位变动。[43] * **因子具体构建过程**：选取普通股票、偏股混合、平衡混合、灵活配置等类型的基金（剔除联接基金），将其净值表现与中证800指数进行回归，估算其权益仓位，再按基金规模进行加权，得到整体权益基金仓位估计值。[43] 模型的回测效果 1. **GFTD模型**，历史择时成功率约80%[83] 2. **LLT模型**，历史择时成功率约80%[83] 因子的回测效果 *(注：本报告未提供各因子的具体回测指标（如IC、IR、多空收益等）数值，仅展示了部分因子在最新一期的状态或历史走势图。因此，本部分无法列出具体的指标取值。)*

纪要涉及的行业或公司 * **公司**：英伟达 (NVIDIA)、CoreWeave [1][2] * **行业**：人工智能 (AI) 芯片与算力租赁、金融工程 [1] 核心观点和论据 * **核心观点**：英伟达与CoreWeave的合作是金融工程的教科书案例，构建了“一鱼四吃”的利益网络，实现资金的多重放大效应 [1][2] * **股权增值**：英伟达早期投资CoreWeave，使其估值从20亿美元飙升至IPO前的230亿美元，上市后虽缩水至190亿美元，但英伟达仍通过持股获得账面收益 [1][2] * **供应链闭环**：CoreWeave使用融资款项采购英伟达GPU，使英伟达既赚取销售利润，又通过优先供货权控制市场节奏 [1][2] * **抵押融资循环**：CoreWeave以GPU为抵押获得贷款，再将资金投入采购，形成“借贷-采购-再借贷”的循环，间接推高英伟达的出货量 [2] * **价格调控**：通过CoreWeave的算力租赁业务，英伟达可间接影响GPU供需关系，例如在芯片换代时，通过CoreWeave快速清空旧款库存以维持新品高价 [2] 其他重要内容 * 无其他内容

量化模型与构建方式 1. **模型名称**：红利风格择时模型[1][4][6] **模型构建思路**：通过构建一个综合因子来对红利风格进行择时，当综合因子值为正时发出正向信号[1][4][6] **模型具体构建过程**：模型由多个分项因子组合而成。首先，对每个分项因子计算其因子值。然后，将所有分项因子的因子值进行综合，得到一个综合因子值。综合因子值的计算逻辑未在本文中详细披露，但根据上下文，应为各分项因子值的某种加权或合成[6][7][10]。最终，根据综合因子值的正负来判断对红利风格的择时观点：综合因子值大于0发出正向看多信号，小于0则未发出正向信号[1][4][6]。 量化因子与构建方式 1. **因子名称**：中国:非制造业PMI:服务业因子[10] **因子构建思路**：使用中国非制造业PMI中的服务业指数作为反映经济景气度的宏观因子[10] **因子具体构建过程**：直接采用“中国:非制造业PMI:服务业”这一经济指标的最新数据，并计算其对应的因子值。具体计算过程未在本文中披露[10]。 2. **因子名称**：中国:M2:同比因子[10] **因子构建思路**：使用中国M2货币供应量的同比增速作为反映流动性环境的宏观因子[10] **因子具体构建过程**：直接采用“中国:M2:同比”这一经济指标的最新数据，并计算其对应的因子值。具体计算过程未在本文中披露[10]。 3. **因子名称**：美国:国债收益率:10年因子[7][10] **因子构建思路**：使用美国10年期国债收益率作为反映全球无风险利率和资金成本的因子[7][10] **因子具体构建过程**：直接采用“美国:国债收益率:10年”这一市场指标的最新数据，并计算其对应的因子值。具体计算过程未在本文中披露[7][10]。 4. **因子名称**：红利相对净值自身因子[7][10] **因子构建思路**：使用红利风格指数自身的相对净值表现作为动量或趋势因子，反映其近期的强弱[7][10] **因子具体构建过程**：基于“红利相对净值”这一指标计算其对应的因子值。具体计算过程未在本文中披露[7][10]。 5. **因子名称**：中证红利股息率-10年期中债收益率因子[10] **因子构建思路**：使用中证红利指数的股息率与10年期中国国债收益率的差值作为股债性价比因子[10] **因子具体构建过程**：计算“中证红利股息率”减去“10年期中债收益率”的差值，并基于该差值计算对应的因子值。具体计算过程未在本文中披露[10]。 6. **因子名称**：融资净买入因子[7][10] **因子构建思路**：使用市场的融资净买入数据作为反映市场情绪和杠杆资金偏好的因子[7][10] **因子具体构建过程**：直接采用“融资净买入”这一市场交易数据，并计算其对应的因子值。具体计算过程未在本文中披露[7][10]。 7. **因子名称**：行业平均景气度因子[10] **因子构建思路**：使用行业层面的平均景气度数据作为反映整体经济微观基础的因子[10] **因子具体构建过程**：基于“行业平均景气度”这一指标计算其对应的因子值。具体计算过程未在本文中披露[10]。 模型的回测效果 1. 红利风格择时模型，综合因子值（20260123）为-0.57[1][4][6] 2. 红利风格择时模型，综合因子值（20260116）为-0.77[1][6] 3. 红利风格择时模型，综合因子值（20251231）未在本文中直接给出，但根据分项因子值推断其曾为正值[10] 因子的回测效果 1. 中国:非制造业PMI:服务业因子，因子值（20260123）为-0.19[10] 2. 中国:M2:同比因子，因子值（20260123）为0.27[10] 3. 美国:国债收益率:10年因子，因子值（20260123）为-0.56[10] 4. 红利相对净值自身因子，因子值（20260123）为-1.46[10] 5. 中证红利股息率-10年期中债收益率因子，因子值（20260123）为0.76[10] 6. 融资净买入因子，因子值（20260123）为1.86[10] 7. 行业平均景气度因子，因子值（20260123）为0.78[10]

量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[2][78] * **模型构建思路**：使用卷积神经网络（CNN）对个股历史价量数据生成的标准化图表进行深度学习，以识别图表中的特征模式，并预测未来价格走势。最终将学习到的特征映射到行业主题板块，生成行业配置建议。[2][78] * **模型具体构建过程**： 1. **数据准备**：为每个个股在特定窗口期内的价量数据构建标准化的图表。价量数据通常包括价格、成交量等时间序列。[78] 2. **图表化**：将标准化后的价量数据转换为图像格式，作为CNN的输入。图表示例可参考报告中的“标准化数据价量图表”。[79] 3. **模型训练**：使用卷积神经网络对大量的历史价量图表进行训练，学习图表特征与未来一段时间（如下一期）价格变动之间的映射关系。[2][78] 4. **特征映射**：将训练好的CNN模型学习到的有效特征，应用于行业或主题板块层面的分析，识别出当前具有相似积极特征的板块。[2][78] 5. **生成信号**：根据模型对各个板块的分析，输出看好的行业主题配置列表。[80] 2. **模型名称：宏观因子事件模型**[55][57] * **模型构建思路**：跟踪一系列关键的国内外宏观指标，通过定义和识别这些指标在特定时间窗口内的走势事件（如短期高点、连续下跌等），并基于历史回测筛选出对资产未来收益率有显著影响的“有效因子事件”，从而对权益市场未来走势进行判断。[55] * **模型具体构建过程**： 1. **因子选择**：跟踪25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平及其他经济指标等多个维度。[55] 2. **事件定义**：定义四类宏观因子走势事件：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转。[55] 3. **有效性检验**：从历史数据中回测，寻找那些对资产（如股票指数）未来收益率影响较为显著的因子事件，即“有效因子事件”。[55] 4. **趋势判断**：对于部分因子，采用历史均线（如1月、3月、12月均线）将其走势划分为趋势上行或趋势下行。[57] 5. **信号生成**：统计历史上在宏观指标处于不同趋势下，对应资产的未来平均收益，筛选出存在显著差异的情况，形成当前宏观因子趋势对权益市场的观点（如看多、震荡）。[57][58] 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[48] * **模型构建思路**：通过监测上证50ETF期权成交量的看涨看跌比率（CPR），并将其与布林通道结合，判断蓝筹股是否存在短期超买或超卖风险。[48] * **模型具体构建过程**： 1. **计算CPR**：计算上证50ETF期权成交量的看涨看跌比率。[48] 2. **计算滚动指标**：计算滚动20个交易日的CPR。[50] 3. **构建通道**：计算该滚动20日CPR的60日布林通道上轨。[48] 4. **生成信号**：当滚动20日CPR高于其60日布林通道上轨时，模型认为蓝筹股短期存在超卖风险。[48] 4. **模型名称：GFTD模型**[82] * **模型评价**：报告中提及该模型历史择时成功率约为80%，但市场波动不确定性下模型信号存在失效可能。[82] 5. **模型名称：LLT模型**[82] * **模型评价**：报告中提及该模型历史择时成功率约为80%，但市场波动不确定性下模型信号存在失效可能。[82] 量化因子与构建方式 1. **因子名称：新高新低比例因子**[33] * **因子构建思路**：通过统计市场中创近期新高与新低的个股数量占比，来度量市场的极端情绪和趋势强度。[33] * **因子具体构建过程**： 1. 每日计算全市场个股中，收盘价创近60日新高的个股数量。 2. 每日计算全市场个股中，收盘价创近60日新低的个股数量。 3. 分别计算新高个股数占总股票数的比例（60日新高比例），以及新低个股数占总股票数的比例（60日新低比例）。[33][34] 2. **因子名称：个股均线结构因子**[37] * **因子构建思路**：通过计算呈现特定均线多头排列形态的个股占比，来反映市场整体的技术趋势强弱。[37] * **因子具体构建过程**： 1. 对每只个股，判断其短期、中期、长期均线（如5日、20日、60日均线）是否呈多头排列（短期>中期>长期）。 2. 判断其是否呈空头排列（短期<中期<长期）。 3. 计算当日呈多头排列的个股数量与呈空头排列的个股数量之差，再除以总股票数，得到“均线强弱指标”或“多头排列减空头排列个股占比”。[37][38] 3. **因子名称：长期均线以上比例因子**[40] * **因子构建思路**：通过统计股价位于长期均线之上的个股比例，来衡量市场整体的牛市广度。[40] * **因子具体构建过程**： 1. 对每只个股，判断其当日收盘价是否位于200日长期移动平均线之上。 2. 计算股价位于200日长期均线之上的个股数量占总股票数的比例。[40] 4. **因子名称：风险溢价因子**[66][81] * **因子构建思路**：通过计算股票市场隐含收益率（市盈率倒数）与无风险利率（十年期国债收益率）的差值，来衡量股票资产相对于债券资产的吸引力。[66][81] * **因子具体构建过程**： 1. 计算中证全指（或其它宽基指数）的静态市盈率（PE_TTM）。 2. 计算其倒数，即盈利收益率（EP）。 3. 从盈利收益率（EP）中减去十年期国债收益率，得到风险溢价。 $$风险溢价 = \frac{1}{PE\_{TTM}} - 十年期国债收益率$$[81] 5. **因子名称：指数超买超卖因子**[69][73] * **因子构建思路**：通过特定方法计算各主要宽基指数和行业指数的超跌或超买程度，用于识别市场或板块的极端状态。[69][73] * **因子具体构建过程**：报告中未详细描述具体计算公式，但展示了截至报告日（NEW）和历史上另一个时点（20181228）各指数的“超跌指标”统计结果，用于对比。[70][71][74][75] 6. **因子名称：融资余额因子**[76] * **因子构建思路**：跟踪市场融资余额的绝对规模及其占流通市值的比例，作为衡量市场杠杆资金情绪和力量的指标。[76] * **因子具体构建过程**： 1. 获取每日市场融资买入的总余额。 2. 计算融资余额占A股流通市值的百分比。[77] 7. **因子名称：市场真实换手率因子**[51] * **因子构建思路**：考虑自由流通股本后计算市场换手率，以更真实地反映市场的交易活跃程度。[51] * **因子具体构建过程**：报告中未给出具体公式，但指出其计算考虑了自由流通股本，并以中证全指和创业板指为例展示了该因子的时间序列。[51][53] 模型的回测效果 （报告中未提供具体模型的量化回测指标结果，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告中未提供具体因子的IC、IR、多空收益等量化检验结果。）