核心观点 - 本周A股市场总体估值呈现扩张态势，有色金属行业在国庆期间利好因素推动下继续领涨 [1][8] - 从不同估值维度比较，部分行业展现出低估值与高盈利能力或高增长预期的特征，例如石油石化、农林牧渔以及建筑材料、电力设备、基础化工、传媒等行业 [2][3][54][57] - 股市相对于债市的吸引力本周有所下降，风险溢价和股债收益差均出现收窄 [3][60][64] 本周估值概览 - A股总体PE（TTM）从上周的22.36倍升至本周的22.78倍，PB（LF）从上周的2.17倍升至本周的2.21倍，显示整体估值扩张 [10] - 有色金属行业整体PB（LF）处于历史87.8%分位数，其中细分行业铜、铝、锂、黄金的PB（LF）分别处于历史92.1%、96.3%、40.7%、83.6%分位数，锂行业估值提升空间相对更大 [1][8] 各板块估值变化 - 主板PE（TTM）从上周的17.76倍升至本周的18.00倍，PB（LF）从上周的1.82倍升至本周的1.84倍 [17] - 创业板PE（TTM）从上周的81.61倍升至本周的82.22倍，扩张幅度高于主板但低于科创板，PB（LF）从上周的4.85倍微升至本周的4.88倍 [19] - 科创板PE（TTM）从上周的272.77倍大幅升至本周的276.66倍，PB（LF）从上周的6.72倍升至本周的6.81倍 [21] - 算力基建（剔除运营商/资源类）的相对PE（TTM）从上周的5.80倍降至本周的5.66倍，相对PB（LF）从上周的5.69倍降至本周的5.54倍 [23] 大类行业估值分位数分析 - 从PE（TTM）看，可选消费、中游制造、大消费、周期类、中游材料的绝对估值和相对估值均高于历史中位数，其中可选消费和中游制造高于历史90%分位数；资源类、必需消费则低于历史中位数，服务业、金融服务、必需消费的相对估值低于历史10%分位数 [27] - 从PB（LF）看，TMT、中游制造、可选消费的绝对估值和相对估值均高于历史中位数；金融服务、必需消费则低于历史中位数，其中大消费、必需消费的相对估值低于历史10%分位数 [29] - 从全动态PE看，可选消费、中游制造、TMT、周期类的绝对估值和相对估值均高于历史中位数，其中可选消费、中游制造绝对估值高于历史90%分位数；资源类、必需消费则低于历史中位数，其中必需消费相对估值低于历史10%分位数 [37] 一级行业估值特征与投资机会 - 基于PB历史分位数（赔率）和ROE历史分位数（胜率）的综合比较，石油石化、农林牧渔等行业当前显示出低估值高盈利能力的特征 [54] - 基于全动态PE（赔率）和2025-2026年一致预期净利润复合增速（胜率）的综合比较，建筑材料、电力设备、基础化工、传媒等行业兼具低估值与高业绩增速的特征 [57] - 部分一级行业估值处于极端水平，例如商贸零售、计算机、国防军工、电力设备的PE（TTM）绝对估值和相对估值均高于历史90%分位数；而非银金融、房地产、综合、钢铁等行业则低于历史10%分位数 [41] 股债性价比变化 - 从静态估值看，A股非金融股权风险溢价从上周的0.80%降至本周的0.76%；股债收益差从上周的-0.19%降至本周的-0.24% [60] - 从动态估值看，A股非金融重点公司全动态股权风险溢价从上周的2.76%微升至本周的2.77% [64]

根据您提供的研报内容，经过全面梳理，总结如下： 量化模型与构建方式 1. **模型/因子名称**：行业拥挤度模型[3][17] **构建思路**：使用马氏距离来衡量行业指数在价格和成交金额变动上的综合偏离程度，以识别短期交易过热或过冷的行业[3][17] **具体构建过程**： 1. 选取各行业指数最近一周的价格变动数据和成交金额变动数据作为两个特征维度[3] 2. 计算所有行业这两个特征维度所构成数据集的协方差矩阵 3. 对于每一个行业，计算其价格变动和成交金额变动向量到数据集中心点（假设为均值向量）的马氏距离，公式为： $$D_M(\vec{x}) = \sqrt{(\vec{x} - \vec{\mu})^T \Sigma^{-1} (\vec{x} - \vec{\mu})}$$ 其中，$\vec{x}$ 代表某个行业的价格与成交金额变动向量，$\vec{\mu}$ 代表所有行业变动的均值向量，$\Sigma$ 代表所有行业变动的协方差矩阵[17] 4. 将结果绘制在散点图上（价格变动为X轴，成交金额变动为Y轴），并绘制出置信水平为99%的椭圆边界[17] 5. 位于第一象限且椭圆外的点被视为短期显著拥挤的行业（价量齐升且偏离度过大）[17] 模型的回测效果 （报告中未提供行业拥挤度模型的具体回测指标数值） 量化因子与构建方式 （报告中未涉及其他独立的量化因子构建） 因子的回测效果 （报告中未提供任何因子的具体回测指标数值） **注**：本报告核心内容为市场数据描述与复盘，仅包含一个用于衡量行业拥挤度的模型，未涉及其他量化因子或模型的构建与测试[1][2][3][8][9][12][13][14][17]

量化模型与构建方式 1. 行业拥挤度模型 - 模型名称：行业拥挤度模型[3][15] - 模型构建思路：通过衡量行业指数价格变动与成交金额变动之间的统计距离来识别短期市场拥挤状态[3][15] - 模型具体构建过程：使用行业指数最近一周价格和成交金额变动的马氏距离来衡量拥挤度。具体步骤为：首先计算各行业指数最近一周的价格变动率和成交金额变动率，然后计算这两个变量的马氏距离，公式为： $$D_M(x) = \sqrt{(x - \mu)^T \Sigma^{-1} (x - \mu)}$$ 其中$x$表示行业的价格变动和成交金额变动组成的二维向量，$\mu$表示所有行业该二维向量的均值向量，$\Sigma$表示所有行业该二维向量的协方差矩阵。最后，通过置信椭圆来识别异常值，椭圆之外表示价格与成交金额偏离度置信水平超过99%的行业[15][17] 量化因子与构建方式 1. 行业PE估值因子 - 因子名称：行业PE估值因子[13][15] - 因子构建思路：使用行业市盈率(PE)来衡量行业估值水平[13][15] - 因子具体构建过程：直接采用各行业指数的市盈率(PE)数据，计算各行业当前PE值及其历史分位数。PE分位数的计算以2019年作为统计起点，计算当前PE值在历史PE序列中的百分位位置[15][20] 2. 行业价格动量因子 - 因子名称：行业价格动量因子[11][12] - 因子构建思路：通过不同时间窗口的行业指数涨跌幅来衡量价格动量[11][12] - 因子具体构建过程：计算各行业指数在不同时间窗口(近1周、近1月、近3月、近6月、近1年、今年以来)的涨跌幅，公式为： $$R_t = \frac{P_t - P_{t-n}}{P_{t-n}} \times 100\%$$ 其中$P_t$表示当前时点行业指数价格，$P_{t-n}$表示n期前的行业指数价格[12] 模型的回测效果 1. 行业拥挤度模型 - 检测结果：上周汽车行业出现短期显著拥挤[16] 因子的回测效果 1. 行业PE估值因子 - 当前PE最高行业：计算机(93.08倍)、国防军工(85.19倍)、电子(70.07倍)[13] - 当前PE最低行业：银行(6.20倍)、建筑装饰(12.04倍)、非银金融(14.48倍)[13] - PE分位数最高行业：煤炭(100%)[15] - PE分位数99%行业：房地产、电子、机械设备、商贸零售、计算机[15] - PE分位数最低行业：食品饮料(15%)、农林牧渔(19%)、非银金融(31%)[15] 2. 行业价格动量因子 - 近1周涨幅前三行业：煤炭(3.51%)、电力设备(3.07%)、电子(2.96%)[11] - 今年以来涨幅前三行业：通信(64.09%)、有色金属(51.05%)、电子(44.29%)[12] - 近1年涨幅前三行业：通信(126.03%)、电子(112.57%)、传媒(83.18%)[12]

根据提供的研报内容，以下是量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：行业拥挤度因子** - **因子构建思路**：通过衡量行业指数价格和成交金额变动的偏离程度，识别短期交易过热或过冷的行业[3][19] - **因子具体构建过程**： 1. 计算行业指数最近一周的价格变动和成交金额变动 2. 使用马氏距离（Mahalanobis Distance）衡量两者的联合偏离程度，公式为： $$D_M = \sqrt{(\mathbf{x} - \mathbf{\mu})^T \mathbf{S}^{-1} (\mathbf{x} - \mathbf{\mu})}$$ 其中，$\mathbf{x}$为价格和成交金额的变动向量，$\mathbf{\mu}$为均值向量，$\mathbf{S}^{-1}$为协方差矩阵的逆 3. 将结果划分为四个象限：第1象限（价量齐升）、第3象限（价量齐跌），椭圆置信区间外的点表示显著偏离（置信水平>99%）[19] - **因子评价**：能够有效捕捉短期交易情绪极端化的行业，但对数据频率和计算窗口敏感 2. **因子名称：行业估值因子（PE分位数）** - **因子构建思路**：基于行业PE历史分位数，识别估值极端高或低的行业[18][21] - **因子具体构建过程**： 1. 计算各行业当前PE值 2. 统计2019年以来的PE历史分位数，公式为： $$\text{分位数} = \frac{\text{当前PE排名}}{\text{总样本数}} \times 100\%$$ 3. 筛选分位数最高（如国防军工100%）和最低（如食品饮料9%）的行业[18] 因子回测效果 1. **行业拥挤度因子** - 近期显著信号：煤炭和建筑装饰行业出现短期交易超跌（第3象限椭圆外）[19] 2. **行业估值因子（PE分位数）** - 极端高估值行业：国防军工（100%）、计算机（100%）、钢铁（99%）[18] - 极端低估值行业：食品饮料（9%）、农林牧渔（11%）、家用电器（28%）[18] 其他数据指标（非因子相关） 1. **宽基指数表现** - 中证2000指数：今年以来涨幅20.99%（小盘风格最优）[8][9] - 沪深300指数：上周下跌1.75%，PE分位数75%[10][12] 2. **行业表现** - 医药生物：上周涨幅2.95%，今年以来涨幅22.31%[13][14][15] - 有色金属：今年以来涨幅24.78%，但上周下跌4.62%[14][15] 注：报告中未涉及复合模型或衍生因子，也未提供因子IC、IR等量化指标测试结果[1][2][3]

根据提供的研报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称**：行业拥挤度因子 **因子构建思路**：通过计算行业指数价格变动与成交金额变动的马氏距离，衡量行业的交易拥挤程度[17] **因子具体构建过程**： - 计算行业指数最近一周的价格变动和成交金额变动 - 计算两者的马氏距离，公式为： $$D_M = \sqrt{(\mathbf{x} - \mathbf{\mu})^T \mathbf{S}^{-1} (\mathbf{x} - \mathbf{\mu})}$$ 其中，$\mathbf{x}$为价格和成交金额的变动向量，$\mathbf{\mu}$为均值向量，$\mathbf{S}$为协方差矩阵 - 将马氏距离映射到四象限坐标系，第1象限为价量齐升，第3象限为价量齐跌，椭圆外的点表示偏离度超过99%置信水平的行业[17] **因子评价**：能够有效捕捉短期交易过热或超跌的行业[18] 2. **因子名称**：PE分位数因子 **因子构建思路**：通过计算行业PE相对于历史分位数，衡量估值水平[15][17] **因子具体构建过程**： - 统计各行业当前PE值 - 计算自2019年以来的历史PE分位数，公式为： $$P_{PE} = \frac{\text{当前PE在历史序列中的排名}}{\text{总样本数}} \times 100\%$$ - 分位数越高表示估值越高[17] 因子回测效果 1. **行业拥挤度因子**： - 上周检测到建筑材料行业出现短期交易超跌[18] 2. **PE分位数因子**： - 国防军工、钢铁、计算机行业PE分位数最高（100%）[17] - 农林牧渔、食品饮料、公用事业行业PE分位数最低（10%、11%、29%）[17] 注：报告中未提及具体的量化模型，仅包含上述量化因子内容[3][17][18]

根据提供的研报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：行业拥挤度因子** - **因子构建思路**：通过计算行业指数价格变动与成交金额变动的马氏距离，衡量行业交易的拥挤程度[17] - **因子具体构建过程**： 1. 计算行业指数最近一周的价格变动序列和成交金额变动序列 2. 计算两组序列的协方差矩阵 3. 计算马氏距离公式： $$D_M = \sqrt{(\mathbf{x} - \mathbf{\mu})^T \mathbf{S}^{-1} (\mathbf{x} - \mathbf{\mu})}$$ 其中$\mathbf{x}$为观测值向量，$\mathbf{\mu}$为均值向量，$\mathbf{S}^{-1}$为协方差矩阵的逆[17] 4. 将结果划分为四个象限：第1象限（价量齐升）和第3象限（价量齐跌），椭圆外区域表示99%置信水平下的显著偏离[17] - **因子评价**：能够有效捕捉短期交易过热或过冷的异常状态[17] 因子回测效果 1. **行业拥挤度因子**： - 上周检测到建筑材料行业出现显著拥挤信号（第1象限椭圆外）[18] 其他量化指标 1. **宽基指数估值因子**： - 当前沪深300 PE 13.23倍（分位数78%），创业板指PE 32.38倍（分位数27%）[9] 2. **行业估值因子**： - 计算机行业PE最高（81.86倍），银行最低（7.12倍）[14] - 钢铁行业PE分位数达100%，食品饮料仅8%[16] 注：报告中未提及其他量化模型或复合因子构建方法[1][2][3]