文章核心观点 - 新闻内容缺失，无法提取核心观点 [1][2][5] 根据相关目录分别进行总结 - 提供的文档内容为空，无法进行具体要点的总结与分析 [1][2][5]

市场表现与资金流向 - 2月3日早盘，石油化工行业迎来修复，中证石化产业指数震荡上行，现涨约1.65% [1] - 成分股蓝晓科技、浙江龙盛、兴发集团等领涨 [1] - 跟踪该指数的石化ETF（159731）获资金逢低布局，连续19个交易日合计“吸金”14.13亿元 [1] - 该ETF最新份额达16.56亿份，最新规模为16.16亿元 [1] 行业政策与趋势 - 上海市《政府工作报告》表示，今年要聚焦建设现代化产业体系，在石化、钢铁等行业持续开展数智技术、绿色技术改造和产线升级 [1] - 新能源的加速普及，叠加大型国企和民企一体化炼化基地的规模与技术优势，正在持续挤压传统独立地炼企业的市场份额 [1] - 中小型、装置落后、产品单一的地炼企业面临日益严峻的生存压力，行业整合与淘汰进程加快 [1] - 市场份额进一步向具备成本、环保和产业链协同优势的头部企业集中 [1] 相关产品与指数结构 - 石化ETF（159731）及其联接基金（017855/017856）紧密跟踪中证石化产业指数 [1] - 从申万一级行业分布来看，该指数中基础化工行业占比为60.02%，石油石化行业占比为32.43% [1] - 随着石化产业淘汰落后产能和加强技术创新，产业链的价值将进一步提升 [1]

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。)*

指数优势 - 产品跟踪中证石化产业指数，一键配置“三桶油”、万华化学等石油石化、基础化工产业龙头 [1] - 指数估值位置相对更低，截至市盈率分位数为65%，低于可比化工指数，在中国化工品价格上行周期中，估值扩张空间充足 [1] - 指数龙头属性鲜明，市值偏向大盘，在石化化工业供给优化进程中“强者恒强”，大市值产业龙头有望率先受益 [1] - 在市场风格偏向价值的阶段，中证石化产业指数往往能够显著跑赢可比化工指数，是聚焦价值与基本面改善的市场稀缺资产 [1] - 在产业周期上行阶段，即当前化工品涨价上涨兑现期，石化产业往往具备超额优势，行情持续性更强 [1] - 金油比达到历史极值，指数有望享受油价反转带来的贝塔收益 [1] 产品优势 - 化工行业ETF易方达是石化化工领域唯一管理费加托管费合计为20bp/年的低费率ETF产品，费率为15bp加5bp [2] - 该产品的长期超额收益水平在可比产品中保持领先 [2] - 产品代码为516570，场外联接A/C代码为020104/020105 [2]

市场表现 - 截至午间收盘，中证石化产业指数上涨3.3% [1] - 截至午间收盘，中证稀土产业指数上涨1.2% [1] 行业核心观点 - 2024年以来化工行业资本开支迎来负增长 [1] - 随着“反内卷”浪潮袭来及海外落后产能加速出清，供给端有望收缩 [1] - “十五五”规划建议“坚持扩大内需”，叠加美国降息周期开启，化工品需求空间打开 [1] - 供需双底基本确立，政策预期强力催化 [1] - 2026年化工行业有望迎周期拐点向上，开启从估值修复到业绩增长的“戴维斯双击” [1]

行业周期与政策环境 - 石化化工行业为周期性行业，板块净利润在2021年创下历史新高后进入下行周期，目前已进入低位震荡区间，未来随着“反内卷”政策推进及国内内需恢复，行业景气度上行弹性充足 [1][2][6] - 自2024年7月中共中央政治局会议首次提出防止“内卷式”恶性竞争以来，“反内卷”政策持续升级，2025年9月25日工信部等七部门印发《石化化工行业稳增长工作方案（2025-2026年）》，指出2025-2026年主要目标是行业增加值年均增长5%以上 [1][7][8] - 行业成本端具有支撑，据IEA预测，2025-2030年全球原油需求量维持在1.04-1.05亿桶/天，且2025年全球石油和天然气资本开支同比下滑，未来原油价格大幅下跌可能性较低 [1][9][11] 中证石化产业指数分析 - 中证石化产业指数发布于2009年7月22日，从中证800指数样本中选取主营业务涉及石油与天然气、化工产品等领域的上市公司证券，行业分布集中，基础化工权重占比63.61%，石油石化权重占比34.69% [1][13][16] - 截至2026年1月16日，指数市盈率为15.44，市净率为1.55，估值处于发布以来较低分位点且低于中证800指数，预计2025E、2026E、2027E年净利润增速分别为1.01%、9.11%、8.71% [1][19][22] - 指数前十大权重股合计占比56.73%，持仓集中度较高，成分股平均市值为1580.30亿元，介于沪深300与中证800指数之间，其中33.33%的成分股为沪深300指数成分股 [1][23][26] - 指数高度集中于周期性行业，在2025年四季度上游周期板块表现强势的市场风格下表现突出，过去半年收益达49.74%，近一个月收益达16.79%，表现好于同期沪深300指数 [1][28][31] 华夏中证石化产业ETF产品分析 - 华夏中证石化产业ETF成立于2021年12月2日，基金经理为单宽之，该基金以紧密跟踪中证石化产业指数为目标，截至2026年1月16日，基金流通份额为5.49亿份，规模为5.22亿元 [1][33][35] - 基金经理单宽之管理经验丰富，截至2026年1月16日，其在管产品规模超过300亿元，管理多只规模较大的行业主题ETF [37][40] - 基金管理人华夏基金成立于1998年4月9日，是国内首批基金管理公司之一，截至2026年1月16日，公司在管非货币ETF产品共117只，在管规模超9000亿元，在基金公司中排名第一，拥有全面的ETF产品线布局 [1][41][42]

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。）

市场近期表现 - 最近5个交易日，科创50指数上涨2.62%，国证2000代表的小盘股上涨3.33%，而创业板指下跌0.34%，大盘价值下跌1.64%，大盘成长下跌1.34%，上证50下跌1.54% [1] - 行业表现方面，建筑材料、石油石化表现靠前，银行、通信表现靠后 [1] - 两市日均成交额为27,727亿元 [2] 主流ETF规模变化 - 最近5个交易日，ETF资金流出3,265亿元 [2] 卷积神经网络趋势观察 - 基于卷积神经网络对图表化的价量数据与未来价格进行建模，并将学习特征映射到行业主题板块中 [2][11] - 最新配置主题包括石化、化工、机床、半导体和有色，具体关注中证石化产业指数、中证细分化工产业主题指数、中证机床指数、中证半导体材料设备主题指数和国证有色指数等细分指数 [2][3][12] 市场情绪之200日长期均线之上比例 - 该部分在提供的文档内容中无具体数据或描述，已根据要求跳过 权益资产与债券资产风险偏好跟踪 - 截至2026年1月23日，风险溢价指标为2.46%，该指标由中证全指静态市盈率的倒数减去十年期国债收益率计算得出，其两倍标准差边界为4.68% [1] - 估值方面，截至同一日期，中证全指市盈率TTM分位数为84%，上证50与沪深300分位数分别为72%和73%，创业板指接近63%，中证500与中证1000分别为70%和68%，创业板指风格估值相对历史总体处于中位数水平 [1] 融资余额 - 最近5个交易日，融资盘增加约65亿元 [2] 个股年初至今基于收益区间的占比分布统计 - 该部分在提供的文档内容中无具体数据或描述，已根据要求跳过 指数超卖 - 该部分在提供的文档内容中无具体数据或描述，已根据要求跳过

指数与ETF表现 - 截至2026年1月13日9:48，中证石化产业指数强势上涨1.49% [1] - 石化ETF(159731)当日上涨1.17%，最新价报0.95元 [1] - 石化ETF近2年净值上涨50% [1] - 石化ETF自成立以来，最高单月回报为15.86%，最长连涨月数为8个月，最长连涨涨幅为41.6%，上涨月份平均收益率为5.25% [1] - 石化ETF近1年超越基准年化收益为2.19% [1] 成分股表现 - 成分股凯赛生物上涨11.71%，兴发集团上涨8.42%，盐湖股份上涨5.04%，藏格矿业、恒力石化等个股跟涨 [1] - 根据表格数据，前十大权重股中，盐湖股份涨5.04%，藏格矿业涨4.07%，中国石油涨2.33%，万华化学涨1.92%，华鲁恒升涨1.73%，宝丰能源涨1.70%，巨化股份涨0.57%，中国石化涨0.34%，金发科技下跌3.44% [3] 资金与规模动态 - 石化ETF近4天获得连续资金净流入，合计“吸金”5772.28万元 [1] - 石化ETF最新规模达3.07亿元，创近1年新高 [1] 指数构成 - 石化ETF紧密跟踪中证石化产业指数 [1] - 截至2025年12月31日，中证石化产业指数前十大权重股合计占比56.73% [1] - 前十大权重股分别为万华化学(权重10.47%)、中国石油(7.63%)、中国石化(6.44%)、盐湖股份(6.44%)、中国海油(5.22%)、藏格矿业(3.82%)、巨化股份(4.51%)、恒力石化、华鲁恒升(3.31%)、宝丰能源(3.27%) [1][3]

中证石化产业指数及ETF表现 - 12月31日，中证石化产业指数震荡上行，成分股广东宏大、盐湖股份、中国石油、中国海油等领涨 [1] - 石化ETF（159731）连续3天获资金净流入，近5个交易日合计净流入达2258万元 [1] - 石化ETF（159731）及其联接基金（017855/017856）紧密跟踪中证石化产业指数 [1] 行业走势与宏观背景 - 基础化工行业2025年涨幅靠前 [1] - 行业呈现“上半年弱势震荡，中期反弹，后期结构性活跃”走势 [1] - 宏观经济修复下，化工行业筑底回升 [1] 细分领域需求与景气度 - 新材料需求强劲，AI、OLED、机器人等新兴应用领域高景气，带动光刻胶等核心材料需求扩张与替代加速 [1] - 锂电材料等细分板块受益供需改善显著上涨 [1] - 农化、MDI等板块韧性较强 [1] - 钛白粉、锂电材料盈利修复预期明确 [1] 指数与ETF行业构成 - 从申万一级行业分布来看，石化ETF跟踪的中证石化产业指数中，基础化工行业占比为60.1%，石油石化行业占比为32.7% [1] - 随着石化产业淘汰落后产能和加强技术创新，产业链的价值将进一步提升 [1]