量化模型与构建方式 1. **模型名称：人工智能全球大类资产配置模型**[38] * **模型构建思路**：将机器学习模型应用于大类资产配置问题，基于因子投资的思路，使用模型对各类资产进行打分排序，最终构建可投资的、月频调整的量化等权配置策略[38]。 * **模型具体构建过程**：报告未详细描述该机器学习模型的具体构建过程、因子构成及公式。 2. **模型名称：基于动态宏观事件因子的股债轮动配置模型**[45] * **模型构建思路**：构建一个包含经济增长和货币流动性两大维度的动态宏观事件因子体系，并基于此体系结合风险预算模型框架，输出针对不同风险偏好（保守型、稳健型、进取型）的股债配置权重[45]。 * **模型具体构建过程**： 1. **宏观事件因子构建**：模型选取了经济增长和货币流动性两个维度的多个细分指标作为宏观事件因子[45][48]。例如，经济增长维度包括M1同比、PPI同比、PPI-CPI剪刀差、工业增加值同比、国债利差(10Y-1M)、发电量当月值_MA3环比等指标；货币流动性维度包括M1-M2剪刀差、中美国债利差(10Y)、中国国债美国TIPS利差(10年)等指标[48]。 2. **信号生成**：每个细分指标会生成一个二值信号（例如，1代表看多，0代表不看多）[48]。 3. **信号合成**：将同一维度下的多个细分因子信号进行合成，得到经济增长维度和货币流动性维度的综合信号强度（百分比形式）[45][47]。例如，报告显示截至2月28日，经济增长维度信号强度为0%，货币流动性维度信号强度为60%[47]。 4. **权重确定**：基于宏观择时模块（即合成信号）与风险预算模型框架，最终输出不同风险偏好组合的股票和债券配置权重[45][47]。 3. **模型名称：基于红利风格择时配置模型**[52] * **模型构建思路**：针对中证红利指数，构建一个基于经济增长与货币流动性两大维度共10项指标的动态宏观事件因子体系，用于进行择时配置，旨在捕捉红利风格资产的相对优势并控制回撤[52]。 * **模型具体构建过程**： 1. **宏观事件因子构建**：模型选取经济增长与货币流动性两大维度共10项指标构建动态宏观事件因子体系[52]。具体指标包括：经济增长维度的消费者信心指数、发电量当月值_MA3_MoM、国债利差(10Y-3M)、中采制造业PMI新出口订单、PPI同比、PPI-CPI剪刀差；货币流动性维度的Shibor2W、R007_MA20、Shibor1M_MoM、逆回购R007差额[54]。 2. **信号生成**：每个指标会生成一个二值信号（例如，1代表看多，0代表不看多）[54]。 3. **信号合成**：将所有指标的信号合成为一个最终的二值择时信号（1或0）[52][54]。例如，报告显示2026年3月的最终合成信号为1（看多）[52][54]。 模型的回测效果 1. **人工智能全球大类资产配置模型** * 回测期间：2021年1月至2026年3月[40] * 年化收益率：16.48%[40] * 年化波动率：6.78%[43] * 最大回撤：-6.66%[40] * 夏普比率：1.15[40] * 2026年初至今收益率：5.72%[40] 2. **基于动态宏观事件因子的股债轮动配置模型** * 回测期间：2005年1月至2026年3月[46] * **进取型策略**： * 年化复合收益率：20.07%[46] * 年化波动率：14.00%[51] * 最大回撤：-13.72%[51] * 夏普比率：1.31[51] * 收益回撤比：1.46[51] * 2026年初至今收益率：5.42%[46] * **稳健型策略**： * 年化复合收益率：10.79%[46] * 年化波动率：8.09%[51] * 最大回撤：-6.77%[51] * 夏普比率：1.19[51] * 收益回撤比：1.59[51] * 2026年初至今收益率：1.81%[46] * **保守型策略**： * 年化复合收益率：5.85%[46] * 年化波动率：3.19%[51] * 最大回撤：-3.55%[51] * 夏普比率：1.49[51] * 收益回撤比：1.65[51] * 2026年初至今收益率：0.83%[46] 3. **基于红利风格择时配置模型** * **择时策略**（假设单边交易成本千分之二）[52]： * 年化收益率：15.85%[52] * 年化波动率：16.17%[52] * 最大回撤：-21.22%[52] * 夏普比率：0.93[52] * 最近1个月收益率：1.35%[52] * **基准（中证红利全收益指数）**： * 年化收益率：11.49%[52] * 年化波动率：22.45%[52] * 最大回撤：-36.80%[52] * 夏普比率：0.58[52] * 最近1个月收益率：1.35%[52] 量化因子与构建方式 1. **因子名称：动态宏观事件因子（用于股债轮动模型）**[45] * **因子构建思路**：从经济增长和货币流动性两个宏观维度，选取具有预测性的高频或月度指标，将其转化为二值信号，用以判断股票资产的配置时机[45][48]。 * **因子具体构建过程**：报告列出了具体的细分指标，但未给出每个指标具体的信号生成阈值或公式。例如，经济增长维度包括M1同比、PPI同比、PPI-CPI剪刀差、工业增加值同比、国债利差(10Y-1M)、产量:发电量:当月值_MA3:环比等；货币流动性维度包括M1-M2剪刀差、中美国债利差10Y、中国国债美国TIPS利差:10年等[48]。每个指标在特定时点会输出1（看多）或0（不看多）的信号[48]。 2. **因子名称：动态宏观事件因子（用于红利择时模型）**[52] * **因子构建思路**：从经济增长和货币流动性两个维度选取10项指标，构建一个用于对中证红利指数进行择时的信号体系[52]。 * **因子具体构建过程**：报告列出了具体的细分指标，但未给出每个指标具体的信号生成阈值或公式。指标包括：经济增长维度的消费者信心指数、产量:发电量:当月值_MA3_MoM、国债利差10Y-3M、中采制造业PMI_新出口订单、PPI_YoY、PPI-CPI剪刀差；货币流动性维度的Shibor2W、R007_MA20、Shibor1M_MoM、逆回购R007差额[54]。每个指标在特定时点会输出1（看多）或0（不看多）的信号[54]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：人工智能全球大类资产配置模型**[44] * **模型构建思路**：将机器学习模型应用于大类资产配置问题，基于因子投资的思路，使用模型对各类资产进行打分排序，最终构建可投资的月频量化等权配置策略[44]。 * **模型具体构建过程**：报告未详细描述具体的机器学习模型算法、因子体系及打分排序的详细计算过程。其核心流程为：1) 输入宏观、市场等因子数据；2) 通过机器学习模型处理，输出对各资产的评分；3) 根据评分结果确定资产配置权重[44]。 2. **模型名称：基于动态宏观事件因子的股债轮动配置模型**[50] * **模型构建思路**：构建一个包含经济增长和货币流动性两大维度的动态宏观事件因子体系，并以此为基础，结合风险预算模型框架，输出针对不同风险偏好（保守型、稳健型、进取型）的股债配置权重[50]。 * **模型具体构建过程**： 1. **宏观择时模块构建**：选取经济增长和货币流动性两个维度的多个细分指标作为宏观事件因子[50][58]。例如，经济增长维度包括M1同比、PPI同比、PPI-CPI剪刀差、工业增加值同比、国债期限利差(10Y-1M)、发电量环比等指标；货币流动性维度包括M1-M2剪刀差、中美国债利差、中国国债与美国TIPS利差等指标[53]。 2. **信号生成**：每个细分指标根据其数值或变化方向，生成二值化的看多(1)或看空(0)信号[53]。 3. **信号合成**：将同一维度内各指标信号进行合成，得到该维度的总体信号强度（百分比形式）[6][54]。例如，2月份经济增长维度信号强度为40%，货币流动性维度信号强度为100%[6]。 4. **权重确定**：将宏观择时模块输出的信号（如股票仓位信号）[54]，输入到风险预算模型框架中，最终计算出保守型、稳健型、进取型三种配置方案中股票和债券的具体权重[50]。 3. **模型名称：基于红利风格择时配置模型**[58] * **模型构建思路**：基于经济增长与货币流动性两大维度构建动态宏观事件因子体系，对中证红利指数进行择时配置，以捕捉其相对A股的稳定优势并在市场偏弱时控制回撤[58]。 * **模型具体构建过程**： 1. **因子体系构建**：模型共使用经济增长与货币流动性两大维度共10项指标构建动态宏观事件因子体系[58]。报告列举了部分指标，包括：制造业PMI新出口订单、PPI同比、PPI-CPI剪刀差、Shibor 2W、Shibor 1M环比等[59][60]。 2. **信号生成与合成**：每个指标根据规则生成看多(1)或看空(0)信号[60]。将所有指标信号合成为一个最终的二值择时信号（1代表看多/满仓，0代表看空/空仓）[59]。例如，2月份最终合成信号为1[59]。 模型的回测效果 1. **人工智能全球大类资产配置模型**[46][49] * 回测期：2021年1月至2026年1月[46] * 年化收益率：7.22%[46][49] * 年化波动率：6.74%[49] * 最大回撤：-6.66%[46][49] * 夏普比率：1.07[46][49] * 年初至今收益率（截至2026年1月）：2.37%[46][49] 2. **基于动态宏观事件因子的股债轮动配置模型（进取型）**[51][57] * 回测期：2005年1月至2026年1月[51] * 年化复合收益率：20.15%[51][57] * 年化波动率：14.05%[57] * 最大回撤：-13.72%[57] * 夏普比率：1.31[57] * 收益回撤比：1.47[57] * 年初至今收益率（截至2026年1月）：3.65%[51][57] 3. **基于动态宏观事件因子的股债轮动配置模型（稳健型）**[51][57] * 回测期：2005年1月至2026年1月[51] * 年化复合收益率：10.85%[51][57] * 年化波动率：8.12%[57] * 最大回撤：-6.77%[57] * 夏普比率：1.19[57] * 收益回撤比：1.60[57] * 年初至今收益率（截至2026年1月）：1.22%[51][57] 4. **基于动态宏观事件因子的股债轮动配置模型（保守型）**[51][57] * 回测期：2005年1月至2026年1月[51] * 年化复合收益率：5.87%[51][57] * 年化波动率：3.20%[57] * 最大回撤：-3.55%[57] * 夏普比率：1.49[57] * 收益回撤比：1.65[57] * 年初至今收益率（截至2026年1月）：0.39%[51][57] 5. **基于红利风格择时配置模型**[59][61] * 年化收益率：15.85%[59][61] * 年化波动率：17.26%[59][61] * 最大回撤：-21.22%[59][61] * 夏普比率：0.90[59][61] * 最近1个月收益率（截至2026年1月）：0.00%[59][61] 量化因子与构建方式 1. **因子名称：动态宏观事件因子（用于股债轮动及红利择时）**[50][58] * **因子构建思路**：从经济增长和货币流动性两个宏观维度，选取具有预测性的高频或月度指标，将其转化为标准化的择时信号[50][53][58]。 * **因子具体构建过程**： 1. **指标选取**：选取一系列可量化的宏观指标。报告提及的指标包括但不限于： * **经济增长维度**：M1同比[53]、PPI同比[53]、PPI-CPI剪刀差[53]、工业增加值同比[53]、国债期限利差(10Y-1M)[53]、发电量当月值3个月移动平均环比[53]、制造业PMI新出口订单[60]、消费者信心指数[60]。 * **货币流动性维度**：M1-M2剪刀差[53]、中美国债利差(10Y)[53]、中国国债与美国TIPS利差(10年)[53]、Shibor 2W[60]、R007 20日移动平均[60]、Shibor 1M环比[60]、逆回购R007差额[62]。 2. **信号化处理**：对每个指标设定阈值或规则，将其原始数据转化为二值信号（通常1代表看多权益资产，0代表看空或中性）[53][60]。例如，当指标值高于某个临界值或环比改善时，发出看多信号(1)。 3. **因子应用**：这些信号既可以直接合成为最终的择时信号（如红利择时模型）[59]，也可以先合成各维度总信号，再作为输入进入更复杂的配置模型（如股债轮动模型）[6][54]。 因子的回测效果 （报告未单独提供动态宏观事件因子的独立回测绩效指标，其效果已体现在上述各配置模型的整体回测结果中。）

量化模型与构建方式 1. 人工智能全球大类资产配置模型 * **模型名称**：人工智能全球大类资产配置模型[38] * **模型构建思路**：将机器学习模型应用到大类资产配置问题上，基于因子投资的思路，使用模型对各类资产进行打分排序，最终构建可投资的月频量化等权配置策略[38] * **模型具体构建过程**：报告未详细描述具体的机器学习模型算法、因子构成及打分排序的详细计算过程，仅提及了基于因子投资思路构建策略的整体框架[38] 2. 基于动态宏观事件因子的股债轮动配置模型 * **模型名称**：基于动态宏观事件因子的股债轮动配置模型[43] * **模型构建思路**：构建一个宏观择时模块，结合风险预算模型框架，输出不同风险偏好（保守、稳健、进取）的股债配置权重[43] * **模型具体构建过程**： 1. **宏观择时模块**：从经济增长和货币流动性两个维度构建动态宏观事件因子[43]。每个维度包含多个细分指标（因子），例如经济增长维度包括M1同比、PPI同比、PPI-CPI剪刀差、工业增加值同比、国债利差(10Y-1M)、发电量环比等；货币流动性维度包括M1-M2剪刀差、中美国债利差(10Y)、中国国债美国TIPS利差(10年)等[46]。 2. **信号生成**：每个细分指标根据其数值或变化发出看多信号（记为1）或看空信号（记为0）[46][54]。 3. **维度信号合成**：将同一维度下的多个细分因子信号进行合成，得到该维度的总体信号强度（例如60%）[43][45]。 4. **最终仓位确定**：综合经济增长和货币流动性维度的信号，通过风险预算模型框架，计算出最终的股票建议仓位，并据此构建保守型、稳健型和进取型三种不同风险偏好的配置策略[43][45]。 3. 红利风格择时配置模型 * **模型名称**：红利风格择时配置模型[50] * **模型构建思路**：使用经济增长和货币流动性共10个指标，通过动态事件因子体系构建针对中证红利指数的择时策略，以提升收益稳定性[50] * **模型具体构建过程**： 1. **因子构建**：选取经济增长和货币流动性两个维度的共10个指标作为动态事件因子。经济增长维度指标包括消费者信心指数、发电量环比、国债利差(10Y-3M)、中采制造业PMI新出口订单、PPI同比、PPI-CPI剪刀差；货币流动性指标包括Shibor2W、R007_MA20、Shibor1M环比、逆回购R007差额[54]。 2. **信号生成**：每个指标根据规则独立生成看多信号（1）或看空信号（0）[54]。 3. **信号合成**：将所有指标的信号进行合成，得到最终的择时信号（0%或100%），用于决定中证红利指数的推荐仓位[50][54]。 模型的回测效果 1. 人工智能全球大类资产配置模型 * **回测区间**：2021年1月至2025年12月[39] * **年化收益率**：6.78%[39] * **年化波动率**：6.53%[42] * **夏普比率**：1.04[39] * **最大回撤**：6.66%[39] * **基准（资产等权）年化收益率**：6.80%[39] * **基准夏普比率**：0.75[39] * **基准最大回撤**：12.67%[39] * **年初至今收益率（截至报告期）**：7.18%[40] * **基准年初至今收益率**：18.14%[40] 2. 基于动态宏观事件因子的股债轮动配置模型 * **回测区间**：2005年1月至2025年12月[43] * **进取型策略年化收益率**：20.03%[44] * **稳健型策略年化收益率**：10.84%[44] * **保守型策略年化收益率**：5.88%[44] * **基准（股债64）年化收益率**：8.97%[44] * **进取型策略年化波动率**：14.07%[49] * **稳健型策略年化波动率**：8.14%[49] * **保守型策略年化波动率**：3.20%[49] * **基准年化波动率**：16.49%[49] * **进取型策略夏普比率**：1.30[49] * **稳健型策略夏普比率**：1.18[49] * **保守型策略夏普比率**：1.48[49] * **基准夏普比率**：0.54[49] * **进取型策略最大回撤**：-13.72%[49] * **稳健型策略最大回撤**：-6.77%[49] * **保守型策略最大回撤**：-3.55%[49] * **基准最大回撤**：-46.24%[49] * **进取型策略年初至今收益率**：15.77%[49] * **稳健型策略年初至今收益率**：4.23%[49] * **保守型策略年初至今收益率**：0.70%[49] * **基准年初至今收益率**：15.95%[49] 3. 红利风格择时配置模型 * **模型具体测试结果取值**： * **年化收益率**：16.18%[50][53] * **年化波动率**：17.32%[53] * **夏普比率**：0.93[50][53] * **最大回撤**：-21.22%[50][53] * **基准（中证红利全收益指数）年化收益率**：11.28%[53] * **基准年化波动率**：22.60%[53] * **基准夏普比率**：0.57[53] * **基准最大回撤**：-36.80%[53] 量化因子与构建方式 1. 动态宏观事件因子（用于股债轮动及红利择时） * **因子构建思路**：从宏观经济指标中选取具有预测性的变量，将其转化为二值化（0/1）的择时信号，用于判断股票市场的整体或风格（红利）走势[43][50] * **因子具体构建过程**：报告列出了用于不同模型的细分宏观指标，其构建逻辑应为：当指标值或变化量超过（或低于）特定阈值时，发出看多信号（赋值为1），否则为看空信号（赋值为0）[46][54]。具体指标包括： * **经济增长维度**：M1同比、PPI同比、PPI-CPI剪刀差、工业增加值同比、国债利差(10Y-1M或10Y-3M)、发电量当月值3月移动平均环比、消费者信心指数、中采制造业PMI新出口订单等[46][54] * **货币流动性维度**：M1-M2剪刀差、中美国债利差(10Y)、中国国债美国TIPS利差(10年)、Shibor2W、R007_MA20、Shibor1M环比、逆回购R007差额等[46][54]

根据提供的研报内容，总结其中涉及的量化模型与因子如下。 量化模型与构建方式 1. **模型名称：人工智能全球大类资产配置模型**[38] * **模型构建思路**：将机器学习模型应用到大类资产配置问题上，基于因子投资的思路使用模型给出各资产的打分排序，并最终构建可投资的大类资产月频量化等权配置策略[38] * **模型具体构建过程**：报告未详细说明具体的机器学习模型算法、因子构成及打分排序方法，仅提及最终策略采用等权配置[38] 2. **模型名称：基于动态宏观事件因子的股债轮动配置模型**[43] * **模型构建思路**：构建基于动态宏观事件因子的三个不同风险偏好（保守、稳健和进取型）的股债配置策略，模型框架结合了宏观择时模块和风险预算模型[43] * **模型具体构建过程**： * **宏观择时模块**：使用经济增长和货币流动性两个维度的多个宏观指标作为动态事件因子，生成择时信号[43][46] * **风险预算模型**：根据宏观择时模块输出的综合信号强度，结合不同的风险预算目标，计算三种风险偏好配置模型（保守型、稳健型、进取型）的股票和债券权重[43][45] 3. **模型名称：红利风格择时配置模型**[51] * **模型构建思路**：使用经济增长和货币流动性共10个指标，通过动态事件因子的体系构建中证红利指数的择时策略[51] * **模型具体构建过程**：报告未详细说明具体的信号合成规则和仓位管理方法，仅提及根据经济增长和货币流动性维度的指标信号合成最终看多/看空信号，并据此决定中证红利的配置仓位（0%或100%）[51][55] 模型的回测效果 1. **人工智能全球大类资产配置模型**[39][42] * 回测期：2021年1月至2025年10月 * 年化收益率：38.76% * 年化波动率：7.01% * 最大回撤：-6.56% * 夏普比率：1.07 * 年初至今收益率：6.66%（截至2025年10月） 2. **基于动态宏观事件因子的股债轮动配置模型（进取型）**[43][49] * 回测期：2005年1月至2025年10月 * 年化复合收益率：20.14% * 年化波动率：14.12% * 最大回撤：-13.72% * 夏普比率：1.30 * 收益回撤比：1.47 * 年初至今收益率：14.42%（截至2025年10月） 3. **基于动态宏观事件因子的股债轮动配置模型（稳健型）**[43][49] * 回测期：2005年1月至2025年10月 * 年化复合收益率：10.92% * 年化波动率：8.17% * 最大回撤：-6.77% * 夏普比率：1.19 * 收益回撤比：1.61 * 年初至今收益率：4.13%（截至2025年10月） 4. **基于动态宏观事件因子的股债轮动配置模型（保守型）**[43][49] * 回测期：2005年1月至2025年10月 * 年化复合收益率：5.94% * 年化波动率：3.21% * 最大回撤：-3.55% * 夏普比率：1.50 * 收益回撤比：1.67 * 年初至今收益率：0.97%（截至2025年10月） 5. **红利风格择时配置模型**[51][54] * 年化复合收益率：16.52% * 年化波动率：14.35% * 最大回撤：-13.77% * 夏普比率：1.07 * 最近1个月收益率：0%（截至报告期末） 量化因子与构建方式 1. **因子类别：动态宏观事件因子**[43][46][55] * **因子的构建思路**：从经济增长和货币流动性两个维度选取具有经济含义的宏观指标，将其转化为二值化（0或1）的择时信号，作为股债配置和风格择时的输入因子[43][46][55] * **因子具体构建过程**：报告列出了部分用于构建动态宏观事件因子的具体指标，但未提供每个指标具体的信号生成阈值或规则[46][55] * **经济增长维度指标示例**：M1同比、PPI同比、PPI-CPI剪刀差、工业增加值同比、国债利差(10Y-1M)、产量:发电量:当月值_MA3:环比、中采制造业PMI_新出口订单等[46][55] * **货币流动性维度指标示例**：M1-M2剪刀差、中美国债利差(10Y)、中国国债美国TIPs利差(10年)、银行间质押利率(7天)、逆回购(7天)-银行间质押利率(7天)_MA20、Shibor2W、R007_MA20、Shibor1M_MoM、逆回购R007差额等[46][55] 因子的回测效果 （报告未提供单个因子的独立测试结果，如IC值、IR等）

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：人工智能全球大类资产配置模型 - **模型构建思路**：基于机器学习模型和因子投资思路，对全球大类资产进行打分排序，构建月频量化等权配置策略[34] - **模型具体构建过程**： 1. 使用历史数据训练机器学习模型，提取资产特征因子 2. 模型输出各资产的综合打分 3. 根据打分结果分配权重，构建等权组合 4. 每月定期调整组合权重[34] - **模型评价**：该模型在长期表现上优于基准，具有较好的风险调整收益[34] 2. **模型名称**：动态宏观事件因子的股债轮动策略 - **模型构建思路**：基于宏观择时模块和风险预算模型框架，构建不同风险偏好的股债配置策略[40] - **模型具体构建过程**： 1. 选取经济增长和货币流动性维度的宏观指标作为输入因子 2. 通过动态事件因子体系计算信号强度 3. 根据信号强度调整股票和债券的配置比例 4. 输出保守型、稳健型和进取型三种配置方案[40] - **模型评价**：该策略在长期历史回测中表现优异，各风险等级策略均优于基准[40] 3. **模型名称**：红利风格择时配置策略 - **模型构建思路**：基于经济增长和货币流动性指标构建中证红利的择时策略[48] - **模型具体构建过程**： 1. 选取10个宏观经济指标作为输入因子 2. 通过动态事件因子体系计算合成信号 3. 根据信号强度调整中证红利的配置仓位[48] - **模型评价**：该策略相较于中证红利指数有显著的稳定性提升[48] 模型的回测效果 1. **人工智能全球大类资产配置模型** - 年化收益率：6.77% - 年化波动率：6.64% - 最大回撤：-6.66% - 夏普比率：1.02 - 年初至今收益率：3.87%[34] 2. **动态宏观事件因子的股债轮动策略** - 进取型年化收益率：20.00% - 稳健型年化收益率：10.97% - 保守型年化收益率：6.01% - 进取型最大回撤：-13.72% - 稳健型最大回撤：-6.77% - 保守型最大回撤：-3.55%[40] 3. **红利风格择时配置策略** - 年化收益率：16.62% - 年化波动率：17.47% - 最大回撤：-21.22% - 夏普比率：0.94[48] 量化因子与构建方式 1. **因子名称**：经济增长维度因子 - **因子构建思路**：反映宏观经济景气度的指标[40] - **因子具体构建过程**： 1. 选取工业增加值同比、PPI同比等指标 2. 对指标进行标准化处理 3. 计算各指标的信号强度[40] 2. **因子名称**：货币流动性维度因子 - **因子构建思路**：反映市场流动性状况的指标[40] - **因子具体构建过程**： 1. 选取M1-M2剪刀差、国债利差等指标 2. 对指标进行标准化处理 3. 计算各指标的信号强度[40] 因子的回测效果 1. **经济增长维度因子** - 8月份信号强度：100%[40] 2. **货币流动性维度因子** - 8月份信号强度：0%[40]