公司动态 - 太平洋投资管理公司为一项新的资产支持融资策略成功募集了70亿美元资金 [1] 业务发展 - 公司新推出的投资策略专注于资产支持融资领域 [1]

量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[3] * **模型构建思路**：通过构建一个量化模型，对申万一级行业指数的拥挤度进行每日监测，以识别市场热度较高或较低的行业[3]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤、所使用的子因子或计算公式。 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过计算ETF溢价率的Z-score值，来识别存在潜在套利机会或回调风险的ETF产品[4]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤和计算公式。通常，此类模型会计算ETF的IOPV溢价率相对于其历史均值和标准差的标准化分数（Z-score）。一个可能的构建过程是： 1. 计算ETF在交易日t的IOPV溢价率：$$溢价率_t = (ETF市价_t / IOPV_t - 1) * 100\%$$ 2. 选取过去N个交易日（如60日或120日）的溢价率序列，计算其滚动均值($$\mu_t$$)和滚动标准差($$\sigma_t$$)。 3. 计算交易日t的溢价率Z-score值：$$Z_t = (溢价率_t - \mu_t) / \sigma_t$$ 4. 根据Z-score的阈值（如Z > 2 或 Z < -2）生成交易信号[4]。 量化因子与构建方式 1. **因子名称：行业拥挤度**[3] * **因子构建思路**：综合多个维度指标，衡量某一行业交易过热或过冷的程度[3]。 * **因子具体构建过程**：报告未详细说明该因子的具体构成、各维度指标及其合成方法。 2. **因子名称：主力资金净流入额**[3][10] * **因子构建思路**：衡量大额资金（主力资金）在特定时间段内对某一行业指数的净买入或净卖出金额，反映大资金的动向[3]。 * **因子具体构建过程**：报告直接使用了“主力净流入额”这一数据，未说明其具体计算方式。通常，该数据来源于行情软件，通过统计大单、中单、小单的成交额差值得出。 3. **因子名称：ETF IOPV溢价率**[6][12] * **因子构建思路**：衡量ETF交易价格相对于其实时估算净值(IOPV)的偏离程度，是判断ETF是否存在折溢价套利机会的基础指标[6][12]。 * **因子具体构建过程**：报告直接列出了“IOPV溢价率(%)”数据。其计算公式通常为：$$溢价率 = (ETF市价 / IOPV - 1) * 100\%$$ 模型的回测效果 （报告中未提供任何量化模型的回测效果指标数据，如年化收益率、夏普比率、最大回撤、信息比率(IR)等。） 因子的回测效果 （报告中未提供任何量化因子的回测效果指标数据，如IC值、IR、多空收益等。报告仅展示了因子在特定时点的截面取值或排名情况。） 1. **行业拥挤度因子截面取值（前一交易日）**[3] * 拥挤度水平靠前的行业：通信、军工、建材[3]。 * 拥挤度水平较低的行业：计算机、汽车[3]。 * 拥挤度变动较大的行业：银行、化工、建材[3]。 2. **主力资金净流入额因子截面取值（前一交易日）**[3] * 主力资金流入的行业：军工、商贸零售、食饮[3]。 * 主力资金流出的行业：有色、电子[3]。 3. **主力资金净流入额因子截面取值（近三个交易日）**[3][10] * 主力资金增配的行业：银行、钢铁[3]。 * 主力资金减配的行业：电子、通信[3]。 * 具体数值见图表4（对应文档10中的表格数据）[10]。 4. **ETF IOPV溢价率因子截面取值（数据截止日）**[6][12] * 具体ETF的溢价率数值见图表1（对应文档6中的表格数据）[6]。 * 根据溢价率Z-score模型筛选出的“建议关注”ETF产品列表见图表5（对应文档12中的表格数据）[12]。

公司动态 - 中国太平洋财产保险股份有限公司维西支公司获准变更营业场所 新址为云南省迪庆州维西县保和镇兰永村委会云傈世纪城商业综合体1幢E09 [1] - 中国太平洋财产保险股份有限公司云南分公司需按规定办理相关变更及许可证换领事宜 [1]

核心财务数据 - 中国太保子公司中国太平洋人寿保险股份有限公司在2025年1月1日至11月30日期间累计原保险保费收入为人民币2503.22亿元，同比增长9.4% [1] - 中国太保子公司中国太平洋财产保险股份有限公司在同期累计原保险保费收入为人民币1876.82亿元，同比增长0.3% [1] 业务板块表现 - 寿险业务保费收入增长强劲，增速达到9.4%，显著高于财险业务增速 [1] - 财险业务保费收入保持微幅增长，增速为0.3% [1] - 寿险业务保费规模（2503.22亿元）高于财险业务（1876.82亿元） [1]

公司保费收入表现 - 2025年1月1日至11月30日期间，公司子公司中国太平洋人寿保险股份有限公司累计原保险保费收入为人民币2503.22亿元，同比增长9.4% [1] - 同期，公司子公司中国太平洋财产保险股份有限公司累计原保险保费收入为人民币1876.82亿元，同比增长0.3% [1] 业务板块增长对比 - 寿险业务保费收入增长强劲，增速达到9.4% [1] - 财险业务保费收入增长相对平缓，增速为0.3% [1]

中国太保（601601）(02601)公布，于2025年1月1日至2025年11月30日期间，该公司子公司中国太平洋 人寿保险股份有限公司累计原保险保费收入为人民币2503.22亿元，同比增长9.4%，公司子公司中国太 平洋财产保险股份有限公司累计原保险保费收入为人民币1876.82亿元，同比增长0.3%。 ...

格隆汇12月16日丨中国太保(601601.SH)公布，于2025年1月1日至2025年11月30日期间，本公司子公司 中国太平洋人寿保险股份有限公司累计原保险保费收入为人民币2,503.22亿元，同比增长9.4%，本公司 子公司中国太平洋财产保险股份有限公司累计原保险保费收入为人民币1,876.82亿元，同比增长0.3%。 ...

文章核心观点 - 国际能源署预估2026年全球原油市场将面临显著的供应过剩压力 但OPEC+增产放缓、美元降息周期及油价接近十年均价等因素 有望支撑油价逐步企稳甚至小幅反弹 [1] - 2025年化工行业回顾显示内部分化明显 基础化工表现优于石油石化 展望2026年 继续看好稀缺资源品及与新技术相关的化工新材料 [2][3] - 2025年能源化工品价格回顾显示油价等明显下滑 但近期已有触底反弹迹象 展望2026年 油价及化工品价格有望企稳或小幅反弹 [4] 2025年行业回顾：整体与子行业表现 - 截至2025年12月12日 上证指数年内上涨16.04% 沪深300指数上涨16.42% 深证成指上涨27.31% [2] - 中信基础化工指数涨幅为32.16% 表现明显好于市场 中信石油石化指数涨幅为6.59% 受油价中枢下移影响景气度承压 [2] - 中信一级行业有29个上涨 仅2个下跌 石油石化年初至今涨幅为6.59% 基础化工上涨32.16% [3] - 化工行业39个中信三级子行业中 38个上涨 1个下跌 涨幅居前的为钾肥(+85.87%)、无机盐(+81.78%)、改性塑料(+75.99%) 涨跌幅居后的为炼油(-8.99%)、聚氨酯(+0.46%)、绵纶(+1.15%) [3] 2025年行业回顾：驱动因素 - 基础化工行业受机器人产业链、AI算力对电子化学材料需求提升等影响 表现较好 [2] - 资源品受到广泛关注 钾肥、锂矿、磷矿石价格维持较好景气度 [3] - 国内科技创新及大力发展新质生产力 推动机器人产业链蓬勃发展 轻量化材料、改性塑料需求明显增加 [3] 2026年行业展望 - 继续看好稀缺资源品 以及与新技术相关的化工新材料 [3] - 油价、化工品价格有望企稳或小幅反弹 [4] 能源化工品价格回顾 - 截至2025年12月12日 WTI原油期货年内均价为65.05美元/桶 布伦特原油期货年内均价为68.36美元/桶 较2024年同期的76.10美元/桶、80.11美元/桶明显下滑 [4] - 天然气价格年初至今明显上行 煤炭价格震荡企稳 [4] - 中国化工产品价格指数年初以来下滑明显 已显著低于过去12年均值 显示需求依然偏弱 但近期已有触底反弹迹象 [4]

香港联交所最新资料显示，12月11日，CARAVEL MARITIME VENTURES INC．增持太平洋航运 （02343）1368.1万股，每股作价为2.4387港元，总金额约为3336.39万港元。增持后最新持股数目约为 9.36亿股，持股比例为18.12%。 来源：新浪港股 ...

量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[3] * **模型构建思路**：通过构建一个量化模型，对申万一级行业指数的拥挤度进行每日监测，以识别市场情绪过热或过冷的行业[3]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤、所使用的底层因子或计算公式。 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过计算ETF溢价率的Z-score值，来识别当前溢价率相对于其历史水平的偏离程度，从而筛选出存在潜在套利机会或回调风险的ETF产品[4]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤，但提及了核心指标“溢价率Z-score”。通常，此类模型的构建过程可能包含以下步骤： 1. 计算ETF的日度溢价率：$$溢价率 = (ETF市价 - ETF净值) / ETF净值$$ 2. 选取一个滚动时间窗口（如过去60个交易日），计算该窗口内溢价率的均值($$\mu$$)和标准差($$\sigma$$)。 3. 计算当前溢价率的Z-score值：$$Z_t = (溢价率_t - \mu) / \sigma$$ 其中，$$Z_t$$代表当前时点的溢价率Z-score值，用于衡量当前溢价率相对于其近期历史均值的标准化偏离[4]。 量化因子与构建方式 1. **因子名称：行业拥挤度**[3] * **因子构建思路**：综合多个维度衡量一个行业交易过热或过冷的程度，数值越高通常表示该行业越拥挤[3]。 * **因子具体构建过程**：报告未详细说明该因子的具体合成方法、涉及的子因子或计算公式。 2. **因子名称：溢价率Z-score**[4] * **因子构建思路**：衡量ETF当前溢价率在其近期历史分布中的位置，是一个标准化后的偏离度指标，用于判断溢价率是否处于极端水平[4]。 * **因子具体构建过程**：见上文“溢价率 Z-score 模型”的具体构建过程中对Z-score的计算描述[4]。 模型的回测效果 （报告未提供相关模型的回测绩效指标，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告未提供相关因子的IC、IR、多空收益等检验指标。） 模型/因子的具体测试结果取值 1. **行业拥挤度监测模型** 与 **行业拥挤度因子** * **测试结果取值**：报告给出了截至前一交易日（2025/12/12）的监测结果。拥挤度排名靠前的行业为：通信、军工、电子[3]。拥挤度水平较低的行业为：计算机、汽车、传媒[3]。拥挤度变动较大的行业为：建筑装饰、房地产[3]。 2. **溢价率 Z-score 模型** 与 **溢价率Z-score因子** * **测试结果取值**：报告根据该模型输出了“ETF产品关注信号”列表，给出了建议关注的ETF产品，包括：双创龙头ETF(588330.SH)、红利国企ETF(510720.SH)、医疗创新ETF(516820.SH)、有色金属ETF(512400.SH)、工业有色ETF(560860.SH)[14]。报告未列出这些ETF具体的Z-score数值。