报告导读： 从技术面来看，情绪模型信号依旧处于弱势震荡状态；与此同时，均线强弱指 数同样处于震荡区间。因此，我们认为，市场短期震荡格局较难被打破。 下周（ 20251222-20251226 ，后文同）市场观点： 市场短期震荡格局较难被打破。 从量化指标上看，基于沪深 300 指数的流动性冲击指标周五为 0.41 ，低于前一周（ 0.51 ），意味着当前市场的流动性高于过去一年平均水平 0.41 倍标准差。上证 50ETF 期权成交量的 PUT-CALL 比率震荡下降，周五为 0.83 ，低于前一周（ 1.08 ），投资者对上证 50ETF 短期走势谨慎程度下降。上证综指和 Wind 全 A 五日平均换手率分别为 1.05% 和 1.60% ，处于 2005 年以来的 68.85% 和 73.75% 分位点，交易活跃度有所下降。从宏观因子上看，上周人民币汇率震荡，在岸和离岸汇率周涨幅分别为 0.2% 、 0.28% 。事件驱动上， 1. 上周美股市场出现震荡。道琼斯工业指数、标普 500 指数和纳斯达克指数周收益率分别为 -0.67% 、 0.1% 、 0.48% 。根据 Wind ，美国 11 月非农就业人 ...

量化模型与构建方式 1. **模型名称**：情绪择时模型[12] * **模型构建思路**：通过构建与市场涨跌停板相关的因子来刻画市场的情绪强弱，并基于此进行择时判断[12]。 * **模型具体构建过程**：模型包含五个细分情绪因子，分别为净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益[14]。每个因子根据其数值或状态给出0或1的信号，最终将五个因子的信号值相加，得到总分（满分5分）作为情绪模型的得分[12][14]。 2. **模型名称**：趋势模型[12] * **模型构建思路**：未在报告中详细说明，但作为与情绪模型并列的择时模型，其信号用于判断市场趋势方向[12]。 * **模型具体构建过程**：报告未提供具体构建过程，仅提及模型信号为负向[12]。 3. **模型名称**：加权模型[12] * **模型构建思路**：未在报告中详细说明，但作为与情绪模型并列的择时模型，其信号用于判断市场趋势方向[12]。 * **模型具体构建过程**：报告未提供具体构建过程，仅提及模型信号为负向[12]。 4. **模型/指标名称**：均线强弱指数[12] * **构建思路**：通过计算Wind二级行业指数的均线情况来综合判断市场的整体技术强弱[12]。 * **具体构建过程**：报告未提供具体计算公式。构建过程为：基于Wind二级行业指数，计算其均线相关指标，并综合打分。当前市场得分为170，处于2023年以来的60.6%分位点[12]。 5. **指标名称**：流动性冲击指标[2] * **构建思路**：基于沪深300指数构建，用于衡量当前市场流动性相对于过去一年平均水平的偏离程度[2]。 * **具体构建过程**：报告未提供具体计算公式。指标数值代表当前市场流动性高于过去一年平均水平的倍数标准差。例如，指标值为0.41意味着流动性高于过去一年平均水平0.41倍标准差[2]。 6. **指标名称**：PUT-CALL比率[2] * **构建思路**：使用上证50ETF期权的成交量比率（认沽期权成交量/认购期权成交量）来反映投资者对短期走势的谨慎或乐观情绪[2]。 * **具体构建过程**：$$PUT-CALL比率 = \frac{认沽期权成交量}{认购期权成交量}$$ 比率下降通常意味着投资者谨慎程度下降[2]。 7. **因子名称**：因子拥挤度（复合指标）[15] * **因子构建思路**：因子拥挤是指跟踪或投资某一因子的资金过多，导致该因子收益或收益稳定性下降的现象。拥挤度指标可作为因子失效的预警指标[15]。 * **因子具体构建过程**：使用四个子指标综合度量因子拥挤程度，包括估值价差、配对相关性、长期收益反转、因子波动率[15]。报告指出详细计算方法请参考对应专题报告，未在本文中给出具体公式[15]。综合打分由这四个分项指标合成[19]。 量化模型的回测效果 1. 情绪择时模型，模型得分0分（满分5分）[12] 2. 趋势模型，信号方向为负向[12] 3. 加权模型，信号方向为负向[12] 4. 均线强弱指数，当前得分170，历史分位点（2023年以来）60.6%[12] 5. 流动性冲击指标（基于沪深300），当前数值0.41[2] 6. PUT-CALL比率（上证50ETF期权），当前数值0.83[2] 量化因子与构建方式 1. **因子名称**：小市值因子拥挤度[4][19] * **因子构建思路**：衡量小市值因子的拥挤程度，预警其可能失效的风险[15]。 * **因子具体构建过程**：作为复合因子拥挤度的一种，其具体构建过程与前述“因子拥挤度（复合指标）”一致，由估值价差、配对相关性、市场波动、收益反转四个子指标合成[15][19]。报告未提供各子指标的具体公式。 2. **因子名称**：低估值因子拥挤度[4][19] * **因子构建思路**：衡量低估值因子的拥挤程度，预警其可能失效的风险[15]。 * **因子具体构建过程**：构建过程同“小市值因子拥挤度”，为复合指标[15][19]。 3. **因子名称**：高盈利因子拥挤度[4][19] * **因子构建思路**：衡量高盈利因子的拥挤程度，预警其可能失效的风险[15]。 * **因子具体构建过程**：构建过程同“小市值因子拥挤度”，为复合指标[15][19]。 4. **因子名称**：高盈利增长因子拥挤度[4][19] * **因子构建思路**：衡量高盈利增长（高增长）因子的拥挤程度，预警其可能失效的风险[15]。 * **因子具体构建过程**：构建过程同“小市值因子拥挤度”，为复合指标[15][19]。 5. **因子名称**：行业拥挤度[21] * **因子构建思路**：衡量特定行业板块的拥挤程度[21]。 * **因子具体构建过程**：报告指出详细计算方法请参考对应专题报告《行业轮动系列研究 15——行业板块拥挤度》，未在本文中给出具体公式[21]。 6. **因子名称**：净涨停占比（情绪因子）[14] * **因子构建思路**：作为情绪择时模型的细分因子之一，用于刻画市场情绪[14]。 * **因子具体构建过程**：报告未提供具体计算公式，仅给出其当前信号值为0[14]。 7. **因子名称**：跌停次日收益（情绪因子）[14] * **因子构建思路**：作为情绪择时模型的细分因子之一，用于刻画市场情绪[14]。 * **因子具体构建过程**：报告未提供具体计算公式，仅给出其当前信号值为0[14]。 8. **因子名称**：涨停板占比（情绪因子）[14] * **因子构建思路**：作为情绪择时模型的细分因子之一，用于刻画市场情绪[14]。 * **因子具体构建过程**：报告未提供具体计算公式，仅给出其当前信号值为0[14]。 9. **因子名称**：跌停板占比（情绪因子）[14] * **因子构建思路**：作为情绪择时模型的细分因子之一，用于刻画市场情绪[14]。 * **因子具体构建过程**：报告未提供具体计算公式，仅给出其当前信号值为0[14]。 10. **因子名称**：高频打板收益（情绪因子）[14] * **因子构建思路**：作为情绪择时模型的细分因子之一，用于刻画市场情绪[14]。 * **因子具体构建过程**：报告未提供具体计算公式，仅给出其当前信号值为0[14]。 量化因子的回测效果 1. 小市值因子拥挤度，综合打分0.22，估值价差0.58，配对相关性-0.09，市场波动-0.18，收益反转0.56[19] 2. 低估值因子拥挤度，综合打分-0.51，估值价差-0.72，配对相关性0.04，市场波动-0.23，收益反转-1.12[19] 3. 高盈利因子拥挤度，综合打分0.05，估值价差-0.69，配对相关性-0.08，市场波动-0.31，收益反转1.27[19] 4. 高盈利增长因子拥挤度，综合打分0.22，估值价差0.66，配对相关性-0.46，市场波动0.37，收益反转0.29[19] 5. 净涨停占比（情绪因子），当前信号0[14] 6. 跌停次日收益（情绪因子），当前信号0[14] 7. 涨停板占比（情绪因子），当前信号0[14] 8. 跌停板占比（情绪因子），当前信号0[14] 9. 高频打板收益（情绪因子），当前信号0[14]

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、所使用的指标或计算公式。 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，但提及了核心指标为“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：$$溢价率 = (ETF市价 - IOPV) / IOPV \times 100\%$$ 其中，IOPV为基金份额参考净值。 2. 选取一个滚动时间窗口（例如过去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：$$Z_t = \frac{PremiumRate_t - \mu}{\sigma}$$ 其中，$$PremiumRate_t$$为当前交易日的溢价率。 4. 设定阈值（如Z-score > 2或 < -2），当Z-score超过阈值时，生成相应的关注或警示信号。 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**：综合多个市场维度（如交易活跃度、价格动量、估值水平等）来度量一个行业是否处于交易过度拥挤的状态[3]。 * **因子具体构建过程**：报告未详细说明该因子的具体构建方法、合成指标或计算公式。仅展示了最终结果（热力图）[9]。 2. **因子名称：主力资金净流入额**[3][10] * **因子构建思路**：跟踪大额资金（主力资金）在行业层面的净流入或净流出情况，以判断资金的动向和偏好[3]。 * **因子具体构建过程**：报告直接使用了Wind等数据提供商计算的主力资金净流入额数据，未说明其具体算法。通常，该因子基于逐笔成交数据，通过识别大单买卖来估算主力资金的流向[10]。 3. **因子名称：ETF资金净流入**[5][6] * **因子构建思路**：跟踪资金流入或流出特定ETF产品的规模，反映市场对相关板块或风格的态度[5]。 * **因子具体构建过程**：报告直接引用了ETF的日度资金净流入数据。该数据通常基于ETF的份额变动和单位净值计算得出：$$日资金净流入 = (当日总份额 - 前一日总份额) \times 当日单位净值$$[6]。 4. **因子名称：IOPV溢价率**[6] * **因子构建思路**：衡量ETF交易价格与其实时净值（IOPV）之间的偏离百分比，溢价率为正表示交易价格高于净值，可能存在高估或套利机会[6]。 * **因子具体构建过程**：报告直接引用了IOPV溢价率数据。其计算公式为：$$IOPV溢价率 = \frac{ETF市价 - IOPV}{IOPV} \times 100\%$$[6]。 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，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，如IC值、IR、多空收益、分组收益等。仅展示了因子在特定时点的截面数据或时间序列数据。）

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]。

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。

核心观点 - 截至2025年12月12日，市场情绪指标数值为1.35，较上周五的2.4进一步走低，从情绪角度来看观点偏空 [2][8] - 市场情绪出现温和修复但结构性分化仍存，部分指标如价量一致性、融资余额占比呈现边际回暖，但风险偏好修复仍显不足 [2][11] - 当前量化模型整体提示大盘风格与成长风格占优信号 [2][50] 情绪模型观点 - **综合情绪得分回落**：市场情绪指标数值为1.35，较上周五的2.4大幅降低，情绪得分保持快速下滑，市场交易活跃度仍保持较低状态 [2][8] - **价量一致性边际回暖**：本周价量一致性指标周内冲高回落，较上周出现一定改善，市场价量匹配程度回升，资金关注度与标的涨幅相关性增强 [2][11][12] - **市场成交活跃度上升**：本周全A成交额较上周环比上涨15.14%，平均日成交额为19530.44亿元，其中12月12日成交额为近期最高的21190.10亿元人民币，日成交量1285.92亿股 [2][14] - **风险偏好修复不足**：科创50相对全A成交占比仍处下行通道，表明当前市场的风险偏好继续较低 [2][11][16] - **行业间资金切换放缓**：行业间交易波动率继续回落，显示资金在行业间切换节奏放缓，流动性边际趋弱 [2][11][21] - **行业观点一致性较高**：行业涨跌趋势性维持在布林带上界附近震荡，行业观点一致性是今年情绪指标整体的重要支撑 [2][11][24] - **杠杆资金情绪升温**：融资余额占比持续上行并创下近三年度新高，表明当前市场杠杆资金情绪进一步上升，风险偏好呈现结构性修复 [2][11][26] - **短期上行动能有限**：RSI指标小幅回升但仍运行于低位区间，短期上行动能改善有限 [2][11][29] - **机构资金进场意愿提升**：主力资金净流入维持高位震荡，说明主力资金进场意愿提升，市场做多动能得到进一步夯实 [2][11][33] - **期权市场情绪谨慎**：本周20日PCR均线下穿60日均线，显示期权市场多空结构发生转变，投资者对未来行情趋于谨慎 [2][36] 其他择时模型观点 - **行业短期得分排名**：根据均线排列模型，截至2025年12月12日，通信、轻工制造、综合、有色金属、石油石化是短期得分最高的行业，其中通信当前短期得分为77.97，为短期得分最高行业 [2][40] - **行业短期得分上升趋势**：非银金融、通信、国防军工、综合、汽车等行业短期得分上升趋势靠前 [2][40] - **行业拥挤度分析**：本周拥挤度与周内涨跌幅相关系数为0.33，存在较强正相关性 [2][46] - **高拥挤度板块表现**：近期通信、国防军工等高拥挤度板块领涨明显，拥挤资金快速流入导致涨幅显著放大，短期仍有上冲惯性但需警惕高位回调压力 [2][46] - **高拥挤低涨幅板块**：轻工制造、银行等拥挤度同样较高但涨幅较低，若有资金面进一步催化，或仍具备上涨潜力 [2][46] - **低拥挤度板块**：钢铁、环保、有色金属、公用事业等低拥挤度板块涨幅相对落后 [2][46] - **风格择时信号**：当前模型维持提示大盘风格占优信号，但信号提示强度较弱，同时5日RSI相对20日RSI迅速上升，未来信号存在削弱可能 [2][50] - **成长风格占优**：模型切换提示成长风格占优信号，且5日RSI相对20日RSI迅速上升，未来信号强度可能出现进一步加强 [2][50]

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**：通过构建一个多维度指标体系，对申万一级行业指数的拥挤度进行每日监测，以识别行业交易过热或过冷的状态[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、所采用的指标维度及合成方法。 2. **模型名称：溢价率Z-score模型**[4] * **模型构建思路**：通过计算ETF产品溢价率的历史Z-score值，来识别当前溢价率是否处于统计意义上的异常水平，从而筛选存在潜在套利机会或回调风险的ETF标的[4]。 * **模型具体构建过程**：报告未详细说明该模型的具体计算窗口期、Z-score阈值设定等构建细节。其核心公式应为： $$ Z = \frac{P - \mu}{\sigma} $$ 其中，\(P\)代表当前溢价率，\(\mu\)代表滚动窗口期内的历史溢价率均值，\(\sigma\)代表滚动窗口期内的历史溢价率标准差。 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**：综合多个市场维度（报告未明确具体维度，可能包括交易量、价格动量、资金流向等）构建一个衡量行业交易拥挤程度的综合指标[3]。 * **因子具体构建过程**：报告未提供该因子的具体构建过程和合成公式。 2. **因子名称：溢价率Z-score**[4] * **因子构建思路**：将ETF的实时溢价率与其自身历史表现进行标准化比较，得到一个表征当前溢价率偏离历史正常水平的统计值[4]。 * **因子具体构建过程**：作为溢价率Z-score模型的核心输出，其计算过程与上述模型公式一致，即对滚动窗口期内的历史溢价率序列进行标准化处理，得到当前溢价率的Z-score值。 模型的回测效果 （报告中未提供量化模型的回测效果指标数据） 因子的回测效果 （报告中未提供量化因子的回测效果指标数据）

核心观点 - 市场情绪综合得分在报告期内继续快速回落，从情绪角度看观点偏空，整体市场情绪呈现弱修复与结构性分化并存的状态 [2][8] - 从风格和行业角度看，当前模型提示大盘风格与价值风格占优，通信等行业短期得分快速提升，部分高拥挤度板块领涨明显 [2][40] 情绪模型观点 - 截至2025年12月5日，市场情绪指标数值为2.4，较上周五的3.15大幅降低，情绪得分保持快速下滑 [2][8] - 价量一致性指标周内再度回落，表明市场价量匹配程度下降，资金关注度与标的涨幅相关性同步走弱，情绪端出现一定降温 [2][11][12] - 本周全A成交额较上周环比下降2.35%，平均日成交额为16961.78亿元，市场成交活跃度降低，其中12月1日成交额达近期最高的18894.49亿元人民币 [2][15] - 科创50相对全A成交占比继续下滑，表明市场风险偏好仍维持在低位区间 [2][11][18] - 行业间交易波动率小幅下降，显示资金在行业间切换节奏放缓，流动性边际趋弱 [2][11][23] - 行业涨跌趋势性指标维持在布林带上界高位震荡，表明行业观点一致性较强，板块beta效应延续 [2][11][26] - 融资余额占比保持上行并创近三年新高，显示杠杆资金情绪持续升温，市场风险偏好结构性回暖 [2][11][28] - RSI指标虽周内小幅回升但仍位于布林带下界附近，短期上行动能偏弱，投资者情绪整体趋谨慎 [2][11][31] - 主力资金净流入维持高位震荡，买入力度较强，机构资金进场意愿有所提升 [2][11][35] 其他择时模型观点 - 根据均线排列模型，截至2025年12月5日，通信、家用电器、国防军工、社会服务、建筑材料等行业短期得分上升趋势靠前 [2][40] - 从行业短期得分数值看，石油石化、纺织服饰、家用电器、基础化工、轻工制造是短期得分最高的行业，其中石油石化当前短期得分为79.66，为短期得分最高行业 [2][40] - 截至2025年12月5日，平均拥挤度最高的行业分别为国防军工（0.997）、农林牧渔（0.913）、轻工制造（0.903）、传媒（0.877）、综合（0.827） [43] - 拥挤度最低的行业分别为有色金属（0.117）、公用事业（0.093）、电力设备（0.093）、汽车（0.057）、钢铁（0.053） [43] - 本周拥挤度与周内涨跌幅相关系数为-0.03，两者无明显相关性 [2][45] - 近期国防军工、通信等高拥挤度板块领涨明显，拥挤资金快速流入导致涨幅显著放大，短期仍有上冲惯性 [2][45] - 建筑材料、轻工制造等拥挤度同样较高且涨幅稳健，显示出较强的进攻属性 [2][45] - 计算机、建筑装饰、电力设备、公共事业等低拥挤度板块涨幅相对落后 [2][45] - 当前RSI风格择时模型提示大盘风格占优信号，信号提示强度较弱，但5日RSI相对20日RSI迅速上升，未来信号存在加强可能 [2][49] - 模型同时维持提示价值风格占优信号，但5日RSI相对20日RSI迅速上升，未来信号强度可能出现进一步减弱 [2][49]

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**：通过构建模型对申万一级行业指数的拥挤度进行每日监测，以识别行业交易过热或过冷的状态[3]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建过程和计算公式。 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过程和计算公式。通常，Z-score模型会基于ETF的IOPV溢价率历史数据，计算当前溢价率相对于其历史均值和标准差的偏离程度。一般公式可表示为： $$Z = \frac{Premium_t - \mu_{premium}}{\sigma_{premium}}$$ 其中，$Premium_t$ 为当前交易日的IOPV溢价率，$\mu_{premium}$ 为溢价率在特定历史窗口期（如过去20或60个交易日）的均值，$\sigma_{premium}$ 为同期溢价率的标准差。 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**：衡量特定行业交易的热度或拥挤程度，数值高低可能反映市场情绪和潜在风险[3]。 * **因子具体构建过程**：报告未详细说明该因子的具体构建过程和计算公式。图表3以热力图形式展示了各行业近30个交易日的拥挤度百分比数值[9]。 2. **因子名称：主力资金净流入额**[11] * **因子构建思路**：追踪大额资金（主力资金）在行业或个股上的净流入或净流出情况，用以判断大资金的动向[3]。 * **因子具体构建过程**：报告直接使用了Wind等数据源提供的“主力净流入额”数据，分别列出了申万一级行业指数在当日（T）、前一日（T-1）、前两日（T-2）以及近3个交易日合计的净流入额（单位：亿元）[11]。未提供其底层计算方法。 3. **因子名称：ETF资金净流入**[5] * **因子构建思路**：监测各类ETF产品的资金流入流出情况，反映市场资金对不同板块的偏好[5]。 * **因子具体构建过程**：报告直接列出了各类ETF（宽基、行业主题、风格策略、跨境）的单日资金净流入额（单位：亿元）[5]。未提供其底层计算方法。 4. **因子名称：IOPV溢价率**[6] * **因子构建思路**：衡量ETF交易价格与其参考净值（IOPV）之间的偏离程度，是发现套利机会和判断市场情绪的关键指标[4][6]。 * **因子具体构建过程**：报告在图表1中直接列出了各ETF的“IOPV溢价率(%)”数据[6]。其标准计算公式通常为： $$溢价率 = \frac{ETF市价 - IOPV}{IOPV} \times 100\%$$ 模型的回测效果 （报告未提供相关量化模型的回测效果指标数据） 因子的回测效果 （报告未提供相关量化因子的回测效果指标数据，但展示了因子在特定时点的取值情况） 1. **行业拥挤度因子**：报告通过热力图展示了截至2025年12月4日前一交易日，各申万一级行业的拥挤度百分比。例如，通信、国防军工行业拥挤度靠前，计算机、非银金融行业拥挤度较低，家电、机械、传媒行业拥挤度变动较大[3][9]。 2. **主力资金净流入额因子**：报告列出了2025年12月4日及前两个交易日，各申万一级行业的主力资金净流入额。例如，当日主力资金流入机械、家电行业；流出电子、电力设备行业。近三个交易日主力资金减配电子、电力设备；增配家电、煤炭[3][11]。 3. **ETF资金净流入因子**：报告列出了2025年12月4日各类ETF的资金流动情况。例如，宽基ETF单日净流入32亿元，行业主题ETF单日净流出17.19亿元，风格策略ETF单日净流入2.66亿元，跨境ETF单日净流入15.42亿元[5]。 4. **IOPV溢价率因子**：报告在图表1中列出了多只ETF在2025年12月4日的IOPV溢价率具体数值，例如“中概互联网ETF”为-1.29%，“恒生红利低波ETF”为0.34%等[6]。基于此因子构建的“溢价率 Z-score 模型”用于筛选存在潜在套利机会的ETF产品，如图表5中建议关注的“汽车ETF”、“稀有金属ETF基金”等[4][13]。

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、所使用的指标或计算公式。 2. **模型名称：ETF产品筛选信号模型（基于溢价率Z-score）**[4] * **模型构建思路**：根据ETF的溢价率Z-score模型搭建筛选信号，通过滚动测算来识别存在潜在套利机会的ETF标的，同时提示回调风险[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、Z-score的计算窗口期或具体的信号触发阈值。 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**：用于衡量申万一级行业指数的交易拥挤程度，数值高低可能反映市场情绪过热或过冷[3]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算方法和构成指标。 2. **因子名称：溢价率Z-score**[4] * **因子构建思路**：基于ETF的IOPV溢价率计算其Z-score（标准化分数），用于判断当前溢价率相对于历史水平的偏离程度，从而发现套利机会[4]。 * **因子具体构建过程**：报告未给出具体的计算公式。通常，该因子构建过程可能涉及以下步骤： 1. 计算ETF的溢价率：$$溢价率 = (ETF市价 - IOPV) / IOPV$$ 2. 选取一定时间窗口（如过去20日或60日）的历史溢价率数据。 3. 计算该窗口期内溢价率的均值($$\mu$$)和标准差($$\sigma$$)。 4. 计算当前溢价率的Z-score：$$Z = (当前溢价率 - \mu) / \sigma$$ 模型的回测效果 （报告未提供任何量化模型的回测效果指标，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 （报告未提供任何量化因子的回测效果指标，如IC值、IR、多空收益等。） 模型/因子的具体测试结果取值 1. **行业拥挤度监测模型** * **测试结果取值**：报告以热力图形式展示了截至前一交易日（数据截止日2025/12/3）近30个交易日内，各申万一级行业的拥挤度百分比数值[9]。例如，通信、农林牧渔、国防军工的拥挤度水平靠前，而汽车、美容护理、非银金融的拥挤度水平较低[3]。石油石化、有色金属行业的拥挤度变动较大[3]。 2. **ETF产品筛选信号模型** * **测试结果取值**：报告列出了根据模型生成的“建议关注”的ETF产品列表，包括汽车ETF(159512.SZ)、稀有金属ETF基金(561800.SH)、红利质量ETF(159758.SZ)、半导体ETF(512480.SH)、半导体材料ETF(562590.SH)[13]。报告未展示这些标的具体的溢价率Z-score数值。 3. **主力资金净流入（辅助监测指标）** * **测试结果取值**： * **行业层面**：报告提供了申万一级行业指数在T日（前一交易日）、T-1日、T-2日及近3个交易日合计的主力资金净流入额（单位：亿元）[11]。例如，T日主力资金流入煤炭；流出电子、计算机[3]。近三个交易日主力资金减配电力设备、计算机；增配煤炭[3]。 * **ETF层面**：报告分类列出了宽基、行业主题、风格策略、跨境ETF在当日的资金净流入/流出TOP3产品及其具体净流入金额（单位：亿元）[5][6]。