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. 短期择时模型 * **模型名称**：短期择时模型[7][16] * **模型构建思路**：从宏观基本面、估值面、情绪面和流动性四个维度构建综合择时信号，每个维度下包含若干具体指标，通过判断各指标在历史分位数上的位置来给出看多、中性或看空的信号，最终综合形成总仓位建议[7][16][17]。 * **模型具体构建过程**： 1. **指标选取与信号生成**：模型包含四个一级指标（基本面、估值面、情绪面、流动性），每个一级指标下包含2-3个二级指标。每周计算每个二级指标的当前值在过去5年（部分为滚动5年）的历史分位数[16][17]。 2. **信号映射规则**：根据各二级指标的分位数区间，将其映射为“乐观”（看多）、“中性”或“谨慎”（看空）的定性信号。例如，当“A股整体PE分位数”处于高位（如93.55%）时，给出“谨慎”信号，意味着估值偏高，有均值回归下行压力[16][19]。 3. **综合判断**：汇总每个一级指标下所有二级指标的信号，综合判断该维度的总体信号（乐观、中性或谨慎）[16][17]。 4. **仓位决策**：最终，综合四个维度的总体信号，形成总的仓位配置建议（例如，总仓位信号为0.00代表空仓，1.00代表满仓）[19][25]。 2. 成长价值风格轮动模型 * **模型名称**：成长价值风格轮动模型[7][26][27] * **模型构建思路**：从基本面、估值面和情绪面三个维度构建轮动信号，判断当前市场环境下成长风格与价值风格的相对强弱，从而给出超配成长、超配价值或均衡配置的建议[27][28]。 * **模型具体构建过程**： 1. **基本面维度**：基于量化经济中周期分析框架，考察三个周期指标： * 盈利周期斜率：斜率大时利好成长风格[27][29]。 * 利率综合周期水平：水平偏低时利好成长风格[27][29]。 * 信贷综合周期变化：上行时利好成长风格[27][29]。 根据各指标当前状态判断其对成长或价值的利好方向，并综合给出基本面维度的仓位信号（如“成长100%，价值0%”代表超配成长）[29]。 2. **估值面维度**：计算成长与价值风格的估值差（PE差和PB差）在过去5年的分位数。当估值差分位数较低时，认为估值差有均值回归上行的动力，利好成长风格；反之则利好价值风格[27][29]。 3. **情绪面维度**：计算成长与价值风格的换手差和波动差在过去5年的分位数。换手差和波动差分位数处于中性区间时，建议均衡配置；偏离中性区间时，则对某一风格有利[27][28][29]。 4. **综合决策**：结合基本面、估值面和情绪面三个维度的信号，最终给出成长与价值风格的配置比例建议[27][29]。 3. 小盘大盘风格轮动模型 * **模型名称**：小盘大盘风格轮动模型[7][26][31] * **模型构建思路**：从流动性、交易行为、市场结构等多个视角，选取11个有效轮动指标，构建综合的大小盘轮动信号，以判断小盘风格与大盘风格的相对强弱[31]。 * **模型具体构建过程**： 1. **多指标框架**：模型共采用11个指标，包括：A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、Beta离散度、PB分化度、大宗交易折溢价率、中证1000 MACD(10,20,10)、中证1000交易量能[31][33]。 2. **日内信号生成**：每个交易日，根据各指标的预设规则独立生成看多小盘（仓位100%）或看空小盘（仓位0%）的信号[33]。 3. **信号综合**：将11个指标的信号进行综合（例如，加权平均或投票机制），得到每日的综合小盘仓位信号，其补集即为大盘仓位信号[31][33]。 4. **策略执行**：根据综合信号，在代表大盘的沪深300全收益指数和代表小盘的中证1000全收益指数之间进行轮动配置[32][33]。 模型的回测效果 1. 短期择时模型 * **回测区间**：2012年底至2025年12月21日[18][21] * **年化收益率**：16.37%[18][21] * **年化波动率**：14.79%[21] * **最大回撤**：14.07%[18][21] * **夏普比率**：0.9641[21] * **收益回撤比**：1.1635[21] * **月度胜率**：66.24%[21] * **季度胜率**：60.38%[21] * **年度胜率**：78.57%[21] * **基准年化收益率**：4.76%[18][21] * **年化超额收益率**：11.61%[18][21] * **2024年以来年化收益率**：28.52%[24] * **2024年以来最大回撤**：11.04%[18][24] * **2024年以来夏普比率**：1.4662[24] * **2024年以来收益回撤比**：2.5841[24] * **2024年以来月度胜率**：72.00%[24] * **2024年以来基准年化收益率**：8.95%[24] * **2024年以来年化超额收益率**：19.57%（计算得出：28.52%-8.95%）[24] 2. 成长价值风格轮动模型 * **回测区间**：2012年底至2025年12月21日[28][30] * **年化收益率**：12.71%[28][30] * **年化波动率**：20.79%[30] * **最大回撤**：43.07%[30] * **夏普比率**：0.5842[30] * **收益回撤比**：0.2952[30] * **月度胜率**：58.33%[30] * **季度胜率**：59.62%[30] * **基准年化收益率**：7.96%[28][30] * **年化超额收益率**：4.75%[28][30] * **2025年以来收益率**：25.36%[28][30] * **2025年以来基准收益率**：26.19%[28][30] * **2025年以来超额收益率**：-0.84%[28][30] 3. 小盘大盘风格轮动模型 * **回测区间**：2014年至2025年[32][33] * **年化收益率**：19.67%（综合信号3D平滑）[33] * **年化超额收益率**：12.66%（综合信号3D平滑）[33] * **最大回撤**：40.70%（综合信号3D平滑）[33] * **2025年以来收益率**：33.64%[33] * **2025年以来基准收益率**：22.11%[33] * **2025年以来超额收益率**：11.53%[32][33] * **各独立指标年化超额收益率范围**：3.64% 至 9.61%[33] 量化因子与构建方式 1. 标准化交易量能指标 * **因子名称**：标准化交易量能指标[3][14] * **因子构建思路**：用于衡量市场整体交易活跃度的强弱，通过将当前交易量能与历史水平进行比较，判断市场量能是否处于强势区间[3][14]。 * **因子具体构建过程**：报告未给出该因子的具体计算公式，但提及其构建逻辑。该指标 likely 通过计算当前全A日均成交额（或其他成交量指标）在过去一定周期（如5年）内的分位数，或与其移动平均值（如60日均值）进行比较并标准化，从而生成一个度量交易活跃度相对位置的指标[3][9][14]。 2. 大小盘轮动交易信号框架指标 * **因子构建思路**：为构建小盘大盘轮动模型，从多个维度选取了11个有效指标，这些指标共同构成了大小盘轮动的信号框架[15][31]。 * **因子具体构建过程**：报告列出了11个指标的名称，但未详细阐述每个因子的具体计算公式。这些指标涵盖了流动性、资金面、市场情绪、技术分析等多个方面[31][33]。 * **流动性/资金面指标**：R007、等级利差、融资买入余额变化[31][33]。 * **交易行为/情绪指标**：A股龙虎榜买入强度、主题投资交易情绪、大宗交易折溢价率、期权波动率风险溢价[31][33]。 * **市场结构/技术指标**：Beta离散度、PB分化度、中证1000 MACD(10,20,10)、中证1000交易量能[31][33]。 3. 量化择时模型细分指标 * **因子构建思路**：短期择时模型所依赖的四个维度（基本面、估值面、情绪面、流动性）均由若干二级指标构成，这些二级指标是生成择时信号的基础因子[16][17][19]。 * **因子具体构建过程**：报告列出了各二级指标的名称及其信号判断逻辑，但未提供全部因子的精确计算公式。构建过程通常涉及计算指标的当前值，并求其在指定历史窗口（多为过去5年）的分位数[16][17][19]。 * **基本面指标**：制造业PMI、人民币中长期贷款脉冲同比增速、M1同比增速（HP滤波去趋势）[16][19]。 * **估值面指标**：A股整体PE中位数分位数、A股整体PB中位数分位数[16][19]。 * **情绪面指标**：A股整体Beta离散度分位数、A股整体量能情绪分位数、A股整体波动率分位数[17][19]。 * **流动性指标**：货币利率指标分位数、汇率预期指标分位数、沪深净融资额5日均值分位数[17][19]。 4. 成长价值风格轮动模型细分指标 * **因子构建思路**：成长价值风格轮动模型所依赖的三个维度（基本面、估值面、情绪面）均由若干细分指标构成，这些指标用于判断成长与价值风格的相对强弱[27][29]。 * **因子具体构建过程**：报告列出了各细分指标的名称及其对风格的影响逻辑，但未提供全部因子的精确计算公式[27][29]。 * **基本面周期指标**：盈利斜率周期水平、利率综合周期水平、信贷综合周期变化[27][29]。 * **估值面指标**：成长价值PE差分位数、成长价值PB差分位数[27][29]。 * **情绪面指标**：成长价值换手差分位数、成长价值波动差分位数[27][28][29]。 因子的回测效果 （注：报告未提供单个因子的独立测试结果，仅提供了由它们构成的综合模型的回测表现。各独立因子的年化超额收益率仅在小盘大盘轮动模型部分有简要列出[33]。）

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：卷积神经网络趋势观察模型**[79] * **模型构建思路**：利用深度学习技术，将个股历史价量数据转化为标准化的图表，通过卷积神经网络（CNN）学习图表中的特征模式，以预测未来价格走势，并将学习到的有效特征映射到行业主题板块，生成行业配置建议。[79] * **模型具体构建过程**： 1. **数据准备**：对每个个股，选取一个特定窗口期内的价量数据（如价格、成交量等）。[79] 2. **图表化**：将标准化处理后的价量数据构建成可视化的图表。研报中提及了“标准化数据价量图表”。[80] 3. **模型训练**：使用卷积神经网络对上述图表化的价量数据与对应的未来价格（或收益率）进行建模训练，使网络学会从图表中识别出与未来价格变动相关的特征模式。[79] 4. **特征映射与配置**：将训练好的CNN模型学习到的特征应用于市场当前数据，识别出具有相似积极特征的股票集群，并将其映射到对应的行业或主题板块，从而生成看好的行业主题配置列表。[79][82] 2. **模型名称：宏观因子事件分析模型**[54] * **模型构建思路**：通过跟踪一系列关键的国内外宏观指标，定义并识别这些指标在特定时间段内的走势事件（如创短期高点、连续下跌等），并基于历史回测，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”，用以判断市场趋势。[54] * **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。[54] 2. **事件定义**：为每个宏观因子定义四类走势事件：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转。[54] 3. **有效性检验**：从历史数据中寻找“有效因子事件”，即那些发生后，对资产（如股票）未来收益率产生统计上显著影响的事件。[54] 4. **趋势分析**：采用历史均线（如1月、3月、12月均线）将宏观因子走势分为趋势上行或下行，并统计在不同趋势下，各类资产（如大盘股、中小盘股）未来一个月的平均收益表现，以形成观点。[56][57] 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[47] * **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超买或超卖风险。[47] * **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。 2. **计算布林通道**：计算CPR的60日移动平均线及其上下轨（通常为标准差的倍数）。 3. **信号生成**：观察最近20个交易日的CPR数值是否持续低于60日布林通道的上轨。若低于上轨，则认为蓝筹股短期不存在超卖风险。[47] 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内部结构强度。[33] * **因子具体构建过程**： 1. 每日计算创近60日新高的个股数。 2. 每日计算创近60日新低的个股数。 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**：通过计算处于不同均线多头排列和空头排列状态的个股占比之差，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）或空头排列（短期<中期<长期）。 2. 计算当日处于多头排列的个股数量占比。 3. 计算当日处于空头排列的个股数量占比。 4. 计算“均线强弱指标”：多头排列个股占比 减去 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**：统计股价位于长期移动平均线（如200日线）之上的个股比例，用以衡量市场整体的长期趋势强弱和广度。[40] * **因子具体构建过程**： 1. 对每只个股，计算其200日移动平均线。 2. 判断当日收盘价是否位于200日移动平均线之上。 3. 计算股价位于200日线上方的个股数占总股票数的比例，即“长期均线以上比例”。[40] 4. **因子名称：风险溢价因子**[66][82] * **因子构建思路**：计算股票市场隐含收益率与无风险收益率（通常为十年期国债收益率）的差值，用以衡量股票资产相对于债券资产的吸引力。[66][82] * **因子具体构建过程**： 1. 计算中证全指（或其它市场指数）的静态市盈率（PE_TTM）。 2. 求其倒数，得到盈利收益率（Earnings Yield, EP）。公式为： $$EP = \frac{1}{PE\_TTM}$$ 3. 减去当前十年期国债收益率，得到风险溢价（Risk Premium）。公式为： $$风险溢价 = EP - 十年期国债收益率$$[66][82] 4. 同时计算该风险溢价的历史均值和标准差通道（如均值±2倍标准差）作为参考边界。[67] 5. **因子名称：指数超买超卖因子**[69] * **因子构建思路**：通过特定指标（研报中未明确具体计算方法，常见如RSI、乖离率等）度量主要宽基指数和行业指数是否处于超买或超卖状态。[69] * **因子具体构建过程**：研报中展示了“超跌指标统计”图，但未详细说明该指标的具体构建公式。其核心是计算一个用于衡量指数短期偏离程度的标准化指标。[69][70][73] 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，以观察杠杆资金的入场意愿和市场热度。[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。[78] 模型的回测效果 *本报告未提供所列量化模型（卷积神经网络模型、宏观因子事件模型、CPR模型）具体的回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告主要展示了卷积神经网络模型的最新输出结果（行业配置列表）以及宏观因子模型的当前观点。[57][81]* 因子的回测效果 *本报告未提供所列量化因子（新高新低比例、均线结构、长期均线以上比例、风险溢价、超买超卖、融资余额）具体的因子测试结果（如IC值、IR、多空收益等）。报告主要展示了这些因子在最新一期（2025年12月19日）的截面取值或时间序列状态。例如：* 1. **新高新低比例因子**：60日新高比例为7.7%，60日新低比例为6.4%。[33] 2. **个股均线结构因子**：均线强弱指标（多头排列占比减空头排列占比）为-24%。[37] 3. **风险溢价因子**：中证全指风险溢价为2.79%，其历史均值+2倍标准差边界为4.71%。[67][82] 4. **融资余额因子**：最近5个交易日融资余额减少约76亿元。[82]

广发证券首席金工分析师 安宁宁 SAC: S0260512020003 anningning@gf.com.cn 广发证券资深金工分析师 张钰东 SAC: S0260522070006 zhangyudong@gf.com.cn 广发金工安宁宁陈原文团队 摘要 最近5个交易日，科创50指数跌2.99%，创业板指跌2.26%，大盘价值涨1.52%，大盘成长跌1.39%，上证50涨0.32%，国证2000代表的小盘跌0.37%，商贸零 售、非银金融表现靠前，电子、电力设备表现靠后。 风险溢价，中证全指静态PE的倒数EP减去十年期国债收益率，权益与债券资产隐含收益率对比，截至2025/12/19指标2.79%，两倍标准差边界为4.71%。 估值水平，截至2025/12/19，中证全指PETTM分位数80%，上证50与沪深300分别为74%、73%，创业板指接近55%，中证500与中证1000分别为59%、 60%，创业板指风格估值相对历史总体处于中位数水平。 资金交易层面，最近5个交易日，ETF资金流入721亿元，融资盘5个交易日减少约76亿元，两市日均成交17380亿元。 | 日期 | 指数代码 | 指数名称 | ...

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：择时体系（均线距离模型）**[2][6] * **模型构建思路**：通过计算市场指数短期均线与长期均线的相对距离，来区分市场的整体环境，判断市场处于上行趋势、震荡市还是下行趋势。[2] * **模型具体构建过程**： 1. 选择标的指数：WIND全A指数。 2. 计算短期均线：采用20日移动平均线（20日线）。[2][6] 3. 计算长期均线：采用120日移动平均线（120日线）。[2][6] 4. 计算均线距离：计算短期均线与长期均线的差值百分比。 $$均线距离 = \frac{短期均线 - 长期均线}{长期均线} \times 100\%$$ 其中，短期均线为20日均线，长期均线为120日均线。[2][6] 5. 信号判断：当均线距离的绝对值大于3%时，市场处于趋势格局（上行或下行）；当均线距离绝对值小于3%时，市场处于震荡格局。具体到上行趋势的确认，需要短期均线位于长期均线之上，且距离大于3%。[2][6] 2. **模型名称：赚钱效应指标**[2][5][7] * **模型构建思路**：通过比较当前收盘价与趋势线的位置关系，来判断市场赚钱效应是否为正，作为上行趋势能否延续的核心观测指标。[2][5][7] * **模型具体构建过程**： 1. 确定趋势线：报告指出“当前WIND全A的趋势线位于6262点附近”，但未明确给出趋势线的具体计算方法（例如，可能是某条移动平均线或通道线）。[2][5][7] 2. 获取收盘价：获取WIND全A指数的最新收盘价。[2][5][7] 3. 判断赚钱效应：若收盘价高于趋势线，则赚钱效应为正；若收盘价低于趋势线，则赚钱效应为负。[2][5][7] 3. **模型名称：仓位管理模型**[5][7] * **模型构建思路**：综合估值水平和短期趋势判断，为绝对收益产品提供股票仓位建议。[5][7] * **模型具体构建过程**： 1. **估值评估**：评估WIND全A指数的估值水平。使用PE（市盈率）和PB（市净率）的历史分位数进行判断。例如，PE位于80分位点附近属于中等水平，PB位于50分位点属于较低水平。[5][7] 2. **趋势判断**：结合择时体系等模型对市场短期趋势进行判断。[5][7] 3. **仓位建议**：综合估值和趋势，输出具体的仓位建议比例。例如，当前建议仓位为60%。[5][7] 4. **模型名称：行业趋势配置模型**[5][7][12] * **模型构建思路**：用于识别和推荐具有上行趋势的行业板块。[5][7][12] * **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，仅展示了其输出结果，例如显示工程机械、工业金属、储能板块延续上行趋势。[5][7][12] 5. **模型名称：中期困境反转预期模型**[5][7][12] * **模型构建思路**：用于挖掘和推荐具有中期困境反转预期的行业。[5][7][12] * **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，仅展示了其输出信号，例如当前信号显示关注白酒和地产行业。[5][7][12] 6. **模型名称：TWO BETA模型**[5][7][12] * **模型构建思路**：用于推荐板块配置方向，报告显示其持续推荐科技板块。[5][7][12] * **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，仅展示了其推荐方向，例如继续推荐科技板块，并关注消费电子和国产算力。[5][7][12] 模型的回测效果 *本报告为周度市场观点报告，主要展示模型的最新信号和结论，未提供模型的历史回测效果指标（如年化收益率、夏普比率、最大回撤等）。* 量化因子与构建方式 *本报告主要涉及择时与行业配置模型，未提及具体的选股因子构建。* 因子的回测效果 *本报告未涉及量化因子，故无相关内容。*

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**[83] * **模型构建思路**：使用卷积神经网络（CNN）对个股历史价量数据形成的标准化图表进行建模，学习图表特征与未来价格走势之间的关系，并将学习到的有效特征映射到行业主题板块，以识别具有趋势性机会的板块[83]。 * **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[83][84]。 2. **模型训练**：使用卷积神经网络对上述图表化的价量数据与未来价格进行建模，学习能够预测未来价格走势的图表特征[83]。 3. **特征映射**：将训练好的模型学习到的特征映射到行业主题板块中，识别出模型认为未来具有上涨潜力的主题板块[83]。 4. **输出配置**：模型最终输出为看好的具体行业主题指数列表，作为配置建议[85]。 2. **模型名称：宏观因子事件模型**[58] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义其特定的走势事件（如短期高低点、连续涨跌等），并从历史数据中回测寻找对资产未来收益率有显著影响的“有效因子事件”，以此作为判断未来资产趋势的依据[58]。 * **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[58]。 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[58]。 3. **有效性检验**：从历史数据中回测，筛选出对资产未来收益率影响较为显著的“有效因子事件”[58]。 4. **趋势分析**：采用历史均线（如1月、3月、12月均线）将宏观因子走势分为趋势上行和趋势下行，统计在不同趋势下资产未来一个月收益率的显著差异，形成观点[60][61]。 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[51] * **模型构建思路**：通过监测上证50ETF期权成交量看涨看跌比率（CPR）与其布林通道的相对位置，来判断蓝筹股是否存在短期超卖风险[51]。 * **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[51]。 2. **构建通道**：计算CPR的60日布林通道（通常包含上轨、中轨、下轨）[51]。 3. **信号生成**：当最近20个交易日的CPR低于其60日布林通道上轨时，模型认为蓝筹股短期不存在超卖风险[51]。 量化因子与构建方式 1. **因子名称：新高新低比例因子**[37] * **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[37]。 * **因子具体构建过程**： * **新高比例**：计算创近60日新高的个股数量占全部个股总数的比例[3][37]。 * **新低比例**：计算创近60日新低的个股数量占全部个股总数的比例[3][37]。 2. **因子名称：个股均线结构因子**[41] * **因子构建思路**：通过计算均线呈多头排列与空头排列的个股数量之差占全体个股的比例，来反映市场整体的技术趋势强弱[41]。 * **因子具体构建过程**： * **均线强弱指标**：计算（多头排列个股数量 - 空头排列个股数量） / 全体个股数量[41]。该指标值上升表明市场整体技术面走强，下降则表明走弱[3][4]。 3. **因子名称：长期均线以上比例因子**[44] * **因子构建思路**：通过统计股价位于长期均线（如200日）之上的个股比例，来评估市场整体的长期趋势强弱和广度[44]。 * **因子具体构建过程**：计算当前价格位于200日长期移动平均线之上的个股数量占全体个股数量的比例[44]。 4. **因子名称：风险溢价因子**[70] * **因子构建思路**：通过计算股票市场收益率（市盈率倒数）与无风险收益率（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[86]。 * **因子具体构建过程**： 1. 计算中证全指的静态市盈率（PE_TTM）的倒数，即盈利收益率（EP）[86]。 2. 从EP中减去十年期国债收益率，得到风险溢价[86]。 $$风险溢价 = \frac{1}{PE\_{TTM}} - 十年期国债收益率$$ * **因子评价**：该指标是衡量股债性价比的核心指标，值越高通常表示股票相对债券越有吸引力[86]。 5. **因子名称：指数超买超卖因子**[73] * **因子构建思路**：通过特定算法计算主要指数和行业指数的超跌或超买状态，以识别市场或板块的极端位置[73]。 * **因子具体构建过程**：报告未详细说明具体计算算法，但展示了截至特定日期（2025年12月12日）各主要宽基指数和行业指数的“超跌指标”统计值[73][74][77][78]。 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值、IR、多空收益等量化测试结果。报告主要展示了部分因子在最新一期的状态取值。） 1. **新高新低比例因子**：截至2025年12月12日当周，创近60日新高个股数占比从前一期的8.4%升至8.5%；创近60日新低个股数占比从前一期的6.9%升至20%[3][4]。 2. **个股均线结构因子**：截至2025年12月12日当周，多头排列减空头排列个股占比从前一期的-6.9%降至-15%[3][4]。 3. **风险溢价因子**：截至2025年12月12日，中证全指风险溢价为2.82%，其历史均值加减两倍标准差边界分别为4.71%和未知下限[86]。 4. **宏观因子事件模型当前观点**：根据截至2025年12月12日的宏观因子趋势分析，对权益市场未来一个月的观点为：PMI、CPI同比、社融存量同比趋势显示市场可能“震荡”；10年期国债收益率和美元指数趋势显示“看多”[61]。

量化模型与构建方式 1. 短期择时模型 * **模型名称**：短期择时模型 * **模型构建思路**：从宏观基本面、估值面、情绪面、流动性四个维度构建综合择时信号，每个维度下包含若干二级指标，通过判断各指标在历史分位数上的位置来给出乐观、中性或谨慎的二级信号，最终综合形成一级择时信号[16][17][18]。 * **模型具体构建过程**： 1. **指标选取与信号生成**：模型包含四个一级维度，每个维度下包含2-3个二级指标。每周计算每个二级指标的当前值在过去5年（部分为3年）历史数据中的分位数[16][17][18]。 2. **信号映射**：根据分位数区间，将每个二级指标映射为“乐观”、“中性”或“谨慎”的定性信号。例如，当制造业PMI小于50时，给出谨慎信号；当M1同比增速（HP滤波去趋势）分位数较高时，给出乐观信号[16][19]。 3. **维度综合**：对每个一级维度（如基本面）下的所有二级指标信号进行综合，得出该维度的总体信号（乐观/中性/谨慎）[16][17][18]。 4. **总信号生成**：综合四个维度的总体信号，形成最终的择时总仓位信号。报告中的信号以0（空仓）、0.5（半仓）、1.0（满仓）等形式表示[19][26]。 2. 成长价值风格轮动模型 * **模型名称**：成长价值风格轮动模型 * **模型构建思路**：从基本面、估值面、情绪面三个维度构建风格轮动信号，判断成长与价值风格的相对强弱，以决定超配成长或价值[27]。 * **模型具体构建过程**： 1. **基本面维度**：基于量化经济中周期分析框架，考察三个周期指标： * 盈利周期斜率：斜率大时利好成长风格。 * 利率综合周期水平：水平偏低时利好成长风格。 * 信贷综合周期变化：上行时利好成长风格。 根据各指标状态分别给出超配成长或价值的信号（例如，成长100%，价值0%），然后进行综合[27][29]。 2. **估值面维度**：计算成长与价值风格的估值差（如PE差、PB差）在过去5年的分位数。当估值差分位数较低，处于均值回归上行过程中时，利好成长风格[27][29]。 3. **情绪面维度**：计算成长与价值风格的换手差、波动差在过去5年的分位数。换手差偏高利好成长；波动差反弹至偏高位置则利好均衡配置[27][29]。 4. **综合决策**：结合基本面、估值面、情绪面三个维度的信号，最终给出超配成长或价值的建议[27][28]。 3. 小盘大盘风格轮动模型 * **模型名称**：小盘大盘风格轮动模型（综合大小盘轮动信号） * **模型构建思路**：从流动性、交易行为、市场结构等多个角度选取11个有效轮动指标，分别生成独立的大小盘轮动信号，然后综合这些信号形成最终的轮动建议[31]。 * **模型具体构建过程**： 1. **指标池**：模型共使用11个轮动指标，包括：A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、Beta离散度、PB分化度、大宗交易折溢价率、中证1000 MACD(10,20,10)、中证1000交易量能[33]。 2. **独立信号**：每个指标独立运行，根据其自身的逻辑和阈值，每日生成一个仓位信号，以“小盘仓位百分比”表示（例如0%， 100%）[33]。 3. **信号综合**：将11个指标的每日仓位信号进行综合（具体综合方法未在本文中详述，但提及“综合信号3D平滑”），得出最终的综合轮动信号，决定超配小盘（以中证1000为代表）或大盘（以沪深300为代表）[31][33]。 模型的回测效果 1. 短期择时模型 * **回测区间**：2012年底至今（全区间）及2024年以来[18][22][25]。 * **基准策略**：月度中性持仓再平衡[18]。 * **全区间（2012年底至今）表现**： * 年化收益率：16.40%[18][22] * 年化超额收益率：11.63%[18] * 年化波动率：14.80%[22] * 最大回撤：14.07%[18][22] * 夏普比率：0.9651[22] * 收益回撤比：1.1655[22] * 月度胜率：66.24%[22] * 季度胜率：60.38%[22] * 年度胜率：78.57%[22] * **2024年以来表现**： * 年化收益率：28.87%[25] * 年化超额收益率：10.11%（2025年以来）[18][22] * 年化波动率：16.80%[25] * 最大回撤：11.04%[18][25] * 夏普比率：1.4752[25] * 收益回撤比：2.6150[25] * 月度胜率：72.00%[25] 2. 成长价值风格轮动模型 * **回测区间**：2012年底至今[28]。 * **基准策略**：月度成长与价值风格均衡配置[28]。 * **全区间表现**： * 年化收益率：12.74%[28][30] * 年化超额收益率：4.77%[28] * 年化波动率：20.80%[30] * 最大回撤：43.07%[30] * 夏普比率：0.5853[30] * 收益回撤比：0.2958[30] * 月度胜率：58.33%[30] * 季度胜率：59.62%[30] * **2025年以来表现**： * 策略收益率：25.13%[28][30] * 基准收益率：25.96%[28][30] * 超额收益率：-0.84%[28][30] 3. 小盘大盘风格轮动模型 * **回测区间**：2014年以来[32]。 * **基准**：沪深300与中证1000全收益指数等权配置[32]。 * **综合策略全区间表现**： * 年化收益率：19.73%（综合信号3D平滑）[33] * 年化超额收益率：12.67%（综合信号3D平滑）[33] * 最大回撤：40.70%（综合信号3D平滑）[33] * 胜率（按交易）：50.00%（综合信号3D平滑）[33] * **分年度超额收益**：自2014年以来，策略每年均产生正向超额收益[32]。2025年以来的超额收益率为11.30%[32][33]。 * **各独立指标表现示例**：报告列出了11个独立指标的历史回测表现，例如： * 融资买入余额变化：年化超额收益率5.76%，最大回撤44.32%[33]。 * 中证1000交易量能：年化超额收益率9.64%，最大回撤39.27%[33]。 * A股龙虎榜买入强度：年化超额收益率5.69%，最大回撤54.66%[33]。 量化因子与构建方式 1. 标准化交易量能指标 * **因子名称**：标准化交易量能指标 * **因子构建思路**：用于衡量市场交易活跃度的相对强度，通过将当前交易量能与历史水平进行比较，判断其是否处于强势区间[15]。 * **因子具体构建过程**：文中未给出具体计算公式，但指出该指标是“标准化”的，并且其当前值处于过去5年中位数水平之下[15]。 2. 估值分位数因子群 * **因子构建思路**：通过计算各类指数估值（PE、PB）在特定历史窗口内的分位数，来衡量当前估值的相对高低和历史位置，用于均值回归判断[8][11]。 * **因子具体构建过程**： 1. 选取估值指标，如PE_TTM中位数或PB_LF中位数[12][13]。 2. 确定历史窗口期，常见的有滚动1年、3年、5年以及指数成立以来[12][13]。 3. 计算当前估值在该窗口期历史数据中的分位数。公式可表示为： $$分位数 = \frac{排名(当前估值, 历史序列)}{历史数据总数}$$ 其中“排名”指当前估值在历史序列中从小到大排序的位置[12][13]。 4. 应用：例如，报告中计算万得全A的PE中位数滚动5年分位数为93.38%，表明当前估值高于过去5年中93.38%的时间，处于较高位置[8][11]。 3. 成长价值估值差因子 * **因子名称**：成长价值PE/PB估值差 * **因子构建思路**：计算成长风格与价值风格估值（PE或PB）的差值，并通过其历史分位数判断风格间估值差的收敛或发散趋势，用于风格轮动[27]。 * **因子具体构建过程**： 1. 分别计算成长风格指数和价值风格指数的估值（如PE中位数）[27]。 2. 计算两者的差值：$$估值差 = 成长风格估值 - 价值风格估值$$ 3. 计算该差值在过去5年（或3年）历史序列中的分位数[27][29]。 4. 应用：当估值差分位数较低时，意味着估值差处于历史较低水平，未来均值回归上行（即成长风格估值相对上升）的概率较大，从而利好成长风格[27]。 4. 市场情绪与结构因子群 * **因子构建思路**：从不同角度捕捉市场情绪、资金流向和交易结构的变化，用于择时或风格判断[17][31]。 * **因子具体构建过程**（报告中提及了多个因子，构建过程未完全展开）： * **Beta离散度**：衡量市场个股Beta值的分散程度，反映市场共识度[17]。 * **量能情绪得分**：综合量价信息的情绪指标，分位数低表明情绪偏弱[17]。 * **波动率**：市场波动水平，通常以年化标准差表示[17]。 * **货币利率指标**：反映银行间市场流动性松紧[18]。 * **汇率预期指标**：反映人民币汇率强弱预期[18]。 * **融资买入余额变化**：反映杠杆资金的入场意愿和力度[31][33]。 * **龙虎榜买入强度**：反映机构或游资等活跃资金的买入力度[31][33]。 * **主题投资交易情绪**：反映市场主题炒作的热度与集中度[31][33]。 * **PB分化度**：可能指市场个股PB估值分布的离散程度，反映结构性分化[33]。

量化策略的收益来源与分类 - 主流指增策略赚取Beta+Alpha收益，通过复制市场指数成分股并留出部分仓位增强[6] - 市场中性策略通过做空等值股指期货对冲掉市场Beta，旨在获取纯Alpha收益[6] - 量化择时策略通过模型算法调整仓位获取择时Alpha，有时会叠加股指CTA操作，属于复合策略[8] - 全市场选股策略不明确特定Beta，针对全市场选股增强，可理解为相对于万得全A的指数增强[17] 量化策略的基准选择与表现 - 量化策略主战场在中小盘区域，因股票数量多、主观覆盖不足，存在更多错误定价机会和小市值溢价[9] - 过去5年，小微盘指数年化收益整体较好，部分源于指数编制特点带来的收益增强[12] - 过去5年，平均市值越小的指数波动越大，大盘和微盘指数都曾经历约40%的最大回撤[12] - 从2022年初市场高点持有主流指增策略，经历周期后，指增策略在不同Beta上均有显著超额，且Beta平均市值越小越易做出超额[13] - 指增策略年化波动和最大回撤普遍在20%附近，相比基准指数约40%的最大回撤，持有体验明显更好[14] 量化策略的有效与失灵环境 - 量化策略擅长高波动、高离散、流动性充沛、可选股票数量多的市场环境，这提供了更多捕捉错误定价的机会[18] - 策略同质化拥挤是量化的逆境之一，大量策略争抢相同信号会压缩超额空间，高度一致的持仓可能引发剧烈回撤，如2023年微盘风格共识导致2024年初的踩踏[19] - 陌生风格的极致演绎（如2017年大盘白马行情）可能导致基于历史数据的模型暂时失效[21] - 量化管理人需持续迭代模型以应对不断变化的市场，策略的韧性体现在至暗时刻后，若捕捉Alpha的内核成立，通常能随Beta回升和Alpha累积完成更快修复[23] 量化股票策略在组合配置中的意义 - 量化股多策略提供与主观股多策略本质上不同的收益风险来源，实现真正的分散配置[27] - 主观股多依赖深度研究赚认知差，量化股多依赖统计规律赚规律验证钱，两者底层逻辑互不依赖，表现呈现错位[27] - 根据2022年3月31日至2025年3月31日数据，量化股多与主观股多的相关性为0.71，与市场中性策略相关性为0.50，与债券策略相关性为0.38[28] - 在进攻性组合中，量化股多可作为“更可追踪、更可解释”的进攻仓位；在均衡配置中可补足锐度[28] - 多策略组合通过不同策略的互补与接力应对市场不确定性，避免单一方法论周期性失效，例如在2024年“924行情”前后不同策略的接力表现[29][31]