量化指标观点 - 基于沪深300指数的流动性冲击指标为1.36，低于前一周的1.86，显示市场流动性高于过去一年平均水平1.36倍标准差 [1] - 上证50ETF期权成交量PUT-CALL比率下降至0.85，低于前一周的0.91，表明投资者对上证50ETF短期走势的谨慎程度有所下降 [1] - 上证综指和Wind全A五日平均换手率分别为1.34%和1.91%，处于2005年以来77.44%和81.52%的高分位点，交易活跃度与前期持平 [1] 宏观因子观察 - 上周在岸和离岸人民币汇率周涨幅分别为-0.06%和-0.17% [1] - 中国9月官方制造业PMI为49.8，高于前值49.4，但低于Wind一致预期49.95 [1] - 标普全球中国制造业PMI为51.2，高于前值50.5 [1] 事件驱动分析 - 上周美股市场大幅下行，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-2.73%、-2.43%和-2.53% [2] - 特朗普发表强硬言论，表示考虑对进入美国的产品大幅提高关税，此言论影响美股三大指数收盘全线下跌 [2] - 中国商务部正式实施针对境外稀土物项和技术的出口管制措施，并将14家相关外国实体列入不可靠实体清单 [2] 技术分析信号 - Wind全A指数于9月11日向上突破SAR翻转指标 [3] - 基于Wind二级行业指数的均线强弱指数当前得分为198，处于2023年以来71.9%的高分位点 [3] - 市场情绪模型得分为2分（满分5分），趋势模型信号为正向，加权模型信号为负向 [3] - 上周A股主要指数普遍下跌，上证50指数下跌0.47%，沪深300指数下跌0.51%，中证500指数下跌0.19%，创业板指下跌3.86% [3] - 当前全市场PE（TTM）为22.5倍，处于2005年以来78.0%的高分位点 [3] 因子与行业拥挤度 - 小市值因子拥挤度为0.08，呈现继续下行趋势 [4] - 低估值因子拥挤度为-0.31，高盈利因子拥挤度为-0.18，高盈利增长因子拥挤度为0.19 [4] - 有色金属、电力设备、综合、通信和电子行业的拥挤度相对较高 [4] - 有色金属和钢铁行业的拥挤度上升幅度相对较大 [4]

市场量化指标 - 基于沪深300指数的流动性冲击指标周五为1.86，高于前一周的1.33，显示当前市场流动性高于过去一年平均水平1.86倍标准差 [1] - 上证50ETF期权成交量PUT-CALL比率周五为0.91，低于前一周的1.14，表明投资者对上证50ETF短期走势谨慎程度下降 [1] - 上证综指和Wind全A五日平均换手率分别为1.27%和1.91%，处于2005年以来75.73%和81.47%的分位点，交易活跃度有所下降 [1] 宏观因子 - 上周人民币在岸和离岸汇率周涨幅分别为-0.31%和-0.3% [1] - 上周美股道琼斯工业指数、标普500指数和纳斯达克指数周收益率分别为-0.15%、-0.31%和-0.65% [1] - 1-8月份中国规模以上工业企业实现利润总额46929.7亿元，同比增长0.9%，8月份利润同比由上月下降1.5%转为增长20.4% [1] 技术分析与市场情绪 - Wind全A指数于9月11日向上突破SAR翻转指标 [1] - 基于Wind二级行业指数的均线强弱指数当前市场得分为150，处于2023年以来53.3%的分位点 [1] - 情绪模型得分为1分（满分5分），趋势模型信号为正向，加权模型信号为负向 [1] 市场表现与估值 - 上周上证50指数上涨1.07%，沪深300指数上涨1.07%，中证500指数上涨0.98%，创业板指上涨1.96% [2] - 当前全市场PE（TTM）为22.1倍，处于2005年以来75.3%的分位点 [2] 因子与行业拥挤度 - 小市值因子拥挤度为0.40，低估值因子拥挤度为-0.67，高盈利因子拥挤度为-0.10，高盈利增长因子拥挤度为0.15 [2] - 有色金属、通信、综合、电力设备和电子的行业拥挤度相对较高，电力设备和传媒的行业拥挤度上升幅度相对较大 [3]

根据提供的金融工程周报，以下是报告中涉及的量化模型和因子的总结： 量化模型与构建方式 1. 流动性冲击指标 **模型构建思路**：通过计算当前市场流动性相对于历史水平的偏离程度，来评估市场流动性状况[2] **模型具体构建过程**：基于沪深300指数构建，计算当前流动性相对于过去一年平均水平的标准化偏差[2] **模型评价**：该指标越高表明市场流动性越好，高于历史平均水平[2] 2. PUT-CALL比率模型 **模型构建思路**：通过上证50ETF期权成交量中认沽期权与认购期权的比率来反映市场情绪[2] **模型具体构建过程**：计算认沽期权成交量与认购期权成交量的比值[2] **模型评价**：比率下降表明投资者对短期走势的谨慎程度降低[2] 3. 换手率指标模型 **模型构建思路**：使用五日平均换手率来度量市场交易活跃度[2] **模型具体构建过程**：分别计算上证综指和Wind全A的五日平均换手率，并与历史分位点进行比较[2] **模型评价**：换手率分位点较高时表明交易活跃度相对历史水平有所下降[2] 4. SAR指标模型 **模型构建思路**：抛物线转向指标，用于识别市场趋势的转折点[10] **模型具体构建过程**：Wind全A指数于9月11日向上突破翻转指标，产生买入信号[10][12] **模型评价**：该指标继续维持正向信号，表明趋势向好[10] 5. 均线强弱指数模型 **模型构建思路**：通过Wind二级行业指数计算市场整体技术面强弱程度[10] **模型具体构建过程**：基于均线系统构建综合得分，当前市场得分为150，处于2023年以来的53.3%分位点[10][16] **模型评价**：指数下降至近50%分位点，出现震荡趋势[10] 6. 情绪择时模型 **模型构建思路**：基于涨跌停板相关因子构建的情绪择时指标[10] **模型具体构建过程**：包含趋势模型和加权模型两个子模型，当前情绪模型得分为1分（满分5分）[10][13] **模型评价**：情绪模型较上周有所降低，趋势模型信号为正向，加权模型信号为负向[10] 7. 情绪因子细分模型 **模型构建思路**：通过多个细分情绪因子综合刻画市场情绪强弱[14] **模型具体构建过程**：包含净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益等五个细分因子[14] **模型具体构建过程**：各因子信号分别为：净涨停占比0、跌停次日收益0、涨停板占比0、跌停板占比0、高频打板收益1[14] 8. 因子拥挤度模型 **模型构建思路**：度量因子投资资金过度集中导致的收益稳定性下降现象[15] **模型具体构建过程**：使用估值价差、配对相关性、长期收益反转、因子波动率四个指标综合度量因子拥挤程度[15] **模型具体构建过程**：综合打分公式为四个分项指标的综合评估[15][18] 9. 行业拥挤度模型 **模型构建思路**：评估各行业板块的资金拥挤程度[21] **模型具体构建过程**：基于多维指标构建行业拥挤度评分体系[21] **模型评价**：拥挤度较高的行业可能存在回调风险[21] 模型的回测效果 流动性冲击指标 - 当前值：1.86[2] - 前一周值：1.33[2] PUT-CALL比率模型 - 当前值：0.91[2] - 前一周值：1.14[2] 换手率指标模型 - 上证综指五日平均换手率：1.27%，处于2005年以来75.73%分位点[2] - Wind全A五日平均换手率：1.91%，处于2005年以来81.47%分位点[2] 均线强弱指数模型 - 当前得分：150[10] - 历史分位点：53.3%（2023年以来）[10] 情绪择时模型 - 情绪模型得分：1分（满分5分）[10] - 趋势模型信号：正向[10] - 加权模型信号：负向[10] 量化因子与构建方式 1. 小市值因子 **因子构建思路**：基于市值规模选股的有效因子[18] **因子具体构建过程**：作为常见选股因子之一，其拥挤度通过复合指标评估[18] 2. 低估值因子 **因子构建思路**：基于估值水平选股的有效因子[18] **因子具体构建过程**：作为常见选股因子之一，其拥挤度通过复合指标评估[18] 3. 高盈利因子 **因子构建思路**：基于盈利能力选股的有效因子[18] **因子具体构建过程**：作为常见选股因子之一，其拥挤度通过复合指标评估[18] 4. 高盈利增长因子 **因子构建思路**：基于盈利增长能力选股的有效因子[18] **因子具体构建过程**：作为常见选股因子之一，其拥挤度通过复合指标评估[18] 5. 情绪细分因子 **因子构建思路**：通过市场微观结构数据构建情绪监测因子[14] **因子具体构建过程**：包含净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益等五个细分因子[14] 因子的回测效果 因子拥挤度指标（2025年9月26日） 小市值因子 - 估值价差：1.08[18] - 配对相关性：0.06[18] - 市场波动：-0.42[18] - 收益反转：0.85[18] - 综合打分：0.40[18] 低估值因子 - 估值价差：-1.25[18] - 配对相关性：-0.03[18] - 市场波动：-0.09[18] - 收益反转：-1.32[18] - 综合打分：-0.67[18] 高盈利因子 - 估值价差：-0.17[18] - 配对相关性：0.14[18] - 市场波动：-0.84[18] - 收益反转：0.48[18] - 综合打分：-0.10[18] 高盈利增长因子 - 估值价差：1.91[18] - 配对相关性：0.46[18] - 市场波动：-0.94[18] - 收益反转：-0.82[18] - 综合打分：0.15[18] 行业拥挤度指标（2025年9月26日） 高拥挤度行业 - 有色金属：1.58[18][23] - 通信：1.40[18][23] - 综合：1.38[18][23] - 电力设备：1.19[18][23] - 电子：0.97[18][23] 拥挤度变化较大行业 - 电力设备：从-0.06上升至1.19，变化1.25[24] - 国防军工：从0.35下降至-0.77，变化-1.12[24] - 传媒：从-1.00上升至-0.66，变化0.34[24] - 电子：从0.65上升至0.97，变化0.32[24]

根据您提供的研报内容，经过全面梳理，总结如下： 量化模型与构建方式 1. **模型/因子名称**：行业拥挤度模型[3][17] **构建思路**：使用马氏距离来衡量行业指数在价格和成交金额变动上的综合偏离程度，以识别短期交易过热或过冷的行业[3][17] **具体构建过程**： 1. 选取各行业指数最近一周的价格变动数据和成交金额变动数据作为两个特征维度[3] 2. 计算所有行业这两个特征维度所构成数据集的协方差矩阵 3. 对于每一个行业，计算其价格变动和成交金额变动向量到数据集中心点（假设为均值向量）的马氏距离，公式为： $$D_M(\vec{x}) = \sqrt{(\vec{x} - \vec{\mu})^T \Sigma^{-1} (\vec{x} - \vec{\mu})}$$ 其中，$\vec{x}$ 代表某个行业的价格与成交金额变动向量，$\vec{\mu}$ 代表所有行业变动的均值向量，$\Sigma$ 代表所有行业变动的协方差矩阵[17] 4. 将结果绘制在散点图上（价格变动为X轴，成交金额变动为Y轴），并绘制出置信水平为99%的椭圆边界[17] 5. 位于第一象限且椭圆外的点被视为短期显著拥挤的行业（价量齐升且偏离度过大）[17] 模型的回测效果 （报告中未提供行业拥挤度模型的具体回测指标数值） 量化因子与构建方式 （报告中未涉及其他独立的量化因子构建） 因子的回测效果 （报告中未提供任何因子的具体回测指标数值） **注**：本报告核心内容为市场数据描述与复盘，仅包含一个用于衡量行业拥挤度的模型，未涉及其他量化因子或模型的构建与测试[1][2][3][8][9][12][13][14][17]

量化模型与构建方式 1 **模型名称：行业拥挤度监测模型** - **模型构建思路**：通过多维度指标监测申万一级行业指数的拥挤程度，识别高拥挤和低拥挤行业[3] - **模型具体构建过程**： 1. 选取申万一级行业指数作为标的 2. 计算各行业的拥挤度指标（具体指标未在报告中明确列出，但可能包含价格波动、资金流向、换手率等） 3. 对指标进行标准化或分位数处理，生成每日拥挤度评分 4. 根据评分排名，识别高拥挤（如电力设备、电子）和低拥挤行业（如食品饮料、美容护理、石化）[3] 2 **模型名称：溢价率 Z-score 模型** - **模型构建思路**：通过计算ETF溢价率的Z-score值，识别存在套利机会的ETF产品[4] - **模型具体构建过程**： 1. 计算ETF的溢价率： $$溢价率 = \frac{ETF市价 - ETF净值}{ETF净值}$$ 2. 计算溢价率的滚动均值和滚动标准差（窗口期未明确） 3. 计算Z-score： $$Z = \frac{当前溢价率 - 滚动均值}{滚动标准差}$$ 4. 设定阈值（未明确具体值），筛选Z-score异常的ETF作为关注信号[4] --- 量化因子与构建方式 1 **因子名称：主力资金净流动因子** - **因子构建思路**：通过监测主力资金在行业或ETF中的净流入/流出情况，反映资金动向[2][5] - **因子具体构建过程**： 1. 计算单日或多日主力资金净流动金额： $$净流动金额 = 流入金额 - 流出金额$$ 2. 按行业（申万一级）或ETF类别（宽基、行业主题等）分类统计[5][11] 3. 生成排名（如TOP3流入/流出）或时间序列数据[5] --- 模型的回测效果 （报告中未提供模型回测结果） --- 因子的回测效果 1. **主力资金净流动因子**： - 近期表现（2025/9/22）： - 宽基ETF净流出71.31亿元，行业主题ETF净流出30.93亿元，风格策略ETF净流出0.39亿元，跨境ETF净流入20.46亿元[5] - 行业资金流向：电子行业主力资金流入，电力设备、传媒行业流出[3] - 近3日资金动向：减配计算机、电力设备；增配房地产、纺织服饰[3] 2. **行业拥挤度因子**： - 近期表现（截至2025/9/22）： - 高拥挤行业：电力设备、电子（拥挤度评分靠前） - 低拥挤行业：食品饮料、美容护理、石化（拥挤度评分较低） - 变动较大行业：煤炭、有色金属[3] 3. **ETF溢价率Z-score因子**： - 近期关注标的（2025/9/22）： - 道琼斯ETF（513400.SH）、中证500ETF平安（510590.SH）、中证500成长ETF（562340.SH）、香港证券ETF（513090.SH）、黄金ETF基金（518660.SH）[10] ---

量化模型与构建方式 1. 行业拥挤度模型 - 模型名称：行业拥挤度模型[3][15] - 模型构建思路：通过衡量行业指数价格变动与成交金额变动之间的统计距离来识别短期市场拥挤状态[3][15] - 模型具体构建过程：使用行业指数最近一周价格和成交金额变动的马氏距离来衡量拥挤度。具体步骤为：首先计算各行业指数最近一周的价格变动率和成交金额变动率，然后计算这两个变量的马氏距离，公式为： $$D_M(x) = \sqrt{(x - \mu)^T \Sigma^{-1} (x - \mu)}$$ 其中$x$表示行业的价格变动和成交金额变动组成的二维向量，$\mu$表示所有行业该二维向量的均值向量，$\Sigma$表示所有行业该二维向量的协方差矩阵。最后，通过置信椭圆来识别异常值，椭圆之外表示价格与成交金额偏离度置信水平超过99%的行业[15][17] 量化因子与构建方式 1. 行业PE估值因子 - 因子名称：行业PE估值因子[13][15] - 因子构建思路：使用行业市盈率(PE)来衡量行业估值水平[13][15] - 因子具体构建过程：直接采用各行业指数的市盈率(PE)数据，计算各行业当前PE值及其历史分位数。PE分位数的计算以2019年作为统计起点，计算当前PE值在历史PE序列中的百分位位置[15][20] 2. 行业价格动量因子 - 因子名称：行业价格动量因子[11][12] - 因子构建思路：通过不同时间窗口的行业指数涨跌幅来衡量价格动量[11][12] - 因子具体构建过程：计算各行业指数在不同时间窗口(近1周、近1月、近3月、近6月、近1年、今年以来)的涨跌幅，公式为： $$R_t = \frac{P_t - P_{t-n}}{P_{t-n}} \times 100\%$$ 其中$P_t$表示当前时点行业指数价格，$P_{t-n}$表示n期前的行业指数价格[12] 模型的回测效果 1. 行业拥挤度模型 - 检测结果：上周汽车行业出现短期显著拥挤[16] 因子的回测效果 1. 行业PE估值因子 - 当前PE最高行业：计算机(93.08倍)、国防军工(85.19倍)、电子(70.07倍)[13] - 当前PE最低行业：银行(6.20倍)、建筑装饰(12.04倍)、非银金融(14.48倍)[13] - PE分位数最高行业：煤炭(100%)[15] - PE分位数99%行业：房地产、电子、机械设备、商贸零售、计算机[15] - PE分位数最低行业：食品饮料(15%)、农林牧渔(19%)、非银金融(31%)[15] 2. 行业价格动量因子 - 近1周涨幅前三行业：煤炭(3.51%)、电力设备(3.07%)、电子(2.96%)[11] - 今年以来涨幅前三行业：通信(64.09%)、有色金属(51.05%)、电子(44.29%)[12] - 近1年涨幅前三行业：通信(126.03%)、电子(112.57%)、传媒(83.18%)[12]

量化模型与构建方式 行业拥挤度监测模型 1. 模型名称：行业拥挤度监测模型[3] 2. 模型构建思路：通过多维度指标监测申万一级行业指数的拥挤程度，识别过热或过冷行业[3] 3. 模型具体构建过程：模型基于多个市场指标（如交易量、价格波动、资金流向等）构建综合拥挤度指标，每日对申万一级行业指数进行监测排名。具体计算过程未详细披露，但通过热力图形式展示近30个交易日的拥挤度变化[3][9] 4. 模型评价：能够有效识别行业拥挤状态变化，为行业轮动提供参考依据[3] 溢价率Z-score模型 1. 模型名称：溢价率Z-score模型[4] 2. 模型构建思路：通过统计套利方法识别ETF溢价率的异常波动，挖掘潜在套利机会[4] 3. 模型具体构建过程：计算ETF溢价率的Z-score统计量，公式为： $$Z = \frac{P_{溢价率} - \mu_{溢价率}}{\sigma_{溢价率}}$$ 其中$P_{溢价率}$为当前溢价率，$\mu_{溢价率}$为历史溢价率均值，$\sigma_{溢价率}$为历史溢价率标准差。通过滚动窗口计算Z-score值，当Z-score超过特定阈值时生成交易信号[4] 4. 模型评价：能够有效捕捉ETF定价偏差，但需警惕标的回调风险[4] 量化因子与构建方式 资金净流入因子 1. 因子名称：资金净流入因子[5] 2. 因子构建思路：通过监测各类ETF产品的资金流动情况，识别资金偏好方向[5] 3. 因子具体构建过程：每日计算各类ETF产品的资金净流入额，公式为： $$资金净流入 = 流入资金总额 - 流出资金总额$$ 按宽基ETF、行业主题ETF、风格策略ETF、跨境ETF四大类别分别统计，并筛选单日资金净流入TOP3和净流出TOP3产品[5] 主力资金净流动因子 1. 因子名称：主力资金净流动因子[11] 2. 因子构建思路：监测申万一级行业指数的主力资金流向变化[11] 3. 因子具体构建过程：计算各行业指数的主力资金净流入额，按T日、T-1日、T-2日分别统计，并汇总近3个交易日合计值。公式为： $$近3日主力净流入合计 = 主力净流入_T + 主力净流入_{T-1} + 主力净流入_{T-2}$$ 其中主力净流入额为正值表示资金流入，负值表示资金流出[11] 模型的回测效果 （报告中未提供具体的模型回测效果指标数据） 因子的回测效果 （报告中未提供具体的因子回测效果指标数据）

量化模型与构建方式 1 **模型名称：行业拥挤度监测模型** **模型构建思路：** 通过监测申万一级行业指数的拥挤度，识别行业过热或低估状态，为投资决策提供参考[3] **模型具体构建过程：** 报告未提供具体的构建公式和详细步骤，仅提及对申万一级行业指数的拥挤度进行每日监测[3] 2 **模型名称：溢价率 Z-score 模型** **模型构建思路：** 通过计算ETF溢价率的Z-score值，识别存在潜在套利机会的ETF产品[4] **模型具体构建过程：** 报告未提供具体的构建公式和详细步骤，仅提及通过滚动测算提供信号[4] 量化因子与构建方式 1 **因子名称：行业拥挤度因子** **因子构建思路：** 基于申万一级行业指数构建，用于衡量行业交易拥挤程度[3] **因子具体构建过程：** 报告未提供具体的构建公式和详细步骤[3] 2 **因子名称：主力资金净流入因子** **因子构建思路：** 通过计算主力资金净流入额，反映资金对行业或ETF的短期偏好[13] **因子具体构建过程：** 直接使用Wind数据中的主力净流入额（单位：亿元），包括当日（T）、前一日（T-1）及前两日（T-2）数据，并计算近3个交易日合计值[13] 公式： $$近3日合计 = T + T-1 + T-2$$ 模型的回测效果 （报告未提供模型回测结果） 因子的回测效果 1. **行业拥挤度因子** - 拥挤度较高行业：有色、电力设备、电子[3] - 拥挤度较低行业：食品饮料、美护[3] - 拥挤度变动较大行业：汽车、轻工[3] 2. **主力资金净流入因子** - 近3日主力资金净流入较高行业：传媒（+8.81亿元 T日）、汽车（+5.47亿元 T日）[13] - 近3日主力资金净流出较高行业：电子（-50.84亿元 T日）、计算机（-59.24亿元 T日）、电力设备（-23.89亿元 T日）[13] - 近3日合计净流入：传媒（-41.41亿元）、计算机（-59.49亿元）、机械设备（-58.22亿元）[13] 3. **ETF资金流动因子** - 宽基ETF：单日净流出85.26亿元[5] - 行业主题ETF：单日净流入0.27亿元[5] - 风格策略ETF：单日净流入3.52亿元[5] - 跨境ETF：单日净流入38.39亿元[5]

量化模型与构建方式 1 **模型名称：行业拥挤度监测模型** **模型构建思路：** 通过监测申万一级行业指数的拥挤度，识别当前市场过热或过冷的行业，为投资决策提供参考[3] **模型具体构建过程：** 模型每日计算各行业的拥挤度水平，具体计算方式未详细说明，但会输出各行业的拥挤度排名及变动情况[3] 2 **模型名称：溢价率Z-score模型** **模型构建思路：** 通过计算ETF溢价率的Z-score值，识别存在潜在套利机会的ETF产品，同时提示回调风险[4] **模型具体构建过程：** 模型滚动计算ETF溢价率的Z-score值，具体公式未详细说明，但会基于Z-score值生成ETF产品的关注信号[4] 量化因子与构建方式 1 **因子名称：行业拥挤度因子** **因子构建思路：** 用于衡量申万一级行业指数的市场拥挤程度，帮助识别行业过热或过冷状态[3] **因子具体构建过程：** 因子每日计算各行业的拥挤度，具体计算方式未详细说明，但会输出拥挤度排名及变动情况[3] 2 **因子名称：溢价率Z-score因子** **因子构建思路：** 用于衡量ETF溢价率相对于历史水平的偏离程度，识别潜在套利机会[4] **因子具体构建过程：** 因子滚动计算ETF溢价率的Z-score值，具体公式未详细说明，但会基于Z-score值生成ETF产品的关注信号[4] 模型的回测效果 （无相关内容） 因子的回测效果 （无相关内容）

核心观点 - 市场情绪指标数值为3.2，处于高位震荡状态，较上周五的2.9小幅上涨，但部分分项指标开始回落，短期观点偏中性[2][8] - 价量一致性得分快速下跌，行业交易波动率继续回落，资金活跃度和参与度出现降温，市场成交活跃度略有下降[2][10] - 全A成交额较上周大幅下降，周五日成交额为周内最低的23483.59亿人民币，日成交量为1460.90亿股[2][14] - PCR结合VIX指标由正转负，对冲需求下降，波动率压制下潜在风险累积，短期或暗含回调压力[2][10][26] - 行业拥挤度显示综合、电力设备板块资金拥挤度高且涨幅高，计算机、电子板块资金拥挤度高但涨幅偏低，国防军工、钢铁、建筑材料等低拥挤度板块可能迎来配置机会[2][39] - 均线排列模型显示电力设备、公用事业、美容护理、食品饮料等行业短期趋势得分上升趋势靠前，电力设备短期得分继续上升至100[2][31] - 当前模型维持提示大盘风格占优信号，且5日RSI相对20日进一步下降，信号提示强烈，成长风格占优但信号提示强度降低[2][43][45] 情绪模型观点 - 市场情绪结构指标采用行业间交易波动率、行业交易拥挤度、价量一致性、科创50成交占比、行业涨跌趋势性、RSI、主力买入力量、PCR结合VIX、融资余额占比等细分指标构建，指标分数等权求和后的20日均线作为情绪结构指标，近5年A股市场情绪波动较大，2024年10月市场情绪得分突破2[7] - 截至9月5日，市场情绪指标数值为3.2，较上周五的2.9小幅上涨，周内呈现震荡趋势，部分分项指标开始回落[8] - 价量一致性快速下跌，市场价量匹配程度出现回落，资金的活跃度和参与度出现降温，但周五有小幅反弹[10][11] - 科创50相对万得全A成交占比保持快速上升趋势，市场风险偏好出现明显上升[10][16] - 行业间交易波动率继续向下回落，资金切换活跃度下降，资金流动放慢，短期情绪出现波动[10][20] - 行业涨跌趋势周内快速下降，当前信号仍位于布林带之间，资金观点分歧进一步上升[10][21] - 融资融券占比回升至布林带区间内，市场杠杆资金情绪有所修复[10][25] - PCR方向指标由正转负，PCR指标继续保持下降趋势，对冲需求下降，VIX指标下穿20日均线，隐含波动率回落至低位[10][26] 其他择时模型观点 - 均线排列模型通过对N条均线的高低进行打分，短均线在长均线之上计1分，否则计0分，将所有组合得分值标准化后求平均得到趋势得分[31] - 截至2025/9/7，电力设备、公用事业、美容护理、食品饮料等行业短期趋势得分上升趋势靠前，电力设备、综合、有色金属是短期趋势最强的行业，电力设备短期得分继续上升至100[2][31] - 行业拥挤度通过行业指数的成交额与换手率按照过去20日均值与波动率进行标准化，得到行业的交易热度指标，最终定义为行业热度指标滚动60日的百分比排名[36] - 截至2025年9月7日，周平均拥挤度最高的行业分别为商贸零售、综合、电子、通信、有色金属，拥挤度最低的行业分别为医药生物、国防军工、美容护理、纺织服饰、基础化工[38] - 相对强弱指标（RSI）计算方式为N日内的RSI = 100 - 100 / (1 + Gain / Loss)，当20日RSI>60日RSI，则比值的分子端风格占优[43] - 当前模型维持提示大盘风格占优信号，且5日RSI相对20日进一步下降，信号提示强烈，RSI模型提示成长风格占优信号，但短期内5日RSI相对20日RSI大幅下滑，信号提示强度降低[2][43][45]