• 2024年11月第一周，中信一级行业周度涨跌幅领先的是计算机(14.89%)、国防军工(13.08%)、非银行金融(12.05%)，跌幅较小行业包括银行(1.38%)和电力及公用事业(1.99%)。

[page::2]

• 行业年度表现显示非银行金融(50.62%)、综合金融(44.12%)和银行(35.04%)涨幅领先，综合(-11.07%)、纺织服装(-4.7%)等行业下跌。

[page::3]

• 融资余额变化集中在非银行金融、电子和计算机行业，分别净流入177.46亿元、143.01亿元和102.55亿元，显示市场资金积极流入这些行业。 [page::1][page::3]

- 本周ETF资金流向显示消费(47.19亿元)、红利(14.16亿元)、中游制造(2.83亿元)获得净流入，TMT(-68.38亿元)、国防军工(-19.35亿元)等行业资金净流出显著，体现资金持续高低切策略。 [page::2][page::4][page::5]

• 扩散指数行业轮动模型建议2024年11月份配置银行、非银行金融、综合金融、家电、有色金属和电力及公用事业，当前月度平均收益4.97%，今年以来策略超额收益为-6.69%。

[page::6][page::7]

• GRU因子行业轮动自2021年起表现稳定，2024年以来累计超额收益达12.68%，本周组合收益3.72%，超额中信一级行业等权收益-2.66%。主要调入银行、建材、钢铁等行业。

[page::8][page::9]

• GRU因子周度Rank IC显示部分时间段表现波动较大，模型对市场见底回升反应有限，说明模型在极端行情存在失效风险。 [page::7]

- 风险提示包括扩散指数模型和GRU模型的失效风险，以及短期政策变化对行业轮动策略的影响。 [page::0][page::9]

中邮·金工研究报告详尽分析

一、元数据与报告概览

报告标题：《金融搭台，科技消费轮动，ETF资金持续高低切》
发布机构：中邮证券有限责任公司研究所
报告作者：肖承志、李子凯
发布时间：2024年11月10日
报告主题：宏观金融市场与行业轮动分析，聚焦2024年11月初至11月中旬的中信一级行业板块表现、行业融资余额变化、ETF资金流向以及基于扩散指数与GRU因子模型的行业轮动策略表现和风险提示。

核心论点与信息：
报告基于近期市场表现，具体分析了行业板块及ETF资金的流向变化，强调金融和科技消费的轮动趋势机制。报告指出，2024年11月初以来，三十个中信一级行业均出现正回报，计算机、国防军工领涨，ETF资金表现出明显“高低切”策略，即资金从涨幅较高的芯片、券商板块流出，向消费及金融科技等板块流入。报告进一步通过扩散指数及GRU因子模型对行业轮动做量化验证，指出当前以价值方向（银行、金融等）配置为主，但模型近期超额收益表现偏弱。风险提示包括模型失效风险和政策变动风险等。总体观点显示市场资金活跃度和行业轮动逻辑，意在指导投资者合理配置资产结构。[page::0,1]

---

二、逐节深度解读

1. 观点综述

本部分点明本周行业涨跌幅排行及融资余额变化，强调科技、国防军工与非银行金融等板块表现优异，而银行、电力、煤炭等板块相对滞后。融资余额（即融资融券余额，体现市场资金对该行业的偏好）最大涨幅行业为非银行金融、电子、计算机等，资金追逐热点明显。该节为后续详细数据铺垫基础。[page::1]

2. 行业指数表现

2.1 周度表现

通过图表1，计算机行业以周涨幅14.89%领跑，紧随其后的是国防军工（13.08%）、非银行金融（12.05%）等。整体来看所有中信一级行业均实现上涨，这反映当期市场面临普遍积极情绪，但涨幅差异反映出资金集中与轮动特点。低增长率行业如银行（1.38%）、电力和煤炭等，表现疲软。

图表1解析：

图表1是一组条形图，横轴为中信一级行业，纵轴为周度涨幅%。由左至右显示，计算机、国防军工、非银行金融和商贸零售均明显高于其他行业，右端的银行与电力系涨幅最低。该图表与文本保持高度一致，并直观体现投资资金趋向科技与国防为主的成长性板块。

2.2 年度表现

图表2显示2024年以来的年度涨跌幅。最大涨幅行业非银行金融高达50.62%，其次是综合金融、银行及家电，且均远超其他行业表现。其中综合、纺织服装、医药出现负增长，反映出行业结构性差异。

图表2解析：整张图显示多数行业保持正增长，但少数行业如综合、纺织服装等出现负增长，凸显部分传统行业表现承压，整体资金和投资逻辑呈现明显差异化趋势。[page::2,3]

3. 融资余额净流入与ETF资金流向

本节揭示真实的资金流动数据，辅助业绩表现的背后资金动向分析。

• 融资余额方面：非银行金融以177.46亿元融资余额增加领跑，电子和计算机领域分别增加143.01亿、102.55亿。说明资金最青睐该类成长板块，反映市场风格为配置成长及科技类资产。融资余额减少最多板块为综合金融、纺织服装等，显示部分防御或传统行业资金减仓。[page::3]
• 行业/主题ETF资金流入流出数据详解

- 净流入：酒ETF、标普红利ETF、消费ETF、金融科技ETF和游戏ETF位列前五，表明资金偏好集中在消费和红利等相对稳定及成长兼备领域。
- 净流出：半导体、芯片、军工、科创芯片和证券ETF资金流出较大，体现市场对部分热门板块短期获利回吐或风险偏好转变。

• 行业分类层面，消费板块ETF资金净流入最高47.19亿元，TMT及国防军工则呈流出。整体ETF资金明显践行“高低切”策略，高位板块资金流出，低估值或价值板块持续吸引资金[page::4,5]。

4. 扩散指数行业轮动模型分析

• 模型介绍：扩散指数模型基于动量原理追踪行业价格趋势，逻辑在于捕捉行业动量形成的持续上涨势头。回测显示该模型自2021至2024年整体表现波动，其中2024年9月以来表现出现较大回撤，主要因其锁定上升趋势而未能及时适应超跌反弹行情。

- 周度跟踪：日前排名靠前行业为银行(1.0)、非银行金融(0.974)、家电、有色金属等，显示价值偏好增强。环比提升行业由轻工制造、国防军工、商贸零售领衔。这显示短期内资金和价格趋势轮动明显。

• 月度跟踪及超额收益：11月份建议重点配置银行及非银行金融等行业，但今年以来模型超额收益仍为-6.69%，说明模型未能完全克服当前市场反转特征。[page::5,6]

图表7和图表8解析：

• 图表7展示行业扩散指数排名与变化，显示顶尖板块扩散指数接近1，尾部板块0.3-0.5间波动，表现出明显的行业分化。

- 图表8为扩散指数月度轮动净值走势，蓝线为行业轮动净值，橙线为中信一级行业等权收益，绿线为超额收益。2021年初期至2024年间波动较大，2024年表现总体弱于历史，反映模型的局限。[page::6,7]

5. GRU因子行业轮动模型

• 模型背景：基于GRU（门控循环单元）深度学习网络处理分钟级量价数据，捕获交易特征和行业周期，目标是识别低估价值行业及交易活跃行业，获得超额收益。

- 表现与分析
- 2024年以来保持正收益，累计超额收益12.68%，优于扩散指数模型，表明深度学习模型在捕获更复杂的信息上有效。
- 近期9月后表现有所波动，表明市场行情变化与历史规律不完全吻合。

• 因子排名和变动：银行行业排名居首(3.09)，石油石化排名第二但为负数(-3.79)，综合和建材排名快速上升。家电、消费者服务等行业排名下降明显。

- 周度调仓策略：最新配置调入建材，调出煤炭，反映对市场微观调整的响应。组合本周收益3.72%，超额收益负2.66%，显示短期轮动调整中的波动性。

• 图表9与图表11呈现两者在历时内的Rank IC指标与组合净值走势，强化了模型效果的稳定性和动态调整能力。[page::7,8,9]

图表10（GRU因子行业排名表格）解读

该表展示各个中信一级行业的周涨跌幅、本周涨跌、最新因子值、排名及排名变动。从表中看到：

• 银行业周跌幅-1.72%，最新因子3.09排名第1，持稳。

- 石油石化、纺织服装、综合等行业排名大幅提升，尽管周涨跌幅表现不一。

• 家电、消费者服务等行业本周表现虽正，但排名下降明显。

这反映GRU模型不仅关注价格，还综合多维量价信息进行行业评分与轮动。[page::8]

---

三、图表深度解读

图表1（中信一级行业指数周度涨跌幅）

• 说明：展示2024年11月首周内，30个中信一级行业的周度涨跌幅%，清晰呈现各行业板块轮动与差异。

- 解读：计算机行业以近15%涨幅遥遥领先，代表市场热点。国防军工、非银行金融等紧随其后，形成多板块共振上涨态势。尾部行业表现相对平稳或低迷，反映分化收敛。[page::2]

图表2（行业指数年度涨跌幅）

• 说明：以年度累计涨跌幅展示各行业在2024年的表现，突出长期趋势和结构性强势板块。

- 解读：非银行金融行业表现突出，超过50%的涨幅，表明金融类资产整体强势，家电、银行和通信等行业也表现良好。部分传统如纺织服装、医药等行业呈现负增长，显示出行业内资本流动和基本面趋势的分化。[page::3]

图表3（融资余额周度变化）

• 说明：柱状图及统计数据说明各行业融资余额的净变化，体现市场资金流动偏好。

- 解读：非银金融、电子和计算机融资余额大幅增长，资本关注度高涨。反之，综合金融及传统行业融资余额出现下降，显示资金在行业间轮动的动态基础。投资者可以据此判断资金的流入与流出热点。[page::3]

图表4与图表5（行业/主题ETF资金流入与流出）

• 说明：分别列出本周净流入与净流出前十ETF行业或主题，展示资金在ETF层面的具体动向。

- 解读：酒ETF和红利ETF资金流入明显，结合消费主题ETF，共同显示市场资金对消费及稳健红利资产的偏好。资金对半导体、芯片和军工ETF的大幅流出则表现“高估值”板块的短期获利回吐或风险规避心态。[page::4]

图表6（ETF行业净流入情况）

• 说明：按行业分类统计本周ETF净流入与净流出详情。

- 解读：消费板块ETF资金净流入最高，达47.19亿，显示其为资金“避风港”。TMT、国防军工及科技行业净流出严峻，流动性有所转移，体现投资者调整组合以规避波动风险。[page::5]

图表7（中信一级行业扩散指数周度跟踪）

• 说明：以扩散指数定量衡量各行业的动量和趋势强弱，图示行业扩散指数的排名及较上周的变化。

- 解读：银行和非银行金融排名靠前，扩散指数值接近1，说明趋势强劲。轻工制造等环比增长显著，说明资金重新配置迹象。排名靠后的食品饮料、医药等赛道显示动能不足，可能面临调整压力。[page::6]

图表8（行业扩散指数月度轮动）

• 说明：绘制行业轮动净值、行业等权收益和超额收益时间序列图。

- 解读：行业轮动净值（蓝线）较行业等权平均（橙线）波动较大，年初至今整体呈现下跌趋势，超额收益（绿线）波动明显但呈负趋势，这体现扩散指数模型当前市场环境中的挑战，反映行业趋势捕捉的不确定性。[page::7]

图表9（GRU因子周度Rank IC）

• 说明：蓝色柱状为单周Rank IC（因子预测能力指标），橙色线为累计Rank IC。

- 解读：2024年初以来Rank IC保持多数正值，说明因子模型具有较好的预测能力，累计Rank IC逐步上升。近期单周数值下降，提示模型短期预测效果波动，需关注市场行情变化对模型的影响。[page::7]

图表10（GRU因子行业排名与涨跌明细表）

• 说明：以表格形式罗列各行业GRU因子值、最新排名及周涨跌幅，直观反映深度学习模型对行业的评级。

- 解读：银行行业居首且排名稳定，显示其价值潜力得以认可。家电、消费者服务等行业虽近期也有上涨，但因子排名表现不佳，提示市场情绪调整与基本面脱节。整体显示价值与动量混合的行业轮动格局。[page::8]

图表11（中信一级行业GRU因子行业周度轮动）

• 说明：行业轮动组合净值曲线对比基准，表征模型收益能力。

- 解读：自2019年以来模型组合净值持续上升，显示长期有效性。2024年以来超额收益持续为正，尽管短期存在波动，但GRU模型优于传统扩散指数模型，表明深度学习模型更适应当前复杂行情。[page::9]

---

四、估值分析

报告主要关注行业资金流向和轮动模型表现，未具体涉及个股估值模型如DCF或市盈率倍数估值。扩散指数和GRU因子侧重于趋势动量和基于交易数据的深度学习排序，反映是量化择时和风格轮动的工具，而非传统估值法。其估值分析隐含在融资余额和资金流向中，表现为价值低估或资金青睐板块。报告未提供具体折现率、永续增长率等参数，亦无目标价定义。[page::全篇]

---

五、风险因素评估

1. 扩散指数模型失效风险

模型的动量基础使其在趋势明显时表现良好，但面临市场反转或震荡时失效风险，高估趋势持续可能带来错误判断。

1. GRU模型失效风险

基于分钟级数据和深度学习，模型表现短周期较强，但长期稳定性不确定，极端行情或新兴市场结构变化可能导致模型失灵。

1. 政策变化风险

模型基于历史数据统计，缺少对政策突发事件的敏感性。政策密集变动期投资策略可能无法及时调整，增加投资不确定性。

报告强调以上风险且无明确缓解措施，提示投资者关注模型局限性及市场环境变化。[page::9]

---

六、批判性视角与细微差别

• 报告依赖两个量化模型（扩散指数和GRU因子）对市场和行业轮动做追踪，逻辑清晰且历史回测表现有说服力，但均存在对极端行情敏感度不足的缺陷，尤其扩散指数显得保守，对反弹行情反应滞后。
• GRU模型虽采用深度学习技术，捕获更多市场信息，但“成交量价”高频数据带来的噪声可能导致短期内预测误差，且模型复杂性使其解释性相对欠缺。
• ETF资金流向的“高低切”策略说明市场资金情绪较为谨慎，并非简单追涨，体现一定的风险规避意识，但报告未具体说明逻辑背后的宏观推动因素，如政策或经济指标变动。
• 升级或调整模型的周期性和机制未被详细讨论，未来模型适应市场结构变化的能力不明。
• 风险部分虽罗列主要风险，但未深入探讨量化模型在不同市场环境下的风险缓释策略，这可能是后续报道完善的方向。[page::0-9]

---

七、结论性综合

本报告系统分析了2024年11月初国内金融市场的行业表现和资金流向，核心结论如下：

• 市场总体表现强劲，30个中信一级行业均实现正收益，科技（计算机）、国防军工和非银行金融领跑，表现出“金融搭台，科技消费轮动”的主题特征。
• 资金流向体现“高低切”策略，资金大幅从涨幅较高的芯片、券商等板块流出，净流入消费、金融科技和红利等低估值或稳定板块，显示市场资金偏好谨慎并注重风格轮换。
• 扩散指数模型成果平平，尽管仍建议配置银行、非银和家电等价值板块，但该模型2024年以来超额收益疲软，主要因市场行情反转与模型趋势跟踪特性不匹配。
• GRU因子模型表现更优，累计超额收益达到12.68%，表现稳定且能动态调整行业配置。其对银行等行业评级较高，反映价值投资风格和基于量价的深度学习能力。但短期表现也有波动，表明模型对市场环境适应存在挑战。
• 多图表数据相辅相成，验证了分析主体：

- 图表1~3展示行业周度及年度涨跌和资金偏好。
- 图表4~6具体反映ETF资金的实际流入流出，支持报告中资金轮动观点。
- 图表7~9量化模型扩散指数和GRU因子的历史和当前表现，直观展现模型预期和超额收益波动。
- 图表10精细呈现GRU因子行业走势细节，有助于理解模型行业配置理由。
- 图表11总体展示GRU模型长期超额收益，由此强化模型潜力。

• 风险提示合理且必要，模型失效与政策风险均具现实可能，提示投资者需审慎使用模型结果。
• 报告以专业视角分析了近期市场资金流和行业配置策略，结合量化模型技术为投资者提供了系统的行业轮动与趋势参考，对理解当前市场风格把握及ETF资金动态具有重要价值。

综上，报告展现了当前市场在金融、科技及消费板块之间的轮动态势和资金“高低切”操作，强调以量化模型辅助的行业配置策略，揭示投资者需关注模型局限与政策风险，适合作为中短期行业轮动和资产配置参考的专业研究材料。[page::0-9]

---

总结

本报告在详尽量化数据支持下，通过行业涨跌幅、融资余额、ETF资金流向和两套量化轮动模型的综合解读，揭示了2024年11月市场热点与配置风格的转变。报告强调价值方向配置为主的趋势，体现市场风格由科技成长向金融价值过渡，ETF资金流显示资金偏好谨慎，显著“高低切”。扩散指数和GRU模型的绩效对比展示了基于动量和深度学习的行业轮动策略在实际市场环境中的优势和局限。风险提示为投资者敲响警钟，提醒关注模型失效及政策变量。整体报告结构合理，数据详实，分析深入，是理解当前宏观行业动态及构建量化轮动策略的重要参考资料。

报告