本报告基于盘口挂单（买一到买五）与模拟撮合的方式构建“流动性溢价因子”，以过去21天市值之相对差距刻画溢价，细化参数为交易金额（10/100/1000亿）、频率（10分钟/30分钟）与周期T=21天以估计因子值[page::4][page::5]。因子统计显示平均IC约7%、IC_IR约0.5，因子半衰期约72天，信息在前30天衰减最快，累积IC在约60天基本达峰，表明该因子反映短期流动性/定价摩擦信息的能力[page::7][page::8]。回测结果显示在全A、沪深300和中证500均具有一定的选股区分度与稳定超额收益；采用时间加权和基于日内价格波动加权后，尤其是波动加权改进，超额收益、信息比与多空夏普均有显著提升[page::9][page::16][page::17]。
本周报告回顾了ETF与指数产品的规模扩张与资金流向，显示中国ETF总规模已扩容至约5.84万亿元，存量中以股票型ETF为主，跨境与商品ETF亦显著扩张；同时白银上涨显著，推动商品类ETF活跃度上升，报告并列示了主要宽基指数和行业的周度表现与估值分位变化，为短期资产配置与ETF策略提供了数据依据。[page::0][page::11]
本报告基于万得与恒生聚源数据，跟踪市场情绪（股指期货升贴水、两融余额）、公募基金发行与主动权益基金仓位变化，并系统评估多类量化因子（IC、ICIR、多头超额收益等）近期表现与趋势。报告发现：截至2025-12-26，主动权益基金平均仓位回升至85.74%，近一周净融资显著增加且以电子、汽车、电力设备及新能源为主导加仓；因子端reverse_120_5在短期与中期均表现亮眼（近一周IC=31.12%），而股息率与对数市值等因子短期表现较差，部分价值因子近月超额回报承压[page::4][page::2][page::7]
报告提出DTLC_RL（Decoupled Temporal Contrastive Learning with RL）框架：通过β/α/θ三类空间的专用编码器（TCN、Multi-scale Transformer、Gated-ResMLP）、对比学习与正交约束实现表征解耦，并以PPO强化学习动态生成空间加权实现自适应融合，回测（2019/01–2025/11）显示DTLC_RL月均IC=0.1250，多头Top10%年化收益34.77%，在沪深300与中证1000增强中分别实现年化超额13.72%与20.37%，表明强化学习融合在多空间信息整合上能显著提升多头组合表现 [page::0][page::27].
本报告评估中证A500作为风险分散型宽基标的的投资价值，认为未来一年指数预期收益为12.9%，其中盈利贡献约8.7%、估值还有约3%上升空间；在货币-信用-增长六阶段模型下，A500在多数周期（尤其经济复苏阶段）相对沪深300具备明显超额收益与更低相关性，同时指数编制引入ESG负面剔除，提升了长期风险收益特征，华夏中证A500ETF作为被动跟踪工具具备较低跟踪误差与稳定运行表现，为中长期组合的防御与分散配置提供了较好选项 [page::0][page::1][page::4]
本报告首次覆盖兴通股份，认为公司凭借年轻化、油气兼容的高端船队与强安全管理，内贸市场份额自2019年显著提升至2024年，且通过抢抓国际市场机遇与船队优势有望在外贸领域快速扩张；预计2025-2027年净利润分别为2.85、3.51、4.29亿元，并给予“推荐”评级 [page::0][page::1]
报告认为在政策面持续发力与资本市场改善的双重推动下，2026年券商行业有望迎来业绩与估值的双向修复；交易额与两融余额增长、一级市场活跃带动投行业务扩容，自营投研与风险管理能力将成为头部券商竞争核心，行业整合节奏加快利好龙头市占率提升，同时需警惕宏观、政策与流动性风险。[page::0][page::1]
本报告汇总当日宏观与产业政策、能源与公司动态，重点指出中国对欧盟猪肉实施反倾销及对欧盟乳制品初裁反补贴将抬升进口成本、缓解低价冲击并利好国内生猪养殖与乳制品深加工企业，但国内供给仍为价格决定性因素，建议关注养殖及乳制品龙头的结构性机会与风险管理。[page::0][page::1][page::2]
本周观点聚焦多行业2026年展望：全球货币政策自2024年下半年转向宽松并伴随央行资产负债表扩张，流动性溢价将持续抬升并支撑贵金属定价重心上移；黄金、白银与铂金供需结构性偏紧将带来中长期价格韧性；同时提出了电子（AI与存储）、汽车智能底盘与煤炭高分红的配置思路，为中长期行业配置与个股选择提供方向性建议。[page::0][page::1][page::6]
本资料为东兴证券研究所发布的“2026年度策略会”日程与分场议题汇编，涵盖总量、制造、消费、科技、周期等多个专场，集中披露各行业（如AI/电子、银行、证券、制造与能源）2026年策略方向与主题路演安排，便于把握机构观点与会议资源分配 [page::1][page::2][page::3]
本周A股宽基普涨，风格上高Beta、高波动与动量占优；报告系统追踪10类BARRA式风格因子与53个选股因子，并通过“中性约束下最大化因子暴露”构建单因子与指数增强组合以衡量因子有效性与组合超额表现，沪深300增强组合近一周/近一月/近一年超额分别为0.63%、1.40%、13.72% [page::0][page::3][page::13].
本文提出了一种针对非凸分布鲁棒优化（DRO）问题的鲁棒 SGLD 算法，通过对对偶化、网格离散与 Nesterov 平滑处理并结合 SGLD 的非渐近收敛分析，给出了可显式量化的误差分解和非渐近收敛上界，从而能够在任意精度 ε 下输出期望超额风险小于 ε 的估计器；并在一个带对抗扰动的神经网络回归任务上验证了鲁棒 SGLD 相较于 vanilla SGLD 在测试均方误差上的优势 [page::0][page::3].
本文在带有随机风险厌恶参数的连续时间投资模型中，完整刻画了确定性均衡投资策略的结构，发现当风险厌恶期望有限时均衡存在且唯一，但当期望发散时可能出现无限多个均衡或唯一的平凡均衡π≡0；为解决多重均衡问题，引入并刻画了三类最优性准则（optimal, uniformly optimal, uniformly strictly optimal），并给出存在性与唯一性的充分必要条件；最后利用逆危险率序等更强顺序建立了风险厌恶分布变动对均衡激进程度的单调比较结果，同时通过数值例证展示了在一阶随机占优下仍可出现“反转”现象 [page::7][page::12][page::15][page::17][page::20].
本文构建并检验了包含两类贿赂（非胁迫性/自愿性与胁迫性/被迫性）与三种信息传递情形（完全可观测、秘密但有通讯、秘密无通讯）的腐败模型，并用塔吉克斯坦429家企业的面板调查数据证实：企业同时存在自愿与被迫两类贿赂、企业通过隐瞒利润来降低被迫贿赂、且收取自愿贿赂的官员并未向提取被迫贿赂的官员传递企业财务信息（模型与识别见第3节、第4节；实证与估计见第5节）[page::1][page::12][page::31][page::33]
本文提出并验证了一种将深度神经网络回归嵌入最小二乘蒙特卡洛（deep LSMC）的求解器，用于含多重不确定性与内生状态动态的递归气候-经济模型（以随机 DICE-2016R2 为示例），并展示了该方法在求取最优反馈策略及开展不确定性定量分析（包括 SCC 分布与 Sobol’ 全局敏感度分析）方面的可行性与计算效率优势 [page::0][page::4][page::22]。
本文提出并实证了“metawisdom”（即群体在选择决策辅助工具阶段表现出的智慧能够提升最终群体准确性）的概念，建立了包含偏差-方差分解的理论模型并导出最优辅助工具分配的解析式，随后通过三项大样本实验（糖果计数、CPI 预测、硬币计数）验证：在多数情形下，让个体选择辅助工具能产生超过随机分配或仅使用最优单一辅助工具的群体准确性提升，且这种提升源于“辅助工具选择所引入的预测多样性”而非单纯向最优工具的聚拢 [page::0][page::5][page::13].
本文提出并实现了一套面向金融时间序列的多维评估框架，比较了 ARIMA–GARCH、VAE 与 TimeGAN 在分布保真（MMD、KS）、时间一致性（ACF、波动聚类）、下游任务效用（均值-方差配置、波动率预测）和隐私泄露（NNDT、MIA）等方面的表现，结果显示 TimeGAN 在综合保真度与时间一致性上优于其他方法，但训练成本和调参敏感性较高；VAE 稳定但平滑极端事件；ARIMA–GARCH 可解释性强且计算代价低但不能捕捉非线性动力学 [page::0]
本文提出并系统阐述了“随机动力学的拓扑超对称性（STS）”框架：将随机微分方程的广义传递算子（GTO）嵌入上同调拓扑场论，从而把混沌定义为GTO谱半径对应的正“压力”（pressure）并且等价于拓扑超对称性自发破缺，同时指出仅斯特拉托诺维奇（Stratonovich）解释能使随机演化算符与GTO一致并具有明确数学含义 [page::0][page::10][page::16][page::24]
本文提出一种面向可实现性的贝叶斯稀疏指数跟踪框架：以指数与成分股收益的线性回归为基础，采用加权Laplace先验并用经验贝叶斯（SAPG）自动标定全局稀疏尺度，同时通过Moreau–Yosida平滑的近端MCMC（MYULA + 预条件MALA）对后验进行抽样，从而量化权重、跟踪误差与再平衡调整的不确定性，并以后验激活概率与幅度阈值构建可执行的支撑选择与再平衡规则以平衡TE与换手率 [page::0][page::6][page::16][page::38]
本文评估 TimeGAN 与 VAE 生成的合成 S&P 500 日收益时序在统计保真性、时间结构与下游任务（组合优化、风险估计、回测）中的实用性，结果显示 TimeGAN 在分布与波动簇集、自相关结构上与真实数据最为接近，基于合成数据构建的均值-方差组合在权重、Sharpe 和风险水平上与真实数据保持高度一致，而 VAE 虽训练更稳定但倾向于平滑极端波动，影响尾部风险估计 [page::0][page::11]
