2025年基于宏观数据的资产配置与风格行业轮动体系

1 资产配置背景

近年来，随着金融市场的日益成熟和信息技术的飞速发展，科学化、系统化的资 产配置在财富管理和投资实践中的重要性已毋庸置疑。投资的核心目标从单纯的 追求高收益，逐步转向在有效控制风险的前提下获取持续、稳定的回报。 多因子模型的普及使得“因子拥挤”的现象日益凸显。大量资本涌入相似的因子 策略，导致这些因子所蕴含的定价错误被快速识别并套利，其获取 Alpha 的能力 被自身的大量应用所挤压。市场整体的定价效率正在显著提升，单纯依靠挖掘单 一或少数几个因子来获取 Alpha 的策略，其效能可能面临持续的弱化。未来投资 回报的核心驱动力，可能越来越依赖于对系统性风险敞口（Beta）的有效管理和 优化配置。 自 2017 年以来，各大类资产之间收益相关性较低，不同大类资产的收益特征和 风险特征不尽相同，这种结构性特征使得投资者能够通过科学配置，在不牺牲预 期收益的前提下显著平滑波动，这正是纯因子策略难以实现的系统性优势。

基于以上分析，我们认为在 Alpha 稀缺、Beta 主导的格局下，深刻理解并有效 驾驭 Beta 收益源变得至关重要。因此，本报告将深入探讨如何通过系统性的配 置策略来获取更优的 Beta 收益。我们的研究将遵循自上而下的逻辑框架，逐层 深入： 1. 大类资产配置：研究股票、债券、转债、美股、信用债等主要大类资产如何通 过仓位配置，在控制回撤风险的前提下获取长期稳定的收益； 2. 风格轮动：在权益资产内部，分析价值成长风格、大小盘风格的周期性表现规 律，探讨在不同宏观环境下进行风格切换的策略； 3. 行业轮动：进一步细化至行业层面，综合宏观经济、中观基本面、微观技术面、 交易拥挤度四个维度信息，捕捉各行业的结构性轮动机会。

在本研究中，我们以宏观经济指标为核心，通过适当的外延和扩充形成关于大类 资产配置和风格、行业轮动解决方案。 资产价格是未来现金流的贴现，其长期走势根本上由宏观经济基本面驱动。基于 CAPM 等资产定价理论，投资者要求对承担宏观经济风险（如增长风险、通胀风 险）进行补偿，这构成了不同资产的风险溢价。因此，宏观经济变量并非遥远的 理论指标，而是直接影响企业盈利、无风险利率和风险偏好的核心变量，是理解 大类资产、市场风格和行业板块轮动的重要因素。

在大类资产配置层面，我们以宏观经济指标构建择时模型，既实现了对股票、债 券等大类资产波动的良好预测效果，又保证了因子逻辑的简洁性。这确保了宏观 信号在大尺度上的稳定性和可解释性。 风格轮动层面的驱动逻辑较大类资产配置更为复杂。我们借鉴并深化了“美林时 钟”的理论内核，结合中国市场环境对轮动框架进行适配，聚焦经济增长与流动 性的二阶变化，以更敏锐地捕捉风格切换的拐点。然而，风格表现不仅受宏观基 本面支配，也在短期内显著受到市场情绪和交易行为的影响。因此，在宏观指标 象限轮动的基础上，我们引入市场情绪指标作为辅助，构建综合打分体系，取得 更好的预测效果。 当研究粒度进一步细化至行业轮动时，需要从更多维度对不同行业的表现进行评 价得到投资依据。我们从宏观经济指标、中观基本面指标、微观技术面指标以及 交易拥挤度指标四维度引擎构建行业轮动解决方案，共同构成了一个兼顾左侧布 局与右侧趋势、融合价值判断与风险管理的立体化决策体系。 综上，我们坚持以宏观因子为资产配置的核心，因其是驱动资产长期价格的根本 源动力；在风格轮动中，将宏观逻辑与市场情绪技术指标相结合，以应对风格转 换的复杂性；在行业轮动中，则构建了四维度的综合决策引擎，以实现更为精细 和稳健的配置建议。

2 大类资产配置解决方案

资产配置的早期观点是马科维茨的均值方差模型，1996 年桥水基金提出全天候 策略的概念后，把投资组合的整体风险分摊到每类资产中去的风险平价策略成为 资产配置的主流方法。 以风险平价模型为基础，我们首先使用宏观因子分别构造股票和债券的择时模型， 再将择时信号加入大类资产配置的风险平价模型中，对不同资产的风险预算进行 调整，形成全天候策略，在控制回撤风险的前提下增厚投资组合收益。

2.1 股票择时

首先构造股票资产的择时因子，我们主要依据经济增长与流动性宽松两大核心维 度进行综合研判。从经济增长视角看，经济繁荣阶段往往伴随企业盈利能力的提 升，基本面改善为权益资产价格提供有力支撑；另一方面，流动性宽松环境能够 为市场带来增量资金，水涨船高推动股票资产市值上升。

自 2017 年以来，股票择时策略年化收益 14.1%，基准年化收益 5.4%，超额年 化收益 8.7%，月度胜率 56.7%，能够较好地抓住股票上涨周期、躲过股票下跌 周期。

2.2 债券择时

在构建债券市场择时策略时，我们主要从货币流动性供给和需求的角度进行分析。 货币宽松状态为债券市场提供基础支撑，具体表现为市场流动性充裕、资金成本 下行，货币流动性供给充足。在需求端，货币流动性主要流向实体信贷，满足政 府、企业、居民等的投资需求。若货币供给宽松但实体信贷需求萎缩，央行释放 的流动性未能有效流入实体经济，金融机构面临配置资产的压力，国债就会成为 最安全的配置选择，成为推动国债走强的重要因素。

在构造债券择时因子时，我们主要采用价格数据来衡量货币供给宽松的表现，前 瞻性更强，对市场变动更加敏感，SHIBOR 是传统的报价利率，在衡量银行资金 成本方面有重要参考价值，DR007 是央行重点培育的市场基准利率，能够准确地 反映银行体系的流动性状况；采用社会融资规模来衡量信贷需求，综合考虑企业、 居民贷款情况。

自 2017 年以来，债券择时策略年化收益 2.3%，基准年化收益 1.1%，超额年化 收益 1.1%，月度胜率 68.3%，捕捉债券上涨趋势，尽量避免蒙受回撤。

2.3 全天候策略

风险预算模型通过约定各资产对投资组合的风险贡献率，以最小化各资产风险贡 献的跟踪误差为目标，计算出各资产的权重比例，达到主观调节资产风险的目的。 组合风险一般用波动率进行衡量，对于传统的固定比例配置资产的投资组合约 90% 的风险都集中在股票上，因此风险预算模型可以通过降低股票权重来平衡不同资 产对于投资组合的风险贡献。

在风险平价模型中，各大类资产风险预算相同，进一步地，我们根据 1.1 和 1.2 中的股票和债券择时模型得到的择时信号对股票和国债的风险预算进行调整，择 时信号为看多时提高对应资产的风险预算，择时信号为看空时降低对应资产的风 险预算，得到资产配置的全天候策略，在控制风险不显著上升的同时能够带来更 高的绝对收益。

从各大类资产的净值曲线走势来看，美股在样本区间内的收益和风险水平均处于 高位，其他资产在样本区间内收益率相近，但风险有很大差异，股票、转债资产 的波动要明显高于信用债和国债。

使用风险预算模型对上述资产进行配置，每月产生配置观点，其中风险平价模型 的资产权重变动完全由协方差的变化引起，各资产权重在时间序列上相对稳定， 而全天候策略的资产权重变动包含了择时信号对风险预算调整造成的影响，不同 资产在不同时期的权重有明显差异。

自 2017 年以来，全天候策略年化收益 6.1%，最大回撤 2.6%，夏普比率 2.04， 较风险平价策略取得 1.0%的超额收益。

3 风格轮动解决方案

A 股市场风格轮动的主要矛盾点可以简单归纳为大盘相对小盘、价值相对成长的 两类风格轮动。本章中，我们主要着眼于构建这两类风格轮动的解决方案。

从沪深 300 相对中证 1000 指数、国证价值相对国证成长指数在历史上的走势而 言，大、小盘风格以及价值、成长风格的相对趋势在大周期下具有明显的持续性， 存在明显的轮动效应。 我们着眼于大周期趋势，忽略短期交易性波动，直接从宏观数据入手，构建价值 成长风格轮动策略和大小盘风格轮动策略，共同构成我们的风格轮动解决方案。 以宏观增长和流动性的四象限表达，大盘股对经济繁荣的表现更加敏感，成长股 能够更好地受益于流动性宽松，我们可以对应在四个象限选择对应的风格。在此 基础上，再辅佐以市场情绪指标，刻画市场风险偏好与拥挤度，我们通过三维度 多因子打分，构建风格轮动综合打分体系。

3.1 价值成长风格轮动

价值风格通常聚焦于估值低廉、盈利能力稳定、具备高股息或资产重估潜力的公 司，其核心在于“价格低于价值”的均值回归逻辑。 成长风格则侧重于投资于未来高增长预期、高研发投入且处于景气赛道的企业， 其核心驱动力在于未来现金流的爆发性增长，对贴现率和风险偏好更为敏感。 价值与成长风格呈现出显著的周期性轮动特征，于是，我们从经济景气、宏观流 动性、市场情绪三个方面基于宏观指标构建价值成长风格轮动模型。 经济复苏企业加大生产投入，提升市场成长风格预期，从投资旺盛和消费强劲两 个角度刻画；宏观流动性强，成长股因依赖远期现金流贴现，估值弹性显著高于 价值股，从货币宽松、社融增长、贷款增加三个角度刻画；市场情绪高涨，成长 股受益于风险偏好提升，从市场拥挤度、换手率、两融分位点三个角度刻画。 基于经济景气、宏观流动性、市场情绪三个方面 8 个因子进行打分，因子得分为 1 表示更加利好成长，因子得分为 0 表示更加利好价值，各因子分数进行累加， 若超过半数则配置成长风格，反之配置价值风格。

自 2017 年以来，价值成长轮动策略年化收益 9.2%，同期国证成长指数年化收 益 0.1%、国证价值指数年化收益 2.7%，基准年化收益 1.7%，策略年化超额收 益 7.5%，月度胜率 60.2%。

3.2 大小盘风格轮动

大盘股往往具备业务成熟、盈利稳定、流动性充裕与抗风险能力强的特点，在宏 观经济上行环境中更易受益于行业集中度提升与规模效应；小盘股则通常具备高 弹性、高成长性与灵活的经营策略，对流动性和风险偏好变化更为敏感。大小盘 风格呈现显著的周期性轮动特征。

我们从经济景气、宏观流动性、市场情绪三个方面基于宏观指标构建大小盘风格 轮动模型。 宏观经济景气度上升，大盘股更好地受益于经济繁荣，从投资旺盛、消费强劲、 黄金走弱三个角度刻画；宏观流动性宽松，小盘股更好地受益于低融资成本与高 风险偏好，从国债收益率上行、信用利差上行、货币收紧三个角度刻画；情绪高 涨板块能延续趋势，杠杆资金是市场风险预警信号，从风格动量、市场换手率、 两融分位点三个角度刻画。 基于经济景气、宏观流动性、市场情绪三个方面 9 个因子进行打分，因子得分为 1 表示更加利好大盘，因子得分为 0 表示更加利好小盘，各因子分数进行累加， 若超过半数则配置大盘风格，反之配置小盘风格。

自 2017 年以来，大小盘轮动策略年化收益 9.2%，同期沪深 300 指数年化收益 2.5%、中证 1000 指数年化收益-2.8%，基准年化收益 0.1%，策略年化超额收 益 9.0%，月度胜率 58.3%。

4 行业轮动解决方案

行业轮动是获取 Beta 收益的重要来源。首先，行业指数分年收益差异明显，年 度领涨行业存在显著的切换效应；同时，行业指数整体相关性较低，28 个一级行 业指数日收益率相关性约 59%；另外，行业指数收益率呈现明显的分块效应，板 块内行业指数相关性较高，板块间行业收益率相对独立。

本节中，我们将尝试从宏观经济指标、中观基本面指标、微观技术面指标以及交 易拥挤度指标四维度引擎构建行业轮动综合解决方案。

4.1 宏观指标

根据上文对行业指数收益率的分析，我们发现宏观变量驱动往往以板块为单位， 所以我们不直接把宏观指标用于行业表现预测，只聚焦于行业板块进行分析。 我们将一级行业划分为 5 个行业板块：上游周期、中游制造、下游消费、TMT、 大金融，构建了一套基于宏观增长与流动性二阶差分的象限划分体系。核心在于 识别经济增长与流动性环境的二阶变化，而非绝对水平，从而更敏锐地捕捉宏观 趋势的边际拐点，实现对不同景气环境下优势行业板块的前瞻配置。

在经济增长维度，我们选取 PMI、社会融资规模、制造业固定投资完成额及 CPI 四个关键指标，计算其同比数据的环比变化作为因子，任一指标呈现边际向好趋 势，即判定当前环境处于“扩张强化/衰退缓解”阶段；在流动性维度，依据 M2 增速、10 年期国债收益率及信用利差三个指标的二阶差分进行判断。任一指标触 发宽松趋势，则界定为“宽松加码/紧缩放缓”。 根据上述两个维度的组合，将宏观环境划分为四个象限，并配置对应受益板块： 1. 当经济增长二阶向好、流动性二阶改善时，券商板块的β属性使其对市场风险 偏好变化敏感，制造业则依托融资成本下行优化资本结构，加速技术迭代与产 能扩张，政策红利进一步强化行业景气度，配置大金融和中游制造板块； 2. 当经济增长二阶保持向好，流动性二阶收紧时，利率上行改善银行业净息差， 具备负债优势的头部银行盈利确定性增强，居民收入增长传导至消费信心，高 景气细分赛道受益于消费升级的滞后性释放，配置大金融和下游消费板块； 3. 当经济增长二阶下行，流动性二阶收紧时，必需消费品凭借较低的需求弹性、 稳定的现金流与通胀传导能力凸显防御价值，配置下游消费板块；4. 当经济增长二阶下行，流动性二阶扩张时，政策刺激托底经济，低利率环境驱 动资金寻求成长机会，科技成长板块的远期现金流折现率下行，估值扩张优先 于盈利修复，同时，宽松政策潜在推升通胀预期，资源品兼具金融属性与供给 刚性，对冲货币贬值风险，配置 TMT 和上游周期板块。

根据宏观情景行业板块轮动逻辑，等权持有推荐配置板块对应的所有一级行业指 数。自 2017 年以来，宏观因子多头组合累计超额收益 42.9%，空头组合累计超 额收益-22.8%，多头相对空头组合累计超额收益差达到 65.7%。

4.2 基本面指标

中观基本面指标是行业轮动的核心要素之一，其依赖于企业的财务信息，跟随上 市公司季报更新，在季度窗口对于行业配置给出指导意见。 盈利能力相关的各维度指标是行业景气程度的直接刻画，也是本文基本面指标重 点覆盖的方向。行业盈利数据通常由个股财务数据合成，不同于整体法，受到行 业龙头股票影响明显。我们以行业成分股中枢位置刻画行业内企业的整体景气。 本文基本面指标包含历史景气、景气变化与景气预期三个部分： 历史景气因子使用行业成分股???中位数衡量，以行业盈利水平度量行业历史景 气情况，用于刻画行业当前盈利水平；2017 年以来，历史景气因子多头组合超额 收益 5.4%，IC 均值 6.8%； 景气变化因子使用行业成分股?????_???中位数衡量，以行业盈利能力变化刻画 行业景气变化，用于刻画行业当前盈利变化情况；2017 年以来, 景气变化因子多 头组合超额收益 5.8%，IC 均值 4.1%； 景气预期因子使用"行业一致预期利润环比变化"衡量，以行业预期利润调升幅度 刻画行业景气预期，用于刻画行业未来盈利预期的变动；2017 年以来, 景气预期 因子多头组合超额收益 4.8%，IC 均值 5.1%。

由历史景气、景气变化与景气预期三者合成行业基本面得分，每期选择得分前 5 的行业等权持有，以所有行业等权组合作为基准，回测样本期间内的表现。

自 2017 年以来，基本面因子行业轮动策略年化收益 11.3%，基准年化收益 2.8%， 超额年化收益 8.5%，IC 均值 8.2%。 基本面因子历史上在行业轮动策略中长期有效，但在 2023 年其多头却跑输于行 业等权指数。传统景气趋势模式的行业轮动模型整体偏右侧交易，基本面指标则 是景气刻画的核心，当市场热点出现明显切换和反转之时，该模式可能遭遇明显 回撤，这对于趋势类的指标而言同样明显。

4.3 技术面指标

传统技术面指标依赖于行业动量，不同于 A 股市场整体呈现反转情况，动量因子 是行业层面长期有效的技术信号。但简单的指数动量面临的一大困境是在市场趋 势反转、高低切换时，将面临较大的超额收益回撤。 因此，本文使用更为丰富的技术信号，技术面指标包含指数动量、龙头股动量与 K 线形态三个部分： 1. 简单指数动量聚焦于行业指数长期的趋势：因子使用过去 1 年行业指数相对 全行业均值的超额收益信息比率衡量，用于刻画行业指数趋势强弱；2017 年 以来，指数动量因子多头组合超额收益 3.8%，IC 均值 7.0%； 2. 龙头股动量聚焦于行业成份内龙头股的趋势强弱：因子使用行业龙头股票过 去 1 年收益夏普比率衡量，用于刻画行业龙头股票趋势强弱；2017 年以来, 龙头股动量因子多头组合超额收益 7.2%，IC 均值 7.6%； 3. K 线形态聚焦于行业短期的技术面形态评价：因子使用行业成分股形态得分 均值衡量，以 K 线形态得分独立行业技术分析得分，用于刻画行业当前技术 形态；2017 年以来, K 线形态因子多头组合超额收益 6.8%，IC 均值 5.8%。

具体地，相比指数动量的计算方式清晰易懂，龙头股动量和 K 线形态指标的计算 涉及一些技术细节，我们在下文具体描述。

首先，行业龙头股我们从市值规模以及日均成交额规模两个维度定义，将行业内 市值以及日均成交额综合排名前 10%的股票定义为行业龙头。 其次，行业 K 线形态得分如果简单的观测指数 K 线其中的噪音较大，我们从行业 成分股形态入手，将个股形态得分汇总，得到行业指数形态的综合评价。 所有的形态都是由于 K 线组成，而 K 线信息具体包含“价”和“量”两个信息。 首先，单根 K 线按照实体宽度（日内涨跌幅）与影线长度可划分 24 种类型；

其次，以日线为基础，连续多根日线聚合成一根 K 线，基于此我们使用更长的历 史信息，通过结合 3 根 K 线最终形成一个关于“价”的组合形态。

最后，考虑“量”的信息，按照“最新成交额/成交额均值”比例值，将成交量分 为放量、正常和缩量三种类型。 通过结合“价”和“量”的信息，排列组合可得到所有可能出现的形态。每个月 滚动计算每个形态最近 3 年的信息比率，作为该形态未来的收益预测；将股票形 态得分汇总到对应行业指数，得到行业 K 线形态因子得分。

由指数动量、龙头股动量与行业 K 线形态三者合成行业技术面得分，每期选择得 分前 5 的行业等权持有，以所有行业等权组合作为基准，回测样本期间内的表现。

自2017年以来，技术面因子行业轮动策略年化收益9.7%，基准年化收益2.8%， 超额年化收益 6.9%，IC 均值 8.2%。 对比简单指数动量因子，综合技术面指标在 2023 年出现明显绩效提升，指数动 量因子行业多头组合 2023 年超额收益。

4.4 拥挤度指标

相对于基本面指标寻找高景气行业标的，技术面指标寻找强趋势行业标的，二者 均为右侧信号；拥挤度指标则扮演左侧逃顶的角色。高景气、强趋势通常伴随着 高拥挤，高拥挤通常是行业见顶的信号，何时逃顶则尤为关键。 我们从资金以及交易角度刻画行业的拥挤度水平，拥挤度均基于行业最新指标值 在历史上的时序分位值度量，包含融资流入、换手率与成交占比三个部分： 1. 以杠杆资金流入刻画行业资金拥挤度：融资流入因子使用行业融资买入额历 史分位值衡量，以融资买入额度量资金拥挤度，用于刻画行业杠杆资金流入； 2017 年以来，融资买入因子多头组合超额收益-8.1%，IC 均值-5.0%； 2. 以换手率刻画筹码交换速度：换手率因子使用行业换手率的历史分位值衡量， 以换手率度量交易拥挤度，用于刻画行业筹码交换速度；2017 年以来, 换手 率因子多头组合超额收益-8.8%，IC 均值-5.8%； 3. 以成交占比刻画资金集中度：成交占比因子使用行业成交额占比的历史分位 值衡量，以行业成交额占市场度量资金集中度，用于刻画行业资金集中度； 2017 年以来, 成交占比因子多头组合超额收益-8.3%，IC 均值-5.9%。

行业拥挤度定义为融资流入因子、换手率因子和成交占比因子三者的均值，每期 选择得分前 5 的行业等权持有，以所有行业等权组合作为基准，回测样本期间内 的表现。

自2017年以来，拥挤度因子行业轮动策略年化收益-2.9%，基准年化收益2.8%， 超额年化收益-8.7%，IC 均值-6.1%，是一个显著的反向因子。 高拥挤行业历史上稳健跑输行业平均水平，从 2017 年开始，除去 2019 年高拥 挤行业组合有超额收益以为，其余年份高拥挤行业均较为明显的跑输于行业平均 水平。 此外，拥挤度因子的明显特性在于高拥挤行业拥有负向超额，而低拥挤行业组合 相对行业等权并无明显超额收益。

4.5 行业轮动解决方案

在本章中，我们已经构造了宏观指标、基本面指标、技术面指标、拥挤度指标四 个维度 10 个因子，根据以上因子进行组合，形成了我们的行业轮动解决方案。 各因子值截面相关性均值约 16%，相关性较低。具体来看，宏观因子为 0-1 变 量，整体与其他指标相关性较低；拥挤度三个成分因子相关性较高，我们融合成 1 个拥挤度信号使用；高拥挤度行业长期稳健跑输，而低拥挤行业并未有超额收 益，因此我们只对高拥挤行业“扣分”，不对低拥挤行业“加分”。

综合以上各指标，我们构造宏观指标、基本面指标、技术面指标、拥挤度指标四 维引擎，以 10 个指标综合打分作为行业指数轮动框架。

综上，结合宏观、基本面和技术面三维度的正向得分，同时负向配置拥挤度因子， 构建行业轮动综合评价体系，以所有行业等权组合作为基准，回测样本期间内的 表现。

四维度行业轮动策略在历史上超额收益稳健，每个月选取 TOP5 行业构建多头组 合，从 2017 年开始，多头组合每年均跑赢行业等权指数。 自 2017 年以来，行业轮动策略年化收益 16.0%，基准年化收益 2.8%，超额年 化收益 13.2%，月度 IC 均值 12.3%，月度胜率 65%。

5 最新配置观点

根据 2025 年 9 月 30 日的最新数据，2025 年 10 月的最新资产配置观点如下：

（一）资产配置观点

2025 年 10 月，股票择时模型对股票资产的观点是看多，债券择时模型对债券资 产的观点是看空，全天候策略对股票、债券、转债、美股、信用债配置仓位分别 为 11%、39%、5%、5%、40%。2025 年 9 月，全天候策略看多股票资产，看 多债券资产，股票、债券、转债、美股、信用债配置仓位分别为 6%、69%、6%、 4%、15%，中证 800 全收益、中债国债总财富指数、中证转债指数、标普 500ETF、 信用债 AAA 收益率分别为 3.75%、-0.73%、1.97%、4.05%、-0.42%。

（二）风格配置观点

2025 年 10 月，价值成长轮动策略得出的综合分数为 5，配置观点为成长。2025 年 9 月，价值成长轮动策略得出的综合分数为 5，配置观点为成长，国证成长指 数收益率为 10.15%，国证价值指数收益率为-2.05%。 2025 年 10 月，大小盘轮动策略得出的综合分数为 4，配置观点为小盘。2025 年 9 月，大小盘轮动策略得出的综合分数为 4，配置观点为小盘，沪深 300 指数 收益率为 3.20%，中证 1000 指数收益率为 1.83%。

（三）行业配置观点

2025 年 10 月，行业轮动宏观因子表明当前处于“衰退缓解/扩张强化+宽松加码 /紧缩放缓”阶段，建议配置大金融和中游制造板块；基本面因子排名前七位的为 非银行金融、有色金属、电子、通信、钢铁、机械、农林牧渔行业；技术面因子 排名前七位的为计算机、国防军工、传媒、有色金属、通信、机械、电子行业； 拥挤度因子排名后七位的为食品饮料、商贸零售、交通运输、轻工制造、国防军 工、银行、建筑行业。2025 年 10 月，行业轮动综合得分排名前七位的为银行、 国防军工、机械、农林牧渔、非银行金融、计算机、有色金属行业。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）