年初以来，中国经济有企稳迹象，我们在《从金融周期看经济韧性》的专题报告中详细讨论了金融周期下行阶段某些领域的韧性及其来源。与此相应，市场情绪也有所好转，其中港股反弹最为明显，国内市场反应相对温和。我们该如何从宏观视角理解市场表现？未来境内市场上行与下行空间哪个相对更多一些？金融周期下行阶段，经济结构面临较大转型，传统的框架难以回答这个问题。不同于传统的从宏观到资产的思维方式，我们从市场表现反推其隐含的宏观预期，并将其与我们对相应宏观指标的预测对比，得到的预期差有助于我们判断未来市场走势。我们发现，疫情后由于全球供需错配和大宗商品价格波动上升，通胀成为市场交易的主导因素；而今年年初以来，市场交易主线重回增长。目前境内资产定价隐含的未来经济增长仍偏谨慎，可能计入了较多的尾部风险，而未充分反映金融周期下半场结构改善以及大市场带来的韧性。这意味着，如果未来市场意识到经济增速将企稳亦或改善，资产定价将相应调整，上修的空间可能被打开。

摘要

传统思路使用宏观变量解释资产表现，但面临宏观变量数据频率低、对资产收益解释度不高、资产收益反映未来而非历史宏观数据等三大挑战。我们反其道行之，采用因子模拟组合方法（Factor Mimicking Portfolio, FMP），使用资产收益拟合宏观因子，并根据资产表现反映出的预期宏观因子走势判定市场宏观交易主线。宏观因子FMP方法充分利用了资产数据频率高、对宏观因子解释度高、能够反映市场预期的优势，有效地回应了传统思路的三大挑战。

我们分别针对增长、通胀以及流动性因子，使用权益、债券和大宗商品及其细分资产，通过最大化资产收益和宏观因子时间序列相关性的方法构建宏观因子FMP。当前宏观因子FMP显示市场对未来增长和通胀呈现震荡修复，对未来流动性预期先紧后松。进一步的，基于增长、通胀和流动性FMP未来预期的波动性，有助于判断市场宏观交易主线。其逻辑在于，如果市场对某一宏观因子的反应加剧，那么市场定价结果无论是单边上涨、下跌、亦或是震荡，相较其他宏观因子都将呈现更大幅度的波动。而如果市场对某一宏观因子的交易钝化，相应的资产波动也会较小。2024年以来，以权益和大宗商品为代表的反映经济增长的资产价格波动上升，增长成为市场关注的主要交易逻辑。

基于宏观因子FMP的择时策略可以分为主动择时和被动择时两类，前者通过利用市场定价与宏观因子的预期差获取主动超额收益，而后者则依靠市场信号进行系统化的跟随交易。主动择时策略方面，我们认为，宏观因子FMP反映的市场定价可能计入了较多尾部风险，而忽视了金融周期下半场结构改善以及大市场带来的韧性。近期随着更多支持性政策颁布和落地，特别是一系列房地产优化政策的推出，我们认为将有望改善市场预期。被动择时策略方面，通过市场交易信号进行相应的跟随交易，可以取得14%的平均年化收益率和3.2的夏普比，显著高于60-40、股权风险溢价择时、均值方差和风险平价等经典策略，显示出宏观因子FMP在把握市场交易主线和宏观择时信号方面的实践价值。

风险提示：量化模型构建误差，机制转换风险。

正文

金融周期下半场，传统宏观交易“失锚”

影响资产价格的因素纷繁复杂，如何从繁杂的线索中梳理出市场交易的主要矛盾对理解市场运行逻辑和指导投资都具有启示意义。其中，最主要的两个问题是：第一，当前影响市场的主要宏观因素是什么？第二，资产是否对市场关注的宏观因素进行了充分定价？

首先，全球金融危机后至疫情前，国内处于金融周期上半场，以房价和信贷驱动的金融周期与经济周期相互作用，信贷脉冲成为大类资产走势的重要先导指标，对权益、债券和大宗商品表现都具有较好的领先性，是过去十多年中把握大类资产配置重要的宏观主线。但随着疫情后中国房价见顶回落，居民贷款意愿下降，有效需求不足，过去依靠“地产-债务”的经济增长旧模式面临转型，信用周期不再是资产交易有效的“锚”。除债券受信用周期的影响变化较小外，权益和大宗商品等大类资产表现与信贷脉冲“脱钩”。

在新宏观范式中，我们应该如何寻找市场的宏观交易主线？识别影响市场的主导宏观因素，归根结底是建立宏观因素和资产表现的映射关系，并在变化的时序中识别出一段时期内资产表现的主要宏观驱动力。在本报告中，不同于传统的从宏观到资产的思维方式，我们逆向思维，构建起从资产到宏观的映射关系，以寻求如何在诸多宏观变量中找到影响市场运行的主导因素。我们发现，疫情后，受全球供需错配、大宗商品价格波动加剧影响，通胀成为市场交易的主要宏观主线。但2024年以来，以权益和大宗商品为代表的反映经济增长的资产价格波动上升，增长成为市场关注的主要交易逻辑。

其次，在市场交易主线重回增长的情况下，随着国内经济企稳，权益和大宗商品价格出现了较为明显的反弹。春节后，A股和港股结束了2023年以来的回调，上证指数和恒生指数分别上涨6.1%和15.2%，南华商品和CRB商品指数分别上涨9.3%和8%[1]。特别的，在国内外大宗商品指数走势较为接近的情况下，A股和港股走势出现了一定程度的分化。尤其是2024年4月中旬以来，市场情绪进一步改善，上证指数维持震荡上行的局面下，恒生指数出现了15%的大幅反弹。我们该如何从宏观视角理解和判断境内市场的走势？我们构建从市场倒推宏观交易主线的框架来回答这个问题。

图表1：中国进入金融周期下半场

资料来源：Wind，中金公司研究部

图表2：2022年以来，社融增量与沪深300指数分化

资料来源：Wind，中金公司研究部

图表3：本轮港股反弹幅度相比A股更强

资料来源：Wind，中金公司研究部注：样本期为2023年1月至2024年5月24日

图表4：南华商品与CRB指数反弹幅度接近

资料来源：Wind，中金公司研究部

寻找宏观交易主线：逆向思维

传统思路

寻找市场宏观交易主线的一个传统思路是将资产表现作为被解释变量，将宏观因素作为解释变量：

假设反映映射关系的回归系数在一段时间内保持稳定，则可以根据宏观变量的变化来推测其对资产表现的影响，进而找出边际变化较大的宏观因素作为一段时期内影响市场的主要力量。但传统思路面临三大挑战：

第一，仅利用宏观因子解释资产表现的解释力普遍较差。对于大类资产而言，由于交易结构、市场情绪等微观因素影响，仅使用宏观因素对资产表现的解释力度普遍较弱。

第二，宏观变量的频率较低，难以及时跟踪。常用的宏观经济变量更新频率为月度或是季度，使用低频变化的宏观经济变量难以及时追踪市场动态。

第三，金融资产价格大体是对未来宏观预期的反映，仅使用宏观变量的历史数据难以解释资产表现的变化。

一个新的框架

我们使用一种新的思路和方法来回答市场宏观交易主线的问题。宏观因素传导至资产表现的过程遵循对宏观信息“收集-处理-反馈”的逻辑链条，当中的步骤便是交易。只有当市场开始交易宏观信息时，宏观因素才会影响市场。从相反的角度看，资产表现本身就是对宏观因素的反映，想要了解市场在交易哪些宏观因素，最好的方式就是观察资产表现本身。这就像是微观经济学中的显示偏好原理，当我们不知道经济主体的偏好是什么的时候，我们可以通过观测其选择行为来推测其内在偏好。类似的，当我们想要了解市场在交易什么宏观主线时，最好的途径就是观测市场表现本身。

图表5：市场交易是宏观因素传导至资本市场的中间步骤

资料来源：中金公司研究部

因子模拟组合（Factor Mimicking Portfolio，FMP）方法为我们提供了相应的工具手段。FMP方法脱胎于1970年代以来兴起的资产因子定价理论。假设资产表现是由少部分因子所决定的，那么进一步的，我们可以用可交易的资产来拟合不可交易的因子。简单来说，我们把宏观因子映射到资产空间上：

可以通过资产表现来观测市场对未来宏观因素的预期变化，从而把握市场的交易逻辑。构建FMP的方法可以有效回应传统思路的三大挑战：

第一，我们不再试图用宏观因子去解释资产表现，而是反其道而行之。此时，虽然影响资产表现的因素既有宏观的成分，也有微观的异质性成分，但通过对大类资产之间的组合，我们可以使影响不同资产的微观因素在一定程度上抵消，而通过大类资产之间的共性成分来反映宏观因素的趋势，使得从资产表现到宏观因素的映射关系更加可靠。

第二，资产数据的高频属性可以使我们更及时地追踪市场宏观交易逻辑。虽然在构建映射关系时，我们仍然受限于宏观因素的低频观测频率，但是如果我们认为构建的映射关系在一定时期内是稳定可靠的，则可以在已有的映射关系基础上，利用高频的资产数据将观测频率大幅提高，便于及时把握市场边际变化

第三，最重要的一点，我们充分利用了资产表现通常是反映未来预期的这一特征，资产表现本身就可以给出市场在交易何种宏观主线最好的答案。在任意时点，可以通过所拟合宏观因子的边际变化来推测市场对未来宏观变量的预期变化，从而更有效地把握市场宏观交易主线。

因此，构建不同宏观因子的FMP可以有效回答市场在不同时期交易何种宏观主线的问题。

图表6：FMP方法可以有效回应传统思路识别宏观交易主线的三大挑战

资料来源：中金公司研究部

因子模拟组合构建

文献中构建因子FMP的方法主要分为三种思路：

1，基于Fama和MacBeth（1973）的横截面法，通过两步回归，分别得到资产对因子的暴露、以及组成FMP相应的资产权重；

2，以Lamont（2001）为代表的时间序列法，通过资产表现和因子时间序列相关性最大化，从而得到FMP中相应的资产权重；

3，排序法，根据资产对相应因子的暴露程度，通过多空组合的方式拟合相应的因子，从而组成FMP。

本报告采用构建宏观因子FMP较为常用的时间序列法。具体步骤包括：1）宏观因子和基础资产的选择；2）指标预处理；3）确定资产对宏观因子的领先时期；4）通过多元回归分析选取宏观因子FMP的资产组成。

图表7：构建宏观因子FMP步骤

资料来源：中金公司研究部

第一步，我们分别针对增长、通胀以及流动性因子构建FMP。具体而言，我们使用制造业PMI 12个月移动平均、PPI同比和M2-社融同比分别作为增长、通胀和流动性因子的衡量。在大类资产中，我们选取权益、债券和大宗商品作为基准资产。具体而言，在权益资产中，选取沪深300、中证500和中证1000作为大中小盘宽基指数，以及11个Wind一级行业指数；在债券资产中，选取各期限国债及国债总指数作为利率债资产，高等级、高收益及信用债总指数作为信用债资产；在大宗商品中，选取南华商品及其一级指数、CRB商品指数、以及布伦特原油、沪金和沪铜三类商品。

第二步，宏观变量与资产平稳序列构建有两种思路：一种是将资产的同比与宏观变量的同比相对应；另一种则是在考虑控制变量的情况下，将资产的环比与宏观变量的同比相对应。前一种方法更符合市场关注的宏观经济指标形式；后一种方法假定宏观变量可以被控制变量较好预期，资产环比收益则对应市场对宏观变量变化超预期的部分。事实上，通过两种方法构建的FMP在趋势上保持了较好的一致性，而前一种对应关系更为简洁，FMP的信号指示意义也更清楚直观，因此我们采取将资产同比与宏观变量同比相对应的方法。

另外，由于宏观数据公布普遍具有一定的延迟性，通常在T月可以观测到的信息为T-1月的宏观指标和T月的资产。因此，可以认为T月的宏观经济指标在T月是未知的，仍然是T月资产对未来预期反映的一部分。在构建FMP时，我们以现实中数据的可观测时间为准，将T-1时刻的宏观指标和T时刻的资产数据在时间轴上对齐。

第三步，资产价格变化究竟领先宏观变量多长时间并没有确切的理论依据，文献中普遍认为市场变化更多代表对宏观因素中长期预期的反映，比如未来12个月（Lamont（2001））。具体而言，领先期数的选择可以综合参考FMP对宏观因子的解释度，以及将FMP作为宏观择时信号的策略回测结果。实际中，在不同领先时期下，FMP对宏观因子均能保持较好的解释度，而在回测中，我们分别考虑资产表现领先宏观因子3M、6M和12M的情况，并综合其择时信号意义进行资产配置。

第四步，FMP资产组成的选择采用Lasso回归加信息准则筛选的方式。通过构建FMP追踪市场宏观交易主线的核心逻辑是，通过选择相应的资产反映市场对未来宏观因子的预期变化。其中的核心步骤是如何选择组成FMP的资产。我们通过Lasso回归并根据贝叶斯信息准则（Bayesian Information Criterion，BIC）选择组成FMP的相应资产。Lasso回归可以产生在不同的惩罚系数下相应的资产组合选择，进一步通过BIC可以选取最优的FMP资产组成（Jurczenko和Teiletche 2019）。

交易主线：从资产到宏观

市场交易主线

单一宏观因子

宏观因子FMP对增长、通胀和流动性因子呈现出较好的解释度。以2015年1月至2024年4月作为全样本空间，在领先12M情况下，宏观因子FMP对增长、通胀和流动性因子的样本内拟合优度（R2）均保持在0.9以上。宏观因子FMP较高的解释度证实了通过FMP方法追踪宏观因子的可行性，表明跨类别的大类资产表现在较大程度上是由宏观因素所驱动的，而通过不同资产的组合可以体现出市场对宏观因素的整体反应。同时，对增长和流动性因子而言，拟合程度随领先期的增加略有上升，而对通胀因子而言，拟合程度随领先期的增加略有下降，但不同领先期的FMP对宏观因子的拟合程度相差不大。换言之，针对不同的领先时期，我们总能选取出可以较好拟合宏观因子的相应资产组成FMP。

市场对单一宏观因子的定价可以回答资产所反映出的宏观因子未来预期是上升、下降还是震荡。以领先增长因子12M的FMP为例，市场对增长的定价呈现出先升、后降、再反弹的N字形走势，意味着单从资产表现来看，目前市场并未对增长因子的走势达成趋势性的共识，而是在修复和回调之间摇摆。预期PMI在荣枯线附近小幅徘徊，是本轮经济修复过程内需偏弱、内生动能不足、复苏节奏较缓等特征在资本市场上的映射。相比之下，市场对通胀因子的定价似乎要更为乐观，通胀FMP显示未来通胀因子震荡向上，PPI同比增速将在未来12个月内震荡回升，特别是2024年4月，以铜为代表的大宗商品价格上涨预示市场对通胀回正的预期有所上升。最后，流动性FMP显示市场对未来宏观流动性的预期呈现先紧后松。

需要说明的是，通过资产交易所隐含的未来宏观因子预测并不必然准确，这与传统的宏观变量预测的侧重点不同。前者仅仅是反映出当前市场对未来宏观因子的预期，正确与否并不关键，而后者则要求对宏观变量的预测尽可能准确。事实上，资产交易所隐含的宏观因子预期可能是错误的，甚至会产生系统性的偏离，但这并不影响其对市场交易主线的客观反映，也不影响其作为宏观交易择时信号的价值。

图表8：增长因子FMP显示市场预期未来增长呈现“N”型复苏

资料来源：Wind，中金公司研究部注：虚线为FMP对宏观因子的未来12M预期

图表9：通胀因子FMP显示市场预期未来通胀震荡向上

资料来源：Wind，中金公司研究部

图表10：流动性因子FMP显示市场预期未来流动性先紧后松

资料来源：Wind，中金公司研究部

多宏观因子

单一宏观因子FMP可以回答市场对其交易的方向，而将不同的宏观因子FMP相比较则有助于识别市场的宏观交易主线。首先将不同的宏观因子FMP做标准化以便于比较，然后计算不同因子FMP未来预测区间的标准差，预期波动较大的宏观因子即反映出当前市场的宏观交易主线。其逻辑在于，如果市场对某一宏观因子的关注度占据了主要位置，那么市场定价结果无论是单边上涨、下跌、亦或是震荡，相较其他宏观因子都将呈现更大幅度的波动。而如果市场对某一宏观因子的交易钝化，相应的资产波动也会较小。以2024年4月数据为例，宏观因子FMP显示，未来12个月增长FMP的波动性高于通胀、高于流动性，显示市场更为关注增长因子，其次为通胀，最后为流动性，可以认为市场当前的宏观交易主线即为增长因子。

图表11：当前市场交易更关注增长因子

资料来源：Wind，中金公司研究部

历史FMP回溯

基于上述方法，可以通过回测追溯宏观因子FMP历史上对宏观因子的拟合情况。数据样本自2010年起，并将2010年至2014年作为训练期，以60M为窗口期滚动回测至2024年4月，领先12M的宏观因子FMP对宏观因子保持了较高的拟合度，增长、通胀和流动性FMP的样本内拟合度历史平均值分别为0.96、0.94和0.91。

按照波动性划分的宏观交易主线显示，2015年1月至2024年4月，增长、通胀和流动性作为宏观交易主要因素的时间占比分别为26%、43%和31%。其中通胀作为主要交易逻辑的时期集中出现在2020年和2023年之间，受疫情影响和全球供应链压力上升，大宗商品价格波动快速上升，导致反映通胀的资产波动性更为显著。其余时期内，多数情况下增长和流动性作为宏观交易的主线交替出现。尤其在2019年前的金融周期上半场，作为大类资产的关键“锚”，信贷脉冲进而流动性在较长时间内都是市场的宏观交易主线。今年以来，市场对于增长的关注度上升，增长因子再度成为市场关注的主要交易逻辑。

图表12：2024年以来，市场交易主线重回增长因子

资料来源：Wind，中金公司研究部

高频FMP构建

通过构建宏观因子FMP方式追踪市场交易主线的一个优点是高频及时性。同样以2015年1月至2024年4月作为样本空间，在上文中建立月度宏观因子与FMP映射关系基础上，可以进一步将资产数据频率提高。以日度资产数据为例，日度宏观因子FMP与月度宏观因子FMP整体上保持了一致的走势，可以更高频地跟踪市场宏观交易逻辑的边际变化。理论上，在任意月份，根据公布的宏观数据更新宏观因子FMP后，即可以日度追踪当前市场的交易主线动态，直至下一个月新宏观数据的公布和FMP更新。

图表13：日度增长因子FMP与月度FMP走势一致

资料来源：Wind，中金公司研究部注：样本期为2015年1月至2024年4月，图表28至30同

图表14：日度通胀因子FMP与月度FMP走势一致

资料来源：Wind，中金公司研究部

图表15：日度流动性因子FMP与月度FMP走势一致

资料来源：Wind，中金公司研究部

基于宏观因子FMP的择时策略

通过构建宏观因子FMP可以有效地回答市场宏观交易主线的问题，进一步的，我们可以将其作为宏观择时信号指导资产配置。具体的，基于宏观因子FMP的择时策略可以分为主动择时和被动择时两类，前者通过利用市场定价与宏观因子的预期差获取主动超额收益，而后者则不对宏观进行预测，仅仅依靠市场信号进行系统化的跟随交易。

主动择时策略

历史上，资产对增长预期的定价虽然可能在一定时期内存在偏差，出现偏谨慎或乐观的情况，但中长期来看，市场预期将围绕实际增长波动，预期偏差最终获得修正，并回归实际增长附近。2024年以来，宏观因子FMP反映的市场交易主线重回增长，但我们认为，市场交易仍然偏谨慎，可能计入了较多尾部风险。

从市场预期来看，2023年下半年至2024年一季度，Bloomberg 所收集的对 2024 年中国经济增长的预期均值在4.6%附近，显著低于2024年政府工作报告5%左右的经济增长目标，也低于中金宏观组的年度预测（《中国宏观2024年展望：从内生探底到外生复苏》）。2024年一季度国内GDP实际增长5.3%，符合我们的预测（《上调一季度增长预测》），但大幅高于Bloomberg 市场预期（4.8%）。GDP增长超预期显示金融下行周期的经济韧性，虽然市场此后对2024年经济增速进行了部分修正，但仍低于我们的预测中枢，显示市场预期仍偏谨慎。

从市场交易来看，2024年年初以来，宏观因子FMP隐含的市场宏观交易主线重回经济增长。根据中金宏观组对2024年GDP预测映射得到的PMI未来走势，增长因子领先3M、6M和12M的FMP显示，资产定价的增长预期在短中长期内均低于我们的预测。近期随着更多支持性政策颁布和落地，特别是一系列房地产优化政策的推出，我们认为将有望改善市场预期。

图表16：资产定价所隐含的经济增长偏谨慎

资料来源：Wind，中金公司研究部

注：图中红色粗实线为PMI实际值，红色粗虚线为基于中金宏观组对2024年GDP预测映射得到的PMI预测值，其余虚线为截至2024年4月，领先3M、6M和12M增长因子FMP预测值，市场定价的增长预期低于中金宏观组的增长预测

被动择时策略

基于宏观因子FMP的被动择时策略通过市场交易信号进行相应的跟随交易，可以根据历史上的择时信号进行回测。虽然上述构建的宏观因子FMP本身即是资产组合，但由于为了更好地拟合宏观因子本身，其包含的资产数量普遍较多，存在过拟合和单一资产影响显著性的问题。因此，我们对追踪宏观因子的资产组合进一步简化以便于投资，而上述构建的宏观因子FMP作为宏观择时信号。

具体而言，我们根据资产与宏观因子的相关性，使用中证500、国债指数和南华商品指数3类资产组成宏观因子投资组合，且在回测策略中仅考虑纯多头投资。对增长因子而言，如果T时点的未来增长因子FMP预期相比T时点上升，则做多增长因子，即资产组合权重为50%中证500和50%南华商品，相反的，如果增长因子FMP预期下降，则100%配置国债。类似的，如果通胀因子FMP预期上升，则做多通胀因子，即持有南华商品，反之则持有国债；如果流动性因子FMP预期上升，则做多流动性因子，即持有国债，反之则持有南华商品。

分别以领先3M、6M和12M单一宏观因子FMP作为宏观择时信号的回测结果显示，增长因子和通胀因子FMP领先6M情况下，对资产配置的择时效果最好，收益和夏普比均为最高，而流动性因子FMP领先12M情况下的择时效果最优。在最优情况下，增长、通胀和流动性FMP单一因子择时可以取得10.9%、10.4%和11.1%的平均年化收益率，夏普比分别为2.3、2.2和2，最大回撤为14.4%、16.5%和16.7%。而同期沪深300的平均年化收益率仅为2.3%，不及同期无风险利率10年期国债收益率，最大回撤为40.6%。即使只针对单一宏观因子进行领先信号的资产配置择时，也能取得较好的投资收益。

如果我们观察以领先12M的增长因子FMP作为择时信号的回测净值曲线可以发现，其在2022年之前表现基本持平于领先6M的因子FMP择时，而后出现了一定程度的回撤。这是因为过去两年中，增长因子FMP领先12M的预测值呈现震荡改善的情形，中长期预测会给出做多增长因子的信号，但3M和6M的FMP预测在短期内却是下降的，即出现了长短期预测择时信号不一致的情况。因此，一个改进的策略是综合3M、6M和12M的择时信号进行资产配置。如果短中长三个时期中有超过两个FMP预测给出做多信号，则做多。使用综合择时信号的策略回测对增长因子和通胀因子在平均年化收益上都有所改进，增长因子策略避免了2023年以来的回撤，同时大幅提高了通胀因子策略的收益和夏普比。综合信号策略对流动性因子策略未能取得改进效果。

在针对单一宏观因子FMP预测信号进行择时的基础上，可以进一步综合考虑市场交易主线情形下的回测。首先，依据不同宏观因子FMP波动性判定市场主要交易主线；然后，根据该主线宏观因子的综合择时策略进行资产配置。比如，如果判定当前市场主要在交易增长因子，则根据增长因子FMP的综合预测信号进行相应的多空配置，如果判定市场交易主线为通胀或流动性因子也是类似的。总体来看，采用宏观主线策略的综合收益进一步提高，年化平均收益率达到了14%，夏普比为3.2，最大回撤为9.2%，收益和夏普比均明显高于常见的60-40、股权风险溢价（ERP）择时、均值方差和风险平价策略，显示了宏观因子FMP在把握市场交易主线和宏观择时信号方面的实践价值。

图表17：宏观因子FMP择时策略回测统计

资料来源：Wind，中金公司研究部

图表18：宏观主线策略回测与传统资产配置策略

资料来源：Wind，中金公司研究部

图表19：增长因子策略回测

资料来源：Wind，中金公司研究部

[1] 注：样本期为2023年2月19日至2024年5月24日

文章来源

本文摘自：2024年5月30日已经发布的《反推中国资产的宏观主线》

于文博 分析员 SAC 执证编号：S0080523120009

张峻栋 分析员 SAC 执证编号：S0080522110001 SFC CE Ref：BRY570

张文朗 分析员 SAC 执证编号：S0080520080009 SFC CE Ref：BFE988

法律声明