报告概述
本报告基于改进的美林投资时钟、多维资金流向综合打分模型以及分位数随机森林模型，对2026年6月市场进行全方位跟踪分析。报告首先从宏观流动性视角判断当前市场周期阶段，进而观察风格因子表现与指数风格打分，随后深入分析中信一级行业资金流向，最后聚焦科技与制造大类行业，通过随机森林分布预测识别细分子主题方向。报告旨在帮助投资者理解当前市场结构分化特征，把握科创制造主线和成长风格占优格局下的配置机会。
报告的核心结论
宏观流动性转向宽松，资产配置由货币转向债券。
2026年6月经济指数延续震荡，但流动性综合指数打破前月下行趋势进入宽松区间。模型判定市场由前月的“经济下行、流动性紧缩”阶段切换至“经济下行、流动性宽松”阶段，资产配置相应由货币转向债券，应提高债券资产权重并降低股票、商品、货币以及海外权益资产的配置。
资金延续制造大类偏好，消费板块呈现边际回暖。
基于资金流向综合打分模型，2026年6月资金仍集中于制造大类行业，国防军工、机械、钢铁等连续多周流入居前。与5月不同的是，商贸零售、传媒、食品饮料等消费类行业在部分周度获得资金关注，呈现边际回暖迹象，而通信、电子等行业则阶段性遭遇资金流出。
风格延续科创成长占优格局，波动率与成长双轮驱动。
6月波动率风格以8.71%的全月收益领跑所有风格，动量风格以6.21%紧随其后。截至6月26日模型预测，7月首周波动率与成长风格综合得分并列第一（均为1.00），动量与市值风格紧随其后，价值与股息风格综合得分仅为-0.33，继续不被青睐。指数风格打分前10全部集中于科创、创业及成长类指数。
科技制造主线由AI新能源切换至半导体、AI与航空航天三大方向。
基于分位数随机森林模型，2026年6月各期综合评分前三的指数集中于国证航天、集成电路、创业板人工智能、科创芯片设计、机器人产业等主题。与5月相比，半导体与芯片设计主题权重显著提升，航空航天连续多周上榜，AI相关指数热度贯穿全月。科技制造内部主线由5月的“AI+新能源”明确切换至6月的“半导体+AI+航空航天”三大方向，主题轮动减缓，主线更为聚焦。
报告回答的关键问题
2026年6月市场处于什么宏观阶段？
市场处于“经济下行、流动性宽松”阶段。模型显示2026年6月经济指数延续震荡，但流动性综合指数进入宽松区间。根据改进的美林投资时钟，该阶段对应资产配置由货币转向债券，即应提高债券资产权重，降低股票、商品、货币以及海外权益资产的配置。海外方面，SOFR-Tbill利差仍指向流动性收紧，对海外权益资产保持谨慎。
资金主要流向哪些行业？
资金主要流向制造大类行业，以国防军工、机械、钢铁为主。2026年6月国防军工在6月22日当周资金流向综合打分高达7.52，且连续多周流入居前。此外，商贸零售、传媒、食品饮料等消费类行业在部分周度也获得资金关注，呈现边际回暖迹象；而通信、电子等行业则阶段性遭遇资金流出。从6月平均综合打分看，商贸零售最高（2.55），通信最低（-5.48）。
哪些风格和主题在2026年6月表现突出？
风格上，波动率风格全月收益8.71%领跑，动量风格6.21%紧随其后，成长风格也表现较好。主题上，科技制造主线聚焦半导体、AI和航空航天三大方向：集成电路、科创芯片设计、国证航天、创业板人工智能等指数轮流领跑，机器人产业在6月26日当周排名第一。相比之下，红利、价值等风格被模型看淡。市场高波动特征显著，科创成长风格占优。
报告对7月初的市场风格有何预测？
模型预测2026年7月首周波动率与成长风格综合得分并列第一（均为1.00），动量与市值风格紧随其后（0.33），而价值与股息风格综合得分最低（均为-0.33），继续不被青睐。指数层面，科创创业50、创成长、科创成长等指数风格综合打分居前，红利类指数靠后。市场将继续青睐科技类波动率以及成长风格，科创成长方向仍为风格主线。
报告中的代表性数据
波动率风格6月收益
2026年6月，在10种风格因子中，波动率风格全月收益率最高，领跑所有风格，其次为动量风格6.21%。
国防军工行业周度资金流向综合打分
2026年6月22日当周，取自中信一级行业指数资金流向综合打分模型，该值为当周最高，主要贡献指标是指数主动净买入额。
科技制造行业指数综合评分（国证航天）
2026年6月5日，基于分位数随机森林模型对科技与制造大类行业指数的周度综合打分，国证航天指数在6月5日当周排名第一，主要贡献因子为25%分位点（分位数类）。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 完整市场数据与趋势图表：包括经济指数区制划分、流动性指数区制划分、宏观综合指标跟踪、风格因子收益率时序、行业指数资金流向指标排序等20余张图表，直观展示市场运行状态。
- 宏观周期划分方法：详细说明如何利用熵权法合成消费、出口、工业生产、信贷、汇率五类宏观指标，并结合马尔可夫区制转换模型判断经济与流动性的周期阶段。
- 风格因子定义与构建：基于Barra-CNE6的三级风格因子，合成规模、波动率、流动性、动量、杠杆、盈利变异性、盈利能力、价值、成长、股息共10种风格因子，并给出具体计算方式。
- 风格预测模型：采用Logistic分类回归，利用五类宏观指标和风格滞后期对累计收益、单周收益、趋势强度三类标签进行预测，进而计算风格综合得分及指数风格打分。
- 资金流向打分模型：以周为尺度，选取指数主动净买入额、机构主动净买入额、主力净流入额、机构净流入额滚动和、标准差变动和五个指标，对30个中信一级行业进行标准化合成打分。
- 行业ETF分类方法：针对行业主题指数，基于成分股中信行业权重，按照大类行业、一级行业、二级行业逐级分类，每年6月和12月重新调整，并附完整分类流程示例。
- 分位数随机森林模型：利用Fama-French五因子作为输入特征，预测科技大类行业指数周度收益率分布，并从分布中计算分位数、分布特征、收益率、胜率、风险收益、风险共24个统计指标，用于综合打分。
- 周度指数综合打分明细：列出2026年6月每周分位数随机森林模型对科技与制造行业指数的综合打分排名前3，包括指数代码、简称、追踪ETF、综合评分及最大贡献因子等详细信息，可用于跟踪主题轮动。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
