量化模型与构建方式 1. 模型名称：卷积神经网络趋势观察模型[77] * 模型构建思路：使用卷积神经网络（CNN）对个股历史价量数据构建的标准化图表进行深度学习，以识别图表特征与未来价格走势之间的关系，并将学习到的特征映射到行业主题板块中，从而进行行业主题配置。[77] * 模型具体构建过程： 1. 数据准备：为每个个股在特定窗口期内的价量数据构建标准化的图表。[77] 2. 模型训练：使用卷积神经网络对上述图表化的价量数据与未来价格进行建模，学习能够预测未来价格走势的图表特征。[77] 3. 特征映射：将训练好的模型学习到的特征映射到行业主题板块，识别出具有相似积极特征的板块。[77] 4. 生成配置：根据模型识别结果，输出当前看好的行业主题及对应的具体指数。[77][79] 2. 模型名称：宏观因子事件模型[56] * 模型构建思路：通过跟踪一系列国内外宏观指标，定义其特定的走势事件（如短期高低点、连续涨跌等），并从历史数据中寻找那些对未来资产收益率有显著影响的“有效因子事件”，以此作为判断未来资产趋势的依据。[56] * 模型具体构建过程： 1. 因子选择：跟踪25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平及其他经济指标。[56] 2. 事件定义：定义四类宏观因子事件来描述指标走势：短期高低点、连续上涨下跌、创历史新高新低、因子走势反转。[56] 3. 有效性检验：从历史数据中回测，筛选出对资产未来收益率影响较为显著的因子事件，即“有效因子事件”。[56] 4. 趋势分析：采用历史均线（如1月、3月、12月均线）将宏观因子走势分为趋势上行和趋势下行，统计在不同趋势下资产未来一个月的平均收益，筛选出收益存在显著差异的资产。[58][59] 3. 模型名称：期权成交量看涨看跌比（CPR）模型[49] * 模型构建思路：通过监测上证50ETF期权成交量的看涨看跌比率（CPR）与其布林通道的相对位置，来判断蓝筹股是否存在短期超卖风险。[49] * 模型具体构建过程： 1. 计算指标：计算上证50ETF期权成交量的看涨看跌比率（CPR）。[49] 2. 构建通道：计算CPR的60日布林通道（通常包含上轨、中轨、下轨）。[49] 3. 信号生成：观察最近20个交易日的CPR是否低于60日布林通道的上轨。若低于上轨，则认为蓝筹股短期不存在超卖风险。[49] 4. 因子名称：新高新低比例因子[34] * 因子构建思路：通过统计市场中创近期新高与新低的个股数量占比，来度量市场的极端情绪和内部结构强度。[34] * 因子具体构建过程：分别计算创近60日新高的个股数占总个股数的比例（60日新高比例），以及创近60日新低的个股数占总个股数的比例（60日新低比例）。[34] 5. 因子名称：个股均线结构因子[38] * 因子构建思路：通过计算呈现特定均线多头排列与空头排列的个股数量之差占总体本的比例，来反映市场整体的技术趋势强弱。[38] * 因子具体构建过程：计算呈现多头排列的个股数量与呈现空头排列的个股数量之差，再除以总个股数，得到“均线强弱指标”或“多头排列减空头排列个股占比”。[38] 6. 因子名称：长期均线以上比例因子[41] * 因子构建思路：统计股价位于长期移动平均线（如200日线）之上的个股比例，用以衡量市场整体的长期趋势强弱和广度。[41] * 因子具体构建过程：计算当前价格位于200日移动平均线之上的个股数量，再除以总个股数，得到“长期均线以上比例”。[41] 7. 因子名称：风险溢价因子[66] * 因子构建思路：通过计算股票市场收益率（市盈率倒数）与无风险收益率（十年期国债收益率）之差，来衡量股票资产相对于债券资产的吸引力。[66][80] * 因子具体构建过程：采用中证全指静态市盈率（PE_TTM）的倒数作为盈利收益率（EP），减去十年期国债收益率，得到风险溢价。 $风险溢价 = \frac{1}{PE\_{TTM}} - 十年期国债收益率$[80] 模型的回测效果 （报告中未提供各模型的详细历史回测绩效指标，如年化收益率、夏普比率、最大回撤等具体数值。） 量化因子的回测效果 （报告中未提供各因子的详细历史回测绩效指标，如IC值、IR、多空收益等具体数值。仅提供了部分因子在最新一期的观察值。） 1. 新高新低比例因子：截至报告期末，创近60日新高个股数占比从前一期的9.5%升至9.6%；创近60日新低个股数占比从前一期的6.4%升至10.7%。[34] 2. 个股均线结构因子：截至报告期末，多头排列减空头排列个股占比从前一期的-22%降至-29%。[38] 3. 风险溢价因子：截至2025年12月31日，中证全指风险溢价为2.69%，其历史均值（avg）及两倍标准差边界（avg+2sigma, avg-2sigma）在图表中显示。[67][80]