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[79] * 模型构建思路：利用卷积神经网络（CNN）对个股历史价量数据生成的标准化图表进行深度学习，识别图表中的特征模式，并建立这些模式与未来价格走势之间的映射关系。最终将学习到的有效特征应用于行业主题板块，生成配置建议。[79] * 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（如价格、成交量）构建标准化的图表。这个过程可能包括数据归一化、时间序列到图像的转换等步骤，以生成CNN可处理的输入格式。[79] 2. 模型训练：使用卷积神经网络对上述生成的图表化数据进行建模。模型的学习目标是建立图表特征与未来一段时间（报告中未明确具体期限）价格变动之间的关联。[79] 3. 特征映射与应用：将训练好的CNN模型学习到的有效特征，从个股层面映射到更广泛的行业主题板块中，从而判断哪些行业主题在未来可能具有趋势性机会。[79] * 模型评价：该模型属于利用深度学习技术进行市场趋势观察和行业配置的前沿方法，能够从复杂的价量图表中提取非线性特征。[79] 2. 模型名称：宏观因子事件模型[56] * 模型构建思路：通过跟踪一系列关键的国内外宏观指标，定义并识别其走势中的特定事件（如短期高低点、连续涨跌等），并从历史数据中筛选出对未来资产收益率有显著预测作用的“有效因子事件”，以此作为判断市场趋势的依据。[56] * 模型具体构建过程： 1. 因子选择：从货币政策、财政政策、流动性、通胀水平等多个角度，选取对市场影响较大的宏观因子，例如PMI、CPI同比、社融存量同比、10年期国债收益率、美元指数等。[56][59] 2. 事件定义：针对每个宏观因子，定义四类走势事件：短期高点/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：在历史数据中回溯，统计各类宏观因子事件发生后，相关资产（如股票、债券）在未来一段时间（例如一个月）的平均收益率，筛选出导致资产收益存在显著差异的事件，标记为“有效因子事件”。[56] 4. 趋势判断：对于连续型指标，采用历史均线（如1月、3月、12月均线）将其走势划分为“上行”或“下行”趋势，并统计在该趋势下资产未来的平均表现，形成观点（如看多、震荡）。[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，来判断蓝筹股市场的短期情绪和超买超卖风险。[49] * 模型具体构建过程： 1. 计算CPR：计算上证50ETF期权成交量的看涨看跌比率。具体公式未在报告中给出，通常为看涨期权成交量与看跌期权成交量之比。 2. 构建布林通道：计算CPR的60日移动平均线作为中轨，并计算其标准差，以此构建布林通道的上轨和下轨。[49] 3. 生成信号：当滚动20日的CPR值高于60日布林通道的上轨时，模型认为市场情绪过于乐观，蓝筹股短期存在超卖风险。[49] 4. 模型名称：GFTD模型[83] * 模型构建思路：报告中仅提及该模型名称及历史择时成功率，未详细说明其构建思路和过程。[83] 5. 模型名称：LLT模型[83] * 模型构建思路：报告中仅提及该模型名称及历史择时成功率，未详细说明其构建思路和过程。[83] 量化因子与构建方式 1. 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，来度量市场的整体强度与广度，是常用的市场情绪跟踪指标。[34] * 因子具体构建过程： 1. 新高比例：计算当日收盘价创近60日新高的个股数量，除以当日总上市个股数量（或样本空间内个股数量），得到百分比。公式为： $新高比例 = \frac{创近60日新高个股数}{总个股数} \times 100\%$ 2. 新低比例：计算当日收盘价创近60日新低的个股数量，除以当日总上市个股数量（或样本空间内个股数量），得到百分比。公式为： $新低比例 = \frac{创近60日新低个股数}{总个股数} \times 100\%$ [34] 2. 因子名称：个股均线结构因子（均线强弱指标）[38] * 因子构建思路：通过计算市场中呈现特定均线多头排列与空头排列的个股数量差异占比，来反映市场整体的技术趋势强弱。[38] * 因子具体构建过程： 1. 个股判断：对于每只个股，判断其短期、中期、长期均线（如5日、20日、60日均线）是否呈多头排列（短期>中期>长期）或空头排列（短期<中期<长期）。[38] 2. 市场汇总：统计全市场（或样本空间内）呈多头排列的个股数量（$N_{多头}$）和呈空头排列的个股数量（$N_{空头}$）。[38] 3. 计算指标：计算多头排列个股数量与空头排列个股数量之差，再除以总个股数（或两者之和），得到百分比。报告中展示的指标可能为： $均线强弱指标 = \frac{N_{多头} - N_{空头}}{总个股数} \times 100\%$ 或类似形式。[38] 3. 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日均线）之上的个股比例，用以衡量市场长期趋势的强弱和广度。[41] * 因子具体构建过程：计算当日收盘价位于其200日移动平均线之上的个股数量，除以总个股数（或样本空间内个股数量），得到百分比。[41] 4. 因子名称：风险溢价因子[67] * 因子构建思路：用股票市场的隐含收益率（市盈率倒数）减去无风险收益率（十年期国债收益率），衡量股票资产相对于债券资产的超额收益吸引力。[67][82] * 因子具体构建过程：以中证全指为例，计算公式为： $风险溢价 = \frac{1}{PE_{TTM}} - 十年期国债收益率$ 其中，$PE_{TTM}$ 为中证全指的滚动市盈率。[67][82] 5. 因子名称：指数超买超卖因子[70] * 因子构建思路：通过某种量化方法计算主要指数和行业指数的超跌或超买程度，通常是一个百分比指标，用于识别市场极端状态。[70][71][74] * 因子具体构建过程：报告中未给出该因子的具体计算公式，仅展示了统计结果。该因子可能基于价格偏离均线的幅度、RSI等震荡指标，或是创特定周期新低个股占比等方法构建。[70] 6. 因子名称：融资余额因子[77] * 因子构建思路：跟踪市场融资余额的绝对规模及其占流通市值的比例，作为衡量市场杠杆水平和投资者风险偏好的指标。[77] * 因子具体构建过程： 1. 融资余额：直接获取市场的总融资买入未偿还金额。[77] 2. 融资余额占比：计算融资余额占A股流通市值的百分比。公式为： $融资余额占比 = \frac{融资余额}{流通市值} \times 100\%$ [77][78] 7. 因子名称：市场真实换手率因子[52] * 因子构建思路：考虑自由流通股本后计算的市场换手率，以更真实地反映市场的交易活跃度和资金流动情况。[52] * 因子具体构建过程：计算市场总成交金额与自由流通市值的比率。以中证全指为例，公式可能为： $真实换手率 = \frac{总成交金额}{自由流通市值} \times 100\%$ [52] 8. 因子名称：基金仓位因子[43] * 因子构建思路：通过回归等方法估算普通股票型、偏股混合型等权益类公募基金的整体仓位水平，反映机构投资者的仓位变动。[43] * 因子具体构建过程：选取普通股票、偏股混合、平衡混合、灵活配置等类型的基金（剔除联接基金），将其净值表现与中证800指数进行回归，估算其权益仓位，再按基金规模进行加权，得到整体权益基金仓位估计值。[43] 模型的回测效果 1. GFTD模型，历史择时成功率约80%[83] 2. LLT模型，历史择时成功率约80%[83] 因子的回测效果 (注：本报告未提供各因子的具体回测指标（如IC、IR、多空收益等）数值，仅展示了部分因子在最新一期的状态或历史走势图。因此，本部分无法列出具体的指标取值。)