量化模型与构建方式 1. 模型名称：卷积神经网络（CNN）趋势观察模型[81][82][87] * 模型构建思路：使用卷积神经网络对图表化的个股价量数据进行深度学习，以识别与未来价格走势相关的特征模式，并将这些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[81][82]。 * 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[81][82]。 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特征[81][87]。 3. 特征映射与应用：将训练好的模型学习到的特征应用于行业主题板块，识别出当前具有相似价量特征模式的行业主题[81][87]。 4. 输出配置：模型最终输出当前建议配置的行业主题及对应的具体指数[82][87]。 2. 模型名称：宏观因子事件模型[56][57][59] * 模型构建思路：通过跟踪一系列国内外宏观指标，定义其走势变化为特定事件，并从历史数据中筛选出对未来资产收益率有显著影响的“有效因子事件”，以此作为判断未来市场趋势的依据[56][57]。 * 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][57]。 2. 事件定义：将宏观因子的走势变化定义为四类事件：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转[57]。 3. 有效性检验：从历史数据中寻找“有效因子事件”，即那些对资产未来收益率影响较为显著的因子事件[57]。 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[59][60]。 3. 模型名称：期权成交量看涨看跌比（CPR）模型[50] * 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，来判断蓝筹股的短期超买超卖风险[50]。 * 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）。 2. 构建通道：计算CPR的60日布林通道（包括上轨与下轨）[50]。 3. 信号生成：当最近20个交易日的CPR值高于其60日布林通道上轨时，模型认为蓝筹股短期存在超卖风险[50]。 4. 模型名称：GFTD模型与LLT模型[88] * 模型评价：报告提及GFTD模型和LLT模型的历史择时成功率约为80%，但未详细描述其构建思路与具体过程[88]。 模型的回测效果 1. 卷积神经网络（CNN）趋势观察模型，最新配置主题为船舶、电网、钢铁、机器人等，具体输出指数包括：中证智选船舶产业指数(932420.CSI)、中证电网设备主题指数(931994.CSI)、中证钢铁指数(930606.CSI)、中证机器人指数(h30590.CSI)、中证工程机械主题指数(931752.CSI)[82][87]。 2. 宏观因子事件模型，当前（截至报告期）有效信号包括：PMI（3月均线上行）看多股票；社融存量同比（1月均线上行）看多股票；10年期国债收益率（12月均线上行）对股票观点为震荡；美元指数（1月均线下行）看多股票[60]。 3. 期权成交量看涨看跌比（CPR）模型，最新信号显示：最近20个交易日CPR高于60日布林通道上轨，认为蓝筹股短期存在超卖风险[50]。 4. GFTD模型与LLT模型，历史择时成功率约为80%[88]。 量化因子与构建方式 1. 因子名称：新高新低比例因子[35][36] * 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广度[35]。 * 因子具体构建过程： 1. 计算创近60日新高的个股数占全市场个股总数的比例（新高比例）。 2. 计算创近60日新低的个股数占全市场个股总数的比例（新低比例）[35][36]。 2. 因子名称：个股均线结构因子[39][40] * 因子构建思路：通过计算呈现多头排列与空头排列的个股数量之差占全体个股的比例，来反映市场整体的技术面强弱[39]。 * 因子具体构建过程：计算呈现多头排列的个股数量减去呈现空头排列的个股数量，再除以全体个股数量，得到均线强弱指标[39][40]。 3. 因子名称：长期均线以上比例因子[42][43] * 因子构建思路：统计股价位于长期移动平均线（如200日）之上的个股比例，用以衡量市场长期趋势的强度[42][43]。 * 因子具体构建过程：计算股价位于200日长期移动平均线之上的个股数占全市场个股总数的比例[42][43]。 4. 因子名称：基金仓位因子[44][45] * 因子构建思路：通过回归方法估算普通股票型、偏股混合型等权益类基金的整体仓位，以观察机构投资者的仓位变化[44]。 * 因子具体构建过程：选取普通股票型、偏股混合型、平衡混合型、灵活配置型基金（剔除联接基金），将其净值与中证800指数进行回归，估算仓位，并按基金规模加权以反映整体权益基金仓位水平[44][45]。 5. 因子名称：市场真实换手率因子[53][55] * 因子构建思路：考虑自由流通股本后的市场换手率，用以观察市场真实的交易活跃程度，避免总股本导致的失真[53]。 * 因子具体构建过程：计算基于自由流通股本的市场换手率[53][55]。 6. 因子名称：风险溢价因子[68][69][87] * 因子构建思路：用股票市场指数的盈利收益率（EP）减去无风险利率（十年期国债收益率），衡量权益资产相对于债券资产的超额收益预期，即风险补偿[68][69][87]。 * 因子具体构建过程：对于特定指数（如中证全指），计算其静态市盈率（PE_TTM）的倒数得到盈利收益率（EP），再减去十年期国债收益率[87]。 $风险溢价 = \frac{1}{PE\_TTM} - 十年期国债收益率$ 其中，PE_TTM为指数滚动市盈率。 7. 因子名称：融资余额因子[79][80] * 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，用以观察杠杆资金的情绪和参与度[79][80]。 * 因子具体构建过程： 1. 统计全市场融资余额的绝对数值（亿元）。 2. 计算融资余额占A股流通市值的百分比[80]。 因子的回测效果 1. 新高新低比例因子，本期（2026年2月13日-27日）新高比例从前一期的9.8%升至15.7%，新低比例从前一期的7.0%升至7.2%[35]。 2. 个股均线结构因子，本期（2026年2月13日-27日）多头排列减空头排列个股占比从前一期的31%降至26%[39]。 3. 长期均线以上比例因子，报告展示了该因子的历史时间序列图表，但未提供最新具体数值[42][43]。 4. 基金仓位因子，报告展示了该因子的历史时间序列图表，但未提供最新具体数值[45]。 5. 市场真实换手率因子，报告展示了该因子（中证全指、创业板指）的历史时间序列图表，但未提供最新具体数值[55]。 6. 风险溢价因子，截至2026年2月27日，中证全指风险溢价为2.43%，其历史均值加减两倍标准差边界分别为4.65%和约-0.79%（根据图表估算）[69][87]。 7. 融资余额因子，报告展示了融资余额及其占流通市值比例的历史时间序列图表，但未提供最新具体数值[80]。