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[80] * 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建模，学习图表特征与未来价格走势之间的关系，并将学习到的有效特征映射到行业主题板块，以识别具有趋势性机会的行业主题[80]。 * 模型具体构建过程： 1. 数据准备：为每只个股选取一个窗口期内的价量数据（如价格、成交量等）[80]。 2. 图表生成：将标准化处理后的价量数据构建成标准化的图表[80][81]。 3. 模型训练：使用卷积神经网络对生成的图表与对应的未来价格（如未来涨跌）进行建模训练，以识别图表中的有效预测特征[80]。 4. 特征映射：将训练好的模型学习到的特征，应用于行业主题板块的指数或成分股，以判断哪些行业主题板块在未来具有更高的上涨概率[80]。 5. 输出配置：模型最终输出当前时点看好的行业主题板块及对应的具体指数[82]。 2. 模型名称：宏观因子事件模型[56][57] * 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或资产走势的依据[56][57]。 * 模型具体构建过程： 1. 因子选择：跟踪约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：为每个宏观因子定义四类走势事件：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. 趋势判断：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或下行[59]。 5. 信号生成：统计历史上在特定宏观因子处于不同趋势下，各类资产（如股票、债券）的未来平均收益，筛选出收益存在显著差异的资产，生成当前宏观因子趋势下的市场观点[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，来判断蓝筹股市场的短期超买或超卖风险[50]。 * 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[50]。 2. 计算通道：计算CPR的60日布林通道（通常包含上轨和下轨）[50]。 3. 信号判断：当最近20个交易日的CPR高于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[84] * 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和具体过程[84]。 模型的回测效果 1. 卷积神经网络趋势观察模型，最新配置主题为电力、电网、公用事业等，具体推荐指数包括：国证绿色电力指数 (399438.SZ)、中证绿色电力指数 (931897.CSI)、中证全指电力公用事业指数 (h30199.CSI)、中证全指公用事业指数 (000995.CSI)、中证电网设备主题指数 (931994.CSI)[82]。 2. 宏观因子事件模型，当前（截至报告期）对权益市场的观点为：PMI（3月均线趋势）发出看多信号；社融存量同比（1月均线趋势）、10年期国债收益率（12月均线趋势）、美元指数（1月均线趋势）均显示震荡信号[60]。 3. 期权成交量看涨看跌比（CPR）模型，当前信号显示：最近20个交易日CPR高于60日布林通道上轨，表明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%[84]。 量化因子与构建方式 1. 因子名称：新高新低比例因子[35] * 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情绪[35]。 * 因子具体构建过程：计算创近60日新高的个股数占总股票数的比例（新高比例），以及创近60日新低的个股数占总股票数的比例（新低比例）[35]。 2. 因子名称：个股均线结构因子[39] * 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差值占比，来反映市场整体的技术趋势强弱[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，再除以总股票数，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] * 因子构建思路：统计股价位于长期均线（如200日）之上的个股比例，用以衡量市场长期趋势的强弱和广度[42]。 * 因子具体构建过程：计算股价位于200日长期均线之上的个股数量占总股票数的比例[42]。 4. 因子名称：风险溢价因子[68] * 因子构建思路：通过计算股票市场隐含收益率（盈利收益率）与无风险利率（十年期国债收益率）的差值，来衡量股票资产相对于债券资产的吸引力[68][83]。 * 因子具体构建过程：风险溢价 = 中证全指静态市盈率（PE_TTM）的倒数（即盈利收益率EP） - 十年期国债收益率[83]。 5. 因子名称：指数超买超卖因子[70] * 因子构建思路：通过特定方法计算各主要宽基指数和行业指数的超跌或超买程度，以识别市场或板块的极端状态[70][74]。 * 因子具体构建过程：报告未详细说明具体计算公式，但展示了截至报告期（NEW）和2018年底（20181228）两个时点，各指数在该因子上的取值情况，数值越高可能代表超跌越严重或超买越严重[71][72][75][76]。 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，作为衡量市场杠杆情绪和资金面的指标[77]。 * 因子具体构建过程：直接获取市场融资余额的总规模（亿元），并计算融资余额占A股流通市值的百分比[79]。 因子的回测效果 1. 新高新低比例因子，截至本期，创近60日新高个股数占比为15.7%，创近60日新低个股数占比为7.2%[35]。 2. 个股均线结构因子，截至本期，多头排列减空头排列个股占比为19%[39]。 3. 长期均线以上比例因子，报告展示了该因子的历史走势图，但未给出本期具体数值[42]。 4. 风险溢价因子，截至2026年3月6日，中证全指风险溢价为2.47%，其两倍标准差上边界为4.64%[83]。 5. 指数超买超卖因子，截至2026年3月6日（NEW），主要宽基指数中，中证1000、国证2000、小盘成长、小盘价值等指数的因子取值较高（接近或超过80）；行业指数中，有色金属、电子、汽车等行业的因子取值较高（超过80）[71][72][75][76]。 6. 融资余额因子，报告展示了该因子的历史走势图，但未给出本期具体数值[79]。