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[76] * 模型构建思路：利用卷积神经网络（CNN）对个股历史价量数据形成的标准化图表进行深度学习，识别图表中的特征模式，并将这些学习到的特征映射到行业主题板块，以预测未来价格走势或进行主题配置[76]。 * 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[76]。价量数据通常包括价格、成交量等时间序列。 2. 图表化：将标准化的价量数据转换为图像格式，作为CNN的输入[76]。图23展示了标准化数据价量图表的示例[77]。 3. 模型训练：使用卷积神经网络对图表化的价量数据与未来价格（或收益率）进行建模[76]。模型学习从价量图表中提取有效特征，并建立这些特征与未来价格变动之间的映射关系。 4. 特征映射：将训练好的CNN模型学习到的特征，应用于行业或主题板块的分析，识别出具有相似特征模式的板块[76]。 5. 输出配置：模型最终输出看好的行业主题配置列表。例如，在报告期内，模型配置的主题为红利低波、银行、地产，具体指向中证红利低波动指数、中证银行指数、中证800银行指数、中证内地地产主题指数、中证800地产指数等细分指数[78]。 2. 模型名称：宏观因子事件模型[52] * 模型构建思路：通过跟踪一系列国内外宏观指标，定义并识别出有效的宏观因子事件，利用这些事件的历史规律来预判未来资产价格的趋势[52]。 * 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、通胀水平及其他经济指标等多个角度，选取对市场影响较大的宏观因子进行跟踪，共计25个国内外宏观指标[52]。 2. 事件定义：定义四类宏观因子事件来描述宏观因子的走势：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转[52]。 3. 事件有效性检验：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[52]。例如，报告中列举了部分有效因子事件：PMI短期高点对中小盘股票有正向影响；CPI同比连续下跌对全市场股票有正向影响等[52]。 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和趋势下行[54]。统计历史上宏观指标处于不同趋势时，各类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[54]。 5. 观点生成：根据当前宏观因子的趋势状态，给出对大类资产的看多、看空或震荡观点[55]。例如，当前PMI处于3月均线趋势上行，模型对股票资产持“看多”观点；而社融存量同比、10年期国债收益率、美元指数等因子则提示市场可能“震荡”[55]。 3. 模型名称：GFTD模型与LLT模型[80] * 模型构建思路：报告在风险提示部分提及了GFTD模型和LLT模型，指出其历史择时成功率约为80%。这两个模型应是用于市场择时判断的量化模型[80]。 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：红利低波、银行、地产[78] 2. 宏观因子事件模型，当前对权益市场观点：PMI趋势看多，社融、国债收益率、美元指数趋势震荡[55] 3. GFTD模型与LLT模型，历史择时成功率：约80%[80] 量化因子与构建方式 1. 因子名称：新高比例因子[33] * 因子构建思路：通过统计市场中创近期新高的个股数量占比，来度量市场的强势程度和上涨动能[33]。 * 因子具体构建过程：计算创近60日新高的个股数占全部个股总数的比例。报告显示，该指标从前一期的12.0%降至8.1%[33]。 2. 因子名称：新低比例因子[33] * 因子构建思路：通过统计市场中创近期新低的个股数量占比，来度量市场的弱势程度和下跌压力[33]。 * 因子具体构建过程：计算创近60日新低的个股数占全部个股总数的比例。报告显示，该指标从前一期的11.2%升至37.4%[33]。 3. 因子名称：均线结构因子（均线强弱指标）[37] * 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部个股的比例，来反映市场整体的技术面强弱结构[37]。 * 因子具体构建过程：首先判断个股的均线排列状态（如多头排列、空头排列），然后计算（多头排列个股数 - 空头排列个股数）/ 总个股数。报告显示，该指标从前一期的14%降至7.3%[37]。 4. 因子名称：长期均线以上比例因子[40] * 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，用以衡量市场长期趋势的强弱[40]。 * 因子具体构建过程：计算股价位于200日移动平均线之上的个股数占总个股数的比例。该因子通过图表进行跟踪展示[40]。 5. 因子名称：风险溢价因子[63] * 因子构建思路：计算股票市场隐含收益率与无风险收益率（通常为十年期国债收益率）的差值，用以衡量股票资产相对于债券资产的吸引力[63][79]。 * 因子具体构建过程：采用中证全指静态市盈率（PE_TTM）的倒数作为权益资产的隐含收益率（EP），减去十年期国债收益率。 $风险溢价 = \frac{1}{PE_{TTM}} - R_{10Y国债}$ 报告显示，截至2026年3月20日，该指标值为2.63%[79]。 6. 因子名称：估值分位数因子[79] * 因子构建思路：计算当前指数或行业的估值（PE或PB）在其历史序列中所处的位置百分比，用以判断估值相对水平的高低[79]。 * 因子具体构建过程：将当前估值与历史估值（自2005年1月7日起）进行比较，计算其历史分位数。例如，报告指出中证全指PE_TTM分位数为82%，创业板指接近63%[79]。 7. 因子名称：超跌指标因子[66] * 因子构建思路：用于度量市场或行业指数短期内下跌的幅度和广度，识别超卖状态[66]。 * 因子具体构建过程：报告展示了主要指数和行业指数的超跌指标统计图，该指标具体计算方法未详细说明，但通常基于价格偏离均线的程度或下跌个股比例等构建[66][70]。 8. 复合因子名称：宏观因子（如PMI、CPI同比、社融存量同比等）[52][55] * 因子构建思路：选取对金融市场有显著影响的宏观经济指标作为因子，观察其变化趋势和事件来预判市场方向[52]。 * 因子具体构建过程：直接跟踪宏观指标的实际发布值。模型进一步处理其走势，例如判断其相对于某期均线（如1月、3月、12月均线）是处于上行还是下行趋势[54][55]。 因子的回测效果 （注：报告未提供各因子独立的、系统性的回测绩效指标（如IC、IR、多空收益等）。以下为报告期内的因子观测值。） 1. 新高比例因子，当前值：8.1%[33] 2. 新低比例因子，当前值：37.4%[33] 3. 均线结构因子，当前值：7.3%[37] 4. 风险溢价因子，当前值：2.63%[79] 5. 中证全指PE_TTM分位数因子，当前值：82%[79] 6. PMI宏观因子，当前趋势：3月均线上行，观点：看多[55] 7. 社融存量同比宏观因子，当前趋势：1月均线，观点：震荡[55] 8. 10年期国债收益率宏观因子，当前趋势：12月均线，观点：震荡[55] 9. 美元指数宏观因子，当前趋势：1月均线，观点：震荡[55]