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：使用卷积神经网络（CNN）对图表化的个股价量数据进行建模，以识别与未来价格走势相关的模式，并将学习到的特征映射到行业主题板块，生成配置建议[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。价量数据通常包括价格（如开盘价、收盘价）和成交量等[76]。 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训练。模型的目标是学习从图表中提取的特征与未来股价表现之间的关系[76]。 3. 特征映射：将训练好的CNN模型学习到的有效特征，应用于行业或主题板块层面的分析，识别出具有相似上涨模式的板块[76]。 4. 输出配置：模型最终输出当前看好的行业主题板块及对应的具体指数[76][77]。 2. 模型名称：GFTD模型[79] * 模型评价：报告提及该模型历史择时成功率约为80%，但指出在市场波动不确定性下模型信号存在失效可能[79]。 3. 模型名称：LLT模型[79] * 模型评价：报告提及该模型历史择时成功率约为80%，但指出在市场波动不确定性下模型信号存在失效可能[79]。 量化因子与构建方式 1. 因子名称：宏观因子事件[52][53] * 因子构建思路：跟踪一系列国内外宏观指标，根据其近期走势定义出特定的事件类型，并利用历史回测筛选出对未来资产收益率有显著预测作用的有效事件，作为判断市场趋势的依据[52][53]。 * 因子具体构建过程： 1. 指标选择：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，例如PMI、CPI同比、PPI同比、M2同比、社融、10年期国债收益率、美元指数等[52][53]。 2. 事件定义：针对每个宏观指标，定义四类表征其走势的事件：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[53]。 3. 有效性检验：从历史数据中寻找“有效因子事件”，即那些发生后，对资产（如股票）未来收益率产生统计上显著影响的事件[53]。 4. 趋势分类与信号生成：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。统计历史上在指标处于不同趋势下，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情况，生成看多或看空的观点信号[55][56]。 2. 因子名称：新高新低比例[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广度[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（新高比例），以及创近60日新低的个股数占总个股数的比例（新低比例）。报告展示了这两个比例的时间序列[34][35]。 3. 因子名称：个股均线结构指标（均线强弱指标）[38][39] * 因子构建思路：通过比较个股短期、中期、长期均线的相对位置，构建反映市场整体技术形态强弱的指标[38]。 * 因子具体构建过程：计算呈现多头排列（通常指短期均线在中期均线之上，中期均线在长期均线之上）的个股占比，与呈现空头排列（排列顺序相反）的个股占比之差。公式表示为： $均线强弱指标 = (多头排列个股数占比) - (空头排列个股数占比)$ 报告展示了该指标的时间序列，例如前期值为-33.2%，最新值降至-35.7%[38][39]。 4. 因子名称：长期均线以上比例[41] * 因子构建思路：统计股价位于长期均线（如200日均线）之上的个股比例，用以衡量市场整体的长期趋势强度[41]。 * 因子具体构建过程：在特定时间点，计算当前股价位于其200日移动平均线之上的股票数量，除以总股票数量，得到长期均线以上比例[41][42]。 5. 因子名称：风险溢价[64][78] * 因子构建思路：通过比较股票资产与债券资产的隐含收益率，来判断股票市场的相对估值吸引力[64][78]。 * 因子具体构建过程：以中证全指为例，计算公式为： $风险溢价 = (中证全指静态PE的倒数) - (十年期国债收益率)$ 即，风险溢价 = 盈利收益率 - 无风险利率。报告会跟踪该指标的绝对数值及其相对于历史均值和标准差的边界（如±2倍标准差）[64][65][78]。 6. 因子名称：指数超买超卖指标[67][71] * 因子构建思路：通过量化方法计算主要宽基指数和行业指数处于“超跌”状态的百分比，以识别市场或行业可能存在的超卖机会[67][71]。 * 因子具体构建过程：报告未详细说明具体计算方法，但展示了截至报告日（NEW）和某一历史基准日（20181228）两个时点，各指数“超跌”指标的横截面对比数据[67][68][71][72]。 模型的回测效果 1. 卷积神经网络趋势观察模型，最新配置主题为新能源、通信、电子，具体推荐指数包括：国证新能源车电池指数、中证5G通信主题指数、创业板动量成长指数、中证新能源汽车产业指数、中证新能源汽车指数[77][78]。 2. GFTD模型，历史择时成功率约80%[79]。 3. LLT模型，历史择时成功率约80%[79]。 因子的回测效果 1. 宏观因子事件，当前有效信号：PMI（3月均线趋势）看多股票；CPI同比（1月均线趋势）看多股票；社融存量同比（1月均线趋势）看多股票；10年期国债收益率（12月均线趋势）看多股票；美元指数（1月均线趋势）看多股票[56]。 2. 新高新低比例，最新一期（2026年4月13日-17日）数据：创近60日新高个股数占比从前一期的9.1%升至11.3%；创近60日新低个股数占比从前一期的6.5%升至8.0%[34]。 3. 个股均线结构指标，最新一期数据：多头排列减空头排列个股占比从前一期的-33.2%降至-35.7%[38]。 4. 风险溢价，截至2026年4月17日数据：中证全指风险溢价为2.54%，其两倍标准差上边界为4.56%[78]。 5. 指数超买超卖指标，截至2026年4月17日数据：展示了主要宽基指数（如中证全指、沪深300、创业板指等）和申万一级行业指数（如有色金属、电子、汽车等）的超跌指标具体数值[68][72]。