量化模型与构建方式 1. 模型名称：卷积神经网络（CNN）股价走势识别与分类模型[70] * 模型构建思路：使用卷积神经网络对个股窗口期内的标准化价量图表数据进行建模，学习图表化数据与未来价格之间的关系，并将学习到的特征映射到行业主题板块中，以生成配置建议[70] * 模型具体构建过程： 1. 对每个个股在特定窗口期内的价量数据（如价格、成交量等）进行标准化处理，构建标准化的图表[70][71] 2. 将标准化后的价量图表作为输入数据，输入到卷积神经网络中[70] 3. 卷积神经网络通过卷积层、池化层等结构自动提取图表中的特征模式[70] 4. 模型学习这些特征模式与未来股价走势之间的映射关系[70] 5. 将学习到的特征映射到行业主题板块层面，输出当前市场环境下值得关注的行业主题配置[70] * 模型评价：该模型基于深度学习技术，能够从价量数据中自动学习非线性特征，用于辅助判断市场趋势和行业配置方向[70] 模型的回测效果 * 无相关内容 量化因子与构建方式 1. 因子名称：宏观因子事件[49][51] * 因子构建思路：通过跟踪国内外宏观指标（如PMI、CPI、M2等）的走势，定义四类宏观因子事件（短期高低点、连续上涨下跌、创历史新高新低、因子走势反转），并筛选出对资产未来收益率影响显著的因子事件[51] * 因子具体构建过程： 1. 跟踪25个国内外宏观指标，包括货币政策、财政政策、流动性、通胀水平等[49][50] 2. 定义四类宏观因子事件来表现宏观因子的走势[51]： * 短期高低点 * 连续上涨下跌 * 创历史新高新低 * 因子走势反转 3. 采用历史均线将宏观因子走势分为趋势上行和趋势下行[51] 4. 统计历史上宏观指标趋势对于资产未来一个月收益率的影响，筛选在宏观指标处于不同变化趋势下，平均收益存在显著差异的资产[51] * 因子评价：该因子体系从多个维度捕捉宏观经济变化，旨在利用宏观因子趋势作为未来资产趋势判断的依据[49][51] 因子的回测效果 * 无相关内容