量化模型与构建方式 1 模型名称：卷积神经网络趋势模型 模型构建思路：使用卷积神经网络对图表化的价量数据与未来价格进行建模，并将学习的特征映射到行业主题板块中，从而识别市场趋势并进行行业主题配置[1][73] 模型具体构建过程：基于《基于卷积神经网络的股价走势AI识别与分类》等深度学习研究报告，对每个个股窗口期内的价量数据构建标准化的图表，然后使用卷积神经网络对图表化的价量数据与未来价格进行建模，探究价量图表与未来价格之间的关系，最终将学习的特征映射到行业主题板块中，输出行业主题配置建议[73] 模型评价：该模型通过深度学习方式自动提取价量图表中的特征，能够捕捉传统量化方法难以识别的非线性模式，并将个股层面的学习特征映射到行业主题板块层面进行配置[73] 2 模型名称：宏观因子事件模型 模型构建思路：宏观因子的变化体现了经济在周期内的变动，股市、债市、大宗商品的变化趋势与宏观因子的变化趋势密切相关，通过跟踪宏观因子的走势作为未来资产趋势判断的依据[53][55] 模型具体构建过程： 第一步，从多个角度选择对市场影响比较大的宏观因子，主要包括货币政策、财政政策、流动性、通胀水平以及其他经济指标，跟踪25个国内外宏观指标，包括PMI、CPI同比、PPI同比、M0同比、M1同比、M2同比、社会消费品零售总额、工业增加值、固定资产投资、贸易差额、金融机构新增人民币贷款、社会融资规模、10年期国债到期收益率、10年期高信用债到期收益率、10年期信用利差、理财产品预期年收益率、全社会用电量、消费者信心指数、铁路货运量、美国10年期国债收益率、美元指数、WTI原油、新增非农就业人数、波罗的海干散货指数、人民币实际有效汇率指数等[54] 第二步，定义四类宏观因子事件来表现宏观因子的走势，包括短期高低点、连续上涨下跌、创历史新高新低、因子走势反转[55] 第三步，采用历史均线将宏观因子走势分为趋势上行和趋势下行，然后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的变化趋势下，平均收益存在显著差异的资产[55] 模型评价：该模型从多个维度跟踪宏观因子，通过定义多种因子事件类型来捕捉宏观因子走势对资产未来收益的影响，能够为资产趋势判断提供参考依据[55] 3 模型名称：风险溢价模型 模型构建思路：通过计算权益与债券资产隐含收益率的对比来判断市场估值水平[77] 模型具体构建过程：中证全指静态PE的倒数EP减去十年期国债收益率，得到风险溢价指标，用以衡量权益与债券资产隐含收益率的对比，并计算两倍标准差边界作为参考[77] $$风险溢价 = \frac{1}{PE_{中证全指}} - 十年期国债收益率$$ 其中$PE_{中证全指}$代表中证全指静态市盈率，$$EP$$为静态PE的倒数，即盈利收益率，十年期国债收益率代表无风险利率水平[77] 模型评价：该模型通过比较权益和债券的相对吸引力来判断市场估值状态，两倍标准差边界可作为极端情况的参考[77] 4 模型名称：均线结构指标模型 模型构建思路：通过统计多头排列与空头排列个股占比的差值来衡量市场情绪和趋势强度[1] 模型具体构建过程：计算多头排列个股占比减去空头排列个股占比，得到均线结构指标，用以反映市场中个股均线排列的多空力量对比[1] 模型评价：该指标能够直观反映市场中多头与空头力量的相对强弱，作为市场情绪跟踪的参考指标[1] 5 模型名称：新高新低比例指标模型 模型构建思路：通过统计创近60日新高和新低的个股数占比来衡量市场情绪[1] 模型具体构建过程：分别计算创近60日新高个股数占比和创近60日新低个股数占比，通过两者的变化趋势来判断市场情绪的变化方向[1] 模型评价：该指标能够反映市场中个股创新高和新低的比例变化，是衡量市场情绪的重要参考[1] 6 模型名称：基金仓位跟踪模型 模型构建思路：通过回归方法估计权益基金的仓位水平，反映整体权益基金仓位变化[42] 模型具体构建过程：选取普通股票、偏股混合、平衡混合、灵活配置四类基金，要求历史仓位中位数在60%以上，剔除联接基金，与中证800指数进行回归，得到仓位估计，再按基金规模加权，反映整体权益基金仓位[42] 模型评价：该模型通过回归方法间接估计基金仓位，能够较好地反映整体权益基金的仓位变动趋势[42] 7 模型名称：市场真实换手率模型 模型构建思路：考虑自由流通股本后的市场换手率，以观察真实交易换手情况[49] 模型具体构建过程：在计算换手率时考虑自由流通股本因素，对市场换手率进行调整，以更准确地反映真实交易换手情况[49] 模型评价：该模型通过考虑自由流通股本，能够更真实地反映市场交易活跃度[49] 8 模型名称：指数超买超卖模型 模型构建思路：通过超跌指标统计来判断主要指数的超买超卖状态[65] 模型具体构建过程：对主要指数计算超跌指标，通过历史数据统计判断指数是否处于超买或超卖状态[65] 模型评价：该模型能够为指数层面的择时提供参考依据[65] 9 模型名称：融资余额模型 模型构建思路：通过跟踪融资余额及其占流通市值比例来观察市场杠杆水平[71] 模型具体构建过程：统计融资余额数据，并计算融资余额占流通市值的百分比，通过两者的变化趋势观察市场杠杆资金的变化[71] 模型评价：该模型能够反映市场杠杆资金的变化趋势，作为市场情绪的辅助参考[71] 模型的回测效果 1 卷积神经网络趋势模型 最新配置主题为电力、银行等，具体包括国证绿色电力指数、中证800银行指数、中证银行指数、中证全指电力公用事业指数、中证绿色电力指数等细分指数[1][77] 2 宏观因子事件模型 当前宏观因子趋势对权益市场的影响：PMI（3月均线）看多，CPI同比（1月均线）看多，社融存量同比（1月均线）看空，10年期国债收益率（12月均线）看空，美元指数（1月均线）看空[56] 3 风险溢价模型 截至2026/10/9，中证全指风险溢价指标为3.43%，两倍标准差边界为4.32%[77] 4 均线结构指标模型 多头排列减空头排列个股占比从前一期的-2.52%降至-10.16%[1] 5 新高新低比例指标模型 创近60日新高个股数占比从前一期的3.50%跌至3.13%，创近60日新低个股数占比从前一期的3.20%升至4.12%[1] 6 估值水平 截至2026/10/9，中证全指PETTM分位数67.84%，上证50为58.84%，沪深300为59.24%，创业板指为25.04%，中证500为73.16%，中证1000为62.40%[77]