市场表现 - 最近5个交易日科创50指数跌0.31%，创业板指跌0.64%，大盘价值涨2.62%，大盘成长跌0.24%，上证50涨1.45%，国证2000代表的小盘涨0.05% [1] - 银行、房地产市场表现靠前，国防军工、农林牧渔表现靠后 [1] 风险溢价 - 中证全指静态PE的倒数EP减去十年期国债收益率，2024/01/19指标达4.11%，为2016年以来第五次超过4%，截至2025/04/18指标为4.05%，两倍标准差边界为4.74% [1] - 历史极端底部该数据均处在均值上两倍标准差区域，如2012/2018/2020年，2022/04/26达4.17%，2022/10/28升至4.08%后市场迅速反弹 [1] 估值水平 - 截至2025/04/18，中证全指PETTM分位数47%，上证50与沪深300分别为60%、45%，创业板指接近9%，中证500与中证1000分别为27%、29% [2] - 创业板指风格估值相对历史处于较低水平 [2] 技术面分析 - 深100指数技术面呈现3年一轮熊市后牛市的周期规律，如2012/2015/2018/2021年，每次下行幅度40%至45%，本轮2021年一季度开始的调整时间与空间较充分 [2] 资金交易 - 最近5个交易日ETF资金流入243亿元，融资盘减少约34亿元，两市日均成交10761亿元 [3] 卷积神经网络趋势 - 使用卷积神经网络对价量数据建模并映射行业主题，截至2025/04/18配置主题为银行、证券等 [2][8] - 模型基于个股窗口期价量数据标准化图表，学习特征与未来价格关联 [8] 指数与行业数据 - 中证800银行指数、国证证券龙头指数、中证能源指数、中证证券公司30指数、中证食品饮料指数等被列为观察标的 [9] 融资余额 - 融资余额数据反映市场杠杆水平变化，但具体数值未在文档中披露 [13] 个股收益分布 - 统计个股年初至今收益区间占比分布，用于衡量市场赚钱效应 [15] 指数超卖 - GFTD模型和LLT模型历史择时成功率约80%，但存在市场波动导致失效的可能 [17]

市场表现 - 最近5个交易日科创50指数跌0.31% 创业板指跌0.64% 大盘价值涨2.62% 大盘成长跌0.24% 上证50涨1.45% 国证2000代表的小盘涨0.05% [1] - 银行和房地产市场表现靠前 国防军工和农林牧渔表现靠后 [1] 风险溢价与估值 - 中证全指风险溢价指标2024/01/19达4.11% 为2016年以来第五次超过4% 截至2025/04/18指标为4.05% 两倍标准差边界为4.74% [1] - 中证全指PETTM分位数47% 上证50与沪深300分别为60%和45% 创业板指接近9% 中证500与中证1000分别为27%和29% [1] - 创业板指风格估值处于历史相对较低水平 [1] 技术面分析 - 深100指数技术面显示每隔3年一轮熊市后进入牛市 本轮始于2021年一季度的调整时间和空间已较充分 [1] 资金交易 - 最近5个交易日ETF资金流入243亿元 融资盘减少约34亿元 两市日均成交10761亿元 [2] 卷积神经网络趋势 - 使用卷积神经网络对价量数据建模 映射到行业主题板块 当前配置主题为银行和证券等 [8][9] 主流ETF规模变化 - 中证800银行指数 国证证券龙头指数 中证能源指数 中证证券公司30指数 中证食品饮料指数等为主要跟踪标的 [9] 市场情绪 - 权益资产与债券资产风险溢价跟踪显示市场风险偏好变化 [12] 融资余额 - 融资余额变化反映市场杠杆资金动向 [14] 个股收益分布 - 年初至今个股收益区间占比统计反映市场整体表现 [16] 指数超卖 - 指数超卖情况显示市场短期调整压力 [18]

市场表现 - 最近5个交易日科创50指数跌0.63%，创业板指跌6.73%，大盘价值跌2.61%，大盘成长跌3.37%，上证50跌1.60%，国证2000代表的小盘跌6.29% [1] - 农林牧渔、商贸零售市场表现靠前，电力设备、通信表现靠后 [1] 风险溢价与估值水平 - 中证全指风险溢价指标2024/01/19达4.11%，为2016年以来第五次超过4%，截至2025/04/11指标为4.09%，两倍标准差边界为4.73% [1] - 中证全指PETTM分位数45%，上证50与沪深300分别为56%、43%，创业板指接近9%，中证500与中证1000分别为28%、30% [1] - 创业板指风格估值处于历史相对较低水平 [1] 技术面分析 - 深100指数技术面显示每隔3年一轮熊市后进入牛市，本轮2021年一季度开始的调整时间和空间较充足，可能进入底部向上周期 [1] 资金交易动态 - 最近5个交易日ETF资金流入2069亿元，融资盘减少约983亿元，两市日均成交15742亿元 [2] 行业主题配置 - 卷积神经网络模型当前配置主题为证券等，涉及国证证券龙头指数、中证证券公司30指数、中证全指证券公司指数等 [9][10] 主流ETF规模变化 - 该部分内容未提供具体数据，仅标题提及 [7] 权益与债券资产风险偏好跟踪 - 该部分内容未提供具体数据，仅标题提及 [12] 融资余额 - 该部分内容未提供具体数据，仅标题提及 [14] 个股收益分布统计 - 该部分内容未提供具体数据，仅标题提及 [16] 指数超卖 - 该部分内容未提供具体数据，仅标题提及 [18]

市场表现 - 最近5个交易日科创50指数跌0.63%，创业板指跌6.73%，大盘价值跌2.61%，大盘成长跌3.37%，上证50跌1.60%，国证2000代表的小盘跌6.29% [1] - 农林牧渔、商贸零售市场表现靠前，电力设备、通信表现靠后 [1] 风险溢价 - 中证全指静态PE的倒数EP减去十年期国债收益率，历史极端底部该数据均处在均值上两倍标准差区域，如2012/2018/2020年 [1] - 2022/04/26风险溢价达到4.17%，2022/10/28上升到4.08%，市场迅速反弹，2024/01/19指标4.11%，自2016年以来第五次超过4% [1] - 截至2025/04/11指标4.09%，两倍标准差边界为4.73% [1] 估值水平 - 截至2025/04/11，中证全指PETTM分位数45%，上证50与沪深300分别为56%、43%，创业板指接近9%，中证500与中证1000分别为28%、30% [2] - 创业板指风格估值相对历史总体处于相对较低水平 [2] 技术面分析 - 深100技术面每隔3年一轮熊市，之后是牛市，如2012/2015/2018/2021年，每次下行幅度在40%至45%之间 [2] - 本轮始于2021年一季度的调整无论时间与空间看都比较充足，关注底部向上周期的可能 [2] 资金交易 - 最近5个交易日ETF资金流入2069亿元，融资盘5个交易日减少约983亿元，两市日均成交15742亿元 [3] 卷积神经网络趋势观察 - 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 [7] - 截至2025/04/11，配置主题为证券等 [2] 指数观察 - 关注的指数包括国证证券龙头指数、中证证券公司30指数、中证全指证券公司指数、中证基建工程指数、中证高股息策略指数 [8]

市场表现与指数动态 - 最近5个交易日科创50指数跌1.29%，创业板指跌1.12%，大盘价值涨0.28%，大盘成长涨0.04%，上证50涨0.16%，国证2000代表的小盘跌2.98% [1] - 医药生物、农林牧渔市场表现靠前，计算机、国防军工表现靠后 [1] - 中证全指风险溢价指标在2024/01/19达到4.11%，为2016年以来第五次超过4%，截至2025/03/28回落至3.69%，两倍标准差边界为4.72% [1] 估值水平与技术分析 - 截至2025/03/28，中证全指PETTM分位数53%，上证50与沪深300分别为58%、48%，创业板指接近14%，中证500与中证1000分别为33%、38% [2] - 深100指数技术面呈现3年周期规律，2012/2015/2018/2021年熊市下行幅度40%-45%，2021年一季度开始的调整时间与空间已较充分 [2] - 卷积神经网络模型当前配置主题为建筑材料、红利低波等板块 [2][9] 资金交易数据 - 最近5个交易日ETF资金流入162亿元，融资盘减少约248亿元，两市日均成交12346亿元 [3] 量化模型应用 - 卷积神经网络通过标准化价量图表建模，将学习特征映射至行业主题板块，如中证全指建筑材料指数、中证红利低波动指数等 [8][9] 指数与板块跟踪 - 重点跟踪指数包括中证全指建筑材料指数(931009.CSI)、中证红利低波动指数(h30269.CSI)、中证钢铁指数(930606.CSI)等 [9]

AlexNet的发布与意义 - 计算机历史博物馆(CHM)与Google合作发布了AlexNet的源代码 该神经网络是2012年开启当今AI浪潮的关键技术 [1] - AlexNet由多伦多大学团队(Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton)开发 主要用于图像识别 [2][15] - 其2012年论文被引用超过172,000次 标志着计算机视觉领域从传统算法转向神经网络的转折点 [16][17] 深度学习的发展历程 - Geoffrey Hinton团队在1986年重新发现反向传播算法 成为现代深度学习的基础 [5] - 20世纪80年代神经网络以"联结主义"名称复兴 Yann LeCun证明卷积神经网络在手写识别中的优势 [5][6] - 2000年代后期GPU加速的神经网络训练取得突破 语音识别率先验证技术可行性 [13] 关键基础设施突破 - ImageNet项目(2009年完成)提供比传统数据集大几个数量级的训练样本 但前两年算法进步有限 [8][9] - NVIDIA的CUDA系统(2007年)使GPU能用于通用计算 黄仁勋推动的H100芯片现支撑ChatGPT等AI训练 [9][12] - AlexNet首次将深度神经网络、大数据集和GPU计算结合 训练在家庭电脑搭载的两块NVIDIA显卡上完成 [13][15] 技术实现细节 - Alex Krizhevsky开发"cuda-convnet"代码库 通过多GPU支持实现ImageNet训练性能突破 [15] - 原始代码经过5年协商才获谷歌授权发布 2012版源代码现可在CHM的GitHub获取 [18] - 技术路线从专用图像识别扩展至语音合成、围棋、自然语言处理等领域 最终催生ChatGPT [17]

神经常微分方程与液态神经网络 - 神经常微分方程（Neural ODE）通过将离散残差结构连续化，提出用同一常微分方程求解无限堆叠残差结构的参数，显著降低计算复杂度 [1][5][6] - 液态神经网络（LTC/NCP/CFC）基于Neural ODE思想，将循环神经网络离散时间步连续化，提升表征能力并增强抗噪声鲁棒性 [2][13][28] - LTC网络通过生物神经元启发的微分方程设计，在时间序列预测任务中相比传统RNN提升5%-70%性能 [14][15][20] - NCP网络模仿线虫神经系统结构，采用稀疏连接和分层设计，参数量仅为LSTM的4.3%（1,065 vs 24,897）但保持相当性能 [26][31][32] - CFC网络通过推导LTC微分方程的闭式解，避免数值求解过程，训练速度比ODE-RNN快97倍（0.084 vs 7.71分钟/epoch） [33][36][37] 量化选股实证结果 - 液态神经网络显存需求仅为GRU的5%-67%（CFC 6Gb vs GRU 120Gb），实现同等选股效果下大幅降低计算资源消耗 [40][41] - 不同液态网络因子与GRU的相关系数0.69-0.82，显示模型能从相同数据中提取差异化价量特征 [42][43] - NCP结构在2020-2024年回测中表现最优，多头年化收益率24.38%超过GRU的24.21%，夏普比率0.95优于GRU的0.88 [44][50][54] - CFC网络在2024年极端市场中保持稳健，多空年化收益率42.64%显著高于GRU的39.36% [45][58] - 液态神经网络整体多空夏普比率5.22-5.66，优于传统GRU的5.22，显示更强的风险调整后收益能力 [45][50] 技术优势比较 - 参数量：NCP(19神经元)仅253个突触连接，全连接LSTM(64神经元)需24,640个连接 [25][26][32] - 计算效率：CFC训练速度达ODE-RNN的92倍（0.097 vs 8.49分钟/epoch），LTC采用半隐式欧拉法平衡精度与速度 [17][36][37] - 鲁棒性：NCP在噪声环境下碰撞次数比LSTM低63%，异常数据识别准确率保持85%以上 [28][30] - 可解释性：NCP神经元分工明确，可通过微分方程分析单个神经元对决策贡献 [32][38] - 内存占用：CFC前向传播内存复杂度O(1)，传统BPTT方法为O(L×T) [19][33]