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**[2][78] * **模型构建思路**：使用卷积神经网络（CNN）对个股历史价量数据生成的标准化图表进行深度学习，以识别图表中的特征模式，并预测未来价格走势。最终将学习到的特征映射到行业主题板块，生成行业配置建议。[2][78] * **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、成交量等时间序列。[78] 2. **图表化**：将标准化后的价量数据转换为图像格式，作为CNN的输入。图表示例可参考报告中的“标准化数据价量图表”。[79] 3. **模型训练**：使用卷积神经网络对大量的历史价量图表进行训练，学习图表特征与未来一段时间（如下一期）价格变动之间的映射关系。[2][78] 4. **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，识别出当前具有相似积极特征的板块。[2][78] 5. **生成信号**：根据模型对各个板块的分析，输出看好的行业主题配置列表。[80] 2. **模型名称：宏观因子事件模型**[55][57] * **模型构建思路**：跟踪一系列关键的国内外宏观指标，通过定义和识别这些指标在特定时间窗口内的走势事件（如短期高点、连续下跌等），并基于历史回测筛选出对资产未来收益率有显著影响的“有效因子事件”，从而对权益市场未来走势进行判断。[55] * **模型具体构建过程**： 1. **因子选择**：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等多个维度。[55] 2. **事件定义**：定义四类宏观因子走势事件：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转。[55] 3. **有效性检验**：从历史数据中回测，寻找那些对资产（如股票指数）未来收益率影响较为显著的因子事件，即“有效因子事件”。[55] 4. **趋势判断**：对于部分因子，采用历史均线（如1月、3月、12月均线）将其走势划分为趋势上行或趋势下行。[57] 5. **信号生成**：统计历史上在宏观指标处于不同趋势下，对应资产的未来平均收益，筛选出存在显著差异的情况，形成当前宏观因子趋势对权益市场的观点（如看多、震荡）。[57][58] 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[48] * **模型构建思路**：通过监测上证50ETF期权成交量的看涨看跌比率（CPR），并将其与布林通道结合，判断蓝筹股是否存在短期超买或超卖风险。[48] * **模型具体构建过程**： 1. **计算CPR**：计算上证50ETF期权成交量的看涨看跌比率。[48] 2. **计算滚动指标**：计算滚动20个交易日的CPR。[50] 3. **构建通道**：计算该滚动20日CPR的60日布林通道上轨。[48] 4. **生成信号**：当滚动20日CPR高于其60日布林通道上轨时，模型认为蓝筹股短期存在超卖风险。[48] 4. **模型名称：GFTD模型**[82] * **模型评价**：报告中提及该模型历史择时成功率约为80%，但市场波动不确定性下模型信号存在失效可能。[82] 5. **模型名称：LLT模型**[82] * **模型评价**：报告中提及该模型历史择时成功率约为80%，但市场波动不确定性下模型信号存在失效可能。[82] 量化因子与构建方式 1. **因子名称：新高新低比例因子**[33] * **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趋势强度。[33] * **因子具体构建过程**： 1. 每日计算全市场个股中，收盘价创近60日新高的个股数量。 2. 每日计算全市场个股中，收盘价创近60日新低的个股数量。 3. 分别计算新高个股数占总股票数的比例（60日新高比例），以及新低个股数占总股票数的比例（60日新低比例）。[33][34] 2. **因子名称：个股均线结构因子**[37] * **因子构建思路**：通过计算呈现特定均线多头排列形态的个股占比，来反映市场整体的技术趋势强弱。[37] * **因子具体构建过程**： 1. 对每只个股，判断其短期、中期、长期均线（如5日、20日、60日均线）是否呈多头排列（短期>中期>长期）。 2. 判断其是否呈空头排列（短期<中期<长期）。 3. 计算当日呈多头排列的个股数量与呈空头排列的个股数量之差，再除以总股票数，得到“均线强弱指标”或“多头排列减空头排列个股占比”。[37][38] 3. **因子名称：长期均线以上比例因子**[40] * **因子构建思路**：通过统计股价位于长期均线之上的个股比例，来衡量市场整体的牛市广度。[40] * **因子具体构建过程**： 1. 对每只个股，判断其当日收盘价是否位于200日长期移动平均线之上。 2. 计算股价位于200日长期均线之上的个股数量占总股票数的比例。[40] 4. **因子名称：风险溢价因子**[66][81] * **因子构建思路**：通过计算股票市场隐含收益率（市盈率倒数）与无风险利率（十年期国债收益率）的差值，来衡量股票资产相对于债券资产的吸引力。[66][81] * **因子具体构建过程**： 1. 计算中证全指（或其它宽基指数）的静态市盈率（PE_TTM）。 2. 计算其倒数，即盈利收益率（EP）。 3. 从盈利收益率（EP）中减去十年期国债收益率，得到风险溢价。 $$风险溢价 = \frac{1}{PE\_{TTM}} - 十年期国债收益率$$[81] 5. **因子名称：指数超买超卖因子**[69][73] * **因子构建思路**：通过特定方法计算各主要宽基指数和行业指数的超跌或超买程度，用于识别市场或板块的极端状态。[69][73] * **因子具体构建过程**：报告中未详细描述具体计算公式，但展示了截至报告日（NEW）和历史上另一个时点（20181228）各指数的“超跌指标”统计结果，用于对比。[70][71][74][75] 6. **因子名称：融资余额因子**[76] * **因子构建思路**：跟踪市场融资余额的绝对规模及其占流通市值的比例，作为衡量市场杠杆资金情绪和力量的指标。[76] * **因子具体构建过程**： 1. 获取每日市场融资买入的总余额。 2. 计算融资余额占A股流通市值的百分比。[77] 7. **因子名称：市场真实换手率因子**[51] * **因子构建思路**：考虑自由流通股本后计算市场换手率，以更真实地反映市场的交易活跃程度。[51] * **因子具体构建过程**：报告中未给出具体公式，但指出其计算考虑了自由流通股本，并以中证全指和创业板指为例展示了该因子的时间序列。[51][53] 模型的回测效果 （报告中未提供具体模型的量化回测指标结果，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告中未提供具体因子的IC、IR、多空收益等量化检验结果。）

市场近期表现 - 最近5个交易日，科创50指数上涨2.62%，国证2000代表的小盘股上涨3.33%，而创业板指下跌0.34%，大盘价值下跌1.64%，大盘成长下跌1.34%，上证50下跌1.54% [1] - 行业表现方面，建筑材料、石油石化表现靠前，银行、通信表现靠后 [1] - 两市日均成交额为27,727亿元 [2] 主流ETF规模变化 - 最近5个交易日，ETF资金流出3,265亿元 [2] 卷积神经网络趋势观察 - 基于卷积神经网络对图表化的价量数据与未来价格进行建模，并将学习特征映射到行业主题板块中 [2][11] - 最新配置主题包括石化、化工、机床、半导体和有色，具体关注中证石化产业指数、中证细分化工产业主题指数、中证机床指数、中证半导体材料设备主题指数和国证有色指数等细分指数 [2][3][12] 市场情绪之200日长期均线之上比例 - 该部分在提供的文档内容中无具体数据或描述，已根据要求跳过 权益资产与债券资产风险偏好跟踪 - 截至2026年1月23日，风险溢价指标为2.46%，该指标由中证全指静态市盈率的倒数减去十年期国债收益率计算得出，其两倍标准差边界为4.68% [1] - 估值方面，截至同一日期，中证全指市盈率TTM分位数为84%，上证50与沪深300分位数分别为72%和73%，创业板指接近63%，中证500与中证1000分别为70%和68%，创业板指风格估值相对历史总体处于中位数水平 [1] 融资余额 - 最近5个交易日，融资盘增加约65亿元 [2] 个股年初至今基于收益区间的占比分布统计 - 该部分在提供的文档内容中无具体数据或描述，已根据要求跳过 指数超卖 - 该部分在提供的文档内容中无具体数据或描述，已根据要求跳过

市场近期表现 - 最近5个交易日，科创50指数上涨2.58%，创业板指上涨1.00%，国证2000代表的小盘股上涨1.31% [1] - 同期大盘价值股下跌2.81%，大盘成长股微跌0.03%，上证50指数下跌1.74% [1] - 行业层面，计算机和电子板块表现靠前，国防军工和房地产板块表现靠后 [1] 市场估值水平 - 截至2026年1月16日，中证全指PETTM分位数处于83%的高位 [1] - 主要宽基指数估值分位数：上证50为74%，沪深300为75%，创业板指接近63%，中证500为69%，中证1000为67% [1] - 创业板指风格估值相对历史总体处于中位数水平 [1] 资金与交易情况 - 最近5个交易日，ETF资金净流出1323亿元 [3] - 同期融资盘增加约973亿元 [3] - 两市日均成交额为34251亿元 [3] 风险溢价指标 - 截至2026年1月16日，中证全指静态市盈率的倒数EP减去十年期国债收益率为2.51% [1] - 该指标的两倍标准差边界为4.68% [1] AI模型识别主题配置 - 基于卷积神经网络对图表化价量数据建模，将学习特征映射到行业主题板块 [2] - 最新配置主题包括卫星、有色、生物科技、计算机等 [2] - 具体关注的细分指数包括：中证卫星产业指数、中证工业有色金属主题指数、中证生物科技主题指数、中证大数据产业指数和中证计算机主题指数 [2][4][12]

市场表现与风格 - 最近5个交易日，科创50指数上涨9.80%，创业板指上涨3.89%，国证2000代表的小盘风格上涨7.21%，而上证50上涨3.40%，大盘价值仅上涨0.47%，大盘成长上涨2.82% [1] - 行业表现方面，综合与国防军工表现靠前，银行与交通运输表现靠后 [1] - 截至2026年1月9日，中证全指PETTM估值分位数为83%，上证50与沪深300均为76%，创业板指接近62%，中证500与中证1000分别为68%和67%，创业板指估值相对历史处于中位数水平 [1] 资金与交易动态 - 最近5个交易日，ETF资金整体流出16亿元，而融资盘增加约642亿元 [2] - 两市日均成交额为28260亿元 [2] AI模型识别趋势主题 - 基于卷积神经网络对图表化价量数据与未来价格进行建模，并将学习特征映射到行业主题板块中 [2][11] - 模型最新配置关注卫星和半导体等主题，具体涉及中证卫星产业指数、上证科创板半导体材料设备主题指数、中证半导体材料设备主题指数、国证商用卫星通信产业指数及中证半导体产业指数等细分指数 [2][3][12] 风险溢价与资产对比 - 截至2026年1月9日，中证全指静态市盈率的倒数EP与十年期国债收益率的差值，即风险溢价指标为2.52%，其两倍标准差边界为4.69% [1]

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**[77] * **模型构建思路**：使用卷积神经网络（CNN）对个股历史价量数据构建的标准化图表进行深度学习，以识别图表特征与未来价格走势之间的关系，并将学习到的特征映射到行业主题板块中，从而进行行业主题配置。[77] * **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。[77] 2. **模型训练**：使用卷积神经网络对上述图表化的价量数据与未来价格进行建模，学习能够预测未来价格走势的图表特征。[77] 3. **特征映射**：将训练好的模型学习到的特征映射到行业主题板块，识别出具有相似积极特征的板块。[77] 4. **生成配置**：根据模型识别结果，输出当前看好的行业主题及对应的具体指数。[77][79] 2. **模型名称：宏观因子事件模型**[56] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义其特定的走势事件（如短期高低点、连续涨跌等），并从历史数据中寻找那些对未来资产收益率有显著影响的“有效因子事件”，以此作为判断未来资产趋势的依据。[56] * **模型具体构建过程**： 1. **因子选择**：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。[56] 2. **事件定义**：定义四类宏观因子事件来描述指标走势：短期高低点、连续上涨下跌、创历史新高新低、因子走势反转。[56] 3. **有效性检验**：从历史数据中回测，筛选出对资产未来收益率影响较为显著的因子事件，即“有效因子事件”。[56] 4. **趋势分析**：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，统计在不同趋势下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。[58][59] 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[49] * **模型构建思路**：通过监测上证50ETF期权成交量的看涨看跌比率（CPR）与其布林通道的相对位置，来判断蓝筹股是否存在短期超卖风险。[49] * **模型具体构建过程**： 1. **计算指标**：计算上证50ETF期权成交量的看涨看跌比率（CPR）。[49] 2. **构建通道**：计算CPR的60日布林通道（通常包含上轨、中轨、下轨）。[49] 3. **信号生成**：观察最近20个交易日的CPR是否低于60日布林通道的上轨。若低于上轨，则认为蓝筹股短期不存在超卖风险。[49] 4. **因子名称：新高新低比例因子**[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内部结构强度。[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（60日新高比例），以及创近60日新低的个股数占总个股数的比例（60日新低比例）。[34] 5. **因子名称：个股均线结构因子**[38] * **因子构建思路**：通过计算呈现特定均线多头排列与空头排列的个股数量之差占总体本的比例，来反映市场整体的技术趋势强弱。[38] * **因子具体构建过程**：计算呈现多头排列的个股数量与呈现空头排列的个股数量之差，再除以总个股数，得到“均线强弱指标”或“多头排列减空头排列个股占比”。[38] 6. **因子名称：长期均线以上比例因子**[41] * **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，用以衡量市场整体的长期趋势强弱和广度。[41] * **因子具体构建过程**：计算当前价格位于200日移动平均线之上的个股数量，再除以总个股数，得到“长期均线以上比例”。[41] 7. **因子名称：风险溢价因子**[66] * **因子构建思路**：通过计算股票市场收益率（市盈率倒数）与无风险收益率（十年期国债收益率）之差，来衡量股票资产相对于债券资产的吸引力。[66][80] * **因子具体构建过程**：采用中证全指静态市盈率（PE_TTM）的倒数作为盈利收益率（EP），减去十年期国债收益率，得到风险溢价。 $$风险溢价 = \frac{1}{PE\_{TTM}} - 十年期国债收益率$$[80] 模型的回测效果 （报告中未提供各模型的详细历史回测绩效指标，如年化收益率、夏普比率、最大回撤等具体数值。） 量化因子的回测效果 （报告中未提供各因子的详细历史回测绩效指标，如IC值、IR、多空收益等具体数值。仅提供了部分因子在最新一期的观察值。） 1. **新高新低比例因子**：截至报告期末，创近60日新高个股数占比从前一期的9.5%升至9.6%；创近60日新低个股数占比从前一期的6.4%升至10.7%。[34] 2. **个股均线结构因子**：截至报告期末，多头排列减空头排列个股占比从前一期的-22%降至-29%。[38] 3. **风险溢价因子**：截至2025年12月31日，中证全指风险溢价为2.69%，其历史均值（avg）及两倍标准差边界（avg+2*sigma, avg-2*sigma）在图表中显示。[67][80]

市场近期表现 - 最近5个交易日，科创50指数下跌0.59%，创业板指下跌0.82%，大盘价值微涨0.01%，大盘成长下跌0.39%，上证50上涨0.20%，国证2000代表的小盘股上涨1.09% [1] - 行业板块方面，国防军工、石油石化表现靠前，通信、综合表现靠后 [1] 市场估值水平 - 截至2025年12月31日，中证全指PETTM分位数为82%，上证50与沪深300分位数均为75%，创业板指分位数接近58%，中证500与中证1000分位数分别为62%、64% [1] - 创业板指风格估值相对历史总体处于中位数水平 [1] 资金交易情况 - 最近5个交易日，ETF资金流入256亿元，融资盘增加约238亿元 [2] - 两市日均成交额为20823亿元 [2] 卷积神经网络趋势观察 - 基于卷积神经网络对图表化的价量数据与未来价格进行建模，并将学习特征映射到行业主题板块中 [2][11] - 最新配置主题包括化工、非银和卫星等，具体涉及中证细分化工产业主题指数、国证商用卫星通信产业指数、沪深300非银行金融指数、中证全指红利质量指数等细分指数 [2][3][12] 权益与债券资产风险溢价 - 截至2025年12月31日，风险溢价指标为2.69%，该指标为中证全指静态PE的倒数EP减去十年期国债收益率 [1] - 该指标的两倍标准差边界为4.70% [1]

市场近期表现 - 最近5个交易日，科创50指数上涨2.85%，创业板指上涨3.90%，国证2000代表的小盘股上涨3.55%，大盘价值微跌0.02%，大盘成长上涨2.70%，上证50上涨1.37% [1] - 行业表现方面，有色金属、国防军工表现靠前，美容护理、社会服务表现靠后 [1] 市场估值水平 - 截至2025年12月26日，中证全指PETTM分位数处于82%的历史高位，上证50与沪深300的分位数均为74% [1] - 创业板指估值分位数接近59%，处于历史中位数水平，中证500与中证1000的估值分位数分别为62%和64% [1] 资金交易情况 - 最近5个交易日，ETF资金流入416亿元，融资盘增加约457亿元 [2] - 两市日均成交额为19454亿元 [2] AI模型识别行业主题 - 基于卷积神经网络对图表化价量数据建模，最新配置关注化工、非银金融、通信和卫星等主题 [2][10] - 具体关注的细分指数包括：中证细分化工产业主题指数、沪深300非银行金融指数、中证全指通信设备指数、国证商用卫星通信产业指数和中证卫星产业指数 [3][11] 风险溢价指标 - 截至2025年12月26日，中证全指静态市盈率的倒数EP与十年期国债收益率的差值（风险溢价）为2.69%，其两倍标准差上边界为4.70% [1]

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**[79] * **模型构建思路**：利用深度学习技术，将个股历史价量数据转化为标准化的图表，通过卷积神经网络（CNN）学习图表中的特征模式，以预测未来价格走势，并将学习到的有效特征映射到行业主题板块，生成行业配置建议。[79] * **模型具体构建过程**： 1. **数据准备**：对每个个股，选取一个特定窗口期内的价量数据（如价格、成交量等）。[79] 2. **图表化**：将标准化处理后的价量数据构建成可视化的图表。研报中提及了“标准化数据价量图表”。[80] 3. **模型训练**：使用卷积神经网络对上述图表化的价量数据与对应的未来价格（或收益率）进行建模训练，使网络学会从图表中识别出与未来价格变动相关的特征模式。[79] 4. **特征映射与配置**：将训练好的CNN模型学习到的特征应用于市场当前数据，识别出具有相似积极特征的股票集群，并将其映射到对应的行业或主题板块，从而生成看好的行业主题配置列表。[79][82] 2. **模型名称：宏观因子事件分析模型**[54] * **模型构建思路**：通过跟踪一系列关键的国内外宏观指标，定义并识别这些指标在特定时间段内的走势事件（如创短期高点、连续下跌等），并基于历史回测，筛选出对未来资产收益率有显著预测作用的“有效因子事件”，用以判断市场趋势。[54] * **模型具体构建过程**： 1. **因子选择**：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等多个维度。[54] 2. **事件定义**：为每个宏观因子定义四类走势事件：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转。[54] 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。[54] 4. **趋势分析**：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或下行，并统计在不同趋势下，各类资产（如大盘股、中小盘股）未来一个月的平均收益表现，以形成观点。[56][57] 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[47] * **模型构建思路**：通过监测上证50ETF期权成交量的看涨看跌比率（CPR）与其布林通道的相对位置，来判断蓝筹股市场的短期超买或超卖风险。[47] * **模型具体构建过程**： 1. **计算CPR**：计算上证50ETF期权成交量的看涨看跌比率。 2. **计算布林通道**：计算CPR的60日移动平均线及其上下轨（通常为标准差的倍数）。 3. **信号生成**：观察最近20个交易日的CPR数值是否持续低于60日布林通道的上轨。若低于上轨，则认为蓝筹股短期不存在超卖风险。[47] 量化因子与构建方式 1. **因子名称：新高新低比例因子**[33] * **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内部结构强度。[33] * **因子具体构建过程**： 1. 每日计算创近60日新高的个股数。 2. 每日计算创近60日新低的个股数。 3. 分别计算新高个股数占总股票数的比例（60日新高比例），以及新低个股数占总股票数的比例（60日新低比例）。[33][34] 2. **因子名称：个股均线结构因子**[37] * **因子构建思路**：通过计算处于不同均线多头排列和空头排列状态的个股占比之差，来反映市场整体的技术趋势强弱。[37] * **因子具体构建过程**： 1. 对每只个股，判断其短期、中期、长期均线（如5日、20日、60日均线）是否呈多头排列（短期>中期>长期）或空头排列（短期<中期<长期）。 2. 计算当日处于多头排列的个股数量占比。 3. 计算当日处于空头排列的个股数量占比。 4. 计算“均线强弱指标”：多头排列个股占比 减去 空头排列个股占比。[37][38] 3. **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，用以衡量市场整体的长期趋势强弱和广度。[40] * **因子具体构建过程**： 1. 对每只个股，计算其200日移动平均线。 2. 判断当日收盘价是否位于200日移动平均线之上。 3. 计算股价位于200日线上方的个股数占总股票数的比例，即“长期均线以上比例”。[40] 4. **因子名称：风险溢价因子**[66][82] * **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。[66][82] * **因子具体构建过程**： 1. 计算中证全指（或其它市场指数）的静态市盈率（PE_TTM）。 2. 求其倒数，得到盈利收益率（Earnings Yield, EP）。公式为： $$EP = \frac{1}{PE\_TTM}$$ 3. 减去当前十年期国债收益率，得到风险溢价（Risk Premium）。公式为： $$风险溢价 = EP - 十年期国债收益率$$[66][82] 4. 同时计算该风险溢价的历史均值和标准差通道（如均值±2倍标准差）作为参考边界。[67] 5. **因子名称：指数超买超卖因子**[69] * **因子构建思路**：通过特定指标（研报中未明确具体计算方法，常见如RSI、乖离率等）度量主要宽基指数和行业指数是否处于超买或超卖状态。[69] * **因子具体构建过程**：研报中展示了“超跌指标统计”图，但未详细说明该指标的具体构建公式。其核心是计算一个用于衡量指数短期偏离程度的标准化指标。[69][70][73] 6. **因子名称：融资余额因子**[76] * **因子构建思路**：跟踪市场融资余额的绝对规模及其占流通市值的比例，以观察杠杆资金的入场意愿和市场热度。[76] * **因子具体构建过程**： 1. 获取每日市场融资买入的总余额。 2. 计算融资余额占A股流通市值的百分比。[78] 模型的回测效果 *本报告未提供所列量化模型（卷积神经网络模型、宏观因子事件模型、CPR模型）具体的回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告主要展示了卷积神经网络模型的最新输出结果（行业配置列表）以及宏观因子模型的当前观点。[57][81]* 因子的回测效果 *本报告未提供所列量化因子（新高新低比例、均线结构、长期均线以上比例、风险溢价、超买超卖、融资余额）具体的因子测试结果（如IC值、IR、多空收益等）。报告主要展示了这些因子在最新一期（2025年12月19日）的截面取值或时间序列状态。例如：* 1. **新高新低比例因子**：60日新高比例为7.7%，60日新低比例为6.4%。[33] 2. **个股均线结构因子**：均线强弱指标（多头排列占比减空头排列占比）为-24%。[37] 3. **风险溢价因子**：中证全指风险溢价为2.79%，其历史均值+2倍标准差边界为4.71%。[67][82] 4. **融资余额因子**：最近5个交易日融资余额减少约76亿元。[82]

市场近期表现 - 最近5个交易日，科创50指数下跌2.99%，创业板指下跌2.26%，大盘价值上涨1.52%，大盘成长下跌1.39%，上证50上涨0.32%，国证2000代表的小盘股下跌0.37% [1] - 行业表现方面，商贸零售、非银金融表现靠前，电子、电力设备表现靠后 [1] 市场估值水平 - 截至2025年12月19日，中证全指PETTM分位数处于80%的高位，上证50与沪深300分位数分别为74%和73%，中证500与中证1000分位数分别为59%和60% [1] - 创业板指估值分位数接近55%，其风格估值相对历史总体处于中位数水平 [1] 资金交易情况 - 最近5个交易日，ETF资金流入721亿元，融资盘减少约76亿元，两市日均成交额为17380亿元 [2] 风险溢价指标 - 截至2025年12月19日，中证全指静态市盈率的倒数EP减去十年期国债收益率（风险溢价）为2.79%，其两倍标准差边界为4.71% [1] AI模型识别趋势 - 基于卷积神经网络对图表化价量数据与未来价格进行建模，并将学习特征映射到行业主题板块中 [2][11] - 最新模型配置关注的主题包括非银金融、卫星通信、化工等，具体涉及沪深300非银行金融指数、国证商用卫星通信产业指数、中证细分化工产业主题指数等细分指数 [2][3][12]

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**[83] * **模型构建思路**：使用卷积神经网络（CNN）对个股历史价量数据形成的标准化图表进行建模，学习图表特征与未来价格走势之间的关系，并将学习到的有效特征映射到行业主题板块，以识别具有趋势性机会的板块[83]。 * **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[83][84]。 2. **模型训练**：使用卷积神经网络对上述图表化的价量数据与未来价格进行建模，学习能够预测未来价格走势的图表特征[83]。 3. **特征映射**：将训练好的模型学习到的特征映射到行业主题板块中，识别出模型认为未来具有上涨潜力的主题板块[83]。 4. **输出配置**：模型最终输出为看好的具体行业主题指数列表，作为配置建议[85]。 2. **模型名称：宏观因子事件模型**[58] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义其特定的走势事件（如短期高低点、连续涨跌等），并从历史数据中回测寻找对资产未来收益率有显著影响的“有效因子事件”，以此作为判断未来资产趋势的依据[58]。 * **模型具体构建过程**： 1. **因子选择**：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等多个维度[58]。 2. **事件定义**：定义四类宏观因子走势事件：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转[58]。 3. **有效性检验**：从历史数据中回测，筛选出对资产未来收益率影响较为显著的“有效因子事件”[58]。 4. **趋势分析**：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，统计在不同趋势下资产未来一个月收益率的显著差异，形成观点[60][61]。 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[51] * **模型构建思路**：通过监测上证50ETF期权成交量看涨看跌比率（CPR）与其布林通道的相对位置，来判断蓝筹股是否存在短期超卖风险[51]。 * **模型具体构建过程**： 1. **计算CPR**：计算上证50ETF期权成交量的看涨看跌比率[51]。 2. **构建通道**：计算CPR的60日布林通道（通常包含上轨、中轨、下轨）[51]。 3. **信号生成**：当最近20个交易日的CPR低于其60日布林通道上轨时，模型认为蓝筹股短期不存在超卖风险[51]。 量化因子与构建方式 1. **因子名称：新高新低比例因子**[37] * **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趋势强度[37]。 * **因子具体构建过程**： * **新高比例**：计算创近60日新高的个股数量占全部个股总数的比例[3][37]。 * **新低比例**：计算创近60日新低的个股数量占全部个股总数的比例[3][37]。 2. **因子名称：个股均线结构因子**[41] * **因子构建思路**：通过计算均线呈多头排列与空头排列的个股数量之差占全体个股的比例，来反映市场整体的技术趋势强弱[41]。 * **因子具体构建过程**： * **均线强弱指标**：计算（多头排列个股数量 - 空头排列个股数量） / 全体个股数量[41]。该指标值上升表明市场整体技术面走强，下降则表明走弱[3][4]。 3. **因子名称：长期均线以上比例因子**[44] * **因子构建思路**：通过统计股价位于长期均线（如200日）之上的个股比例，来评估市场整体的长期趋势强弱和广度[44]。 * **因子具体构建过程**：计算当前价格位于200日长期移动平均线之上的个股数量占全体个股数量的比例[44]。 4. **因子名称：风险溢价因子**[70] * **因子构建思路**：通过计算股票市场收益率（市盈率倒数）与无风险收益率（十年期国债收益率）的差值，来衡量股票资产相对于债券资产的吸引力[86]。 * **因子具体构建过程**： 1. 计算中证全指的静态市盈率（PE_TTM）的倒数，即盈利收益率（EP）[86]。 2. 从EP中减去十年期国债收益率，得到风险溢价[86]。 $$风险溢价 = \frac{1}{PE\_{TTM}} - 十年期国债收益率$$ * **因子评价**：该指标是衡量股债性价比的核心指标，值越高通常表示股票相对债券越有吸引力[86]。 5. **因子名称：指数超买超卖因子**[73] * **因子构建思路**：通过特定算法计算主要指数和行业指数的超跌或超买状态，以识别市场或板块的极端位置[73]。 * **因子具体构建过程**：报告未详细说明具体计算算法，但展示了截至特定日期（2025年12月12日）各主要宽基指数和行业指数的“超跌指标”统计值[73][74][77][78]。 模型的回测效果 （报告中未提供具体模型的量化回测指标结果，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告中未提供具体因子的IC值、IR、多空收益等量化测试结果。报告主要展示了部分因子在最新一期的状态取值。） 1. **新高新低比例因子**：截至2025年12月12日当周，创近60日新高个股数占比从前一期的8.4%升至8.5%；创近60日新低个股数占比从前一期的6.9%升至20%[3][4]。 2. **个股均线结构因子**：截至2025年12月12日当周，多头排列减空头排列个股占比从前一期的-6.9%降至-15%[3][4]。 3. **风险溢价因子**：截至2025年12月12日，中证全指风险溢价为2.82%，其历史均值加减两倍标准差边界分别为4.71%和未知下限[86]。 4. **宏观因子事件模型当前观点**：根据截至2025年12月12日的宏观因子趋势分析，对权益市场未来一个月的观点为：PMI、CPI同比、社融存量同比趋势显示市场可能“震荡”；10年期国债收益率和美元指数趋势显示“看多”[61]。