市场表现 - 最近5个交易日，科创50指数下跌4.95%，创业板指下跌2.45%，大盘价值上涨1.17%，大盘成长下跌1.10%，上证50下跌1.54%，国证2000代表的小盘股上涨3.53%，行业方面石油石化、煤炭表现靠前，传媒、有色金属表现靠后 [1] - 两市日均成交额为26212亿元 [2] 估值水平 - 截至2026年3月6日，中证全指PETTM分位数为84%，上证50与沪深300分别为72%、75%，创业板指接近58%，中证500与中证1000分别为69%、68%，创业板指风格估值相对历史总体处于中位数水平 [1] 风险偏好 - 截至2026年3月6日，中证全指静态PE的倒数EP减去十年期国债收益率（风险溢价）为2.47%，其两倍标准差边界为4.64% [1] 资金流向 - 最近5个交易日，ETF资金流入50亿元，融资盘缩减约160亿元 [2] AI模型观察 - 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，最新配置主题为电力、电网、公用事业等 [2] - AI模型关注的具体细分指数包括：国证绿色电力指数、中证绿色电力指数、中证全指电力公用事业指数、中证全指公用事业指数、中证电网设备主题指数 [2][3][12]

市场近期表现 - 最近5个交易日，科创50指数上涨0.47%，创业板指下跌0.53%，国证2000代表的小盘风格上涨3.08% [1] - 大盘价值风格下跌1.34%，大盘成长风格下跌0.93%，上证50指数下跌1.31% [1] - 行业层面，钢铁、环保表现靠前，传媒、非银金融表现靠后 [1] 市场估值水平 - 截至2026年2月27日，中证全指静态市盈率（PETTM）分位数为84%，估值处于历史较高水平 [1] - 上证50与沪深300指数的PETTM分位数分别为72%和74% [1] - 创业板指PETTM分位数接近61%，中证500与中证1000指数分位数分别为70%和69% [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393亿元 [2] - 同期，融资盘增加约222亿元 [2] - 两市日均成交额为23,348亿元 [2] AI模型识别趋势与主题配置 - 基于卷积神经网络（CNN）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 [2][9] - 最新模型配置关注的主题包括船舶、电网、钢铁、机器人等 [2] - 具体关注的细分指数包括：中证智选船舶产业指数、中证电网设备主题指数、中证钢铁指数、中证机器人指数 [2][3][10] - 模型同时关注中证工程机械主题指数 [3][10] 风险溢价指标 - 风险溢价指标（中证全指静态市盈率倒数EP减去十年期国债收益率）截至2026年2月27日为2.43% [1] - 该指标的两倍标准差边界为4.65% [1]

量化模型与构建方式 1. **模型名称：卷积神经网络（CNN）趋势观察模型**[81][82][87] * **模型构建思路**：使用卷积神经网络对图表化的个股价量数据进行深度学习，以识别与未来价格走势相关的特征模式，并将这些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[81][82]。 * **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[81][82]。 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特征[81][87]。 3. **特征映射与应用**：将训练好的模型学习到的特征应用于行业主题板块，识别出当前具有相似价量特征模式的行业主题[81][87]。 4. **输出配置**：模型最终输出当前建议配置的行业主题及对应的具体指数[82][87]。 2. **模型名称：宏观因子事件模型**[56][57][59] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义其走势变化为特定事件，并从历史数据中筛选出对未来资产收益率有显著影响的“有效因子事件”，以此作为判断未来市场趋势的依据[56][57]。 * **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][57]。 2. **事件定义**：将宏观因子的走势变化定义为四类事件：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转[57]。 3. **有效性检验**：从历史数据中寻找“有效因子事件”，即那些对资产未来收益率影响较为显著的因子事件[57]。 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[59][60]。 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[50] * **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，来判断蓝筹股的短期超买超卖风险[50]。 * **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）。 2. **构建通道**：计算CPR的60日布林通道（包括上轨与下轨）[50]。 3. **信号生成**：当最近20个交易日的CPR值高于其60日布林通道上轨时，模型认为蓝筹股短期存在超卖风险[50]。 4. **模型名称：GFTD模型与LLT模型**[88] * **模型评价**：报告提及GFTD模型和LLT模型的历史择时成功率约为80%，但未详细描述其构建思路与具体过程[88]。 模型的回测效果 1. **卷积神经网络（CNN）趋势观察模型**，最新配置主题为船舶、电网、钢铁、机器人等，具体输出指数包括：中证智选船舶产业指数(932420.CSI)、中证电网设备主题指数(931994.CSI)、中证钢铁指数(930606.CSI)、中证机器人指数(h30590.CSI)、中证工程机械主题指数(931752.CSI)[82][87]。 2. **宏观因子事件模型**，当前（截至报告期）有效信号包括：PMI（3月均线上行）看多股票；社融存量同比（1月均线上行）看多股票；10年期国债收益率（12月均线上行）对股票观点为震荡；美元指数（1月均线下行）看多股票[60]。 3. **期权成交量看涨看跌比（CPR）模型**，最新信号显示：最近20个交易日CPR高于60日布林通道上轨，认为蓝筹股短期存在超卖风险[50]。 4. **GFTD模型与LLT模型**，历史择时成功率约为80%[88]。 量化因子与构建方式 1. **因子名称：新高新低比例因子**[35][36] * **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[35]。 * **因子具体构建过程**： 1. 计算创近60日新高的个股数占全市场个股总数的比例（新高比例）。 2. 计算创近60日新低的个股数占全市场个股总数的比例（新低比例）[35][36]。 2. **因子名称：个股均线结构因子**[39][40] * **因子构建思路**：通过计算呈现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面强弱[39]。 * **因子具体构建过程**：计算呈现多头排列的个股数量减去呈现空头排列的个股数量，再除以全体个股数量，得到均线强弱指标[39][40]。 3. **因子名称：长期均线以上比例因子**[42][43] * **因子构建思路**：统计股价位于长期移动平均线（如200日）之上的个股比例，用以衡量市场长期趋势的强度[42][43]。 * **因子具体构建过程**：计算股价位于200日长期移动平均线之上的个股数占全市场个股总数的比例[42][43]。 4. **因子名称：基金仓位因子**[44][45] * **因子构建思路**：通过回归方法估算普通股票型、偏股混合型等权益类基金的整体仓位，以观察机构投资者的仓位变化[44]。 * **因子具体构建过程**：选取普通股票型、偏股混合型、平衡混合型、灵活配置型基金（剔除联接基金），将其净值与中证800指数进行回归，估算仓位，并按基金规模加权以反映整体权益基金仓位水平[44][45]。 5. **因子名称：市场真实换手率因子**[53][55] * **因子构建思路**：考虑自由流通股本后的市场换手率，用以观察市场真实的交易活跃程度，避免总股本导致的失真[53]。 * **因子具体构建过程**：计算基于自由流通股本的市场换手率[53][55]。 6. **因子名称：风险溢价因子**[68][69][87] * **因子构建思路**：用股票市场指数的盈利收益率（EP）减去无风险利率（十年期国债收益率），衡量权益资产相对于债券资产的超额收益预期，即风险补偿[68][69][87]。 * **因子具体构建过程**：对于特定指数（如中证全指），计算其静态市盈率（PE_TTM）的倒数得到盈利收益率（EP），再减去十年期国债收益率[87]。 $$风险溢价 = \frac{1}{PE\_TTM} - 十年期国债收益率$$ 其中，PE_TTM为指数滚动市盈率。 7. **因子名称：融资余额因子**[79][80] * **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，用以观察杠杆资金的情绪和参与度[79][80]。 * **因子具体构建过程**： 1. 统计全市场融资余额的绝对数值（亿元）。 2. 计算融资余额占A股流通市值的百分比[80]。 因子的回测效果 1. **新高新低比例因子**，本期（2026年2月13日-27日）新高比例从前一期的9.8%升至15.7%，新低比例从前一期的7.0%升至7.2%[35]。 2. **个股均线结构因子**，本期（2026年2月13日-27日）多头排列减空头排列个股占比从前一期的31%降至26%[39]。 3. **长期均线以上比例因子**，报告展示了该因子的历史时间序列图表，但未提供最新具体数值[42][43]。 4. **基金仓位因子**，报告展示了该因子的历史时间序列图表，但未提供最新具体数值[45]。 5. **市场真实换手率因子**，报告展示了该因子（中证全指、创业板指）的历史时间序列图表，但未提供最新具体数值[55]。 6. **风险溢价因子**，截至2026年2月27日，中证全指风险溢价为2.43%，其历史均值加减两倍标准差边界分别为4.65%和约-0.79%（根据图表估算）[69][87]。 7. **融资余额因子**，报告展示了融资余额及其占流通市值比例的历史时间序列图表，但未提供最新具体数值[80]。

报告核心观点 本报告旨在将广发金工团队此前开发的、基于卷积神经网络（CNN）的ETF轮动策略，调整应用于更广泛的Wind行业主题指数池，以构建指数轮动策略[4][9]。实证结果显示，该策略在回测期内（2020年初至2026年1月底）表现优异，相较于万得偏股混基金指数产生了显著的超额收益，且收益表现比基于ETF的轮动组合更为稳定[4][55]。 策略方法与因子逻辑 - **模型基础**：策略核心是使用卷积神经网络对标准化价量数据图表进行建模，以预测未来股价走势[13][15]。模型输入为包含过去20日价量信息（K线、移动平均线、成交量、MACD）的标准化图表，数据量达115Gb[13] - **因子生成**：模型输出个股在未来截面日收益率处于前1/3（上涨）的概率，以此作为选股因子[15]。报告采用了I20R5（预测未来5日收益）等模型进行指数轮动[19] - **特征有效性**：对CNN模型各卷积层的特征可视化表明，模型能有效提取价量图表中的形态信息，低层关注全局，高层则分化关注价格、成交量等不同部位的信息[23] Wind行业主题指数概况 - **指数规模与分类**：截至2026年1月底，Wind行业主题指数合计有1046只，细分为行业（250只）、题材（550只）、热门概念（181只）和主题指数（65只）四个类别[4][27][47] - **覆盖范围广泛**：这些指数定位于跟踪市场热点，涉及产业主题、风格、地域、改革、政策、券商金股等多种类型，覆盖范围远超ETF所跟踪的指数（419种）[4][45][47] - **与ETF对比**：相较于ETF产品可能存在覆盖不足或重合度高的问题，Wind行业主题指数提供了更丰富、更细分的底层标的选择[9][45] 实证分析结果 - **因子表现**：在周频轮动模式下，因子的Rank IC均值为3.7%，IC胜率为59.2%，多空年化收益为12.5%，多头年化收益为16.2%[55][56] - **组合业绩**：持有5只指数的等权组合，在扣除双边千分之一费用后，自2020年以来年化收益达30.7%，相较于万得偏股混基金指数（年化收益9.0%）的超额收益为21.7%[4][55][61] - **年度表现**：该指数轮动组合在2022年和2023年市场整体下跌时仍能取得正收益（分别为2.4%和2.4%），分年度收益表现比ETF轮动组合更稳定，但2025年收益（69.0%）低于ETF组合[55][61] - **持仓特征**：组合持仓呈现出明显的行业或风格主题暴露，且暴露方向会动态变化，例如在2025年11月前后集中于石油主题，而在2026年1月则转向有色金属主题[4][65][67] 关键参数影响分析 - **持仓数量**：持有不同数量指数对收益影响较小，持有3只、5只和10只指数的区间年化收益分别为28.1%、30.7%和26.7%[4][69] - **换仓频率**：在双边千一费用下，周度换仓策略的收益（年化30.7%）高于双周度（25.4%）和月度（14.8%）[4][74][76] - **换仓价格**：基于次日开盘价、当日收盘价和次日收盘价换仓的收益特征基本一致，其中采取次日收盘价换仓的收益相对最高，达33.1%，但波动率也较大[4][78][79] - **指数池范围**：覆盖所有类别指数的收益最高（年化30.7%）；仅使用行业指数池次之（29.5%），且表现优于仅使用题材指数（15.3%）或主题指数（19.4%）[4][81][82]

市场近期表现 - 最近5个交易日，科创50指数下跌2.85%，创业板指下跌0.09%，国证2000代表的小盘股下跌2.76% [1] - 同期大盘价值上涨1.87%，大盘成长上涨0.68%，上证50上涨1.13% [1] - 行业层面，通信、石油石化表现靠前，国防军工、电力设备表现靠后 [1] 估值与风险溢价 - 截至2026年1月30日，中证全指风险溢价（EP减十年期国债收益率）为2.49%，其两倍标准差边界为4.67% [2] - 同期，中证全指PETTM分位数处于84%的高位，上证50与沪深300分位数分别为74%和75% [2] - 创业板指PETTM分位数接近62%，中证500与中证1000分位数分别为69%和67%，创业板指估值相对历史处于中位数水平 [2] 资金与交易动态 - 最近5个交易日，ETF资金净流出3167亿元 [2] - 同期，融资盘增加约147亿元 [2] - 两市日均成交额为30348亿元 [2] AI模型行业配置观点 - 基于卷积神经网络对价量图表与未来价格建模，并将学习特征映射到行业主题 [2][11] - 最新配置主题关注石化、化工和有色等行业 [2] - 具体关注的细分指数包括中证石化产业指数、中证细分化工产业主题指数、国证石油天然气指数、中证油气资源指数和国证有色指数 [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**[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]