市场近期表现 - 最近5个交易日，科创50指数上涨2.13%，创业板指下跌0.29%，大盘价值上涨0.48%，大盘成长上涨0.91%，上证50上涨1.17%，国证2000代表的小盘股下跌0.35% [1] - 行业板块方面，通信、综合表现靠前，食品饮料、石油石化表现靠后 [1] 市场估值水平 - 截至2026年4月24日，中证全指PETTM分位数处于84%的高位，上证50与沪深300的分位数分别为72%和77%，创业板指接近75%，中证500与中证1000的分位数均为68% [1] 权益与债券资产风险偏好 - 风险溢价指标（中证全指静态EP减去十年期国债收益率）截至2026年4月24日为2.52%，其两倍标准差边界为4.55% [1] 基于卷积神经网络的趋势观察 - 研究采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，并将学习到的特征映射到行业主题板块中 [2][9] - 最新模型配置的主题方向包括通信、成长、电子等 [2] - 模型具体关注的细分指数包括中证5G通信主题指数、创业板动量成长指数、中证全指通信设备指数、中证消费电子主题指数、国证成长100指数 [2][3][10]

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**[76] * **模型构建思路**：使用卷积神经网络（CNN）对图表化的个股价量数据进行建模，以识别与未来价格走势相关的模式，并将学习到的特征映射到行业主题板块，生成配置建议[76]。 * **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（如开盘价、收盘价）和成交量等[76]。 2. **模型训练**：使用卷积神经网络对上述生成的图表化数据进行训练。模型的目标是学习从图表中提取的特征与未来股价表现之间的关系[76]。 3. **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，识别出具有相似上涨模式的板块[76]。 4. **输出配置**：模型最终输出当前看好的行业主题板块及对应的具体指数[76][77]。 2. **模型名称：GFTD模型**[79] * **模型评价**：报告提及该模型历史择时成功率约为80%，但指出在市场波动不确定性下模型信号存在失效可能[79]。 3. **模型名称：LLT模型**[79] * **模型评价**：报告提及该模型历史择时成功率约为80%，但指出在市场波动不确定性下模型信号存在失效可能[79]。 量化因子与构建方式 1. **因子名称：宏观因子事件**[52][53] * **因子构建思路**：跟踪一系列国内外宏观指标，根据其近期走势定义出特定的事件类型，并利用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事件，作为判断市场趋势的依据[52][53]。 * **因子具体构建过程**： 1. **指标选择**：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，例如PMI、CPI同比、PPI同比、M2同比、社融、10年期国债收益率、美元指数等[52][53]。 2. **事件定义**：针对每个宏观指标，定义四类表征其走势的事件：**短期高点/低点**、**连续上涨/下跌**、**创历史新高/新低**、**因子走势反转**[53]。 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[53]。 4. **趋势分类与信号生成**：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**。统计历史上在指标处于不同趋势下，各类资产未来一个月的平均收益，筛选出收益存在显著差异的情况，生成看多或看空的观点信号[55][56]。 2. **因子名称：新高新低比例**[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广度[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（**新高比例**），以及创近60日新低的个股数占总个股数的比例（**新低比例**）。报告展示了这两个比例的时间序列[34][35]。 3. **因子名称：个股均线结构指标（均线强弱指标）**[38][39] * **因子构建思路**：通过比较个股短期、中期、长期均线的相对位置，构建反映市场整体技术形态强弱的指标[38]。 * **因子具体构建过程**：计算呈现**多头排列**（通常指短期均线在中期均线之上，中期均线在长期均线之上）的个股占比，与呈现**空头排列**（排列顺序相反）的个股占比之差。公式表示为： $$均线强弱指标 = (多头排列个股数占比) - (空头排列个股数占比)$$ 报告展示了该指标的时间序列，例如前期值为-33.2%，最新值降至-35.7%[38][39]。 4. **因子名称：长期均线以上比例**[41] * **因子构建思路**：统计股价位于长期均线（如200日均线）之上的个股比例，用以衡量市场整体的长期趋势强度[41]。 * **因子具体构建过程**：在特定时间点，计算当前股价位于其200日移动平均线之上的股票数量，除以总股票数量，得到**长期均线以上比例**[41][42]。 5. **因子名称：风险溢价**[64][78] * **因子构建思路**：通过比较股票资产与债券资产的隐含收益率，来判断股票市场的相对估值吸引力[64][78]。 * **因子具体构建过程**：以中证全指为例，计算公式为： $$风险溢价 = (中证全指静态PE的倒数) - (十年期国债收益率)$$ 即，风险溢价 = 盈利收益率 - 无风险利率。报告会跟踪该指标的绝对数值及其相对于历史均值和标准差的边界（如±2倍标准差）[64][65][78]。 6. **因子名称：指数超买超卖指标**[67][71] * **因子构建思路**：通过量化方法计算主要宽基指数和行业指数处于“超跌”状态的百分比，以识别市场或行业可能存在的超卖机会[67][71]。 * **因子具体构建过程**：报告未详细说明具体计算方法，但展示了截至报告日（NEW）和某一历史基准日（20181228）两个时点，各指数“超跌”指标的横截面对比数据[67][68][71][72]。 模型的回测效果 1. **卷积神经网络趋势观察模型**，最新配置主题为新能源、通信、电子，具体推荐指数包括：国证新能源车电池指数、中证5G通信主题指数、创业板动量成长指数、中证新能源汽车产业指数、中证新能源汽车指数[77][78]。 2. **GFTD模型**，历史择时成功率约80%[79]。 3. **LLT模型**，历史择时成功率约80%[79]。 因子的回测效果 1. **宏观因子事件**，当前有效信号：PMI（3月均线趋势）看多股票；CPI同比（1月均线趋势）看多股票；社融存量同比（1月均线趋势）看多股票；10年期国债收益率（12月均线趋势）看多股票；美元指数（1月均线趋势）看多股票[56]。 2. **新高新低比例**，最新一期（2026年4月13日-17日）数据：创近60日新高个股数占比从前一期的9.1%升至11.3%；创近60日新低个股数占比从前一期的6.5%升至8.0%[34]。 3. **个股均线结构指标**，最新一期数据：多头排列减空头排列个股占比从前一期的-33.2%降至-35.7%[38]。 4. **风险溢价**，截至2026年4月17日数据：中证全指风险溢价为2.54%，其两倍标准差上边界为4.56%[78]。 5. **指数超买超卖指标**，截至2026年4月17日数据：展示了主要宽基指数（如中证全指、沪深300、创业板指等）和申万一级行业指数（如有色金属、电子、汽车等）的超跌指标具体数值[68][72]。

市场近期表现 - 最近5个交易日，科创50指数上涨4.31%，创业板指上涨6.65%，大盘价值上涨0.24%，大盘成长上涨3.33%，上证50上涨0.39%，国证2000代表的小盘股上涨3.92% [1] - 行业表现方面，通信、综合等行业表现靠前，而食品饮料、石油石化等行业表现靠后 [1] 市场估值水平 - 截至2026年4月17日，中证全指PETTM分位数为83%，上证50分位数为70%，沪深300分位数为75%，创业板指分位数接近75%，中证500与中证1000分位数均为68% [1] 风险溢价指标 - 截至2026年4月17日，权益与债券资产隐含收益率对比指标（中证全指静态PE的倒数EP减去十年期国债收益率）为2.54%，其两倍标准差边界为4.56% [1] 人工智能模型应用 - 研究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 [2][8] 人工智能模型识别主题 - 基于卷积神经网络的AI模型最新配置的主题包括新能源、通信、电子等 [2] - 模型具体关注的细分指数包括国证新能源车电池指数、中证5G通信主题指数、创业板动量成长指数、中证新能源汽车产业指数、中证新能源汽车指数 [2][9]

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**：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，并将学习到的特征映射到行业主题板块中，以识别和配置具有趋势性的行业主题[79]。 * **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[79][81]。 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[1][79]。 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[1][79]。 4. **主题配置**：根据模型的映射结果，生成当前推荐的行业主题配置列表[80]。 2. **模型名称：宏观因子事件模型**[55] * **模型构建思路**：通过跟踪一系列宏观指标，定义其走势变化为特定事件，并基于历史回测筛选出对未来资产收益率有显著影响的“有效因子事件”，用以判断市场趋势[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[55]。 2. **事件定义**：定义四类宏观因子事件来描述因子走势：短期高低点、连续上涨下跌、创历史新高新低、因子走势反转[55]。 3. **事件筛选**：从历史数据中寻找“有效因子事件”，即对资产未来收益率影响较为显著的因子事件[55]。 4. **趋势判断**：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，以判断当前宏观环境对权益市场的观点（看多或看空）[57][58]。 3. **模型名称：GFTD模型与LLT模型**[83] * **模型构建思路**：报告提及了GFTD模型和LLT模型，用于市场择时，但未详细描述其构建思路与过程[83]。 模型的回测效果 1. **卷积神经网络趋势观察模型**：最新配置主题为酒、消费、食品饮料，具体推荐指数包括中证酒指数(399987.SZ)、上证主要消费行业指数(000036.SH)、中证细分食品饮料产业主题指数(000815.CSI)、中证食品饮料指数(930653.CSI)、上证消费80指数(000069.SH)[1][80][82]。 2. **宏观因子事件模型**：根据当前（截至报告日期）宏观因子趋势，对权益市场未来一个月持看多观点。具体因子趋势包括：PMI（3月均线趋势看多）、CPI同比（1月均线趋势看多）、社融存量同比（1月均线趋势看多）、10年期国债收益率（12月均线趋势看多）、美元指数（1月均线趋势看多）[58]。 3. **GFTD模型与LLT模型**：历史择时成功率约为80%[83]。 量化因子与构建方式 1. **因子名称：新高新低比例因子**[36] * **因子构建思路**：通过统计创近N日新高或新低的个股数量占比，来度量市场的整体强度与弱势广度[36]。 * **因子具体构建过程**：计算创近60日新高个股数占全部个股的比例（新高比例），以及创近60日新低个股数占全部个股的比例（新低比例）[1][36]。 2. **因子名称：个股均线结构因子**[40] * **因子构建思路**：通过分析个股的均线排列情况（多头或空头），构建反映市场整体技术面强弱的指标[40]。 * **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”[1][40]。报告亦跟踪股价位于200日长期均线之上的个股比例[43]。 3. **因子名称：市场交易活跃度因子**[51] * **因子构建思路**：通过计算考虑自由流通股本后的市场换手率，来观察真实的交易活跃程度[51]。 * **因子具体构建过程**：计算市场（如中证全指、创业板指）的真实换手率，该换手率考虑了自由流通股本[51][53]。 4. **因子名称：风险溢价因子**[66] * **因子构建思路**：通过比较股票资产与债券资产的隐含收益率，来判断市场的相对估值吸引力[82]。 * **因子具体构建过程**：计算公式为：风险溢价 = 中证全指静态市盈率(PE)的倒数(EP) - 十年期国债收益率[82]。 5. **因子名称：指数超买超卖因子**[69] * **因子构建思路**：通过测量指数价格相对于其移动平均线的偏离程度，来判断指数是否处于超买或超卖状态[69]。 * **因子具体构建过程**：报告展示了主要宽基指数和行业指数的“超跌指标”统计，该指标 likely 基于价格与均线的位置关系计算，但具体公式未给出[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，作为衡量市场杠杆水平和投资者情绪的一个指标[76][78]。 因子的回测效果 （注：报告主要展示了各因子在最新一期的观测值，而非长期历史回测的绩效指标（如IC、IR等）。） 1. **新高新低比例因子**：截至本期，创近60日新高个股数占比从前一期的7.6%升至9.1%；创近60日新低个股数占比从前一期的26.9%降至6.5%[1]。 2. **个股均线结构因子**：截至本期，多头排列减空头排列个股占比（均线强弱指标）从前一期的-23.7%降至-33.2%[1]。 3. **风险溢价因子**：截至2026年4月10日，中证全指风险溢价为2.63%，其历史均值加减两倍标准差的边界分别为4.58%和[具体下限值，报告中未明确给出，仅图示][67][82]。 4. **融资余额因子**：报告以图表形式展示了融资余额及其占流通市值比例的历史走势，未给出具体数值[78]。

市场近期表现 - 最近5个交易日，科创50指数下跌3.42%，创业板指下跌4.44%，大盘价值上涨0.10%，大盘成长下跌2.88%，上证50下跌0.24%，国证2000代表的小盘股下跌2.49% [1] - 行业表现方面，通信与医药生物表现靠前，而电力设备与公用事业表现靠后 [1] 市场估值水平 - 截至2026年4月3日，中证全指的市盈率TTM分位数处于80%的高位，上证50与沪深300的分位数分别为68%和70% [3] - 创业板指的估值分位数接近55%，中证500与中证1000的分位数分别为63%和64% [3] 风险溢价与资产配置 - 截至2026年4月3日，中证全指的静态市盈率倒数EP减去十年期国债收益率，即风险溢价指标为2.80%，其两倍标准差边界为4.59% [2] 基于人工智能的趋势观察 - 研究团队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，并将学习到的特征映射到行业主题板块中 [3][10] - 根据该模型的最新配置，主题集中在证券、保险、酒等领域 [3] - 具体关注的细分指数包括：沪深300非银行金融指数、中证800证券保险指数、上证180金融股指数、国证证券龙头指数、中证酒指数 [3][4][11]

市场近期表现 - 最近5个交易日，科创50指数下跌4.03%，创业板指上涨1.26%，大盘价值下跌1.44%，大盘成长下跌0.48%，上证50下跌2.47%，国证2000代表的小盘股下跌5.45% [1] - 行业层面，通信和银行表现靠前，基础化工和有色金属表现靠后 [1] 市场估值水平 - 截至2026年3月20日，中证全指PETTM分位数为82%，上证50与沪深300分别为70%、73%，创业板指接近63%，中证500与中证1000均为65% [2] - 创业板指风格估值相对历史总体处于中位数水平 [2] 风险溢价与资产配置 - 截至2026年3月20日，风险溢价（中证全指EP减十年期国债收益率）为2.63%，其两倍标准差边界为4.62% [2] - 基于卷积神经网络对价量数据的建模，最新配置主题指向红利低波、银行、地产等板块 [2] - 具体关注的细分指数包括中证红利低波动指数、中证银行指数、中证800银行指数、中证内地地产主题指数、中证800地产指数 [2][3][10]

市场近期表现 - 最近5个交易日，科创50指数下跌2.88%，创业板指上涨2.51%，大盘价值上涨0.48%，大盘成长上涨1.38%，上证50下跌1.20%，国证2000代表的小盘股下跌1.13% [1] - 行业板块方面，煤炭和电力设备表现靠前，国防军工和石油石化表现靠后 [1] 市场估值水平 - 截至2026年3月13日，中证全指PETTM分位数为83%，上证50与沪深300的分位数分别为71%和75% [1] - 创业板指估值分位数接近62%，中证500与中证1000的分位数分别为68%和67%，创业板指风格估值相对历史总体处于中位数水平 [1] 风险溢价与资产偏好 - 截至2026年3月13日，中证全指静态市盈率的倒数EP减去十年期国债收益率，即风险溢价指标为2.48%，其两倍标准差边界为4.63% [1] 资金交易情况 - 最近5个交易日，ETF资金净流出123亿元，融资盘增加约120亿元 [2] - 两市日均成交额为24792亿元 [2] 人工智能模型观察 - 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] - 模型最新配置关注的主题为电力、电网、公用事业等，具体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等细分指数 [2][3][12]

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]。