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**：利用卷积神经网络（CNN）对个股历史价量数据形成的标准化图表进行深度学习，识别图表中的特征模式，并将这些学习到的特征映射到行业主题板块，以预测未来价格走势或进行主题配置[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[76]。价量数据通常包括价格、成交量等时间序列。 2. **图表化**：将标准化的价量数据转换为图像格式，作为CNN的输入[76]。图23展示了标准化数据价量图表的示例[77]。 3. **模型训练**：使用卷积神经网络对图表化的价量数据与未来价格（或收益率）进行建模[76]。模型学习从价量图表中提取有效特征，并建立这些特征与未来价格变动之间的映射关系。 4. **特征映射**：将训练好的CNN模型学习到的特征，应用于行业或主题板块的分析，识别出具有相似特征模式的板块[76]。 5. **输出配置**：模型最终输出看好的行业主题配置列表。例如，在报告期内，模型配置的主题为红利低波、银行、地产，具体指向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地产指数等细分指数[78]。 2. **模型名称：宏观因子事件模型**[52] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义并识别出有效的宏观因子事件，利用这些事件的历史规律来预判未来资产价格的趋势[52]。 * **模型具体构建过程**： 1. **因子选择**：从货币政策、财政政策、流动性、通胀水平及其他经济指标等多个角度，选取对市场影响较大的宏观因子进行跟踪，共计25个国内外宏观指标[52]。 2. **事件定义**：定义四类宏观因子事件来描述宏观因子的走势：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转[52]。 3. **事件有效性检验**：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[52]。例如，报告中列举了部分有效因子事件：PMI短期高点对中小盘股票有正向影响；CPI同比连续下跌对全市场股票有正向影响等[52]。 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[54]。统计历史上宏观指标处于不同趋势时，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资产[54]。 5. **观点生成**：根据当前宏观因子的趋势状态，给出对大类资产的看多、看空或震荡观点[55]。例如，当前PMI处于3月均线趋势上行，模型对股票资产持“看多”观点；而社融存量同比、10年期国债收益率、美元指数等因子则提示市场可能“震荡”[55]。 3. **模型名称：GFTD模型与LLT模型**[80] * **模型构建思路**：报告在风险提示部分提及了GFTD模型和LLT模型，指出其历史择时成功率约为80%。这两个模型应是用于市场择时判断的量化模型[80]。 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：红利低波、银行、地产[78] 2. **宏观因子事件模型**，当前对权益市场观点：PMI趋势看多，社融、国债收益率、美元指数趋势震荡[55] 3. **GFTD模型与LLT模型**，历史择时成功率：约80%[80] 量化因子与构建方式 1. **因子名称：新高比例因子**[33] * **因子构建思路**：通过统计市场中创近期新高的个股数量占比，来度量市场的强势程度和上涨动能[33]。 * **因子具体构建过程**：计算创近60日新高的个股数占全部个股总数的比例。报告显示，该指标从前一期的12.0%降至8.1%[33]。 2. **因子名称：新低比例因子**[33] * **因子构建思路**：通过统计市场中创近期新低的个股数量占比，来度量市场的弱势程度和下跌压力[33]。 * **因子具体构建过程**：计算创近60日新低的个股数占全部个股总数的比例。报告显示，该指标从前一期的11.2%升至37.4%[33]。 3. **因子名称：均线结构因子（均线强弱指标）**[37] * **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部个股的比例，来反映市场整体的技术面强弱结构[37]。 * **因子具体构建过程**：首先判断个股的均线排列状态（如多头排列、空头排列），然后计算（多头排列个股数 - 空头排列个股数）/ 总个股数。报告显示，该指标从前一期的14%降至7.3%[37]。 4. **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，用以衡量市场长期趋势的强弱[40]。 * **因子具体构建过程**：计算股价位于200日移动平均线之上的个股数占总个股数的比例。该因子通过图表进行跟踪展示[40]。 5. **因子名称：风险溢价因子**[63] * **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[63][79]。 * **因子具体构建过程**：采用中证全指静态市盈率（PE_TTM）的倒数作为权益资产的隐含收益率（EP），减去十年期国债收益率。 $$风险溢价 = \frac{1}{PE_{TTM}} - R_{10Y国债}$$ 报告显示，截至2026年3月20日，该指标值为2.63%[79]。 6. **因子名称：估值分位数因子**[79] * **因子构建思路**：计算当前指数或行业的估值（PE或PB）在其历史序列中所处的位置百分比，用以判断估值相对水平的高低[79]。 * **因子具体构建过程**：将当前估值与历史估值（自2005年1月7日起）进行比较，计算其历史分位数。例如，报告指出中证全指PE_TTM分位数为82%，创业板指接近63%[79]。 7. **因子名称：超跌指标因子**[66] * **因子构建思路**：用于度量市场或行业指数短期内下跌的幅度和广度，识别超卖状态[66]。 * **因子具体构建过程**：报告展示了主要指数和行业指数的超跌指标统计图，该指标具体计算方法未详细说明，但通常基于价格偏离均线的程度或下跌个股比例等构建[66][70]。 8. **复合因子名称：宏观因子（如PMI、CPI同比、社融存量同比等）**[52][55] * **因子构建思路**：选取对金融市场有显著影响的宏观经济指标作为因子，观察其变化趋势和事件来预判市场方向[52]。 * **因子具体构建过程**：直接跟踪宏观指标的实际发布值。模型进一步处理其走势，例如判断其相对于某期均线（如1月、3月、12月均线）是处于上行还是下行趋势[54][55]。 因子的回测效果 （注：报告未提供各因子独立的、系统性的回测绩效指标（如IC、IR、多空收益等）。以下为报告期内的因子观测值。） 1. **新高比例因子**，当前值：8.1%[33] 2. **新低比例因子**，当前值：37.4%[33] 3. **均线结构因子**，当前值：7.3%[37] 4. **风险溢价因子**，当前值：2.63%[79] 5. **中证全指PE_TTM分位数因子**，当前值：82%[79] 6. **PMI宏观因子**，当前趋势：3月均线上行，观点：看多[55] 7. **社融存量同比宏观因子**，当前趋势：1月均线，观点：震荡[55] 8. **10年期国债收益率宏观因子**，当前趋势：12月均线，观点：震荡[55] 9. **美元指数宏观因子**，当前趋势：1月均线，观点：震荡[55]

广发证券首席金工分析师 安宁宁 SAC: S0260512020003 anningning@gf.com.cn 联系人：广发证券金工高级研究员 林涛 SAC: S0260124060060 gflintao@gf.com.cn 广发金工安宁宁陈原文团队 摘要 最近5个交易日，科创50指数跌4.03%，创业板指涨1.26%，大盘价值跌1.44%，大盘成长跌0.48%，上证50跌2.47%，国证2000代表的小盘跌5.45%，通信、 银行表现靠前，基础化工、有色金属表现靠后。 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，权益与债券资产隐含收益率对比，截至2026/3/20，指标2.63%，两倍标准差边界为4.62%。 估值水平，截至2026/3/20，中证全指PETTM分位数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分别为65%、 65%，创业板指风格估值相对历史总体处于中位数水平。 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。最新配置主题为红利低波、银行、地产等，具体包 括中证红利低波动指数、中证银 ...

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**[74] * **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，并将学习到的特征映射到行业主题板块，以识别具有趋势性机会的板块[74]。 * **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[74]。研报中未详细说明具体使用的价量指标和图表标准化方法。 2. **模型训练**：基于历史数据，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[74]。研报中未提供具体的网络结构、损失函数和训练参数。 3. **特征映射**：将训练好的CNN模型学习到的特征映射到行业主题板块中，以判断哪些板块在未来可能具有趋势性机会[74]。 4. **输出配置**：模型最终输出为看好的行业主题板块及其对应的具体指数[75]。 2. **模型名称：宏观因子事件模型**[50][52] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义其走势变化事件，并从历史数据中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[50]。 * **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[50]。 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[50]。 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”[50]。 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，并统计在不同趋势下资产未来一个月收益率的平均表现，以形成对大类资产的观点[52][53]。 模型的回测效果 *本报告未提供上述量化模型的具体回测效果指标（如年化收益率、夏普比率、最大回撤等）。报告仅展示了卷积神经网络模型在特定时点（2026年3月20日）的输出结果[75]，以及宏观因子模型对当前市场（截至报告期）的观点[53]。* 量化因子与构建方式 1. **因子名称：风险溢价因子**[61][76] * **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，来衡量权益资产相对于债券资产的吸引力[76]。 * **因子具体构建过程**： 1. 计算权益资产的隐含收益率（Earnings Yield, EY），通常为市盈率（PE）的倒数。 $$ EY = \frac{1}{PE} $$ 2. 计算风险溢价（Risk Premium, RP），即权益隐含收益率减去十年期国债收益率。 $$ RP = EY - R_{10Y} $$ 报告中以中证全指为例，其风险溢价为中证全指静态PE的倒数（EP）减去十年期国债收益率[76]。 2. **因子名称：估值分位数因子**[21][27][76] * **因子构建思路**：计算指数或行业的当前估值（PE或PB）在其历史序列中所处的分位数位置，以判断其估值相对历史水平的高低[21][27]。 * **因子具体构建过程**： 1. 确定估值指标，如市盈率（PE_TTM）或市净率（PB_LF）[21][27]。 2. 获取该指标在特定历史时间段（例如，报告中使用2005年1月7日作为起点）内的所有历史数据[22]。 3. 计算当前估值在历史数据中的百分位排名（分位数）。 $$ 分位数 = \frac{小于或等于当前值的样本数}{总样本数} \times 100\% $$ 报告中展示了主要宽基指数和行业指数的PE_TTM分位数及PB_LF分位数[21][27]。 3. **因子名称：市场情绪因子（新高新低比例）**[31] * **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，来度量市场的整体情绪强弱和广度[31]。 * **因子具体构建过程**： 1. 设定观察窗口期，报告中为近60日[31]。 2. 每日计算两个指标： * **60日新高比例**：股价创近60日新高的个股数量 / 总股票数量[31]。 * **60日新低比例**：股价创近60日新低的个股数量 / 总股票数量[31]。 4. **因子名称：市场情绪因子（均线结构指标）**[35] * **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占比差值，来反映市场整体的技术趋势强弱[35]。 * **因子具体构建过程**： 1. 对每只个股判断其均线排列状态（例如，多头排列、空头排列）[35]。 2. 计算**均线强弱指标**：呈现多头排列的个股占比减去呈现空头排列的个股占比[35]。报告提到该指标从前一期的14%降至7.3%[1]。 5. **因子名称：超买超卖指标**[64] * **因子构建思路**：用于衡量指数或行业是否处于极端交易状态（超买或超卖），可能预示着短期反转[64]。 * **因子具体构建过程**：报告中未详细说明该指标的具体计算方法，仅展示了截至报告期主要指数和行业指数的“超跌指标统计”结果[64][68]。 因子的回测效果 *本报告未提供上述量化因子在选股或择时策略中的具体回测效果指标（如IC值、IR、多空收益等）。报告仅展示了这些因子在报告时点的具体数值或状态，例如：* * **风险溢价因子**：截至2026年3月20日，中证全指风险溢价为2.63%[76]。 * **估值分位数因子**：截至2026年3月20日，中证全指PE_TTM分位数为82%，创业板指接近63%[76]。 * **市场情绪因子（新高新低比例）**：创近60日新高个股数占比从前一期的12.0%降至8.1%；创近60日新低个股数占比从前一期的11.2%升至37.4%[1]。 * **市场情绪因子（均线结构指标）**：多头排列减空头排列个股占比从前一期的14%降至7.3%[1]。

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]

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**[80] * **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行业主题[80]。 * **模型具体构建过程**： 1. **数据准备**：为每只个股选取一个窗口期内的价量数据（如价格、成交量等）[80]。 2. **图表生成**：将标准化处理后的价量数据构建成标准化的图表[80][81]。 3. **模型训练**：使用卷积神经网络对生成的图表与对应的未来价格（如未来涨跌）进行建模训练，以识别图表中的有效预测特征[80]。 4. **特征映射**：将训练好的模型学习到的特征，应用于行业主题板块的指数或成分股，以判断哪些行业主题板块在未来具有更高的上涨概率[80]。 5. **输出配置**：模型最终输出当前时点看好的行业主题板块及对应的具体指数[82]。 2. **模型名称：宏观因子事件模型**[56][57] * **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或资产走势的依据[56][57]。 * **模型具体构建过程**： 1. **因子选择**：跟踪约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**：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[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或下行[59]。 5. **信号生成**：统计历史上在特定宏观因子处于不同趋势下，各类资产（如股票、债券）的未来平均收益，筛选出收益存在显著差异的资产，生成当前宏观因子趋势下的市场观点[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，来判断蓝筹股市场的短期超买或超卖风险[50]。 * **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[50]。 2. **计算通道**：计算CPR的60日布林通道（通常包含上轨和下轨）[50]。 3. **信号判断**：当最近20个交易日的CPR高于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**[84] * **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和具体过程[84]。 模型的回测效果 1. 卷积神经网络趋势观察模型，最新配置主题为电力、电网、公用事业等，具体推荐指数包括：国证绿色电力指数 (399438.SZ)、中证绿色电力指数 (931897.CSI)、中证全指电力公用事业指数 (h30199.CSI)、中证全指公用事业指数 (000995.CSI)、中证电网设备主题指数 (931994.CSI)[82]。 2. 宏观因子事件模型，当前（截至报告期）对权益市场的观点为：PMI（3月均线趋势）发出看多信号；社融存量同比（1月均线趋势）、10年期国债收益率（12月均线趋势）、美元指数（1月均线趋势）均显示震荡信号[60]。 3. 期权成交量看涨看跌比（CPR）模型，当前信号显示：最近20个交易日CPR高于60日布林通道上轨，表明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%[84]。 量化因子与构建方式 1. **因子名称：新高新低比例因子**[35] * **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，来度量市场的整体强度与广度情绪[35]。 * **因子具体构建过程**：计算创近60日新高的个股数占总股票数的比例（新高比例），以及创近60日新低的个股数占总股票数的比例（新低比例）[35]。 2. **因子名称：个股均线结构因子**[39] * **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差值占比，来反映市场整体的技术趋势强弱[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，再除以总股票数，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] * **因子构建思路**：统计股价位于长期均线（如200日）之上的个股比例，用以衡量市场长期趋势的强弱和广度[42]。 * **因子具体构建过程**：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[42]。 4. **因子名称：风险溢价因子**[68] * **因子构建思路**：通过计算股票市场隐含收益率（盈利收益率）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[68][83]。 * **因子具体构建过程**：风险溢价 = 中证全指静态市盈率（PE_TTM）的倒数（即盈利收益率EP） - 十年期国债收益率[83]。 5. **因子名称：指数超买超卖因子**[70] * **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，以识别市场或板块的极端状态[70][74]。 * **因子具体构建过程**：报告未详细说明具体计算公式，但展示了截至报告期（NEW）和2018年底（20181228）两个时点，各指数在该因子上的取值情况，数值越高可能代表超跌越严重或超买越严重[71][72][75][76]。 6. **因子名称：融资余额因子**[77] * **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，作为衡量市场杠杆情绪和资金面的指标[77]。 * **因子具体构建过程**：直接获取市场融资余额的总规模（亿元），并计算融资余额占A股流通市值的百分比[79]。 因子的回测效果 1. 新高新低比例因子，截至本期，创近60日新高个股数占比为15.7%，创近60日新低个股数占比为7.2%[35]。 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为19%[39]。 3. 长期均线以上比例因子，报告展示了该因子的历史走势图，但未给出本期具体数值[42]。 4. 风险溢价因子，截至2026年3月6日，中证全指风险溢价为2.47%，其两倍标准差上边界为4.64%[83]。 5. 指数超买超卖因子，截至2026年3月6日（NEW），主要宽基指数中，中证1000、国证2000、小盘成长、小盘价值等指数的因子取值较高（接近或超过80）；行业指数中，有色金属、电子、汽车等行业的因子取值较高（超过80）[71][72][75][76]。 6. 融资余额因子，报告展示了该因子的历史走势图，但未给出本期具体数值[79]。

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]。

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**[79] * **模型构建思路**：利用卷积神经网络（CNN）对个股历史价量数据生成的标准化图表进行深度学习，识别图表中的特征模式，并建立这些模式与未来价格走势之间的映射关系。最终将学习到的有效特征应用于行业主题板块，生成配置建议。[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（如价格、成交量）构建标准化的图表。这个过程可能包括数据归一化、时间序列到图像的转换等步骤，以生成CNN可处理的输入格式。[79] 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建模。模型的学习目标是建立图表特征与未来一段时间（报告中未明确具体期限）价格变动之间的关联。[79] 3. **特征映射与应用**：将训练好的CNN模型学习到的有效特征，从个股层面映射到更广泛的行业主题板块中，从而判断哪些行业主题在未来可能具有趋势性机会。[79] * **模型评价**：该模型属于利用深度学习技术进行市场趋势观察和行业配置的前沿方法，能够从复杂的价量图表中提取非线性特征。[79] 2. **模型名称：宏观因子事件模型**[56] * **模型构建思路**：通过跟踪一系列关键的国内外宏观指标，定义并识别其走势中的特定事件（如短期高低点、连续涨跌等），并从历史数据中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”，以此作为判断市场趋势的依据。[56] * **模型具体构建过程**： 1. **因子选择**：从货币政策、财政政策、流动性、通胀水平等多个角度，选取对市场影响较大的宏观因子，例如PMI、CPI同比、社融存量同比、10年期国债收益率、美元指数等。[56][59] 2. **事件定义**：针对每个宏观因子，定义四类走势事件：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。[56] 3. **有效性检验**：在历史数据中回溯，统计各类宏观因子事件发生后，相关资产（如股票、债券）在未来一段时间（例如一个月）的平均收益率，筛选出导致资产收益存在显著差异的事件，标记为“有效因子事件”。[56] 4. **趋势判断**：对于连续型指标，采用历史均线（如1月、3月、12月均线）将其走势划分为“上行”或“下行”趋势，并统计在该趋势下资产未来的平均表现，形成观点（如看多、震荡）。[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，来判断蓝筹股市场的短期情绪和超买超卖风险。[49] * **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。具体公式未在报告中给出，通常为看涨期权成交量与看跌期权成交量之比。 2. **构建布林通道**：计算CPR的60日移动平均线作为中轨，并计算其标准差，以此构建布林通道的上轨和下轨。[49] 3. **生成信号**：当滚动20日的CPR值高于60日布林通道的上轨时，模型认为市场情绪过于乐观，蓝筹股短期存在超卖风险。[49] 4. **模型名称：GFTD模型**[83] * **模型构建思路**：报告中仅提及该模型名称及历史择时成功率，未详细说明其构建思路和过程。[83] 5. **模型名称：LLT模型**[83] * **模型构建思路**：报告中仅提及该模型名称及历史择时成功率，未详细说明其构建思路和过程。[83] 量化因子与构建方式 1. **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，来度量市场的整体强度与广度，是常用的市场情绪跟踪指标。[34] * **因子具体构建过程**： 1. **新高比例**：计算当日收盘价创近60日新高的个股数量，除以当日总上市个股数量（或样本空间内个股数量），得到百分比。公式为： $$新高比例 = \frac{创近60日新高个股数}{总个股数} \times 100\%$$ 2. **新低比例**：计算当日收盘价创近60日新低的个股数量，除以当日总上市个股数量（或样本空间内个股数量），得到百分比。公式为： $$新低比例 = \frac{创近60日新低个股数}{总个股数} \times 100\%$$ [34] 2. **因子名称：个股均线结构因子（均线强弱指标）**[38] * **因子构建思路**：通过计算市场中呈现特定均线多头排列与空头排列的个股数量差异占比，来反映市场整体的技术趋势强弱。[38] * **因子具体构建过程**： 1. **个股判断**：对于每只个股，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）。[38] 2. **市场汇总**：统计全市场（或样本空间内）呈多头排列的个股数量（$N_{多头}$）和呈空头排列的个股数量（$N_{空头}$）。[38] 3. **计算指标**：计算多头排列个股数量与空头排列个股数量之差，再除以总个股数（或两者之和），得到百分比。报告中展示的指标可能为： $$均线强弱指标 = \frac{N_{多头} - N_{空头}}{总个股数} \times 100\%$$ 或类似形式。[38] 3. **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日均线）之上的个股比例，用以衡量市场长期趋势的强弱和广度。[41] * **因子具体构建过程**：计算当日收盘价位于其200日移动平均线之上的个股数量，除以总个股数（或样本空间内个股数量），得到百分比。[41] 4. **因子名称：风险溢价因子**[67] * **因子构建思路**：用股票市场的隐含收益率（市盈率倒数）减去无风险收益率（十年期国债收益率），衡量股票资产相对于债券资产的超额收益吸引力。[67][82] * **因子具体构建过程**：以中证全指为例，计算公式为： $$风险溢价 = \frac{1}{PE_{TTM}} - 十年期国债收益率$$ 其中，$PE_{TTM}$ 为中证全指的滚动市盈率。[67][82] 5. **因子名称：指数超买超卖因子**[70] * **因子构建思路**：通过某种量化方法计算主要指数和行业指数的超跌或超买程度，通常是一个百分比指标，用于识别市场极端状态。[70][71][74] * **因子具体构建过程**：报告中未给出该因子的具体计算公式，仅展示了统计结果。该因子可能基于价格偏离均线的幅度、RSI等震荡指标，或是创特定周期新低个股占比等方法构建。[70] 6. **因子名称：融资余额因子**[77] * **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风险偏好的指标。[77] * **因子具体构建过程**： 1. **融资余额**：直接获取市场的总融资买入未偿还金额。[77] 2. **融资余额占比**：计算融资余额占A股流通市值的百分比。公式为： $$融资余额占比 = \frac{融资余额}{流通市值} \times 100\%$$ [77][78] 7. **因子名称：市场真实换手率因子**[52] * **因子构建思路**：考虑自由流通股本后计算的市场换手率，以更真实地反映市场的交易活跃度和资金流动情况。[52] * **因子具体构建过程**：计算市场总成交金额与自由流通市值的比率。以中证全指为例，公式可能为： $$真实换手率 = \frac{总成交金额}{自由流通市值} \times 100\%$$ [52] 8. **因子名称：基金仓位因子**[43] * **因子构建思路**：通过回归等方法估算普通股票型、偏股混合型等权益类公募基金的整体仓位水平，反映机构投资者的仓位变动。[43] * **因子具体构建过程**：选取普通股票、偏股混合、平衡混合、灵活配置等类型的基金（剔除联接基金），将其净值表现与中证800指数进行回归，估算其权益仓位，再按基金规模进行加权，得到整体权益基金仓位估计值。[43] 模型的回测效果 1. **GFTD模型**，历史择时成功率约80%[83] 2. **LLT模型**，历史择时成功率约80%[83] 因子的回测效果 *(注：本报告未提供各因子的具体回测指标（如IC、IR、多空收益等）数值，仅展示了部分因子在最新一期的状态或历史走势图。因此，本部分无法列出具体的指标取值。)*