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。)*

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]

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（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中，以识别具有趋势性机会的行业主题[79][82]。 * **模型具体构建过程**： 1. 数据准备：对每个个股，在特定窗口期内（报告中未明确具体窗口期）收集其价格和成交量数据[79]。 2. 图表化：将标准化的价量数据转换为可视化的图表格式。具体标准化方法未详细说明，但目的是形成可供CNN处理的图像输入[79][80]。 3. 模型训练：使用卷积神经网络对上述价量图表与对应的未来价格表现（如未来收益率）进行训练，使模型学会从图表中提取与未来走势相关的特征[79]。 4. 特征映射与应用：将训练好的CNN模型学习到的特征应用于行业主题板块的分析，识别出当前价量图表特征预示未来可能表现较好的行业主题，并输出具体的主题指数配置建议[79][81]。 2. **模型名称：宏观因子事件模型**[56][58] * **模型构建思路**：跟踪一系列对市场影响较大的宏观指标，通过定义特定的“因子事件”（如短期高点、连续下跌等）来描述宏观因子的走势，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，用以判断大类资产的未来趋势[56]。 * **模型具体构建过程**： 1. 因子选择：选取约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等多个维度[55][56]。 2. 事件定义：为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：在历史数据中回溯检验，筛选出那些在事件发生后，对特定资产（如股票、债券）未来收益率产生显著影响的“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）将因子走势划分为上行或下行趋势，并统计在不同趋势下资产未来一个月的平均收益，以判断当前宏观趋势对资产的观点（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超买超卖状态[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[49]。 2. 计算布林通道：计算CPR的60日布林通道（具体计算方法如移动平均线及标准差倍数未明确，但通常包含中轨、上轨和下轨）[49]。 3. 信号生成：当最近20个交易日的CPR值持续高于其60日布林通道的上轨时，模型认为蓝筹股短期存在超卖风险[49]。 4. **模型名称：GFTD模型和LLT模型**[83] * **模型构建思路**：报告仅提及这两个模型名称及其历史择时成功率，未详细描述其构建思路和过程[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，来度量市场的极端情绪和趋势强度[34]。 * **因子具体构建过程**：分别计算两个指标： * 60日新高比例 = 创近60日新高的个股数量 / 总股票数量[34]。 * 60日新低比例 = 创近60日新低的个股数量 / 总股票数量[34]。 2. **因子名称：个股均线结构因子**[38] * **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占比之差，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“均线强弱指标”，其定义为（多头排列个股数量占比 - 空头排列个股数量占比）。报告指出，该指标从前期-13%升至1.2%，表明市场技术结构转强[38][39]。 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）之上的个股比例，用以衡量市场整体的长期趋势强弱[41]。 * **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量占总股票数量的比例[41]。 4. **因子名称：风险溢价因子**[67][82] * **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[82]。 * **因子具体构建过程**：以中证全指为例，风险溢价 = （1 / PE_TTM） - 十年期国债收益率。报告给出了截至2026年1月16日的具体数值为2.51%[82]。 5. **因子名称：指数超买超卖因子**[70] * **因子构建思路**：通过某种度量方法（报告中未明确具体计算公式，可能基于价格偏离均线的幅度或其他技术指标）计算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][71][74]。 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，作为衡量市场杠杆资金情绪和活跃度的指标[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，如年化收益率、夏普比率、最大回撤等数值结果。） 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。仅有个别因子给出了当前时点的具体数值或状态描述。） 1. **新高新低比例因子**：截至报告期，60日新高个股数占比为13.4%，60日新低个股数占比为8.6%[34]。 2. **个股均线结构因子**：截至报告期，均线强弱指标（多头排列减空头排列个股占比）为1.2%[38]。 3. **风险溢价因子**：截至2026年1月16日，中证全指风险溢价为2.51%，其历史均值加减两倍标准差边界分别为4.68%和另一个未明确数值[82]。 4. **融资余额因子**：最近5个交易日，融资盘增加约973亿元[82]。

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]