好的，作为一名熟练的金融工程分析师，我将对您提供的研报内容进行总结。 量化模型与构建方式 1. **模型名称：卷积神经网络（CNN）趋势识别模型**[73] * **模型构建思路：** 该模型利用卷积神经网络（CNN）对个股的价量数据图表进行学习和建模，旨在识别图表化数据与未来价格走势之间的关联，并将学习到的特征映射到行业主题板块，从而生成配置建议[73]。 * **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的价量数据（如价格、成交量等）进行标准化处理，并构建标准化的图表[73][74]。 2. **模型训练：** 使用卷积神经网络（CNN）对这些标准化的价量图表进行训练，学习图表特征与未来价格走势之间的关系[73]。 3. **特征映射与配置：** 将模型学习到的特征映射到行业主题板块中，最终输出当前市场环境下值得关注的行业主题配置[73][77]。 * **模型评价：** 该模型基于深度学习技术，能够从图表化的市场数据中自动提取特征，为行业主题配置提供量化依据。 模型的回测效果 * 该报告未提供卷积神经网络趋势识别模型的具体回测指标取值。 量化因子与构建方式 1. **因子名称：宏观因子事件**[50][52] * **因子构建思路：** 通过跟踪一系列国内外宏观指标，定义四类宏观因子事件（短期高低点、连续上涨下跌、创历史新高新低、因子走势反转），并统计历史上这些事件对资产未来收益率的影响，筛选出有效因子事件[52]。 * **因子具体构建过程：** 1. **宏观指标跟踪：** 跟踪25个国内外宏观指标，包括但不限于PMI、CPI同比、PPI同比、M2同比、社会融资规模、美元指数、WTI原油价格等[51]。 2. **因子事件定义：** 定义四类宏观因子事件来表现宏观因子的走势[52]： * 短期高低点 * 连续上涨下跌 * 创历史新高新低 * 因子走势反转 3. **有效性检验：** 从历史数据中寻找对资产未来收益率影响显著的因子事件[52]。 4. **趋势判断：** 采用历史均线（如1月均线、3月均线、12月均线），将宏观因子走势分为趋势上行和趋势下行[53]。 5. **影响评估：** 统计历史上宏观指标处于不同变化趋势下，对资产未来一个月收益率的影响，筛选出平均收益存在显著差异的资产[52][53]。 * **因子评价：** 该因子体系从多维度宏观指标出发，通过事件驱动的方式，为判断市场趋势和资产配置提供了自上而下的视角。 因子的回测效果 * **宏观因子趋势对权益市场一个月影响**[53] * **资产：** 股票 * **因子：** PMI * **指标趋势：** 3月均线 * **观点：** 看空 * **因子：** CPI同比 * **指标趋势：** 1月均线 * **观点：** - * **因子：** 社融存量同比 * **指标趋势：** 1月均线 * **观点：** 看空 * **因子：** 10年期国债收益率 * **指标趋势：** 12月均线 * **观点：** 看空 * **因子：** 美元指数 * **指标趋势：** 1月均线 * **观点：** 看多