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：利用深度学习技术，将个股历史价量数据转化为标准化的图表，通过卷积神经网络（CNN）学习图表中的特征模式，以预测未来价格走势，并将学习到的有效特征映射到行业主题板块，生成行业配置建议。[79] * 模型具体构建过程： 1. 数据准备：对每个个股，选取一个特定窗口期内的价量数据（如价格、成交量等）。[79] 2. 图表化：将标准化处理后的价量数据构建成可视化的图表。研报中提及了“标准化数据价量图表”。[80] 3. 模型训练：使用卷积神经网络对上述图表化的价量数据与对应的未来价格（或收益率）进行建模训练，使网络学会从图表中识别出与未来价格变动相关的特征模式。[79] 4. 特征映射与配置：将训练好的CNN模型学习到的特征应用于市场当前数据，识别出具有相似积极特征的股票集群，并将其映射到对应的行业或主题板块，从而生成看好的行业主题配置列表。[79][82] 2. 模型名称：宏观因子事件分析模型[54] * 模型构建思路：通过跟踪一系列关键的国内外宏观指标，定义并识别这些指标在特定时间段内的走势事件（如创短期高点、连续下跌等），并基于历史回测，筛选出对未来资产收益率有显著预测作用的“有效因子事件”，用以判断市场趋势。[54] * 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。[54] 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。[54] 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。[54] 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或下行，并统计在不同趋势下，各类资产（如大盘股、中小盘股）未来一个月的平均收益表现，以形成观点。[56][57] 3. 模型名称：期权成交量看涨看跌比（CPR）模型[47] * 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。[47] * 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。 2. 计算布林通道：计算CPR的60日移动平均线及其上下轨（通常为标准差的倍数）。 3. 信号生成：观察最近20个交易日的CPR数值是否持续低于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。[47] 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内部结构强度。[33] * 因子具体构建过程： 1. 每日计算创近60日新高的个股数。 2. 每日计算创近60日新低的个股数。 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：通过计算处于不同均线多头排列和空头排列状态的个股占比之差，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）或空头排列（短期<中期<长期）。 2. 计算当日处于多头排列的个股数量占比。 3. 计算当日处于空头排列的个股数量占比。 4. 计算“均线强弱指标”：多头排列个股占比 减去 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：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。[40] * 因子具体构建过程： 1. 对每只个股，计算其200日移动平均线。 2. 判断当日收盘价是否位于200日移动平均线之上。 3. 计算股价位于200日线上方的个股数占总股票数的比例，即“长期均线以上比例”。[40] 4. 因子名称：风险溢价因子[66][82] * 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。[66][82] * 因子具体构建过程： 1. 计算中证全指（或其它市场指数）的静态市盈率（PE_TTM）。 2. 求其倒数，得到盈利收益率（Earnings Yield, EP）。公式为： $EP = \frac{1}{PE\_TTM}$ 3. 减去当前十年期国债收益率，得到风险溢价（Risk Premium）。公式为： $风险溢价 = EP - 十年期国债收益率$[66][82] 4. 同时计算该风险溢价的历史均值和标准差通道（如均值±2倍标准差）作为参考边界。[67] 5. 因子名称：指数超买超卖因子[69] * 因子构建思路：通过特定指标（研报中未明确具体计算方法，常见如RSI、乖离率等）度量主要宽基指数和行业指数是否处于超买或超卖状态。[69] * 因子具体构建过程：研报中展示了“超跌指标统计”图，但未详细说明该指标的具体构建公式。其核心是计算一个用于衡量指数短期偏离程度的标准化指标。[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，以观察杠杆资金的入场意愿和市场热度。[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。[78] 模型的回测效果 本报告未提供所列量化模型（卷积神经网络模型、宏观因子事件模型、CPR模型）具体的回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告主要展示了卷积神经网络模型的最新输出结果（行业配置列表）以及宏观因子模型的当前观点。[57][81] 因子的回测效果 本报告未提供所列量化因子（新高新低比例、均线结构、长期均线以上比例、风险溢价、超买超卖、融资余额）具体的因子测试结果（如IC值、IR、多空收益等）。报告主要展示了这些因子在最新一期（2025年12月19日）的截面取值或时间序列状态。例如： 1. 新高新低比例因子：60日新高比例为7.7%，60日新低比例为6.4%。[33] 2. 个股均线结构因子：均线强弱指标（多头排列占比减空头排列占比）为-24%。[37] 3. 风险溢价因子：中证全指风险溢价为2.79%，其历史均值+2倍标准差边界为4.71%。[67][82] 4. 融资余额因子：最近5个交易日融资余额减少约76亿元。[82]