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]

广发证券首席金工分析师 安宁宁 SAC: S0260512020003 anningning@gf.com.cn 广发证券资深金工分析师 张钰东 SAC: S0260522070006 zhangyudong@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2.99%，创业板指跌2.26%，大盘价值涨1.52%，大盘成长跌1.39%，上证50涨0.32%，国证2000代表的小盘跌0.37%，商贸零 售、非银金融表现靠前，电子、电力设备表现靠后。 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2025/12/19指标2.79%，两倍标准差边界为4.71%。 估值水平，截至2025/12/19，中证全指PETTM分位数80%，上证50与沪深300分别为74%、73%，创业板指接近55%，中证500与中证1000分别为59%、 60%，创业板指风格估值相对历史总体处于中位数水平。 资金交易层面，最近5个交易日，ETF资金流入721亿元，融资盘5个交易日减少约76亿元，两市日均成交17380亿元。 | 日期 | 指数代码 | 指数名称 | ...

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**[83] * **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，并将学习到的有效特征映射到行业主题板块，以识别具有趋势性机会的板块[83]。 * **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[83][84]。 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[83]。 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，识别出模型认为未来具有上涨潜力的主题板块[83]。 4. **输出配置**：模型最终输出为看好的具体行业主题指数列表，作为配置建议[85]。 2. **模型名称：宏观因子事件模型**[58] * **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），并从历史数据中回测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[58]。 * **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[58]。 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[58]。 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”[58]。 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收益率的显著差异，形成观点[60][61]。 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[51] * **模型构建思路**：通过监测上证50ETF期权成交量看涨看跌比率（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[51]。 * **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[51]。 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）[51]。 3. **信号生成**：当最近20个交易日的CPR低于其60日布林通道上轨时，模型认为蓝筹股短期不存在超卖风险[51]。 量化因子与构建方式 1. **因子名称：新高新低比例因子**[37] * **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[37]。 * **因子具体构建过程**： * **新高比例**：计算创近60日新高的个股数量占全部个股总数的比例[3][37]。 * **新低比例**：计算创近60日新低的个股数量占全部个股总数的比例[3][37]。 2. **因子名称：个股均线结构因子**[41] * **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之差占全体个股的比例，来反映市场整体的技术趋势强弱[41]。 * **因子具体构建过程**： * **均线强弱指标**：计算（多头排列个股数量 - 空头排列个股数量） / 全体个股数量[41]。该指标值上升表明市场整体技术面走强，下降则表明走弱[3][4]。 3. **因子名称：长期均线以上比例因子**[44] * **因子构建思路**：通过统计股价位于长期均线（如200日）之上的个股比例，来评估市场整体的长期趋势强弱和广度[44]。 * **因子具体构建过程**：计算当前价格位于200日长期移动平均线之上的个股数量占全体个股数量的比例[44]。 4. **因子名称：风险溢价因子**[70] * **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）的差值，来衡量股票资产相对于债券资产的吸引力[86]。 * **因子具体构建过程**： 1. 计算中证全指的静态市盈率（PE_TTM）的倒数，即盈利收益率（EP）[86]。 2. 从EP中减去十年期国债收益率，得到风险溢价[86]。 $$风险溢价 = \frac{1}{PE\_{TTM}} - 十年期国债收益率$$ * **因子评价**：该指标是衡量股债性价比的核心指标，值越高通常表示股票相对债券越有吸引力[86]。 5. **因子名称：指数超买超卖因子**[73] * **因子构建思路**：通过特定算法计算主要指数和行业指数的超跌或超买状态，以识别市场或板块的极端位置[73]。 * **因子具体构建过程**：报告未详细说明具体计算算法，但展示了截至特定日期（2025年12月12日）各主要宽基指数和行业指数的“超跌指标”统计值[73][74][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值、IR、多空收益等量化测试结果。报告主要展示了部分因子在最新一期的状态取值。） 1. **新高新低比例因子**：截至2025年12月12日当周，创近60日新高个股数占比从前一期的8.4%升至8.5%；创近60日新低个股数占比从前一期的6.9%升至20%[3][4]。 2. **个股均线结构因子**：截至2025年12月12日当周，多头排列减空头排列个股占比从前一期的-6.9%降至-15%[3][4]。 3. **风险溢价因子**：截至2025年12月12日，中证全指风险溢价为2.82%，其历史均值加减两倍标准差边界分别为4.71%和未知下限[86]。 4. **宏观因子事件模型当前观点**：根据截至2025年12月12日的宏观因子趋势分析，对权益市场未来一个月的观点为：PMI、CPI同比、社融存量同比趋势显示市场可能“震荡”；10年期国债收益率和美元指数趋势显示“看多”[61]。

广发证券资深金工分析师 张钰东 SAC: S0260522070006 zhangyudong@gf.com.cn 广发证券首席金工分析师 安宁宁 SAC: S0260512020003 anningning@gf.com.cn 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。最新配置主题为通信、人工智能、创业板动量成长 等，具体包括中证通信设备主题指数、创业板人工智能指数、中证5G通信主题指数、创业板动量成长指数等细分指数。 资金交易层面，最近5个交易日，ETF资金流入186亿元，融资盘5个交易日增加约235亿元，两市日均成交19337亿元。 | 日 | 指数代码 | 指数名称 | | --- | --- | --- | | 20251212 | 931271.CSI | 中证通信设备主题指数 | | 20251212 | 970070.CNI | 创业板人工智能指数 | | 20251212 | 931160.CSI | 中证全指通信设备指数 | | 20251212 | 399296.SZ | 创业板动量成长指数 | | 20251212 | 931079.CS ...

市场近期表现 - 最近5个交易日，科创50指数下跌0.08%，创业板指上涨1.86%，大盘价值上涨0.74%，大盘成长上涨1.61%，上证50上涨1.09%，国证2000代表的小盘股上涨0.19% [1] - 行业层面，有色金属和通信表现靠前，传媒和房地产表现靠后 [1] 市场估值水平 - 截至2025年12月5日，中证全指PETTM分位数处于80%的高位，上证50与沪深300的分位数分别为75%和72% [1] - 创业板指估值分位数接近49%，处于历史中位数水平，中证500与中证1000的分位数分别为61%和57% [1] 资金交易情况 - 最近5个交易日，ETF资金整体流出14亿元，而融资盘增加约115亿元 [2] - 两市日均成交额为16824亿元 [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][10] - 最新配置主题包括通信、红利低波、创业板动量成长等，具体关注中证通信设备主题指数、中证红利低波动100指数、创业板动量成长指数等细分指数 [2][3][11] 风险溢价指标 - 截至2025年12月5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2.81%，其两倍标准差上边界为4.72% [1]

市场近期表现 - 最近5个交易日，科创50指数上涨3.21%，创业板指上涨4.54%，国证2000代表的小盘股上涨4.50% [1] - 风格表现上，大盘价值下跌0.21%，大盘成长上涨2.63%，上证50上涨0.47% [1] - 行业层面，通信和电子板块表现靠前，而石油石化和银行板块表现靠后 [1] 市场估值水平 - 截至2025年11月28日，中证全指PETTM分位数为79%，显示估值处于相对较高水平 [1] - 主要指数估值分位数：上证50为75%，沪深300为71%，中证500为60%，中证1000为57% [1] - 创业板指估值分位数接近48%，其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资金流入82亿元，而融资盘减少约191亿元 [2] - 两市日均成交额为17238亿元 [2] 风险偏好指标 - 截至2025年11月28日，中证全指风险溢价（EP减去十年期国债收益率）为2.89% [1] - 该指标的两倍标准差边界为4.73% [1] AI模型识别主题 - 基于卷积神经网络的AI模型将价量数据与未来价格建模，学习特征映射到行业主题 [2][11] - 模型最新配置主题包括中药、银行和高股息等板块 [2] - 具体关注的细分指数包括中证中药指数、中证银行指数和上证国有企业红利指数等 [3][12]

市场近期表现 - 最近5个交易日，科创50指数下跌3.85%，创业板指下跌3.01%，大盘价值上涨1.44%，大盘成长下跌1.64%，上证50微涨0.003%，国证2000代表的小盘股下跌0.53% [1] - 行业层面，综合与纺织服饰板块表现靠前，而通信与电子板块表现靠后 [1] 市场估值水平 - 截至2025年11月14日，中证全指PETTM分位数为81%，上证50与沪深300的分位数分别为77%和73%，显示大盘股估值处于历史较高水平 [1] - 创业板指估值分位数接近50%，处于历史中位数水平，而中证500与中证1000的估值分位数分别为62%和61% [1] 资金交易情况 - 资金层面，最近5个交易日ETF资金流入122亿元，融资盘增加约77亿元 [2] - 两市日均成交额为20226亿元 [2] 风险溢价水平 - 截至2025年11月14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2.78%，其两倍标准差边界为4.74% [1] AI模型关注主题 - 基于卷积神经网络的AI模型，通过对价量数据图表进行深度学习，将特征映射到行业主题，最新配置主题包括能源和高股息等 [2] - 模型具体关注的指数包括中证能源指数、中证高股息策略指数、中证智选高股息策略指数、上证国有企业红利指数和中证旅游主题指数 [2][12]

公司核心人事与架构变动 - Meta首席人工智能科学家Yann LeCun计划离开公司并筹备创立新的AI初创企业，已开始与潜在投资方进行早期谈判[2] - Meta宣布将旗下所有人工智能业务统一整合为新部门Superintelligence Labs，并由前Scale AI创始人Alexandr Wang出任领导人[2] - LeCun的汇报关系发生变化，从原先向首席产品官Chris Cox汇报改为直接向Alexandr Wang汇报[2] 公司战略方向转变 - Meta的AI研究哲学发生根本转变，新成立的Superintelligence Labs更接近于OpenAI式的激进路线，主打商业落地、算力堆叠与速度优先[3] - 公司将AI视为未来十年的核心战役，将所有资源押注在超智能方向，目标直接对标AGI（人工通用智能）[4] - 公司原有的FAIR研究院地位动摇，被逐步吸收进以Superintelligence Labs为中心的新体系，更多服务于产品导向和商业需求[4] 行业理念分歧与影响 - Yann LeCun的AI理念与当前主流的大语言模型路径存在深刻分歧，他认为大语言模型并不真正理解世界，并更关注让机器具备世界模型与常识推理能力[3] - 工业界与学术界之间的界线正在迅速被抹平，AI巨头的重心急速滑向应用、商业与产品，资本迫切希望看到有结果的智能[5] - LeCun的离开被视为一位科学家对加速主义潮流的无声抗议，其新创业方向可能更侧重于研究的纯粹性及构建接近人类认知机制的解释型AI[4][5]

市场表现 - 最近5个交易日，科创50指数涨0.01%，创业板指涨0.65%，大盘价值涨2.33%，大盘成长涨0.28%，上证50涨0.89%，国证2000代表的小盘涨0.52% [1] - 行业板块中，电力设备、煤炭表现靠前，计算机、美容护理表现靠后 [1] 估值水平 - 截至2025年11月7日，中证全指PETTM分位数为82%，上证50与沪深300分位数分别为77%、74% [1] - 创业板指估值分位数接近53%，中证500与中证1000分位数分别为63%、62%，创业板指风格估值相对历史总体处于中位数水平 [1] 资金流向 - 最近5个交易日，ETF资金流入372亿元，融资盘减少约7亿元 [2] - 两市日均成交额为19899亿元 [2] 风险偏好 - 截至2025年11月7日，中证全指静态EP与十年期国债收益率的风险溢价指标为2.78%，其两倍标准差边界为4.74% [1] AI模型配置主题 - 基于卷积神经网络的AI模型将学习特征映射到行业主题板块，最新配置主题包括银行、能源、红利等 [2] - 具体关注的细分指数包括中证银行指数、中证能源指数、中证中央企业红利指数等 [2][3][12]

文章核心观点 - 提出一种名为FractalForensics的主动深度伪造检测与定位方法，该方法基于分形水印技术 [5] - 该方法旨在解决现有水印技术在鲁棒性、伪造定位能力以及计算资源消耗方面存在的问题 [4][8] - 通过参数化的水印生成和加密流程，结合卷积神经网络模型，实现了在检测Deepfake的同时完成伪造区域的精确定位 [5][9][11] 工作动机 - 现有针对深度伪造的主动防御研究，如鲁棒水印和半脆弱水印，在检测任务上取得进展但仍存在局限 [4] - 当前技术普遍面临鲁棒性不稳定、无法同时进行鉴伪和定位、以及因存储ground-truth而大量消耗计算资源的问题 [8] 工作介绍 - 提出的水印以矩阵形式出现，区别于以往的水印向量，以实现伪造定位功能 [5] - 设计了一个参数化的水印生成和加密流程，以标准希尔伯特曲线为例，并定义了旋转、镜像、次序改变三个变体参数，共可产生144种分形变体 [6][7] - 构建混沌加密系统对分形矩阵进行加密，加密后的值为0到9的一位十进制数字，并转化为四位二进制值以提升容错率 [7][9] - 水印嵌入与提取基于卷积神经网络，采用entry-to-patch策略将图像划分为32x32的patch，以位置对应方式嵌入水印 [9][10] - 通过控制卷积核大小远小于patch尺寸，确保各patch间水印互不影响，篡改区域会丢失水印从而实现检测与定位 [11] 实验结果 - 经过针对Jpeg压缩的对抗训练后，该方法在面对常见图像处理时保持了最优的鲁棒性，在面对Deepfake伪造时展现了合理的脆弱性 [13] - 在CelebA-HQ数据集上的鲁棒性评估显示，其平均鲁棒性达到99.73%（patch）和99.91%（bit），显著高于对比模型如WaterLo（73.10%）和SepMark（92.39%） [14] - 在Deepfake脆弱性评估中，面对多种伪造方法（如SimSwap、InfoSwap等），该方法平均脆弱性为39.27% [15] - 在Deepfake检测的AUC效果对比中，该方法对多种伪造技术的检测效果均达到99.99%，平均效果为99.99%，优于所有被动检测的SOTA工作 [16][17] - 伪造定位效果显示，该方法能准确聚焦于被篡改区域，face swapping方法定位区域主要在人脸内部，face reenactment方法的定位区域分布更离散 [18][20][21]