根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. 模型名称：扩散指数行业轮动模型 - 模型构建思路：基于价格动量原理，通过跟踪行业扩散指数来捕捉行业趋势，选择向上趋势的行业进行配置[23][24] - 模型具体构建过程： 1. 计算各中信一级行业的扩散指数，反映行业价格动量强度 2. 选择扩散指数排名前六的行业作为配置组合 3. 每月定期调仓，跟踪行业扩散指数的周度变化[25][26] - 模型评价：在趋势性行情中表现优异，但在市场反转时可能失效[24][34] 2. 模型名称：GRU因子行业轮动模型 - 模型构建思路：利用GRU（门控循环单元）深度学习网络，基于分钟频量价数据生成行业因子，捕捉短期交易信息[30][35] - 模型具体构建过程： 1. 输入行业分钟频量价数据至GRU网络 2. 输出行业因子得分，反映行业短期动量强度 3. 选择GRU因子排名前六的行业作为配置组合[31][33] - 模型评价：擅长把握短期交易机会，但对长周期行情适应性较弱[30][35] 模型的回测效果 1. 扩散指数行业轮动模型 - 2025年4月超额收益：-1.76% - 2025年以来超额收益：-3.78%[28] - 本周超额中信一级行业等权收益：-0.59%[28] 2. GRU因子行业轮动模型 - 2025年4月超额收益：0.33% - 2025年以来超额收益：-3.82%[33] - 本周超额中信一级行业等权收益：-0.13%[33] 量化因子与构建方式 1. 因子名称：行业扩散指数 - 因子构建思路：通过量化行业价格动量强度，识别趋势性行业[25] - 因子具体构建过程： 1. 计算行业价格时间序列的扩散指标 2. 标准化处理得到扩散指数，范围0-1[26] 3. 公式： $\text{扩散指数} = \frac{\text{行业价格动量强度} - \text{最小值}}{\text{最大值} - \text{最小值}}$ - 因子评价：对趋势延续性行情敏感，但滞后于反转信号[24] 2. 因子名称：GRU行业因子 - 因子构建思路：基于深度学习提取行业量价特征，生成复合因子[31] - 因子具体构建过程： 1. GRU网络输入：行业分钟频收盘价、成交量、波动率等 2. 输出层生成行业因子得分，反映短期交易信号强度[32] - 因子评价：对高频数据捕捉能力强，但依赖历史训练数据分布[35] 因子的回测效果 1. 行业扩散指数因子 - 最新头部行业取值：银行(0.951)、非银行金融(0.917)、综合金融(0.909)[25] - 周度环比变化最大行业：农林牧渔(+0.026)、交通运输(+0.02)[26] 2. GRU行业因子 - 最新头部行业取值：综合(7.93)、银行(3.55)、纺织服装(2.61)[31] - 周度环比变化最大行业：通信、基础化工、计算机[31]