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[27][30] - 模型具体构建过程： 1. 计算各中信一级行业的扩散指数，反映行业价格趋势强度 2. 选择扩散指数排名靠前的行业作为配置标的 3. 每月定期调整行业配置，跟踪扩散指数变化 - 模型评价：在趋势行情中表现优异，但在市场反转时可能失效[27][30] 2. 模型名称：GRU因子行业轮动模型 - 模型构建思路：利用GRU神经网络处理分钟频量价数据，生成行业因子以捕捉短期交易机会[33][36] - 模型具体构建过程： 1. 使用GRU深度学习网络处理行业分钟频量价数据 2. 输出各行业的GRU因子得分，反映短期交易信号强度 3. 选择GRU因子排名靠前的行业进行配置 - 模型评价：在短周期表现较好，但对极端行情适应性有限[33][36] 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：-1.47% - 2025年以来超额收益：-3.52%[30] 2. GRU因子行业轮动模型 - 2025年4月超额收益：1.21% - 2025年以来超额收益：-3.01%[36] 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：通过量化行业价格趋势强度，筛选具有持续动量的行业[27] - 因子具体构建过程： 1. 计算各行业价格序列的扩散指标 2. 标准化处理得到扩散指数，范围在0-1之间 3. 排名靠前的行业（如银行0.954、非银行金融0.926）视为趋势强劲[27] 2. 因子名称：GRU行业因子 - 因子构建思路：基于GRU神经网络提取行业量价特征，生成交易信号[33] - 因子具体构建过程： 1. 输入行业分钟频量价数据至GRU网络 2. 输出因子得分（如建筑4.68、煤炭4.45），得分越高代表短期交易信号越强[33] 因子的回测效果 1. 行业扩散指数因子 - 2025年4月Top行业：银行（0.954）、非银行金融（0.926）[27] - 周度环比提升最大行业：有色金属（+0.237）[27] 2. GRU行业因子 - 2025年4月Top行业：建筑（4.68）、煤炭（4.45）[33] - 周度环比提升最大行业：煤炭、建筑、家电[33]