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[5][29] - 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. 扩散指数公式： $DI_t = \frac{N_{up}}{N_{up} + N_{down}}$ 其中$N_{up}$为行业内上涨股票数量，$N_{down}$为下跌股票数量 3. 每周跟踪行业扩散指数排名，选择排名靠前的行业构建组合[29][30] - 模型评价：在趋势行情中表现优异，但在市场反转时可能出现较大回撤[28] 2. 模型名称：GRU因子行业轮动模型 - 模型构建思路：基于GRU神经网络处理分钟频量价数据，捕捉短期交易信号进行行业轮动[6][35] - 模型具体构建过程： 1. 使用GRU神经网络处理行业分钟频交易数据 2. 输出各行业的GRU因子得分，反映短期交易动能 3. 每周根据GRU因子排名调仓，选择得分最高的行业[35][37] - 模型评价：在短周期表现较好，但对极端行情适应性有限[39] 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：-0.68% - 2025年以来超额收益：-2.75%[32] - 当前配置行业：银行(0.988)、非银行金融(0.94)、综合金融(0.928)、计算机(0.884)、商贸零售(0.88)、汽车(0.872)[29] 2. GRU因子行业轮动模型 - 2025年4月超额收益：0.68% - 2025年以来超额收益：-3.54%[37] - 当前配置行业：房地产(4.62)、纺织服装(4.14)、综合金融(2.89)、交通运输(1.71)、轻工制造(1.7)、建筑(1.41)[35] 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：衡量行业内部股票价格上涨的扩散程度[29] - 因子具体构建过程： 1. 计算行业内每日上涨股票比例 2. 采用20日移动平均平滑处理 3. 标准化为0-1区间[30] 2. 因子名称：GRU行业因子 - 因子构建思路：通过GRU神经网络提取行业量价特征[35] - 因子具体构建过程： 1. 输入行业分钟频成交量和价格变化数据 2. 通过3层GRU网络提取时序特征 3. 输出层生成行业因子得分[36] 因子的回测效果 1. 行业扩散指数 - 周度Rank IC：0.17(钢铁)、0.095(综合)、0.065(汽车)[30] - 月度IC：-0.4至0.6区间波动[36] 2. GRU行业因子 - 周度Rank IC：0.6峰值[36] - 累计Rank IC：1.8[36]