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，选择扩散指数排名靠前的行业进行配置[6][28] - 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. 选择扩散指数排名前六的行业作为配置标的 3. 定期（周度/月度）更新行业排名并调整配置[6][28][32] - 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[28][38] 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，生成行业因子得分，选择得分高的行业配置[7][35] - 模型具体构建过程： 1. 使用GRU深度学习网络处理行业量价数据 2. 输出各行业的GRU因子得分 3. 选择得分排名前六的行业进行配置[7][35][37] - 模型评价：短周期表现较好，但对极端行情适应性有限[35][39] 模型的回测效果 1. 扩散指数行业轮动模型 - 2025年5月周度超额收益：0.11%[32] - 2025年累计超额收益：-2.26%[32] - 最新配置行业：银行(1.0)、非银行金融(0.957)、综合金融(0.954)等[28] 2. GRU因子行业轮动模型 - 2025年5月周度超额收益：0.44%[37] - 2025年累计超额收益：-3.71%[37] - 最新配置行业：汽车(2.84)、钢铁(1.85)、传媒(1.48)等[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：通过量化行业价格趋势强度，反映行业动量特征[6][28] - 因子具体构建过程： 1. 计算行业价格序列的扩散指标（具体公式未披露） 2. 标准化处理得到0-1区间的扩散指数[28][29] 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[7][35] - 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. 输出行业因子得分（数值范围无明确上下限）[35][37] 因子的回测效果 1. 行业扩散因子 - 最新因子值：银行(1.0)、非银行金融(0.957)[28] - 周度变化最大行业：交通运输(+0.09)、基础化工(+0.075)[29] 2. GRU行业因子 - 最新因子值：汽车(2.84)、钢铁(1.85)[35] - 周度变化最大行业：传媒(提升显著)、汽车(提升显著)[35] 注：报告中未披露具体的因子计算公式和更详细的构建参数[6][7][28][35]