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，通过行业扩散指数捕捉行业趋势变化[26] - 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. 定期（周度/月度）跟踪扩散指数变化并调整持仓[27] - 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[26] 2. 模型名称：GRU因子行业轮动模型 - 模型构建思路：利用GRU神经网络处理分钟级量价数据，生成行业因子得分[32] - 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（标准化处理） 3. 根据因子得分排名调仓（如配置前六行业）[33] - 模型评价：擅长捕捉短期交易机会，长周期表现稳定性较弱[37] --- 模型的回测效果 1. 扩散指数行业轮动模型 - 2025年6月超额收益：0.82%（相对中信一级行业等权）[30] - 2025年以来累计超额收益：-0.81%[30] - 历史表现：2021年最大超额25%，2022年超额6.12%，2023年超额-4.58%[26] 2. GRU因子行业轮动模型 - 2025年6月超额收益：-0.58%（相对中信一级行业等权）[35] - 2025年以来累计超额收益：-4.71%[35] - 周度因子Rank IC：显示短期预测有效性（图表9）[34] --- 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：通过标准化处理行业价格趋势强度[27] - 因子具体构建过程： 1. 计算行业价格变化率 2. 标准化为0-1区间（1表示最强趋势） 3. 示例取值：综合金融(1.0)、银行(0.969)、煤炭(0.166)[27] 2. 因子名称：GRU行业因子 - 因子构建思路：GRU网络输出的行业量价特征综合得分[33] - 因子具体构建过程： 1. 输入量价数据至GRU网络 2. 输出因子得分（可正可负） 3. 示例取值：银行(1.41)、电力设备及新能源(-19.92)[33] --- 因子的回测效果 1. 行业扩散指数因子 - 周度环比变化：房地产(+0.194)、有色金属(-0.122)[29] - 月度轮动胜率：2025年6月配置行业平均收益2.22%[30] 2. GRU行业因子 - 周度环比变化：通信因子提升显著，非银行金融因子下降明显[33] - 行业轮动净值：2025年累计跑输基准4.71%（图表11）[39] （注：所有数据引用自文档[26][27][29][30][32][33][34][35][37][39]，公式部分未在原文中明确给出）