根据研报内容，总结如下： 量化模型与构建方式 1. 模型名称：扩散指数行业轮动模型[25] * 模型构建思路：基于价格动量原理，通过计算行业的扩散指数来捕捉行业趋势，选择趋势向上的行业进行配置[25][37] * 模型具体构建过程：报告未详细描述扩散指数的具体计算过程和公式 2. 模型名称：GRU因子行业轮动模型[32][38] * 模型构建思路：基于分钟频量价数据，利用GRU（门控循环单元）深度学习网络生成行业因子，以把握交易信息并进行行业轮动[32][38] * 模型具体构建过程：报告未提供GRU网络的具体结构、输入特征、训练过程以及行业因子生成的详细步骤和公式 模型的回测效果 1. 扩散指数行业轮动模型[30] * 本周平均收益：2.59%[30] * 本周超额收益（相对中信一级行业等权）：0.70%[30] * 10月以来超额收益：-0.37%[30] * 2025年以来超额收益：4.60%[30] 2. GRU因子行业轮动模型[36] * 本周平均收益：2.88%[36] * 本周超额收益（相对中信一级行业等权）：1.01%[36] * 10月以来超额收益：1.67%[36] * 2025年以来超额收益：-6.55%[36] 量化因子与构建方式 1. 因子名称：行业扩散指数[27] * 因子构建思路：用于衡量行业价格趋势强度的指标[25][27] * 因子具体构建过程：报告未提供行业扩散指数的具体计算方法和公式 2. 因子名称：GRU行业因子[33] * 因子构建思路：通过GRU深度学习模型从分钟频量价数据中提取出的，用于表征行业未来表现的合成因子[32][33][38] * 因子具体构建过程：报告未提供GRU行业因子的具体计算方法和公式 因子的回测效果 （报告中未提供行业扩散指数和GRU行业因子独立的因子测试结果，如IC值、IR等）