根据提供的金融工程报告，以下是报告中涉及的量化模型和因子的总结： 量化模型与构建方式 1.扩散指数行业轮动模型 - 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，选择具有向上趋势的行业进行配置[38] - 模型具体构建过程：通过计算各行业的扩散指数来识别趋势方向，选择扩散指数排名靠前的行业作为投资组合。具体构建过程包括跟踪各中信一级行业的扩散指数值，并定期（如月度）根据指数排名进行行业轮动配置[27][30]。该模型的核心是捕捉行业的趋势性行情。 - 模型评价：在趋势性行情中表现较好，但在市场风格从趋势转向反转时可能面临失效风险[26][38] 2.GRU因子行业轮动模型 - 模型名称：GRU因子行业轮动模型[33] - 模型构建思路：基于分钟频量价数据，通过GRU深度学习网络生成行业因子，把握交易信息[33][39] - 模型具体构建过程：使用GRU（Gated Recurrent Unit）深度学习网络处理高频量价数据，生成各行业的GRU因子值。模型根据GRU因子排名进行行业配置，定期调整持仓[34][36]。GRU网络能够捕捉时间序列数据的长期依赖关系。 - 模型评价：在短周期表现较好，对交易信息把握能力强，但在长周期表现一般，极端行情下可能失效[33][39] 模型的回测效果 1.扩散指数行业轮动模型 - 2025年以来超额收益：3.42%[25][30] - 2025年10月以来超额收益：-1.21%[30] - 本周超额收益：-0.85%[30] 2.GRU因子行业轮动模型 - 2025年以来超额收益：-5.40%[33][36] - 2025年10月以来超额收益：2.51%[36] - 本周超额收益：0.86%[36] 量化因子与构建方式 1.行业扩散指数因子 - 因子名称：行业扩散指数[27] - 因子构建思路：衡量行业价格趋势强度，数值越高代表向上趋势越强[27] - 因子具体构建过程：通过对各行业价格数据进行特定计算得到扩散指数值，用于评估行业的趋势强度。截至2025年10月17日，扩散指数排名前六的行业为有色金属(0.979)、通信(0.931)、银行(0.929)、钢铁(0.849)、电子(0.833)、电力设备及新能源(0.816)[27] 2.GRU行业因子 - 因子名称：GRU行业因子[34] - 因子构建思路：基于深度学习技术从高频量价数据中提取行业特征[34] - 因子具体构建过程：通过GRU神经网络处理分钟频量价数据，生成代表行业特征的因子值。截至2025年10月17日，GRU行业因子排名前六的行业为纺织服装(4.22)、综合(2.68)、交通运输(2.16)、钢铁(2.00)、电力及公用事业(1.84)和石油石化(1.08)[34] 因子的回测效果 1.行业扩散指数因子 - 本周环比提升较大的行业：消费者服务(+0.271)、煤炭(+0.251)、商贸零售(+0.127)[28][29] - 本周环比下降较大的行业：石油石化(-0.102)、汽车(-0.040)、建筑(-0.039)[28][29] 2.GRU行业因子 - 本周环比提升较大的行业：食品饮料、电力及公用事业、房地产[34] - 本周环比下降较大的行业：汽车、建筑、建材[34]