量化模型与构建方式 1. 扩散指数行业轮动模型 模型构建思路：基于价格动量原理，通过计算行业的扩散指数来捕捉行业趋势，用于行业轮动配置[23][36] 模型具体构建过程： 模型通过跟踪各行业的扩散指数进行月度轮动。扩散指数反映了行业价格走势的强度。具体构建过程为定期计算各中信一级行业的扩散指数值，并选择排名靠前的行业作为配置建议。截至2025年10月24日，扩散指数排名前六的行业被选入组合[25][28] 模型评价：该模型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[23][36] 2. GRU因子行业轮动模型 模型构建思路：利用GRU深度学习网络处理分钟频量价数据，生成行业因子，以把握短期交易信息进行行业轮动[32][37] 模型具体构建过程： 模型基于历史分钟频量价数据，通过GRU神经网络进行训练和学习，生成每个行业的GRU因子值。该因子旨在捕捉行业的短期动态。模型每周根据最新的GRU因子值对行业进行排序，并配置排名靠前的行业。例如，在2025年10月24日，根据GRU因子值排名，模型调入了非银行金融等行业[6][32][34] 模型评价：该模型在短周期内表现较好，具有较强的自适应能力，但在长周期表现一般，且遭遇极端行情时可能失效[32][37] 模型的回测效果 1. 扩散指数行业轮动模型 2025年10月以来超额收益：0.57%[28] 2025年以来超额收益：5.78%[23][28] 2. GRU因子行业轮动模型 2025年10月以来超额收益：1.80%[34] 2025年以来超额收益：-6.41%[31][34] 量化因子与构建方式 1. 行业扩散指数因子 因子构建思路：通过量化方法计算每个行业的扩散指数，用以衡量行业价格趋势的强弱[25] 因子具体构建过程： 因子定期为每个中信一级行业计算一个扩散指数值。该指数值介于0和1之间，数值越高代表该行业的向上趋势越强。具体计算逻辑未在报告中详细披露，但其结果用于对行业进行排序和选择[25][26] 2. GRU行业因子 因子构建思路：应用GRU神经网络对分钟频量价数据进行处理，输出代表行业短期动态的因子值[6][32] 因子具体构建过程： 因子利用GRU深度学习模型，输入为历史的分钟频率行情数据（包含价格和成交量等信息），经过网络训练后，为每个行业输出一个连续的GRU因子值。该因子值可正可负，其大小和正负代表了模型对该行业未来表现的预期强弱[6][32] 因子的回测效果 （报告中未提供量化因子独立的回测绩效指标，如IC、IR等，仅提供了基于因子构建的模型的综合回测结果）