根据提供的金融工程报告，以下是关于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. 模型名称：扩散指数行业轮动模型[21] * 模型构建思路：该模型基于价格动量原理，通过计算行业的扩散指数来识别具有向上趋势的行业，从而进行行业轮动配置[21][34] * 模型具体构建过程：模型针对每个中信一级行业计算其扩散指数。具体过程涉及观察行业内成分股的表现，但报告中未提供计算扩散指数的具体公式和详细步骤[21][23] 2. 模型名称：GRU因子行业轮动模型[29] * 模型构建思路：该模型利用GRU（门控循环单元）深度学习网络对分钟频量价数据进行处理，生成GRU行业因子，以把握短期交易信息并进行行业轮动[29][35] * 模型具体构建过程：模型使用历史分钟频量价数据训练GRU网络。GRU网络能够捕捉时间序列数据的依赖关系，输出每个行业的因子值。报告指出该模型在短周期表现较好，但未提供网络结构、输入特征、训练周期等具体构建细节和公式[29][35] 模型的回测效果 1. 扩散指数行业轮动模型 * 2025年11月以来超额收益：1.28%[26] * 2025年以来超额收益：6.21%[21][26] * 2024年全年超额收益：-5.82%[21] * 2023年全年超额收益：-4.58%[21] * 2022年全年超额收益：6.12%[21] 2. GRU因子行业轮动模型 * 2025年11月以来超额收益：1.65%[32] * 2025年以来超额收益：-4.49%[29][32] 量化因子与构建方式 1. 因子名称：行业扩散指数[23] * 因子构建思路：该因子用于衡量某个行业整体趋势的强弱，数值越高代表该行业的向上趋势越强[23] * 因子具体构建过程：报告未提供行业扩散指数因子的具体计算方法和公式，仅提供了截至特定日期的各行业因子取值[23][24] 2. 因子名称：GRU行业因子[30] * 因子构建思路：该因子由GRU深度学习模型生成，旨在从分钟频量价数据中提取有效信息，以预测行业短期表现[30][35] * 因子具体构建过程：作为GRU模型的直接输出，每个行业对应一个因子值。报告未提供该因子值计算的具体技术细节和公式[30] 因子的回测效果 1. 行业扩散指数因子 * 报告未提供该因子独立的测试指标（如IC值、IR等），其效果直接体现在扩散指数行业轮动模型的超额收益上[21][26] 2. GRU行业因子 * 报告展示了该因子的周度Rank IC序列和累计Rank IC曲线，但未给出具体的IC均值、IR等统计指标[31]