根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：国证航天航空行业指数（CN5082.CNI） **模型构建思路**：反映沪深北交易所航天航空行业公司证券的市场表现，选取国证三级行业为航天航空的公司，按自由流通市值排名选取前50只股票[42][43] **模型具体构建过程**： - 样本空间筛选：非ST/*ST证券、上市时间超过6个月（科创板/北交所1年）、无重大违规/财务问题、经营无异常、所属行业为航天航空[43] - 备选池构建：计算前六个月日均自由流通市值和成交金额，剔除成交金额后10%的证券[43] - 样本确定：按自由流通市值排名选取，若候选数量>50则确保自由流通市值覆盖率≥85%[43] - 权重分配：自由流通市值加权[54] **模型评价**：高度聚焦航空航天核心产业链，成分股与低空经济、商业航天等新兴主题契合度高[69] 2. **模型名称**：军工主题指数对比模型（含中证军工、军工龙头等） **模型构建思路**：通过不同编制规则横向对比军工主题指数的行业覆盖特点[54] **模型具体构建过程**： - 中证军工指数：选取十大军工集团控股公司及军工领域上市公司，总市值加权[54] - 军工龙头指数：综合军工业务收入和类型评分，市值加权[54] - 中证国防指数：聚焦国防工业系统公司，市值加权[54] 模型的回测效果 1. **国证航天指数**： - 近五年年化收益6.26%，Sharpe比率0.33，最大回撤-55.93%[62] - 近一年收益33.78%，显著高于沪深300（14.95%）和中证军工（28.17%）[64] - 牛市区间弹性突出（如2022/4/27-8/3涨幅50.9%）[65] 2. **军工主题指数对比**： - 国证航天指数"含军工量"达97%，"含航量"51%，高于中证军工（军工68%/航空30%）[55][61] 量化因子与构建方式 1. **因子名称**：小市值风格因子 **因子构建思路**：捕捉小市值公司在军工行业的超额收益[44] **因子具体构建过程**： - 成分股中500亿元以下市值占比67%（45只），100亿元以下占比9.48%[44] 2. **因子名称**：军工行业集中度因子 **因子构建思路**：衡量成分股在国防军工行业的纯度[48] **因子具体构建过程**： - 中信一级行业分类下国防军工权重97%，其中航空航天二级行业占51%[48] 因子的回测效果 1. **小市值风格因子**： - 前三大权重股（中航沈飞、航发动力等）合计影响指数23.66%[52] 2. **军工行业集中度因子**： - 前十大权重股集中度49%，6只为航空航天行业[52] - 无人机相关成分股（如航天彩虹）权重占比超12%[61] 注：报告中未涉及传统多因子模型的详细构建公式，主要聚焦于指数编制规则和行业特征因子的分析[43][54]

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：封板率** - **构建思路**：用于衡量涨停股票的稳定性，反映市场情绪强弱[17] - **具体构建过程**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月的股票，计算当日同时满足盘中最高价涨停和收盘涨停的股票占比[17] 2. **因子名称：连板率** - **构建思路**：反映涨停股票的持续性，捕捉市场热点强度[17] - **具体构建过程**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 基于前一日涨停股票中次日继续涨停的比例[17] 3. **因子名称：大宗交易折价率** - **构建思路**：通过大宗交易价格偏离度监测机构资金动向[26] - **具体构建过程**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 计算当日所有大宗交易成交总额相对于市值的整体偏离程度[26] 4. **因子名称：股指期货年化贴水率** - **构建思路**：量化期货市场对现货指数的预期偏差[28] - **具体构建过程**： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 对上证50、沪深300、中证500、中证1000主力合约分别计算[28] 因子回测效果 1. **封板率因子** - 当日取值：61%（较前日下降15%）[17] - 近一月趋势：显示封板率与市场情绪正相关[17] 2. **连板率因子** - 当日取值：28%（较前日提升5%）[17] - 历史分位数：当前处于近一月中等水平[17] 3. **大宗交易折价率因子** - 当日取值：9.20%（近半年均值5.81%）[26] - 成交金额：16亿元（近半年日均12亿元）[26] 4. **股指期货年化贴水率因子** - 上证50：2.79%（44%分位）[28] - 沪深300：4.65%（38%分位）[28] - 中证500：14.09%（27%分位）[28] - 中证1000：13.28%（46%分位）[28] 模型评价 - **市场情绪类因子**（封板率/连板率）：对短期热点轮动敏感，但易受极端行情干扰[17] - **资金动向类因子**（折价率/贴水率）：机构行为代理指标，具有领先性但需结合量能验证[26][28] 注：报告中未涉及复合模型或衍生因子构建，主要聚焦基础因子的计算与应用[17][26][28]

根据提供的研报内容，该报告主要分析陆股通2025年Q2持仓情况，未涉及量化模型或量化因子的构建与分析。以下是报告核心内容的提炼： 陆股通持仓核心数据 1. **持股市值变化** - 截至2025年6月30日，陆股通持股市值22,889亿元，较Q1增加504亿元，占A股流通市值比例2.80%（较Q1下降4bp）[3][16] 2. **行业分布特征** - **前五大行业**：电力设备及新能源（13.06%）、银行（11.1%）、电子（9.77%）、食品饮料（8.34%）、医药（7.26%）[4][18] - **环比变化**：银行（+0.94%）、非银金融（+0.63%）占比提升；食品饮料（-1.35%）、家电（-1.21%）占比下降[5][20] 3. **资金流向** - **净流入行业**：银行（186亿元）、电力设备及新能源（150亿元）、非银金融（131亿元）[6][29] - **净流出行业**：商贸零售（-169亿元）、综合（-132亿元）[6][29] 4. **重仓股动态** - 前十大重仓股未变，宁德时代（1,531亿元）、贵州茅台（1,027亿元）居首[7][38] - 宁德时代、长江电力等获加仓，贵州茅台、美的集团等遭减仓[39][40] 数据来源与统计口径 - 行业分类采用中信一级/二级行业标准[18][23] - 数据截至2025年6月30日，经沪深港通新规调整后披露[15] （注：报告未提及量化模型或因子相关内容，故不输出相关模块）

量化模型与构建方式 1. **模型名称：行业主线模型（相对强弱RSI指标）** - **构建思路**：通过计算行业指数的相对强弱指标，识别年度领涨行业[11] - **具体构建过程**： 1. 选取29个一级行业指数作为标的 2. 计算过去20、40、60个交易日的行业涨跌幅横截面排名，归一化得到RS_20、RS_40、RS_60 3. 计算综合相对强弱指数：$$RS = \frac{RS_{20} + RS_{40} + RS_{60}}{3}$$ 4. 若行业在每年4月底前出现RS>90%的信号，则判定为潜在领涨行业[11][12] - **模型评价**：历史验证有效，2024年成功捕捉高股息、资源品、出海和AI主线[11][13] 2. **模型名称：行业轮动模型（景气度-趋势-拥挤度框架）** - **构建思路**：结合景气度、趋势强度和拥挤度三维指标，动态配置行业[16] - **具体构建过程**： 1. **景气度**：横轴量化行业基本面强度（如盈利增速） 2. **趋势**：纵轴量化价格动量（如过去60日收益率） 3. **拥挤度**：气泡大小和颜色表示交易拥挤程度（蓝色低拥挤/红色高拥挤）[16][21] 4. 筛选"高景气+强趋势+低拥挤"行业，规避"低景气+弱趋势+高拥挤"行业[16] - **模型评价**：进攻性与防御性结合，年化超额14.4%，IR达1.56[16][18] 3. **模型名称：左侧库存反转模型** - **构建思路**：挖掘库存周期底部且分析师看好的困境反转行业[28] - **具体构建过程**： 1. 识别库存压力较小的行业（如存货周转率改善） 2. 结合分析师预期（如盈利预测上调） 3. 筛选补库条件成熟的行业（如普钢、光学光电等）[28][29] - **模型评价**：2024年相对行业等权超额14.8%，但2025年阶段性失效[28][30] 4. **模型名称：PB-ROE选股模型** - **构建思路**：在行业配置基础上，选取估值性价比高的个股[23] - **具体构建过程**： 1. 按行业权重筛选股票池 2. 计算PB-ROE分位数，选取前40%个股 3. 按流通市值和PB-ROE打分加权[23] - **模型评价**：年化超额20.0%，重仓股如国泰君安、牧原股份等[23][26] --- 模型的回测效果 1. **行业主线模型** - 2024年命中率：煤炭、银行等9个RS>90%行业成为年度主线[11][12] - 2025年信号：14个行业出现RS>90%，以TMT、银行为主[13][14] 2. **行业轮动模型** - 年化超额：14.4%（基准Wind全A），IR 1.56，最大回撤-7.4%[16] - 2025年超额：相对Wind全A超额3.9%，ETF组合超额7.7%[3][18] 3. **左侧库存反转模型** - 2024年绝对收益：25.9%，超额行业等权14.8%[28][30] - 2025年收益：1.3%，跑输基准2.1%[28] 4. **PB-ROE选股模型** - 年化收益：25.4%，超额Wind全A 20.0%，IR 1.72[23] - 2025年超额：3.8%（截至6月底）[23] --- 量化因子与构建方式 1. **因子名称：相对强弱因子（RS）** - **构建过程**：同行业主线模型，综合多周期排名归一化[11] 2. **因子名称：行业景气度因子** - **构建过程**：基于财务指标（如ROE、营收增速）合成景气度评分[16][21] 3. **因子名称：趋势动量因子** - **构建过程**：计算行业指数过去60日收益率标准化[16][21] 4. **因子名称：拥挤度因子** - **构建过程**：结合换手率、融资余额等指标量化交易热度[16][21] --- 因子的回测效果 1. **相对强弱因子** - 有效窗口：4月底前RS>90%的行业后续平均超额7.6%[12][14] 2. **景气度-趋势-拥挤度组合因子** - 多头组合月胜率：68%（2013-2025年）[16][18] （注：部分因子未单独披露测试结果，仅作为模型输入组件）

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称**：北上资金行业配置模型 **模型构建思路**：通过分析北上资金在不同行业的持仓市值和净流入情况，构建行业配置模型，以评估北上资金在各行业的配置偏好和欠配情况[4][14][16] **模型具体构建过程**： - 计算北上资金在各行业的持仓市值和净流入金额 - 对比沪深300指数中各行业的权重，计算北上资金的欠配比例 - 剥离行业自身涨跌幅的影响，修正净流入金额 **模型评价**：该模型能够有效反映北上资金在行业层面的配置动态，但需注意资金面变动并非行业趋势的唯一决定因素[30] 2. **模型名称**：北上资金二级行业净流入模型 **模型构建思路**：分析北上资金在二级行业（如银行二级行业）的净流入情况，以识别资金流向的热点行业[19][20] **模型具体构建过程**： - 剥离行业涨跌幅影响，计算修正后的净流入金额 - 按净流入金额排序，识别净流入最多和净流出最多的二级行业 **模型评价**：该模型能够捕捉北上资金在细分行业的配置变化，但计算方式和口径的改变可能影响最终结论[30] 模型的回测效果 1. **北上资金行业配置模型**： - 北上资金在银行上的配置比例为11.09%，沪深300中银行占比为15.71%，欠配约4.62%[16] - 2025Q2北上资金净流入最多的行业包括半导体、证券及期货、新能源车设备等[20][22] 2. **北上资金二级行业净流入模型**： - 2025Q2北上资金在银行二级行业中，净流入最多的是城商行（31.92亿元），股份行和国有行分别净流出24.97亿元和8.37亿元[20] - 净流入最多的5个二级行业为半导体、证券及期货、新能源车设备、制药、通信设备[20][22] 量化因子与构建方式 1. **因子名称**：北上资金欠配比例因子 **因子构建思路**：通过对比北上资金配置比例与沪深300行业权重，计算欠配比例，以反映资金配置的偏离程度[16] **因子具体构建过程**： - 计算北上资金在某一行业的配置比例 - 计算该行业在沪深300中的权重 - 欠配比例 = 沪深300行业权重 - 北上资金配置比例 **因子评价**：该因子能够直观反映北上资金的配置偏好，但需结合其他因素综合判断行业趋势[30] 2. **因子名称**：北上资金净流入因子 **因子构建思路**：通过剥离行业涨跌幅影响，计算修正后的净流入金额，以反映资金的真实流向[19][20] **因子具体构建过程**： - 计算北上资金在某一行业的持仓市值变化 - 剥离行业涨跌幅的影响，得到修正后的净流入金额 **因子评价**：该因子能够有效识别资金流向的热点行业，但计算方式可能影响结果的准确性[30] 因子的回测效果 1. **北上资金欠配比例因子**： - 银行行业的欠配比例为4.62%，为北上资金欠配最多的行业[16] 2. **北上资金净流入因子**： - 2025Q2城商行净流入31.92亿元，股份行净流出24.97亿元[20] - 半导体、证券及期货等二级行业净流入金额较高[20][22]

根据提供的金融工程日报内容，该报告主要涉及市场表现、情绪指标和资金流向的统计分析，但未提及具体的量化模型或因子构建。以下是可提取的核心内容分类整理： --- 市场情绪指标 1. **封板率计算** 构建思路：反映涨停股的稳定性 构建过程：$$封板率=\frac{最高价涨停且收盘涨停股票数}{最高价涨停股票数}$$ 当前值：76%（较前日下降9%）[18] 2. **连板率计算** 构建思路：衡量涨停股的持续性 构建过程：$$连板率=\frac{连续两日收盘涨停股票数}{昨日收盘涨停股票数}$$ 当前值：23%（较前日下降10%）[18] --- 资金流向指标 1. **两融余额占比** 构建思路：评估杠杆资金活跃度 当前值：占流通市值2.3%，占成交额9.0%[23] 2. **大宗交易折价率** 构建思路：反映大资金交易情绪 构建过程：$$折价率=\frac{大宗交易总成交金额}{当日成交份额总市值}-1$$ 当前值：7.02%（近半年平均5.80%）[27] 3. **股指期货年化贴水率** 构建思路：衡量期货市场预期 构建过程：$$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 当前值： - 上证50：3.33%（42%分位）[30] - 沪深300：4.70%（38%分位）[30] - 中证500：10.32%（44%分位）[30] - 中证1000：12.65%（49%分位）[30] --- 机构行为指标 1. **龙虎榜机构净流向** 数据范围：机构专用席位买卖前十名[38] 净流入案例：中油资本、塞力医疗等[38] 净流出案例：永安药业、柳钢股份等[38] 2. **陆股通净流向** 数据范围：外资买卖前十名[39] 净流入案例：中油资本、广合科技等[39] 净流出案例：信雅达、隆扬电子等[39] --- 注：报告未涉及传统量化因子（如价值/动量因子）或复杂模型（如多因子模型）的构建与测试[1][2][3][4][5]

根据提供的研报内容，总结如下： 量化模型与构建方式 1.模型名称：行业拥挤度监测模型；模型构建思路：通过量化指标监测申万一级行业的交易拥挤程度，识别过热或低估板块[6]；模型具体构建过程：采用30日滚动窗口计算各行业综合拥挤度指标（含成交量、波动率、资金流向等维度），数值区间0%-100%，越高代表越拥挤；模型评价：能有效捕捉市场情绪极端状态，但对行业轮动节奏的预判需结合基本面验证[6][9] 2.模型名称：溢价率Z-score套利信号模型；模型构建思路：通过统计套利方法捕捉ETF价格偏离净值的交易机会[6]；模型具体构建过程：计算标的ETF溢价率的历史Z-score，公式为$$Z=\frac{P-NAV}{σ(NAV)}$$，当Z>2时触发关注信号[6][11] 量化因子的构建方式 1.因子名称：主力资金净流入因子；因子构建思路：监测大单资金流向判断主力动向[10]；因子具体构建过程：逐日计算行业指数的主力净流入额（大单买入-卖出），并统计3日滚动累计值[10] 模型的回测效果 1.行业拥挤度监测模型，拥挤度阈值：公用事业77%（过热）、汽车8%（低估）[9] 2.溢价率Z-score模型，触发阈值：Z-score>2标准差[11] 因子的回测效果 1.主力资金净流入因子，3日累计值：计算机+4.59亿元（增配）、机械设备-61.92亿元（减配）[10]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：ML-Master** - **模型构建思路**：模拟人类专家的认知策略，通过"探索-推理深度融合"范式解决AI4AI系统的三大瓶颈：探索效率低下、推理能力受限以及模块割裂问题[12] - **模型具体构建过程**： - 采用蒙特卡洛树搜索的并行化改造，将AI开发过程建模为动态决策树，每个节点代表一个潜在解决方案状态[13] - 通过实时评估75个Kaggle任务分支的潜力值，动态分配计算资源[13] - 可控推理模块通过自适应记忆机制筛选历史探索中的关键代码片段、性能指标和跨节点洞察[13] - 构建闭环进化系统，探索阶段收集的代码执行结果通过智能过滤后嵌入推理模型的"think"环节，而推理输出的优化方案又反向指导后续探索路径[15] 2. **模型名称：OpenEvolve** - **模型构建思路**：通过自主进化代码优化GPU核函数，实现性能提升[22] - **模型具体构建过程**： - 通过25代进化迭代，自主发现三项关键优化策略[23] - 采用多模型协同的进化架构，主模型Gemini-2.5-Flash负责快速探索，辅助模型Gemini-2.5-Pro进行深度优化[24] - 将Metal核函数源代码划分为可进化区块，通过岛屿模型并行进化5个子种群，每代种群规模25个个体[24] - 评估环节采用高鲁棒性设计，包含Metal命令缓冲区保护、内存访问违规处理、指数退避重试等安全机制[25] 3. **模型名称：盘古Pro MoE 72B** - **模型构建思路**：通过分组混合专家模型（MoGE）重构传统MoE架构，解决跨设备负载不均衡问题[28] - **模型具体构建过程**： - 将64个专家划分为8组并强制每组激活等量专家[28] - 结合昇腾原生算子优化，形成从算法设计到硬件部署的全栈创新[28] - 通过动态负载均衡技术将云端推理成本降低40%[30] 4. **模型名称：文心大模型4.5系列** - **模型构建思路**：通过MoE架构的多模态异构改造，解决模态间梯度冲突导致的性能折损[47] - **模型具体构建过程**： - 采用模态隔离路由技术将文本与视觉专家分组并行训练，配合自适应模态感知损失函数[47] - 训练效率方面，飞桨框架的异构混合并行策略将FLOPs利用率提升至47%[47] - 推理环节采用动态角色转换的预填充解码技术，使21B模型在昇腾910B芯片上的吞吐量达到1528 tokens/s[47] 5. **模型名称：AniSora V3** - **模型构建思路**：通过强化学习与人类反馈框架（RLHF）优化动漫视频生成质量[50] - **模型具体构建过程**： - 采用时空掩码模块动态调节时空维度的注意力权重[51] - 训练采用经过清洗的1000万高质量动漫片段数据集[51] - 引入专为动漫设计的RLHF框架，集成AnimeReward和GAPO工具[51] 模型的回测效果 1. **ML-Master模型** - 在MLE-bench基准测试中以29.3%的平均奖牌率夺冠，显著超越微软R&D-Agent（22.4%）和OpenAI自研的AIDE系统（16.9%）[12] - 中等难度任务奖牌率提升至20.2%，达到基线方法的2.2倍[13] - 高难度任务表现提升30%，远超微软系统的18.7%[13] 2. **OpenEvolve模型** - 在Transformer推理任务中实现了平均12.5%的性能提升，峰值性能提升106%，整体表现超越人类工程师手动优化版本21%[22] - 在20项基准测试中，解码速度平均提升12.5%，预填充速度提升14.4%，总吞吐量提升10.4%[25] 3. **盘古Pro MoE 72B模型** - 在昇腾800I A2上实现单卡1148 tokens/s的基础吞吐，通过MTP解码技术进一步跃升至1528 tokens/s[29] - SuperCLUE中文大模型基准测评显示，其以58.75分位列开源模型第五[29] 4. **文心大模型4.5系列** - 424B多模态模型在OCRBench文档理解评测中以885分刷新开源记录[48] - 0.3B版本在MMLU通用测试得41.9分，但在特定任务中通过微调后关键指标反超未优化的30B模型[48] 5. **AniSora V3模型** - 在VBench测试中角色一致性得分达到9.2/10，较V2版本提升23%[51] - 生成4秒1080p视频仅需2-3分钟，单位能耗成本降低34%[52] 量化因子与构建方式 （研报中未提及具体的量化因子构建内容） 因子的回测效果 （研报中未提及具体的因子测试结果） 以上总结涵盖了研报中提到的所有量化模型及其构建思路、具体构建过程和回测效果，未包含风险提示、免责声明等无关内容。

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：封板率因子** - 构建思路：通过统计涨停股票的封板情况来反映市场情绪强度[15] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月以上的股票，计算当日同时满足盘中最高价涨停和收盘涨停的股票占比[15] - 因子评价：高频情绪指标，对短期市场热度敏感 2. **因子名称：连板率因子** - 构建思路：衡量涨停股票的持续性[15] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 跟踪前一日涨停股票在当日继续涨停的比例[15] - 因子评价：反映市场投机资金的活跃程度 3. **因子名称：股指期货贴水率因子** - 构建思路：利用期货与现货价差捕捉市场预期[26] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500、中证1000主力合约的年化贴水率[26] - 因子评价：机构对冲需求的晴雨表 4. **因子名称：大宗交易折价率因子** - 构建思路：通过大额交易折价反映机构交易意愿[24] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计单日所有大宗交易成交价相对于市价的加权平均偏离[24] 因子回测效果 1. **封板率因子** - 当日取值：85%（近一个月新高）[15] - 环比变化：较前日提升29%[15] 2. **连板率因子** - 当日取值：33%[15] - 环比变化：较前日提升18%[15] 3. **股指期货贴水率因子** - 中证500贴水率：19.40%（近一年11%分位）[26] - 中证1000贴水率：15.77%（近一年35%分位）[26] 4. **大宗交易折价率因子** - 当日折价率：4.39%[24] - 半年均值：5.77%[24] 注：报告中未涉及量化模型的具体构建，主要聚焦市场监测类因子的计算[15][24][26]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：扩散指数行业轮动模型** - **模型构建思路**：基于价格动量原理，捕捉行业趋势变化，选择向上趋势的行业进行配置[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. 每月进行轮动调整，配置前六名行业[26][27] - **模型评价**：在趋势行情中表现优异，但在市场反转时可能失效[26][38] 2. **模型名称：GRU因子行业轮动模型** - **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，捕捉短期交易信号[33][39] - **模型具体构建过程**： 1. 使用GRU网络处理行业量价数据 2. 输出行业因子得分，反映行业短期动量 3. 每周调整配置，选择因子得分最高的行业[33][36] - **模型评价**：短周期表现较好，长周期稳定性一般，极端行情可能失效[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：2.05%[26] - 本周超额收益：-0.81%[30] - 7月以来超额收益：-1.00%[30] 2. **GRU因子行业轮动模型** - 2025年以来超额收益：-4.52%[33] - 本周超额收益：0.29%[37] - 7月以来超额收益：0.77%[37] 量化因子与构建方式 1. **因子名称：扩散指数** - **因子构建思路**：衡量行业价格趋势强度，反映行业动量[26][27] - **因子具体构建过程**： 1. 计算行业价格序列的扩散指标 2. 标准化处理得到0-1之间的扩散指数 3. 指数越高代表趋势越强[27][28] 2. **因子名称：GRU行业因子** - **因子构建思路**：通过GRU网络提取行业量价特征，生成因子得分[33][36] - **因子具体构建过程**： 1. 输入行业分钟频量价数据 2. 通过GRU网络进行特征提取 3. 输出行业因子得分，得分越高代表短期动量越强[36] 因子的回测效果 1. **扩散指数** - 最新排名前六行业：综合金融(1.0)、综合(0.998)、通信(0.995)、非银行金融(0.987)、传媒(0.975)、计算机(0.973)[27] - 环比提升前六行业：煤炭(0.318)、石油石化(0.297)、钢铁(0.278)、家电(0.099)、电力及公用事业(0.091)、电力设备及新能源(0.073)[29] 2. **GRU行业因子** - 最新排名前六行业：煤炭(1.77)、钢铁(1.08)、建筑(0.72)、银行(0.19)、交通运输(0.18)、电力及公用事业(0.14)[36] - 环比提升较大行业：煤炭、钢铁、建筑[33]