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[22] - **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[37] - **模型具体构建过程**：模型通过计算各行业的扩散指数并进行排名，选择排名靠前的行业作为配置标的。截至2025年11月14日，扩散指数排名前六的行业为有色金属(0.991)、银行(0.968)、钢铁(0.949)、通信(0.918)、电力设备及新能源(0.914)、综合(0.885)[24]。模型进行月度轮动，2025年11月份建议配置的行业即为上述六个行业[27] - **模型评价**：该模型在趋势性行情下表现较好，但在市场风格从趋势转向反转时可能面临失效风险[37] 2. GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型[31] - **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，利用因子排名进行行业轮动[38] - **模型具体构建过程**：模型使用GRU深度学习网络处理分钟频量价数据，生成各行业的GRU因子值。根据因子值进行排名，选择排名靠前的行业进行配置。截至2025年11月14日，GRU行业因子排名前六的行业为综合(3.41)、房地产(2.63)、石油石化(2.13)、轻工制造(1.67)、钢铁(0.53)和综合金融(0.52)[32]。模型进行周度调仓，本周调入房地产，调出基础化工，当前配置行业为农林牧渔、电力及公用事业、房地产、交通运输、钢铁、石油石化[36] - **模型评价**：该模型在短周期表现较好，对交易信息把握能力强，但在长周期表现一般，且遭遇极端行情时可能失效[38] 模型的回测效果 1. 扩散指数行业轮动模型 - 本周平均收益：-1.26%[27] - 本周超额收益（相对于中信一级行业等权）：-1.99%[27] - 11月以来超额收益：-0.74%[27] - 2025年以来超额收益：1.84%[27] 2. GRU因子行业轮动模型 - 本周平均收益：1.72%[36] - 本周超额收益（相对于中信一级行业等权）：1.00%[36] - 11月以来超额收益：2.69%[36] - 2025年以来超额收益：-3.34%[36]

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]

根据研报内容，现总结如下： 量化模型与构建方式 1. **模型名称：扩散指数模型**[6] * **模型构建思路：** 该模型用于监测微盘股指数未来变盘的临界点，通过构建一个扩散指数来观察市场情绪和趋势[6][38] * **模型具体构建过程：** 模型构建了一个透视表，横轴代表未来N天后股价相对当前价格的涨跌幅度（例如从1.10代表上涨10%到0.90代表下跌10%），纵轴代表从当前时点（T=20）开始，回顾过去或展望未来的窗口期长度（T从20到10，对应未来N=0到10天）[38]。表格中的数值（如横轴0.95和纵轴15天对应的值0.28）表示，在特定未来时点（N=5天）和假设所有成分股都下跌5%的条件下，计算出的微盘股扩散指数值[38]。该指数基于万得微盘股指数的每日更新成分股进行计算[38]。 * **模型评价：** 报告指出该模型可用于监测未来扩散指数变盘的临界点[38] 2. **模型名称：首次阈值法（左侧交易）**[6][42] * **模型构建思路：** 作为扩散指数模型的一种交易应用，属于左侧交易策略，旨在较早捕捉交易信号[6][42] * **模型具体构建过程：** 当扩散指数数值达到预设的阈值时触发交易信号。具体地，该模型于2025年9月23日收盘时，因扩散指数收于0.0575而触发了开仓信号[6][42] 3. **模型名称：延迟阈值法（右侧交易）**[6][45] * **模型构建思路：** 作为扩散指数模型的另一种交易应用，属于右侧交易策略，旨在确认趋势后入场[6][45] * **模型具体构建过程：** 当扩散指数数值达到另一个预设的阈值时触发交易信号。具体地，该模型于2025年9月25日收盘时，因扩散指数收于0.1825而给予了开仓信号[6][45] 4. **模型名称：双均线法（自适应交易）**[6][46] * **模型构建思路：** 作为扩散指数模型的第三种交易应用，采用移动平均线进行自适应交易判断[6][46] * **模型具体构建过程：** 基于两条移动平均线的相互关系产生交易信号。具体地，该模型于2025年10月13日收盘时，发出了看多的信号[6][46] 模型的回测效果 1. **扩散指数模型**，当前扩散指数值0.78[38] 2. **首次阈值法**，触发开仓信号日期2025年9月23日[6][42] 3. **延迟阈值法**，触发开仓信号日期2025年9月25日[6][45] 4. **双均线法**，触发看多信号日期2025年10月13日[6][46] 量化因子与构建方式 1. **因子名称：股息率因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为0.199，历史平均为0.022[5][32] 2. **因子名称：pb倒数因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为0.112，历史平均为0.034[5][32] 3. **因子名称：非流动性因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为0.103，历史平均为0.04[5][32] 4. **因子名称：成长因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为0.019，历史平均为-0.003[5][32] 5. **因子名称：残差波动率因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为0.015，历史平均为-0.039[5][32] 6. **因子名称：成交额因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为-0.203，历史平均为-0.082[5][32] 7. **因子名称：10天自由流通市值换手率因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为-0.179，历史平均为-0.061[5][32] 8. **因子名称：10天总市值换手率因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为-0.162，历史平均为-0.06[5][32] 9. **因子名称：流动性因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为-0.15，历史平均为-0.041[5][32] 10. **因子名称：单季度净利润增速因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为-0.118，历史平均为0.019[5][32] 11. **因子名称：小市值低波 50 策略**[8][16][34] * **因子构建思路：** 在微盘股成分股内，结合小市值和低波动两个特征来优选股票[8][16][34] * **因子具体构建过程：** 策略的具体构建过程为，从万得微盘股指数(8841431.WI)的成分股中，筛选出同时具备小市值和低波动特性的50只股票构成投资组合[8][16][34]。该策略每两周调仓一次[8][16][34] 因子的回测效果 1. **小市值低波 50 策略**，2024年收益7.07%，2024年超额收益（相对万得微盘股指数）-2.93%，2025年至今(YTD)收益70.08%，本周超额收益-1.02%[8][16][34]

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）

量化模型与构建方式 1. 扩散指数模型 - **模型名称**：扩散指数模型[6][37][38] - **模型构建思路**：通过监测微盘股指数成分股价格在未来不同时间窗口和涨跌幅阈值下的分布情况，来判断市场趋势和变盘临界点[37] - **模型具体构建过程**： 1. 横轴代表以当前时间为起点，未来N天后股价相对现在的涨跌幅阈值，从1.1（涨10%）到0.9（跌10%）[37] 2. 纵轴代表以当前时间为起点，回顾过去窗口期的长度T天或者未来N天，T从20到10代表从当前时间开始往后10个交易日，即N从0到10，N=20-T[37] 3. 计算在每个横纵坐标对应的条件下，微盘股扩散指数的具体数值[37] 4. 该指标主要用于监测未来扩散指数变盘的临界点，当前扩散指数值为0.50（横轴为20，纵轴为1.00）[37] 2. 首次阈值法（左侧交易） - **模型名称**：首次阈值法[6][40] - **模型构建思路**：作为扩散指数模型的左侧交易策略，在指标首次触及阈值时发出交易信号[6][40] - **模型具体构建过程**：当扩散指数收盘值达到0.0575时触发开仓信号[40] 3. 延迟阈值法（右侧交易） - **模型名称**：延迟阈值法[6][44] - **模型构建思路**：作为扩散指数模型的右侧交易策略，在指标确认趋势后发出交易信号[6][44] - **模型具体构建过程**：当扩散指数收盘值达到0.1825时给予开仓信号[44] 4. 双均线法（自适应交易） - **模型名称**：双均线法[6][45] - **模型构建思路**：采用双均线系统进行自适应交易决策，根据均线关系判断多空信号[6][45] - **模型具体构建过程**：当短期均线下穿长期均线时发出空仓信号[45] 5. 小市值低波50策略 - **模型名称**：小市值低波50策略[8][16][33] - **模型构建思路**：在微盘股成分股中优选小市值和低波动的50只股票构建投资组合[8][16][33] - **模型具体构建过程**： 1. 选择万得微盘股指数成分股作为股票池[8][16] 2. 使用市值因子和波动率因子进行排序筛选[8][16] 3. 选取市值最小、波动率最低的50只股票[8][16] 4. 每双周调仓一次，费用双边千三[8][16][33] 模型的回测效果 1. **首次阈值法**，于2025年9月23日触发开仓信号[6][40] 2. **延迟阈值法**，于2025年9月25日给予开仓信号[6][44] 3. **双均线法**，于2025年8月4日收盘给予空仓信号[6][45] 4. **小市值低波50策略**，2024年收益7.07%，超额-2.93%；2025年YTD收益58.55%，本周超额0.14%[8][16][33] 量化因子与构建方式 1. 杠杆因子 - **因子名称**：杠杆因子[5][16][31] - **因子构建思路**：衡量公司的财务杠杆水平[5][16][31] - **因子评价**：本周表现优异，rankic值为0.176，显著高于历史平均的-0.006[5][16][31] 2. 自由流通比例因子 - **因子名称**：自由流通比例因子[5][16][31] - **因子构建思路**：反映股票的自由流通股本占总股本的比例[5][16][31] - **因子评价**：本周表现良好，rankic值为0.156，明显高于历史平均的-0.013[5][16][31] 3. 股息率因子 - **因子名称**：股息率因子[5][16][31] - **因子构建思路**：计算公司股息与股价的比率[5][16][31] - **因子评价**：本周表现稳定，rankic值为0.109，高于历史平均的0.021[5][16][31] 4. 单季度净资产收益率因子 - **因子名称**：单季度净资产收益率因子[5][16][31] - **因子构建思路**：衡量公司单季度的净资产盈利能力[5][16][31] - **因子评价**：本周表现较好，rankic值为0.091，显著高于历史平均的0.022[5][16][31] 5. 成长因子 - **因子名称**：成长因子[5][16][31] - **因子构建思路**：评估公司的成长性和发展潜力[5][16][31] - **因子评价**：本周表现积极，rankic值为0.091，明显高于历史平均的-0.003[5][16][31] 6. 未复权股价因子 - **因子名称**：未复权股价因子[5][16][31] - **因子构建思路**：使用未复权股价作为因子指标[5][16][31] - **因子评价**：本周表现较差，rankic值为-0.363，显著低于历史平均的-0.014[5][16][31] 7. 贝塔因子 - **因子名称**：贝塔因子[5][16][31] - **因子构建思路**：衡量股票相对于市场的系统性风险[5][16][31] - **因子评价**：本周表现不佳，rankic值为-0.3，明显低于历史平均的0.006[5][16][31] 8. 非流动性因子 - **因子名称**：非流动性因子[5][16][31] - **因子构建思路**：评估股票的流动性状况[5][16][31] - **因子评价**：本周表现弱势，rankic值为-0.197，显著低于历史平均的0.04[5][16][31] 9. 过去10天收益率因子 - **因子名称**：过去10天收益率因子[5][16][31] - **因子构建思路**：计算股票过去10天的收益率表现[5][16][31] - **因子评价**：本周表现较差，rankic值为-0.187，低于历史平均的-0.061[5][16][31] 10. 标准化预期盈利因子 - **因子名称**：标准化预期盈利因子[5][16][31] - **因子构建思路**：基于标准化处理的预期盈利指标[5][16][31] - **因子评价**：本周表现不理想，rankic值为-0.055，明显低于历史平均的0.013[5][16][31] 因子的回测效果 1. **杠杆因子**，本周rankic 0.176，历史平均-0.006[5][16][31] 2. **自由流通比例因子**，本周rankic 0.156，历史平均-0.013[5][16][31] 3. **股息率因子**，本周rankic 0.109，历史平均0.021[5][16][31] 4. **单季度净资产收益率因子**，本周rankic 0.091，历史平均0.022[5][16][31] 5. **成长因子**，本周rankic 0.091，历史平均-0.003[5][16][31] 6. **未复权股价因子**，本周rankic -0.363，历史平均-0.014[5][16][31] 7. **贝塔因子**，本周rankic -0.3，历史平均0.006[5][16][31] 8. **非流动性因子**，本周rankic -0.197，历史平均0.04[5][16][31] 9. **过去10天收益率因子**，本周rankic -0.187，历史平均-0.061[5][16][31] 10. **标准化预期盈利因子**，本周rankic -0.055，历史平均0.013[5][16][31]

量化模型与构建方式 1 模型名称：扩散指数行业轮动模型[3][23][24]；模型构建思路：基于价格动量原理，通过计算行业扩散指数来捕捉行业趋势，选择扩散指数排名靠前的行业进行配置[24][36]；模型具体构建过程：首先，计算每个中信一级行业的扩散指数，该指数反映了行业内个股价格走势的强弱程度；然后，每周或每月跟踪各行业扩散指数的数值及其变化，并选择扩散指数排名前六的行业作为当期配置建议[25][28]；模型评价：该模型在趋势性行情中表现较好，能有效捕捉行业动量，但在市场风格切换至反转行情时可能面临失效风险[24][36] 2 模型名称：GRU因子行业轮动模型[3][6][31]；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，以把握短期交易信息并进行行业轮动[31][37]；模型具体构建过程：首先，收集各行业的分钟频量价数据；然后，将这些数据输入到GRU深度学习网络中进行训练，以生成GRU行业因子；最后，根据GRU行业因子的数值进行排序，选择因子排名靠前的行业进行配置[6][32][34]；模型评价：该模型对短周期行情有较好的自适应能力，但在长周期表现一般，且可能因极端行情而失效[31][37] 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3.68%[3][23][28] 2 GRU因子行业轮动模型，2025年以来超额收益-7.53%[3][31][34] 量化因子与构建方式 1 因子名称：行业扩散指数[3][5][25]；因子的构建思路：通过量化行业内个股价格走势的强弱来构建一个综合指标，用以衡量行业的整体趋势强度[24][36]；因子具体构建过程：对于每个中信一级行业，计算其成分股中价格处于上涨趋势的股票比例或使用其他类似方法合成一个0到1之间的指数，数值越高代表行业趋势越强[25][26] 2 因子名称：GRU行业因子[3][6][32]；因子的构建思路：利用GRU深度学习模型处理高频量价数据，提取能够预测行业短期表现的因子[31][37]；因子具体构建过程：使用各行业的分钟频量价数据作为输入特征，通过训练好的GRU网络模型输出一个因子得分，该得分反映了模型对该行业未来表现的预测[32][37] 因子的回测效果 1 行业扩散指数因子，截至2025年9月26日，在通信行业的取值为0.949，在有色金属行业的取值为0.927，在银行业的取值为0.897，在电子行业的取值为0.864，在汽车行业的取值为0.859，在综合行业的取值为0.811[5][25] 2 GRU行业因子，截至2025年9月26日，在钢铁行业的取值为3.15，在房地产行业的取值为2.6，在建材行业的取值为2.08，在石油石化行业的取值为1.85，在交通运输行业的取值为0.81，在电力及公用事业的取值为0.01[6][32]

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][26] - **模型构建思路**：基于价格动量原理，通过计算行业扩散指数来捕捉行业趋势，选择扩散指数排名靠前的行业进行配置[26][38] - **模型具体构建过程**： 1. 选取中信一级行业作为标的[27] 2. 计算每个行业的扩散指数，扩散指数反映了行业价格趋势的强度[27] 3. 定期（如月度）选择扩散指数排名前六的行业作为配置组合[26][30] 4. 具体配置行业根据最新扩散指数值确定，例如2025年9月配置行业为综合、有色金属、通信、银行、传媒、商贸零售[26][30] 2. GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型[33][34] - **模型构建思路**：基于分钟频量价数据，通过GRU（门控循环单元）深度学习网络生成行业因子，捕捉交易信息中的规律进行行业轮动[34][38] - **模型具体构建过程**： 1. 使用分钟频量价数据作为输入[38] 2. 通过GRU深度学习网络处理数据，生成每个行业的GRU因子值[34][38] 3. GRU因子值反映了行业短期的动量或交易信号[34] 4. 定期（如周度）选择GRU因子排名靠前的行业作为配置组合，例如调入煤炭、调出房地产[36] 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：2.76%[25][30] - 2025年9月以来超额收益：-1.88%[30] - 本周超额收益：-1.41%[30] 2. GRU因子行业轮动模型 - 2025年以来超额收益：-7.78%[33][36] - 2025年9月以来超额收益：-0.10%[36] - 本周超额收益：-0.38%[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**：通过计算行业价格数据的扩散指数，衡量行业趋势强度[27] - **因子具体构建过程**： 1. 获取中信一级行业的价格数据[27] 2. 计算每个行业的扩散指数值，具体计算方法未详细说明，但扩散指数值介于0到1之间，值越高表示趋势越强[27] 3. 例如，截至2025年9月19日，有色金属行业的扩散指数为0.978，银行行业为0.968[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GRU深度学习网络处理分钟频量价数据，生成代表行业短期动量的因子[34][38] - **因子具体构建过程**： 1. 输入分钟频量价数据到GRU网络[38] 2. 网络输出每个行业的GRU因子值，值越高表示行业动量越强[34] 3. 例如，截至2025年9月19日，有色金属行业的GRU因子值为7.4，石油石化行业为5.38[34] 因子的回测效果 （注：报告中未提供因子的独立回测指标，如IC、IR等，仅提供了基于因子构建的模型回测结果）

根据提供的研报内容，以下是量化模型和因子的详细总结： 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，通过行业扩散指数捕捉行业趋势，选择向上趋势的行业进行配置[24] - **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. 每月进行轮动调仓，配置扩散指数提升较大的行业[25][26] - **模型评价**：在趋势性行情中表现较好，但在市场反转时可能失效[24] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于GRU深度学习网络，利用分钟频量价数据生成行业因子，捕捉短期交易机会[30] - **模型具体构建过程**： 1. 使用GRU网络处理行业分钟频量价数据 2. 输出行业因子得分，反映行业短期动量特征 3. 选择GRU因子得分较高的行业进行配置[31][32] - **模型评价**：在短周期表现较好，但长周期表现一般，极端行情可能失效[30] 量化因子与构建方式 1. **因子名称：行业扩散指数** - **因子构建思路**：衡量行业价格趋势强度，反映行业动量特征[25] - **因子具体构建过程**： 1. 计算行业价格序列的扩散指标 2. 标准化处理得到扩散指数，取值范围0-1 3. 指数越高表示行业趋势越强[26] 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，反映短期交易信号[31] - **因子具体构建过程**： 1. 输入行业分钟频量价数据到GRU网络 2. 网络输出行业因子得分，得分越高表示短期动量越强[32] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年8月超额收益1.51%[28] - 2025年以来超额收益1.75%[28] 2. **GRU因子行业轮动模型** - 2025年8月超额收益-1.78%[33] - 2025年以来超额收益-6.66%[33] 因子的回测效果 1. **行业扩散指数** - 截至2025年8月15日，排名前六的行业扩散指数值： - 综合金融1.0 - 钢铁1.0 - 非银行金融0.999 - 综合0.998 - 有色金属0.997 - 通信0.997[25] 2. **GRU行业因子** - 截至2025年8月15日，排名前六的GRU因子值： - 有色金属5.67 - 非银行金融4.65 - 建材4.14 - 房地产4.08 - 钢铁3.64 - 基础化工2.71[31]

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，通过行业扩散指数捕捉行业趋势，选择趋势向上的行业进行配置[27] - **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. 每月进行轮动调仓，动态调整行业配置[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[27][37] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于GRU深度学习网络，利用分钟频量价数据生成行业因子，捕捉短期交易信号[33][38] - **模型具体构建过程**： 1. 使用GRU网络处理高频量价数据，提取行业特征 2. 生成GRU行业因子，反映行业短期动量 3. 选择因子排名靠前的行业进行配置，每周调仓[33][36] - **模型评价**：擅长把握短期交易机会，但长周期表现一般，极端行情下可能失效[33][38] 量化因子与构建方式 1. **因子名称：行业扩散指数** - **因子构建思路**：衡量行业价格趋势的强度，用于识别动量较强的行业[27][28] - **因子具体构建过程**： 1. 计算行业价格序列的扩散指标 2. 标准化处理得到扩散指数，范围在0到1之间 3. 指数越接近1，表示行业趋势越强[28][29] 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][34] - **因子具体构建过程**： 1. 输入行业分钟频量价数据到GRU网络 2. 输出行业因子得分，正得分表示看涨，负得分表示看跌[34][36] 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：-0.41%[26][31] - 2024年超额收益：-5.82%[27] - 2023年超额收益：-4.58%[27] - 2022年超额收益：6.12%[27] 2. **GRU因子行业轮动模型** - 2025年以来超额收益：-4.35%[33][36] - 本周超额收益：0.65%[36] - 8月以来超额收益：0.32%[36] 因子的回测效果 1. **行业扩散指数** - 最新排名靠前的行业：综合金融(1.0)、钢铁(1.0)、建材(1.0)[28][29] - 环比提升较大的行业：煤炭(+0.683)、石油石化(+0.396)[29][30] 2. **GRU行业因子** - 最新排名靠前的行业：钢铁(2.82)、建材(1.72)、交通运输(1.3)[34][36] - 环比提升较大的行业：钢铁、建材、交通运输[34][36]

根据提供的证券研究报告内容，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. **扩散指数行业轮动模型** - 模型构建思路：基于价格动量原理，通过跟踪行业扩散指数捕捉行业趋势[24] - 具体构建过程： 1. 计算各中信一级行业的扩散指数，数值范围0-1，反映行业趋势强度 2. 每周跟踪指数排名，选择扩散指数最高的6个行业作为配置标的[25] 3. 指数计算公式： $$ DI_{i,t} = \frac{Rank(EMA(P_{i,t}, n))}{N} $$ 其中$P_{i,t}$为行业i在t时刻的价格，n为平滑周期，N为行业总数[26] - 模型评价：在趋势行情中表现优异，但反转行情易失效[24] 2. **GRU因子行业轮动模型** - 模型构建思路：基于GRU神经网络处理分钟频量价数据，生成行业因子[31] - 具体构建过程： 1. 输入层：行业分钟级成交价、成交量、买卖盘数据 2. 隐藏层：3层GRU网络结构，每层128个神经元 3. 输出层：生成30维行业因子向量，数值越大表示看涨概率越高[32] 4. 每周选择因子排名前6的行业配置[34] - 模型评价：短周期预测能力强，但对政策变化敏感[37] 模型的回测效果 1. **扩散指数模型** - 2025年累计超额收益：-0.45%[23] - 周度超额收益：-1.78%（2025/7/25当周）[28] - 月度超额收益：-3.47%（2025/7月）[28] 2. **GRU因子模型** - 2025年累计超额收益：-4.25%[31] - 周度超额收益：1.61%（2025/7/25当周）[35] - 月度超额收益：1.34%（2025/7月）[35] 量化因子与构建方式 1. **行业扩散因子** - 构建思路：反映行业价格趋势强度的标准化指标[25] - 具体构建： - 取行业指数20日EMA - 在全行业范围内进行百分位排名 - 标准化至0-1区间[26] 2. **GRU行业因子** - 构建思路：通过深度学习提取的量价特征[32] - 具体构建： - 输入5日分钟级量价序列 - 经GRU网络提取128维特征 - 全连接层输出单因子值[34] 因子的回测效果 1. **行业扩散因子** - 头部行业取值：综合金融(1.0)、钢铁(1.0)[25] - 尾部行业取值：电力及公用事业(0.534)、石油石化(0.692)[25] - 周度变化最大：煤炭(+0.49)、交通运输(+0.218)[27] 2. **GRU行业因子** - 头部行业取值：银行(3.3)、房地产(0.58)[32] - 尾部行业取值：综合金融(-48.92)、食品饮料(-42.89)[32] - 周度变化最大：医药(+18位)、电力及公用事业(+17位)[32]