证券研究报告：金融工程报告 研究所 分析师:肖承志 SAC 登记编号:S1340524090001 Email:xiaochengzhi@cnpsec.com 研究助理:李子凯 SAC 登记编号:S1340124100014 Email:lizikai@cnpsec.com 近期研究报告 《OpenAI 发布 GPT-5，Claude Opus 4.1 上线——AI 动态汇总 20250811》 - 2025.08.12 《融资余额新高，创新药光通信调整， 指数预期仍将震荡上行挑战前高—— 行业轮动周报 20250810》 - 2025.8.11 《ETF 资金偏谨慎流入消费红利防守， 银行提前调整使指数回调空间可控— — 行 业 轮 动 周 报 20250803 》 - 2025.08.04 《ETF 资金持续净流出医药，雅下水电 站成短线情绪突破口——行业轮动周 报 20250727》 – 2025.07.28 《ETF 资金净流入红利流出高位医药， 指数与大金融回调有明显托底——行 业轮动周报 20250720》 – 2025.07.21 《大金融表现居前助指数突破，GRU 行 业轮动调入非银行金融—— ...

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]

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，通过计算行业扩散指数来捕捉行业趋势，选择趋势向上的行业进行配置[25] - **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. 扩散指数公式： $$ DI_t = \frac{N_{up}}{N_{up} + N_{down}} $$ 其中，\( N_{up} \)为行业成分股中价格上涨的股票数量，\( N_{down} \)为价格下跌的股票数量[26] 3. 选择扩散指数排名前六的行业作为配置标的[26] - **模型评价**：在趋势性行情中表现优异，但在市场反转时可能失效[25] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于GRU（门控循环单元）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] - **模型具体构建过程**： 1. 输入分钟级行业量价数据（如成交量、收益率等） 2. 通过GRU网络提取时序特征，输出行业因子得分 3. 根据因子得分排名选择前六的行业配置（如银行、交通运输等）[34] - **模型评价**：短周期自适应能力强，但长周期表现不稳定，极端行情可能失效[38] --- 量化因子与构建方式 1. **因子名称：行业扩散指数因子** - **因子构建思路**：通过统计行业内个股价格变动方向的比例，量化行业趋势强度[26] - **因子具体构建过程**： 1. 对每个中信一级行业，计算当日上涨股票数量占比 2. 标准化为0-1区间，1表示全部成分股上涨，0表示全部下跌[26] 2. **因子名称：GRU行业因子** - **因子构建思路**：利用GRU网络从高频量价数据中提取行业动量特征[34] - **因子具体构建过程**： 1. 对行业分钟频数据（如收益率、波动率）进行归一化 2. 输入GRU网络训练，输出因子得分（如银行因子得分为2.68）[34] --- 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年累计超额收益：1.48%[25] - 周度超额收益（2025/7/18）：-1.61%[29] - 7月以来超额收益：-1.62%[29] 2. **GRU因子行业轮动模型** - 2025年累计超额收益：-5.75%[33] - 周度超额收益（2025/7/18）：-1.27%[36] - 7月以来超额收益：-0.30%[36] --- 因子的回测效果 1. **行业扩散指数因子** - 当前排名前六行业得分：综合金融(1.0)、综合(0.998)、非银行金融(0.996)[26] - 周度环比提升最大行业：消费者服务(+0.224)、食品饮料(+0.208)[28] 2. **GRU行业因子** - 当前排名前六行业得分：银行(2.68)、交通运输(2.42)、有色金属(-0.87)[34] - 周度环比提升最大行业：建材、银行、综合金融[34]

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]

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[28] - 模型具体构建过程： 1. 计算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. 每月进行行业轮动调整[31] - 模型评价：在趋势性行情中表现优异，但在市场反转时可能失效[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[34] - 模型具体构建过程： 1. 使用GRU网络处理高频量价数据 2. 输出行业因子得分，反映行业短期动量 3. 每周进行行业轮动调整[36] - 模型评价：擅长捕捉短期交易机会，但对政策变化不敏感[38] 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：0.37%[26] - 6月以来超额收益：4.59%[31] - 本周超额收益：2.48%[31] 2. **GRU因子行业轮动模型** - 2025年以来超额收益：-4.76%[34] - 6月以来超额收益：-0.55%[36] - 本周超额收益：-0.82%[36] 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：通过价格动量衡量行业趋势强度[28] - 因子具体构建过程： 1. 计算各行业价格序列的扩散指标 2. 标准化处理得到0-1区间的扩散指数[29] 2. **因子名称：GRU行业因子** - 因子构建思路：利用深度学习提取量价特征[34] - 因子具体构建过程： 1. GRU网络处理分钟级量价数据 2. 输出行业因子得分，数值范围无固定上下限[35] 因子的回测效果 1. **行业扩散指数** - 当前最高值：非银行金融(1.0)、综合金融(1.0)[28] - 当前最低值：煤炭(0.214)[29] - 周环比最大提升：食品饮料(+0.453)[30] 2. **GRU行业因子** - 当前最高值：纺织服装(3.7)[34] - 当前最低值：汽车(-16.31)[34] - 周环比最大提升：纺织服装[34]

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，选择向上趋势的行业进行配置[27] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格动量强度 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，2025年6月建议配置非银行金融、银行等6个行业[31] - **模型评价**：在趋势行情中表现优异，但在反转行情中可能失效[28] 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[34] - **模型具体构建过程**： 1. 通过GRU网络处理历史量价数据 2. 输出各行业的GRU因子得分，反映短期交易信号 3. 选择因子得分高的行业进行配置，2025年6月调入非银行金融等6个行业[35] - **模型评价**：短周期表现较好，但对极端行情适应性有限[39] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年6月超额收益：1.99%（月度）[31] - 2025年以来超额收益：0.37%[31] - 本周超额收益：0.79%[31] 2. **GRU因子行业轮动模型** - 2025年6月超额收益：0.25%[37] - 2025年以来超额收益：-3.83%[37] - 本周超额收益：0.25%[37] 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**：通过标准化处理行业价格动量指标，生成0-1区间的扩散指数[28] - **因子具体构建过程**： 1. 计算各行业价格动量指标（如相对强度） 2. 进行标准化处理：$$ DI_i = \frac{x_i - min(x)}{max(x) - min(x)} $$ 3. 截至2025/6/20，综合金融扩散指数为1.0（最高），煤炭为0.174（最低）[28] 2. **因子名称：GRU行业因子** - **因子构建思路**：通过GRU网络提取量价特征，生成行业排序因子[35] - **因子具体构建过程**： 1. 输入分钟频量价数据至GRU网络 2. 输出行业因子得分，截至2025/6/20，煤炭得分3.48（最高），通信得分-17.95（最低）[35] 因子的回测效果 1. **行业扩散因子** - 周度Rank IC：石油石化环比提升0.09（最高），农林牧渔下降0.229（最低）[30] 2. **GRU行业因子** - 周度Rank IC：非银行金融环比提升显著，通信因子下降幅度最大[36]

根据研报内容，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. **扩散指数模型** - **模型构建思路**：通过监测微盘股指数成分股未来N天股价涨跌幅的临界点，判断市场变盘时机[6][17][18] - **具体构建过程**： - 横轴设定未来N天股价涨跌幅范围（从+10%到-10%） - 纵轴设定回顾窗口期长度T（20天至10天），N=20-T - 计算扩散指数值（如横轴0.95与纵轴15天对应值0.07，表示未来5天若成分股跌5%则扩散指数为0.07）[6][17] - **模型评价**：适用于监测市场调整深度，但需注意成分股每日更新带来的指数天然下行趋势[6][17] 2. **小市值低波50策略** - **模型构建思路**：在微盘股成分股中筛选小市值且低波动的50只股票，双周调仓[16][36] - **具体构建过程**： - 筛选标准：市值排名后50%且历史波动率最低的50只股票 - 基准：万得微盘股指数（8841431.WI），费用双边千三[16][36] - **模型评价**：策略在2024年收益7.07%（超额-2.93%），2025年YTD收益43.44%，本周超额-0.53%[16][36] --- 模型的回测效果 1. **扩散指数模型** - 当前扩散指数值：0.34（横轴20，纵轴1.00）[6][17] - 信号触发： - 首次阈值法（左侧交易）：2025年5月8日触发空仓信号[6][18] - 延迟阈值法（右侧交易）：2025年5月15日触发空仓信号（阈值0.8975）[6][18] - 双均线法（自适应交易）：2025年6月11日触发空仓信号[6][18] 2. **小市值低波50策略** - 2024年收益：7.07%（超额-2.93%）[16] - 2025年YTD收益：43.44%（本周超额-0.53%）[16] --- 量化因子与构建方式 1. **微盘股成分股因子** - **因子列表及本周rankIC**： - 过去一年波动率因子：0.171（历史平均-0.033） - 贝塔因子：0.145（历史平均0.004） - 对数市值因子：0.138（历史平均-0.033） - 非线性市值因子：0.138（历史平均-0.033） - 非流动性因子：0.125（历史平均0.038） - 动量因子：-0.241（历史平均-0.005） - 10天自由流通市值换手率因子：-0.175（历史平均-0.06）[5][16][33] --- 因子的回测效果 1. **微盘股因子表现** - 正向RankIC因子：波动率、贝塔、市值类因子本周显著正向选股[5][33] - 负向RankIC因子：动量、换手率、盈利类因子本周负向选股[5][33] --- 其他关键指标 1. **市场宽度监控** - 全市场宽度值：0.514（定义为全市场个股过去20日跑赢沪深300的比例）[76] 2. **风险指标** - 微盘股成分股市值中位数：20.54亿元（历史分位数69.89%）[63][64] - PB中位数：2.27（历史分位数23.51%）[65][66] （注：部分内容如日历效应、基金表现等未涉及模型/因子，故未纳入总结）

根据提供的研报内容，以下是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** - **模型构建思路**：基于价格动量原理，通过跟踪行业扩散指数来捕捉行业趋势[6][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. 每月进行行业轮动调整[26][30] - **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[26][36] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：利用GRU神经网络处理分钟频量价数据，捕捉行业短期交易特征[7][32] - **模型具体构建过程**： 1. 使用GRU深度学习网络处理行业量价数据 2. 生成GRU行业因子得分 3. 选择因子得分高的行业进行配置[32][35] - **模型评价**：在短周期表现较好，但对极端行情适应性有限[32][37] 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的标准化指标[6][26] - **因子具体构建过程**： 1. 计算行业价格序列的扩散指标 2. 进行标准化处理得到0-1区间的扩散指数[26][27] 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[7][32] - **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[32][33] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年6月超额收益：1.20%[30] - 2025年以来超额收益：-0.44%[26][30] 2. **GRU因子行业轮动模型** - 2025年6月超额收益：0.00%[35] - 2025年以来超额收益：-4.13%[32][35] 因子的回测效果 1. **行业扩散因子** - 最新排名前六行业得分：综合金融(1.0)、非银行金融(0.997)、银行(0.97)[27] - 环比提升最大行业：有色金属(+0.167)、农林牧渔(+0.164)[27][29] 2. **GRU行业因子** - 最新排名前六行业得分：钢铁(2.42)、建筑(1.47)、交通运输(0.85)[33] - 环比提升最大行业：电力设备及新能源、电子、机械[33]

根据研报内容，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. **扩散指数模型** - **构建思路**：通过监测微盘股指数成分股的价格涨跌扩散情况，预测未来变盘临界点[6][43] - **具体构建**： - 横轴为未来N天股价涨跌幅（1.1至0.9代表±10%），纵轴为回顾窗口期长度T（20至10天） - 计算扩散指数值：例如横轴0.95与纵轴15天对应值0.16，表示未来5天若成分股均跌5%，扩散指数为0.16[43] - 动态更新成分股，指数天然有下行趋势[43] - **评价**：用于捕捉市场情绪转折点，但对成分股变动敏感 2. **小市值低波50策略** - **构建思路**：在微盘股成分股中筛选小市值且低波动的50只股票，双周调仓[40][41] - **具体构建**： - 选股标准：总市值≤20亿元（如茂化实华19.5亿元、浙江力诺19.32亿元），结合历史波动率排序[41] - 费用：双边千三交易成本，基准为万得微盘股指数[40] - **评价**：兼顾流动性与风险控制，但超额收益受市场风格影响较大 3. **日历效应模型** - **构建思路**：分析微盘股指数在不同时间维度的收益规律[7][22][56] - **具体构建**： - **日度效应**：2024-2025年期间，星期二、四绝对收益为正（0.4%-0.8%），星期一为负（-0.2%）[56][58] - **月度效应**：2月胜率84%（历史平均收益7.22%），3月超额收益胜率90%[7][60][63] --- 量化因子与构建方式 1. **杠杆因子** - **构建思路**：衡量公司财务杠杆水平对收益的影响[5][38] - **具体构建**：RankIC本周0.143（历史平均-0.006），公式为： $$ \text{杠杆因子} = \frac{\text{总负债}}{\text{总资产}} $$ - **评价**：短期有效性显著，但长期稳定性不足 2. **成交额因子** - **构建思路**：捕捉流动性对微盘股收益的贡献[5][38] - **具体构建**：RankIC本周0.051（历史平均-0.08），标准化成交额排名 - **评价**：与市场活跃度正相关，但易受极端值干扰 3. **PB倒数因子** - **构建思路**：低估值策略在微盘股中的表现[5][38] - **具体构建**：RankIC本周0.042（历史平均0.034），公式为： $$ \text{PB倒数因子} = \frac{1}{\text{市净率}} $$ 4. **非线性市值因子** - **构建思路**：控制市值对收益的非线性影响[5][38] - **具体构建**：RankIC本周-0.116（历史平均-0.033），采用分段回归法 --- 模型回测效果 | 模型/策略 | 年化收益 | 超额收益 | IR | 最大回撤 | |---------------------|----------|----------|-------|----------| | 小市值低波50策略 | 42.78% | 0.22% | 1.2 | -12.5% | [40][42] | 扩散指数首次阈值法 | - | - | - | - | [47] | 扩散指数双均线法 | - | - | - | - | [52][53] --- 因子回测效果 | 因子名称 | 本周RankIC | 历史平均RankIC | |--------------------|------------|----------------| | 杠杆因子 | 0.143 | -0.006 | [5][38] | 未复权股价因子 | -0.190 | -0.017 | [5][38] | PE_TTM倒数因子 | -0.143 | 0.018 | [5][38] --- 注：部分模型（如扩散指数法）未披露具体回测数值，仅提供信号触发时点[46][51]