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[3][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. 计算每个中信一级行业的扩散指数，扩散指数反映了行业价格动量的强度[27] 2. 具体计算公式未在报告中明确给出，但通常扩散指数基于价格突破特定阈值（如过去N日高点）的股票比例计算，形式可能为： $DI_i = \frac{1}{N} \sum_{j=1}^{N} I(P_{j,t} > P_{j,t-k})$ 其中，$DI_i$ 表示行业i的扩散指数，$P_{j,t}$ 表示行业i中股票j在时间t的价格，$I(\cdot)$ 为指示函数，k为回溯期[27] 3. 每月末选择扩散指数排名前六的行业作为下月配置组合[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][38] 2 GRU因子行业轮动模型 - 模型名称：GRU因子行业轮动模型[3][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，捕捉短期交易信号[33][39] - 模型具体构建过程： 1. 输入分钟频量价数据到GRU网络中进行训练[39] 2. GRU网络输出各行业的因子值，因子值高低代表看涨程度[34][36] 3. 每周根据GRU因子排名选择前六的行业作为配置组合[34][37] 4. 具体网络结构和训练细节未在报告中给出[39] - 模型评价：在短周期表现较好，长周期表现一般，极端行情下可能失效[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：2.14%[3][25][30] - 2024年超额收益：-5.82%[26] - 2023年超额收益：-4.58%[26] - 2022年超额收益：6.12%[26] 2 GRU因子行业轮动模型 - 2025年以来超额收益：-6.98%[33][37] - 2021年以来凭借交易信息获取较大超额收益[33] 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][30] - 因子构建思路：衡量行业内部价格动量的扩散程度，值越高代表趋势越强[27][38] - 因子具体构建过程： 1. 对每个中信一级行业，计算其成分股中价格突破过去一定期间高点的股票比例[27] 2. 报告未给出具体计算公式，但行业扩散指数值介于0-1之间[27] 2 GRU行业因子 - 因子名称：GRU行业因子[34][36] - 因子构建思路：通过GRU深度学习网络从分钟频量价数据中提取行业看涨信号[34][39] - 因子具体构建过程： 1. 使用GRU网络处理分钟频数据[39] 2. 输出各行业的因子值，因子值可正可负，正值越大代表看涨信号越强[34][36] 因子的回测效果 （报告中未提供因子单独的测试结果，仅提供了基于因子构建的模型的回测效果）