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]

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[28] **模型具体构建过程**： - 计算各中信一级行业的扩散指数，反映行业价格趋势强度 - 指数值范围0-1，越接近1表示趋势越强 - 每周跟踪指数排名及环比变化，选择趋势最强的6个行业配置[28] **模型评价**：在趋势行情中表现优异，但反转行情中易失效[27] 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，捕捉短期交易信号[34] **模型具体构建过程**： - 输入层：行业分钟级量价数据 - 隐藏层：GRU网络提取时序特征 - 输出层：生成行业因子得分，反映短期配置价值[34] **模型评价**：短周期表现优异，但长周期稳定性不足[38] 模型的回测效果 1. **扩散指数模型** - 本周超额收益：1.97%[31] - 5月累计超额：1.29%[31] - 2025年累计超额：-1.61%[31] 2. **GRU因子模型** - 本周超额收益：-0.89%[36] - 5月累计超额：-0.46%[36] - 2025年累计超额：-4.08%[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**：通过标准化处理行业价格动量指标[28] **因子具体构建过程**： - 计算行业价格N日涨幅 - 标准化处理至0-1区间： $$ DI_i = \frac{R_i - R_{min}}{R_{max} - R_{min}} $$ 其中$R_i$为行业i的涨幅[28] 2. **因子名称**：GRU行业因子 **因子构建思路**：神经网络提取的行业量价特征[34] **因子具体构建过程**： - 输入：行业分钟级收盘价/成交量 - 网络结构：3层GRU+全连接层 - 输出：行业因子得分（范围-15至15）[34] 因子的回测效果 1. **扩散指数因子** - 当前最高值：非银金融0.972[28] - 最低值：煤炭0.119[28] - 周环比最大增幅：医药+0.037[28] 2. **GRU行业因子** - 当前最高值：石油石化7.24[34] - 最低值：计算机-12.08[34] - 周环比最大增幅：农林牧渔[34] 注：所有数据截至2025年5月30日[28][34]，测试窗口为周频[31][36]

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，通过跟踪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[6][28] - **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. 选择扩散指数排名前六的行业作为配置标的 3. 定期（周度/月度）更新行业排名并调整配置[6][28][32] - **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[28][38] 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，生成行业因子得分，选择得分高的行业配置[7][35] - **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. 输出各行业的GRU因子得分 3. 选择得分排名前六的行业进行配置[7][35][37] - **模型评价**：短周期表现较好，但对极端行情适应性有限[35][39] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年5月周度超额收益：0.11%[32] - 2025年累计超额收益：-2.26%[32] - 最新配置行业：银行(1.0)、非银行金融(0.957)、综合金融(0.954)等[28] 2. **GRU因子行业轮动模型** - 2025年5月周度超额收益：0.44%[37] - 2025年累计超额收益：-3.71%[37] - 最新配置行业：汽车(2.84)、钢铁(1.85)、传媒(1.48)等[35] 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**：通过量化行业价格趋势强度，反映行业动量特征[6][28] - **因子具体构建过程**： 1. 计算行业价格序列的扩散指标（具体公式未披露） 2. 标准化处理得到0-1区间的扩散指数[28][29] 2. **因子名称：GRU行业因子** - **因子构建思路**：基于GRU神经网络提取行业量价特征[7][35] - **因子具体构建过程**： 1. 输入行业分钟频量价数据至GRU网络 2. 输出行业因子得分（数值范围无明确上下限）[35][37] 因子的回测效果 1. **行业扩散因子** - 最新因子值：银行(1.0)、非银行金融(0.957)[28] - 周度变化最大行业：交通运输(+0.09)、基础化工(+0.075)[29] 2. **GRU行业因子** - 最新因子值：汽车(2.84)、钢铁(1.85)[35] - 周度变化最大行业：传媒(提升显著)、汽车(提升显著)[35] 注：报告中未披露具体的因子计算公式和更详细的构建参数[6][7][28][35]

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，通过跟踪行业扩散指数来捕捉行业趋势，选择向上趋势的行业进行配置[5][29] - **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$N_{up}$为行业内上涨股票数量，$N_{down}$为下跌股票数量 3. 每周跟踪行业扩散指数排名，选择排名靠前的行业构建组合[29][30] - **模型评价**：在趋势行情中表现优异，但在市场反转时可能出现较大回撤[28] 2. **模型名称：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，捕捉短期交易信号进行行业轮动[6][35] - **模型具体构建过程**： 1. 使用GRU神经网络处理行业分钟频交易数据 2. 输出各行业的GRU因子得分，反映短期交易动能 3. 每周根据GRU因子排名调仓，选择得分最高的行业[35][37] - **模型评价**：在短周期表现较好，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4月超额收益：-0.68% - 2025年以来超额收益：-2.75%[32] - 当前配置行业：银行(0.988)、非银行金融(0.94)、综合金融(0.928)、计算机(0.884)、商贸零售(0.88)、汽车(0.872)[29] 2. **GRU因子行业轮动模型** - 2025年4月超额收益：0.68% - 2025年以来超额收益：-3.54%[37] - 当前配置行业：房地产(4.62)、纺织服装(4.14)、综合金融(2.89)、交通运输(1.71)、轻工制造(1.7)、建筑(1.41)[35] 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**：衡量行业内部股票价格上涨的扩散程度[29] - **因子具体构建过程**： 1. 计算行业内每日上涨股票比例 2. 采用20日移动平均平滑处理 3. 标准化为0-1区间[30] 2. **因子名称：GRU行业因子** - **因子构建思路**：通过GRU神经网络提取行业量价特征[35] - **因子具体构建过程**： 1. 输入行业分钟频成交量和价格变化数据 2. 通过3层GRU网络提取时序特征 3. 输出层生成行业因子得分[36] 因子的回测效果 1. **行业扩散指数** - 周度Rank IC：0.17(钢铁)、0.095(综合)、0.065(汽车)[30] - 月度IC：-0.4至0.6区间波动[36] 2. **GRU行业因子** - 周度Rank IC：0.6峰值[36] - 累计Rank IC：1.8[36]