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[24][25] - 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，选择向上趋势的行业进行配置[25][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，该指数反映行业价格趋势的强度[26] 2. 扩散指数的计算基于价格动量指标，具体公式未在报告中详细给出[25][38] 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[25][29] 4. 2025年9月建议配置行业为综合、有色金属、通信、银行、传媒、商贸零售[25][29] - 模型评价：在趋势行情中能较好捕捉行业机会，但在市场风格切换至反转行情时可能失效[25][38] 2.GRU因子行业轮动模型 - 模型名称：GRU因子行业轮动模型[32][33] - 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，捕捉短期交易机会[32][39] - 模型具体构建过程： 1. 使用GRU（门控循环单元）深度学习网络处理分钟频量价数据[39] 2. 生成GRU行业因子，该因子反映行业短期表现预期[33] 3. 每周根据GRU因子值排名，选择排名靠前的行业进行配置[33][37] 4. 2025年8月29日当周调入石油石化，调出电子[37] - 模型评价：在短周期表现较好，长周期表现一般；对极端行情适应性较差[32][39] 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：5.08%[24][29] - 2025年8月以来超额收益：4.54%[29] - 本周超额收益：1.94%[29] - 本周平均收益：2.97%[29] 2.GRU因子行业轮动模型 - 2025年累计超额收益：-7.65%[32][37] - 2025年8月以来超额收益：-2.53%[37] - 本周超额收益：0.93%[37] - 本周平均收益：1.85%[37] 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[26][27] - 因子构建思路：基于价格动量原理，衡量行业价格趋势强度[25][38] - 因子具体构建过程：报告未提供详细计算公式，仅说明基于价格动量指标计算[25][38] - 因子评价：能有效识别趋势性行情，但在反转行情中效果较差[25][38] 2.GRU行业因子 - 因子名称：GRU行业因子[33][36] - 因子构建思路：基于分钟频量价数据，通过GRU神经网络生成行业预期表现因子[33][39] - 因子具体构建过程： 1. 使用GRU深度学习网络处理高频量价数据[39] 2. 输出行业因子值，正值表示看多，负值表示看空[33] 3. 因子计算具体公式未在报告中详细给出[33] - 因子评价：对短期交易信号捕捉能力较强，但长周期稳定性不足[32][39] 因子的回测效果 1.行业扩散指数因子 - 最新值排名前六行业：综合(1.0)、有色金属(0.973)、通信(0.971)、银行(0.965)、传媒(0.945)、商贸零售(0.916)[26] - 周度环比变化最大行业：电力及公用事业(+0.069)、综合(0.0)、银行(-0.004)[27][28] 2.GRU行业因子 - 最新值排名前六行业：石油石化(3.38)、非银行金融(3.16)、商贸零售(2.59)、食品饮料(1.29)、电力及公用事业(0.21)、煤炭(0.16)[33] - 周度环比变化最大行业：石油石化、非银行金融、商贸零售（提升较大）；计算机、电子、通信（下降较大）[33]

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：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，选择扩散指数排名靠前的行业进行配置[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. 对扩散指数进行排名，选择排名前六的行业作为配置标的 3. 每月进行轮动调仓，保持组合与当前趋势一致 4. 扩散指数计算公式： $$DI_t = \frac{N_{up}}{N_{up}+N_{down}}$$ 其中$N_{up}$为行业成分股中上涨股票数量，$N_{down}$为下跌股票数量[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] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于GRU深度学习网络处理分钟频量价数据，生成行业因子进行轮动[33] - **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. 选择因子得分最高的六个行业进行配置 4. 每周进行调仓，动态适应市场变化[34] - **模型评价**：在短周期表现较好，但对极端行情适应性有限[40] 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**：通过行业成分股涨跌数量比衡量行业趋势强度[27] - **因子具体构建过程**： 1. 计算每个中信一级行业成分股当日涨跌数量 2. 计算扩散指数值： $$DI = \frac{\text{上涨股票数}}{\text{上涨股票数}+\text{下跌股票数}}$$ 3. 对DI值进行标准化处理，得到0-1区间因子值[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[34] - **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. 网络输出行业特征得分 3. 对得分进行标准化处理，生成可比因子值[36] 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：-0.44% - 2025年以来超额收益：-0.40%[30] - 本周超额收益：0.04%[30] 2. **GRU因子行业轮动模型** - 2025年8月超额收益：0.16% - 2025年以来超额收益：-2.35%[38] - 本周超额收益：1.70%[38] 因子的回测效果 1. **行业扩散指数因子** - 钢铁行业因子值：1.0 - 综合金融因子值：1.0 - 非银行金融因子值：0.999 - 综合因子值：0.998 - 有色金属因子值：0.997 - 建筑因子值：0.996[27] 2. **GRU行业因子** - 非银行金融因子值：-1.15 - 有色金属因子值：0.5 - 建材因子值：-2.63 - 汽车因子值：-2.81 - 钢铁因子值：0.7 - 家电因子值：-5.47[34]