前期报告我们使用深度学习模型构建了选股因子。这些因子按照个股流通市值加权聚合所形成的行业因子也具有较好的行业轮动能力。但2025年以来行业的动量效应愈发显著的市场环境下，该方法构建的行业轮动策略表现较弱。
　　因此我们认为有必要构建一套专门的行业轮动模型来对我们的深度学习选股因子进行补充，这样信息的捕捉将更为充分。
　　新模型框架分为两个子模块，我们分别称之为Model1和Model2，它们分别是从行业量价数据和个股量价基本面数据出发通过神经网络挖掘一些低相关的行业alpha因子，最后通过决策树模型对所挖掘的行业alpha因子二次加权合成最终的因子得分。
　　通过对比各个行业因子的绩效我们发现：
　　1.各个因子两两相关性较低，说明各个因子获得行业alpha收益来源有较大差异。
　　2.各个行业模型进行融合后综合因子绩效和稳定性相对于单一模型有显著提升，2018年以来等权因子的周度行业RankIC可达11.63%，年化超额为22.70%。这说明因子彼此可以形成互补，叠加以后可以带来增益。
　　3. Model1对行业短期和长期动量暴露均相对显著，与ret5、10、240的相关性均在10%以上。Model2对短期行业动量暴露为相对较低，但对长期行业动量的暴露较高。
　　通过合成因子动态调整行业约束来构建指增组合，我们发现：
　　1.通过动态调整行业约束，可以使得各个宽基指数的指增组合绩效显著提升，其中沪深300指增组合年化超额提升1.02pct，中证500年化超额提升1.22pct，中证1000年化超额提升0.98pct，信息比等指标也都有显著提升。
　　2.组合超额收益的回撤会有小幅上升。
　　风险提示。1）量化模型基于历史数据分析，未来存在失效风险，建议投资者紧密跟踪模型表现。2）极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。