行业轮动策略分类与动态划分 [page::3][page::4][page::6]

• 将中信29个行业基于超额收益的秩相关系数动态划分为三类，保证同类行业间正相关，不同行业间无明显正相关。

- 银行、石油石化、纺织服装、计算机等行业代表性高，作为聚类中心。

• 行业相关性随时间演变，电子元器件、通信、计算机、传媒关联程度提升。

- 行业动态划分结果适合机构低频轮动配臵。

年度行业集群轮动策略及效果 [page::7][page::8][page::9][page::10]

• 采用ATR指标剔除波动幅度最大的行业集群，每年调整两类组合仓位。

- 2011-2017年策略夏普率1.47，年化收益率10.9%，月度胜率60%，超额收益赢率58%。

• 行业集群划分为Class1（资源类等大市值行业）、Class0（中等市值行业）、Class-1（新兴和小市值行业）。

月度行业轮动因子构建及回测 [page::11][page::12][page::13][page::14][page::15]

• 基于行业1个月收益动量与成交额反转两因子，分别50%权重得分，选择排名最高5个为多头，最低5个为空头。

- 多头组合年化绝对收益28%，空头组合8.3%，多头年均超越空头19.7%。

• 多空组合超额收益分布均匀，均有超过60%的月份胜过市场平均表现。

- 样本外测试延续良好表现，多头胜率63%，空头胜率75%。

主要结论 [page::15]

• 年度轮动策略适合机构投资者，动态相关性划分行业集群，结合ATR指标控制风险，获得稳定超额收益。

- 月度轮动策略利用行业收益动量及成交额反转，行业动量较个股持续性更强且分歧较低，表现出较强的超额收益和良好稳定性。

• 两类策略互补，调仓频率不同，均适用于A股行业轮动配置。

报告详尽分析：《金融工程专题研究—不同时间周期下行业量化轮动》

---

一、元数据与概览

• 报告标题：《不同时间周期下行业量化轮动》

- 专题：金融工程专题研究之数量化投资领域，聚焦行业量化轮动策略的构建与效果。

• 作者与机构：

- 证券分析师：黄志文、吴子昱、陈镜竹
- 发布机构：国信证券经济研究所
- 发布日期：2017年11月24日

• 主题：深入剖析A股市场行业轮动现象，分别基于年度和月度两个不同时间周期，构建并测试行业集群轮动模型，结合量化方法实现超额收益。

- 核心论点：
1. 通过量化指标，将中信29个行业归为三大类行业集群，实现有效行业动态划分。
2. 利用ATR指标衡量行业波动，规避高波动资产，以降低风险。
3. 基于年度行业集群构建轮动策略，获得较好风险调整收益。
4. 基于月度行业收益动量和成交额反转构建行业配置模型，取得稳健超额收益。

• 投资评级与观点：报告推荐关注Class1和Class0集群行业（传统大市值及稳定行业）；对Class-1（新兴及小市值行业）保持相对谨慎；11月超配地产、商贸零售等，低配通信、计算机等[page::0, 15, 8].

---

二、逐节深度解读

1. 量化视角下的行业轮动及行业集群划分

• 方法论：

- 采用中信29个行业指数的历史价格数据，以250周为滑动窗口计算行业间收益的秩相关系数矩阵，动态捕捉行业间相关性变化。
- 以石油石化、银行、纺织服装、计算机为核心“聚类中心”，考察其他行业与其相关性。

• 关键发现：

- 近十年来，中信29行业可动态划分为三类：两类显著正相关且两者互为负相关，另一类相关较弱。
- 相关性随时间具有显著动态特征，例如电力及公用事业2009-2014年与银行、石油石化等行业相关性不显著，2015年起开始显著相关。
- 大市值、传统行业多集中于Class1，轻工制造、新兴行业多在Class-1。

• 数据与图表解读：

- 表1列出2009-2017年各行业中位相关系数均值，反映银行、石油石化、纺织服装等行业与所有行业间代表性和稳定性最高。
- 图1与图2展示2010年与2017年行业相关系数矩阵，颜色区分体现相关性强弱，反映相关性增强的行业群体演变。
- 图3示范历年行业归类变化，体现动态性和经济周期内行业间联动变化。

• 逻辑说明：

- 行业收益相关性是行业联动性的量化体现，动态相关性映射经济结构和周期改变。
- 划分行业集群是降低调整频率、控制风险的有效方法，为年度轮动策略提供基础[page::3, 4, 5, 6].

2. 年度行业集群轮动策略及波动性调控

• 策略构建：

- 依照三大行业集群，构建等权和市值加权组合，考察其相对沪深300的超额收益。
- 采用ATR（Average True Range，平均真实波动范围）指标衡量相关指数的波动幅度，测算行业集群风险，年度根据ATR剔除波动性最大的一类，剩余两类行业进行配臵。

• 数据点：

- 表4显示2005-2017年沪深300、中证500、中证1000三指数的TR相对波动幅度。
- 表5汇总波动较小的两类行业集群组合及对应年内涨跌幅表现，显示策略年度胜率达100%。

• 效果展示：

- 图4-6分别为三类行业超额收益净值、等权和市值加权组合Alpha收益曲线，表现出Class1与Class-1负相关。
- 图7、图8展示策略绝对及相对收益，2011-2017年夏普率1.47，年化收益率10.9%，策略月度胜率60%，超额收益率58%。

• 核心结论：

- 年度行业集群轮动有效捕捉行业之间的动态相关性。
- 利用ATR剔除振幅最大行业分组，降低波动风险，提升组合稳定性。
- 组合市场适应性强，胜率和收益率表现优异[page::7, 8, 9, 10].

3. 月度行业集群轮动策略：收益动量与成交额反转

• 动量定义：

- 行业1个月收益动量：对每月所有行业按月度收益排名，前5为动量组，后5为反转组。

• 投研发现：

- 行业1个月收益动量模型胜率56%，平均月超额收益0.63%。
- 反转组胜率42%，平均月超额收益-0.45%，符合动量效应在行业层面的体现。

• 成交额分析：

- 引入相对成交额指标（成交额经中位数标准化）考量市场分歧程度。
- 发现附加低成交额条件的动量组未来收益更优，反映低分歧环境下动量更强、延续性更好。
- 图12-13揭示不同成交额分组次月收益差异明显，成交额越低，收益越高。

• 模型构建与调仓机制：

- 综合1个月动量和成交额反转指标，给出行业综合评分，选出排名最高5个行业做多，最低5个做空，月度调仓。

• 模型表现：

- 多头组合64%以上月份跑赢市场，空头组合超过60%月份跑输市场。
- 多头年化绝对收益28%，空头8.3%，多头跑赢空头19.7%。
- 累计收益净值显示多空组合长期趋势分明，超额收益稳定。

• 样本内外测试：

- 样本外（2017年3月后）表现优于历史平均，显示模型有良好的稳健性和前瞻性。

• 策略总结：

- 行业动量策略结合成交额信息，可捕捉市场周期中分歧程度降低时的价格延续性。
- 行业层面因行业由多只股票组成，相较个股波动较小，行业动量续航力更强。
- 模型符合量化投资“动量+反转”双驱动逻辑，展示良好的实证效果[page::10, 11, 12, 13, 14, 15].

---

三、图表深度解读

表1：中信29行业秩相关系数均值

• 系统计量显示各行业与其他行业超额收益的相关性均值。

- 银行、石油石化、纺织服装、计算机表现代表性高，保持稳定，反映其作为行业内主要的代表指标。

• 此数据为后续行业聚类划分提供统计学支撑。

图1与图2：2010与2017年行业秩相关系数矩阵

• 多色块反映行业间正负相关矩阵，2017年相关性增强显著。

- 例如，电子元器件、计算机、通信、传媒相关性明显增长，反映科技及信息化产业联动性提高。

• 验证了行业间动态相关性存在的重要结论。

图4-6：三类行业超额收益净值及Alpha收益曲线

• 净值线走势展示Class1与Class-1行业存在强负相关，Class0相关较弱。

- 市值加权与等权加权均体现同样趋势，显示行业聚类合理性及策略稳健性。

表4与表5：粗略波动幅度与行业集群配置

• 表4提供了各指数年末TR波动占比，支撑利用ATR指标判断配置的合理性。

- 表5结合波动与涨跌幅给出年度行业集群配臵方案。优先剔除高波动类别，实践证明该策略风险控制优越。

图7-11：行业集群轮动绝对及相对收益、月度收益分布及胜率

• 策略表现出较高夏普率及年化收益，月度胜率稳定在60%左右，显著优于基准。

- 超额收益月度波动均匀，无集中回撤，体现稳定性。

图12-16：行业月度动量、反转效应及模型超额收益表现

• 动量因子月超额收益虽有波动，但胜率高于50%。

- 反转因子表现与动量相反，验证有效。

• 行业动量结合成交额反转的模型多头和空头业绩表现良好，累计收益差异显著。

- 样本内外验证模型稳定且具有前瞻价值。

---

四、估值分析

报告主要以量化模型构建、统计分析为主，未涉及典型的公司估值方法（如DCF、P/E等）。聚焦于行业间动态相关性分析与收益动量模型，估值层面侧重策略收益的收益率、夏普率等风险调整指标。

---

五、风险因素评估

• 市场风险：策略依赖行业收益相关性和动量效应，市场剧烈波动或制度性变动可能削弱策略效果。

- 数据风险：模型基于历史数据，未来行业结构和市场环境变化可能导致模型失效。

• 执行风险：月度调仓对交易成本要求高，实际操作时成本、流动性限制可能影响收益。

- 模型假设：隐含行业相关性稳定或可动态刻画的假设，某些周期或黑天鹅事件可能违背此假设。

• 波动性风险：ATR波动剔除策略假设高波动代表风险，但有时高波动资产也可能带来高收益，可能错失机会。

报告未详细展开缓释机制，提示投资者需关注上述风险，结合自身风险承受能力做出投资判断[page::16].

---

六、批判性视角与细微差别

• 报告整体逻辑严密，数据详实，但行业动态划分基于历史相关性，未来经济结构改变可能限制其预测力。

- ATR指标基于历史波动推断风险，但没有结合市场情绪或基本面，存在一定简化。

• 动量与成交额结合模型表现良好，但行业间分歧与动量延续的底层经济机理未深刻展开，假设较为依赖统计事实。

- 样本外数据相对较短（2017年3月至10月），长期验证仍需持续关注。

• 报告未涉及交易成本及权重调整对策略的影响，有待补充。

- 推荐行业配置对未来市场变数适应较弱，应结合宏观环境动态调整。

---

七、结论性综合

本报告围绕A股市场的行业量化轮动展开，通过详细的统计分析和实证模型展示了行业动态相关性、波动性控制及动量逻辑在策略构建中的核心作用。具体总结如下：

• 采用中信29行业数据，以250周滑动窗口计算行业超额收益秩相关性，实现了行业动态分群，划分为三大类，涵盖了市场主要行业结构的波动联动格局。

- 通过ATR指标剔除高波动行业集群，实现年度轮动策略中的风险控制，2011-2017年夏普率达1.47，年化收益率10.9%，月度胜率60%，表现优异。

• 月度层面，结合行业1个月收益动量和相对成交额反转，构建行业多空组合，模型多头年化绝对收益28%，空头8.3%，超过市场平均表现，且模型样本外验证良好，超过60%的月份跑赢市场。

- 报告充分论证了行业轮动中，低分歧环境下的动量效应更显著，行业间动量延续性优于个股，由此为机构投资者提供有效中长期资产配置和短期战术配置方案。

• 整体策略兼顾收益和风险，适合机构客户对行业配置需求，但对市场结构突变、执行成本及风险因素需警惕。

图表清晰支撑文本论点，数据完整，模型性能验证充分，体现出兼具前瞻性与实操性的行业量化轮动方法，对行业配置及策略开发具有较高参考价值[page::4, 6, 7, 9, 11, 14, 15].

---

结束语

本报告系统地剖析了A股市场中基于行业动态结构的轮动配置及动量策略，理论与实证研究紧密结合，提供了机构投资者一个风险收益兼顾且操作性强的模型框架。策略基于丰富历史数据，并通过样本外测试验证了有效性，为行业资产配置及量化基金构建提供有益借鉴。未来应结合市场变动持续调整模型参数，控制交易成本，关注突发风险因素以提升策略鲁棒性。

---

参考资料

• 报告全文及图表信息，国信证券经济研究所，2017年11月。

- 所有具体数据和图表均来源于报告正文及附录[page::0-17].

报告