• 行业择时模型基线表现及波动率影响分析 [page::1][page::2][page::3]

- 申万31个一级行业中，26个行业的择时策略超额收益超过3.5%，11个行业超额收益超过11%。
- 食品饮料、商贸零售、建筑装饰、交通运输行业择时策略夏普比率均超过1.0。
- 行业指数波动率对择时收益及夏普比率的负向相关性不明显，但波动率的短中长期特征对趋势预测有信息增益价值。

• 资产波动率分层特征及行业波动率动态变化 [page::4][page::5]

- 长期波动率表现为大类资产的静态特征，短期波动率则在长期波动率周围波动，而且在不同细分行业间短期波动率有显著差异。
- 行业短期波动率（计算窗口250天）在时间上存在阶段性偏离长期波动率的趋势，适合反映资产内生动能与市况的变化。
- 长期波动率水平和回撤指标显示不同行业风险收益差异显著。

• 预处理及特征工程，融合多维度价量和波动特征 [page::6][page::7]

| 分类 | 特征 | 说明 |
|------------|----------------|-----------------------------|
| 日频价量特征 | 收盘价 | 时序 z-score 标准化 |
| | 成交量 | 时序 z-score 标准化 |
| | 日内收益率 | log(close/open) |
| | 向上振幅 | log(high/open) |
| | 向下振幅 | log(open/low) |
| 趋势特征 | 调整后过去1日收益率 | 1日期收益率调整后 |
| | 调整后过去1个月收益率 | 21日期收益率调整后 |
| | 调整后过去3个月收益率 | 63日期收益率调整后 |
| | 调整后过去半年收益率 | 126日期收益率调整后 |
| | 调整后过去1年收益率 | 252日期收益率调整后 |
| 波动特征 | 近期波动率 | 252天收益率波动率 |
| | 中短期波动率 | 504天收益率波动率 |
| | 长期波动率 | 静态波动率 |
| | 换手率波动 | 252天换手率波动率 |

• 趋势预测模型结构与训练方法 [page::7][page::8][page::9]

- 使用卷积神经网络(CNN)提取视觉信息特征，结合价量与波动率构成多维特征向量。
- 采用双向LSTM网络结合注意力机制对时间序列价格数据建模，预测未来5日对数收益率。
- 训练流程采用预训练加微调策略，避免小样本过拟合，提高模型对市场变化的响应速度。
- 每年基于历史数据预训练模型，再用上一年数据微调，用最新模型进行当年择时。

• 趋势追踪模型择时效果优异，超额收益显著提升 [page::9][page::10]

| 行业代码 | 行业名称 | 年化收益率(%) | 夏普比率 | 最大回撤(%) | 年化波动率(%) |
|-------------|-----------|---------------|----------|-------------|---------------|
| 801080.SI | 电子 | 25.78 | 1.09 | -35.18 | 24.54 |
| 801120.SI | 食品饮料 | 22.34 | 1.53 | -28.79 | 15.32 |
| 801730.SI | 电力设备 | 19.83 | 1.07 | -28.25 | 18.38 |
| 801750.SI | 计算机 | 18.51 | 0.87 | -32.85 | 23.38 |
- 22个行业年化超额收益均超过10%，且策略最大回撤明显优于长期持有。
- 行业趋势得分可用于及时捕捉行业轮动，动态调整持仓。

• 行业配置策略设计与回测结果 [page::11][page::12]

- 方案一固定行业数量等权配置（5个），方案二动态调整行业数量（3-15个，灵活配置）。
- 灵活配置组合年化收益17.63%，夏普比率0.94，最大回撤26.61%，年化超额收益超20%；固定组合年化收益13.18%，夏普比率0.74，最大回撤29.97%。
- 灵活配置更能有效分散风险，适应市场不同阶段的波动，提高整体策略表现。

• 量化因子构建与策略亮点总结 [page::6][page::8][page::11]

- 因子融合长期、中期、短期波动率及换手率波动特征，反映资产内生动能及趋势强度。
- 以带注意力机制的双向LSTM网络为框架，结合视觉形态特征，提升趋势预测准确度。
- 模型训练创新采用预训练与微调结合的方式，利用较长历史数据总结长期规律，同时快速响应市场变化。
- 行业配置策略灵活调整组合标的数，适应市场周期，实现收益与风险的动态平衡，表现优于传统行业等权组合。

报告全文详尽分析——《利用趋势追踪实现行业配置》

---

1. 元数据与报告概览

标题： 利用趋势追踪实现行业配置
作者： 陈奥林
发布机构： 浙商证券研究所
发布日期： 2024年08月14日
研究主题： 基于趋势追踪的行业指数配置策略模型及其优化
核心观点：
报告提出一种基于单资产趋势追踪的行业配置模型，通过对行业指数波动属性的深度挖掘和特征优化，结合时序神经网络的预训练与微调训练方式，实现了超越行业等权基准约20%的年化超额收益。核心在于捕捉行业指数的内生动能波动率信号，增强模型的趋势预测能力，从而指导行业配置决策。

作者希望强调的是，利用价格及成交量（价量）数据中固有的多维时序特征，通过趋势追踪模型优化行业择时信号，同时灵活调整配置行业数量，能显著提升行业投资组合的风险调整后收益。

---

2. 逐节深度解读

2.1 摘要与核心观点

报告阐述了构建单资产趋势追踪模型，重点分析资产波动属性对趋势预测模型的影响，从输入特征设计到训练方式均做了升级改进。[page::0]

关键改进包括：将短期、中期、长期波动率作为趋势预测输入，为模型提供资产价格的内生动能信息；模型训练采取预训练+微调相结合，提升小样本下的拟合和泛化能力。

结果表明，优化后的趋势追踪模型在2017-2024年期间，任一行业的择时年化收益均超过6%，且较基线模型换手率、波动率及回撤均有下降。[page::0]

用趋势追踪信号构建行业配置组合，在灵活调整持仓行业数量的基础上，实现了超过行业等权组合20%的年化超额收益。[page::1]

---

2.2 研究背景与行业择时模型回顾 (章节1、2.1)

趋势追踪或时序动量策略技术成熟，尤其在期货和大类资产配置中广泛认可。动量信号基于过去收益率判断买卖时机。为适应多层次趋势和市场规则变化，深度动量网络DMN（深度神经网络提升时序动量风险调整效果）被开发应用。

行业配置复杂性较大，已采用截面动量比较，通过标准化指标比较行业走势，但不同行业间截面信号的可比性是量化难点。此前基于价量数据和端到端模型测验行业择时，发现：

• 26/31个申万一级行业价量择时表现良好，部分行业年化超额收益超过11%。[page::1]

- 行业如食品饮料、商贸零售、建筑装饰等夏普比率超1。

• 周期、消费、医药行业择时表现一般或差。

- 多空头调仓周期通常为1-2周，择时高收益行业换手率略高。[page::1]

图1显示26个行业的择时年化超额收益与平均月度调仓，电子行业以近18%年化超额领先，煤炭和轻工制造为亏损行业，细节见图1及表1。[page::2]

---

2.3 从择时升级到行业配置(章节2.1~2.2)

探索两种行业配置方案：

• 方案一： 单行业择时信号简单组合，2021.06-2023.05实现超额9%以上。

- 方案二： 端到端行业配置模型，引入注意力机制等神经网络直接对行业指数做综合判断，2021.06-2024.04超额约17%。

本报告基于方案一，目标在提升单资产择时信号准确性。[page::3]

在资产内在属性挖掘方面，通过计算行业指数自身波动率（周度收益率标准差）与择时模型表现关系，发现波动率对择时超额收益和超额夏普比率影响负向但不显著(见图2、3)。波动率的全区间统计不能完全解释择时表现，因此进一步分析了多个典型行业的长期及短期波动率变化（农林牧渔、计算机、煤炭、轻工制造）。[page::3]

通过图4-9波动率趋势观察得知：

• 长期波动率作为稳定的资产类别表征。

- 短期波动率反映具体行情变化，可能与长期不同向波动。

• 行业间波动率水平及其相对顺序随时间动态变化。[page::4][page::5]

行业间波动率的内生差异及其时间演变是优化趋势追踪模型的重要线索。[page::5]

---

2.4 资产波动属性与趋势追踪模型优化(章节3)

基于上述结论，提出调整输入特征：

• 长期波动率用于资产类别静态表征。

- 短期和中期波动率共同表征资产波动结构和内生动能。

• 计算窗口切换导致波动率异步变化需区别对待，缓慢变化的波动率更可信。

数据预处理方面，保留前期价量数据的时序z-score标准化方法，补充包含多周期收益率（1日、1个月、3个月、6个月、1年）调整波动率的趋势特征。
强化换手率变化的波动输入，丰富波动特征维度，进而增强模型信号识别能力。[page::6]

表4详细列明预处理后的价量、趋势和波动特征，含46个向量维度（基线14个基础，视觉特征32个）[page::7]

视觉信息特征模块基于${CNN+}$架构提取形态特征，如表5超参数所示。模型主体为结合双向LSTM与注意力层的时序神经网络，结构超参数见表6。[page::7][page::8]

训练方法融合了机器学习领域的预训练与微调机制，针对小样本交易策略调整实现适应性和稳定性权衡，缓解单纯强化学习中过拟合短期样本问题。[page::8][page::9]

---

2.5 模型择时效果与行业配置应用(章节4)

趋势追踪模型回测2017-2024表现优异，所有行业的年化超额收益均超过6%，表现更强的行业如电子、食品饮料及电力设备，符合这些行业自身的高波动及反弹特征（表7）。波动率大幅下降，最大回撤明显缩小，夏普比率整体提升，持仓换手率适中，展现较高的风险调整收益能力。[page::9][page::10]

利用模型生成的择时信号，构建行业配置组合，采用两种权重生成方案：

• 固定行业数量（固定5个行业等权）

- 灵活行业数量（看好行业均等权，最少3个，最多15个）

回测表明，灵活行业组合的年化超额收益达20.49%，较固定数量组合的15.93%明显优异，且回撤更低（约26.61% vs 29.97%），夏普比率提升至0.94，表明灵活配置对风险管理更优（表9，表10）。[page::11]

图13和14分别展示了2017-2024期间两种方案的累计净值曲线，均明显优于行业等权及中证800基准，灵活方案累计净值表现更为稳健和优异。[page::12]

灵活方案的优势体现在市场震荡上涨阶段，通过扩大行业覆盖分散风险（如2021年）；而在长时间下行调整阶段，则通过减少持仓行业数量降低回撤（如2018、2023年）。[page::12]

---

2.6 总结与风险提示(章节5、6)

报告总结强调：

• 趋势追踪策略优化依赖于对资产波动属性的深入理解和合理特征设计，长期波动率作为静态资产类别识别，中短期波动率体现资产内生动能与价格趋势。

- 训练过程采用预训练与微调结合，切合小样本策略学习特点。

• 模型生成的行业择时信号有效，构建的行业配置策略取得显著超额，灵活调仓行业数量提升了风险调整收益。

- 单资产逐个行业的趋势分析有助于辅助投资者判断和跟踪市场变化。

风险提示：策略为历史回测模拟交易，收益不代表未来表现，模型可能失效，需谨慎使用，非投资建议。[page::12][page::13]

---

3. 主要图表与数据深度解读

图1 择时策略在申万一级行业上的超额收益及调仓情况（第2页）

• 描述： 蓝柱展示31个行业资产配置策略年化超额收益，橙线展示对应的平均月度换手率。

- 解读：
- 超额收益最高的是电子（近18%），农林牧渔、商贸零售、食品饮料等均表现优异，超额普遍大于3.5%。
- 轻工制造、煤炭、社会服务等部分行业出现负超额收益。
- 换手率普遍在1-3次/月之间，高效择时策略不会频繁调仓。

• 联系文本： 这表明多数行业适合价量择时模型，且换手率适中控制了交易成本，验证了模型的广泛适用性。[page::2]

表1 行业择时基线策略表现（第2页）

• 描述： 汇总了31个申万一级行业择时策略的年化超额等具体指标。

- 解读： 平均换手率、波动率和夏普比率表明部分行业择时收益优越，如食品饮料夏普比达1.15，电子的年化超额达17.78%。

• 联系文本： 数据支持模型在某些行业内具有预测优势，但部分周期性等行业适应性较差，需要波动率附加特征提升。 [page::2]

图2 & 图3 择时策略与波动率关系（第3页）

• 描述： 展示行业指数的波动率与择时策略峰时年化超额收益及超额夏普比率的散点图。

- 解读： 两图均显示波动率与策略表现的负相关趋势，但相关度弱，说明仅用波动率难以解释择时效果差异。

• 联系文本： 佐证了需引入多层次波动率信息及资产内在属性以增强趋势预测能力。[page::3]

图4-9 不同行业波动率时间序列（第4页）

• 描述： 展示农林牧渔、计算机、煤炭和轻工制造等行业指数的长期(500交易日)与短期(250交易日)波动率及价格走势。

- 解读：
- 波动率水平随时间波动明显，短期与长期波动率有时同向、异向波动。
- 行业间长期波动水平差异反映资产类别特征。
- 农林牧渔波动率在高峰期后逐步下降，计算机行业波动率先降后升，煤炭波动率上升，轻工制造则相对平稳。

• 联系文本： 确定了多层次波动率特征在趋势模型中的价值与必要性。[page::4][page::5]

表2,3 资产类别及行业指数收益风险对比（第5页）

• 描述： 表2提供大类资产指数风险收益指标，表3显示申万一级行业的长期风险收益特征。

- 解读：
- 股票市场波动率较大且收益较低（或负），债券波动率极低且收益稳定。
- 各行业波动率在20%-33%间，同时最大回撤普遍较大。
- 高波动率行业并不意味着高收益，波动与回撤控制显重要。

• 联系文本： 强化了利用波动率特征区分资产内生动能属性的必要性，为趋势模型提供依据。[page::5]

表4 预处理后的价量数据特征（第7页）

• 描述： 列举基础的日频价量特征、趋势特征以及波动特征。

- 解读： 设计细致，结合价格、成交量、收益率调整（结合波动率调整）及换手率等，全方位捕捉资产动态。

• 联系文本： 对价量数据的多层处理及多维度特征的构建，是模型性能提升的关键。[page::7]

表5,6 视觉特征模块及趋势追踪模型超参数（第7-8页）

• 描述： CNN及双向LSTM+注意力层超参数设置，包括输入长度、核大小、学习率等。

- 解读： 层次深、结合卷积提取局部形态与时序神经网络捕获全局时间信息，适合时序预测。

• 联系文本： 技术细节体现了模型结构的现代化及对时序趋势捕捉的深度。[page::7][page::8]

图10 趋势追踪模型示意图（第8页）

• 描述： 流程图展示如何同时使用线性价量特征和视觉形态特征作为模型输入。

- 解读： 数据预处理与视觉特征并行计算后整合，形成丰富的输入，用于后续的趋势追踪预测。

• 联系文本： 表明模型设计旨在多角度提取潜在动量信号，强化趋势预测能力。[page::8]

图11 模型训练与测试时间区间划分（第9页）

• 描述： 演示每年使用历史数据做预训练，然后用上一年数据做微调再对当年进行预测。

- 解读： 结合预训练和微调，使模型兼具长期知识和短期环境适应性，从而增强泛化能力。

• 联系文本： 训练方法创新体现了理论和实践的结合。[page::9]

表7 趋势追踪模型择时表现（第9-10页）

• 描述： 列示了2017-2024年模型对31个申万一级行业择时的回测统计指标。

- 解读： 大部分行业年化收益绝对提升，且最大回撤降低。部分表现优异行业夏普超过1（如食品饮料1.53，电子1.09），波动率整体下降体现风险管理效果。

• 联系文本： 趋势模型优于以往价量基线策略，有效挖掘资产价格趋势。[page::9][page::10]

表8 最近一期行业择时观点（2024.08.02）（第10页）

• 描述： 实时行业多空判断及标准化评分，煤炭、公用事业、建筑材料等排名前列。

- 解读： 模型可用以监测市场变化，指导实际配置决策。

• 联系文本： 体现模型在实时应用中的价值。[page::10]

表9、表10 不同行业数量控制配置组合表现及年度对比（第11页）

• 描述： 两种调仓策略的年化收益、波动率、最大回撤等对比，灵活行业数量组合优势明显。年度超额收益显示灵活配置在2021年及2022年显著领先。

- 解读： 灵活配置能有效捕捉市场机会，同时有效分散风险，确保调仓决策的稳健性。

• 联系文本： 表明策略设计需结合市场状态灵活调整持仓结构。[page::11]

图13,14 行业配置组合累计净值（第12页）

• 描述： 固定与灵活行业数量配置组合的累计净值走势，均优于行业等权和中证800基准。灵活配置组合在2021年表现更为抢眼。

- 解读： 强化了灵活持仓策略对波动市场防御和上涨阶段盈利能力的优势。

• 联系文本： 具象说明模型带来的实际收益提升。[page::12]

---

4. 估值分析

本报告侧重于行业配置策略的模型构建与回测验证，缺少针对单一或组合标的的具体估值分析（如DCF、PE等传统估值指标）。模型主要运用机器学习和时序预测技术捕捉趋势信号，应用于资产组合管理层面，而非基本面估值框架。

---

5. 风险因素评估

报告明确提到风险提示：

• 策略框架为模拟交易，回测结果基于历史数据，不能完全代表未来表现。

- 模型基于历史规律自适应，仍存在失效可能。

• 报告不构成任何投资建议，用户需谨慎验证和使用。

- 交易策略可能面对市场结构变化导致模型失效的风险。

报告无具体风险缓解措施描述，但通过预训练+微调及多特征融合设计，努力提高模型鲁棒性。[page::13]

---

6. 批判性视角与细微差别

• 优势：模型设计结合数学统计、深度神经网络和现实市场波动特征，具有较强的创新性和实证支持。灵活行业配置有效降低风险，提升收益。

- 潜在局限：
- 模型对历史数据的依赖较强，尤其是波动率等参数对未来行情的代表性值得持续观察。
- 行业间波动率动态差异虽被考虑，但仍可能存在未覆盖的市场突发事件风险。
- 对非价量因素或宏观经济周期的敏感度不明，可能影响模型的适应性和稳定性。

• 细节：预训练+微调机制受大语言模型启发，为金融时间序列预测领域带来跨界理念，值得关注后续实际应用效果与扩展。

- 数据完整性：报告中由于部分重要图表如波动率动态图未完整呈现（后半部分仅提及），可能影响读者对波动行为的理解的连贯性。

---

7. 结论性综合

浙商证券研究所发布的《利用趋势追踪实现行业配置》报告，创新性地将资产自身波动属性纳入行业指数单资产趋势追踪模型的输入特征，结合深度神经网络架构与预训练+微调的训练方案，显著提升了行业择时信号的有效性。各行业指数的择时年化超额收益均超过6%，更重要的是基于该择时信号灵活调整行业持仓数量实现的行业配置策略，在2017年至2024年期间超越行业等权基准约20%的年化超额收益，回撤和波动率均有明显改善，风险调整后表现突出。

报告通过详实的图表数据支持如图1择时超额收益与换手率分布，图2和3波动率与择时表现的关系，图4-9重点行业波动率动态分析，表7择时效果汇总，表9和10配置组合表现，清晰地梳理了趋势追踪模型基于资产多周期波动特征改进的逻辑和成果。此外，趋势追踪模型的日频择时信号还能为投资者及时感知行业轮动趋势提供决策参考。

整体来看，本报告构建的趋势追踪模型具备较强的行业择时能力和风险收益优化价值，灵活调整配置组合中行业的数量成为提升行业配置策略表现的重要手段。风险方面，需注意历史模拟的局限性和模型潜在失效风险，实际投资应结合多因子方法和市场环境判断谨慎操作。

---

总体评价：

该报告系统且深入地解释了如何通过技术量化手段和数据科学方法提升行业配置策略表现，兼顾理论与实证，内容丰富且实用价值高，值得投资研究领域持续关注和借鉴。

---

参考溯源 [page::0]–[page::13]

附图展示示例

图1示例：



图10趋势追踪模型结构示意：



图11训练测试区间示意：



图13灵活数量组合累计净值：

报告