行业买卖单因子构建与BVC算法介绍 [page::3][page::4]

• BVC算法基于时间或成交量间隔条，通过股价涨跌幅的t分布函数确定主动买卖单的比例，计算简单并高效。

- 个股因子包括净主买占比和净换手率，二者反映主动买卖力量强弱。

• 行业因子可采用整体法或个股加权法生成，后者用流通市值加权效果更佳。

月频及高频调仓策略表现对比 [page::5][page::6][page::9][page::10]

• 采用中信一级行业分类，月频调仓，选取行业净换手率因子，top5和bottom5行业多空组合表现显著，多头年化收益可达14.13%。

- 短期（过去5天）因子窗口效果优于较长期，显示市场对主动买卖信息快速反应。

• 双周频调仓策略性能优于月频，周频效果不佳，建议采用月频或双周频调仓。

因子效果与持仓分析 [page::7][page::8][page::9]

• 行业bvc净换手率因子表现最佳，年化收益显著，且多空超额收益13.55%。

- top5行业持仓覆盖广泛，且13个行业配置胜率超50%，如汽车、食品饮料、银行等。

• 图示多因子策略在历史净值上体现出稳定上涨趋势。

复合行业轮动策略与增强组合应用 [page::10][page::11][page::12]

• 结合工业企业行业分类和中信一级行业分类，双重选出的top5行业构建复合策略，年化收益15.05%。

- 行业轮动引入沪深300、中证500指数增强组合后，收益提升有限，因行业轮动与个股alpha因子存在冲突。

• 行业轮动策略调整个股zscore评分后主动选股组合年化收益可达31%，明显优于常规组合。

行业轮动策略在主动基金组合中的应用 [page::14][page::15][page::16]

• 基金池筛选中等规模主动权益基金，按季度调仓，结合行业轮动策略优选基金。

- 结合夏普比率和行业轮动因子筛选基金，选出的组合年化超额收益达10%，年度胜率高。

• 优选基金数量和平均规模稳步增长，优选基金集中在有色金属、机械等行业。

行业轮动策略在被动指数基金组合中的应用 [page::17][page::19][page::20]

• 代表性基金法选取超配行业对应的代表性指数基金构建组合，年化超额收益6.19%。

- 组合优化法效果略逊，持仓基金更多，适合不同投资者需求。

• ETF基金组合交易灵活、费率低，适合策略实施，组合收益略有下降但整体表现稳健。

量化行业轮动策略核心思想及绩效指标总结 [page::0][page::7][page::11][page::13]

• 主动买卖单差额指标含交易方向信息，利用BVC批量成交划分法有效提炼行业买卖单因子。

- 结合流通市值加权及短因子窗口期，行业净换手率因子作为轮动信号效果最好。

• 量化轮动策略在行业选择、多频调仓和行业分类融合上表现优异，全年及分年均获收益明显。

- 主动选股策略中，引入行业轮动调整个股多因子得分top30股票构建组合，年化收益31%，夏普比1.12，波动率适中，较传统方法收益提升4%。

一、元数据与报告概览

• 报告标题：基于主动买卖单的行业轮动模型（《量化策略研究 之 四》）

- 作者及机构：朱剑涛、刘静涵，东方证券研究所

• 发布日期：2022年2月25日

- 主题：运用主动买卖单信息构建行业轮动策略，探索其在选股、选基及基金组合中的应用效果

核心论点概述：本报告围绕基于主动买卖单信息的行业轮动策略展开，重点提出采用“批量成交划分法（BVC）”对主动买卖单进行划分，以期挖掘买卖行为背后的多空力量对行业轮动的指导意义。该方法运算效率高且与价格变动相关性强。基于BVC计算的行业净换手率因子在多项回测中表现突出，从2009年至2021年期间实现了可观且稳定的收益。报告进一步探讨了行业轮动策略在指数增强、主动选股组合、主动基金组合及被动指数基金组合中的具体应用，验证了该策略在提升收益和夏普比率方面的有效性。

总体来看，行业轮动策略在不同投资组合中的应用均具有正向贡献，尤其在主动选股策略中提升明显，但对增强指数基金的贡献较为有限。[page::0,1]

---

二、逐节深度解读

1. 行业买卖单因子构建

1.1 主动买卖单的划分

报告详细介绍了主动买卖单的划分方法，强调BVC方法的优势：

• 传统高频指标大多基于交易量，对于交易方向的刻画不足。

- BVC方法采用“时间条（Time Bar）”或“成交量条（Volume Bar）”，根据每个bar内股价标准化变动判断主动买入与主动卖出成交量占比。

• 采用t分布累积分布函数（CDF）估计主动买卖比例，解决股价涨跌真实分布未知的问题，且自由度df取0.25以调节买卖比重。

- BVC仅需一分钟封闭时间bar数据，降低对逐笔数据的依赖，减少高频数据噪音，且更贴合价格走势。

• 实际操作中剔除涨跌停板时间发生的极端数据，避免片面划分交易方向。

数学公式表达了主动买入量$V\tau^B$与主动卖出量$V\tau^S$的计算逻辑，并解释若价格无变化，主动买卖量各占50%，价格上涨时主动买入比例增加，增强了对于买卖意愿的捕捉能力。

1.2 行业买卖单因子计算

基于个股的主动买卖量（$V^B$, $V^S$）构造两个关键日度因子：

• 净主买占比(ol) = (主动买入量 - 主动卖出量) / 成交量，衡量多空主动买卖意愿的净差。

- 净换手率(NTO) = (主动买入量 - 主动卖出量) / 流通股本，反映主动买卖力量对股本换手的影响，等价于净主买占比乘以换手率。

行业层面，可采用两种聚合方式：

• 整体法：直接行业内买卖量求和后计算因子。

- 个股加权法：先计算各股日度因子均值，再以等权或市值加权方式汇总到行业。

BVC算法的因子可有效捕捉市场主动买卖压力，提供有效的行业多空信号基础。[page::3,4]

---

2. 行业轮动策略测试结果

2.1 策略构建方法与执行

• 回测期：2009年12月31日至2021年12月31日，调仓频率为月频。

- 行业分类：中信一级行业，共29个行业。

• 组合构建：调仓日根据行业因子排序，选出Top5及Bottom5行业，构建多空等权组合，次日调整持仓。

- 行业收益以行业内股票流通市值加权计算，未扣除交易成本。

• 绩效评价侧重多空组合收益以评估指标效果，因样本行业数有限，ICIR不适用。

图1展示了29个行业内上市公司的数量分布，机械、基础化工、医药、电子等行业样本较多。[page::5]

2.2 因子计算方法比较

• 整体法与个股加权法对比显示，个股流通市值加权法效果更佳。因子窗口期固定为20交易日。

- 采用个股加权方式能更精确反映流通市值对行业因子的贡献，避免整体法中因子价格相关性的逻辑误差。

• 结合BVC的行业净换手率因子表现尤为突出，展现出更高的收益率和夏普比。

详见图2，个股流通市值加权的BVC净换手率因子对应Top5行业年化收益率最高。[page::5,6]

2.3 因子计算窗口期选择

• 以个股市值加权法为基准，比较了不同计算窗口（5、20天）的效果。

- 短期窗口（5天）效果最佳，显示5天内的主动买卖信号对未来行业收益具有更强预测力，市场对该信息消化速度快。

• 具体数据显示，5天BVC净换手率因子的Top5行业年化收益高达14.13%，而20天下稍逊。

图3呈现了因子窗口期对策略表现的影响，验证了短期信号的优势。[page::6]

2.4 与其他相似因子对比

• 比较基于BVC与订单流算法计算的净主买占比和净换手率及市场动量因子的行业轮动表现。

- BVC净换手率因子整体表现最好：年化收益率14.13%，夏普比0.66，最大回撤约-10%，显示稳定且持续的超额收益能力。

• BVC因子多头跑赢基准仅2年，空头跑赢基准仅3年，策略波动有限且表现稳定。

- 动量因子效果次之，订单流算法因子表现不如BVC。

图4、5及表格详细说明了各因子表现差异，BVC净换手率因子表现出显著的分层效应，月度超额胜率和超额收益呈单调正相关，强化了其行业配置的有效度。[page::7]

2.5 持仓分析与调仓频率

• Top5行业组合历史覆盖了28个行业，显示策略的广泛适用性。

- 行业配置胜率分析显示13个行业胜率超过50%，其中汽车、建筑、食品饮料、基础化工等行业较为稳定。

• 2021年持仓显示有色金属、钢铁、国防军工等行业为重点配置。

- 高频调仓测试（双周、周频）揭示双周调仓相比月频调仓效果提升明显，而周频调仓反而表现不佳，说明调仓频率过高可能引入噪声。

• 推荐按月或双周调仓，兼顾信息及时性与交易成本控制。

图6-10以及图8、9对应数据表呈现了组合净值历史、行业胜率及具体配置信息。[page::8,9,10]

2.6 与工业企业行业轮动模型复合

报告结合此前工业企业行业轮动模型（基于财务数据和分析师预期），尝试复合应用：

• 方法一：分别选出工业企业和中信一级行业分类下的Top5行业，合并为10个行业等权配置。

- 方法二：将两个行业体系的因子得分合并到个股层面，汇总回中信一级行业得分，再选Top5。

• 结果表明方法一更优，复合策略年化收益15.05%， Sharpe值0.69，最大回撤低于单一模型。

图11表明复合策略在长周期内收益和风险收益比有显著改善。[page::10]

---

3. 行业轮动策略在选股中的应用

3.1 指数增强组合

• 利用行业轮动结果调整行业暴露敞口或个股权重以构建指数增强组合。

- 结合多重约束：行业权重主动暴露、风险预算、主动市值暴露控制等。

• 结果表明引入行业轮动策略虽能提升收益，但幅度有限，原因或在于行业轮动信号和个股Alpha因子存在一定冲突。

- 不同约束条件下对冲收益均有所提升，年化信息比、夏普比均优于行业完全中性组合。

图12、13展示沪深300及中证500增强组合的表现，行业轮动调控带来稳定改善，但相对较为温和。[page::11,12]

3.2 主动选股组合

• 在量化主动选股策略中引入行业轮动，可以通过三种方式调整股票池：

1. 调整个股Z-score分数，依据行业轮动结果修正个股因子得分，在修正后选择因子得分Top30等权构建组合。
2. 仅在超配行业中选股。
3. 剔除低配行业后选股。

• 结果显示方案一表现最佳，2010年以来年化收益31%，夏普比1.12，较常规组合提升约4%收益。

- 方案三表现次之，也有明显提升；方案二限制范围过窄，效果不佳。

• 各种方案均可结合两种行业分类模型的结果进一步优化。

图14-16展示不同细分方法的历史表现，验证行业轮动调整显著提升了主动选股组合的风险调整收益表现。[page::12,13]

---

4. 行业轮动策略在主动基金组合中的应用

4.1 优选基金组合构建

• 研究选取2009年至2022年期间主动权益型基金，剔除极小和超大型基金，规模介于2亿至100亿为主。

- 调仓点位为季度中报信息披露后的15个交易日后，避免未来偏差。

• 以等权方式构建基金组合。

行业轮动策略介入两种方法：

• 以基金持仓权重计算行业因子得分。

- 按行业轮动结果筛选超配行业权重较高、低配行业权重较低的基金。

图17说明了基金规模剔除和基金池的变化历史。[page::14]

4.2 优选基金组合表现

• 单纯按夏普比筛选的top10%、top5%基金组基表现不错，年化超额收益分别约7%、8%。

- 行业轮动结合夏普比筛选基金后表现更佳，年化超额收益约10%，且13年中12年跑赢等权基金池。

• 基金持仓数适中（15只左右），规模稳定在10亿到30亿之间。

- 优选基金具体列表（图21）显示，重点配置行业为有色金属、机械、基础化工等，重仓个股多为行业龙头。

• 净值曲线图（图19）显示行业轮动策略加持明显提升基金组净值增长曲线陡峭，表现优异。

综合表明，行业轮动策略能有效挖掘行业配置优势，显著提升主动基金组合的表现。[page::15,16]

---

5. 行业轮动策略在被动指数基金组合中的应用

5.1 被动指数基金轮动组合构建

• 选取规模大于2亿元的被动指数股票基金，剔除联接基金，基金池由773只降至450只。

- 调仓频率为季度末最后一个交易日，因被动指数基金成分股信息及时公开。

• 加权构建基金组合为等权配置。

- 由于部分行业缺乏对应的纯粹指数基金，采用两种策略解决资金配置的匹配问题：
1. 代表性基金法：针对每个行业选择配置占比最高且>50%的被动指数基金作为代表，选择前十大超配行业的对应基金等权组合。
2. 组合优化法：对全部可选被动指数基金进行组合优化，使基金组合行业配置与行业轮动策略指定的Top行业等权配置接近，带有权重上下限约束。

图22、23分别展示了基金池剔除情况及代表性被动指数基金覆盖的行业数量，近年覆盖逐步增多但仍有限。[page::17,18]

5.2 被动指数基金轮动组合表现

• 代表性基金法优于组合优化法，表现更为稳定，年化超额收益6.19%。

- 代表性基金法所持基金数较少（约5只），有利于交易及管理。

• 组合优化法持有基金数较多（平均60只），性能有所下降，但ETF子池表现略逊色但具流动性优势。

- 净值曲线（图25、27）显示两策略均优于基准中证被动式股票型基金指数，其中代表性基金法提升较明显。

整体看，被动指数基金行业轮动策略具备实现行业观点切换的潜力，相较传统被动指数基金表现更优。[page::19,20]

---

6. 风险因素评估

• 量化模型失效风险：历史数据拟合的行业轮动模型随时间及市场环境变化可能失效，投资者应持续监测模型表现。

- 市场极端环境冲击风险：在极端行情下，模型信号可能失真出现较大亏损，提示投资者应控制仓位和分散风险。

• 风险披露较简洁，未明确给出具体缓解策略，但暗示需谨慎对待模型的时效性及适用环境。[page::0,21]

---

三、图表深度解读

图0：行业bvc净换手率Top5与Bottom5行业表现对比

• 红线代表Top5行业组合净换手率，明显高于行业等权，呈现稳健上升趋势。

- 灰线为Bottom5行业组合，明显低于行业等权，走势平缓甚至趋向下滑。

• 该图形象说明净换手率因子有效区分行业投资强弱，验证策略形成的多空分层显著。

图1：中信一级行业上市公司数量（2021年）

• 机械、基础化工、医药、电子等行业公司多，行业样本充足，增加统计有效性。

- 石油石化、银行、煤炭等行业公司数较少。

• 行业均衡度不一，影响轮动信号的拟合及稳定性。

图2：不同因子计算方法行业轮动表现

• 个股流通市值加权法（尤其BVC净换手率）Top5行业收益最高超24%，Bottom5行业收益最低约2%。

- 整体法表现较弱，反映权重分配对因子有效性的影响。

• 夏普比及最大回撤数据佐证资金效率和风险状况。

图3：因子计算窗口比较

• 5天窗口收益和夏普比均优于20天窗口，表明短期主动买卖信息更具前瞻性。

- 本图展示由短期信息产生的因子信号在12年多的回测中持续有效。

图4-5：不同行业因子对比及因子分层效果表

• BVC净换手率因子主导策略表现，动量与订单流因子效果较弱。

- 分5组分层表清晰展示因子得分越高月度超额收益及胜率越高，最大回撤越小，提供信号有效性证据。

图6-7：行业轮动策略净值曲线

• 多个行业因子均值净值上涨，BVC净换手率Top5行业涨幅最高，Bottom5行业跌幅显著。

- 净值曲线稳定性体现策略风险可控，符合夏普比指标。

图8-9：行业分布及胜率

• 详细行业胜率展示策略覆盖行业的成功率，高胜率行业对应配置较多。

- 2021年具体持仓权重与次月表现展现行业配置及时有效。

图10：高频调仓策略表现

• 双周调仓大幅提升策略年化收益及Sharpe，周频调仓收益及风险工具下降，短期频繁交易引入过度操作成本与噪音。

图11：复合行业轮动绩效

• 中信一级行业与工业企业行业复合策略年化收益15.05%，Sharpe0.69，优于单独模型，表明融合多维行业分层信息有助提升效果。

图12-16：指数增强及主动选股组合表现

• 行业轮动调整提升指数增强组合收益约1%左右，主动选股调整效果更显著，最高年化收益31%，较不调整组合高4%。

- 各种行业融合下分层优化均有有效提升，表格细节展示收益、波动率、夏普比、最大回撤等多维指标。

图17-21：主动基金组合构建与表现

• 规模筛选基金池稳定，优选基金数量20-50只，平均规模10-30亿。

- 夏普与行业轮动结合选出基金表现优异，年化超额收益10%，夏普最高0.80。

• 实际精选基金以有色金属、机械等行业为第一重仓，行业轮动信号与基金经理风格高度匹配。

图22-27：被动指数基金轮动策略与绩效表现

• 剔除小规模基金后，基金数量450只左右。

- 代表性基金法择优指数基金，覆盖22个中信一级行业和11个工业企业行业，组合持仓基金数约5只，年化超额收益6.19%。

• 组合优化法持仓多达60只基金，表现稍逊，ETF子集流动性较优但收益略低。

- 净值曲线显示全周期内均显著跑赢基准指数，风险调整水平改善。

---

四、估值分析

报告中未见明显涉及公司层面估值模型，如现金流折现（DCF）或盈率倍数法的具体应用，主要集中于行业因子的策略构建和回测验证，没有针对单个证券估值的内容。

---

五、风险因素评估

• 量化模型存在历史拟合的固有限制，未来市场结构变化风险。

- 市场极端波动时策略可能失效，风险暴露较大。

• 报告未明示详细缓解措施，强调投资者应关注模型表现和周期性风险。

---

六、批判性视角与细微差别

• 报告中策略表现以历史数据为基础，未来效果依赖于市场机制的稳定性，行业结构或投资者行为的变化可能导致模型失效。

- 高频调仓策略周频效果不如月频和双周频，提示过度调仓带来的噪声及交易成本影响不容忽视。

• 组合优化法在被动指数基金配比中表现不及代表性基金法，说明模型的实际操作复杂性和可执行性问题。

- 行业因子的计算窗口期偏短（5天），虽然短期信息富含价值，但可能忽略中长期行业景气度的持续表现。

• 行业覆盖存在限制，特别是被动指数基金难以覆盖所有行业，策略落实受到影响。

---

七、结论性综合

本报告基于主动买卖单数据，采用BVC批量成交划分法构建行业多空主动买卖因子，进而形成行业轮动策略。研究发现：

• BVC方法有效捕捉主动买卖力量，净换手率因子表现最优，在2009-2021年长期回测中Top5行业组合年化收益超14%，超额多空收益显著。

- 选择短期（5天）因子窗口更适合中国市场，揭示短线主动买卖信息快速对价格形成影响。

• 结合两套行业分类体系的复合模型进一步提升策略表现，年化收益超15%。

- 行业轮动策略在指数增强和主动选股组合中均能提升回报，尤其是主动选股收益率提升约4%，夏普比也有所改善。

• 在主动基金中，通过结合行业轮动与基金夏普比筛选，精选基金组合实现10%年化超额收益，绩效稳定。

- 被动指数基金策略依赖代表性指数基金实现行业观点配置，年化超额收益超过6%，组合结构精简且交易便捷。

• 高频调仓中双周频表现优于周频，建议调仓频率不可过高以避免噪声侵蚀。

风险提示部分提醒市场极端状况可能使策略失效，投资者需持续监控模型效果。

整体而言，报告展示了基于主动买卖行为的行业轮动模型具备稳健的收益创造能力，通过多层次组合应用，实现了行业配置视角下的显著投资价值，适合关注行业轮动的量化投资者参考和应用。[page::0-23]

---

附录：部分关键图表Markdown格式展示

• 图0 行业bvc净换手率Top5 vs Bottom5组合表现：

• 图1 中信一级行业上市公司数量分布：

• 图8 Top5行业组合行业配置胜率统计：

（以表格形式详述，见报告页码提示）

• 图19 优选基金组合净值表现：

• 图25 被动指数基金代表性基金法净值表现：

以上为本报告的深度解析，涵盖了从因子构建、策略测试、行业轮动应用到组合优化及风险评估的全面内容，适合理解决策者深入把握主动买卖单驱动的行业轮动策略特征及实操价值。

报告