1. 行业alpha策略中的排雷法理念与实证效果 [page::3]

• 结合收益动量-成交额反转和单向波动差值两个模型筛选行业负alpha组合。

- 行业负alpha组合年化收益-1.8%，行业正alpha组合年化收益19.1%，表现明显分化。

• 该方法通过识别跑输市场的少数行业低配，从而控制行业风险，提高alpha稳定性。

2. 引入单向波动差值指标提升alpha策略表现及绝对收益策略的波动率应用 [page::4][page::5]

• 单向波动差值指标在排雷法策略中带来了0.8%年化超额收益，最大回撤-1.8%。

- 绝对收益策略中通过剔除高波动行业，回测显示月均收益提升至3.2%，年化绝对收益达30.5%。

• 加入波动率筛选明显降低2007-2008年和2015年市场回撤，提升资金使用效率。

3. RPS（相对强弱指标）在绝对收益策略中的应用与效果 [page::6][page::7]

• RPS分为10档，首尾两档表现最显著：RPS低于10%区间月均收益-6.78%，上涨概率25%；RPS高于90%区间月均收益9.47%，上涨概率89%。

- 选取RPS高于10%的行业进入配置池，应用收益动量-成交额反转模型，年化绝对收益29.3%，有效减少熊市时回撤。

• 在2005年至今，加入RPS后的最大月度回撤显著优于不加RPS的模型。

4. 收益动量-成交额反转模型在申万二级行业的拓展及绩效提升 [page::8][page::9]

| 使用范围 | 年化超额收益 | 超额收益最大回撤 | 总样本及选择 |
|----------------|--------------|-----------------|--------------|
| 二级行业超配 | 9.4% | -10.8% | 96选10 |
| 二级行业低配 | -7.5% | 14.9% | 96选10 |
| 一级行业超配 | 7.9% | -10.2% | 29选5 |
| 一级行业低配 | -8.2% | 24.4% | 29选5 |

• 二级行业细分提高了量化模型的表现空间，超额收益和风险表现均优于一级行业。

- 超配组合表现优异，低配组合风险控制显著，体现行业配置模型的实际应用价值。

5. 报告总结与讨论 [page::9]

• 行业alpha策略难点在于风险控制，排雷法通过识别负alpha行业，降低行业风险暴露。

- 绝对收益策略中，波动率和RPS指标提升策略的稳健性和收益率。

• 行业配置的量化方法仍较零散，需结合多指标优化提升策略实用性。

- 报告强调行业配置在量化投资体系中的重要地位，展现三个思路的实证效果。

金融工程专题报告：《在 alpha 和绝对收益策略中应用行业配置的三个思路》详细分析报告

---

一、元数据与整体概览

• 报告标题：《在 alpha 和绝对收益策略中应用行业配置的三个思路》

- 作者：吴子昱（国信证券）

• 发布日期：2017年8月21日

- 发布机构：国信证券经济研究所

• 主题：金融工程，数量化投资领域，重点探讨通过行业配置在alpha策略和绝对收益策略中的应用方法及提升效果

- 主要内容摘要：
- 报告提出3类利用行业配置改善投资组合表现的策略：
1. Alpha策略中的排雷法，识别并回避表现显著跑输市场的“行业负alpha组合”，将权重释放给表现较好的行业。
2. 绝对收益策略之一：基于行业历史波动率，避免在行业波动过高时做多。
3. 绝对收益策略之二：利用行业相对强弱指标（RPS）过滤弱势行业，避免在弱势行业中建仓。
- 报告通过实证回测，从历史数据 (2005-2017年) 验证模型有效性，展示了行业配置在风险控制和收益提升的双重价值。
- 结论明确指出，结合波动率和RPS的行业配置模型能明显改善策略表现，减少回撤，提升年化绝对收益。

报告旨在将传统量化投资中基于个股的alpha策略与行业宏观视角结合，提供更稳健且具有持续性的投资组合构建思路。[page::0, 3, 4, 5, 6, 7, 9]

---

二、逐章节深度解读

1. 用排雷法生成行业alpha组合

关键论点及信息

• 行业风险通常大于个股特定风险，行业alpha策略的风险控制尤为重要。

- 采用“双模型排雷法”：结合收益动量-成交额反转模型和单向波动差值模型，对中信一级29个行业月度数据（2005-2017）进行打分筛选。

• 行业同时被两个模型判定为空头时，认定为“行业负alpha组合”，配置比例低。

- 该排雷法能有效筛选出表现显著跑输市场的行业，避免投资亏损。

推理依据

• 基于Brinson风险框架和APT多因子模型，行业风险贡献较大，找出负alpha行业即可降低组合风险。

- 表1中的二元模型观点矩阵显示：当两个指标皆为空，月均上涨幅度最低（0.3%），上涨概率也最低（54%）。

• 采用等权行业初始权重分布，将负alpha组合权重调减，剩余权重均匀分配给其他行业。

关键数据点

| 组合 | 年化收益 |
|-------------|--------------|
| 正alpha组合 | 19.1% |
| 负alpha组合 | -1.8% |

• 图3直观表现了正alpha组合明显跑赢负alpha组合，表现稳定且持续。[page::3]

预测与推断

• 排雷法显示仅需选定少数字行业进行规避，即可实现整体组合超额收益。

- 叠加单向波动差值模型能增加0.8%的年化超额收益，最大回撤仅-1.8%，说明该指标增益显著且风险可控（图4）[page::4]。

解析复杂概念

• 收益动量-成交额反转模型：利用价格动量与成交量反转信号筛选行业，多因子结合提升选股准确率。

- 单向波动差值：一种度量波动不对称性的方法，用于辅助确认行业情绪及风险状态。

• 排雷法：重点放在剔除预计表现差的行业，减少组合总风险。

---

2. 波动率在绝对收益策略中的应用

关键论点及信息

• 高波动率通常伴随市场顶部，绝对收益策略在高波动期回撤风险大。

- 利用历史波动率对行业进行状态分类（高波动或正常波动），只选取正常波动行业参与配置。

• 涉及29个一级行业指数，月度更新配置池。

推理依据

• 监测周期为过去季度的每日指数对数收益率，用历史波动率作为波动状态判定指标。

- 当行业波动率高于过去一年中值且持续上升，记为高波动，回避持仓。

• 其余月份及行业视为正常波动，执行动量-成交额反转模型。

关键数据点

| 模型 | 月均收益 | 正收益月占比 | 总月数 |
|-----------------------|----------|-------------|----------|
| 价动量+量反转 | 2.6% | 82% | 136 |
| 加入波动率筛选 | 3.2% | 71% | 114 |

• 加入波动率筛选，月均收益提升0.6%，表现更稳健。

- 图3显示，加入波动率筛选显著降低2007-2008及2015年回撤，年化绝对收益达30.5%，短期最大回撤较低（2008年-53.4%，2009年至今-27%）[page::5]。

预测与推断

• 约16%时间处于高波动状态，规避该区间极大提高策略稳定性及资金效率。

- 释放资金可用于其他策略，增加资金利用灵活性。

解析复杂概念

• 历史波动率：利用对数收益率的标准差测算波动水平。

- 分位状态划分：简单而有效的方法，利用历史分布阈值划分波动状态。

---

3. RPS（相对强弱）在绝对收益策略中的应用

关键论点及信息

• 市场环境在牛市、熊市、震荡市对行业表现的影响不同，RPS作为相对强弱测度，为筛选“健康”行业提供有力指标。

- 行业RPS定义为（最新收盘价-区间最低收盘价）/（区间最高收盘价-区间最低收盘价），分为10个档位。

• 利用收益动量-成交额反转多头组合，分析不同行业RPS档的表现。

推理依据

• 表3中，最低档（0-10%）行业的月均收益长期为负（-6.78%），上涨概率仅25%，反映严重弱势。

- 最高档（90-100%）行业表现优异，月均收益9.47%，上涨概率89%。

• 结合绝对收益视角，筛选RPS高于10%的行业构建配置池，规避弱势行业。

关键数据点

• 2005年至今，加入RPS筛选的策略，年化绝对收益29.3%。

- 图4显示加入RPS筛选明显降低了2008年时的回撤，从最大-66.7%减少至-55.2%，并在2009年至今降低回撤，同时提升收益表现[page::6,7]。

解析复杂概念

• RPS（相对强弱指标）：衡量资产当前价格在过去一段时间内的相对位置，反映趋势强度。

- 利用RPS过滤弱势行业帮助规避陷入弱势周期的行业，提高组合长期稳定性。

---

4. 模型扩展：从一级行业拓展至二级行业

关键论点及信息

• 一级行业范围宽泛，有些细分行业表现显著分化，拓展至申万二级行业更精准捕捉市场热点。

- 标的扩容至104个申万二级行业（剔除时间较短的8个，保留96个），各选10个超配和低配组合作为配置池。

关键数据与趋势

• 图5显示，二级行业超配组合年化收益14.5%，表现优于一级行业基准（4.6%）和低配组合（-3.2%）。

- 超配组合累计绝对收益净值明显优于基准和低配。

• 图6强调二级行业的超额收益累积更为显著，且空头组合亏损明显，验证模型判别力强。

- 表4对一级与二级行业模型绩效对比：
- 二级行业超配：年化超额收益9.4%，最大回撤-10.8%
- 一级行业超配：年化超额收益7.9%，最大回撤-10.2%
- 低配组合回撤表现二级行业也优于一级行业。

结论

• 细化行业定义提升模型的分辨力和收益捕获能力。

- 兼顾收益和风险，二级行业配置模型展现更佳的风险调整后收益水平。[page::8, 9]

---

5. 总结与讨论

• 行业Alpha的本质：即通过行业配置方式选出表现相对优劣的行业，实现超额收益。

- 排雷法优势：找出少数表现差行业，释放权重降低组合整体风险，难度相对找出少量优质行业更低。

• 波动率在绝对收益策略中的作用：规避高波动及市场极端阶段，显著降低回撤并提升收益。

- RPS的作用：通过筛选强势行业降低做多弱势行业的风险，尤其在市场短期大幅调整时表现优秀。

• 行业配置的实用主义思路：报告强调实证数据验证的应用价值，重视风险与收益的平衡。

总体来看，报告从多角度利用量化因素和市场特征，创新地将行业配置置于量化投资的核心位置，提升了策略的稳健性和持续超额能力。[page::9]

---

三、图表深度解读

表1：二元模型观点矩阵（收益动量-成交额反转模型与单向波动差值模型）

• 该表分成四类信号组合，分别为均“多”、收益动量多且差值空、收益动量空且差值多、均“空”。

- 可以看到两指标同时空的组合下，上涨平均幅度和上涨概率最低，表明该组合的预测出行业表现显著疲软，适合作为负alpha忌买目标。

图3（page 3）：行业正/负alpha组合表现对比

• 红色线（正alpha组合）年化收益高，有明显增长趋势，且波动相对稳定。

- 蓝色线（负alpha组合）表现乏力，整体偏负收益，验证了模型有效区分正负收益行业。

• 图直观显示排雷法的有效性。

图4（page 4）：加入单向波动差值指标后的累计超额收益

• 表现为相对基准的累计超额收益指数，稳步向上，最大回撤幅度小，年化超过0.8%。

- 说明单向波动差值指标强化选择准确度。

表2（page 5）：有无波动率筛选指标对绝对收益策略的影响

• 加入波动率标识后的模型，月均收益提升0.6%，但获利正月份比例下降，反映策略更加挑选低波动月份建仓，实现收益与回撤的权衡。

图3（page 5）：考虑二元波动状态的收益动量-成交额反转模型表现

• 显示加入波动率过滤模型相较基准，收益大幅提高且回撤显著减少。

- 回撤尤以2007-2008金融危机和2015股灾为代表高波动期明显受益。

表3（page 6）：收益动量-成交额反转模型在不同RPS档位表现

• 最低档RPS（0-10%）上涨概率仅25%，月均收益负，最高档（90-100%）上涨概率89%，收益正，形成强烈的趋势验证信号。

图4（page 7）：加入RPS后的收益动量-成交额反转模型表现

• 曲线显示，加入RPS后绝对收益曲线高于未加模型，并在大下跌期间明显缓解回撤。

- 结合表格数据，验证RPS是提高绝对收益策略稳定性的有效参数。

图5、图6（page 8）：收益动量-成交额反转模型在申万二级行业的表现

• 图5中超配组合净值持续大幅上升，低配组合净值下滑，说明模型在二级行业找寻有效alpha能力更强。

- 图6的超额收益净值显示二级行业模型更能获取正向超额收益。

表4（page 9）：一级与二级行业模型回测效果对比

• 二级行业无论超配还是低配组合，均表现出更优的年化超额收益和回撤控制，体现更精细行业划分带来的策略优势。

---

四、风险因素评估

• 报告中风险提示主要涉及：

- 数据完整性和准确性风险；
- 策略本身基于历史数据的有效性可能随市场演变而变化；
- 量化模型依赖的市场假设、因子有效性或失效；
- 行业分类可能的变化带来的影响；
- 波动率和RPS过滤等机制在极端市场环境下的适应能力；

• 报告未明确详述具体风险缓解手段，但通过多因子过滤、组合配置多样化和历史回测对冲部分风险。

- 同时，作者声明模型设计在规范数据与逻辑基础上，尽力保持客观公正。[page::0, 10]

---

五、批判性视角与细微差别分析

• 优势：

- 多角度结合动量、成交量、波动率、相对强弱等指标，综合判别行业表现，科学全面。
-数据跨度长（2005-2017），涵盖多轮牛熊周期，回测结果稳定。
-报告数据图表丰富，论据充分，结构逻辑清晰。

• 潜在局限或改进点：

- 回测期止于2017年，未涵盖后续诸如中美贸易摩擦、大幅市场结构调整等事件，策略稳健性有待进一步验证。
- 行业配置模型依赖于准确的行业分类及行业ETF价格表现，可能对非流动性行业数据表现略显不足。
- 报告中回撤数据虽有披露，但对回撤后复苏期及策略适应性讨论不足。
- RPS和波动率等过滤阈值选取虽有概述，但优化流程和参数敏感性分析较弱，可能对不同市场状态表现有影响。
- 排雷法虽降低风险，但也可能丧失部分潜在反弹空间，策略灵活度和适应性需关注。

• 小结：整体研究扎实，实用性强，但后续研究可进一步强化模型参数优化及市场动态适应性分析。

---

六、结论性综合

本报告严谨地从行业配置视角创新了Alpha与绝对收益策略，形成了三套实证验证的量化投资思路：

1. 排雷法识别行业负alpha组合，有效降低行业配置风险，实现正负alpha行业收益分化，正alpha组合年化19.1%，负alpha组合年化为-1.8%，验证了模型的风险控制能力。[page::3]
2. 基于行业历史波动率的绝对收益策略，通过筛选正常波动行业配置组合，提升年化绝对收益至30.5%，同时显著降低了高波动期的回撤风险，增强了资金使用效率。[page::5]
3. 利用相对强弱指标RPS，规避弱势行业做多，在历史大跌环境中有效降低了组合回撤，策略年化绝对收益达到29.3%。[page::6,7]
4. 策略向二级行业细分延展，更精准捕捉市场热点机会，二级行业模型在超额收益和最大回撤控制上均优于一级行业模型，体现量化选股维度优化的显著成效。[page::8,9]
5. 报告通过详实图表（业绩净值曲线、最大回撤指标、表格数据）和严谨模型论证，构建了风险-收益均衡且适应市场波动的行业配置体系，充分打印行业配置作为alpha和绝对收益策略中的价值。
6. 作者较为审慎地强调了数据依赖和模型局限，表明策略需要灵活运用及持续优化，展示了专业金融工程研究的实操价值。

综上，吴子昱教授的本报告为量化投资策略尤其是行业配置维度提供了清晰、高效且具有前瞻性的投资框架，是金融工程领域极具价值的参考资料，适用于基金经理、量化研究员及资产配置人员深入学习和应用。

---

重要图表示意

• 图3：行业正/负alpha组合表现对比

• 图4：单向波动差值指标加入后累计超额收益提升

• 图3 (page 5)：考虑行业历史波动率后的绝对收益策略表现

• 图4 (page 7)：加入RPS指标后收益动量-成交额反转模型表现

• 图5：二级行业超配低配组合累计绝对收益净值

• 图6：二级行业超额收益净值

---

全文溯源页码标注参考：[page::0, 3, 4, 5, 6, 7, 8, 9, 10]

---

以上为本报告的详尽解读与综合分析。

报告