【东证期货】大类资产配置系列（三）：微观视角下的行业轮动初探

大类资产配置系列（三）：微观视角下的行业轮动初探报告日期：2024年9月25日★主要内容本报告从微观视角探索构建行业轮动的策略，对比不同的因子处理方案，寻找去除噪声且有效的微观因子，以构建行业轮动策略捕捉行业Beta。因子处理层面，选用了三套方案：方案一为计算个股层面因子取值，在截面上标准化后直接合成行业因子；方案二是首先计算个股层面因子取值，在截面上去极值标准化后直接合成行业因子；方案三为行业因子风格中性化的处理方案，首先计算个股层面因子取值及选定风格因子的取值，在截面上去极值后将因子对选定风格因子回归取残差，之后对残差去极值标准化后，合成行业因子值。因子有效性测试框架主要采用信息系数法与回归显著性验证相结合方式，此外加入了对多头组表现判定效果更好的排序结果评价指标NDCG。调参确定不同方案窗口参数，滚动获得不同方案在每个窗口合成因子的行业轮动表现。自2016年至今，按周频回测净值结果，方案一年化收益15.05%，年化波动18.67%，最大回撤-23.11%，周度胜率54.07%，夏普比率0.81，卡玛比率0.65，相比沪深300指数年化超额为14.92%，相比中证800指数年化超额为16%；方案二年化收益18.97%，年化波动18.62%，最大回撤-17.62%，周度胜率56.94%，夏普比率1.02，卡玛比率1.08，相比沪深300指数年化超额为18.84%，相比中证800指数年化超额为19.92%；方案三年化收益3.29%，年化波动19.77%，最大回撤-32.19%，周度胜率55.26%，夏普比率0.17，卡玛比率0.10，相比沪深300指数年化超额为3.16%，相比中证800指数年化超额为4.24%，效果不佳。主要是由于近几年行业轮动加快，长训练集与样本外相对长窗口参数相对短训练集参数效果一般，而因子风格中性化的处理方式适用长训练集参数。★风险提示从业资格号：F3032817投资咨询号：Z0014348Tel：8621-63325888-3975Email：dongli.wang@联系人从业资格号：F03111965Email：qinxuan.fan@《大类资产配置系列（一基于高频宏观因子与投资时钟的视角》《大类资产配置系列（二宏观因子资产化及风险配置》金融工程量化模型失效风险，指标的有效性基于历史数据得出，不排除失效的可能。金融工程重要事项：本报告版权归上海东证期货有限公司所有。未获得东证期货书面授权，任何人不得对本报告进行任何形式的发布、复制。本报告的信息均来源于公开资料，我公司对这些信息的准确性和完整性不作任何保证，也不保证所包含的信息和建议不会发生任何变更。我们已力求报告内容的客观、公正，但文中的观点、结论和建议仅供参考，报告中的信息或意见并不构成交易建议，投资者据此做出的任何投资决策与本公司和作者无关。有关分析师承诺，见本报告最后部分。并请阅读报告最后一页的免责声明。金融工程-深度报告2024-9-252期货研究报告1.研究背景 1.1.Barra因子介绍及因子中性化方案 1.2.因子有效性测试框架 2.行业轮动因子介绍 2.1.风格中性化流程Barra因子选定 2.2.行业轮动因子挑选逻辑 2.3.方案一年频窗口参数选用因子及样本内外表现示例 3.行业轮动策略 4.风险提示 金融工程-深度报告2024-9-253期货研究报告 金融工程-深度报告2024-9-254期货研究报告1.研究背景市场环境瞬息万变，行业轮动的驱动因素也在不断发生着变化。本报告尝试从微观视角探索构建行业轮动的策略，对比不同的因子处理方案，寻找去除噪声且有效的微观因子，构建行业轮动策略捕捉行业Beta。1.1.Barra因子介绍及因子中性化方案Barra风格因子模型是明晟公司(MSCI)旗下多因子模型产品，主要应用于多因子选股分析和结构化风险因子分析。Barra风格因子（CNE6）模型共有八类风格因子，包括规模因子(Size)、波动率因子(Volatility)、流动性因子(Liquidity)、价值因子（Value)、质量因子(Quality)、动量因子(Momentum)、成长因子(Growth)、分红因子(DividendYield)。对于因子风格中性化流程而言，Barra因子框架中的因子可以直接用于风格中性化，也可根据需求挑选部分因子进行中性化。125期货研究报告(CMRA)346期货研究报告57期货研究报告68期货研究报告Alpha78Yield)假设f_taget为待风格中性化的因子，f1,f2,…,fn为选定进行风格中性化流程的风格因子，对他们进行回归的公式为：对残差ε去极值再标准化即可用于合成行业因子。9期货研究报告本报告采用申万一级行业指数为底层资产构建行业轮动策略，因此，合成行业因子参考指数的编制方案，根据指数各成分股权重加权进行行业因子的合成。值得注意的是，本报告去极值的方法采用百分位数法，即将因子值进行升序排列，对排位百分位高于97.5%或低于2.5%的因子值，调整至百分位范围内。1.2.因子有效性测试框架对于个股因子，其中可能含有个股选股信息（Alpha）以及Beta信息（行业/风格如果仅采用截面个股选股有效性验证的方法来留存因子，以Beta信息为主的因子可能被忽略，因此我们需要先将个股因子合成为行业因子，再对行业因子做检验以验证因子的有效性。值得注意的是，合成因子可能存在Beta信息中带有风格信息太多对行业信息存在扰动，因此对于所有因子，我们都在个股层面采用风格中性化处理为处理方案之一，对比各方案下因子的表现，只要存在任意处理方案下效果较好的因子，我们就把它保留下第一个问题是我们为什么考虑多种的因子处理方案？因为任何对于因子噪声信息的处理都可能带来重要信息的损失以致于因子失效，因此由浅入深比对与进行因子信息处理有助于减少有效因子的损失。第二个问题是我们是否应该对行业因子进行风格中性化？根据因子信息拆解，风格Beta和行业Beta可能存在交集，其交集的部分信息根据因子的特性存在个体差异，在风格中性化的同时也将交集部分Beta去掉了，但存在交集的Beta信息才是有效信息的可能性。因此我们会发现风格中性化并不一定比不风格中性化的行业轮动效果好，需要以检验结果为准绳来判断因子需不需要风格中性化。对于因子的评价，Fabozzi给出了四种方法：投资组合法（分层）、因素法（多变量回归）、因素组合法（单变量回归）以及信息系数法（IC）。值得注意的是，出色的选股因子不一定为出色的轮动因子，我们希望最终合成的因子上存在有效的行业轮动信息，因此对因子有效性的检验是通过检验合成的行业因子在截面上的有效性来完成的。本报告行业轮动因子有效性测试框架主要采用信息系数法与回归显著性验证相结合方式，此外我们还加入了相比于RankIC对多头组表现出色判定效果更好的排序结果评价指标NDCG(归一化折损累计增益)来共同评价因子在行业轮动中的效果，这两个指标均来自于推荐算法排序等有效性检验相关的文献如：AComparativeAnalysisofObjectDetectionMetricswithaCompanionOpen-SourceToolkit，Padilla等（2021），ATheoreticalAnalysisofNDCGTypeRankingMeasures,YiningWang等（2013）。NDCG(归一化折损累计增益)最初用作排序结果准确性的评价指标。推荐系统通常为某用户返回一个item（i）列表，假设列表长度为K，这时可以用NDCG@K评价该排序列表与用户真实交互列表的差距。DCG@K表达式为：10期货研究报告金融工程-深度报告2024-9-25当相关性分数r(i)只有（0，1）两种取值时，即如果算法返回的排序列表中的item出现在真实交互列表中时，分子加1，否则跳过。DCG能够对一个用户的推荐列表进行评价，如果用该指标评价某个推荐算法，需要对所有用户的推荐列表进行评价，K值不同对于DCG值的影响很大，所以要对不同用户的指标进行归一化，就是直接计算每个用户真实列表的DCG分数，用IDCG表示，然后用每个用户的DCG与IDCG之比作为每个用户归一化后的分值。图表3：因子有效性测试框架金融工程-深度报告2024-9-2511期货研究报告2.行业轮动因子介绍根据各类文献与实践，最终我们采用和对比了三套行业因子的具体处理方案及其效果，对不同的因子处理优中择优。方案一为计算个股层面因子取值，在截面上标准化后直接合成行业因子；方案二是首先计算个股层面因子取值，在截面上去极值标准化后直接合成行业因子；方案三为行业因子风格中性化的处理方案，首先计算个股层面因子取值及选定风格因子的取值，在截面上去极值后将因子对选定风格因子回归取残差，之后对残差去极值标准化后，合成行业因子值。根据因子信息的拆解，我们知道风格因子可能携带有效的行业Beta信息，因此武断地采用所有Barra因子进行风格中性化会导致严重的行业轮动有效信息的损失。对Barra三级风格因子进行测试后，报告在Barra因子的二级/三级因子中选定对行业轮动无效的部分因子进行方案三的因子风格中性化处理。2.1.风格中性化流程Barra因子选定对于Barra的二级/三级因子进行周频行业轮动有效性测试，选择具有代表性且有效性较低的风格因子，最终选定的用于中性化的风格因子有'lncap','hbeta','hsigma','dastd','rstr','halpha','cmra','stom','stoq','stoa','atvr','etop','dtop'，它们在全样本2008年1月1日至2024年8月9日的因子测试表现显示出较低的IC、RANKIC与ICIR。12期货研究报告图表4：选定风格中性Barra因子全样本表现lncaphbeta2.2.行业轮动因子挑选逻辑我们根据储备因子池以及不同的参数构建因子，选择因子的逻辑则基于前述的因子评估框架，报告在本部分将展示报告选用的行业轮动因子池。对于量价因子，本报告在不考虑参数的情况下使用的因子有56个日频因子与38个中高频因子；对于基本面因子，使用的因子有12个盈利因子、28个成长因子、12个营运因子、14个安全&公司治理因子、9个估值因子、20个分析师因子与9个股东&规模因子。考虑参数的情况下，量价因子与基本面因子总数为455个，常用几个参数为与年、月与周相关的参数。13期货研究报告图表5：量价日频因子123delay(close,n)/delay(clos4构ts_std[(close-open)/open,n)]-ts_std[(hi)/((high+low)/2),n]567率89金融工程-深度报告2024-9-2514期货研究报告金融工程-深度报告2024-9-2515期货研究报告金融工程-深度报告2024-9-2516期货研究报告金融工程-深度报告2024-9-25子17期货研究报告金融工程-深度报告2024-9-2518期货研究报告期/价领先1期）数图表6：量价中高频因子一览123456金融工程-深度报告2024-9-257方89成交量最高n根K线成交量加权收益率率19期货研究报告金融工程-深度报告2024-9-25比数20期货研究报告金融工程-深度报告2024-9-2521期货研究报告图表7：基本面盈利因子1TTM2动3456金融工程-深度报告2024-9-25率789图表8：基本面成长因子123TTM）/去年同期EPSTTM4522期货研究报告金融工程-深度报告2024-9-25678923期货研究报告金融工程-深度报告2024-9-25流分24期货研究报告金融工程-深度报告2024-9-2525期货研究报告图表9：基本面营运因子123456789金融工程-深度报告2024-9-25图表10：安全&公司治理因子12345678926期货研究报告金融工程-深度报告2024-9-2527期货研究报告1234567值8912率金融工程-深度报告2024-9-253率456789化化28期货研究报告金融工程-深度报告2024-9-2529期货研究报告图表13：股东&规模因子12345678930期货研究报告2.3.方案一年频窗口参数选用因子及样本内外表现示例本部分以方案一为例，展示某一种窗口参数设定下，方案一在样本内外的表现。方案一具体处理方式为计算个股层面因子取值，在截面上标准化后直接合成行业因子，该处理inv_turnover_qoq外，其余在2023年均为反向指标，IC均值均为负数。根据2023年窗口挑选的方案一的因子在2024年样本外的表现，虽然大部分因子表现有一定衰减，甚至有少量因子的IC均值改变了符号，但这些因子总体上延续与维持了2023年窗口上的表现。我们将这些窗口上的因子在考虑IC均值符号情况下等权合成，可以得到方案一合成因子样本内及样本外在因子测试框架下的表现以及合成因子在样本外（2024）年的周频净RANKIC从13.22%衰减至11.07%。将该合成因子的按照每一期选择合成因子值最高的5个行业指数做多，得到合成因子行业轮动策略的净值表现，相比于基准中证800指数表现良好。但是只在某一个窗口上或最近的窗口上表现好并不是因子衰减调参的意义，我们需要精细确定在较长时间下因子衰减的情况，确定统一的窗口参数，构建行业轮动策略。图表14：方案一2023年窗口合成因子样本内外表现展示金融工程-深度报告2024-9-25图表15：方案一合成因子样本外周频净值展示图表16：方案一2023年窗口因子样本内表现展示upper_shadow_531期货研究报告金融工程-深度报告2024-9-2532期货研究报告highesttotoday_5inv_turnover_qoqQRS_beta_5图表17：方案一2023年窗口因子样本外表现展示upper_shadow_5highesttotoday_5inv_turnover_qoqQRS_beta_533期货研究报告3.行业轮动策略近年来，行业轮动加快根本原因其实是带有Beta信息的行业因子本身轮动加快导致的，因此我们需要利用最新的w周滚动窗口选取有效的行业轮动因子，并将这些有效的行业轮动因子合成用于下面k周的行业轮动。具体窗口长度选定逻辑为调参确定选择因子的此前衰减速度确定窗口参数。本报告在程序化选取因子时，对行业轮动单因子在滚动窗口上入选的要求为IC绝对值大于2%，NDCG@5的值大于20%。值得注意的是，由于构建的行业轮动策略为周频策略，IC等值的计算都基于周频的收益率。本报告分别将不同方案在滚动窗口上的合成因子用于选取行业轮动策略的行业，得到各方案下的行业轮动策略。行业轮动策略基准为沪深300指数。调参确定方案一的窗口参数为每个训练集10周，样本外使用轮动因子1周，这样滚动获得方案一在每个窗口合成因子的行业轮动表现。自2016年至今，方案一按周频回测净值结果，年化收益15.05%，年化波动18.67%，最大回撤-23.11%，周度胜率54.07%，夏普比率0.81，卡玛比率0.65，显著优于业绩基准。相比沪深300指数年化超额为14.92%，相比中证800指数年化超额为16%。调参确定方案二的窗口参数为每个训练集10周，样本外使用轮动因子1周，这样滚动获得方案二在每个窗口合成因子的行业轮动表现。自2016年至今，方案二按周频回测净值结果，年化收益18.97%，年化波动18.62%，最大回撤-17.62%，周度胜率56.94%，夏普比率1.02，卡玛比率1.08，显著优于业绩基准。相比沪深300指数年化超额为18.84%，相比中证800指数年化超额为19.92%。由于Barra因子在不同短滚动窗口上存在轮动现象，因此方案三的短窗口参数效果不佳，最佳窗口参数为每个训练集120周，样本外使用轮动因子25周，这样滚动获得方案三在每个窗口合成因子的行业轮动表现。自2016年至今，方案三按周频回测净值结果，年化收益3.29%，年化波动19.77%，最大回撤-32.19%，周度胜率55.26%，夏普比率0.17，卡玛比率0.10，相比沪深300指数年化超额为3.16%，相比中证800指数年化超额为4.24%，效果不佳。主要是由于近几年行业轮动加快，长训练集与样本外相对长窗口参数相对短训练集参数效果一般，而因子风格中性化的处理方式适用长训练集参数。34期货研究报告金融工程-深度报告2024-9-25重要指标基准（沪深300指累计收益率223.80%328.70%31.11%1.13%-7.65%年化收益率15.05%18.97%3.29%0.13%-0.95%年化波动率18.67%18.62%19.77%17.71%17.90%最大回撤率-23.11%-17.62%-32.19%-43.4