行业轮动专题报告：月频视角下的行业轮动：疾取慢攻，各有其道

$研究|金融工程专题报告 2022-11-28 月频视角下的行业轮动：疾取慢攻，各有其道 投资咨询业务资格： 证监许可【2012】669号 ——行业轮动专题报告 $Ⓒß½ $$300 119 报告要点 本文探索了低频调仓下行业轮动策略的方法。沿用之前的方法，基于月度 据，批量测试因子组合，考虑交易成本后线性月度轮动策略能够战胜业绩基准。引入“优化器+底仓”的方式，轮动策略的化超额进一步提升，换手率和回撤下降，更具长配置价值。 117 115 113 111 109 107 105 103 240 $Ⓒ 220 200 180 160 140 120 2022−01−24 2022−02−14 2022−02−28 2022−03−14 2022−03−28 2022−04−13 2022−04−27 2022−05−16 2022−05−30 2022−06−14 2022−06−28 2022−07−12 2022−07−26 2022−08−09 2022−08−23 2022−09−06 2022−09−21 2022−10−12 2022−10−26 2022−11−09 2022−11−23 100 摘要： 从周度轮动到月频策略：低频轮动可以降低较高的交易费用，换手率更低，可以适应比较繁琐的交易流程，可以避免过度专注于市场短波动和短噪音对投资决策的影响。 基于$一级行业的月频线性轮动策略：沿用之前的方案直接进行降频测试，纯线性月度轮动策略相对于$证800有一定超额，均9%左右。但与周度轮动相比，月度轮动策略化收益率下降幅度较大，可能需要对组合输出进行额外优化。 引入优化器的月度行业轮动：月度轮动均超额提升至12%左右，化波动率下降，整体持仓更分散，尤其是极端行情下回撤幅度有大幅降低，全周换手率也更低。但是，最近一和最近三“优化器+”策略的表现均不及“线性模型”，后者或更适合近几的特殊行情结构。 风险提示：模型/方法/参失效、据区间有限、低频调仓等 金融工程团队 研究员：周通 021-80401733 zhoutong@citicsf.com从业资格号F3078183投资咨询号Z0018055 重要提示：本报告难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本报告内容而视相关人员为客户；市场有风险，投资需谨慎。如本报告涉及行业分析或上市公司相关内容，旨在对市场及其相关性进行比较论证，列举解释Ⓒ种相关特性及潜在风险，不涉及对其行业或上市公司的相关推荐，不构成对任何主体进行或不进行某项行为的建议或意见，不得将本报告的任何内容据以作为$所作的承诺或声明。在任何情况下，任何主体依据本报告所进行的任何作为或不作为，$不承担任何责任。 $金融工程专题报告 目录 摘要：1 一、从周度轮动到月频策略：降频的优½3 二、基于$一级行业的月频线性轮动策略3 （一）线性模型和因子库3 （二）“线性模型”行业轮动月度策略5 三、引入优化器的月度行业轮动7 （一）现有模型下月度轮动方法的缺陷7 （二）引入优化器的行业轮动方法7 （三）“优化器+”行业轮动月度策略8 四、总结和风险提示10 （一）全策略回顾10 （二）风险提示11 （三）后续改进设计11 附录1：测算的$一级行业12 免责声明13 图目录 图表1：高频策略VS低频策略3 图表2：因子总库：月频因子4 图表3：“线性模型”月度轮动：回测净值曲线5 图表4：“线性模型”月度轮动：业绩标5 图表5：“线性模型”月度轮动：因子相对权重6 图表6：“线性模型”月度轮动VS$证800：分收益率6 图表7：“优化器+”月度轮动：回测净值曲线8 图表8：“优化器+”月度轮动：业绩标8 图表9：“优化器+”月度轮动：因子相对权重9 图表10：“优化器+”月度轮动VS$证800：分收益率9 图表11：全策略回顾：业绩标一览10 图表12：$一级行业12 2/ 一、从周度轮动到月频策略：降频的优½ 在《行业轮动专题系列六：基于量化多因子的行业配置策略之四：降频方案、交易成本与策略池》$，本系列讨论了行业轮动策略降频的可能性：高频行业轮动策略面临每日调仓和大量交易成本的挑战，选择更低频率的交易策略有助于平衡策略表现与交易成本。近，本系列推出的周频策略已经初步满足了交易和成本的平衡要求，化交易成本控制在大约8%附近，考虑费用以后策略超额收益依然明显。 降频的优½对应的正是高频策略的某些缺陷，主要体现在以下几个方面： 可以降低较高的交易费用：高频策略的换手率和交易成本较高，先进交易算法下成本节省有限； 可以适应比较繁琐的交易流程：部分管理人交易的流程较长，需要通过投资、交易、风控多个节点，无法进行高频交易； 可以避免市场短波动或噪音对投资决策的影响：使用聚合据的低频策略不关注内据变化，据噪比相对较高； 但是，由于交易频率的降低，低频轮动理论上放弃了内高抛低吸的机会，收益率预不及高频轮动。另外，对于低频策略来说，据点较少也不利于量化模型的训练，这可能提高策略整体的风险。 图表1：高频策略VS低频策略 比较项 高频轮动策略 低频轮动策略 交易频率 较高 较低 交易成本换手率 较高较高 较低较低 对交易流程和交易设备的要求理论预化收益率 较高较高 较低较低 据量 据噪比 较大较低 较小较高 资料来源：$研究所 二、基于$一级行业的月频线性轮动策略 （一）线性模型和因子库 本段首先沿用《行业轮动专题系列九：线性模型下的行业与ETF周度轮动全景》 $的方法，换用月频因子和月度调仓，使用自2014开始的据，批量测试基于因子总库的因子组合。在测试$，本段遵循以下逻辑： 采用$一级行业； 采用线性模型 每月再平衡，策略每月调整一次仓位，持有到下一个日历月； 使用合成策略方案，按照化收益率、化夏普比率、化卡玛比率分别筛选其$收益回撤比相对较好的组合，每个业绩标下分别纳入最优的组合，进行等权合成； 考虑交易成本，设置为双边0.03%； 本篇同样借鉴从《行业轮动系列》的第一篇开始基于量价息建立的因子库，在行业轮动$共计的16个有效因子，合为“因子总库”。所有共计八个大类，分别为贝塔、动量、波动率、分布特征、风险、动量加速度和交易/情绪。因子将共同作为之后进行批量组合测试的备选因子，并从$挑选出表现优秀的因子组合。月度轮动下，所有因子均使用月频聚合据计算，不考虑月内据。另外，由于月频据本身据点较少，所有因子均采用过去一的据计算，暂时不考虑高频因子。 图表2：因子总库：月频因子 风格/大类因子因子定义 历史Beta最近一权益收益率对基准收益率时间序列回归的回归系 贝塔 动量 波动率 分布特征 风险 动量加速度 交易/情绪 非对称Beta上行Beta减去下行Beta 相对强度最近一权益的对超额收益率加权求和后的平滑值 历史Alpha在计算贝塔的时间序列回归$，截距项平滑值 历史残差波动率在计算贝塔的时间序列回归$，回归残差的波动率月收益率标准差最近一月收益率的波动率 累积收益率范围最近一累积对收益率的最大值减去最小值偏度最近一月收益率的偏度 峰度最近一月收益率的峰度 协偏度最近一月收益率三阶协矩的望值 在险价值最近一月收益率的在险价值 望损失最近一月收益率的望损失 相对强度加速度相对强度对时间的一阶导历史Alpha加速度历史Alpha对时间的一阶导 彩票需求过去一个季度内所有交易月$的最高单月收益率预收益代理（pER）回报率对标准化价格序列回归拟合度的逻辑变换 资料来源：$研究所 （二）“线性模型”行业轮动月度策略 本段对基于$一级行业的月度线性策略进行测试。 从回测结果来看，纯线性月度轮动策略相对于$证800有一定超额收益。 在2014至今共9的回测内，策略有7优于基准，相对胜率（超额胜率）78%，均超额9%左右；在绝对收益方面，2014至今也有7策略录得正收益；轮动策略月相对胜率达到53%，绝对胜率59%，均表现良好。 与《行业轮动专题系列九：线性模型下的行业与ETF周度轮动全景》下的周度策略相比，月度轮动策略化收益率下降明显，这或是由于月度调仓放弃了月内轮动，策略的收益能力受此影响较大。因此，可能需要对组合输出进行额外优化，来更多的利用模型的预测结果息。 图表3：“线性模型”月度轮动：回测净值曲线 $一级行业月度轮动策略 $证800 5 4 3 2 1 0 资料来源：同花顺$研究所 图表4：“线性模型”月度轮动：业绩标 业绩标 最近一 最近三 2014以来 $证800(2014以来) 平均月换手率： 化收益率 −8.73% 20.21% 16.29% 7.34% 化波动率 19.18% 20.77% 23.00% 22.97% 相对/绝对胜率： 化夏普比率(Rf=3%) −0.59 0.8 0.56 0.18 78%/78% 最大回撤 18.96% 23.48% 49.13% 48.64% 月相对/绝对胜率： 卡玛比率 −0.46 0.86 0.33 0.15 53%/59% 69% 资料来源：同花顺$研究所 图表5：“线性模型”月度轮动：因子相对权重 相对强度 历史Alpha加速度 历史Alpha 历史Beta 非对称Beta 相对强度加速度 偏度 月收益率标准差 历史残差波动率 在险价值 峰度 累积收益率范围 协偏度 预收益代理 望损失 彩票需求 0%2%4%6%8%10%12% 资料来源：同花顺$研究所 图表6：“线性模型”月度轮动VS$证800：分收益率 $一级行业月度轮动策略$证800 60% 50% 40% 30% 20% 10% 0% -10% -20% -30% 201420152016201720182019202020212022 资料来源：同花顺$研究所 三、引入优化器的月度行业轮动 （一）现有模型下月度轮动方法的缺陷 为了保留行业轮动组合的可投资性，现有模型均是纯多头组合，即：只做多，不做空。在模型输出上，最后生成的行业权重只利用了模型预测未来收益率为正的行业；对于预测收益率为负的行业，模型不做配置，空仓处理。 在日度和周度轮动下，模型的调仓频率比较高，能够有效识别短变化获得较大超额。但是，降频到月度轮动，模型调仓频率很低，收益能力也进一步降低，同时极端行情下（如2015后半）回撤放大。这些问题让行业轮动策略的实际配置价值大打折扣。 总的来说，现有模型在月频轮动下的主要问题有两个： 没有完全利用模型的预测息，仅关注多头端； 轮动策略的收益能力比较低，极端行情下回撤大； （二）引入优化器的行业轮动方法 为解决上述问题，本段考虑了一个全新的方法，引入优化器来生成最后的输出权重。本段预设一个底仓，底仓为始终满仓等权配置所有行业，然后通过优化器输出一个调仓组合。优化器组合加总以后必须为减仓或不增仓（即无杠杆），且每个行业最低下调至0仓位（即无做空，相对于底仓最多再调低等权权重），这两个条件能够保证调仓组合叠加底仓以后是一个仓位在0～100%之间的纯多头组合。优化器的目标为经风险调整后收益。 具体而言，在每个月线性模型得到行业预收益率以后，考虑如下优化器： 𝑚𝑎𝑥:𝑤� ➪[𝑟] 1� −2�� 1 𝑠.𝑡.:𝑤[𝑖]>− � 𝑠𝑢𝑚(𝑤)≤0 其$➪[𝑟]为线性模型给出的行业预收益率（通常有正有负），𝑤�是待求权重向量，�为$一级行业的量（原为29现为30），�代表任意一个行业。两个限制条件$，第一个表示单个行业减配不超过行业等权权重，第二个表示优化器输出组合整体权重为负，即“无杠杆+无做空”。最终，本段通过另一种方式得到了组合权重，且输出的组合仍是可投资的纯多组合。 （三）“优化器+”行业轮动月度策略 本段对引入优化器的$一级行业月度轮动策略进行测试。 从回测结果来看，“优化器+”月度轮动策略相对于$证800有超额收益。在2014至今共9的回测内，策略有6优于基准，均超额12%左右；在绝对收益方面