行业轮动及指数增强：基于技术面指标分位数的行业配置研究

请务必阅读最后一页股票评级说明和免责声明1 金融工程研究/主题报告 2023年10月12日 行业轮动及指数增强 基于技术面指标分位数的行业配置研究 金融工程 山证金融工程团队 分析师：黎鹏 执业登记编码：S0760523020001邮箱：lipeng@sxzq.com 投资要点：策略思路 影响技术面指标效果的四大因素有起始时点、计算指标的时间跨度、历史统计的时间窗口以及持仓时间窗口长度。本报告发现行业指数的滚动收益率分位数能提升传统动量因子的稳定性。 减少起始时点影响：为了降低路径依赖，计算滚动N日的区间收益。 增强稳定性：历史分位数，变化程度较低 如何做行业间比较：对比行业间某个涨跌幅分位数，选择该分位数下排名靠前的行业，本质上是动量策略 风格偏向：偏向长期动量排名靠前且稳定性较高的行业组合 策略效果 基于涨跌幅动量分位数因子策略月度选出10个行业作为看多组合。平均年化超额收益为8.4%，年度胜率为100%。月度平均超额收益为0.76%，月度胜率为67%，平均信息比率为1.28。策略超额收益的累积稳定。 风险提示：报告结论基于历史价格信息和统计规律，但二级市场受各种即时性政策影响易出现统计规律之外的走势，所以报告结论有可能无法正确预测市场发展，报告阅读者需审慎参考报告结论。 目录 一、策略思路4 1、动量效应释义4 2、因子逻辑5 3、分位数因子计算5 二、策略效果6 1、基于行业分位数对比的行业轮动策略6 1.1起始时点检验8 1.2分位数检验10 1.3分层能力检验12 1.4历史时间窗口检验13 1.5因子相关性检验14 1.6总结15 2、基于行业分位数对比的行业轮动策略（对应ETF）15 3、基于涨跌幅分位数加权重动量的行业配置策略17 4、基于涨跌幅分位数加权重反转的行业配置策略19 5、基于行业分位数和短期动量的行业轮动策略21 6、基于行业分位数加短期反转的行业轮动策略23 7、基于行业分位数加大市值的行业轮动策略26 8、基于行业分位数加小市值的行业轮动策略28 三、风险提示30 图表目录 图1：策略示意图6 图2：策略净值及相关指标（基于涨跌幅分位数的行业配置策略）7 图3：行业选择到的次数（基于涨跌幅分位数行业配置策略）8 图4：起始时点效果对比9 图5：分位数效果对比11 图6：N日涨跌幅百分之六十分位数与N日涨跌幅分组效果对比（基准中证500）12 图7：月度IC对比13 图8：历史时间窗口长度效果对比14 图9：因子相关性检验15 图10：策略净值及相关指标（基于涨跌幅分位数的行业配置策略加对应ETF）16 图11：策略净值及相关指标（基于涨跌幅分位数加权重动量的行业配置策略）17 图12：行业选择到的次数（基于涨跌幅分位数加权重动量的行业配置策略）18 图13：策略净值及相关指标（基于涨跌幅分位数加权重反转的行业配置策略）19 图14：行业选择到的次数（基于涨跌幅分位数加权重反转的行业配置策略）20 图15：策略净值及相关指标（基于涨跌幅分位数加3日动量的行业配置策略）21 图16：策略净值及相关指标（基于涨跌幅分位数加20日动量的行业配置策略）22 图17：行业选择到的次数（基于涨跌幅分位数加短期动量的行业配置策略）23 图18：策略净值及相关指标（基于涨跌幅分位数加3日反转的行业配置策略）24 图19：策略净值及相关指标（基于涨跌幅分位数加20日反转的行业配置策略）25 图20：行业选择到的次数（基于涨跌幅分位数加短期反转的行业配置策略）26 图21：策略净值及相关指标（基于涨跌幅分位数加大市值的行业配置策略）27 图22：行业选择到的次数（基于涨跌幅分位数加大市值的行业配置策略）28 图23：策略净值及相关指标（基于涨跌幅分位数加小市值的行业配置策略）29 图24：行业选择到的次数（基于涨跌幅分位数加小市值的行业配置策略）30 一、策略思路 技术面因子是相对基本面因子而言的行情相关的因子，行情数据具有数据量大，时效性高，频度快，数据丰富、可变性强以及可辅助基本面因子减少滞后性等特点。因为指标符合大数据特征，所以技术面因子和高频因子一直是量化研究的重点领域之一。影响技术面指标效果的四大因素有起始时点、计算指标的时间跨度，历史统计的时间窗口长度以及持仓时间窗。假设因子特征并不随着影响因素的变化而变化，或者变化较小，我们则认为因子效果是稳定的，适合用作对未来的预测。除了考虑因子的稳定性，因子选股或者行业策略的收益情况才是最终考量。理想状态下是技术面因子和未来预期收益的排序保持绝对正向或者绝对负向相关性，其中包括线性和非线性的。但在现实研究和真实投资中，理想状态几乎不可能发生，不同的市场状态或者参数一定会带来策略回测效果的差异。所以因子挖掘的目的是寻找高收益且预测能力受市场影响较小的因子，或者在两者之间取一个平衡。 1、动量效应释义 动量策略是买入并持有过去一段时间收益率较高的股票组合，反之，反转策略买入并持有的是收益率较低的股票组合。动量的底层逻辑是“强者恒强，弱者恒弱”，而反转认为资产具有“均值回复”特性。效应的有效性一直是讨论的热点，除了基础理论的碰撞，还有观测方法的差异。对于有效市场理论来说，动量反转是投资异象；而行为金融学中将其解释为投资者情绪和一致预期的延续，以赋予合理性。测试理念的差异也会导致分析结论的不同，比如有分析认为中国大陆股市并不存在明显的月度动量效应，而中长期反转现象则比较突出（周琳杰2002），而有研究发现形成期和持有期在10到15天的动量策略有显著收益（余书炜2004）。简而言之，中国市场的动量反转效应是能长期观测到的市场特征，形成的原因众说纷纭、研究方法繁多。常规的动量反转策略主要有几个考虑因素：1）对资产收益率的描述，比如用绝对收益率还是相对收益率；2）历史时间窗口长度，也就是向前计算多长时间的历史收益率作为动量的判断；3）组合持有的时间跨度，如月度还是季度换仓；虽然主要因素看起来不多，但各个因素均可变化，比如历史窗口和持仓时间的两两配对是指数级别，复杂程度可见一斑。为了研究观测到的动量特征，本报告并不考虑动量策略的变种，同时尽量降低复杂程度，主要对投资者认可度较高的日度绝对收益进行分析。虽然本文也可统计反转策略收益情况，但我们认为反转策略可以通过组合或拆解等方法变换成动量策略，比如V型反转可细分为两段，下跌和上涨区间，每个区间单独看能认作动量区间。 2、因子逻辑 如前文所述，影响技术面指标效果的四大因素有起始时点、计算指标的时间跨度、历史统计的时间窗口以及持仓时间窗口长度。为了降低路径依赖，我们考虑把不同起始时点上的信息都包含进去，对于动量因子来说我们想到的方法是计算全部时间点上的区间收益。比如月度动量策略，一般会使用换仓时点前N个交易日的区间收益率作为动量因子，但是受到换仓日的影响会比较大。拿月度效应为例，月初和月末换仓所呈现出的动量特征差异较大。并且参数N越小，受到的影响越大。所以我们按日滚动计算前N个交易日的区间收益，希望通过增加信息量以减少一部分起点所带来的影响。滚动计算一定程度的解决起始时点的问题，计算指标的时间跨度、历史统计时间窗口及持仓时间窗口均依赖于因子本身或结果的稳定程度，因子数值越稳定，这三个因素的影响就越小。所以在获得不同时间点上持有相同时间长度的所有收益之后，我们再计算历史数据的分位数，首先分位数较短期技术面因子稳定，第二包含了样本空间内的全部区间收益的整体信息。分位数的引入增强了因子稳定性且降低了三大因素的影响。最后我们进行行业的选择，通过比较某个动量的分位数，选择分位数排序靠前的行业形成行业配置组合。比较分位数首先底层逻辑是动量策略，因为一个行业历史涨幅靠前，则分位数从大到小排序之后它也会靠前。第二，分位数和行业的本身风格有关，比如银行行业是低波动行业，那么它下跌的概率和幅度会小于其他行业，该行业比如10%的分位数所对应的涨跌幅就会较其他行业更高。第三，横截面信息对比的同时，因子也包含了行业时间序列上的信息，比如一个高波动的行业，它的各个分位数之间的差异很大，但分位数排序可能靠后，而低波的行业，分位数的差异较小，分位数排序可能靠前。综上所述，通过比较滚动收益率的某分位数情况来选择行业，包含了动量信息，行业风格信息，行业大部分历史信息，并且稳定性得到了增强。但是分位数方法比较的更多的是历史信息，并没有按照时间加权，也就是说近期的信息并没有给它更高的权重，如果需要加入近期信息可以在分位数策略的结果之上再进行二次筛选。 3、分位数因子计算 本文所测试的标的为中信一级行业指数，统计时间区间为2016年1月1日到2023年8月20日，月度调仓，分位数因子的计算步骤如下：1）计算单个行业指数日收益率的对数；2）按日向前滚动N日加总对数日收益率。滚动加总包含了不同时间点作为起点的区间收益，N的取值可以对应策略换仓的频率，比如月度换仓策略，N的取值可以是21个交易日；3）获得前T个交易日的区间收益分位数，选取比如60%分位数所对应的值作为分位数因子；4）因子的使用：行业按照某个分位数进行排序，选择排序靠前的行业作 为行业组合。 因子计算公式及示意图如下所示： � 滚动计算n日区间涨跌幅=∑�−�ln(日涨跌幅)) 分位数动量因子=�日分位数([�日区间涨跌幅]) 图1：策略示意图 资料来源：山西证券研究所 二、策略效果 1、基于行业分位数对比的行业轮动策略 策略思路：通过对比行业历史涨跌幅集合的某个分位数数值，对行业进行排序，选择排序靠前的行业组合作为行业动量组合。策略步骤如下：1）回测时间段：2016年1月1日到2023年8月20日；2）标的 池：中信一级行业指数；3）滚动加总每个行业指数的40个交易日的对数收益率；4）获得前200个交易日的滚动对数收益率的60%分位数；5）按照60%分位数从大到小排序，选择排序靠前的行业；6）策略为看多行业组合，行业个数为10个；7）基准为中证500指数；8）月度换仓。 从策略效果的统计结果上看，基于涨跌幅动量分位数因子的平均年化超额收益为8.4%，年度胜率为100%。月度平均超额收益为0.76%，月度胜率为67%，平均信息比率为1.28。策略超额收益的累积还是比较稳定的，回撤主要集中在市场指数快速下跌的时间段。 图2：策略净值及相关指标（基于涨跌幅分位数的行业配置策略） 资料来源：同花顺，山西证券研究所 下图为选择到的行业的次数，总共92次交易中，按照选择到的次数从多到少排序依次为食品饮料、电子、电力设备及新能源、基础化工、银行、医药和计算机，由此可见策略更偏爱波动稳定且趋势向上的中大市值的行业。 图3：行业选择到的次数（基于涨跌幅分位数行业配置策略） 资料来源：同花顺，山西证券研究所 如前文所述，影响技术面指标效果的四大因素有起始时点、计算指标的时间跨度、历史统计的时间窗口以及持仓时间窗口长度，我们分别对因子进行了测试，希望因子具有较强稳定性。 1.1起始时点检验 下图我们统计了在不同起始时间点上原始动量因子和分位数的分组效果（2016年1月1日到2023年9 月1日），从而进行对比。 图4：起始时点效果对比 资料来源：同花顺，山西证券研究所 相关总结： 1）我们对四个不同起点日期和换仓方式进行测试，分别为2016年1月1日开始每20个交易日换仓， 2016年1月5日开始每20个交易日换仓，自然月月初换仓以及自然月月底换仓。 2）按照因子大小分为五组，展示每组平均年化超额收益。 3）原始动量因子：每个换仓日计算前3、11、20、40、60个交易日的涨跌幅，行业按照前涨跌幅从大到小排序分为五组。从分组后的效果看，传统动量因子年化超额收益的稳定性和单调性欠佳，同时换仓方式对因子效果的影响也较大。 4）分位数动量因子：每个换仓日得出前200个交易日的3、11、20、40、60个交易日区间涨跌幅集合的60%分位数，行业按照60%分位数的值从大到小排序分为五组。从分组后的效果看，分位数动量因子年化超额收益的稳定性和单调性较