行业轮动专题报告：组合配置的多模型方法

$研究 |金融工程专题报告 2023-10-13 组合配置的多模型方法 ——行业轮动专题报告 投资咨询业务资格： 证监许可【2012】669号 $Ⓒß½ 报告要点 本文通过引入单因子打分、多因子回归、LTR排序学习三种方法，构 建了基于$一级行业的“三维一体”多模型行业轮动策略。回测结果提示，多模型方法可以有效避免单一策略或参阶段性失效的风险，能够实现更佳绩效。2019以来，组合策略化超额达19%左 右，最近3息比率2.84，兼具绝对收益和相对收益能力。 17 13 $ $Ⓒ $300 60 0 119 11180 111 107 10 103 100 010310303303030360370380390310 摘要： 多维视角下的行业轮动方法：多策略是如今量化策略的主流方法。同时采用多个维度的策略，可以实现更好的策略绩效。本文尝试构建“三个维度x一套策略”的行业轮动综合解决方案。 基于单因子打分的轮动策略：单因子方法通过预先确定的因子方向对行业进行评分，再选取分靠前的行业建立组合。策略在2019以来相对$证800的化超额约18%，今以来取得了15%的绝对收益。 基于多因子回归的轮动策略：多因子方法通过回归模型，寻找当收益率和上一因子值之间的线性关系并外推，呈现“低波动、低回撤，收益稳健”的特点，2019以来最大回撤仅12.7%，今以来跑赢基准。 基于LTR排序学习的轮动策略：基于机器学习$的树模型，对行业进行截面排名预测是排序学习策略的操作思路。排序策略最近三息比率达2.35，月相对胜率在74%附近，可以作为相对收益方案的参考。 组合策略：立体行业配置解决方案。将单因子打分、多因子回归、LTR排序学习三种方法结合起来，最终构建基于$一级行业的“三维一体”行业轮动策略。2019以来，组合策略化收益达24%，相对于$证800平均超额约19%，最近三息比率2.84，是兼具绝对收益和相对收益能力的合成方法。 风险提示：量化模型/方法/参失效、聚合据带来的息损失、排序算法无法替代择时等。本文$所有模型应用仅为回溯举例。 金融工程团队 研究员：熊鹰 021-80401732 xiongying@citicsf.com从业资格号F3075662投资咨询号Z0018946 研究员：周通 021-80401733 zhoutong@citicsf.com从业资格号F3078183投资咨询号Z0018055 研究员：蒋可欣FRM jiangkexin@citicsf.com从业资格号F03098078投资咨询号Z0018262 重要提示：本报告非交易咨询业务项下服务，其$的观点和息仅作参考之用，不构成对任何人的投资建议。$ 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$ 目录 摘要：1 一、多维视角下的行业轮动方法4 （一）量化行业轮动的组合解决方案4 （二）因子库4 二、基于单因子打分的轮动策略6 （一）单因子打分方法6 （二）轮动策略：单因子打分7 三、基于多因子回归的轮动策略9 （一）多因子回归方法9 （二）轮动策略：多因子回归10 四、基于LTR排序学习的轮动策略11 （一）LTR排序学习方法11 （二）轮动策略：LTR排序学习12 五、组合策略：立体行业配置解决方案14 六、总结与风险提示16 （一）策略回顾和风险提示16 （二）后续改进设计17 附录：测算的$一级行业17 免责声明18 图目录 图表1：行业轮动的多维解决方案4 图表2：因子总库5 图表3：单因子打分方法全流程6 图表4：部分单因子绩效汇总7 图表5：基于单因子打分的轮动策略：回测净值曲线7 图表6：基于单因子打分的轮动策略：业绩标8 图表7：基于单因子打分的轮动策略：分收益率8 图表8：基于单因子打分的轮动策略：月度超额收益统计8 图表9：多因子回归方法全流程9 图表10：基于多因子回归的轮动策略：回测净值曲线10 图表11：基于多因子回归的轮动策略：分收益率10 图表12：基于多因子回归的轮动策略：业绩标11 图表13：基于多因子回归的轮动策略：月度超额收益统计11 图表14：LTR排序学习方法全流程12 图表15：基于LTR排序学习的轮动策略：回测净值曲线12 图表16：基于LTR排序学习的轮动策略：业绩标13 图表17：基于LTR排序学习的轮动策略：分收益率13 图表18：基于LTR排序学习的轮动策略：月度超额收益统计13 图表19：组合轮动策略：回测净值曲线14 图表20：组合轮动策略：业绩标15 图表21：组合轮动策略：分收益率15 图表22：组合轮动策略：月度超额收益统计15 图表23：$一级行业17 一、多维视角下的行业轮动方法 （一）量化行业轮动的组合解决方案 在《行业轮动专题系列》$，本系列讨论了多因子回归和LTR排序学习在行业轮动$的运用。多因子方法通过引入经典线性模型，使用量价因子对下一行业预收益率进行预测，可以直接或使用优化器得到超额显著的行业轮动方法，同时在市场出现极端情况时可以发出降仓号，兼具主动配置和被动择时的特点，是偏绝对收益的行业轮动方法；LTR排序学习引入了Lisewise方法$的LambdaRank算法，每预测下一行业排名，并配置排名靠前的行业组合，策略ß½和市场ß½相似程度较高，是偏相对收益的行业轮动方法。一个简单而直接的想法是，既然方法各有千秋，何不同时使用这些方案，构建一个多模型轮动策略？ 多策略是如今量化策略的主流方法。对于一个标的，一类资产或是一个产 Ⓒ，同时采用多个维度的策略，有利于避免单一策略或参阶段性失效的风险，可以实现更好的策略绩效。对于量化方法下的行业轮动而言，这里本文同时引入三种策略方案，分别是单因子打分、多因子回归和机器学习识别（排序学习），构建“三个维度x一套策略”的综合解决方案。 图表1：行业轮动的多维解决方案 资料来源：$研究所 （二）因子库 本文将讨论单因子打分、多因子回归和排序学习的组合策略在行业轮动$的应用，所采用的因子库完全基于《行业轮动专题系列》之前所有的系列专题。 从本系列的第一篇专题开始，基于行业量价息的因子库被建立起来，并得到了不断扩展和补充。在《多因子选专题系列一：基于$证1000的多频共振选策略》$，预收益代理是全新引入的一个因子，该因子隐含了对市场 息公开程度的推测，以及这种推测对未来超额收益的导意义。 本文在现有因子库的基础上补充了一个全新的因子：协峰度。协峰度和协偏度是传统偏度和峰度的姊妹因子，描述了行业相对于基准的偏态和 峰态，可以被分别视为非对称性风险和极端事件风险的一种表征。同样的，在RanaldoandFavre(2005)的定义$，协峰度为正，如果向投资组合$添加这种资产，最终投资组合的峰度也将相应增加；反之亦然。测量协矩可能提供投资组合的更多分散化选项，以及带来更多的Alpha潜能，尤其是区别于常见二阶矩因子（如波动率因子）的风险分散和Alpha潜能。 协峰度的计算式为： 𝐶𝑜𝐾𝑢𝑟𝑡(𝑥,𝑦)=➪[𝑥̅∗𝑦̅∗∗3] 图表2：因子总库 风格/大类因子因子定义 贝塔 动量 波动率 分布特征 尾部风险 动量加速度 交易/情绪 历史Beta权益收益率对基准收益率时间序列回归的回归系 非对称Beta上行Beta减去下行Beta 相对强度权益的对超额收益率加权求和后的平滑值 历史Alpha在计算贝塔的时间序列回归$，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$，回归残差的波动率周收益率标准差收益率的波动率 累积收益率范围累积对收益率的最大值减去最小值偏度收益率的偏度 峰度收益率的峰度 协偏度收益率三阶协矩的望值 协峰度*收益率四阶协矩的望值 在险价值收益率的在险价值 望损失收益率的望损失 上尾相关性收益率与基准收益的上尾部相关性系 下尾相关性收益率与基准收益的下尾部相关性系 相对强度加速度相对强度对时间的一阶导历史Alpha加速度历史Alpha对时间的一阶导 彩票需求过去一个季度内所有交易月$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 即四阶协矩的望值。 所有因子将被同时用于单因子打分，多因子回归和LTR排序学习策略$，最终构建“三维一体”的多维行业配置方案。 二、基于单因子打分的轮动策略 （一）单因子打分方法 单因子打分法是传统量化的经典方法之一。这种方式通过预先确定因子的方向，按照经济学或金融学基本面逻辑，赋予不同的分，最后对分进行等权或加权求和，得到最后的评分，再选取分靠前的行业建立组合。本段$，单因子打分遵照以下步骤和细节来实现： 采用$一级行业，剔除综合、综合金融，共计28个行业； 根据因子方向，每一使用单因子对这些行业进行评分：按因子暴露将28个行业分为两组，因子方向提示有超额收益的一组打2分，另一组打1分；对单个行业，求所有单因子打分的平均分； 每个截面上，选取排名靠前20%的行业等权重配置，即每一选择5个行业构建最终的行业组合； 每周再平衡，策略每周调仓一次，持有到下一个交易周； 暂不考虑交易成本和交易费用； 图表3：单因子打分方法全流程 本段共选择了19个因子$的7个单因子进行打分，选择决定主要根据因子多头绩效做出，即选出表现最好的因子进行组合打分。另外，一般意义上认为，风格因子由于充分公开，已经被市场比较完全的定价，长Alpha能力比较弱。所以，在绩效接近的情况下，本段会优先考虑使用自研特征因子。 图表4：部分单因子绩效汇总 因子 最优窗口（周）分2组多头化收益率 分2组多头化夏普比率 因子方向 非对称Beta 6816.3% 0.65 ▼ 预收益代理 5914.9% 0.54 ▲ 协峰度 3114.2% 0.55 ▼ 协偏度 9617.0% 0.63 ▼ 峰度 2816.0% 0.59 ▼ 偏度 7315.5% 0.60 ▼ 累计收益范围 6916.0% 0.56 ▲ 资料来源：同花顺 $研究所 （二）轮动策略：单因子打分 从回测结果来看，单因子打分方法虽然是经典且简单的量化方法，但策略的业绩表现并不逊色，2019以来化收益率达23.5%，相对于$证800超额约18%左右。今以来单因子打分策略更是取得了15%的绝对收益，大幅跑赢同业绩基准和行业等权组合。另外值得注意的是，单因子框架下策略总是满仓入场，这一点和LTR排序学习方法非常相似，策略高息比的特点也比较适合有增和相对收益需求的管理人关注。 策略 中证800 图表5：基于单因子打分的轮动策略：回测净值曲线 3 2.5 2 1.5 1 0.5 2019/1/22019/9/22020/5/22021/1/22021/9/22022/5/22023/1/22023/9/2 资料来源：同花顺$研究所 图表6：基于单因子打分的轮动策略：业绩标 业绩标今以来2019以来$证800(2019以来) 化收益率21.43%23.48%5.13% 化波动率14.09%19.85%19.31% 化夏普比率(Rf=3%)1.271.000.11 最大回撤6.74%23.65%33.96% 卡玛比率3.180.990.15 资料来源：同花顺$研究所 今以来绝对收益 15.05% 最近三息比率 2.61 月相对/绝对胜率 81%/67% 图表7：基于单因子打分的轮动策略：分收益率 策略$证800 50% 40% 30% 20% 10% 0% -10% -20% -30% 20192020202120222023 资料来源：同花顺$研究所 图表8：基于单因子打分的轮动策略：月度超额收益统计 20191 20192 20193 20194 20195 20196 20197 20198 2