市场微观结构研究系列（23）：大小单资金流为核心的综合行业轮动方案

金融工程专题 2024年01月28日 大小单资金流为核心的综合行业轮动方案 金融工程研究团队 ——市场微观结构研究系列（23） 魏建榕（首席分析师） 魏建榕（分析师）盛少成（分析师） 证书编号：S0790519120001 张翔（分析师） weijianrong@kysec.cn 证书编号：S0790519120001 shengshaocheng@kysec.cn 证书编号：S0790523060003 证书编号：S0790520110001 傅开波（分析师） 证书编号：S0790520090003 高鹏（分析师） 证书编号：S0790520090002 苏俊豪（分析师） 证书编号：S0790522020001 胡亮勇（分析师） 证书编号：S0790522030001 王志豪（分析师） 证书编号：S0790522070003 盛少成（分析师） 证书编号：S0790523060003 苏良（分析师） 证书编号：S0790523060004 何申昊（研究员） 证书编号：S0790122080094 陈威（研究员） 证书编号：S0790123070027 蒋韬（研究员） 证书编号：S0790123070037 相关研究报告 《大小单资金流alpha探究2.0：变量精筛与高频测算—市场微观结构系列 （18）》-2022.12.18 《新型因子：资金流动力学与散户羊群效应—市场微观结构系列（14）》 -2022.06.02 从选股到行业轮动：自下而上的聚合 对于大小单资金流的研究而言，之前我们着重在选股层面，构建了市场上认可度较高的一系列因子，如超大单关注度、大小单残差、散户羊群效应等。对于选股因子聚合至行业层面的方法，主要有两个思考的维度：1、何种方式加权；2、因子用原始值还是分域赋值。对此，我们尝试了5种方案但是整体效果一般，所以后续我们直接从行业本身出发构建行业轮动因子。 从行业层面出发构建有效因子：超大单和小单 对于超大单而言，我们发现原始主动超大单强度2022年之后波动加剧，且出现走平的趋势，因子逐渐失效。针对这一现象，我们采取两种方式进行修正：1、考虑近期强弱趋势；2、考虑资金流的极端与温和。改进后的因子RankICIR从 原始0.95提升至1.16，近两年波动和回撤较大的问题一定程度上得到了解决。对于小单而言，我们主要改进了行业羊群效应因子，主要也分为两步：1、将小单净流入改成非主动小单净流入；2、考虑行业羊群效应的变动，改进后 RankICIR-0.86提升至-1.03。 将改进后的主动超大单强度和羊群效应等权合成效果优异，月频调仓下效果最好，RankIC为9.28%，RankICIR为1.62，其逻辑可以归纳为：超大单本期强度较高且不位于高位，散户羊群效应较低且无大幅增加。 从行业层面出发构建有效因子：大单 对于大单强度而言，我们发现不同行业之间量级存在天然的差别，导致横向比较失真，因子效果较差。因此，针对于大单，我们从行业时序构建事件性因子，发现极端突破具备一定的行业轮动能力，周频调仓效果最优。除此之外，北向券商 净流入同样具备这一规律，将二者融合后行业轮动效果较为优异。 大小单行业轮动的综合方案 除了资金流之外，我们综合考虑了动量、基本面、拥挤度几大维度。在动量维度，我们主要从“极端切割”这一思路出发，构建了极端情绪动量因子，相较于传统动量因子而言，近两年的表现依旧较好。在财务维度，我们抓住了超预期景气模型和困境反转模型显著的轮动周期，相较于只使用单一的景气模型而言，二者轮动后的效果显著提升。在拥挤度维度，我们主要讨论了两种衡量方式：1、以成交额表征的交易热度；2、以赚钱效应表征的盈利水平，其中后者对组合收益提 升较为显著。 最终，我们以资金流因子为主体，其余维度进行负向剔除，构建了行业轮动策略，周频调仓下选取5个行业，扣费后年化21.84%，效果优异。 除此之外，行业轮动模型在指增上也能带来增量。以中证1000指增为例，相较于只使用资金流选股因子，结合行业后多空信息比率从1.55提升至1.98。 风险提示：本报告模型基于历史数据测算，市场未来可能发生重大改变。 金融工程 研究 金融工程 专题 开源证券 证券研究报 告 目录 1、从选股到行业轮动：自下而上的聚合4 2、从行业层面出发构建有效因子5 2.1、资金流强度：改进主动超大单强度RankICIR为1.165 2.2、资金流相关系数：改进行业羊群效应RankICIR为-1.037 2.3、行业超大单和小单综合资金流因子8 2.4、行业主动超大单和羊群效应升频后效果9 3、大单资金流：极端突破存在行业轮动能力10 3.1、事件效应构成行业轮动因子：大单极端突破效应11 3.2、事件效应构成行业轮动因子：与其他资金流的联合11 3.3、大单和外资券商联合的综合效果分析12 3.4、资金流的综合应用方案12 4、其他维度的综合考虑：动量和财务维度13 4.1、动量维度：“极端切割”为核心改进点13 4.2、基本面维度：困境反转和超预期景气的有效轮动16 5、资金流的综合行业轮动方案17 5.1、动量和财务维度剔除的敏感性分析17 5.2、拥挤度加入的影响探讨17 6、附录：中证1000指增的尝试20 7、风险提示21 图表目录 图1：原始主动超大单强度5分组：多空对冲净值波动较大，尤其2022年以来6 图2：利用K进行分域，原始主动超大单多头和空头的分域收益统计6 图3：强弱趋势K的长短回看参数敏感性分析6 图4：极端及温和主动超大单强度RankICIR7 图5：是否极端参数的敏感性分析7 图6：改进主动超大单强度5分组回测图7 图7：原始和改进后主动超大单强度多空对比7 图8：𝑹𝒂𝒏𝒌𝑪𝒐𝒓𝒓(𝑹𝒕,𝑺�+𝑵)的RankICIR在行业上呈现正负震荡、不断减弱的现象8 图9：原始行业羊群效应5分组回测表现8 图10：改进行业羊群效应5分组回测图8 图11：行业超大单和小单资金流综合后月频调仓下的5分组回测图9 图12：周频调仓下，行业主动超大单强度回看天数的参数敏感性分析9 图13：以回看过去10天为例，行业主动超大单强度周频调仓下的5分组回测（RankICIR为1.40）9 图14：周频调仓下，行业羊群效应回看天数的参数敏感性分析10 图15：以回看过去15天为例，行业羊群效应周频调仓下的5分组回测（RankICIR为-0.73）10 图16：周度的行业主动超大单强度和羊群效应因子合成，因子5分组回测10 图17：大单资金流强度在不同行业量级有显著差别11 图18：超大单和大单资金流强度滞后一期自相关系数11 图19：就大单极端突破而言，回看天数对多空年化收益影响的参数敏感性分析11 图20：回看天数N=10下，大单极端突破的行业轮动回测净值11 图21：就外资券商极端突破而言，回看天数对多空年化收益影响的参数敏感性分析12 图22：回看天数N=20下，外资券商极端突破的行业轮动回测净值12 图23：大单和外资券商结合后的收益统计12 图24：周频的资金流综合因子5分组回测净值图13 图25：回看天数为10，周频调仓下的多空对冲近两年逐渐走平14 图26：就行业极端情绪动量改进而言，回看天数N对RankICIR影响的参数敏感性分析14 图27：N=10下，行业极端情绪动量的5分组回测净值14 图28：就行业极端情绪动量改进而言，趋势系数的参数敏感性分析15 图29：就市场极端情绪动量而言，标准差倍数及回看天数的参数敏感性分析15 图30：月频调仓，2倍标准差及回看过去5天下，五分组对冲曲线15 图31：综合极端动量因子RankICIR为0.8816 图32：行业困境反转因子5分组对冲净值表现16 图33：行业超预期景气因子5分组对冲净值表现16 图34：行业困境反转因子和行业超预期因子存在明显的轮动周期16 图35：结合困境反转和超预期景气轮动下的尾部剔除方案17 图36：动量维度剔除行业数量的敏感性分析17 图37：财务维度剔除行业数量的敏感性分析17 图38：交易热度剔除的�敏感性分析18 图39：盈利水平剔除的�敏感性分析18 图40：最终优选5个行业对应的净值18 图41：行业选取个数的敏感分析19 图42：资金流综合选股因子的分组较为优异20 图43：结合行业的1000指增绩效优异21 图44：结合行业后，指增的绩效有进一步提升21 表1：大小单选股：单因子的RankICIR皆在3以上的水平，效果较为优异4 表2：从RankICIR来看，自下而上聚合的行业轮动因子效果一般，但方向与选股因子一致5 表3：利用主动超大单净流入，并市值标准化后的强度效果较好5 表4：传统动量下在不同回看天数，不同调仓频率RankICIR对比13 表5：最终优选5个行业的绩效较为优异19 表6：大小单在选股和行业轮动应用汇总20 表7：1000指增下的行业轮动参数设置20 对于大小单资金流的研究而言，之前我们着重在选股层面，构建了市场上认可度较高的一系列因子，如超大单关注度、大小单残差、散户羊群效应等。本篇报告将继续围绕着大小单资金流这一话题展开，多维度探讨其在行业轮动上的能力。 在第一部分，我们简单回顾了大小单资金流相关的选股因子，并采取自下而上聚合的方式构建行业轮动因子。 在第二部分，我们直接从行业层面出发，改进了行业主动超大单强度和行业羊群效应因子，二者等权合成后效果非常优异，RankIC为9.28%，RankICIR为1.62。对于大单强度而言，我们发现不同行业之间量级存在天然的差别，导致横向比较失真，因子效果较差。因此，针对于大单，我们从行业时序构建事件性因子，并且和基于北向资金构建的事件性因子合成后，效果提升较为明显。 在第三部分，我们从动量、财务、拥挤度维度出发，构建特色负向剔除因子。在动量维度，我们主要从“极端切割”这一思路出发，构建了极端情绪动量因子，相较于传统动量因子而言，近两年的表现依旧较好。在财务维度，我们发现超预期景气模型和困境反转模型存在较为显著的轮动周期：经济上行时超预期景气因子较好，经济下行时困境反转因子较好，相较于只使用单一的景气模型而言，二者轮动后的效果显著提升。在拥挤度维度，我们主要讨论了两种衡量方式：1、以成交额表征的交易热度；2、以赚钱效应表征的盈利水平，其中后者对组合收益提升较为显著。 在第四部分，我们以资金流因子为主体，其余维度进行负向剔除，构建了行业轮动策略，周频调仓下选取5个行业，扣费后年化21.84%，效果非常优异。 在第五部分，我们将目前已成体系的资金流选股因子和行业轮动因子进行综合，进行了指数增强的尝试。以中证1000指增为例，相较于只使用资金流选股因子，结合行业后多空信息比率从1.55提升至1.98。 1、从选股到行业轮动：自下而上的聚合 对于大小单资金流的研究而言，之前我们在选股上有一系列特色研究，具体列示为表1所示。从表1可以看出，每个单因子的RankICIR皆在3以上的水平，效果较为优异。 表1：大小单选股：单因子的RankICIR皆在3以上的水平，效果较为优异 因子名称 RankIC RankICIR 对应报告 超大单关注度效应 5.48% 3.33 《遗传算法赋能交易行为因子》 大单残差5.69%3.86 小单残差-4.64%-3.28 《大小单资金流alpha探究2.0：变量精筛与高频测算》 《大单与小单资金流的alpha能力》 《大小单资金流alpha探究2.0：变量精筛与高频测算》 《大单与小单资金流的alpha能力》 散户羊群效应-4.29%-3.12《新型因子：资金流动力学与散户羊群效应》数据来源：Wind、开源证券研究所（统计区间：20130101-20231231） 进一步地，我们尝试将选股因子聚合至行业层面，观察行业轮动的效果。对于聚合方法，主要有两个思考的维度：1、何种方式加权；2、因子用原始值还是分域赋值。具体地，我们采取如下5种方法： （1）因子值均值