德邦金工行业轮动专题之二：GRU因子的行业轮动应用兼论扩散指数的局限性与改进

证券分析师 金融工程专题 GRU因子的行业轮动应用兼论扩散指数的局限性与改进 ——德邦金工行业轮动专题之二 肖承志 投资要点： 资格编号：S0120521080003 邮箱：xiaocz＠tebon.com.cn 证券研究报告|金融工程专题 深度报告 2024年8月9日 研究助理 相关研究 1.《再探预测目标、预测周期、交易换手和风格控制在GRU选股策略中的影响——德邦金工机器学习专题之七》2024.07.25 2.《基于分钟数据的GRU模型在选股策略中的应用初探——德邦金工机器学习专题之六》2024.07.01 3.《基于扩散指标的行业/主题ETF轮动策略——德邦金工基金投资策略系列研究之四》2023.04.21 4.《行业轮动下沪深300增强策略及改进——德邦金工基金投资策略系列研究之三》，2023.02.03 5.《基于主动基金持仓的扩散指标行业轮动及改进——德邦金工基金投资策略系列研究之一》2022.12.19 6.《基于模型池的机器学习选股— —德邦金工机器学习专题之五》 2022.05.24 7.《扩散指数行业轮动多因子改进策略——德邦金工行业轮动专题之一》2022.04.21 8.《进击的“小巨人”：——德邦金工2022年度策略报告》2021.12.16 扩散指数行业轮动2021年以来因子收益区分能力减弱，组合表现相对较差。2021年-2023年，扩散指数行业轮动因子失效较为严重，因子收益区分能力减弱。2021年1月4日-2024年6月28日，扩散指数行业轮动累计收益-3.87%，年化收益- 1.17%，相对中信一级等权有12.19%的超额收益。 扩散指数存在动量类策略常见的回撤问题。扩散指数作为一种动量类策略与其他动量因子同步回撤。2021年以来还存在以下三点边际变化：（1）成分股数量剧增； （2）板块内部相关性回升；（3）市场风格切换加速。 用GRU因子代替收盘价因子构建GRU扩散指数，月频效果不及普通扩散指数，周频有所提升。作为对扩散指数框架的检验，我们控制回测的所有框架不变，仅将收盘价因子替换为GRU因子。月频来看效果不及普通扩散指数，周频效果有所提 升，GRU5d-open-200扩散指数相对扩散指数年化超额4.33%。 利用GRU因子按流通市值加权合成GRU行业因子，因子表现优秀。我们分别检验了GRU-close1d、GRU-open1d、GRU-open5d合成行业因子的效果，其中GRU-close1d表现最优，对未来一周RankIC均值达10.01%，分组收益率单调。 利用GRU行业因子构建行业轮动策略，组合表现优秀，其收益对交易滑点敏感度较低。GRU-close1d表现最优，2019年1月1日-2024年6月28日，年化收益率24.05%，相对中信一级行业等权基准超额收益率19.49%，最大回撤25.81%， 信息比率2.22，月度胜率69.23%。对调仓价格进行敏感性分析，使用T1开盘价交易会产生年化1.21%的滑点，整体仍然大幅跑赢基准和扩散指数行业轮动。 考虑交易成本并对行业选择个数进行敏感性分析，挑选一个行业年化收益率最高，挑选7个行业信息比率与Calmar比率更优。加入双边千二的手续费后，挑选一个行业能获得38.77%的年化收益率，挑选7个行业信息比率达2.09，Calmar比 率达0.87。 GRU行业因子在风格上没有较大的偏好，能根据市场风格进行切换。我们对中信一级行业内所有同风格的中信三级行业流通市值进行加总，取流通市值占比最高的风格作为中信一级行业的风格。我们发现GRU行业轮动策略在风格上没有较大 的偏好，能根据市场风格进行切换，在等权配置6个行业的前提下，每种风格的最大仓位保持在了66.7%以内。2024年以来，消费风格行业配置最多。 风险提示：人工智能模型源于历史数据，市场规律在未来可能发生变化。深度学习模型可能存在过拟合风险。深度学习模型存在随机数影响，训练结果可能无法完全复刻。本文测试均在理想状态下使用开盘、收盘价格进行成交计算，实际交易中可 能存在其他影响因素导致成交价格出现偏差。 请务必阅读正文之后的信息披露和法律声明 内容目录 1.扩散指数行业轮动模型近期表现与局限性5 1.1.扩散指数构建回顾5 1.2.扩散指数行业轮动模型近期表现5 1.2.1.扩散指数因子近期表现5 1.2.2.扩散指数行业轮动近期表现6 1.3.扩散指数行业轮动局限性7 2.基于GRU因子的扩散指数行业轮动模型11 2.1.GRU模型应用于A股市场选股效果回顾11 2.2.基于GRU因子的扩散指数行业轮动模型12 3.GRU行业因子与策略表现15 3.1.GRU模型行业因子合成方法15 3.2.GRU行业因子有效性16 3.3.GRU行业轮动策略19 3.4.GRU行业轮动策略敏感性分析20 3.4.1.调仓价格敏感性分析20 3.4.2.行业选择个数敏感性分析21 3.5.GRU行业轮动风格22 4.总结23 5.风险提示24 信息披露25 图表目录 图1：扩散指数累计RankIC（未来一月）6 图2：扩散指数分组收益率（月频）6 图3：扩散指数分组收益率对比（月频）6 图4：扩散指数月频行业轮动净值7 图5：扩散指数2021年以来月频行业轮动净值7 图6：动量类策略2021年以来普遍回撤8 图7：2016年以来净上市数量（单位：家）8 图8：中信一级行业指数成分股数量变化（单位：只）9 图9：中信一级行业内部相关系数平均值变化10 图10：风格最大持续天数平均值与最大值（单位：天）10 图11：风格最大持续天数时序图（单位：天）10 图12：GRU模型框架图11 图13：基于GRU因子的扩散指数单因子检验结果（未来一周）13 图14：基于GRU因子的扩散指数部分累计RankIC（未来一月）13 图15：基于GRU因子的扩散指数分组收益率（T=60天）14 图16：基于GRU因子的扩散指数分组收益率（T=220天）14 图17：基于GRU扩散指数的中信一级行业轮动策略净值（月频）14 图18：基于GRU扩散指数的中信一级行业轮动策略净值（周频）15 图19：各GRU行业因子累计RankIC（未来一日）16 图20：各GRU行业因子累计RankIC（未来一周）17 图21：各GRU行业因子分组收益率（日频）17 图22：各GRU行业因子分组收益率（周频）18 图23：GRU-close1d行业轮动因子累计RankIC（未来一周）18 图24：基于各GRU行业因子的中信一级行业轮动策略净值19 图25：基于各GRU行业因子的中信一级行业轮动策略表现20 图26：基于各GRU行业因子的中信一级行业轮动策略净值与扩散指数净值对比20 图27：不同调仓价格对GRU-open1d行业轮动策略的影响21 图28：不同调仓价格对GRU-close1d行业轮动策略的影响21 图29：基于T1开盘价的各GRU行业因子的中信一级行业轮动策略净值与扩散指数净值对比21 图30：筛选不同行业个数下GRU-close1d行业轮动策略表现22 图31：GRU-open1d行业轮动因子持仓风格时序图23 表1：中信一级行业风格22 1.扩散指数行业轮动模型近期表现与局限性 以我们的年度策略报告《进击的“小巨人”——德邦金工2022年度策略报告》为开篇，我们提出了基于行业扩散指数行业轮动策略以及扩散指数增强多因子策略，其中包括叠加低估值、北向因子、拥挤度，策略的收益率与Sharpe比率均提升明显。为了降低其实际应用难度，我们也设计了针对于主动基金和ETF的筛选策略，详见《德邦金工基金投资策略系列研究》。下面我们将从扩散指数构建，扩散指数行业轮动近期表现以及局限性等方面回顾扩散指数行业轮动模型。 1.1.扩散指数构建回顾 扩散指标是一种自下而上的对指数趋势判断的指标，其通过对一段时间内某指数成分股中处于上升趋势股票的百分比的计算和平滑等处理，测算得出指数整体趋势的指数评分，从而测算得出指数整体的走向趋势。 指数上升趋势判断的方法基于个股某一基本面数据或因子值来进行，最基本的即采用收盘价进行判断，判断方法上可以采用移动平均线法（MA）或ROC法 （RateofChange）。移动平均线法判断个股在某个时间截面上因子值是否位于移动平均线以上，位于移动平均线以上则处于上升趋势。ROC法判断过去一段时间因子值变化是否大于0，如果大于0则处于上升趋势。 基于对成分股个股上升趋势的判断，通过等权、流通市值加权，可以计算得出指数的扩散指数。指数扩散指数可以用如下公式表达： � 𝐷�=∑𝑤𝑖�𝐼𝑖� 𝑖=1 其中，𝐷�为时间截面�时刻的扩散指数，�为指数成分股数量，𝐼𝑖�表示第�只成分股在时间截面�是否为正向，正向则为1，否则为0，𝑤𝑖�表示第�只成分股在时间截面�对应的权重。 1.2.扩散指数行业轮动模型近期表现 1.2.1.扩散指数因子近期表现 我们采用ROC比较方法，回望期取220天，按流通市值加权法，月频计算各行业扩散指标值，并进行20天移动平滑处理。扩散指数的数据窗口为2016年 1月1日至2024年6月28日。 图1展示了扩散指数与未来一个月收益率的累计RankIC，因子在2021年-2023年有较大的失效期，近期有效性有所增强。 图2展示了基于扩散指数分组的月均收益率，可以看到多头组合（第10组）的月均收益率为0.66%，空头组合（第1组）的月均收益率达到-0.25%，分组收益率单调性一般，但多空组合在全样本期有着明显的收益区分的作用。 图1：扩散指数累计RankIC（未来一月）图2：扩散指数分组收益率（月频） 资料来源：Wind，德邦研究所资料来源：Wind，德邦研究所 将分组收益率的范围以2021年1月1日进行分割，我们可以得到如下对比图。2021年以来分组收益率没有明显的线性趋势，因子区分能力几乎失效。 图3：扩散指数分组收益率对比（月频） 资料来源：Wind，德邦研究所 1.2.2.扩散指数行业轮动近期表现 基于上一小节计算得到的中信一级行业扩散指数，设计了如下扩散指数行业轮动模型：月频地对全行业前一日扩散指标值进行排序，取扩散指标值最大的六个行业等权配置，不考虑交易费率。 我们对该模型近期表现进行了回测，2016年1月4日至2024年6月28日表现如下图所示： 图4：扩散指数月频行业轮动净值 资料来源：Wind，德邦研究所 将回测期缩短至2021年1月4日至2024年6月28日观察其近期表现，基于扩散指标的中信以及行业轮动策略累计收益-3.87%，年化收益-1.17%，最大回撤为-38.71%，夏普比率-5.54%，相对中信一级行业等权有12.19%的超额收益。 图5：扩散指数2021年以来月频行业轮动净值 资料来源：Wind，德邦研究所 1.3.扩散指数行业轮动局限性 2021年至今，市场处于调整期，虽然扩散指数行业轮动获得了12.19%的超额，但其绝对收益表现已泯然众人矣。 根据我们的研究，扩散指数能一定程度地反映出指数的整体趋势，而且通常 情况下扩散指数会领先于指数涨起，然而对于指数的下行趋势，扩散指数不具有领先性，甚至存在滞后性，比如2015年初和2018年初市场两次较大的回落，扩散指数在大部分行业上均同步或晚于指数下行开始下降，因此采用扩散指数进行择时或行业轮动会存在动量类策略常见的回撤问题。 以过去60日、220日动量为因子，月频选择动量因子最大的六个行业等权配置。从图6可以清晰看出，动量类策略在2021年中创新高之后均同步回撤，扩散指数相对动量因子保有一定超额。 图6：动量类策略2021年以来普遍回撤 资料来源：Wind，德邦研究所 扩散指数本身2021年以来表现欠佳的潜在原因可能有以下三点：（1）成分股数量剧增；（2）板块内部相关性回升；（3）市场风格切换加速。 我们将每年IPO新股数量减去退市数量定义为每年净上市数量，图7展示了201