图谱在行业和风格轮动中的应用研究

来源：市场资讯

（来源：ETF炼金师）

　　导读

　　1. 研究背景：市场上常见行业分类的合并形成连续化行业分类图谱，探讨其在选股、行业和风格轮动中的应用效果。

　　2. 选股分析：基于连续化行业分类构建的动量溢出因子，解决了单一行业网络结构中出现的第10组收益锐减问题。

　　3. 行业轮动：结合动量因子的细分，剥离失效的内部溢出收益因子，发现非溢出动量因子轮动效果显著，且多特征重构后，效果进一步提升，映射至场内ETF的表现亦可圈可点。

　　4. 风格轮动：在成长-价值风格及大小盘风格的轮动中，采用图谱多特征构造的轮动思路，获得了显著的轮动效果，显示出非溢出算子的有效性。

　　5. 效果展示：多特征复合非溢出行业轮动因子在周换仓下获得年化收益25.4%，夏普比率达到2.06，并在风格轮动中同样表现出色。

　　引言

　　行业轮动是市场投资者持续关注的热点领域，如何有效捕捉行业轮动机会是股票及风格投资的关键。行业动量效应在2019至2021年间表现优异，但近年却显现出预测能力减弱，甚至阶段性失效的情况。在《图谱系列十九——高频动量溢出因子构建》的报告中，详细探讨了行业间的溢出效应。本文将进一步研究市场上现有不同行业分类的合并，形成统一的连续化行业分类，探讨其在选股及行业轮动中的表现。自2022年以来，改进后的行业动量因子展现出良好的应用效果和稳定性。

　　一、连续化行业分类构造方法

　　在前期研究中发现，市场上流行的行业分类存在一定差异。利用概率和余弦相似度两种方法构造统一行业分类，得出的连续型行业关联网络能够更准确地描绘各股票间的行业关联度。在构建过程中，基于申万一级行业分类的概率计算方法和余弦相似度方法，分别生成股票间的行业关联矩阵。这一过程中，统计数据显示，行业间的关联度普遍较高，而具体行业的细分则表现出较低的相关性。

　　1.1 概率构造方法

　　通过分析各行业分类的概率，得出例如平安银行(000001.SZ)和贵阳银行(601997.SH)的行业关联概率为76.92%。尽管两者均为银行板块，但因细分行业不同，可能导致市场表现差异。通过对5000家上市公司进行分析，发现行业强关联度的公司数量相对较少，约为30家。

　　1.2 余弦相似度构造

　　采用余弦相似度方法，结果显示平安银行和贵阳银行的相似度为0.74，表明两者在行分类上的一致性较高。通过这种方法构建的连续型行业分类在选股中表现出色，能有效缓解原始行业动量因子存在的第10组收益锐减问题。

　　1.3 选股应用

　　在利用连续型行业分类构造的因子进行选股时，发现收益表现显著提升。具体回测显示，相较于原始因子，新因子的表现优异，年化收益率提升至24.3%。经过关联度过滤，选股因子的表现更加稳定，夏普比率在2.5以上，显示出良好的投资潜力。

　　二、改进行业动量因子

　　本节讨论如何利用连续化行业分类关联改进行业动量因子的表现。通过剥离行业内部动量溢出，提取非溢出残差动量部分，发现该因子在不同周期中的表现更为强劲。回测显示，非溢出残差动量因子在周频、双周频和季频的表现均优于原始行业动量因子，且未出现预测能力下降的趋势。

　　2.1 原始行业动量因子表现

　　回顾原始行业动量因子，发现其在2017至2022年间表现稳定。然而，2023年起因子表现波动加大，整体趋势震荡。通过比对原始行业动量因子和行业内部溢出动量因子的表现，观察到两者走势一致，且失效节点存在明显耦合现象。

　　2.2 结合连续型行业分类

　　最终，在剥离行业内溢出动量后，结合连续型行业分类构建的新因子实现了更高的收益率和更低的回撤，显示出显著的改进成效。这一改进为行业轮动策略提供了新的思路，并为后续的投资组合优化提供了有力支持。