华泰 | 金工：基于市场展望信息构建行业轮动策略

来源：市场资讯

（来源：华泰证券研究所）

公募基金等机构投资者通常有着更高的市场敏感度与信息优势。公募基金季报中定期公开的市场展望，就是观测机构投资者观点的重要窗口之一。在2025年1月25日发布的《十问透视主动权益基金四季报重要变化——基金选品系列研究之二》中，我们对公募主动权益基金的市场展望文本进行分析后，得出了行业情感打分与未来收益有一定正向关联的结论。本报告中我们进一步优化测算规则并构建了季频行业轮动策略，2016/1/22-2025/7/21期间年化收益约为16.23%，相比同期所有行业等权基准的超额收益为14.37%。过去10年中9年获得正超额。

公募基金市场展望文本中，行业情感得分与未来收益之间存在正向关联

公募基金等机构投资者通常有着更高的市场敏感度与信息优势。公募基金季报中定期公开的市场展望，就是观测机构投资者观点的重要窗口之一。在2025年1月25日发布的《十问透视主动权益基金四季报重要变化——基金选品系列研究之二》中，我们对公募主动权益基金的市场展望文本进行分析后，得出了行业情感打分与未来收益有一定正向关联的结论。本报告中我们进一步优化测算规则并构建了季频行业轮动策略，2016/1/22-2025/7/21期间年化收益约为16.23%，相比同期所有行业等权基准的超额收益为14.37%。过去10年中9年获得正超额。

从基金市场展望中提取行业观点：关注度和情感得分的计算方法

文本信息的分析包括词频与情感两个维度，若某个行业及行业相关词汇在多只基金的市场展望中出现，说明该行业是当前公募基金的关注焦点，也说明后续对该行业的情感打分是基于较大的样本量得出的，能够相对客观地反映市场共识。我们首先通过行业关键词映射表定位包含行业的短句，并计算各行业在公布市场展望基金中的出现频率作为行业关注度，再基于GPT+FinBERT扩充后的金融情感词典量化该短句内情绪的极性和强度，从而得到行业情感得分。

基于市场展望信息构建行业轮动策略，去除行业主题基金后策略收益提升

策略构建规则是，每季度基于市场展望文本计算各一级行业的关注度和情绪得分，筛选在同期行业中的排名分位高于规定阈值的行业作为下季度的配置标的，若所有行业均未同时满足关注度和情绪得分条件，则放宽关注度条件，从满足情绪得分要求的行业中选取关注度最高的行业。季频策略年化收益率为13.47%，季度胜率57.89%，超额收益盈亏比1.77，过去十年仅有2023年超额为负（-3.82%）。去除行业主题基金后，策略年化收益提升到16.23%，季度胜率63.16%，盈亏比1.86，相较原始策略有明显提升。

2025Q2市场展望文本：传媒、银行、军工等情感打分较高且关注度较高

2025年二季度市场展望中获得较高关注的行业中，情感打分排名前五且关注度较高的行业有传媒、银行、国防军工等；计算机和电子行业的关注度较高，情感打分分别排在第六和第七；轻工制造情感得分最高，但关注度较低；商贸零售、房地产、食品饮料等行业情绪打分排名较为靠后。

正 文

01 引言

公募基金市场展望文本中，行业情感得分与未来收益之间存在正向关联

公募基金等机构投资者通常有着更高的市场敏感度与信息优势。一方面，机构投资者能够从更体系化的视角对大量宏观周期、中观数据和微观交易数据进行分析，从而更加敏锐地感知市场变化。另一方面，机构投资者可以通过深入调研获得更多的有效信息，从而更加准确地预测个股或行业的基本面变化。公募基金季报中定期公开的市场展望，就是观测机构投资者观点的重要窗口之一。

在2025年1月25日发布的《十问透视主动权益基金四季报重要变化——基金选品系列研究之二》中，我们首次对公募主动权益基金的市场展望文本进行了情感打分和词频分析，得出了行业情感打分与未来收益有一定正向关联的结论。如下图表所示，横轴为行业情感打分的排名百分比，用过去10年的历史数据来看，市场展望中情感打分排名前20%的行业（对应下图表中[0%, 20%)）在未来一个季度（当前季报公布日到下一个季报公布日）的平均超额收益率（超额计算基准为所有行业平均收益）为五组中最高，而情感打分较低的行业下期平均收益也较低。

基于市场展望文本信息构建季频行业轮动策略，年化收益超16%

基于上述结论，我们进一步优化打分规则，并以此构建了季频行业轮动策略，2016年1月22日-2025年7月21日期间年化收益约为16.23%，相比同期所有行业等权基准的超额收益为14.37%。过去10年中有9年获得正超额。

02从基金市场展望中提取行业观点：计算关注度和情感得分

约有30%左右的基金公布市场展望，样本量可支持后续分析

词频统计和情感分析需要足够的样本量支持，因此首先要对公布市场展望的基金数量和占比进行测算，保证后续分析的可靠性和有效性。2015年至今，单季度公布市场展望的主动权益基金数量最少为367只，且近年来呈现增加的趋势，但该数量在所有基金中的占比相比2015-2016年有所下降。说明文本分析的样本量足够，但分析结果在全部基金中的代表性或有所下降。

主动权益基金可以定量划分为行业主题基金和全市场选股基金两种类别，两类基金中公布市场展望的基金数量占比相近，但其关注内容差异较大。全市场选股基金的市场展望相对聚焦于板块和一级行业，而且会相对客观且相对明确地给出正面或负面观点，对行业配置策略的参考价值相对较高。

行业主题基金则通常围绕重仓行业板块内相对看好的二级/三级行业给出观点和展望，较少给出负面评价，更多强调细分行业投资机会。而我们后续的策略构建是围绕一级行业进行的，对细分行业观点的处理方法是映射到一级行业，因此在我们的处理方法下，行业主题基金对一级行业的情感得分或存在过度乐观的问题（例如TMT板块基金对内部行业的打分结果，与全市场选股基金对相同行业的打分结果有较大差异）。若我们将策略的关注点下沉到二三级细分行业，会导致每个行业内部的样本量过少，合理性也较低。因此，我们在后续策略优化中去除了行业主题基金，策略超额收益及超额稳定性均有所提升。

文本信息量化：行业关注度与情感得分的计算

文本信息的分析包括词频与情感两个维度，若某个行业及行业相关词汇在多只基金的市场展望中出现，说明该行业是当前公募基金的关注焦点，也说明后续对该行业的情感打分是基于较大的样本量得出的，能够相对客观地反映市场共识。若某个行业出现频率较低，则说明该行业的情感得分或由少数基金得出，可靠性较低。

我们首先通过行业关键词映射表定位包含行业的短句，并计算各行业在公布市场展望基金中的出现频率作为行业关注度，再基于金融情感词典量化该短句内情绪的极性和强度，从而得到行业情感得分。

行业关注度计算：将细分行业和具体产品信息映射到一级行业，计算一级行业出现频率

第一步，构建行业关键词映射表

在提取行业关键词时，我们注意到基金经理会使用差异化的表述，也会围绕细分行业给出观点，因此需要首先构建映射表，将关键词及二级行业名称映射到一级行业。映射表示例如下。

第二步，提取并定位行业信息

使用行业关键词映射表对文本进行扫描，当短句中出现关键词时，记录该短句对应的行业标签及出现位置，便于后续计算行业情感得分。

第三步，计算行业关注度

我们使用展望中提及该行业的基金数量在当期公布市场展望的基金总数中的占比，来计算行业关注度。此处我们以基金数量而非词频计算行业关注度，可以规避部分基金经理反复提及某一词汇导致词频异常提升的潜在问题，提升指标的合理性。

情感得分计算：基于金融情感词库，得到行业所在短句的情感极性与强度

第一步：基于已有情感词典，构建针对市场展望样本的金融情感词库

金融情感词典在学术研究中已有广泛应用，早期如Tetlock (2007) 在其研究中使用《华尔街日报》市场专栏中的文本，对基于哈佛心理社会词典（Harvard IV-4）的GI文本分析系统进行优化调整，使其更适配于金融文本的情绪分析。Loughran and McDonald (2011) 则使用1994年-2008年期间的10-K报告的MD&A部分中提取高频词，人工标注金融语义，构建了金融专用词典。解决了通用词典在金融语境中严重的误分类问题，提升了金融文本情绪分析的准确性。近年来以BERT为代表的深度语言模型正被广泛用于金融文本情感分析，提升了金融领域情感词汇标注的效率。

借鉴学界的经验，为了提升行业情感打分的稳定性和准确率，我们不直接使用大语言模型进行打分，而是使用大语言模型优化扩展后的情感词典来计算情绪得分。目前，情感词典在文本情绪分析中已被广泛应用，我们选择了两种公开的情感词典作为基础：

· 大连理工大学情感本体库 ：提供了一套层级化的中文情感词汇分类体系，包含对情感词汇的极性（正面或负面情绪）和强度（情感表达的强烈程度）评分，适用于需要细粒度情绪识别的任务。

· 中文金融情感词典（姜富伟等） ：提供了经领域标注的金融术语情感极性等特征，对金融文本分析的适配度更高，但无情感强度标注。

随机抽取几期市场展望文本样本，我们发现仍有部分金融领域的情感词汇未包含在现有词典中，且部分复杂情感句式在匹配中容易出现歧义，如双重否定句、隐含反问句、双重情感词等形式，需要更精准的规则处理。对此我们通过人工标注的方式，向词库中补充了未覆盖的情感词，并对常见的歧义句式进行正则化处理后同样补充进词库。

第二步：采用GPT+FinBERT补齐缺失的极性和强度标注

大连理工大学情感本体库中的词汇包含完整的极性或强度标注，而中文金融情感词典以及人工加入的补充词汇则缺少完整标注。本报告中，我们利用GPT生成包含未标注情感词的文段，进一步利用FinBERT对文本中的情感词进行分类和标注，对上述情感词的极性和评分进行补充标注。

我们首先设计了特定的Prompt，输入市场展望文本语料，帮助GPT学习其行文逻辑、关注方向及文本特征。随后每次随机从词库中抽取20个情感词汇，利用GPT将上述词汇串联成符合市场展望语境的金融文本。

生成文本后，我们进一步使用FinBERT对文本中的情感词进行分类和标注。我们以包含情感极性和强度标注的大连理工大学的金融情感词库，作为BERT微调的基础训练数据。使用微调后的BERT，对极性或强度信息缺失的词汇进行重新标注。

第三步：基于完善后的金融情感词典，计算行业关键词所在短句的情感得分

在行业关注度计算部分，我们已经提取出了包含行业关键词的短句。将短句与完善后的金融情感词汇库进行匹配（优先与复杂情感句式进行匹配，避免出现歧义），可获得短句的情绪极性与强度得分。若分句中存在多个情感词，取其均值作为该分句的最终情感得分。报告期内各行业的情感分值，是先在基金内部求得各行业情感分值的算术平均，再在基金之间求算术平均，规避同一段市场展望中反复强调看好或看空某一行业的情况。

03基于市场展望信息构建行业轮动策略

规律发现：行业情绪得分与下一季度超额收益有一定正相关性

构建策略前，我们首先尝试检验关注度和情绪指标对下一季度（当前季报公布日到下一个季报公布日，并非自然日，下同）行业收益率的预测效果。我们每期按关注度与情绪得分对所有行业降序排列后划分为五组，统计落在对应区间内的行业在下一季度内的平均绝对收益率，超额收益率以及胜率。

如左下图所示，关注度指标与下一季度的超额收益并无明显的正相关或负相关关系，但值得注意的是公募基金经理关注度最低的行业组别，下一期获得正超额的概率以及平均收益率均较低。此外，关注度较低的行业，其情绪得分计算所用样本量也相对较少，可靠性相对较低，因此该指标依然可以作为辅助指标进行行业筛选，提升策略收益稳健性。

右下图结果则显示，行业情绪得分与下一季度的超额收益和胜率（超额为正的概率）有一定的正相关性。情绪得分最高的行业（[0%, 20%]）未来一个季度的平均收益和平均超额收益均为五组中最高；而情绪得分较低的行业（[80%, 100%]），未来一季度的收益率和胜率都相对较低。

回测结果：季频轮动策略年化收益率超过13%，夏普比率达0.62

策略构建：文本情绪与关注度指标分位筛选行业开仓，无行业则放宽关注度条件

我们进一步尝试结合行业关注度和情绪得分筛选行业并以此来构建行业轮动策略：

1、投资标的：一级行业指数

2、回测区间：2016-1-22至2025-7-21

3、调仓频率：季度（每季度末自然日后第16个交易日调仓）

4、交易费用：暂不计算

5、策略逻辑：每季度基于市场展望文本计算各一级行业的关注度和情绪得分，筛选在同期行业中的排名分位高于规定阈值的行业作为下季度的配置标的，若所有行业均未同时满足关注度和情绪得分条件，则放宽关注度条件，从满足情绪得分要求的行业中选取关注度最高的行业。

季频轮动策略回测结果：年化收益率13.47%，夏普比率0.62，季度胜率超过57%

从回测结果来看，若开仓文本情绪指标与关注度指标分位阈值参数设为10%和40%（即每期选择情绪得分在同期行业中排名前10%（前3名行业）、关注度排名前40%（前12个行业）的行业），策略收益水平和收益稳定性相对较好。策略年化收益率为13.47%，年化超额为11.61%；Sharpe比率0.62，Calmar比率为0.33；与等权行业组合相比，季度胜率57.89%，超额收益盈亏比1.77，年度胜率90%，过去十年仅有2023年超额为负（-3.82%）。

参数稳健性检验：同一情绪阈值条件下，关注度阈值为40%时策略收益到达峰值

对两个参数进行稳健性检验后可知，情绪指标阈值为10%时的策略收益显著高于更宽松的阈值（右下图）。而关注度得分在40%以下时，策略收益会随着关注度阈值的放宽而缓慢增加，而关注度得分在50%以上时，策略收益会随着关注度阈值的放宽而逐步下降。

其他指标测试：情绪打分优先级高于关注度，边际变化指标效果不佳

此前的实证中，在情绪和关注度的双重筛选下没有行业入选时，我们优先保证情绪打分高的行业入选，放宽关注度指标要求。本小节中，我们补充测试了无行业入选时另外两种处理方法的结果，左下图的处理方法是配置基准组合，右下图的处理方法是优先保证关注度高的行业入选，两种处理方法下策略收益均有显著下降。说明情绪打分在策略中的优先级高于关注度指标。

接下来，我们分别将关注度与情绪指标替换为边际变化指标，并以总收益率筛选最优参数组合。结果显示，采用关注度边际变化的最优策略年化收益率仅为4.40%，而采用情绪指标边际变化的最优策略年化收益率仅为4.51%。可见边际变化指标对行业未来收益的预测能力相比原指标仍存在一定差距。

策略优化：去除行业主题基金后策略效果显著优化

在策略优化过程中，我们注意到行业主题基金市场展望对一级行业的情感打分结果与全市场选股基金对相同行业的打分结果有较大差异。原因在于行业主题基金的市场展望中更关注二三级细分行业的投资机会挖掘，而我们在测算行业情感打分时，是将二三级行业的观点映射到一级行业再进行后续处理。在我们的处理方法下，行业主题基金对一级行业的情感得分或存在过度乐观的问题。

我们尝试剔除行业主题基金，仅采用全市场选股基金的市场展望信息构建策略，策略收益进一步提升：策略年化收益提升到16.23%，最大回撤仍为41.07%，夏普比率为0.72，胜率63.16%，盈亏比1.86，相较原始策略收益有明显提升。

此外，我们又补充测试了以下内容：①使用绩优基金市场展望信息构建行业轮动策略；②剔除规模较小基金的市场展望文本；③使用情感打分和关注度指标及其边际变化指标构建多因子策略。以上策略修改思路效果不好或存在过度调参的问题，因此仅在附录中展示。

04最新季度市场展望分析

在全样本下，回看2024年四季度和2025年一季度的预测效果，并分析2025年二季度的行业关注度与情感打分：

· 在2024年四季度市场展望获得较高关注的行业中，情感打分较高如汽车、计算机和银行，在接下来的一个季度（收益计算区间为2024四季报公布日到2025一季报公布日，并非自然季度）相对沪深300指数均有一定的超额，而一些关注度或情绪打分较低的行业，比如综合和煤炭，其收益率也相对较低。

· 在2025年一季度市场展望获得较高关注的行业中，情感较高的行业如电子、传媒和医药生物，在2025年一季报公布日到2025年二季报公布日区间内，三个行业相对沪深300指数也有一定的超额。一些关注度或情绪打分较低的行业，比如商贸零售、社会服务和煤炭等，其收益率也相对较低。

· 在2025年二季度市场展望获得较高关注的行业中，情感打分较高且关注度较高的行业有传媒、银行、国防军工、计算机、电子等；商贸零售、房地产、食品饮料等情绪打分较低。

对非行业主题基金的市场展望文本进行分析，结论与全样本较为一致：

· 在2024年四季度市场展望获得较高关注的行业中，情感打分较高如汽车、计算机和银行，在接下来的一个季度相对沪深300指数均有一定的超额，而一些关注度或情绪打分较低的行业，比如综合和煤炭，其收益率也相对较低。

· 在2025年一季度市场展望获得较高关注的行业中，情感较高的行业如电子、传媒和机械设备，在2025年一季报公布日到2025年二季报公布日区间内，三个行业相对沪深300指数也有一定的超额。一些关注度或情绪打分较低的行业，比如商贸零售和煤炭等，其收益率也相对较低。

· 在2025年二季度市场展望获得较高关注的行业中，情感打分的行业有传媒、银行、国防军工、电子、计算机等；商贸零售、房地产、食品饮料等情绪打分较低。

风险提示：

1、策略模型根据历史规律总结，历史规律可能失效。

2、本报告不涉及证券投资基金评价，不涉及对具体基金产品的投资建议，亦不涉及对具体个股的投资建议。

3、择时策略参数均通过全样本参数寻优得到，可能存在过拟合风险。

研报：《基于市场展望信息构建行业轮动策略》2025年8月20日

研究员：林晓明 S0570516010001｜BPY421

研究员：刘依苇S0570521090002｜BSU078

研究员：何 康 S0570520080004｜BRB318