机器学习系列：投资应用专题，聚焦景气、政策与流动性，探索基本面量化投资应用(202211).pdfVIP

机器学习系列：投资应用专题

聚焦景气、政策与流动性，探索基本面量化投资应用

核心观点

A股行业间投资表现差异化显著，近年行业间收益分化加剧，聚焦行业配置策略创新。

近年行业涨跌幅分化且轮动加速，配置收益不断增厚。中信证券一级行业月度涨跌幅标准差，从2020年的3.9上涨至2022年6月的6.1，导致

行业配置能获取到的超额收益也在不断增加。2011年至2022年，所有行业相对上证指数的月度超额涨跌幅的平均极值差达到20.67%。

面向基本面量化挖掘新指标，同时服务基本面研究与量化研究。基本面量化逐步成为基本面研究与量化研究的共同新趋势，基本面研究以高

频、客观的数据为基础面向行业配置给与决策支持，量化研究通过引入基本面因子降低决策频率并提升产品容量。

借助技术支点搭建景气、政策与流动性等行业特征数据，形成基本面量化指标，探索把握行业轮动节奏。

基本面指标与传统行业轮动指标的相关性低且频率低，更加适合低频配置策略的构建。我们以月频行业配置作为指标应用场景，借助技术手

段将大量基本面指标、政策文本、流动性指标处理成为政策情绪、景气分位、流动性三个综合指标，结合不同指标特征进行处理与回测。

单指标的参数测试与行业配置回测。（1）景气分位回测对年内边际变化相对更加敏感，当前市场不适合仅仅对景气度指标进行过长时间分

位数处理。分位数取12个月单指标月度配置3个行业年化超额收益率为9.98%，最大回撤为-16.20%。（2）政策情绪博取收益的两类来源分

别是短期主题和长期配置，单指标月度配置3个行业年化超额收益率为10.02%，最大回撤为-17.62%。（3）流动性指标回看时间越长，回

测收益相对更高且更加稳定。行业配置数量为1时存在流动性过热风险，我们选择主动降低流动性最高行业的打分，以避免该情况的影响。

基于相关性较低的多个基本面量化指标，以线性模型构建综合行业配置策略。

以政策情绪与景气分位两个因子作为行业选择的主要信息，融入流动性因子稳定行业配置结果，并进行指标融合的参数测试。回测从2018

年1月至2022年10月，策略绝对收益率、相对全行业等全配置超额收益率、相对沪深300超额收益率分别：90.02%、88.83%、102.98%，

最大回撤为-16.75%，相对沪深300年度超额胜率、月度配置超额胜率、月度行业配置超额胜率分别为80%、77.27%、54.39%。

风险提示：统计模型依赖的历史规律可能会失效；数据覆盖度不足。2

CONTENTS

目录

1.短期行业轮动速度加速，中观行业配置有效性提升

–A股具有明显的行业轮动特征，行业配置是重要的收益来源

–行业配置的指标体系梳理

2.基于基本面量化通用指标的投资应用测试

3.综合中观行业配置策略构建与测试

3

1.1A股具有明显的行业轮动特征，行业配置是重要的收益来源

各年行业表现差异和行业轮动情况历年行业涨跌幅最高与最低的轮动

最大值最小值行业涨跌幅标准差（右轴）标准差均值（过去12月/右轴）2011年2012年2013年2014年2015年2016年

5016

涨银行房地产传媒非银行金融计算机食品饮料