行业轮动系列(一)：+截面回归下的中观行业轮动策略-241218-江海证券-20页.pdfVIP

证券研究报告·金融工程深度报告2024年12月18日江海证券研究发展部

金融工程研究报告

金融工程研究组行业轮动系列（一）：截面回归下的中

观行业轮动策略

分析师：梁俊炜

执业证书编号：S1410524090001核心内容：

◆本文从中观层面出发，运用行业的量价信息构造截面回归模型，进而搭建行业轮

联系人：朱威动策略。我们认为，中观层面的行业轮动直接使用行业层面的信息，既不会像使

执业证书编号：S1410124010022用宏观数据时那样具有滞后性，也不像由个股特征推导至行业特征那样受到人为

干预的影响，因此中观层面的行业轮动普适性较好，可行性与灵活性也较高。

◆本文所使用的截面回归模型核心思想与传统的股票多因子模型无异：以所有行业

上一期的因子作为解释变量对所有行业当期收益率进行截面回归，得出因子收益

相关研究报告

率后并对因子下期收益率进行预测，进而可以预测行业下期收益率。

1.金融工程深度报告：股票多因子

系列（一）：量价类因子实测—基◆具体到实测环节，本文首先在Barra模型的基础上进行了筛选与改造，由此形成

于BarraCNE6–2024.04.15了一系列指数层面的大类因子，并通过这些因子与截面上行业的收益率回归得出

2.金融工程深度报告：股票多因子因子的收益率序列。在预测行业下期收益率时，本文选用了三种方案首先预测因

系列（二）：基本面类因子实测—子的下期收益率：

基于BarraCNE6–2024.05.221)历史均值法（MA）：采用过去N日因子收益率的均值估计下期因子收益率。

3.金融工程深度报告：股票多因子2)指数移动平均法（EMA）：同样使用历史因子收益率估计下期因子收益率，

()

系列（三）：机器学习在多因子组赋予当下时间点更高的权重系数(∈0,1)。

合中的应用–2024.09.123)HP(Hodrick-Prescott)滤波法（HP）：滤波得到趋势项与周期项，以趋势项最

4.金融工程深度报告：SmartBeta新值除以回看期长度作为下期因子收益率的估计。

系列（一）：红利指数增强策略初

探–2024.06.23◆除了采用不同方法估计因子收益率外，本文还考虑扣费后（双边0.05%）与加入

5.金融工程深度报告：衍生品量化风控（ES与DD）后策略的表现。结果显示，各策略均较基准指数有着显著的超

系列（一）：可转债多因子模型初额收益，表明行业轮动模型可以较好地在截面上选出未来强势行业，有效性较

探-2024.07.26高，且在适当程度的风控（0.4ES，0.5DD）水平下，以牺牲微弱年化收益为代

价，策略的夏普率与卡玛比率有了进一步的提升。

◆风险提示：

➢本报告可能存在数据缺失、数据错误、数据不及时、模型处理错误等风险。本报

告仅从金融工程角度，对权益市场数据进行统计、分析，不构成对市场指数、行

业或个股进行预测或推荐。

➢本报告涉及的策略搭建方法仅供参考，不构成任何投资建议。本报告回测结果仅

依赖于过去公开数据，不代表未来收益，随着市场变化，所测试的结果与研究结