來源: xyquant

領域輪動是權益投資中受到廣泛關注和獲得相對利益的重要手段。 本報告比較區域輪換，首先處理以下問題:

1、區域輪動主要有那些做法嗎？ 各有優劣嗎？

2、興業金工在領域輪作方面以前做過那些努力嗎？ 還有那些問題嗎？

3、中信一級領域之間可以根據業務優勢和市場表現重新執行分類和聚類嗎？

4、各領域的市場表現影響因素有那些嗎？ 你怎么評價這些因子？

5、如何結合各決策因子形成區域的時間選擇信號，形成最終區域的輪回戰略？

本報告是系統化資產配置系列的第二篇，重點整理中信一級區域間表現的相似性，重新聚類區域，構建基于大分類區域表現的區域選擇時方案，構建區域循環戰略，獲得相對區域等權組合的超額收益

因為這個模型是在年8月初建立的，所以樣本內的數據從2004年12月31日到年8月3日，在建立模型后，我們每天追蹤各因子的表現，最終形成真正的樣本外的純曲線(年8月4日到2019年9月9日)

風險提示:本報告的結論基于歷史數據，在市場環境轉換時模型有失效的風險。

?

報告正文

1

區域輪換戰略:從區域再聚類出發

1.1領域輪流戰略當前的首要做法及其優劣分析

傳統的領域輪流策略通常基于中信領域或申萬領域進行輪流，但通常基于截面分解，類似于多因子選擇株。 即，尋找影響整個領域的共同因子，根據領域因子的評分對整個領域進行排序，進而選擇“特征區域”和“劣勢區域”，據此構建多空的組合或純多頭的組合。 另一個是分別構建整個區域的時間選擇模型，根據每個區域的時間選擇模型的結果，決定在下一期配置的區域，基于形成區域循環戰略的時間序列分解。

?

兩種做法各有優劣，前者直接比較各領域的因素，符合選擇“特征領域”和“劣勢領域”的基本思想，但領域本身一般數量少(中信一級領域共計29個)，有些領域關聯性太高(例如輕工制造和紡織) 因此，許多文獻中使用的第一因子是運動量當量因子，價值量因子長期受益匪淺，但會發生大的撤回( momentum crash )，增加輪回的風險。 興業證券金融工程團隊在斷面模型上進行了年改善(見報告書《基于不同市場狀況下領域的輪回戰略》，明明)。 重新選擇截面分解的因子時，即把市場劃分為不同的市場狀況，在不同的市場狀況下選擇不同的因子對所有的區域進行排序，捕捉到不同市場環境下投資者的關注要素。 第二種方法是為各個領域構建時間選擇戰略，因此在領域較多的情況下，越來越難以通過涉及多個領域的中觀因子構建戰略，由于一部分及領域表現的關聯性過高，因此縮小維度，表現市場股票和根據主要業務 我們認為有必要根據新的分類構建時間選擇指標，形成新的風格回合戰略。

?

1.2重新進行區域群集

從前面的分析可以看出，無論是基于因子的截面模型還是基于時間序列的選擇模型，區域的分類都很重要，但良好的區域分類應該綜合考慮區域的主要業務和區域的表現，總部首先就區域的表現重新聚類中信一級區域，各區域之間的連 因為可以針對每個2個區域計算關聯性，所以可以針對每個2個區域定義“距離”，如果有29個中信一級區域，則合計有29*28/2=406個“距離”，不方便觀測區域間的優勢，因此導入到圖論中的“最小生成樹”

?

最小生成樹

簡單地說，最小生成樹是無權重無向圖中權重最小的生成樹，具體地說，在某無向圖g = (v，e )中，( u，v )表示連接頂點u和頂點v的邊，w(u，v )表示這一邊的權重，

的w(t )最小時，該t是g的最小生成樹，最小生成樹其實是最小權重生成樹的簡稱。

最小生成樹提供了一個簡單的方法，注意所有區域的“距離”，刪除“距離”的遠邊，剩下的邊表示我們應該關注的消息。

?

使用最小生成樹簡化第1級的區域

計算2005年1月至2019年8月各行業每月收益率的兩個相關矩陣如下

兩個區域間的距離矩陣d

其中，m是區域的個數。

可知兩個領域的關聯性越高距離越近，關聯性為1時表示兩個領域的趨勢完全一致，此時定義的距離為0。 按照最小生成樹kruskal算法，可以生成如下圖所示的一次區域最小生成樹。 根據最小生成樹的定義，如果兩個節點之間沒有連通的邊，表示兩者的距離很遠，即關聯性很低。 從下圖可以看到，整個照片大致被“分割”成了四大部分。 例如，計算機、介質、通信和電子部件之間相互連通，但與其他領域不連通。 這四個領域是一般基本面拆師口中的“tmt”領域，房地產、銀行、銀行以外的金融是我們通常稱之為“大金融”領域。 其他兩大部分分別和“大金融”一樣。

?

1.3中信風格分類綜合考慮了領域的主要業務和領域的表現

通過上述最小生成樹的分解，有可能重新凝聚市場上所有行業，綜合考慮領域的業務優勢，充分符合基本面的分解邏輯，因此在本報告中，將中信風格分類用作大領域的分類基準。

中信證券風格系列指數基于中信證券的三級領域分類標準，根據中信在各三級領域設定的風格標簽將股票分為金融、周期、費用、增長及穩定五大類，各大分類指數根據股票流通的市場價格進行加權

我們提取了年8月的5大中信風格指數的成分股，計算了各中信1級領域和2級領域的市場價格占有率，風格指數的區分與1.2部分的最小生成樹的各部分一致度高，唯一的區別是中信風格指數單列“穩定風格”

從各流派風格指數的歷史表現來看，花時間表現最好，花時間贏得市場，但金融領域表現出強脈沖效應，周期領域從年開始長時間跑輸標準。 從各類別風格指數超額收益的相關性來看，各類別的風格指數普遍較低，其中金融與周期的相關性最低，達到-53%，可能與周期偏差攻擊、金融偏差防御有關。

?

2

風格系數選擇時的方法介紹

2.1基于時間選擇因子的構建

本報告致力于探索影響各風格指數的因素，分別構建時間序列模型。 因子是量化分解的素材，本文建立了邏輯上可能影響各風格指數的因子庫。 分別包括實體經濟、通貨膨脹水平、市場資金流動性、市場風險偏好、板塊自身優勢和市場間新聞。 具體如下表所示。 在最終模型中，各種風格的選擇因素不同，例如商品價格影響循環領域的利潤，影響循環領域的趨勢等，但不一定會對其他板塊的趨勢產生很大的影響。 這樣的指標最初適用于循環風格指數的選擇。

?

2.2時間選擇系數數據調整

宏觀經濟因子一般更新頻率低，一般其發行具有延遲性，因此在解決宏觀數據時考慮宏觀因子的發行時間，即不要“窺視”將來的數據，只在數據發行后才重新發行的宏觀經濟因子

本論文最終分別構建了定期選擇時和不定期選擇時的兩個模型(實際上定期選擇時是不定期選擇時的一個樣本)，但由于各數據的更新頻率和更新時間不同，所以需要將所有的因子統一為相同的頻率，要統一為相同的頻率，以下

?

統一為低頻數據:將所有因子統一為低頻因子。 例如，有日頻率的shibor利率，但可以將每月的最后一天或本月所有日的平均值用作該每月的shibor因子。

統一為高頻數據:將所有因子統一為高頻因子，即盡管不能得到日頻率的宏觀經濟數據，但在高頻時刻可以用一點手段進行映射。 例如，根據新聞的獲得時間，在二次因子的更新時間前嵌入上次更新數據的方法，得到高頻數據是直觀方便的。

?

以前傳來的統一頻率方法以第一種為中心，該方法的優點是數據井然有序，容易以低頻為基礎預測資產的長期收益，而且倉庫的頻率是固定的，所以比較有效地控制交換率 但其缺點也很明顯:首先宏觀經濟數據的更新不一定及時，各種指標的延遲更新長度不一定一致，所以很難在時間維度上很好地對齊各因子。 其次，新數據發表后，除非是我們調整倉庫的低頻時刻，否則該消息不會準確及時地反映在模型中，因此我們將所有的因子統一為高頻因子(本文調整為日頻率)，因子的兩次更新期間的數據

?

3

因子信號生成機制及其合成

3.1三分位法t統計量結構機制

從戰略表現的角度來看，我們追求的是戰略夏普的比率足夠大，即每單位風險的收益足夠大。 對于單一因子，為了測定其預測效果，作為信號生成機構采用3分位點法明確了將來的投資信號。

三分位點方法是根據指標的注意樣本數據明確上下三分位點，結合該指標的方向邏輯，明確下一期的頭寸方向(分別對應多看，和平看，空個方向)，進一步不同的分位點方案

其中:

t統計量越大，證明該因子的發行越多和空信號未來收益的差異越顯著，其預測效果越好。 使用我們之前構建的基于因子的數據進行測量時，發現t統計量的值與我們要求的夏普比率(不考慮手續費和交易摩擦)的關聯性非常高，可以將t統計量是否顯著作為因子預測效果的重要測量指標。

?

. 2時間因子疊加方法介紹

我們在因子庫中因子很多，所以各種因子的“同質性”可能很強。 由于各因子之間選擇時表現的關聯性很高，所以各選擇時因子信號的疊加用等權結合方法(“cta戰略系列報告書的5 :商品量化基本面研究框架的搜索的螺紋鋼”不合適。 本報告使用了因子簇的再等權方法，即某種風格。

step 1:隨機將n個因子中的幾個作為初始值，使用kmeans方法(用“correlation”的距離定義所有n個因子的方法)分類為3種uk，k = 1，2，3。

步驟2 :各大分類中各因子的信號是使用該大分類中的因子信號等的權重而得到的:

但是，|uk|是uk中的因子個數。

step 3:最終，這種風格的選擇時因子信號是三種信號的等權。

step4:重復step1- step31000次，是得到全部的sign算術平均，即該風格的最終選擇指標，該指標越大，表示越能看到該風格未來的表現。

?

4

選擇時及區域輪的樣本內外表現

4.1各風格指數樣本內外選擇時表現

由于這個模型是在年8月初建立的，樣本內的數據從2004年12月31日到年8月3日，在建立模型后，我們每天跟蹤各因子的表現，最終形成了真正樣本外的純曲線。

選擇本報告時的目標是各大分類風格的超額收益率(相對于等權配置)，因此分別計算樣品內外各大分類的超額收益率選擇時的年化收益和收益變動比，在樣品內對各大分類有非常好的表現，在樣品外是最優先的

?

4.2根據各類別的樣式指數選擇時的樣式輪策略

根據3.2的各大分類風格的評分( sign )，在各調倉節點上按降序排列所有大分類風格的評分，分數越高表示模型看到這樣的風格的未來表現，分別計算選擇不同排序的風格指數的戰略表現 具體而言，如果評分順序為1，則各交換節點選擇配置當前所有風格指數中得分最高的，如果觀測和交換頻率為日頻率，則稱為不定期的交換倉庫，如果每月末進行評分順序確定下個月的持倉，則與月頻率交換倉庫

?

從下表可以看出，評分順序越高，風格指數的表現越好，隨著評分順序的降低，年化收益率和最大回歸顯示了良好的單調性。 第一位指數在不定期調倉條件下，樣品內的年化收益率達到50.2%，遠高于其他排名指數和5種風格等權利表現，撤回也更低，樣品外也同樣優秀(觀察到這是真正的樣品外)，年

因為月頻率調倉是日頻率調倉的采樣，所以如果每月末觀測各指數的評分情況，下個月配置的指數就會明確，月中間不進行調倉，此時的輪轉利益依然很好，樣品內第一位指數的年化收益率是40。

?

風險提示:本報告的結論基于歷史數據，在市場環境轉換時模型有失效的風險。

?

全天候滾動播放最新的財經信息和視頻，越來越多的粉絲福利掃描二維碼備受關注( finance )。