量化模型与构建方式 1. 复合行业轮动因子模型 1.1 基本面景气度复合因子 * 模型名称：基本面景气度复合行业轮动因子[4][8][14] * 模型构建思路：从基本面景气度维度，选取资产质量、成长能力、营运能力、盈利水平、议价力等方向的多个有效财务指标，构建复合因子以预测行业未来表现[4][8][14][15]。 * 模型具体构建过程： 1. 基础数据处理：以申万一级行业为分类标准，基于行业内个股的财务数据，采用整体法计算行业指标[9][15]。 2. 单因子构建：构建了12个有效财务指标因子，具体如下[15]： * TTM应收账款周转率环比增长：采用近4个季度（TTM）数据计算行业应收账款周转率，再计算环比增长（当季-上季）[17]。 $行业应收账款周转率 = \frac{\sum 个股营业收入\_TTM}{\sum 个股应收账款\_TTM}$ * 报告期末流动资产比例同比增长：采用报告期末数据计算行业流动资产比例，再计算同比增长（当季-上年同季）[18]。 $行业流动资产比例 = \frac{\sum 个股流动资产\_报告期末}{\sum 个股总资产\_报告期末}$ * 报告期末速动比率同比增长：采用报告期末数据计算行业速动比率，再计算同比增长[19]。 $行业速动比率 = \frac{\sum 个股速动资产\_报告期末}{\sum 个股流动负债\_报告期末}$ * TTM存货周转率同比增长：采用TTM数据计算行业存货周转率，再计算同比增长[20]。 $行业存货周转率 = \frac{\sum 个股营业成本\_TTM}{\sum 个股库存\_TTM}$ * 报告期末客户议价力同比增长率：将应收账款定义为客户议价力，采用报告期末数据计算，再计算同比增长率（当季/上年同季-1）[21]。 * 报告期末供应商议价力环比增长：将应付账款定义为供应商议价力，采用报告期末数据计算，再计算环比增长[22][23]。 * TTM营业利润环比增长率：采用TTM数据计算行业营业利润，再计算环比增长率（当季/上季-1）[24]。 $行业营业利润 = \sum 个股营业利润\_TTM$ * 季度营业利润率同比增长：采用当季数据计算行业营业利润率，再计算同比增长[25]。 * TTM核心利润环比增长率：采用TTM数据计算行业核心利润，再计算环比增长率[26]。 * 季度核心利润率同比增长：采用当季数据计算行业核心利润率，再计算同比增长[27]。 $行业核心利润率 = \frac{\sum 个股营业收入\_季度 - \sum 个股营业成本\_季度 - \sum 个股其他成本项\_季度}{\sum 个股营业收入\_季度}$ * TTM归母扣非净利润环比增长率：采用TTM数据计算行业归母扣非净利润，再计算环比增长率[28]。 * TTM净资产收益率（ROE）环比增长：采用TTM数据计算行业净资产收益率，再计算环比增长[29]。 $行业净资产收益率 = \frac{\sum 个股扣非归母净利润\_TTM}{\sum 个股净资产\_TTM}$ * 年内累计销售毛利率同比增长：采用年内累计数据计算行业销售毛利率，再计算同比增长[30]。 $行业销售毛利率 = \frac{\sum 个股营业总收入\_年内累计 - \sum 个股营业总成本\_年内累计}{\sum 个股营业总收入\_年内累计}$ 3. 因子标准化与合成：对上述有效单因子进行标准化处理，然后以各因子在样本内的IC胜率为权重，加权合成基本面景气度复合因子[13]。 * 模型评价：该复合因子在全区间内积累了显著的超额收益，但在2024年9月A股反弹后出现短期“低景气反转”特征，随后有效性再次提升[31]。 1.2 超预期水平复合因子 * 模型名称：超预期水平复合行业轮动因子[4][8][33] * 模型构建思路：从超预期水平维度，涵盖基于公告的市场预期变化和分析师预期变化两个方面，构建复合因子[4][8][33]。 * 模型具体构建过程： 1. 基础数据处理：基于个股公告（正式报告、业绩预告、业绩快报）日期前后的收益变化，以及分析师预期数据，在调仓日按个股流通市值加权得到行业单因子水平[33][35]。 2. 单因子构建：构建了5个有效因子，具体如下[35]： * 公告前后异常收益：计算个股盈余公告T日的前n日至后m日的每日超额收益（以中证800为基准）之和。最终选定参数为m=2，n=0，即公告后2日的超额收益之和[36]。 * 净利润预期变动得分：在个股报告发布日，若未来一年净利润预期较同一分析师上次预期变动超1%计+1分，低于-1%计-1分。在调仓日对个股得分进行60日滚动累计，再以流通市值加权得到行业得分[37]。 * 主营业务收入预期变动得分：逻辑同净利润预期变动得分，针对主营业务收入预期，滚动累计窗口为20日[38]。 * 报告评级换算：对行业内所有个股在过去180日内，分析师公开报告的平均评级得分取均值。个股评级得分由研报评级（如买入、卖出）按预设规则换算得出[39]。 * 上调减下调报告评级比例：计算行业过去180日内，评级上调的研报数量减去评级下调的研报数量，再除以存在前期评级得分的研报总数量[40]。 3. 因子标准化与合成：对有效单因子标准化后，以各因子IC胜率为权重，加权合成超预期水平复合因子[13]。 * 模型评价：该复合因子对低景气行业的预判准确性较高。样本外在2022年8月至2023年12月期间有效性降低，但自2024年开始有效性显著提升并持续[41]。 1.3 量价水平复合因子 * 模型名称：量价水平复合行业轮动因子[4][8][44] * 模型构建思路：从量价水平维度，基于行业指数的日度数据，构建动量、成交波动和量价背离等因子，侧重行业中长期的动量效应[4][8][44]。 * 模型具体构建过程： 1. 基础数据：直接使用申万一级行业指数的日收益、成交量、成交额、换手率等数据[44]。 2. 单因子构建：构建了7个有效因子，具体如下[44]： * 日内动量：计算每日收盘价/开盘价作为日内动量指标，对各行业指标值进行10日滚动累计[45]。 * 隔夜动量：计算每日开盘价/前一日收盘价作为隔夜动量指标，进行40日滚动累计后，对因子值取反（因隔夜涨幅呈反转效应）[46]。 * 移动平均趋势变化：首先计算行业指数当前收盘价减去过去10日均价，定义为短期动量水平；然后计算该短期动量水平减去其10日前的值[47]。 * 动量期限差：计算行业指数近10日收益率减去近5日收益率，因子值越高代表长期趋势明确且短期交易不拥挤[48][49]。 * 成交量波动：计算行业指数过去20日成交量波动率，并取负值。因子值越高代表行业情绪越稳定[50]。 * 成交额波动：计算行业指数过去20日成交额波动率，并取负值。因子值越高代表行业情绪越稳定[51]。 * 一阶量价背离：计算成交量一阶变化（今日成交量/昨日成交量-1）与价格一阶变化（日涨跌幅）在40个交易日内Spearman相关系数的负值[52][53]。 $一阶量价背离因子 = -corr\left(rank\left(\frac{Volume_i}{Volume_{i-1}}-1\right), rank\left(\frac{Close_i}{Open_i}-1\right), 40\right)$ 3. 因子标准化与合成：对有效单因子标准化后，以各因子IC胜率为权重，加权合成量价水平复合因子[13]。 * 模型评价：该复合因子更注重中长期量价延续性。样本外在2024年9月A股反弹后，高景气组上涨弹性不及低景气组，可能与短期动量效应更显著有关[54]。 1.4 资金流强度复合因子 * 模型名称：资金流强度复合行业轮动因子[4][8][57] * 模型构建思路：从资金流强度维度，根据行业内个股的资金流入流出数据（按挂单金额分类），汇总得到行业整体资金流强度，以分析不同类型投资者的行为[4][8][57]。 * 模型具体构建过程： 1. 基础数据：使用个股资金流向数据，按Wind标准分类（如超大单>100万）[57]。 2. 单因子构建：构建了3个有效因子，具体如下[57]： * 主动超大单资金流强度：计算过去10日，行业内所有个股的每日平均主动超大单净流入金额，除以个股平均合计流通市值[58]。 * 主动超大单资金流极端突破：首先计算行业当日主动超大单净流入金额减去其过去120日均值，再除以其过去120日标准差，得到当日强度；然后计算过去10日该强度的均值[59]。 * 小单资金流稳定性：首先计算行业当日小单净流入金额减去其过去120日均值，再除以其过去120日标准差，得到当日强度；然后计算过去5日该强度的均值；对所有行业该值进行截面标准化后，取绝对值并取相反数[60][61]。 3. 因子标准化与合成：对有效单因子标准化后，以各因子IC胜率为权重，加权合成资金流强度复合因子[13]。 * 模型评价：该因子在2024年9月市场反弹后有效性显著提升，可能与资金流在反弹行情中对行业轮动的主导作用强化有关[62]。 1.5 综合行业轮动因子模型 * 模型名称：综合行业轮动因子模型[4][13][65] * 模型构建思路：将上述四个维度的单一视角复合因子（基本面景气度、超预期水平、量价水平、资金流强度）进行等权合成，构建最终的综合行业轮动因子，以提升模型有效性和稳定性[4][13][65]。 * 模型具体构建过程： 1. 输入因子：将经过再次标准化处理的四个单一视角复合因子作为输入[13][65]。 2. 合成方法：对四个输入因子采用等权方式加权，合成最终的综合行业轮动因子[13][65]。 2. ETF行业轮动投资组合模型 * 模型名称：ETF行业轮动投资组合[4][69] * 模型构建思路：以前文构建的综合行业轮动模型选出的高景气行业为基础，通过一套ETF产品选定框架，构建可实际交易的ETF投资组合[4][69][70]。 * 模型具体构建过程： 1. 高景气行业选择：在每月调仓日，选取综合行业轮动因子排名前6的行业（高景气组）作为下月持仓行业[70][72]。 2. 标的指数筛选： * 在调仓日，仅纳入存续期满1个月的股票型ETF所跟踪的指数作为备选池[72]。 * 对于每个高景气行业，保留成分股在该行业比例≥50%的指数作为备选指数[70]。 * 计算各备选指数与目标行业过去244个交易日的Spearman相关系数。若存在备选指数，保留相关系数≥80%的指数；若不存在，则保留相关系数排名前5且≥60%的指数[70]。 3. ETF标的选定： * 对于每个筛选出的标的指数，保留对应的ETF产品作为备选池[70]。 * 在每个调仓日，计算备选ETF过去1个月的日均成交额和日均流通规模[70]。 * 保留存续≥1个月、日均流通规模≥2亿、且日均成交额最高的ETF产品[70]。 * 若无满足条件的ETF，则用申万一级行业指数替代[71]。 4. 三种选定模式：针对同一行业可能对应多个ETF的情况，定义了三种产品选定模式[70]： * 相关性优先模式：选择相关系数最高的标的指数对应的ETF。 * 流动性优先模式：选择过去1个月日均成交额最高的ETF。 * 收益弹性优先模式：选择过去1个月收益表现最佳的ETF。 模型的回测效果 1. 单一视角复合因子回测效果（全区间） * 基本面景气度复合因子：IC均值5.75%， ICIR 24.81%， 高景气组年化收益9.56%， 低景气组年化收益-1.74%[31] * 超预期水平复合因子：IC均值7.31%， ICIR 28.99%， 高景气组年化收益10.93%， 低景气组年化收益-2.87%[41] * 量价水平复合因子：IC均值7.16%， ICIR 32.98%， 高景气组年化收益8.65%， 低景气组年化收益-1.22%[54] * 资金流强度复合因子：IC均值7.18%， ICIR 32.10%， 高景气组年化收益13.79%， 低景气组年化收益1.43%[62] 2. 综合行业轮动因子回测效果（全区间） * 综合行业轮动因子：IC均值12.54%， ICIR 50.92%， 高景气组年化收益17.84%， 相对中证800指数的多空组合累计年化超额收益14.44%[65] 3. ETF行业轮动投资组合回测效果（2020/01/01 - 2026/02/28） * ETF轮动组合（相关性优先）：年化收益率18.78%， 年化波动率22.10%， 最大回撤-39.87%， 夏普比率0.85， 收益回撤比0.47[81] * ETF轮动组合（流动性优先）：年化收益率18.57%， 年化波动率23.10%， 最大回撤-40.38%， 夏普比率0.80， 收益回撤比0.46[81] * ETF轮动组合（收益弹性优先）：年化收益率21.20%， 年化波动率23.22%， 最大回撤-40.95%， 夏普比率0.91， 收益回撤比0.52[81]