报告投资评级 * 报告未明确给出具体的行业投资评级（如增持、中性、减持）[1] 报告核心观点 * 报告系统回顾了量化行业轮动的研究历程，指出传统基本面因子因行业逻辑时序不稳定和截面可比性差而面临失效困局，尤其是在2024年几乎“全军覆没”[1][11] * 报告认为，残差动量因子、拥挤度指标以及动态因子挖掘系统中的技术面遗传规划模型经受住了时间考验，持续为投资者创造超额收益[1][16] * 报告展望了量化行业轮动的“下半场”，提出了风格择时辅助行业轮动、行业轮动与CTA信号结合、大语言模型应用于行业轮动三大破局思路[1][62] 量化行业轮动研究回顾 * 行业轮动旨在从截面比较不同行业的投资机会，行业弹性通常大于宽基指数，成功捕获主线行业能显著跑赢宽基指数[9] * 行业轮动标的的颗粒度是模型表现的敏感变量，颗粒度过于粗放或精细都会影响模型效果[9] * 在基本面、交易面、机器学习三大维度的尝试中，基本面因子在样本外跟踪中失效最严重，尤其是在2024年几乎“全军覆没”[1][11] * 基本面因子失效的根本原因在于行业逻辑的时序不稳定性和截面可比性差，例如汽车行业的定价逻辑已从“乘用车销量”转向科技属性，且不同行业核心定价指标不同[11] * 交易面因子中，传统技术分析指标如异同离差乖离率(DBCD)表现不佳，而残差动量因子和拥挤度指标经受住了考验[14][16] * 北向资金加仓持续性因子曾是样本外表现最优的交易面因子，但因数据可获性问题已无法计算[16] * 相较于固定因子模式，动态更新因子库更有助于行业轮动模型适应市场变化，这项任务已交给机器学习执行[16] * 过去五年研究中，仍然值得进行样本外跟踪的模型包括：残差动量因子、拥挤度指标、动态因子挖掘系统中的技术面遗传规划模型[16] 残差动量因子 * 残差动量因子通过剔除市场因子和风格因子的影响，捕捉产业政策、技术进步等无法被结构化数据描述的股价驱动因素[2][17] * 改进版本引入了波动率反转效应，对日波动率最高月份的残差进行反转处理[2][20] * 在2017-01-01至2026-02-28的回测区间内，改进残差动量策略的年化超额收益达**12.90%**[2][22] * 该策略在2024Q3至2025Q2出现较大幅度、持续的超额收益回撤，但随后快速修复并在2026年初创新高[2][22] * 策略年化收益为**19.00%**，年化波动为**23.59%**，夏普比率为**0.81**，最大回撤为**-35.62%**（基准组合年化收益为**6.10%**）[25] * 该因子已被华泰睿选大类资产配置FOF1号（Wind代码HT25YK2.OF）所借鉴[2][22] 拥挤度指标 * 拥挤度用于衡量交易是否“涨得太快”，交易拥挤往往发生在“击鼓传花”式的上涨中，一旦成交量跟不上可能引发踩踏式下跌[3][26] * 基于门限测试方法精选了4个量价指标构建行业拥挤度模型，单指标滚动分位数达到**95%**阈值时触发拥挤信号，3个或4个指标触发拥挤信号视为行业高拥挤[3][29] * 2026年初，该模型成功预警了国防军工、工业金属、贵金属三个行业的交易风险，拥挤度3分或4分略领先行业指数的阶段性高点[3][30] * 回测表明，规避过去20个交易日中有两天拥挤度达到3分或4分的行业，对长期业绩具有正向贡献[3][30] 动态因子挖掘系统（机器学习） * 遗传规划是量化投资领域经典的因子挖掘方法，报告团队通过GPU加速和多目标体系改造对其进行了升级[4][38] * 引入**\|IC\|**、**\|IC\|胜率**、**NDCG@k**三维评价体系，有效降低了传统单目标遗传规划存在的种群拥挤和因子同质化问题[4][40] * **技术面遗传规划**样本外表现较好，在2022-10-10至2026-02-28区间，双目标体系年化超额收益为**19.20%**，升级后的三目标体系年化超额收益达**25.39%**（报告数据存在两处，取较高值）[4][49][53] * 三目标体系（拼接版）年化收益为**37.87%**，年化波动为**17.09%**，夏普比率为**2.22**，最大回撤为**-20.72%**（基准组合年化收益为12.48%）[53] * **基本面遗传规划**因仅依赖结构化信息，无法对行业基本面形成深刻理解，表现一般，在相同回测区间年化超额收益为**6.81%**[4][57] * 基本面遗传规划年化收益为**19.67%**，年化波动为**17.52%**，夏普比率为**1.12**，最大回撤为**-26.45%**（基准组合年化收益为12.86%）[61] 量化行业轮动的“下半场”破局思路 * **风格择时辅助行业轮动**：市场主导风格（如价值-成长）相较于行业轮动更易把握，因其定义清晰且轮动速度较慢[63] * 报告将红利择时模型信号迁移至国证价值100与国证成长100轮动，在2017-01-01至2026-02-28区间，风格择时模型年化超额收益为**18.29%**[66] * 在技术面遗传规划模型基础上叠加价值-成长风格择时信号，策略风险收益比有所改善，年化收益从**37.87%**提升至**38.67%**，最大回撤从**-20.72%**收窄至**-17.53%**，夏普比率从**2.22**提升至**2.28**[71] * **行业轮动与CTA信号结合**：行业轮动模型提供方向（“到有鱼的地方”），CTA信号提供买卖时点（“等待大鱼上钩”），旨在提升持有体验和调仓胜率[72][75] * **大语言模型(LLM)时代的行业轮动**：LLM擅长处理非结构化、多模态信息，能通过思维链整合碎片化信息形成基本面判断[76] * 报告认为，基于传统结构化信息的基本面行业轮动可能已陷入“无解的困局”，LLM对非结构化信息的深度整合能力或将成为基本面行业轮动的“破局之道”[4][77]