【热门】领域的重新分类及领域轮动策略

本篇文章4564字，读完约11分钟

来源: xyquant

领域轮动是权益投资中受到广泛关注和获得相对利益的重要手段。 本报告比较区域轮换，首先处理以下问题:

1、区域轮动主要有那些做法吗？ 各有优劣吗？

2、兴业金工在领域轮作方面以前做过那些努力吗？ 还有那些问题吗？

3、中信一级领域之间可以根据业务优势和市场表现重新执行分类和聚类吗？

4、各领域的市场表现影响因素有那些吗？ 你怎么评价这些因子？

5、如何结合各决策因子形成区域的时间选择信号，形成最终区域的轮回战略？

本报告是系统化资产配置系列的第二篇，重点整理中信一级区域间表现的相似性，重新聚类区域，构建基于大分类区域表现的区域选择时方案，构建区域循环战略，获得相对区域等权组合的超额收益

因为这个模型是在年8月初建立的，所以样本内的数据从2004年12月31日到年8月3日，在建立模型后，我们每天追踪各因子的表现，最终形成真正的样本外的纯曲线(年8月4日到2019年9月9日)

风险提示:本报告的结论基于历史数据，在市场环境转换时模型有失效的风险。

报告正文

1

区域轮换战略:从区域再聚类出发

1.1领域轮流战略当前的首要做法及其优劣分析

传统的领域轮流策略通常基于中信领域或申万领域进行轮流，但通常基于截面分解，类似于多因子选择株。 即，寻找影响整个领域的共同因子，根据领域因子的评分对整个领域进行排序，进而选择“特征区域”和“劣势区域”，据此构建多空的组合或纯多头的组合。 另一个是分别构建整个区域的时间选择模型，根据每个区域的时间选择模型的结果，决定在下一期配置的区域，基于形成区域循环战略的时间序列分解。

两种做法各有优劣，前者直接比较各领域的因素，符合选择“特征领域”和“劣势领域”的基本思想，但领域本身一般数量少(中信一级领域共计29个)，有些领域关联性太高(例如轻工制造和纺织) 因此，许多文献中使用的第一因子是运动量当量因子，价值量因子长期受益匪浅，但会发生大的撤回( momentum crash )，增加轮回的风险。 兴业证券金融工程团队在断面模型上进行了年改善(见报告书《基于不同市场状况下领域的轮回战略》，明明)。 重新选择截面分解的因子时，即把市场划分为不同的市场状况，在不同的市场状况下选择不同的因子对所有的区域进行排序，捕捉到不同市场环境下投资者的关注要素。 第二种方法是为各个领域构建时间选择战略，因此在领域较多的情况下，越来越难以通过涉及多个领域的中观因子构建战略，由于一部分及领域表现的关联性过高，因此缩小维度，表现市场股票和根据主要业务 我们认为有必要根据新的分类构建时间选择指标，形成新的风格回合战略。

1.2重新进行区域群集

从前面的分析可以看出，无论是基于因子的截面模型还是基于时间序列的选择模型，区域的分类都很重要，但良好的区域分类应该综合考虑区域的主要业务和区域的表现，总部首先就区域的表现重新聚类中信一级区域，各区域之间的连 因为可以针对每个2个区域计算关联性，所以可以针对每个2个区域定义“距离”，如果有29个中信一级区域，则合计有29*28/2=406个“距离”，不方便观测区域间的优势，因此导入到图论中的“最小生成树”

最小生成树

简单地说，最小生成树是无权重无向图中权重最小的生成树，具体地说，在某无向图g = (v，e )中，( u，v )表示连接顶点u和顶点v的边，w(u，v )表示这一边的权重，

的w(t )最小时，该t是g的最小生成树，最小生成树其实是最小权重生成树的简称。

最小生成树提供了一个简单的方法，注意所有区域的“距离”，删除“距离”的远边，剩下的边表示我们应该关注的消息。

使用最小生成树简化第1级的区域

计算2005年1月至2019年8月各行业每月收益率的两个相关矩阵如下

两个区域间的距离矩阵d

其中，m是区域的个数。

可知两个领域的关联性越高距离越近，关联性为1时表示两个领域的趋势完全一致，此时定义的距离为0。 按照最小生成树kruskal算法，可以生成如下图所示的一次区域最小生成树。 根据最小生成树的定义，如果两个节点之间没有连通的边，表示两者的距离很远，即关联性很低。 从下图可以看到，整个照片大致被“分割”成了四大部分。 例如，计算机、介质、通信和电子部件之间相互连通，但与其他领域不连通。 这四个领域是一般基本面拆师口中的“tmt”领域，房地产、银行、银行以外的金融是我们通常称之为“大金融”领域。 其他两大部分分别和“大金融”一样。

1.3中信风格分类综合考虑了领域的主要业务和领域的表现

通过上述最小生成树的分解，有可能重新凝聚市场上所有行业，综合考虑领域的业务优势，充分符合基本面的分解逻辑，因此在本报告中，将中信风格分类用作大领域的分类基准。

中信证券风格系列指数基于中信证券的三级领域分类标准，根据中信在各三级领域设定的风格标签将股票分为金融、周期、费用、增长及稳定五大类，各大分类指数根据股票流通的市场价格进行加权

我们提取了年8月的5大中信风格指数的成分股，计算了各中信1级领域和2级领域的市场价格占有率，风格指数的区分与1.2部分的最小生成树的各部分一致度高，唯一的区别是中信风格指数单列“稳定风格”

从各流派风格指数的历史表现来看，花时间表现最好，花时间赢得市场，但金融领域表现出强脉冲效应，周期领域从年开始长时间跑输标准。 从各类别风格指数超额收益的相关性来看，各类别的风格指数普遍较低，其中金融与周期的相关性最低，达到-53%，可能与周期偏差攻击、金融偏差防御有关。

2

风格系数选择时的方法介绍

2.1基于时间选择因子的构建

本报告致力于探索影响各风格指数的因素，分别构建时间序列模型。 因子是量化分解的素材，本文建立了逻辑上可能影响各风格指数的因子库。 分别包括实体经济、通货膨胀水平、市场资金流动性、市场风险偏好、板块自身优势和市场间新闻。 具体如下表所示。 在最终模型中，各种风格的选择因素不同，例如商品价格影响循环领域的利润，影响循环领域的趋势等，但不一定会对其他板块的趋势产生很大的影响。 这样的指标最初适用于循环风格指数的选择。

2.2时间选择系数数据调整

宏观经济因子一般更新频率低，一般其发行具有延迟性，因此在解决宏观数据时考虑宏观因子的发行时间，即不要“窥视”将来的数据，只在数据发行后才重新发行的宏观经济因子

本论文最终分别构建了定期选择时和不定期选择时的两个模型(实际上定期选择时是不定期选择时的一个样本)，但由于各数据的更新频率和更新时间不同，所以需要将所有的因子统一为相同的频率，要统一为相同的频率，以下

统一为低频数据:将所有因子统一为低频因子。 例如，有日频率的shibor利率，但可以将每月的最后一天或本月所有日的平均值用作该每月的shibor因子。

统一为高频数据:将所有因子统一为高频因子，即尽管不能得到日频率的宏观经济数据，但在高频时刻可以用一点手段进行映射。 例如，根据新闻的获得时间，在二次因子的更新时间前嵌入上次更新数据的方法，得到高频数据是直观方便的。

以前传来的统一频率方法以第一种为中心，该方法的优点是数据井然有序，容易以低频为基础预测资产的长期收益，而且仓库的频率是固定的，所以比较有效地控制交换率 但其缺点也很明显:首先宏观经济数据的更新不一定及时，各种指标的延迟更新长度不一定一致，所以很难在时间维度上很好地对齐各因子。 其次，新数据发表后，除非是我们调整仓库的低频时刻，否则该消息不会准确及时地反映在模型中，因此我们将所有的因子统一为高频因子(本文调整为日频率)，因子的两次更新期间的数据

3

因子信号生成机制及其合成

3.1三分位法t统计量结构机制

从战略表现的角度来看，我们追求的是战略夏普的比率足够大，即每单位风险的收益足够大。 对于单一因子，为了测定其预测效果，作为信号生成机构采用3分位点法明确了将来的投资信号。

三分位点方法是根据指标的注意样本数据明确上下三分位点，结合该指标的方向逻辑，明确下一期的头寸方向(分别对应多看，和平看，空个方向)，进一步不同的分位点方案

其中:

t统计量越大，证明该因子的发行越多和空信号未来收益的差异越显着，其预测效果越好。 使用我们之前构建的基于因子的数据进行测量时，发现t统计量的值与我们要求的夏普比率(不考虑手续费和交易摩擦)的关联性非常高，可以将t统计量是否显着作为因子预测效果的重要测量指标。

. 2时间因子叠加方法介绍

我们在因子库中因子很多，所以各种因子的“同质性”可能很强。 由于各因子之间选择时表现的关联性很高，所以各选择时因子信号的叠加用等权结合方法(“cta战略系列报告书的5 :商品量化基本面研究框架的搜索的螺纹钢”不合适。 本报告使用了因子簇的再等权方法，即某种风格。

step 1:随机将n个因子中的几个作为初始值，使用kmeans方法(用“correlation”的距离定义所有n个因子的方法)分类为3种uk，k = 1，2，3。

步骤2 :各大分类中各因子的信号是使用该大分类中的因子信号等的权重而得到的:

但是，|uk|是uk中的因子个数。

step 3:最终，这种风格的选择时因子信号是三种信号的等权。

step4:重复step1- step31000次，是得到全部的sign算术平均，即该风格的最终选择指标，该指标越大，表示越能看到该风格未来的表现。

4

选择时及区域轮的样本内外表现

4.1各风格指数样本内外选择时表现

由于这个模型是在年8月初建立的，样本内的数据从2004年12月31日到年8月3日，在建立模型后，我们每天跟踪各因子的表现，最终形成了真正样本外的纯曲线。

选择本报告时的目标是各大分类风格的超额收益率(相对于等权配置)，因此分别计算样品内外各大分类的超额收益率选择时的年化收益和收益变动比，在样品内对各大分类有非常好的表现，在样品外是最优先的

4.2根据各类别的样式指数选择时的样式轮策略

根据3.2的各大分类风格的评分( sign )，在各调仓节点上按降序排列所有大分类风格的评分，分数越高表示模型看到这样的风格的未来表现，分别计算选择不同排序的风格指数的战略表现 具体而言，如果评分顺序为1，则各交换节点选择配置当前所有风格指数中得分最高的，如果观测和交换频率为日频率，则称为不定期的交换仓库，如果每月末进行评分顺序确定下个月的持仓，则与月频率交换仓库

从下表可以看出，评分顺序越高，风格指数的表现越好，随着评分顺序的降低，年化收益率和最大回归显示了良好的单调性。 第一位指数在不定期调仓条件下，样品内的年化收益率达到50.2%，远高于其他排名指数和5种风格等权利表现，撤回也更低，样品外也同样优秀(观察到这是真正的样品外)，年

因为月频率调仓是日频率调仓的采样，所以如果每月末观测各指数的评分情况，下个月配置的指数就会明确，月中间不进行调仓，此时的轮转利益依然很好，样品内第一位指数的年化收益率是40。

风险提示:本报告的结论基于历史数据，在市场环境转换时模型有失效的风险。

全天候滚动播放最新的财经信息和视频，越来越多的粉丝福利扫描二维码备受关注( finance )。