中信证券-数据科技行业机器学习系列：投资应用专题，聚焦景气、政策与流动性，探索基本面量化投资应用-221123

《中信证券-数据科技行业机器学习系列：投资应用专题，聚焦景气、政策与流动性，探索基本面量化投资应用-221123（25页）.pdf》由会员分享，可在线阅读，更多相关《中信证券-数据科技行业机器学习系列：投资应用专题，聚焦景气、政策与流动性，探索基本面量化投资应用-221123（25页）.pdf（25页精品完整版）》请在悟空智库报告文库上搜索。

　　A股行业间投资表现差异化显著，近年行业间收益分化加剧，聚焦行业配置策略创新。
　　近年行业涨跌幅分化且轮动加速，配置收益不断增厚。中信证券一级行业月度涨跌幅标准差，从2020年的3.9上涨至2022年6月的6.1，导致行业配置能获取到的超额收益也在不断增加。2011年至2022年，所有行业相对上证指数的月度超额涨跌幅的平均极值差达到20.67%。
　　面向基本面量化挖掘新指标，同时服务基本面研究与量化研究。基本面量化逐步成为基本面研究与量化研究的共同新趋势，基本面研究以高频、客观的数据为基础面向行业配置给与决策支持，量化研究通过引入基本面因子降低决策频率并提升产品容量。
　　借助技术支点搭建景气、政策与流动性等行业特征数据，形成基本面量化指标，探索把握行业轮动节奏。
　　基本面指标与传统行业轮动指标的相关性低且频率低，更加适合低频配置策略的构建。我们以月频行业配置作为指标应用场景，借助技术手段将大量基本面指标、政策文本、流动性指标处理成为政策情绪、景气分位、流动性三个综合指标，结合不同指标特征进行处理与回测。
　　单指标的参数测试与行业配置回测。（1）景气分位回测对年内边际变化相对更加敏感，当前市场不适合仅仅对景气度指标进行过长时间分位数处理。分位数取12个月单指标月度配置3个行业年化超额收益率为9.98%，最大回撤为-16.20%。（2）政策情绪博取收益的两类来源分别是短期主题和长期配置，单指标月度配置3个行业年化超额收益率为10.02%，最大回撤为-17.62%。（3）流动性指标回看时间越长，回测收益相对更高且更加稳定。行业配置数量为1时存在流动性过热风险，我们选择主动降低流动性最高行业的打分，以避免该情况的影响。
　　基于相关性较低的多个基本面量化指标，以线性模型构建综合行业配置策略。
　　以政策情绪与景气分位两个因子作为行业选择的主要信息，融入流动性因子稳定行业配置结果，并进行指标融合的参数测试。回测从2018年1月至2022年10月，策略绝对收益率、相对全行业等全配置超额收益率、相对沪深300超额收益率分别：90.02%、88.83%、102.98%，最大回撤为-16.75%，相对沪深300年度超额胜率、月度配置超额胜率、月度行业配置超额胜率分别为80%、77.27%、54.39%。
　　风险提示：统计模型依赖的历史规律可能会失效；数据覆盖度不足