在瞬息万变的市场环境下，行业轮动的驱动因素和演绎节奏也在不断发生着变化。为了避免依赖于单一维度指标，本次我们将从更灵活、更高效的量价视角，尝试构建一套更为稳健的技术指标。进一步地，我们提出了动态调整景气度和量价指标权重的自适应模型。经过验证，该自适应模型能够有效解决景气度失效的问题，从而显著地提升行业轮动策略有效性。
近年来，行业Beta已经成为了权益投资的重要考虑因素。而不同阶段的行业轮动现象往往又由不同的因素所驱动形成，这在无形中增加了基于量化模型构建行业轮动策略的难度。为此，本文我们从更灵活、更高效的量价角度，尝试构建一套稳健的量价技术指标。具体来说，我们构建了如下五个指标
：
-
隔夜收益率：
基于有限注意力理论，我们认为有效的长期动量指标需要符合两个特点。一是能够反映出逐渐的长期价格趋势信号，二是不易引起市场投资者的过分关注。为此，我们将隔夜收益率做标准化处理并做筛选剔除后，构建得到一个长期动量指标。
-
边际平均动量：
为了结合价格路径的影响，我们取最近一日收盘价相对过去20日均价的涨跌幅作为平均动量，并计算平均动量的边际变化作为短期动量指标。
-
累积势能：
在日内指标中，最高价和最低价都被隐藏于收盘价之后，既易被忽视，也未对资产最终的价格形成真正的影响。由于这部分信息并未充分的释放，就如同弹性势能会不断累积。因此，我们通过累加过去20日累积势能结果，即可得到一个相对有效的行业轮动指标。
-
成交波动：
当行业内交易的波动越大，一方面说明行业呈现了过度炒作的现象，另一方面也说明行业中的配置资金不够坚定。同时，由于超大单更能反映配置型资金的意图，因此我们以超大单的成交额标准差作为成交波动指标。
-
价格的成交弹性：
我们将资产的价格变化幅度绝对值除以成交金额，称之为价格的成交弹性。当资产价格的成交弹性越大，就说明在相同的资金活跃度下，能够使资产标的形成更大的价格变化，也更容易出现潜在的行业趋势。
最后，我们提出了一个基于分析师预期和行业景气共振情况，动态调整景气度和量价指标权重的自适应模型。经过统计，该自适应模型在收益和稳定性方面相对等权模型均有提升。2013年以来动态三因子策略多头年化收益率为25.43%，夏普比率为1.00。年化超额收益率为17.26%，信息比率为2.66
。
风险提示：本报告结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险，不构成任何投资建议。
近年来，行业Beta已经成为了权益投资时必须考虑的关键因素。而不同阶段的行业轮动现象往往又由不同的因素所驱动形成，这在无形中增加了基于量化模型构建行业轮动策略的难度。
具体来说，行业的景气度是行业轮动现象的本质驱动因素。因此从长期来看，从景气度的角度来考虑行业配置的胜率相对较高。然而，我们在近几年的行业轮动跟踪过程中发现，景气度指标在部分阶段（尤其是第四季度）极易发生失效。我们认为其中有三个方面的原因：
（1）行业景气现象的刻画需要依赖于客观数据，这导致在业绩真空期，行业景气度的刻画缺乏客观数据的支撑；
（2）在基本面主线行情不够突出时，部分政策或主题热点将深刻地影响行情走势。例如2022年四季度的地产新政、疫情防控“新十条”政策和2023年的AI的兴起，主导了这些阶段的市场行情；
（3）四季度接近机构年度业绩考核的末期。在前三个季度的行情演绎之后，无论是出于业绩排名的博弈，还是为了下一年度的配置结构准备，四季度机构投资者有更大的调整其配置的倾向。
综上所述，为了避免过度依赖于高景气模型，我们需要从多维度的角度对行业轮动现象进行刻画和跟踪。本次，我们将从更灵活、更高效的量价视角，尝试构建一套稳健的技术指标模型。最后，我们通过分析出现行业板块机会时的市场现象，提出了一个
基于分析师预期和行业景气共振情况，动态调整景气度和量价指标权重的自适应模型
。经过验证，该自适应模型能够有效解决景气度失效的问题，进而显著地提升行业轮动策略的有效性。
1.1、测试框架
回测的区间设定为2013年至2023年，并按照月频进行调仓，即每个月末的最后一个交易日触发交易。交易的标的为除综合金融后的29个中信一级行业。测试分组中，以指标值最高的前六个行业作为多头组合，以指标值最低的后六个行业作为空头组合。组合内按照等权进行加权，并以所有行业的等权组合作为比较基准。
量价指标，顾名思义是从相应资产的价格、交易量出发构建的指标。首先，我们先从价格出发尝试构建行业价量指标。
动量是行业层面上运用价格指标最常见的运用方法，我们可以分别从长期（十二个月）和短期（一个月）的视角对动量指标先做一个简单的构建。从测试结果可以看到，简单动量指标的有效性并不稳定。接下来，我们就分别从长期和短期两个视角对尝试构建有效的动量指标。
关于动量指标有效的原因在学术界有着诸多争论，有限注意力（limited attention）是其中一个被较多学者所认可的行为金融学理论。在传统金融学理论，当人们在做决策时，可以充分使用全部可得的信息。但是实际上，由于人脑对信息的分析处理能力是有限的，人们无法及时处理、运用所有的信息，因此往往偏好去分析最显著、最重要的信息。这种认知限制就被称为有限注意力。温水煮青蛙就是最典型的有限注意力事件，人们通常无法及时地发现那些逐渐发生变化的现象。
在股票市场中，投资者的有限注意力将可能会引发动量上涨。具体来说，由于资产往往蕴含着未被消化到位的信息，部分聪明投资者和知情交易者在提前布局时，为了低成本获得更多的筹码，会选择缓慢地买入资产，造成资产形成持续但不明显地上涨。而市场上的大部分投资者是无法有效地关注到这些长期但不明显的信息。因此，这一部分动量信息就在一定程度上揭示了资产本身的投资价值。当后知后觉的投资者注意到这些被忽视的资产时，将会引发新一轮的价格上涨。
根据有限注意力的理论，构建动量指标时有两个要点，一是指标能够反映出渐进的长期价格趋势信号，二是价格趋势指标要不易引起市场投资者的过度关注。
经过对比思考后，我们认为中长期的隔夜收益率符合上述要点。隔夜收益率等于当日开盘价相对昨日收盘价的涨跌幅，其本质上是当日集合竞价的涨跌幅结果。一方面，相较于日内收益率，隔夜收益率更不易受到投资者的关注。另一方面，隔夜收益率是行业消息及基本面在休市时间的不断交流和酝酿而形成的结果，将这一结果经过长年累积之后形成的信号具有相当意义的参考价值。
首先，我们尝试将过去250个交易日的隔夜收益率均值作为长期行业动量的构建方法。从结果来看，该指标具有一定的有效性，年化超额收益率为3.11%。
进一步，我们发现直接采用收益率的均值存在一定隐患：当某个交易日出现全市场隔夜大涨或大跌将导致这个交易日的隔夜收益率在样本中有较大的影响，有悖于有限注意力理论。针对这个问题，我们可以在每一个截面上都先做横向的Zscore标准化，然后将过去250个交易日的标准化值取均值得到最终指标。经过测试，标准化的隔夜收益率均值指标的超额收益相对简单均值指标有所提升。
但是，在对标准化隔夜收益率指标进行进一步思考后就会发现：进行标准化的过程中，实际上会将一些隔夜收益率没有显著差距的交易日的行业差异被放大。而事实上，没有显著差异的隔夜收益率交易日样本并未能提供较为有价值的信息。因此，我们在这里可以将这一部分交易日进行剔除。具体来说，我们将计算回溯期内每一个横截面的隔夜收益率标准差，按照一定比例进行剔除标准差最小的样本之后，再取标准化隔夜收益率均值作为最后的指标。
在这里，我们将剔除比例进行了参数敏感性测试。为了进行交叉验证，我们将时间拆分为2010-2015年，2015年-2023年进行测试。经过对比测试，可以看到进行一定比例的剔除之后，指标的有效性得到不同程度的提升。在剔除20%~40%比例的样本后，指标有效性整体提升较为稳定。出于对原指标调整影响最小的考虑，我们选择采用剔除20%样本的方法构建具体指标。
根据测试，改进后的隔夜收益率指标整体有效性相对原始指标有一定的提升。年化超额由3.11%提升至6.28%，信息比率由0.38提升至0.72。
短期视角下，20日价格动量是我们最为常见的一种构建指标。在这里，我们对短期动量指标做了两个改进：
（1）平均动量：在构建指标时，20日动量仅考察了当前价格相对20日前的价格的涨跌幅结果，而忽视了20日间的价格情况。进一步的，我们可以将过去20日的收盘价取均值，得到一个20日均价。计算最新收盘价相对于20日均价的涨跌幅作为20日平均动量。
（2）边际变化：动量指标的有效性还有一种通俗的解释，即资本市场也存在着与物理上类似的“惯性”。在未发生结构性的变化的情况下，资产标的更容易仍会沿着之前发生的路径继续变化。这样的说法较为适用于短期视角下的动量，短期动量可以理解为资产标的近期的“速度”。当资产标的具有一定的“速度”时，其更容易继续形成较强的表现。进一步的，我们可以尝试考察标的资产的“加速度”来对其动量效应进行刻画。具体来说，我们可以计算得到一个边际平均动量，即以当前的平均动量减去20日前的平均动量。
在测试中，我们将20日动量、平均动量和边际平均动量的结果进行一个对比。从IC结果来看，边际平均动量的IC表现最好，IC均值4.26%，ICIR 0.14。
在分组测试下，可以看到边际平均动量的分组收益表现相较20日动量更好。边际平均动量指标的多头组合年化收益率为11.46%，夏普比率为0.45。年化超额收益率为4.09%，信息比率为0.45。
在讨论完日间收益之后，我们希望从日内价格趋势的中尝试寻求一些信息。日内趋势中有几个重要的价格：开盘价、最高价、最低价和收盘价。实际上，由于收盘价是日间价格中的重要指标，因此大部分日间指标都是由收盘价所刻画形成的，而日内的股价走势则往往容易被投资者所忽视。
在日内的走势中，由于某一阶段一部分投资者的买入，将会使股价形成一个当日最高价；同样地，一部分的卖出交易将会令股价形成一个当日最低价。然而，最高价和最低价都被隐藏在了收盘价之后，并未对资产最终的价格形成真正的影响。由于这部分信息并未得到充分的释放，就如同物理学中的弹性势能一般会不断累积。我们可以将这部分隐藏起来的、没有被最终由收盘价展示出来的信息称为上升/下降势能。
具体来说，我们将行业指数当日收盘价减最低价得到下降势能作为分子，将当日最高价减收盘价得到的上升势能作为分母。并且，为了避免价格之间的数值过于接近导致比值失去意义，我们在分子分母都加上一个较小常数项 0.1。之后回溯过去 20 日的势能比取和的相反数即为累积势能指标。
从IC测试来看，该指标具有一定的截面有效性。IC均值为3.53%，T统计量为1.49。
从分组测试来看，该指标多头组合的选择行业能力较为出色。2013年以来多头年化收益率为13.90%，夏普比率为0.61。年化超额收益率为5.41%，信息比率为0.61。
