如何基于北向资金构建行业轮动策略.docxVIP

行业多因子模型研究流程 我们参考股票多因子模型研究方法论，将市场上所有公司依据所属行业分类（中信一级行业分类）划分为不同行业类别的公司集合，将每个行业视为一家囊括所有同行业公司的集团公司，利用个股的财务、分析师预测、资金与量价等指标构造行业配置因子，探索有效的行业配置模型。行业多因子研究框架包括基础数据处理、行业因子合成、行业单因子测试、行业复合因子合成等步骤。 本报告使用基于北向资金持股数据合成北向资金流因子构建行业轮动策略，通过测试行业因子有效性，合成并研究北向资金流因子在行业配置中的效果。 图 1：行业多因子模型研究流程 数据来源： 基础数据处理 由行业内个股数据计算行业因子，一般有两种方式。一种是整体法，基于行业自身或行业成分股财务基本面、微观结构技术面、资金流向等数据，合成行业层面用于行业因子计算的基础数据。比如，在行业轮动 第一篇报告《如何基于景气度构建行业轮动策略》中，我们基于公司资产负债表、利润表、现金流量表采用整体法合成所属行业整体的财务基本面数据。 对于采用整体法的基础数据处理需注意： 用于行业数据合成的成分股数据时点需保持一致，当成分股最新数据所属报告期不一致时需有统一合理的数据对齐规则（如以财报数量、公司市值占比较大，数据较新者为准）； 行业基本面数据需有经济含义，对于某些行业不适用的数据需特殊 处理（比如用行业均值或中位数填充）； 缺失数据处理应以合理性为处理原则。 采用整体法方式的优点是，统一在财报截止时点或者月底计算行业因子， 保证了数据的一致性；缺点是牺牲了数据的及时性。 另一种方式是加权法，直接使用行业内个股因子加权合成行业因子。这类数据的特点是在个股上覆盖度不高、而且数据发布时间也不一致，时间上很难对齐，不太适合使用整体法。对于这类数据，基础的数据处理 工作主要是先计算个股因子，方便之后采用行业内成分股因子加权（比如自由流通市值加权等）合成所属行业的因子。比如，在行业轮动第二篇报告《如何基于 PEAD 超预期因子构建行业轮动策略》中，我们基于公司超预期数据、分析师一致预期等数据采用加权法合成所属行业整体的超预期数据。 采用加权方式的优点是，可以实现每天计算行业因子，保证了数据使用的及时性；缺点是牺牲了数据的一致性。 行业因子计算 对于整体法，我们基于基础数据处理后的行业数据，计算可用于行业比较的行业因子数据。比如，通过不同报告期行业整体的收入与利润数据，计算行业整体的收入与利润增长率因子。计算行业因子计算需注意： 行业因子在不同行业间需具有可比性； 行业因子需要考虑行业数据季节性变化规律，对于存在季节性变化的数据采用单季或完整年度数据同比计算； 行业不同时期前后比较时，应保证用于行业合成的公司前后一致以保证可比性。 对于加权法，计算行业因子计算需注意： 计算得到每只股票的因子后，行业因子使用行业内成分股自由流通市值加权计算。测算发现，市值加权优于等权。 当某只股票某个因子缺失时，考虑使用该行业的中值或均值替代。 不对个股因子进行市值行业中性化处理。市值行业中性化处理仅适用于选股，不适用选行业。 单因子测试 我们通过单因子 IC 测试与分组回测来考察行业单因子收益预测的有效性与稳定性。 因子 IC 测试 我们计算T 期因子值与T+1 期行业收益率的Pearson 相关系数（RawIC），同时计算因子 T 期因子值排序与 T+1 期行业收益率的 Spearman 相关系数（RankIC）。因子的 IC 值是指第 T 期的因子值（因子中性化处理后残差）x? t与 T+1 期的股票收益r t+1的相关系数——Pearson 相关系数，公式表示为： ?????? = ????????(?? ??, ?? ??+1) 此外，可以计算秩相关系数——Spearman 相关系数，使用两个变量的位次计算，是与因子分布无关的，公式表示为： ????????????,?? = ???????? (????????(?? ??),????????(?? ??+1 )) 可以通过以下指标评价因子效果： IC 值的均值——因子显著性； ICIR 比率（IC 均值/标准差）——因子有效性； IC 序列 T 值（IC 均值*sqrt(样本数-1)/IC 标准差）——因子显著性； IC 值的胜率（IC 值大于 0 的截面数占比）。 因子分组测试 因子分组测试是根据因子值打分排序分多组测试各组组合累计净值表现，我们采用 5 组定期调仓的方法进行测试（每组含 6 个中信一级行业）。因子多空测试是分组测试中第一组与第五组多空强弱表现，多空测试与分组测试可以一并进行。 我们可以从多个维度考察分组测试效果： 分组测试结果是否具备单调性，即各分组累计净值表现与其排序是否具有一致性，分组测试结果单调性越高越好； 分组多空收益表现