遗传规划超额屡创新高，积极把握股市结构性机会——春季量化观点.docx

正文目录

自上而下行业轮动和自下而上行业轮动的定义 3

景气动量模型——自上而下行业轮动的代表 4

遗传规划模型——自下而上行业轮动的代表 4

自上而下行业轮动和自下而上行业轮动历史表现 6

景气动量模型得失分析 6

遗传规划模型得失分析 8

自上而下行业轮动表现与国内增长市场预期指数的关系 10

风险提示 11

图表目录

图表1：自上而下行业轮动和自下而上行业轮动的逻辑传导 3

图表2：自上而下行业轮动和自下而上行业轮动对比 3

图表3：行业景气动量模型框架 4

图表4：双目标遗传规划模型核心步骤 5

图表5：因子挖掘流程的底层输入变量 5

图表6：景气动量模型净值曲线 6

图表7：景气动量模型业绩表现（不考虑交易费用） 6

图表8：景气动量模型样本外跟踪区间的BARRA因子暴露 6

图表9：景气动量模型样本外每月持仓 7

图表10：BARRA成长因子的净值曲线 7

图表11：遗传规划模型净值曲线 8

图表12：遗传规划模型业绩表现（不考虑交易费用） 8

图表13：遗传规划模型回测区间的BARRA因子暴露 8

图表14：遗传规划模型最新一期权重最高的的因子 8

图表15：遗传规划模型今年以来每周持仓 9

图表16：成长因子走势与国内增长市场预期指数具有一定正相关 10

图表17：国内增长市场预期指数与全球经济周期走势对比 10

图表18：国内增长市场预期指数计算过程示例 11

自上而下行业轮动和自下而上行业轮动的定义

“舟已行矣，而剑不行，求剑若此，不亦惑乎？”——《吕氏春秋》

对于行业轮动，目前自上而下方法论的市场接受度依然较高。自上而下方法论以基本面信息为主，结合逻辑归纳和历史统计，从中提炼出有限的规律，并应用这些规律去指导行业投资。以煤炭行业为例，经济周期上行、通胀因子上行、煤炭库存见底、行业整体ROE止跌回升都是大家能够接受的看多煤炭行业的理由。然而，在过去两年中，市场却是因为煤炭行业的高股息率而选择去做多，跟上述几条规律似乎没有关系。正因为自上而下方法论尝试用有限的规律去解释纷繁复杂的资本市场，欠拟合是常态。因此，自上而下方法论长期能够盈利，但在已知规律不起作用的市场环境中，可能也不得不去承受一段较长时间的波动。某种程度上来说，自上而下行业轮动像是SmartBeta。

行业轮动的难点正是在于行业的投资逻辑可能会变化，除了市场竞争，地缘政治、政策发布、技术进步等外部因素也都可能会影响行业的投资逻辑。例如，AI算力的提升，除了影响计算机、电子、传媒、通信等TMT行业之外，也让智能驾驶从先前的规则式模型升级至如今的端到端模型，有可能成为汽车行业新一轮产业革命的引擎。以前我们可能比较关注新能源汽车市场的零售数据，现在我们可能会更关注各个车企智驾技术的研发进度。汽车行业有可能从一个由政策驱动的消费行业，转变为一个由技术驱动的科技行业。

相较于自上而下方法论，自下而上方法论对行业投资逻辑变化的适应力更强。自下而上方法论以技术面信息为主，采用数据挖掘的方法，每隔一段时间重新挖掘对行业股价表现有预测能力的因子、并及时淘汰掉已经出现失效迹象的因子。但是，为了及时捕捉行业投资逻辑变化，因子挖掘只能够在滚动窗口有限的样本内、而不能在全样本上进行，因而面临过拟合风险。加上模型的可解释性也通常不如自上而下模型，导致目前市场对自下而上方法论的接受度不及对自上而下方法论的接受度。

自上而下方法论尊重逻辑，自下而上方法论尊重市场。两者孰优孰劣，不同投资理念的市场参与者或有不同的看法。本文将以团队自主开发的两个模型为例，来谈谈我们的思考。

图表1：自上而下行业轮动和自下而上行业轮动的逻辑传导

，

图表2：自上而下行业轮动和自下而上行业轮动对比

行业轮动方法论

方法论核心

市场接受度

底层数据

因子数量

映射关系

调仓频率

可解释性

策略鲁棒性

自上而下

逻辑归纳

较高

以基本面信息为主

有限少量

固定

一般为低频

较强

易欠拟合

自下而上

数据挖掘

逐步提升

以技术面信息为主

成百上千起步

动态

高、中、低频均可

较弱

易过拟合

景气动量模型——自上而下行业轮动的代表

如果用行业盈利能力g和盈利能力边际变化Δg对行业进行分类，景气对应g和Δg均大于零的象限。行业g和Δg的相对排名和行业表现正相关——行业景气动量模型就是基于这一条规律来构建的。然而在实际投资中，因为真实财务报告发布滞后，我们无法及时准确地获得行业g和Δg的相对排名，所以就需要借助金融工程手段进行实时预测(Nowcast)。前期报告《行业景气投资的顶层设计和落地方案》（2023-09-14）就提出了由宏观、中