1、 从选股到行业轮动：自下而上的聚合
对于大小单资金流的研究而言，之前我们在选股上有一系列特色研究，每个单因子的 RankICIR 皆在 3 以上的水平，效果 较为优异。
进一步地，我们尝试将选股因子聚合至行业层面，观察行业轮动的效果。对于 聚合方法，主要有两个思考的维度：1、何种方式加权；2、因子用原始值还是分域 赋值。具体地，我们采取如下 5 种方法：
（1）因子值均值；（2）因子值市值加权；（3）按照因子值分域：从高至低排序， 若处于 1/3 以上标注为 1，若处于后 2/3 标注为-1，其余则标注为 0，最后取均值；（4） 同（3）进行因子值分域，之后按照市值加权；（5）选取因子值较高的 20%，统计分 布在不同行业的股票数占各自行业总股票数的比例。 我们可以发现：自下 而上聚合的做法效果并不好，其中因子使用超大单关注度效应、方法使用第五种效 果最好，但 RankICIR 也只有 0.81。所以后续我们直接从行业层面出发构建行业轮动 因子。（注：本文测试为一级行业对应的结果，后文不再重复说明）
2、 从行业层面出发构建有效因子
2.1、 资金流强度：改进主动超大单强度 RankICIR 为 1.16
首先，我们测试了四类全部及主动资金流强度的行业轮动效果。具体做法为：（1） 针对于单个行业，每月底回看过去 20 天，计算该行业的累计净流入；（2）由于不同 行业净流入存在量级的差别，在定义资金流强度时需进行标准化，方式上我们尝试 了市值、成交额、买+卖、净流入绝对值四种。超大单和大单呈现正向预测作用，且由于“超大单+大单 +中单+小单=0”，中单和小单呈现负向预测作用。从因子效果而言，利用主动超大单 净流入，并市值标准化后的强度效果较好，后文简称原始主动超大单强度。进一步 地，我们对其进行 5 分组回测。
原始主动超大单强度的多空对冲波动较大，且经常会出 现较大的回撤，尤其是在 2022 年之后波动加剧、出现走平的趋势，因子逐渐失效。 后续我们采取两种方式进行修正：1、考虑近期强弱趋势；2、考虑资金流的极端与 温和。
1、考虑近期强弱趋势
对于强弱趋势 K 的界定而言，我们采取的方法为：首先，对原始主动超大单强 度取 rank 值，接着取其过去 2 个月均值和过去 12 个月均值的比值。针对于原始主动 超大单强度 5 分组的多头和空头，我们使用 K 进行分域，统计不同域的年化收益。无论是多头还是空头，K 值相对较低的一组收益表现更 好，尤其是近两年，该现象尤其显著。所以这里我们衍生出的改进思路为：在原始 主动超大单强度排序的基础上乘以 1/K。
2、考虑资金流的极端与温和
进一步地，我们发现资金流是否极端对因子效果也存在一定的影响。对于是否 极端，我们的定义方式为：回看过去 120 天计算均值和标准差，观察净流入是否突 破均值上下 0.5 倍标准差。接着，我们分别计算了极端及温和主动超大单强度。
从近两年看，温和净流入对于因子的效果存在一定拖 累；从全区间来看，相较于使用全部净流入，只使用极端净流入计算的主动超大单 强度 RankICIR 并无明显区别，所以后续我们只使用极端净流入计算因子。
在原始主动超大单强度的基础上，考虑了是否处于高位和资金流的极端与否之 后，改进的效果非常明显，RankICIR 从原始 0.95 提升至 1.16。除此之外，5 分组多 空对冲波动明显减小，收益波动比从原始 0.74 提升至 1.03，尤其是近两年波动和回 撤较大的问题一定程度上得到了解决。
2.2、 资金流相关系数：改进行业羊群效应 RankICIR 为-1.03
对于资金流之间的相关系数分析而言，我们在《新型因子：资金流动力学与散 户羊群效应》中有过详细的分析，其中行业上的羊群效应和个股上的羊群效应规律 并不一致。对于个股而言，????????(?? , ??+?)因子在 N=1 时选股效果较好，并且随 着 N 的增加衰减较快。但是对于行业而言，随着 N 的增加，其 RankICIR 呈现正负 震荡、不断减弱的现象，最终我们选取????????(∆?? ,∆??+1)为行业羊 群效应因子的形式。 ????????(∆?? , ∆??+1)具体做法为：针对单个行业，每月底回看过去 20 天，计 算行业当天日度收益率的一阶差分，和下个交易日小单净流入一阶差分的秩相关系 数，RankICIR 为-0.86。
对于原始行业羊群效应的改进思路同样也是两条：1、在计算原始行业羊群效应 因子时，我们使用的是全部小单净流入，但是我们在《大小单资金流 alpha 探究 2.0： 变量精筛与高频测算》详细分析过，主动小单和非主动小单近年来的性质发生了较 大的变化，其中非主动小单往往更能代表散户，所以我们将小单净流入改成非主动 小单净流入；2、除此之外，我们发现行业羊群效应的变动同样也是较为显著的行业 轮动因子，RankICIR 为-0.88，所以我们会进行结合。 结合以上两点的改进，我们得到了改进行业羊群效应因子，RankICIR 从-0.86 提升至-1.03，近两年的失效和回撤得到一定程度的解决。
2.3、 行业超大单和小单综合资金流因子
我们将上述的改进行业主动超大单强度和改进行业羊群效应进行合成。该因子的 RankIC 为 9.28%，RankICIR 为 1.62，效果非常 优异。该综合因子逻辑可以解释为：超大单本期强度较高且不位于高位，散户羊群 效应较低且无大幅增加。
2.4、 行业主动超大单和羊群效应升频后效果
近年来，行业轮动和风格轮动的速度逐渐加快。对于行业轮动因子而言，大家 倾向于提高调仓频率来减弱因子失效的问题。在此部分，我们尝试将行业主动超大 单强度和行业羊群效应因子升高调仓频率，尝试周频调仓下的效果。
1、行业主动超大单强度
首先，对于主动超大单强度而言，在月频调仓下我们采取两条改进思路：1、考 虑近期是否处于高位；2、考虑资金流的极端与温和。在升高调仓频率后，由于能够 更快的把握资金短期的动向，所以第一条改进思路在升频后用处不大。除此之外， 在提高调仓频率后，计算资金流强度的时间窗口适当缩短可以提升因子效果。
2、行业羊群效应因子
对于行业羊群效应因子周频调仓而言，相较于月频的羊群效应因子，RankICIR 并无提升。
进一步地，我们尝试将周度的行业主动大单强度和行业羊群效应因子进行合成， 合成后的因子 RankICIR 为 1.44，其相较于月频的 1.62 反而有所下降。对于行业轮动模型而言，升频后往往对应的是交易费用的提升和操 作难度的加大，若因子 RankICIR 无显著提升，维持低频的做法相对较为合理，所以 对于二者结合我们推荐月频的做法。
3、 大单资金流：极端突破存在行业轮动能力
在以上的分析中，我们主要针对超大单、小单进行了改进，本章节我们集中在 大单在行业轮动上的应用。在本文第一部分，我们已经测试了大单强度的行业轮动 能力，但效果非常一般，其原因我们认为主要为大单强度在不同行业的量级有显著 差别。 以交通运输和银行行业为例，可以发现 数值明显有偏。进一步地，我们分别测试了超大单强度和大单强度的滞后一期自相 关系数，可以发现大单强度滞后一期自相关系数明显高于超大单强度。 因此对于大单而言，我们倾向于采取时序研究方式，探究其能否进一步带来行业轮 动相关的增量。
3.1、 事件效应构成行业轮动因子：大单极端突破效应
对于大单的时序信息挖掘而言，我们在《知情交易者背后的择时信息》中已经 分析了其极端突破具备一定指数择时的能力。顺着这个思路，我们进一步探究其是 否具备行业轮动能力。具体做法为：对于单个行业每日净流入，回看过去 120 天计 算均值和标准差，观察是否突破均值上下 0.5 倍标准差，若当日发生极端向上突破计 为 1，发生极端向下突破计为-1，其余情况计为 0，在调仓日回看过去 N 个交易日并 求和，若大于 0 为多头，小于 0 为空头。 在上述的做法中，涉及到了调仓频率和回看天数的问题。首先，以回看过去 10 天为例，月频调仓下对冲收益波动比为 0.44，双周频为 1.19，周频为 1.50，可以发 现周频调仓下的多空表现明显高于其余频率调仓，所以这里以周频为主进行展开。
3.2、 事件效应构成行业轮动因子：与其他资金流的联合
除了大小单资金流，市场中较为常见的，且能够进行日频跟踪的为北向资金和 两融资金等。这里我们也采取同样的方法做了尝试，其中较为有效的为外资券商的 净流入数据。相较于 大单而言，最优回看天数会更长一些，这里我们选取 N=20 为最后的参数。
3.3、 大单和外资券商联合的综合效果分析
最终我们将大单极端突破和外资券商极端突破进行结合，其中大单和外资券商 都有 3 种信号，我们将其结合可以得到如下 9 种收益表现，可以发现二者如果都看 多，则效果相对较好，而二者若都看空效果是最差的，有一定联合增强效果。
3.4、 资金流的综合应用方案
至此，大小单资金流在行业轮动上的应用已经做了详细的分析，最后我们将上 述的因子进行合成，得到最终资金流因子。合成方法为：（1）将改进行业主动超大 单和改进行业羊群效应等权合成 IND_EX_S；（2）将大单异常突破因子和外资券商 异常突破因子等权合成 IND_L_N；（3）由于 IND_EX_S 为月频，而 IND_L_N 为周 频，首先我们将 IND_EX_S 升频，空缺值前向填充，接着将其与 IND_L_N 等权合成， 构成最终周频的资金流综合因子。
4、 其他维度的综合考虑：动量和财务维度
对于资金流因子而言，其表现已经较为优异。进一步地，我们尝试从其他维度 出发，提升资金流因子的行业轮动效果。本部分我们主要考虑了动量维度和财务维 度，并定义了一些特色因子，这些因子近两年的表现依旧较为优异。
4.1、 动量维度：“极端切割”为核心改进点
1、传统动量：周频调仓效果较好
由于近年来行业轮动的速度在加快，低频调仓的动量策略失效较为严重，调仓 频率的提高对于动量因子效果的提升有明显的帮助。这里，我们以 5 日、10 日、20 日、60 日和 120 日为例，测试了周频、双周频和月频调仓的 RankICIR。在如上的几种回看天数下，周度调仓的效果都是最好， 其中回看天数为 10 天效果最优。该因子 RankICIR 可以达到 1.00，但是其 5 分组多 空对冲近两年也出现逐渐走平的迹象。这里我们尝试从“极端切割”思路对其改进。
2、“极端切割”思路一：行业自身极端的信息
我们在《日内极端收益前后的反转特性与因子构建》中从股票层面出发，发现 日内最极端的收益往往 alpha 属性较为强烈。在这里，我们将这一想法衍生至行业层 面，定义了行业极端情绪动量。具体做法为：对于单个行业，求过去 N 天正收益最 大的日度收益，过去 N 天负收益最大的日度收益绝对值，最后取二者的比值。
除此之外，我们发现对于行业极端情绪动量因子而言，叠加趋势系数后因子效 果可以得到进一步改善，具体做法为：对行业极端情绪动量取 Rank 值，并取其过去 M 个月均值和过去 N 个月均值的比值 K，用 K 乘以行业极端情绪动量的 Rank 值为 最终的因子。
3、“极端切割”思路二：市场整体极端的信息
在传统动量的做法中，我们倾向于回看过去 N 天，把这 N 天的收益都用上。但 是由于信息在时间轴的分布可能是不均匀的，导致并不是每天的涨跌都能对最终的 因子有所贡献。 这里我们尝试探究市场在大涨大跌时的行业收益的动量属性，具体做法为：（1） 在每个交易日计算行业收益的均值，并回看过去 120 天，计算均值和标准差，判定 在 120 天均值上下 M 倍标准差之外的为市场极端日；（2）在调仓日，回看过去 N 个 交易日，计算这 N 个交易日中市场极端日行业动量排序值均值，为市场极端情绪动 量。 其中，判断极端的条件中的标准差倍数。
虽然市场极端情绪动量因子效果较为优异，但是其存在缺失值，非空的样本数 只占到全区间的 25%，并不能作为单独因子进行使用。最终我们将行业极端情绪动 量和市场极端情绪动量进行合成，为综合极端动量因子。
4.2、 基本面维度：困境反转和超预期景气的有效轮动
对于基本面维度而言，我们在《业绩超预期 Plus2.0：基于预期调整的修正》中 构建了行业超预期景气因子，RankICIR 为 0.60，在《价值 Plus 组合构建与多策略融 合实践》中构建了困境反转因子，RankICIR 为 1.00。
对于以上的两个基本面模型而言，其存在天然的互补性。为了更加直观的观察 这一现象，我们使用两个模型的月度 RankIC 相减，该相对强弱有着明 显的轮动周期：经济上行时超预期景气因子较好，经济下行时困境反转因子较好。
进一步地，我们利用二者的轮动周期，尝试了如下的行业尾部剔除方案：使用 RankIC 累计差值进行强弱判断，若 RankIC 累计差值在 6 个月均线之上，则剔除困 境反转后 6 个行业；若 RankIC 累计差值在 6 个月之下，则剔除超预期景气后 6 个行 业。
5、 资金流的综合行业轮动方案
本章节我们以综合资金流因子为主体，其余维度为负向剔除维度，构建行业轮 动策略。
5.1、 动量和财务维度剔除的敏感性分析
对于作为负向剔除维度的动量和财务，我们对剔除数量做了相关敏感性测试。 以动量维度为例，具体做法如下：使用动量剔除排名较低的 N 个行业后，利用资金 流综合因子选取 5 个行业，观察这 5 个行业的年化收益。
5.2、 拥挤度加入的影响探讨
除此之外，以上讨论的模型，不论是核心因子综合资金流，还是补充因子动量而言，其往往都是偏右侧的，这里我们加入了拥挤度指标作为最后一道的筛选。 对于拥挤的衡量同样存在两种方式：1、以成交额表征的交易热度；2、以赚钱 效应表征的盈利水平。对于交易热度而言，我们回看过去 120 天计算每天成交额的 分位数，并取过去 10 天均值。对于盈利水平而言，每天计算月度涨跌幅较高的 20% 的个股，统计分布在不同行业的股票数占各自行业总股票数的比例作为赚钱效应， 并回看过去 120 天赚钱效应计算每天的分位数，取过去 10 天均值。 不论是交易热度还是盈利水平，最终都是历史分位数的形式。最终多少分位数 以上算是较为拥挤呢？我们进行了参数敏感性测试。以交易热度为例，具体做法如 下：剔除动量排序较低的 10 个行业，且交易热度在?分位以上的行业后，利用资金 流综合因子选取 5 个行业，观察这 5 个行业的年化收益。
结合以上的讨论，我们的方案为：剔除动量排序较低的 10 个行业，且盈利水平 在 90%分位以上的行业后，利用资金流综合因子选取 5 个行业，周频调仓，手续费 双边千一。
对于行业的选取数量而言，我们这里也做了相关敏感性分析，可以发现随着选择行业数量的增多，整 体绩效较为单调，其中在选取行业个数为 2~5 的情况下，年化收益和收益波动比较 为稳定，所以我们最终方案是每期推荐 5 个行业。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
相关报告
投资策略：大小单资金流为核心的综合行业轮动方案.pdf
2024年石油化工行业春季投资策略：拥抱高股息以及景气上行带来的投资机会.pdf
2024Q2汽车行业投资策略：优选商用车+华为小米链.pdf
2024春季政策研究投资策略：新质生产力持续大力推进，证监会“两严两强”重建市场信心.pdf
2024年基础化工行业春季投资策略：周期登山则山，成长观海则海.pdf
电新行业2024年春季投资策略：关注行业量增弹性和头部盈利韧性.pdf
