本报告构建并优化了单资产趋势追踪模型,结合资产波动率特征增强行业指数的趋势预测能力,运用预训练加微调的训练方式提升模型泛化效果。基于此模型生成的择时信号,设计了固定数量与灵活数量两种行业配置方案,回测数据显示相较行业等权组合实现了20%以上年化超额收益,且风险指标改善明显,策略在震荡周期与下行周期均表现出合理的风险控制能力,为行业配置策略提供了有效的趋势动量量化工具和实用组合构建框架 。
行业择时模型基线表现及波动率影响分析
资产波动率分层特征及行业波动率动态变化
预处理及特征工程,融合多维度价量和波动特征
| 分类 | 特征 | 说明 |
|---|---|---|
| 日频价量特征 | 收盘价 | 时序 z-score 标准化 |
| 成交量 | 时序 z-score 标准化 | |
| 日内收益率 | log(close/open) | |
| 向上振幅 | log(high/open) | |
| 向下振幅 | log(open/low) | |
| 趋势特征 | 调整后过去1日收益率 | 1日期收益率调整后 |
| 调整后过去1个月收益率 | 21日期收益率调整后 | |
| 调整后过去3个月收益率 | 63日期收益率调整后 | |
| 调整后过去半年收益率 | 126日期收益率调整后 | |
| 调整后过去1年收益率 | 252日期收益率调整后 | |
| 波动特征 | 近期波动率 | 252天收益率波动率 |
| 中短期波动率 | 504天收益率波动率 | |
| 长期波动率 | 静态波动率 | |
| 换手率波动 | 252天换手率波动率 |
趋势预测模型结构与训练方法
趋势追踪模型择时效果优异,超额收益显著提升
| 行业代码 | 行业名称 | 年化收益率(%) | 夏普比率 | 最大回撤(%) | 年化波动率(%) |
|---|---|---|---|---|---|
| 801080.SI | 电子 | 25.78 | 1.09 | -35.18 | 24.54 |
| 801120.SI | 食品饮料 | 22.34 | 1.53 | -28.79 | 15.32 |
| 801730.SI | 电力设备 | 19.83 | 1.07 | -28.25 | 18.38 |
| 801750.SI | 计算机 | 18.51 | 0.87 | -32.85 | 23.38 |
行业配置策略设计与回测结果
量化因子构建与策略亮点总结
标题: 利用趋势追踪实现行业配置
作者: 陈奥林
发布机构: 浙商证券研究所
发布日期: 2024年08月14日
研究主题: 基于趋势追踪的行业指数配置策略模型及其优化
核心观点:
报告提出一种基于单资产趋势追踪的行业配置模型,通过对行业指数波动属性的深度挖掘和特征优化,结合时序神经网络的预训练与微调训练方式,实现了超越行业等权基准约20%的年化超额收益。核心在于捕捉行业指数的内生动能波动率信号,增强模型的趋势预测能力,从而指导行业配置决策。
作者希望强调的是,利用价格及成交量(价量)数据中固有的多维时序特征,通过趋势追踪模型优化行业择时信号,同时灵活调整配置行业数量,能显著提升行业投资组合的风险调整后收益。
报告阐述了构建单资产趋势追踪模型,重点分析资产波动属性对趋势预测模型的影响,从输入特征设计到训练方式均做了升级改进。
关键改进包括:将短期、中期、长期波动率作为趋势预测输入,为模型提供资产价格的内生动能信息;模型训练采取预训练+微调相结合,提升小样本下的拟合和泛化能力。
结果表明,优化后的趋势追踪模型在2017-2024年期间,任一行业的择时年化收益均超过6%,且较基线模型换手率、波动率及回撤均有下降。
用趋势追踪信号构建行业配置组合,在灵活调整持仓行业数量的基础上,实现了超过行业等权组合20%的年化超额收益。
趋势追踪或时序动量策略技术成熟,尤其在期货和大类资产配置中广泛认可。动量信号基于过去收益率判断买卖时机。为适应多层次趋势和市场规则变化,深度动量网络DMN(深度神经网络提升时序动量风险调整效果)被开发应用。
行业配置复杂性较大,已采用截面动量比较,通过标准化指标比较行业走势,但不同行业间截面信号的可比性是量化难点。此前基于价量数据和端到端模型测验行业择时,发现:
图1显示26个行业的择时年化超额收益与平均月度调仓,电子行业以近18%年化超额领先,煤炭和轻工制造为亏损行业,细节见图1及表1。
探索两种行业配置方案:
本报告基于方案一,目标在提升单资产择时信号准确性。
在资产内在属性挖掘方面,通过计算行业指数自身波动率(周度收益率标准差)与择时模型表现关系,发现波动率对择时超额收益和超额夏普比率影响负向但不显著(见图2、3)。波动率的全区间统计不能完全解释择时表现,因此进一步分析了多个典型行业的长期及短期波动率变化(农林牧渔、计算机、煤炭、轻工制造)。
通过图4-9波动率趋势观察得知:
行业间波动率的内生差异及其时间演变是优化趋势追踪模型的重要线索。
基于上述结论,提出调整输入特征:
数据预处理方面,保留前期价量数据的时序z-score标准化方法,补充包含多周期收益率(1日、1个月、3个月、6个月、1年)调整波动率的趋势特征。
强化换手率变化的波动输入,丰富波动特征维度,进而增强模型信号识别能力。
表4详细列明预处理后的价量、趋势和波动特征,含46个向量维度(基线14个基础,视觉特征32个)
视觉信息特征模块基于CNN+架构提取形态特征,如表5超参数所示。模型主体为结合双向LSTM与注意力层的时序神经网络,结构超参数见表6。
训练方法融合了机器学习领域的预训练与微调机制,针对小样本交易策略调整实现适应性和稳定性权衡,缓解单纯强化学习中过拟合短期样本问题。
趋势追踪模型回测2017-2024表现优异,所有行业的年化超额收益均超过6%,表现更强的行业如电子、食品饮料及电力设备,符合这些行业自身的高波动及反弹特征(表7)。波动率大幅下降,最大回撤明显缩小,夏普比率整体提升,持仓换手率适中,展现较高的风险调整收益能力。
利用模型生成的择时信号,构建行业配置组合,采用两种权重生成方案:
回测表明,灵活行业组合的年化超额收益达20.49%,较固定数量组合的15.93%明显优异,且回撤更低(约26.61% vs 29.97%),夏普比率提升至0.94,表明灵活配置对风险管理更优(表9,表10)。
图13和14分别展示了2017-2024期间两种方案的累计净值曲线,均明显优于行业等权及中证800基准,灵活方案累计净值表现更为稳健和优异。
灵活方案的优势体现在市场震荡上涨阶段,通过扩大行业覆盖分散风险(如2021年);而在长时间下行调整阶段,则通过减少持仓行业数量降低回撤(如2018、2023年)。
报告总结强调:
风险提示:策略为历史回测模拟交易,收益不代表未来表现,模型可能失效,需谨慎使用,非投资建议。
本报告侧重于行业配置策略的模型构建与回测验证,缺少针对单一或组合标的的具体估值分析(如DCF、PE等传统估值指标)。模型主要运用机器学习和时序预测技术捕捉趋势信号,应用于资产组合管理层面,而非基本面估值框架。
报告明确提到风险提示:
报告无具体风险缓解措施描述,但通过预训练+微调及多特征融合设计,努力提高模型鲁棒性。
浙商证券研究所发布的《利用趋势追踪实现行业配置》报告,创新性地将资产自身波动属性纳入行业指数单资产趋势追踪模型的输入特征,结合深度神经网络架构与预训练+微调的训练方案,显著提升了行业择时信号的有效性。各行业指数的择时年化超额收益均超过6%,更重要的是基于该择时信号灵活调整行业持仓数量实现的行业配置策略,在2017年至2024年期间超越行业等权基准约20%的年化超额收益,回撤和波动率均有明显改善,风险调整后表现突出。
报告通过详实的图表数据支持如图1择时超额收益与换手率分布,图2和3波动率与择时表现的关系,图4-9重点行业波动率动态分析,表7择时效果汇总,表9和10配置组合表现,清晰地梳理了趋势追踪模型基于资产多周期波动特征改进的逻辑和成果。此外,趋势追踪模型的日频择时信号还能为投资者及时感知行业轮动趋势提供决策参考。
整体来看,本报告构建的趋势追踪模型具备较强的行业择时能力和风险收益优化价值,灵活调整配置组合中行业的数量成为提升行业配置策略表现的重要手段。风险方面,需注意历史模拟的局限性和模型潜在失效风险,实际投资应结合多因子方法和市场环境判断谨慎操作。
该报告系统且深入地解释了如何通过技术量化手段和数据科学方法提升行业配置策略表现,兼顾理论与实证,内容丰富且实用价值高,值得投资研究领域持续关注和借鉴。
图1示例:
图10趋势追踪模型结构示意:
图11训练测试区间示意:
图13灵活数量组合累计净值:
利用趋势追踪实现行业配置.pdf