量化策略专题研究：以史为鉴，可知兴替，模式识别视角的行业轮动策略

证券 证券研究报告 请务必阅读正文之后的免责条款 以史为鉴，可知兴替： 模式识别视角的行业轮动策略 量化策略专题研究｜2020.1.9 ▍ 中信证券研究部 ▍ 核心观点 王兆宇 首席量化策略 分析师S1010514080008 赵文荣 首席量化与配置 分析师 S1010512070002 张依文 量化策略分析师S1010517080004 刘方 首席组合配置 分析师 S1010513080004 厉海强 首席金融产品 分析师 S1010512010001 本篇报告聚焦于模式匹配算法在行业轮动方面的应用，对全部中信一级行业整体通过模式匹配寻找历史的相似时点，并根据相似时点未来的市场表现优化行业配置权重，其中采用了优化负相关时期和多尺度匹配的技巧提升策略的收益及稳健性，能够给投资者提供基于历史规律的行业配置观点。 ▍ 投资聚焦：（1）巴克莱 2018 对冲基金调查显示过半的投资经理在投资决策过程中使用人工智能。近年来不少顶级人工智能专家转战证券投资领域，包括微软人工智能首席科学家和卡耐基梅隆大学机器学习系主任。国内的公募基金和资管机构也纷纷布局。（2）鉴于机器学习方法相对于传统方法有着一些独特的优势，本文尝试应用机器学习方法。在市场历史会重演的假设前提下，采用模式匹配算法，挖掘行业的轮动规律，并根据相似时点构建行业轮动策略。 ▍ 从相似模式看市场。根据相似性匹配历史来观察市场模式，并给出三个案例说明市场存在重演的模式和逻辑：（1）牛熊转换下的市场模式。以 2015 年牛熊转换为研究对象，匹配得到的最相似时期为 2008 年牛市顶峰时期，两者均显示了“银行抗跌”的逻辑。（2）“煤飞色舞”的行情模式。以 2009 年“煤飞色舞”行情为对象匹配到最相似时期刚好为 2007 年的“煤飞色舞”行情，捕捉到中游行情向上游转移的行情路径。（3）“后周期属性”的行情模式。以 2018年“后周期属性”行情为对象匹配到最相似时期为 2012 年的行情，两者均体现出中上游由强转弱，行情向下游转移的特征。 ▍ 策略主要步骤：匹配、优化和综合。（1）匹配：在历史中找到相似时期；（2）优化：根据相似时期优化资产组合；（3）综合：综合不同参数配置下子策略的输出结果。另外，我们还采用了两个增强策略效果的技巧：（a）利用负相关时期，将通常认为无信息量的非相似数据加入优化过程。（b）多尺度匹配，匹配过程中采用的收益率长度包括 5 个交易日和 10 个交易日两种尺度。 ▍ 模式匹配策略的历史表现。以 28 个中信一级行业指数（去掉综合）2006-01至 2009-12 的数据进行参数选择，2010-01 至 2019-11 作为模拟测试时期。策略能够实现年化超额收益率 8%，信息率 0.94，超额收益的最大回撤仅8.37%，且在 10 年中的 8 年都战胜基准。从历史累计权重来看，金融、科技和消费排名靠前。 ▍ 相对收益匹配：损失 Beta 信息的收益。采用相对收益进行匹配和优化时能够剔除 Beta 的影响。但事实证明 Beta 本身也包含重要的信息，剔除 Beta 会损失收益。相对收益匹配策略年化超额收益率 4.09%，信息率 0.89，超额收益最大回撤 6.41%。 ▍ 风险因素。模型风险；过度拟合风险；市场有效性显著上升；宏观事件冲击。 量化策略专题研究｜2020.01.08 请务必阅读正文之后的免责条款部分 目录 投资聚焦 ........................................................................................................................... 1 从相似模式看市场 ............................................................................................................. 1 案例一：牛熊转换下的市场模式 ....................................................................................... 2 案例二：“煤飞色舞”的行情模式 ..................................................................................... 4 案例三：“后周期属性”的行情模式 .................................................................................. 6 模式匹配策略的主要步骤：匹配、优化和综合 ................................................................. 8 数据形式............................................................................................................................ 9 优化负相关时期：变“废”为宝 ..................................................................................... 10 多尺度匹配：提升鲁棒性 ................................................................................................ 10 子策略综合：胜者为王 .................................................................................................... 10 模式匹配策略的历史表现 ................................................................................................ 11 模型参数假设 .................................................................................................................. 11 模拟测试期历史年化超额收益 8%，信息率 0.94 ............................................................ 13 相对收益匹配：损失 Beta 信息的收益 ............................................................................ 13