行业轮动系列之一：基于行业和个股双视角的深度学习行业轮动模型

证券分析师证券分析师taowenqi@huayuanstoc联系人联系人基于行业和个股双视角的深度学习行业轮动模型——行业轮动系列之一前期报告我们使用深度学习模型构建了选股因子。这些因子按照个股流通市值加权聚合所形成的行业因子也具有较好的行业轮动能力。但2025年以来行业的动量效应愈发显著的市场环境下，该方法构建的行业轮动策略表现较弱。因此我们认为有必要构建一套专门的行业轮动模型来对我们的深度学习选股因子进行补充，这样信息的捕捉将更为充分。新模型框架分为两个子模块，我们分别称之为Model1和Model2，它们分别是从行业量价数据和个股量价基本面数据出发通过神经网络挖掘一些低相关的行业alpha因子，最后通过决策树模型对所挖掘的行业alpha因子二次加权合成最终的因子得分。通过对比各个行业因子的绩效我们发现：1.各个因子两两相关性较低，说明各个因子获得行业alpha收益来源有较大差异。2.各个行业模型进行融合后综合因子绩效和稳定性相对于单一模型有显著提升，2018年以来等权因子的周度行业RankIC可达11.63%，年化超额为22.70%。这说明因子彼此可以形成互补，叠加以后可以带来增益。以上。Model2对短期行业动量暴露为相对较低，但对长期行业动量的暴露较高。通过合成因子动态调整行业约束来构建指增组合，我们发现：1.通过动态调整行业约束，可以使得各个宽基指数的指增组合绩效显著提升，其中沪深300指增组合年化超额提升1.02pct，中证500年化超额提升1.22pct，中证1000年化超额提升0.98pct，信息比等指标也都有显著提升。2.组合超额收益的回撤会有小幅上升。风险提示。1）量化模型基于历史数据分析，未来存在失效风险，建议投资者紧密跟踪模型表现。2）极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。 52.基于行业和个股维度数据构建的行业轮动模型 62.1.模型框架 6 6 83.中信一级行业轮动表现 3.1.因子性质及回测说明 3.2.各因子性质及绩效对比 3.5.合成因子绩效表现 3.6.合成因子与深度学习选股因子等权绩效表现 4.指增策略表现 4.1.指增组合构建及回测说明 4.2.沪深300指增组合 4.3.中证500指增组合 5.结论 6.风险提示 图表目录图表1：深度学习选股因子构建的行业轮动策略分年度超额表现（20171229~20260930） 5图表2：基于深度学习选股因子构建的行业轮动策略表现（20171229~20241231） 5图表3：基于深度学习选股因子构建的行业轮动策略表现（20250101~20260930） 5图表4：深度学习选股因子构建的行业因子动量暴露情况 6图表5：行业轮动模型框架示意图 6图表6：损失函数随迭代步数变化曲线 8图表7：特征重要性 8图表8：各因子相关系数矩阵 图表10：各因子行业动量暴露情况 11 12 12 图表19：合成因子分年度绝对收益表现（20171229~2026 图表20：合成因子分年度超额收益表现（20171229~20260930） 图表22：等权因子分年度绝对收益表现（20171229~20260930） 图表23：等权因子分年度超额收益表现（20171229~20260930） 图表27：使用风格因子明细 17图表30：不动态调整行业约束下沪深300组合走回撤右轴） 图表31：动态调整行业约束下沪深300组合走势（20171229~20260930）(净值左轴、回撤右轴） 18图表34：不动态调整行业约束下中证500组合走势回撤右轴） 图表35：动态调整行业约束下中证500组合走势（20171229~20260930）(净值左轴、回撤右轴） 19图表38：不动态调整行业约束下中证1000组合走势（20171229~20260930）(净值左轴、回撤右轴） 图表39：动态调整行业约束下中证1000组合走势（20171229~20260930）(净值左轴、回撤右轴） 華源証券源引金融活水润泽中华大地关于深度学习选股模型，我们之前系列研究了基于循环神经网络的多频率因子挖掘模型、基于残差网络的端到端因子挖掘模型、融合基本面信息的ASTGNN因子挖掘模型、ABCM(基于神经网络的alpha和beta因子协同挖掘模型)和StyleNet(捕捉市场风格信息的多因子挖掘模型)等。这些模型样本外均具有较强的选股能力。此外，我们直接将这些模型产生的选股因子按照个股流通市值加权聚合所形成的行业因子也具有较好的行业轮动能力。但2025年以来随着市场成交量的不断放大，行业层面的动量效应愈发显著的市场环境下，该思路构建的周频行业轮动策略表现较弱。我们根据深度学习选股因子构建的周度行业轮动策略绩效表现如下：回撤区间图表2:基于深度学习选股因子构建的行业轮动策略表图表3:基于深度学习选股因子构建的行业轮动策略表资料来源：Wind,华源证券研究所2025年以前除个别年份外，几乎每年策略超额收益都在10%以上，但2025年以来，选股因子聚合形成的行业因子在行业轮动上的超额净值(备选行业为30个中信一级行业，基准为30个中信一级行业等权)走势波动较为剧烈，且出现了几波比较大的回撤。另外一方面，当市场上某种选股风格较为强劲的时候，深度学习选股模型倾向于学习这种比较容易“捕捉”的风格轮动效应，导致模型在行业轮动上的学习不够充分，在这种情况下策略行业轮动的绩效稳定性通常较弱。为了进一步挖掘深度学习选股因子所学习到的行业alpha,我们讨论了深度学习选股因子在长短期行业动量上的暴露，如下图所示：華源証券源引金融活水润泽中华大地-12.97%-11.82%我们认为行业alpha收益主要由两部分构成，第一部分alpha来源于个股反转alpha传导到行业层面的，这部分alpha容易受到市场风格切换影响产生回撤因而稳定性较弱，另一部分来源于行业自身的动量和反转alpha。显然深度学习选股因子捕捉的行业alpha通常来源于前者，但第二种alpha占主导的时候，基于深度学习选股因子构建的行业轮动策略相对较弱。因此我们认为有必要构建一套专门的行业轮动模型来对我们的深度学习选股因子进行补充，这样信息的捕捉将更为充分。为了同时捕捉到来自于行业本身动量和反转alpha以及风格轮动伴生的行业alpha,我们同时构建Model1和Model2,其中Model1和Model2分别是从行业自身量价数据和个股量价基本面数据出发通过神经网络挖掘一些低相关的行业alpha因子，最后通过决策树模型对所挖掘的行业alpha因子二次加权合成最终的因子得分。整个框架如下图所示：Model2因子2.2.Model1模型构建对于Model1,我们是从行业本身的量价数据出发，由于行业的数据量相对较少，因此输入端我们会人工构建一些信息含量较为丰富的特征作为输入项使得模型的学习效率更高，而对于神经网络模型而言我们倾向于使用一些复杂度较低的结构以避免过拟合。使用的网络结构：整个网络模型的结构分成三部分：压缩器(Encoder)、特征提取器code=Encoder(x)=()其中，压缩器主要作用是特征压缩和信息提取，我们会通过一个MLP的结构将输入特征的维度降到一个较低水平。特征提取器主要由一个反对称Attention图结构组成（刻画行业之间“跷跷板”效应，某一行业资金关注度变高往往伴随另外一个行业热度下降其结构为：矩阵、均通过fvs进行全连接变换得到，该行业关联矩阵对角元为0（不考虑自身的影响ij号元素与ji号元素互为相反数，主要作用是从压缩特征中提取出一些低相关的行业alpha因子以及考虑不同行业的交互关系。而预测器主要作用是进行最终alpha因子生成。该模型的训练目标有三个，第一我们希望预测结果能够很好的拟合行业未来收益率的排序，第二我们希望所挖掘的行业alpha因子彼此低相关，第三我们希望Attention刻画的行业关联矩阵稀疏化程度更高（少数行业之间互相影响，大部分行业之间没有影响关系因此该模型的损失函数我们设计为：(,)+1∙1+2∙_()其中表示预处理后的行业收益率标签，1、2均为人工可调节的超参数，_表示行业alpha因子相关系数矩阵的frobenius范数。模型输入特征：输入端我们基于行业和指数层面的K线数据构建了115个量价特征，这些特征主要分为以下几个大类：(1)K线指标：高开低收、vwap除以前收盘价及其滚动N日均值、换手率及其滚动N日平均值。我们使用这些指标来刻画行业K线走势。高最低点距离（tomax、tomin）、bolling通道。我们用这些指标来刻画势的强弱。行业大单净流入占比、行业大单占比（根据日内个股数据进行合成）、行业收益率滚动用这些指标来刻画行业维度的反转效应。我们使用这些指标来刻画市场的流动性和牛熊状态。训练过程稳定性：由于模型在行业数据上训练，数据量相对较少，因此我们对模型训练稳定性情况也进行了讨论，并绘制损失函数随迭代步数变化曲线如下图所示：源引金融活水润泽中华大地華源証券通过上述损失函数随迭代步数变化曲线图我们可以看出：损失函数下降过程虽然局部有波动但全局下降过程相对较为平滑，且最终损失函数变化趋于平缓，说明整个训练过程较为稳定，且模型最终达到了收敛的状态。特征重要性：我们根据最新一年训练好的模型，使用积分梯度法分析各个特征重要性情况，其中：图表7:特征重要性2424通过上图可以看出特征重要性排名最靠前的17个特征大部分都是动量类的指标，这说明策略可能倾向于学习一些行业动量相关的信息。对于Model2,我们是从个股的量价和基本面数据出发，神经网络端训练流程与选股模型类似，但也存在一些差异。使用的网络结构：与选股模型使用的神经网络模型类似，整个模型可分成三部分：循环神经网络(RNN)、行业图模型(Graph)和预测器(Predictor):fvs=Graph(code)第8页/共21页其中，RNN模型的主要作用是时序特征提取，将时序信息压缩到截面特征向量之中；图模型的主要作用是考虑个股间的交互关系从而捕捉行业之间的交互关系，并产生包含轮动信息的低相关选股alpha因子；预测器的主要作用是合成最终的alpha因子。与选股模型不同的是我们希望模型挖掘的选股alpha因子里面尽可能多的包含行业相关的信息，而行业指数本身是流通市值加权的结果，大盘股对行业指数的影响相对更大，因此我们希望模型能够多学习到一些大盘股的规律，在建神经网络损失函数的时候，我们将全市场等权的-ic损失替换为了对数市值加权的−_作为损失函数，该损失函数的具体表达式如下所示：ℎ__=∑_∗_，ℎ__=∑_∗__=−ℎ___=−ℎ___=∑_∗_∗__=_=_∗(_−ℎ__)2_∗(_−ℎ__)2_(,)=_/(_∗_)其中_为股票i的size（对数市值）因子，表示预测结果，表示预处理后的个股收益率标签。总损失函数可表示为：−_(,)−∙_(,)这里表示预处理后的个股所在中信一级行业收益率标签，λ为人工调节的超参数。输入端数据集：输入数据集主要分五个，分别是不同频率的K线数据和逐笔数据合成的(1)周K线数据集（week个股周度高开低收、vwap、换手率特征；(2)日K线数据集（day个股日度高开低收、vwap、换手率特征；(3)分钟K线数据集（ms个股半小时高开低收、vwap、换手率特征；(4)Level2数据集（L2大单占比、大单收益率、开盘大单流入占比、尾盘大单流入占比等指标；净利润同比增速。源引金融活水润泽中华大地●回测区间：20171229~20260930RankIC>0数量占比；●ICIR:周频各期RankIC的均值比标准差；●最大回撤及换手率：为多头组合超额最大回撤及多头组合的换手率；●调仓方式：周度调仓，每周一收盘根据周五得到的因子得分进行买卖交易。首先，我们对比各个因子之间的相关性情况和汇总绩效表现，其中：(1)深度学习选股因子：深度学习模型构建的选股因子直接按照个股流通市值加权聚合形成的中信一级行业因子。(2)合成因子：Model1和Model2产生的弱因子fvs拼在一起进行二次加权得到。(3)行业动量暴露情况，根据计算行业因子与行业本身过去5、10、20、60、120、240天收益率相关性。图表9:各因子汇总绩效表现(20171229资料来源：Wind,华源证券研究所第10页/共21页源引金融活水润泽中华大地通过上述图表结果我们可以得到：(1)虽然都是从个股K线量价数据集出发，且Model2因子和深度学习选股因子映射形成的行业因子相关性仅有55.26%,Model1与其余因子之间相关性也较低分别为42.95%和21.49%,说明各个因子获得行业alpha收益来源有较大差异。(2)通过Model¹和Model2进行合成以后，合成因子RankIC可达11.63%,年化超额可达22.70%,相对单一模型绩效有显著提升。合成因子与深度学习选股因子再进行等权后绩效进一步提升，RankIC提升至11.78%,这说明因子彼此可以形成互补效应，叠加以后可以带来增益。(3)Model1对行业短期和长期动量暴露均相对更为显著,与ret5、10、240的相关性均在10%以上。Model2对短期行业动量暴露为相对较低，但对长期行业动量的暴露较高。本节我们展示Model1因子多头组的绩效表现以及因子的分组能力：回撤区间资料来源：Wind,华源证券研究所第11页/共21页華源証券源引金融活水润泽中华大地图表13:Model1因子分组单调性(20171229~20260930)3.68%通过上述图表结果，可以看出在各个因子中，Model1因子绩效虽然相对较弱，但其超额的稳定性较强，除2025年外每年超额收益均为正，超额收益的最大回撤仅为-8.48%,发生在20220620~20220721区间。本节我们展示Model2因子多头组的绩效表现：-14.13%资料来源：Wind,华源证券研究所第12页/共21页源引金融活水润泽中华大地華源証券图表16:Model2因子分组单调性(20171229~20260930)图表17:Model1多头净值走势(20171229~20260930)3.3.50.5一—基准(左轴》—多头绝对(左轴)—多头超额(右轴)图表18:Model2多头净值走势(20171229~20260930)一—基准(左轴)—多头绝对(左轴)-资料来源：Wind,华源证券研究所通过上述图表结果，可以看出Model2因子整体绩效相对Model1更优，但其超额的最大回撤相对更大，通过最大回撤的几次发生时点来看，Model2的行业alpha可能更受个股风格轮动的影响，当市场风格发生较大切换的时候，模型通常容易发生回撤。本节我们展示合成因子多头组的绩效表现：图表19:合成因子分年度回撤区间-1.11%-0.14资料来源：Wind,华源证券研究所第華源証券源引金融活水润泽中华大地图表20:合成因子分年度回撤区间-5.61%15.85%资料来源：Wind,华源证券研究所%通过上述图表结果，可以看出合成因子绩效相对Model1和Model2单个模型而言有显著增量，年化超额相较于Model1提升了7.59pct,相较于Model2提升了6.42pct,最大回撤相较于Model2也有所下降，分组收益相对单一模型而言也更为单调。这说明Model1和Model2叠加之后形成互补效应。本节我们展示合成因子与score_v4等权合成的因子多头组的绩效表现：回撤区间资料来源：Wind,华源证券研究所第14页/共21页源引金融活水润泽中华大地華源証券回撤区间资料来源：Wind,华源证券研究所图表24:等权因子分组单调性(20171229~20260930)5.00%图表25:合成因子多头净值走势(20171229~20260930)图表26:等权因子多头净值走势(20171229~20260930)基准(左轴)一多头绝对(左轴)资料来源：Wind,华源证券研究所通过上述图表结果，可以看出合成因子与score_v4因子进一步等权之后，等权因子的RankIC和RankIC胜率会进一步提升，2025年以后受到深度学习选股因子的拖累，等权因子超额净值走势斜率明显变得平缓，2025年超额收益下降至13.02%。上一章实验结果说明合成因子在行业维度上能够对score_v4带来较大增量，因此本章我们将合成因子融入到选股维度观察是否能够带来增量，具体融入方式是在构建指增组合的时候通过合成因子来指导行业约束。第源引金融活水润泽中华大地4.1.指增组合构建及回测说明●使用因子：score_v4(StyleNet:捕捉市场风格信息的多因子挖掘模型)●回测期20171229~20260930,组合周频调仓，假设根据每周五个股得分在次日以vwap价格进行交易，股票池为中证全指成分股剔除北交所。●风格约束按照以下方式进行控制：(1)所有风格因子(明细如下图所示)相对基准指数暴露不超过0.5倍标准差；(2)不动态调整行业约束：所有行业因子相对暴露介于±2%;动态调整行业约束：若行业轮动模型看多该行业则行业因子相对暴露介于0~2%,反之则介于-2%~0。●指增策略组合构建时，限制指数成分股占比，成分股占比为80%约束，周单边换手率限制为20%,个股权重偏离均限制为±1%。●组合业绩测算时假设买入成本千分之一、卖出成本千分之二，停牌和涨停不能买入、停牌和跌停不能卖出。ep市盈率倒数cfp市现率倒数净资产增长率4.2.沪深300指增组合首先我们展示两种行业约束条件下，沪深300指增组合的汇总和分年度绩效表现，并绘制了组合净值走势曲线如下：图表28:沪深300指增组合汇总表现(20171229~20260930) 资料来源：Wind,华源证券研究所第16页/共21页源引金融活水润泽中华大地華源証券图表30:不动态调整行业约束下沪深300组合走势(20171229~20260930)(净值左轴、回撤右轴)4.504.00对冲净值(20171229~20260930)(净值左轴、回撤右轴)5.003.504.3.中证500指增组合接着我们展示两种行业约束条件下，中证500指增组合的汇总和分年度绩效表现，并绘制了组合净值走势曲线如下：图表32:中证500指增组合汇总表现(20171229~20260930)资料来源：Wind,华源证券研究所第17页/共源引金融活水润泽中华大地華源証券图表35:动态调整行业约束下中证500组合走势(20171229~20260930)(净图表35:动态调整行业约束下中证500组合走势(20171229~20260930)(净值左轴、回撤右轴)(20171229~20260930)(净值左轴、回撤右轴)4.00%8.004.4.中证1000指增组合最后我们展示两种行业约束条件下，中证1000指增组合的汇总和分年度绩效表现，并绘制了组合净值走势曲线如下：图表36:中证1000指增组合汇总表现(20171229~20260930)资料来源：Wind,华源证券研究所源引金融活水润泽中华大地華源証券图表38:不动态调整行业约束下中证1000组合走势(20171229~20260930)(净值左轴、回撤右轴)6.004.00-8.00%图表39:动态调整行业约束下中证1000组合走势(20171229~20260930)(净值左轴、回撤右轴)4.00通过上述图表结果，可以看出：(1)通过动态调整行业约束，可以使得各个宽基指数的指增组合绩效显著提升，其中沪深300指增组合年化超额提升1.02pct,中证500年化超额提升1.22pct,中证1000年化超额提升0.98pct,信息比等指标也都有显著提升。(2)组合超额收益的回撤会有小幅上升。5.结论关于深度学习选股模型，我们之前系列研究了基于循环神经网络的多频率因子挖掘模型、基于残差网络的端到端因子挖掘模型、融合基本面信息的ASTGNN因子挖掘模型、ABCM (基于神经网络的alpha和beta因子协同挖掘模型)和StyleNet(捕捉市场风格信息的多因子挖掘模型)等。这些模型样本外均具有较强的选股能力。第19页/此外，我们直接将这些模型产生的选股因子按照个股流通市值加权聚合所形成的行业因子也具有较好的行业轮动能力。但2025年以来随着市场成交量的不断放大，行业层面的动量效应愈发显著的市场环境下，该思路构建的周频行业轮动策略表现较弱。另外一方面，当市场上某种选股风格较为强劲的时候，深度学习选股模型倾向于学习这种比较容易“捕捉”的风格轮动效应，导致模型在行业轮动上的学习不够充分，在这种情况下策略行业轮动的绩效稳定性通常较弱。我们认为行业alpha收益主要由两部分构成，第一部分alpha来源于个股反转alpha传导到行业层面的，这部分alpha容易受到市场风格切换影响产生回撤因而稳定性较弱，另一部分来源于行业自身的动量和反转alpha。显然深度学习选股因子捕捉的行业alpha通常来源于前者，但第二种alpha占主导的时候，基于深度学习选股因子构建的行业轮动策略相对较弱。因此我们认为有必要构建一套专门的行业轮动模型来对我们的深度学习选股因子进行补充，这样信息的捕捉将更为充分。新模型框架分为两个子模块，我们分别称之为Model1和Model2，它们分别是从行业自身量价数据和个股量价基本面数据出发通过神经网络挖掘一些低相关的行业alpha因子，最后通过决策树模型对所挖掘的行业alpha因子二次加权合成最