转移熵方法如何量化个股对行业的信息传导并提升轮动策略有效性？

转移熵方法通过衡量在已知目标序列（行业）自身历史的条件下，源序列（个股）历史还能额外减少多少对目标未来的不确定性，来量化信息传导强度。相比传统线性相关性，转移熵能捕捉非线性关系、方向性及条件依赖性，更准确地识别真正具有行业信息引领能力的个股。它不直接判断涨跌方向，而是评估个股状态对行业下期状态预测准确度的提升程度。

在策略构建上，报告从技术面和基本面两个维度拓展转移熵框架。技术面策略结合高转移熵股票的动量状态，识别价格信息的扩散方向；同时引入条件状态转移概率，根据历史相似状态下个股与行业的联动关系，修正对行业未来涨跌方向的预期。基本面策略则将状态变量替换为标准化未预期盈利（SUE）和分析师盈利预期变化，通过时间衰减和样本连续性调整，克服基本面数据低频和状态僵滞的问题，捕捉业绩信息在行业内的非同步扩散。

将技术面与基本面信号等权合成后，构建的综合因子与传统行业轮动模型中的技术、基本面、资金流及宏观因子相关性均较低，其中与原技术面因子相关性最高仅为37.16%。这种低相关性意味着新因子提供了独立的增量信息。将其纳入原有模型后，不仅提升了年化超额收益率，还改善了超额收益风险比和月度胜率，特别是在原模型表现较弱的市场环境中展现出互补价值。最终，通过动态筛选与流动性约束的ETF映射机制，该策略实现了从理论模型到实际投资工具的有效落地，保持了稳定的超额收益获取能力。