主题模型下的行业重构应用有哪些？

下面择机将重构结果应用到组合优化、 行业轮动、相似股因子以及权重优化等应用场景进行测试。

1、重构行业在组合优化中的尝试

兴证金工在指数增强领域布局较早，且样本外表现较为优异。我们以沪深 300 增强为例：整体上我们采用动态因子筛选机制，借用Adaboost算法构建复合因子， 进一步在组合优化的条件下构建沪深 300 增强模型。模型构建于 2021 年 1 月份， 样本外表现优异。 在保证 Alpha 因子一致的情况下，我们对比用新行业和中信一级行业带来的 差异。我们严格按照公募产品的要求，具体如下： 1. 偏离约束：个股权重偏离±2%、行业偏离±2%、市值偏离±2%、Barra 的 Beta 约束偏离±2%； 2. 调仓成本：双边 0.3%； 3. 回测区间：由于重构的行业自 2015 年 4 月底开始，所以我们的回测区 间为 2015/4/30-2024/2/29；4. 其他：1）调仓频度：月度（但日度回测）；2）成分股占比 80%；3） 跟踪误差约束 5%； 从测试结果来看，引入新的行业分类做的沪深 300 增强策略年化超额高达 11.54%、最大回撤和跟踪误差均在 5%以内。相比于之前的策略模型有较大幅度的 改善，即便分年度来看，在绝大部分年份都能稳定的战胜之前的模型。尤其是近 些年增强难度加大的情况下，新模型愈发有效，这也契合公司经营业务多元化越 来越明显的趋势。

2、多行业概率下的轮动策略构建

在众多行业轮动模型中，基于个股打分的行业轮动模型是最为常见的模型之 一。以此前我们兴证金工团队在推出的三因子行业轮动策略为例（报告《基于盈 余惊喜(基本面)、残差动量(技术面)、北向资金(资金流)的行业轮动模型》，发布于 2022 年 3 月 27 日），该模型以盈余惊喜（基本面）、残差动量（技术面）、北向资 金（资金流）三维度信息构建行业轮动模型，首先在单因子层面通过直接构建、 加权平均或整体法的方式构建出中信一级行业层面的三因子打分情况，再在每月 底，将每个行业各个因子的排名等权合成为综合指标，称为该行业的“综合打分”， 并选取排名最高的五个行业构建等权组合。

此类模型的好处在于：可以将个股打分通过复合方式对行业进行打分，其常 见的做法为使用行业内成分股的权重进行加权平均。然而，在上文中我们提及， 对于一家多业务模式的公司而言，其自身对于行业的影响力应该不仅仅局限于单一行业，而应该映射至多个行业中。因此，我们在本节中尝试使用主题模型下的 行业分类结果，通过个股打分复合的方式对行业进行打分，进而构建行业轮动模 型。在新的基于个股打分的行业轮动模型中，我们需要综合考虑股票市值、股票 对应行业的概率以及个股因子值三个维度的信息。 该方案中，我们同时考虑了公司市值、所属行业概率对于行业的影响以及个 股分数，进而完成了行业打分。在确定好新的行业打分方式后，我们尝试构建一 套新的行业轮动模型，以判断其在行业轮动中是否起到提升的作用。我们沿用团 队行业轮动模型中的盈余惊喜（SUE）和北向资金（资金流）因子，叠加成长和技 术面信息构建行业轮动模型。具体来说，我们选择了盈余惊喜（SUE）、北向资金 （资金流）、单季度营业利润同比增长率和过去 20 天日均换手率作为股票因子。 在每个月末，我们首先将四个因子在个股层面进行复合，得到个股复合因子；再 基于上述新行业分类下的打分机制得到行业得分，并选择前 5%或 10%的行业作 为最终选择的行业，并按照对应流通市值加权得到最终的行业轮动模型。此外， 我们以同一复合因子构建中信一级行业轮动模型、团队原有的行业轮动模型、以 及同期万得全 A 指数作为对标基准。

回测区间设置为 2015 年底至 2023 年底，调仓频率为月频。以主题模型行业 轮动-前 10%为例，模型每期选择的行业个数大约为 8 个。回测结果展示如下：前 5%的行业轮动模型年化收益率为 14.19%，同期原有模型为 8.04%，中信一级行业 轮动为 3.72%。两种新策略的收益波动比和收益回撤比也有着较大幅度的提升。 无论是前 10%还是前 5%的主题模型行业轮动策略，其表现均明显优于基于中信 一级行业构建的行业轮动模型以及同期市场基准，这表明加入公司对应多个行业 的影响拆分后，行业轮动的有效性得到了较大的提升。

更进一步，我们在主题模型行业轮动上进行改进。通过观察发现：在一些公 司个数较小的行业中，存在着部分概率极高但市值较小的公司，这些公司在目前 的计算中对该行业的影响程度偏高，导致这些行业打分出现偏差。因此，我们尝 试对能够打分的股票进行筛选，仅考虑具有代表性的股票。具体来说，我们在行 业打分时仅考虑过去一段时间内有被分析师覆盖过的股票，并测试在改进前后的 表现。

行业选择的个数与之前基本一致。回测结果展示如下：改进后的前 5%行业轮 动模型年化收益率为15.38%，改进前为12.33%，原有模型为8.04%，基准为-0.99%。 此外，模型的收益波动比为 0.84，相比于原有模型也有较大幅度的提升。整体来 说，改进后的前 5%主题模型行业轮动策略的表现明显更优，这表明筛选出具有一定代表性公司能够提升行业打分的准确性，尤其是针对行业选择较少的模型。

此外，从月度表现上看，前 5%策略分月度胜率（月度收益率为正数的占比） 约为 64.6%，同期市场基准月度胜率约为 47.9%，策略相对于基准的月度胜率约为 61.5%。从年度表现上看，除了 2019 年略微跑输基准之外，其他年份均明显战胜 基准，尤其是 2017 年和 2022 年。策略近 3 年相对市场基准的超额收益率约为 60.4%。