1、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：以史为鉴，可知兴替：模式识别视角的行业轮动模式识别视角的行业轮动策略策略 量化策略专题研究2020.1.9 中信证券研究部中信证券研究部 核心观点核心观点 王兆宇王兆宇 首席量化策略 分析师S1010514080008 赵文荣赵文荣 首席量化与配置 分析师 S1010512070002 张依文张依文 量化策略分析师S1010517080004 刘方刘方 首席组合配置 分析师 S1010513080004 厉海强厉海强 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本篇报告聚焦于模式匹
2、配算法在行业轮动方面方面的应用，的应用，对全部中信一级行业对全部中信一级行业整体整体通过通过模式匹配模式匹配寻找寻找历史的历史的相似时点，相似时点，并并根据相似时点未来的根据相似时点未来的市场表现优化行业配市场表现优化行业配置权重置权重，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，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收益及及稳健稳健性性，能够给投资者提供，能够给投资者提供基于历史规律基于历史规律的行业配置观点。的行业配置观点。投资聚焦：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
3、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”
4、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、 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：损失相对收益匹配：损失 Beta 信息的收益。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
6、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。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。每日免费获取报告1、每日微信群内分享7+最新重磅报告；2、每日分享当日华尔街日报、金融时报；3、每周分享经济学人4、行研报告均为公开版，权利归原作者所有，起点财经仅分发做内部学习。扫一扫二维码关注公号回复：研究报告加入“起点财经”微信群。量化策略专题研究量化策略专题研究2020.01.08 请务必阅读正文之后的免责条款部分 目录目录 投资聚焦投资聚焦.1 从相似模式看市场从相似模式看市场.1 案例一：牛熊转换下的市场模式.
7、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 历史配置权重：金融、科技和消费排名靠前.14 最新行业推荐（2019-12-24）.16 风险因素风险因素.16 相关研究相关研究.17 量化策略专题
8、研究量化策略专题研究2020.01.08 请务必阅读正文之后的免责条款部分 插图目录插图目录 图 1：2015 年牛熊转换时期的中信一级行业收益率序列.2 图 2：与 2015 年牛熊转换最相似的时期.3 图 3：与 2015 年牛熊转换最不相似的时期.3 图 4：2015 牛熊转换时期与其相似时期、非相似时期的银行行业指数/沪深 300 走势图.4 图 5：2009 年上半年的“煤飞色舞”行情的收益率序列与其相似时期.4 图 6：中国煤炭指数.5 图 7：“煤飞色舞”行情时期与其相似时期的煤炭行业指数/沪深 300 走势图.5 图 8：两段“煤飞色舞”行情的局部相关性.6 图 9：“煤飞色舞
9、”行情日期和相似期的各行业超额收益（相对平权）.6 图 10：2018 年后周期属性行情的收益率序列及其相似时期.7 图 11：后周期属性行情时期与其相似时期的食品饮料行业指数/沪深 300 走势图.7 图 12：两段后周期属性行情的局部相关性.8 图 13：模式匹配策略流程图.9 图 14：数据形式示意图.9 图 15：模式匹配行业轮动策略原理示意图.10 图 16：收益率长度为 10 个交易日的参数选择期和模拟测试期的收益率.12 图 17：收益率长度 5 个交易日的参数选择期和模拟测试期的收益率.12 图 18：模式匹配策略净值曲线.13 图 19：超额收益匹配策略的净值走势.14 图
10、20：中信一级行业平均月持仓.15 图 21：前八大重仓行业时序图.15 图 22：中国 GDP，不变价当季同比.16 图 23：半导体销量，全球同比.16 表格目录表格目录 表 1：训练期的子策略参数.11 表 2：用以模拟测试的子策略参数.12 表 3：模式匹配行业轮动策略测试期业绩表现.13 表 4：超额收益匹配策略的测试期业绩表现.14 表 5：最新行业预测与权重配置.16 量化策略专题研究量化策略专题研究2020.01.08 请务必阅读正文之后的免责条款部分 1 投资聚焦投资聚焦 人工智能浪潮的来临，人工智能浪潮的来临，给给金融金融行业行业带来了新的机会，带来了新的机会，海内外海内外
11、金融机构争相布局，尤其金融机构争相布局，尤其是一些对冲基金是一些对冲基金。2018 年 5 月，巴克莱对冲基金（BarclayHedge）对对冲基金专业人士做了一项关于 AI/ML 使用情况的调查，显示过半的对冲基金受访者（56%）使用人工智能进行投资决策，而在一年前的调查中仅 20%的受访者表示使用 AI/ML。近年来不少顶级人工智能专家转近年来不少顶级人工智能专家转战战证券投资领域。证券投资领域。2017 年 5 月，微软人工智能首席科学家、IEEE Fellow 邓力加入美国基金公司 Citadel 担任首席人工智能官。2018 年 5月，摩根大通宣布聘请卡耐基梅隆大学机器学习系主任 M
12、anuela Veloso 博士担任人工智能研究院负责人。包括嘉实基金、华夏基金、平安资管和泰康资产在内的国内的公募基金和资管机构也纷纷布局人工智能在投资领域的应用研究。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，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挖掘行业的轮动规律，并根据相似并根据相似的的时时点点的的行业行业构建策略，进行行业配置构建策略，进行行业配置。在 2010 年 1 月到 2019 年 11 月进行回测。模式匹配策略复合年化收益为 9.55%，年化超额 8.13%，信息率达
13、到 0.94，超额收益的最大回撤仅 8.37%。从相似模式看市场从相似模式看市场 借鉴相似性进行分析是一种广泛应用的方法。借鉴相似性进行分析是一种广泛应用的方法。如何产生对未来的投资观点，一个朴素的办法是参考相似历史环境下价格的走势。该方法的运用极为广泛，比如：宏观分析师参考其他经济体的相似经验来预测本国的经济走势；行业分析师借鉴相似行业或公司的估值水平来给某一新公司定价；事件驱动策略开发者集合多次事件发生前后的变化研究事件冲击。本文的角度是采用价格进行匹配，来捕捉价格变动的背后逻辑。而且有别于常用的单而且有别于常用的单资产序列匹配自身历史，我们对资产序列匹配自身历史，我们对全部中信一级全部中
14、信一级行业进行整体匹配，行业进行整体匹配，这样的方式既包含时间这样的方式既包含时间序列信息，又包含了截面信息，尤其是行业间序列信息，又包含了截面信息，尤其是行业间的结构的结构性信息性信息，能够能够对大背景进行更精准的对大背景进行更精准的定位。定位。基于收盘价序列，可以统计 28 个（去掉综合）中信一级行业 5 个交易日的累计收益作为截面收益率，选取连续的 20 个截面（共计 100 天）的行情序列矩阵（维度为20 28）作为市场的状态，来观察未来 20 天的市场表现的差异。具体匹配过程见第四节“策略主要步骤：匹配、优化和综合”。下面给出几个模式重现的案例来说明市场存在一些固定的模式，且能够重现
15、。量化策略专题研究量化策略专题研究2020.01.08 请务必阅读正文之后的免责条款部分 2 案例一：案例一：牛熊转换下的市场模式牛熊转换下的市场模式 下图展示了 2015 年牛市最后阶段的行情趋势，这一时期作为典型的大牛大熊转换时期，经常被用来考察投资策略在极端行情下的表现。此轮行情从 2014 年 7 月启动，上证综指到年底快速上涨 60%+。在 2015 年 1 月份调整后，又开始了一轮上涨，到 2015 年 6月 12 日到达牛市顶底。随后开始暴跌，到 2015 年 6 月 23 日累计跌幅达 10.6%。这里以截至 2015 年 6 月 23 日的行情为市场的状态，观察后续 20 个
16、交易日（6 月 24至 7 月 21 日）的行情。可以看到在市场大幅下跌的时候，避险情绪快速上升，银行成为了避风港。在其它行业跌幅超过 10%的情况下还能保持不下跌，具有较强的抗跌属性。图 1：2015 年牛熊转换时期的中信一级行业收益率序列（t=2015 年 6 月 23 日）资料来源：Wind，中信证券研究部，w：5 个交易日，m：20 个交易日，下同。黄线上方为用来匹配的状态矩阵，下方为未来的市场表现 这一幕在历史中其实已多次发生，通过匹配相同长度市场状态的相似度，我们找到历史中最相近的时刻，为 2007-2008 的牛熊转换时期，具体的市场状态截止日期为 2008 年3 月 19 日，可以看到在当时的市场环境中，表现最好的依然是银行。尽管两轮牛市的上涨尽管两轮牛市的上涨逻辑可能不同，但是在行业表现方面依然存在一些规律，如这里逻辑可能不同，但是在行业表现方面依然存在一些规律，如这里的“的“银行抗跌银行抗跌”的逻辑。的逻辑。t-19w0.980.970.981.001.031.021.021.001.010.991.010.961.001.031.010.981.040.990.9
