20180528-光大证券-技术指标系列报告之五_行业轮动_从动量谈起_22页_1mb

行业轮动：从动量谈起

核心内容

本报告探讨了行业轮动中的动量效应，并尝试构建新的技术指标以增强动量的预测能力。报告指出，动量效应在不同行业分类和时间周期中表现不一，且传统动量指标存在一定的局限性。通过引入龙头跟随效应和成交量信息，可以有效增强动量指标的预测能力，构建出更有效的行业轮动策略。同时，报告还介绍了如何结合不同维度的信息，使用打分法和Black-Litterman模型构建完整的行业轮动策略。

主要观点

1. 动量效应与行业轮动：

   • 动量效应在行业轮动中具有重要作用，尤其在大类行业中更为显著。
   • 行业分类越粗，动量效应越强；月度轮动效果优于其他时间周期。
   • 传统动量指标（基于上期收益率）在近年来的轮动效果逐渐减弱。

2. 龙头跟随效应：

   • 行业内龙头与跟随者的股价变化具有领先滞后关系，龙头领先程度可预示行业未来走势。
   • 构建的龙头领先程度指标为：
     $$
     \text{Herd Index}{\text{sector}} = \frac{\text{mean(Leader)}{\text{sector}} - \text{mean(Follower)}{\text{sector}}}{\text{std(Stock)}{\text{sector}}}
     $$
   • 该指标在分割参数为0.9时表现最佳，样本内年化超额收益为14.4%，最大回撤为12.2%，夏普比率为0.98。

3. 动量增强指标：

   • 通过结合龙头领先程度与成交量数据，构建动量增强指标：
     $$
     \text{Aug Momentum}{\text{sector}} = \left| \frac{\text{Demean(mean(Leader)}{\text{sector}} - \text{mean(Follower)}{\text{sector}})}{\text{std(Stock)}{\text{sector}} \times \text{Monthly Volume}{\text{sector}} \right| \times \text{Monthly Return}{\text{sector}}
     $$
   • 在窗宽参数为50时，该指标表现最佳，样本内年化超额收益为15.5%，最大回撤为14.3%，夏普比率为0.96。

4. 多指标融合策略：

   • 打分法（投票法）结合龙头领先程度、动量增强指标和成交量指标，样本内年化超额收益为12.3%，夏普比率为1.07，最大回撤为10.9%，月度胜率为62.3%。
   • Black-Litterman（B-L）模型法融合各指标信息，样本内年化超额收益为10.2%，夏普比率为0.94，最大回撤为13.2%，月度胜率为63.8%。样本外表现也较为稳定。

关键信息

• 行业分类与动量：

  • 一级行业的动量效应最强，三级行业几乎无动量效应。
  • 月度动量效果优于季度、半年度和年度动量。

• 策略表现：

  • 打分法：
    • 样本内：年化收益34.7%，最大回撤61.2%，夏普比率1.02，月度胜率62.3%。
    • 样本外：年化收益9.9%，最大回撤44.6%，夏普比率0.46，月度胜率60.0%。
  • B-L模型法：
    • 样本内：年化收益32.5%，最大回撤61.4%，夏普比率0.98，月度胜率63.8%。
    • 样本外：年化收益16.1%，最大回撤44.0%，夏普比率0.60，月度胜率52.5%。

• 分年度表现：

  • 打分法策略在2006-2018年间，仅2015年跑输基准，整体胜率优秀。
  • B-L模型法策略在2015-2018年间，仅2010年跑输基准，整体表现更为稳定。

• 近期持仓情况：

  • B-L模型法在2018年5月的持仓行业为：钢铁、石油石化、非银行金融、医药。

风险提示

• 测试结果基于模型和历史数据，存在模型失效的风险。
• 报告中的分析和估值方法基于各种假设，可能存在偏差。
• 投资决策应结合自身情况，谨慎进行，不构成最终操作建议。

总结

本报告系统地分析了行业轮动中的动量效应，并提出了基于龙头跟随效应和成交量信息的动量增强策略。通过打分法和Black-Litterman模型，融合不同技术指标，构建出具有较强轮动效果的行业投资策略。尽管这些策略在样本内表现良好，但在样本外仍需谨慎对待，因为模型可能失效，且市场环境变化可能导致策略效果减弱。