行业轮动系列（一）：基于相关性的行业轮动模型，计量经济+机器学习-20190813-浙商证券-24页_1mb

行业轮动模型分析总结

核心内容

本文探讨了基于行业相关性的行业轮动模型，结合计量经济学与机器学习方法，旨在利用行业间的滞后超额收益预测未来行业收益。通过构建“充分预测向量”，提升模型的预测能力，并通过回测验证其有效性。

主要观点

• 行业轮动的本质：行业轮动是一种行业间轮流上涨的现象，可能源于经济联系或交易行为的统计相关性。作者认为，即使无法完全理解本质，也可以通过发现和利用相关性进行投资决策。
• Adaptive Lasso 回归：该方法用于识别行业间的相关性，通过稀疏性惩罚项（L1）实现变量选择与降维，解决了传统回归模型中的共线性问题。但其R方较低，表明预测能力有限。
• 充分预测向量：为了提高预测效果，作者引入了切片逆回归（Sliced Inverse Regression）方法，通过有监督降维构建对目标变量解释力更强的主成分，从而提升预测精度。
• 回测结果：在2004年10月至2019年7月的回测中，多头组合的累计收益率为850.55%，空头为197.32%，多-空收益为213.03%。多头组合的夏普比率0.70，显著优于沪深300的0.33。年化波动率也有所下降，显示策略具有更好的风险调整后收益。

关键信息

1. 行业风险收益指标（年化）

2. Adaptive Lasso 回归结果

• 行业间的显著相关性：建筑装饰对多个行业有正向预测作用，房地产对医药生物和机械设备有负向影响。
• R方分析：尽管R方普遍较低，但部分行业（如公用事业）的R方达到16.15%，表明存在一定的解释力。
• 显著性：通过Bootstrap方法计算置信区间，标有*的系数表示显著性。

3. 充分预测向量计算

• 农林牧渔：R方从1%提升至10.10%。
• 计算机：R方从1%提升至6.18%。
• 非银金融：R方达到60%，显示其预测能力最强。

4. 回测指标（2004.10-2019.07）

5. 行业间相关性总结

6. R方与夏普比率关系

• 理论分析：当R方大于夏普比率的平方（即 $ R^2 > S^2 $）时，说明预测变量对被解释变量有实际意义。
• 实证数据：2000年以来行业指数平均的夏普比率平方为4%，因此R方大于4%的模型被认为具有实际意义。

结论

本文通过Adaptive Lasso和切片逆回归方法构建了基于行业相关性的预测模型，有效提升了预测精度。回测结果表明，该策略在多头组合中表现良好，具有较高的年化收益和夏普比率。未来研究可以进一步优化模型参数，提高预测效果。