摘要
以下内容节选自20240814发布的浙商证券金融工程专题报告《利用趋势追踪实现行业配置》。
01
研究背景
时序动量策略由来已久，又被称为趋势追踪策略。在管理期货策略及投资组合管理中，趋势追踪是策略的主要构成部分。基础形式是根据过去一段时间的收益率来判断是否持有或卖出资产，在此基础上也有不少投资者使用调整后的技术指标代替收益率作为动量的判断依据。
在应用动量模型时，我们经常会观察到不同的趋势和均值反转，可将其视为在多个时间尺度上同时出现的短期趋势集合。在此基础上，市场规则的变化更加大了多种交易信号融合的难度。深度动量网络（DMN）应运而生，即，引入深度神经网络来提升时序动量模型的风险调整收益。
在投资组合管理中，趋势策略在大类资产配置和行业配置两个场景下有不同的应用。传统方法下，由于大类资产间的价格相关性较低，依据各资产自身的时序动量生成的择时信号可直接得到配置组合；而对于行业配置场景，往往采用截面动量比较的方法来选取行业指数组合，即选取相同的指标和标准化方法对各个资产进行趋势预测从而选择优势资产。在进行截面比较过程中，不同行业间的信号可比性一直是量化策略要解决的关键问题。
02
行业指数择时初探
2.1. 基于日频价量的择时模型
在前期研究中，我们利用日频价量数据和端到端模型构建择时信号，使用申万一级行业指数的历史数据进行训练，对模型的择时效果和泛化能力有以下收获：
1、价量择时在大部分行业上有效：申万一级行业中，26/31个行业上的择时策略相较于买入持有基准的年化超额在+3.5%以上，11/31个行业上年化超额收益在11%以上。食品饮料、商贸零售、建筑装饰、交通运输行业择时策略夏普比率在1.0以上（见表1）。
2、价量择时策略对周期、消费、医药相关行业适应性差：择时收益排名靠后的行业集中在周期(煤炭、石油石化、有色金属)、消费(轻工制造、社会服务、家用电器)和医药行业。
3、多空仓位调整的平均周期在1-2周左右，不同行业间差距较小；整体上来看，择时收益高的行业换手率略高于平均水平（见图1）。
从行业择时升级到行业配置，我们在前期研究中尝试了2种方案：
方案一：单行业择时信号直接组合：利用择时模型对每个行业指数分别生成择时信号，调仓时点看多的行业作为配置组合。由此得到的配置策略在2021.06至2023.05期间相较于行业等权基准的年化超额在9%以上。
方案二：增加网络模块进行行业间比较，选取行业组合：没有中间步骤/单行业择时判断，利用时序神经网络直接对行业指数进行特征提取，通过注意力网络进行量化行业比较，得到行业配置价值评估生成行业组合。方案二使用了端到端的行业配置模型，优化后的配置策略在2021.06至2024.04相较于行业等权基准的年化超额在17%左右。
本报告中，我们探究对行业择时信号进行优化，再构建行业配置组合。即采用方案一构建配置组合，对单资产择时信号的有效性提出更高要求。
2.2. 探究影响趋势追踪的资产内在属性
趋势追踪信号很大程度上受到底层资产价格趋势性的影响，对趋势追踪策略的优化过程就是和底层资产风险收益特征匹配的过程。
我们计算同期行业指数的波动率（按周度收益率计算，区间为2019.01至2022.12），择时收益和超额夏普比率与指数波动率的关系如图2、3所示，其负向关系并不显著。但根据全区间的波动率水平来分析波动率对行业指数择时的影响并不全面，结合图4-9中不同区间不同股票行业指数的波动率变化情况分析（说明：因2015-2016行情较特殊，股票指数波动整体高于平均水平，故图6-9选取2019年以后的行业指数波动率变化进行比较，其中农林牧渔、计算机行业是价量择时基线策略较为有效的2个标的，煤炭、轻工制造是择时策略表现较差的2个标的）：
1、长期波动率水平在大类资产间有明显差异，对比之下，股票指数的长期波动率近似于常变量（表2、3）。
2、股票指数短期波动率水平（1-2年）以长期波动率为中枢变化，但可能持续处于一个偏离区间内。例如，农林牧渔行业指数过去10年左右的波动率约为28%，在2019年5月至2021年7月两年左右的时间内，该指数短期波动率（计算窗口为250交易日）大于28%；2023年以后该指数短期波动率处于28%以下，下降至15%，至2024年6月回到20%附近。
3、长期波动率水平接近的股票行业指数，其短期波动率变化可能大相径庭。例如，计算机和煤炭行业指数的长期波动率水平较为接近，分别为33%、30%（行业指数长期波动率最低值为20.32%），但在2020年以后两指数的短期波动率水平近似于反向变化，煤炭行业指数波动率不断上升至2022年10月（29%→44%），而计算机行业指数波动率由2020年4月的36%不断降低至2022年1月的22%。
4、不同行业指数间长期波动率的相对高低会随时间变化。例如，2021年底的计算机和农林牧渔行业指数，2024年5-6月左右的农林牧渔和轻工制造行业指数，其短期波动率的相对高低和长期波动率相反。
我们考虑以下3点来引入资产内在属性优化趋势追踪模型：
1、当回看窗口中出现相同价量形态时，波动率水平一定程度上代表了资产的内生动能，能为模型提供额外信息来判断未来价格走势。
2、而且由于计算区间划分时点的问题，会出现短期波动率下降、中期波动率上升，或短期波动率上升而中期波动率下降的情况。如果是近期行情快速切换带来的波动率变化，短期和中期波动率同向变化。而当中短期波动率出现异步变化，并且其中一个快速上升或下降时，变化较为缓慢的波动率变化更接近真实的波动率变化。
3、作为趋势预测模型的输入，长期波动率相当于静态变量表征资产类别，中短期波动率共同表征其内部波动率变化。
03
指数趋势追踪模型
本章将详细介绍从趋势追踪视角优化后的指数择时模型，按照数据预处理，特征工程，以及模型结构的顺序逐一介绍。
3.1. 数据处理及特征提取
数据预处理方面，基线模型保留了日频价量的全部信息，进行时序上的标准化，即滚动窗口z-score，其中价格数据统一使用收盘价历史数据进行z-score，保留了日内价格之间的相对关系。
前期行业配置模型中，我们分析了纯价量标准化的局限性：(1)时间窗口(计算z-score的区间窗口，和模型输入的回看窗口)对特征影响较大；(2)经过z-score标准化的价量指标只表达目前的价格或成交量相较于历史处于何等水平，并不体现价格或成交量的变化趋势。改进方案也分2步：(1)保留z-score标准化后的日频收盘价和成交量，其他价格数据转化为相较于收盘价的幅度；(2)引入不同时间维度的价格趋势信息作为补充，借鉴Wood, K. (2021)在深度动量网络模型中的特征处理方法，使用波动率调整后的收益率作为趋势特征。
在本报告中，我们在第2.2节的分析基础上，增加资产的波动特征作为模型输入，即包含短期、中期和长期/内在波动率属性，其中短期波动率包括收益率波动和换手率波动（因此原始行情数据中增加当日换手率用于计算换手率波动）。经过线性数据处理之后价量特征如表4所示。
此外，沿用前期行业配置模型中的视觉信息特征提取方法（见报告《量化行业配置：策略梯度算法》2024.06.05），让模型综合趋势、波动和局部形态多维度特征，更好的做出择时判断。视觉特征模块保留了CNN+全连接网络的结构，模型设置相关参数如表5所示。
3.2. 模型结构及训练方式
我们使用2.1节中的方案一（利用择时模型对每个行业指数分别生成择时信号，调仓时点看多的行业作为配置组合），因此模型的主要构成部分是单资产择时模型，也就是优化后的指数趋势追踪模型。在经过上述数据处理和特征工程之后，对任一交易日t，有基于收盘行情的向量特征46个，即14个基础特征和32个视觉特征。我们使用含注意力机制的时序神经网络连接前馈网络作为趋势预测模型，使用的超参数如表6所示。
由于交易策略模型的训练属于小样本学习场景，我们受现阶段大语言模型在细分领域应用方案的启发，在训练趋势预测模型过程中采取预训练与微调结合的方式。前期报告中，一方面，我们分析了传统监督学习训练方法的潜在问题，对于全局/长期经验的总结可能在短期内缺少对市场变化的适应能力，而强化学习框架在一定程度上弥补了这一点；另一方面，我们发现模型在强化学习框架下自适应更新存在过拟合短期样本的可能，因此本报告中我们采用预训练与微调结合的训练方法。
结合上述特征构造和模型结构，我们得到单资产趋势预测模型如下图10所示，其预测目标是未来5日对数收益率。视觉特征模块由于包含可学习的参数，因此它也作为趋势追踪模型的一部分（模型将输入价量数据转化为特征向量的过程中调用）在每次训练中更新参数。其他价量特征和趋势特征，在预处理阶段完成特征工程。
回测历史数据选取2010年以后的日频价量数据，从2017年作为样本外起点，每年初训练用于当年预测的模型，使用从起始时间到上年初的样本作为预训练集，进行多次遍历；再使用上一年数据进行模型微调，即按时间顺序遍历上一年中的样本，再用于未来一年的趋势预测。结合图10进行说明：在2017年年初，先使用2010.01至2015.12的数据进行预训练，再使用2016全年数据进行微调，继续更新模型参数，得到模型 M1用于2017全年的择时判断，以此类推。
04
趋势追踪模型表现
4.1. 择时效果
从全区间模型效果来看，趋势预测模型对行业指数的择时效果超越了基线模型，全部一级行业上的年化超额收益均在6%以上。行业间的表现差异，印证了趋势模型在行业指数上的表现取决于指标和指数自身波动率和反弹空间。对比表3中行业指数自身的风险收益水平，趋势预测模型在指数振幅大、波段行情频繁出现的电子、食品饮料、电力设备行业上的择时效果较好。
对比表7中择时策略表现和表3中行业指数自身的风险收益特征，择时后的投资收益相较于长期持有有明显超额，22个行业的择时超额收益均在10%以上，相较于基线模型显著提升；择时后的策略波动下降至10-30%区间，仅有少数行业（如国防军工）的波动率高于30%，最大回撤也从40-90%区间下降至20-55%区间水平。回测结果初步证实了趋势追踪模型在行业指数上的择时策略有效性。
我们利用上述趋势追踪模型生成的日频信号，汇总得到最新的行业观点（更新至2024.08.02收盘价格）如下。由表8可知，模型看好的行业前五名依次为煤炭、公用事业、建筑材料、传媒、钢铁。
4.2. 趋势追踪应用于行业配置
趋势追踪模型在任一时刻（时间粒度为交易日）都能提供对行业指数的择时判断，在此基础上本文按照两种方案分别进行行业配置，参考图12，其区别在于权重生成器模块：
方案一：配置组合行业数量固定（K=5），按趋势模型得分排序前5名等权配置，最接近原来含有量化行业比较模块的行业配置模型。
方案二：行业组合中的数量灵活，模型看好的行业均可进入组合等权配置，看好行业数少于3个时，选趋势预测得分最高的3个行业；若看好行业数量较多，则取半数（K=15）行业进行等权配置。
利用趋势追踪模型每个交易日对行业指数的择时结果，周度观测并进行行业配置调整，按照两种方案控制配置组合中的行业数量，得到的配置收益表现如以下图表所示（表9，图13-14）。对组合中行业数量灵活调整下的配置策略收益表现更好，逐年的年化超额收益对比见表10，我们将年化超额收益的绝对值差值在3%以上认为其中一种方案优于另一种方案。总体表现上来看，灵活数量的行业配置策略有更优的风险收益表现。
综合表9、10可知：
（1）市场长时间下行调整时（如2018，2023年），趋势模型对行业评估整体偏看淡，看好的行业数量相对较少，因此对配置组合中的标的数不做要求时，能通过配置较少数量的行业降低回撤，保证收益。
（2）市场震荡上涨且不同赛道间交替有上升行情，最明显的是2021年3月至2021年底，灵活数量的行业配置组合对更多数量的行业进行等权配置，相对分散的持仓带来更低的超额波动和更高的累积收益。
整理上来看，利用行业趋势预测信号构建配置组合的周频调仓策略在全区间（2017-2024.6）的年化超额收益为15.9%/20.5%，相较于前期行业配置模型有明显提升。回测结果证实了方案一可以实现具备风险收益性价比的行业配置策略。
05
总结与展望
我们探究对行业择时信号进行优化，再构建行业配置组合，对单资产择时模型提出更高要求，以期提升行业配置表现。
趋势追踪信号很大程度上受到底层资产价格趋势性的影响，对趋势追踪策略的优化过程就是和底层资产风险收益特征匹配的过程。我们分析了指数自身的波动属性对趋势预测效果的潜在影响，并针对性地调整了预测模型的输入特征。当回看窗口中出现相同价量形态时，波动率水平一定程度上代表了资产的内生动能，能为模型提供额外信息来判断未来价格走势。由于计算区间划分时点的问题，会出现短期波动率下降、中期波动率上升，或短期波动率上升而中期波动率下降的情况。如果是近期行情快速切换带来的波动率变化，短期和中期波动率同向变化。而当中短期波动率出现异步变化，并且其中一个快速上升或下降时，变化较为缓慢的波动率变化更接近真实的波动率变化。作为趋势预测模型的输入，长期波动率相当于静态变量表征资产类别，中短期波动率共同表征其内部波动率变化。
在数据预处理和模型训练方式方面，我们保留了前期行业配置模型中的特色，并对特征进行补充和模型更新方法上的调整。对价量数据进行时序标准化不变，我们增加资产的波动特征作为模型输入，即包含短期、中期和长期(内在)波动率属性，其中短期波动率包括收益率波动和换手率波动。由于交易策略模型的训练属于小样本学习场景，我们受现阶段大语言模型在细分领域应用方案的启发，在训练趋势预测模型过程中采取预训练与微调结合的方式。
利用趋势追踪模型，可以灵活调整行业配置组合中的标的数，得到风险收益表现更优的投资组合。市场长时间下行调整时，趋势模型对行业评估整体偏看淡，看好的行业数量相对较少，因此对配置组合中的标的数不做要求时，能通过配置较少数量的行业降低回撤，保证收益。市场震荡上涨且不同赛道间交替有上升行情时，灵活数量的行业配置组合对更多数量的行业进行等权配置，相对分散的持仓带来更低的超额波动和更高的累积收益。
通过对单行业进行趋势预测构建的行业配置策略，相较于之前的端到端模型相较于行业等权基准的超额收益更高，且2021年之后的表现更好。并且趋势预测模型对行业指数逐一判断生成中间结果，也能帮助投资者监测单个行业的趋势变化，及时调整。
06
风险提示
本报告构建的策略框架中所提及的交易均指模拟交易，回测结果是基于历史数据的统计归纳，收益风险指标不代表未来，模型力求自适应跟踪市场规律和趋势，但仍存失效可能，不构成投资建议，须谨慎使用。
报告作者：
陈奥林 从业证书编号 S1230523040002
详细报告请查看20240814发布的浙商证券金融工程专题报告《利用趋势追踪实现行业配置》
特别声明：
法律声明：
本公众号为浙商证券金工团队设立。本公众号不是浙商证券金工团队研究报告的发布平台，所载的资料均摘自浙商证券研究所已发布的研究报告或对报告的后续解读，内容仅供浙商证券研究所客户参考使用，其他任何读者在订阅本公众号前，请自行评估接收相关推送内容的适当性，使用本公众号内容应当寻求专业投资顾问的指导和解读，浙商证券不因任何订阅本公众号的行为而视其为浙商证券的客户。
本公众号所载的资料摘自浙商证券研究所已发布的研究报告的部分内容和观点，或对已经发布报告的后续解读。订阅者如因摘编、缺乏相关解读等原因引起理解上歧义的，应以报告发布当日的完整内容为准。请注意，本资料仅代表报告发布当日的判断，相关的研究观点可根据浙商证券后续发布的研究报告在不发出通知的情形下作出更改，本订阅号不承担更新推送信息或另行通知义务，后续更新信息请以浙商证券正式发布的研究报告为准。
本公众号所载的资料、工具、意见、信息及推测仅提供给客户作参考之用，不构成任何投资、法律、会计或税务的最终操作建议，浙商证券及相关研究团队不就本公众号推送的内容对最终操作建议做出任何担保。任何订阅人不应凭借本公众号推送信息进行具体操作，订阅人应自主作出投资决策并自行承担所有投资风险。在任何情况下，浙商证券及相关研究团队不对任何人因使用本公众号推送信息所引起的任何损失承担任何责任。市场有风险，投资需谨慎。
浙商证券及相关内容提供方保留对本公众号所载内容的一切法律权利，未经书面授权，任何人或机构不得以任何方式修改、转载或者复制本公众号推送信息。若征得本公司同意进行引用、转发的，需在允许的范围内使用，并注明出处为“浙商证券研究所”，且不得对内容进行任何有悖原意的引用、删节和修改。
廉洁从业申明：
我司及业务合作方在开展证券业务及相关活动中，应恪守国家法律法规和廉洁自律的规定，遵守相关行业准则，遵守社会公德、商业道德、职业道德和行为规范，公平竞争，合规经营，忠实勤勉，诚实守信，不直接或者间接向他人输送不正当利益或者谋取不正当利益。
