策略逻辑
- 搭建框架：行业景气度、趋势和拥挤度
- 构建模型：
2.1 行业景气模型：高景气+强趋势，规避高拥挤
2.2 行业趋势模型：强趋势+低拥挤，规避低景气 - 组合优化：轮动型/配置型 设置不同约束 求解行业权重
- 落地ETF/个股
因子
个股因子
- 营业收入增速（净利润增速/ROE-TTM）
- 动量
- 一致预期因子
- 3个月的情绪指标（换手率、波动率、beta等）
行业因子
历史景气度：行业最新财报营收增速、净利润增速和ROE的边际变化
- 行业营收增速：等权平均所有成分股营业收入增速（净利润增速/ROE-TTM），作为行业的营业收入增速（净利润增速/ROE-TTM）
- 营收增速变化：对行业营收增速（净利润增速/ROE-TTM）进行一定的平滑后，对平滑后的数据进行月度的差分，即计算月频的营收增速变化（净利润增速变化/ROE-TTM变化）
- 历史行业景气度：根据营收增速变化、净利润增速变化和ROE-TTM变化三个指标进行行业等权打分，得到最终的行业景气度指标
分析师预期景气度
- 分析师ROE景气指数
- 分析师ROE景气指数的zscore
趋势
- 行业动量: 过去12个月行业相比于行业等权的信息比率
拥挤度：行业换手率、波动率比率和beta比率的等权平均
1.行业拥挤度
复合
- rank(分析师ROE景气指数) + rank(分析师ROE景气指数的zscore) + rank(roe_ttm的zscore)+rank(动量指标)
策略
A
1）多头筛选：月底根据景气度(历史+分析师)、趋势选前五的行业，作为行业底仓；
2）拥挤度剔除：行业底仓中剔除拥挤度在前1/4的行业，剩下的行业等权配置；
3）值得注意的是，如果剩下不足3个行业，则说明高景气行业大多数交易比较拥挤。我们建议采取保守策略：将拥挤度前1/4的行业剔除，在剩下的行业（约20个）中根据景气度趋势复合指标选取前n个行业（n根据风险偏好决定，此处n=7）。
B
1）在每个调仓的时点，根据趋势-拥挤度打分选取前五的行业作为行业底池；
2）再根据景气度指标（历史、分析师）对行业进行排名，选取后1/4的行业作为基本面较差的行业池子；
3）在初筛行业池子中剔除基本面较差的行业，对剩下的行业进行等权配置。若行业不足3个则根据趋势-拥挤度的综合信号补齐；
流程
-
全量计算个股因子
-
提取行业成分股，通过个股因子合成行业因子
-
设置组合优化约束条件（跟踪误差、行业偏离、权重上下限)，求解行业权重
3.1 行业景气模型
1）跟踪误差：控制年化跟踪误差小于m；
2）行业偏离：行业偏离基准小于n；
3）权重上下限：控制权重上限为x，仓位满仓；
4）拥挤度预警：拥挤度前1/4的行业相比于基准的权重低配50%以上。
然后，我们每个月底以滚动的方式，利用过去252个交易日行业指数相对基准的超额收益率计算协方差矩阵，乘以权重作为未来跟踪误差的预测。这里的基准是winda，通过个股流通市值加权得到。组合优化的目标函数和约束的公式如下
具体跟踪误差和行业偏离参数的设置跟我们的风险偏好有关：
1）在每个月底，根据景气度趋势复合指标选取前五行业作为底仓，定义拥挤度前1/4为高拥挤度，将高拥挤行业剔除；
2）若行业底池数量>=3，则意味着高景气的行业没那么拥挤，尽可能调高风险偏好：设置年化跟踪误差m=0.2，行业偏离基准n=0.3，权重上限x为0.35；
3）若行业底池数量<3，则意味着高景气的行业比较拥挤，尽可能降低风险偏好：设置年化跟踪误差m=0.1，行业偏离基准n=0.1，权重上限x为0.25；
3.2 行业趋势模型
1）跟踪误差：控制年化跟踪误差小于m；
2）行业偏离：行业偏离基准小于n；
3）权重上下限：控制权重上限为x，仓位满仓；
4）景气度预警：景气度（历史+分析师）后1/3的行业模型低配50%以上
趋势拥挤度前五行业剔除低景气度后，如果小于3个意味着行业趋势打分可能陷入强趋势-低拥挤-高景气的不可能三角。我们这里采取类似的思路：1）在每个月底，根据趋势拥挤度复合指标选取前五行业作为底仓，定义景气度后1/4为低景气，将这些行业剔除；
2）若行业底池数量>=3，则意味着趋势好的行业景气度还可以，尽可能调高风险偏好：设置年化跟踪误差m=0.2，行业偏离基准n=0.25，权重上限x为0.35；
3）若行业底池数量<3，则意味着趋势好的行业景气度比较差，尽可能降低风险偏好：设置年化跟踪误差m=0.1，行业偏离基准n=0.15，权重上限x为0.25；
3.3 其他
这里给定几个配置参数:
轮动型：行业偏离上限为0.2，跟踪误差控制在0.08以内
配置型：行业偏离上限为0.1，跟踪误差控制在0.05以内
- 行业内选股/配置ETF