金融工程 | 专题报告 报告发布日期 2024 年 11 月 19 日 $\mathrm { D F Q }$ 机器学习行业轮动模型 ——量化策略系列之八 研究结论 行业轮动的必要性 ⚫ 以基本面为主的行业轮动策略表现不佳： DFQ 工业类行业轮动体系基于 38 个证监会 二级行业构建，转化为中信一级行业后会损失较多信息。2020 年以来 top5 行业组合 年化超额仅为 3.33%。 ⚫ 行业动量轮动策略近两年表现不佳：DFQ 行业动量轮动策略 2020 年以来 top5 行业组 合年化超额仅为 3.68%，2023 和 2024 年均未获正超额。 用机器学习选股因子合成行业因子 ⚫ 将机器学习模型训练出的选股因子，按个股市值加权，合成为行业因子，进行行业轮 动。vae、xgb 模型的多头端 top5 行业组合整体表现较好，2020 年以来 top5 行业组合 年化超额收益可达 10%以上。但由于模型的选行业能力只是选股的副产品，行业轮动 因子是否有效很大程度上取决于运气，使用起来不够稳健。 DFQ 遗传规划行业因子挖掘系统介绍 ⚫ 前期我们开发出了一套高效的 DFQ 遗传规划因子挖掘系统。模型主要有 ...