春季量化观点：遗传规划超额屡创新高，积极把握股市结构性机会

中心思想 量化模型表现分化与投资策略建议 本报告深入分析了当前量化投资领域中自上而下与自下而上行业轮动模型的表现差异，并基于此提出了具体的投资策略建议。研究发现，在当前宏观趋势不明朗的市场环境下，以景气动量为代表的自上而下模型因其对市场风格（尤其是成长因子）的较高依赖性，其超额收益持续回撤。相反，以遗传规划为代表的自下而上模型，凭借其对市场投资逻辑变化的强大适应能力和较低的市场风格依赖度，在过去两年多时间里超额收益屡创新高，尤其在近期市场中能有效捕捉主线机会。因此，报告建议投资者短期内应积极参考遗传规划模型的信号，以把握市场结构性机会。 中国股市结构性机会与避险潜力 报告对中国股市的中期前景持乐观态度，认为其存在显著的结构性机会和全球经济下行期的“避风港”潜力。分析指出，国内增长市场预期指数可能不会完全跟随全球经济周期下行，反而存在逆势上行的可能性。此外，国防军工、汽车、AI等关键领域的技术突破，以及政策对民营经济的持续支持，有望共同提振市场参与者信心，推动中国股票资产的价值重估。在此背景下，报告建议中期配置策略可侧重于“科技+红利”组合，认为该组合兼具进攻性与防御性，能够有效应对市场波动，把握中国经济转型升级带来的投资机遇。 主要内容 自上而下行业轮动和自下而上行业轮动的定义 本报告首先对行业轮动的两种主要方法论——自上而下和自下而上——进行了清晰的界定与对比。 自上而下方法论：这种方法论以基本面信息为核心，通过逻辑归纳和历史统计，从纷繁复杂的资本市场中提炼出有限的规律，并以此指导行业投资。例如，经济周期上行、通胀因子上行、煤炭库存见底、行业整体ROE止跌回升等，都被视为看多煤炭行业的传统理由。然而，报告指出，由于资本市场的复杂性和投资逻辑的不断演变（如煤炭行业因高股息率被做多），自上而下方法论常常面临“欠拟合”的挑战，即尝试用有限规律解释无限变化的市场。尽管其长期能够盈利，但在已知规律失效的市场环境中，可能不得不承受较长时间的波动。从某种程度上说，自上而下行业轮动策略类似于Smart Beta。 自下而上方法论：相较而言，自下而上方法论对行业投资逻辑变化的适应力更强。它主要以技术面信息为主，采用数据挖掘的方法，定期（如每周）重新挖掘对行业股价表现有预测能力的因子，并及时淘汰失效因子。这种方法能够更迅速地捕捉到行业投资逻辑的转变，例如AI算力提升对汽车行业智能驾驶的推动。然而，为了及时捕捉这些变化，因子挖掘通常在滚动窗口有限的样本内进行，而非全样本，这带来了“过拟合”的风险。此外，自下而上模型的“黑箱”特性使其可解释性通常不如自上而下模型，导致其市场接受度相对较低。 核心对比：报告总结指出，自上而下方法论“尊重逻辑”，而自下而上方法论“尊重市场”。两者各有优劣，选择取决于投资者的理念。 景气动量模型——自上而下行业轮动的代表 景气动量模型是华泰研究团队自主开发的自上而下行业轮动模型，其核心构建逻辑基于行业盈利能力（g）及其边际变化（Δg）。模型将景气定义为g和Δg均大于零的象限，并认为行业g和Δg的相对排名与行业表现呈正相关。 由于真实财务报告发布存在滞后性，模型采用金融工程的“Nowcast”（实时预测）手段来及时准确地获取行业g和Δg的相对排名。该模型从宏观、中观、微观三个视角展开建模： 宏观视角：通过将增长、通胀等宏观因子与行业整体ROE变化、估值变化进行映射，基于对行业Δg和ΔPB的Nowcast，构建了“宏观戴维斯双击因子”。 中观视角：利用上游原材料供需状况、下游消费品供需状况、行业内经营状况等产业链数据，对行业的营收增速、净利增速等财务状况进行Nowcast，并计算得到“中观景气度因子”。 微观视角：采用卖方分析师一致预期数据，对尚未发布的财报数据进行补充，从而计算得到“微观景气度因子”。 考虑到不同视角景气度因子可能存在“偏科”现象，即对不同行业的建模效果存在差异（例如医药等逆周期行业与宏观视角关系不大，计算机等服务业在中观视角下拟合优度较低，煤炭等周期行业不适合从微观视角择时），报告进一步将这些因子加权组合成一个“全科生”，即最终的景气动量因子，以提升模型的普适性和鲁棒性。 遗传规划模型——自下而上行业轮动的代表 遗传规划模型是华泰研究团队开发的另一种行业轮动模型，它代表了自下而上的方法论。该模型采用类似于“生物育种”的原理，直接对行业指数的量价、估值等数据进行挖掘，而非依赖预设的逻辑规则来设计行业打分。 报告特别介绍了其对传统单目标遗传规划的改造，引入了双目标遗传规划。这一改进的核心在于同时评价因子的两个关键指标： 分组单调性（|IC|）：衡量因子对行业分组的区分度，即因子值高低与行业未来表现的关联性。 多头组表现（NDCG@k）：评估因子在推荐表现最佳的少数行业（多头组）中的有效性。 通过引入NSGA-II算法，双目标遗传规划能够在不增加时间复杂度的前提下，实现等同于执行数十次不同权重λ的单目标遗传规划的效果。这一机制是提升因子多样性、降低过拟合风险的主要原理，有效避免了传统单目标遗传规划容易陷入“内卷”状态，导致因子同质化的问题。 对于挖掘得到的行业轮动备选因子，模型进一步结合贪心策略和方差膨胀系数，将共线性较弱的因子合成为最终的行业得分，以确保因子组合的有效性和独立性。 报告还详细列举了因子挖掘流程的底层输入变量，包括但不限于：收盘价原始值（close_ori）、开盘价原始值（open_ori）、最高价原始值（high_ori）、最低价原始值（low_ori）、成交额原始值（volume_ori）、换手率原始值（turn_ori）、日收益率（daily_ret）、市净率原始值（pblf_ori）等，以及这些变量经过滚动均值标准化或分位数处理后的形式（如close_st、turn_qt等），这些丰富的底层数据为模型提供了强大的挖掘基础。 自上而下行业轮动和自下而上行业轮动历史表现 景气动量模型得失分析 景气动量模型采用月频调仓策略，每月月底选出景气动量最高的五个行业进行等权配置，次月第一个交易日按收盘价完成调仓。其样本外跟踪始于2022年7月18日。 业绩表现：回测结果显示，在2016年4月30日至2025年1月31日的区间内（不考虑交易费用），景气动量策略的年化收益率为9.61%，年化波动率为22.51%，夏普比率为0.43，最大回撤为-44.84%，卡玛比率为0.21。相比之下，行业等权基准的年化收益率为2.15%，年化波动率为19.13%，夏普比率为0.11，最大回撤为-33.99%，卡玛比率为0.06。尽管长期来看策略表现优于基准，但在样本外跟踪开始后不久，模型的超额收益一度接近高点，但在随后的两年多时间内却持续回撤。 归因分析：为探究超额回撤的原因，报告计算了样本外跟踪区间内模型月度超额收益率与各BARRA风格因子月度收益率的时序相关系数。分析发现，景气动量模型在成长(Growth)因子上存在显著的正向暴露（相关系数为0.32）。报告解释称，景气动量的打分体系建立在Δg（盈利能力边际变化）之上，与成长因子正相关是容易理解的。恰好在过去两年多里，成长因子表现较差，这被认为是景气动量模型表现不佳的主因。此外，模型在Beta（-0.52）、Residual Volatility（-0.55）、Book to Price（-0.67）等因子上也存在显著暴露。这一分析表明，景气动量模型的表现对市场风格的依赖度较高，是一个名副其实的Smart Beta策略。 遗传规划模型得失分析 遗传规划模型采用周频调仓策略，每周末选出多因子综合得分最高的五个行业进行等权配置，次周第一个交易日按均价完成调仓。其样本外跟踪始于2024年5月20日。 业绩表现：与景气动量模型形成鲜明对比，在2022年9月30日至2025年2月14日的区间内（不考虑交易费用），遗传规划模型的超额收益屡创新高，相对行业等权基准的扣费前年化超额收益超过28%。具体业绩数据显示，策略的年化收益率为32.57%，年化波动率为18.17%，夏普比率为1.79，最大回撤为-19.63%，卡玛比率为1.66。相比之下，行业等权基准的年化收益率为4.25%，年化波动率为16.73%，夏普比率为0.25，最大回撤为-25.46%，卡玛比率为0.17。报告特别指出，今年以来，模型的每周推荐基本都能捕捉到市场主线。 归因分析：从BARRA归因来看，遗传规划模型在各风格因子上的暴露较为均衡，例如Growth因子相关系数仅为-0.03，Book to Price因子相关系数为-0.23，Momentum因子相关系数为-0.22，均未出现景气动量模型那样在个别风格因子上的强暴露。这从侧面说明遗传规划模型的表现对市场风格的依赖度较低，其超额收益可能确实来自对行业机会的精准把握。 最新高权重因子示例：报告还提供了一个最新一期挖掘出来的权重最高的因子示例，该因子基于单行业相对行业等权基准的超额收益率和行业标准化后最低价的相关性构建。其计算过程复杂且精细： 取过去60个交易日，剔除超额收益最高的9天，计算剩下51天超额收益之和，记作变量A。 取过去30个交易日，剔除超额收益最高的8天，计算剩下22天超额收益之和，记作变量B。 取过去15个交易日，对变量B进行zscore标准化，提取出B的zscore值大于2.0的全部日期；如果B的zscore值均小于2.0，则提取B最大的日期，记作集合T。 计算集合T中全部日期对应的变量A之和，记作变量C。 计算最新标准化后收盘价的自然指数，记作变量D。 取过去55个交易日，计算变量C和变量D的协方差。 该因子在训练集上的IC值为0.042，NDCG@5为0.362，因子权重高达40.7%，显示出其强大的预测能力。 自上而下行业轮动表现与国内增长市场预期指数的关系 报告深入探讨了自上而下行业轮动模型（景气动量模型）的表现与国内增长市场预期指数之间的关联。 关联性分析：景气动量模型因其在成长因子上的强暴露，其表现与成长因子走势以及国内增长市场预期指数具有显著的正相关性。当国内增长市场预期指数呈现显著的向上趋势时，成长因子往往表现出色，景气动量策略也更容易取得超额收益。这背后的逻辑是，成长因子有效的前提是市场相信Δg（盈利能力边际变化）能够持续为正。 近期表现原因：然而，自2022年下半年以来，国内增长市场预期指数一直处于震荡状态，趋势不明朗。在这种宏观背景下，市场参与者无法对Δg>0能够持续产生共识，导致“利好出尽”的逻辑频繁演绎，成长因子表现不佳，进而拖累了景气动量策略的超额收益。 乐观展望：尽管面临全球经济周期拐头下行的压力，报告对国内增长市场预期指数能否逆势上行以及景气动量模型能否触底反弹持较为乐观的态度，并提出了以下理由： 逆势上行潜力：国内增长预期指数并未跟随最近一轮全球经济周期上行，这为其在全球经济周期下行时逆势上行提供了可能性。在此情境下，中国股票资产有望走出独立行情，成为全球经济周期下行的“避风港”。 信心提振因素：国防军工、汽车、AI等关键领域的技术突破，以及政策对民营经济的持续支持，将有助于持续提振市场参与者的信心。这些积极因素有望推动中国股票资产的价值重估乘势而上。 投资建议：基于上述分析，报告建议中期来看，投资者应积极把握中国股票资产的结构性机会，“科技+红利”组合被认为是进可攻、退可守的优选配置。短期来看，鉴于遗传规划模型近期优异的表现和较低的市场风格依赖度，建议投资者参考其提供的信号。 风险提示 本报告在提供投资分析和建议的同时，也明确提示了相关风险： 历史规律失效风险：报告中涉及的所有模型均基于历史规律总结，但历史规律可能失效。例如，当市场不再相信景气趋势可持续时，行业景气度对股价的正向影响可能不再成立。 模型适用条件限制：报告涉及的模型均有其特定的适用市场条件，无法保证在任何市场条件下均能取得正超额收益。例如，AI行业轮动模型可能在市场主线较弱的条件下表现更佳。 行业推荐非投资意见：报告中提及的具体行业仅作为模型分析的示例，不代表任何投资意见。投资者在做出投资决策时，应保持谨慎和理性。 总结 本报告对当前量化行业轮动策略进行了深入分析，对比了自上而下景气动量模型与自下而上遗传规划模型的表现。数据显示，景气动量模型因其对成长因子的显著暴露，在近期宏观趋势不明朗、成长因子表现不佳的市场环境中遭遇超额收益回撤。与之形成鲜明对比的是，遗传规划模型凭借其独特的“生物育种”原理和双目标优化机制，有效适应了市场投资逻辑的变化，实现了超额收益屡创新高，并展现出较低的市场风格依赖度。 展望未来，报告对中国股市的中期结构性机会持乐观态度，认为国内增长市场预期指数有望逆势上行，加之关键技术突破和政策支持，中国股票资产有望成为全球经济下行期的“避风港”。在此背景下，报告建议投资者中期可积极配置“科技+红利”组合，以兼顾进攻与防御；而短期内，则应重点参考表现优异且适应性强的遗传规划模型所提供的信号，以精准把握市场主线。同时，报告也强调了模型基于历史规律的局限性及市场条件适用性等风险，提醒投资者谨慎理性决策。