量化技术分析系列之二：从股价抛压视角构造行业轮动策略

Table_Summary] 传统行业轮动策略聚焦于盈利、估值和资金等维度，从定价逻辑分析以上均是对场外增量资金做出判断。本篇报告旨在从股价抛压的视角构建行业轮动策略，其基本思路为：假设增量资金对各板块均匀加仓，选择抛压最小的行业将会获得超额收益，而持股者行为是决定抛压的重要因素，通过流通股本分布模型可以定量刻画持股者行为变化。 最终的行业筛选指标由两个因子等权复合生成，第一个因子从Amihud因子衍生而来，其计算公式为涨跌幅除以成交额，代表单位成交额所引发的涨跌幅度，比如缩量上涨时代表股价抛压较小。第二个因子为理论抛压因子，由流通股本分布模型计算得到（详细定义见正文）。 从2018年至今进行回测，第一个因子多头组合为2.2%年化收益，其多空走势展现出较强的风格特征，因此稳定性较差。第二个因子多头组合年化11%收益，相比于同期的沪深300指数获得约13%超额，其多空组合的收益率达到18%，但是超额收益的回撤较大。对两个因子等权复合，最终生成的因子效果大幅提升，多头组合年化收益率提升至13%附近，相对基准超额16%，而空头组合为-10%收益，超额收益回撤下降至10%附近。 风险提示：本报告结论完全基于公开的历史数据进行计算，模型结果仅表示不同风格及行业预期未来相对强弱情况，不代表点位预测，不代表未来宽基指数和行业指数整体走势的判断，亦不构成投资收益的保证或投资建议。股市系统性风险发生使得各类规律失效。宏观和产业政策超预期改变市场交易环境。报告中的模拟组合构建在实际投资中难以完全复制，主要是证明方法论的有效性。 在此前报告《利用流通股本分布寻找上涨信号》中主要探讨如何利用流通股本分布模型实现行业择时，本篇作为系列报告第二篇在此基础上对行业轮动策略进行优化，首先定量刻画各行业股价抛压，然后在截面进行比较并选出抛压小的行业构建组合。 1.流通股本分布模型介绍 1.1.模型计算要点 在此前报告《利用流通股本分布寻找上涨信号》中我们对流通股本分布的方法进行介绍，计算方法的要点可以总结如下： Key1：选择任意初始点作为100%流通股本价格，设为P0。 Key2：按照每天的成交价格跟换手率进行流通股本的分布更新，比如换手率T，成交价格P1，则此时分布矩阵从（P0）(100%)变成（P0，P1）(100%-T,T)。 Key3：日内成交分布的假设一般有三角形分布、均匀分布两种，我们认为M型分布更为合理。 Key4：根据行为金融学中的处置效应，换手率主要来自于获利的投资者而非亏损的投资者，近期交易者换手率高于长期持有者，因此在时间和空间上也对流通股本分布进行调整。 1.2.模型输出结果展示 以中信一级行业指数为标的进行流通股本分布模型计算，以波动较高的计算机行业指数为例作为展示，下图分别为2024-2-5以及2024-3-23的股本分布： 图1：计算机指数在2024-2-5流通股本分布图 图2：计算机指数在2024-3-23流通股本分布图 1.3.基于流通股本分布的择时应用 将流通股本分布模型利用在行业指数择时上，主要构件平台突破和超跌反弹两类信号： 超跌反弹量化择时信号构建：超跌反弹信号的触发是以下三个条件交集（1）累计获利股本比例为10%以内。（2）当前价格和上方20%区间内累计股本分布不超过15%。（3）出现底分型。 定量的统计超跌反弹信号发出后持有5个交易日、10个交易日的持仓表现，以及按照跌破10日均线作为卖点进行优化。统计范围是40个行业指数自从2017年至2024年3月所发出的信号，其表现如下表所示。 表1：超跌反弹信号表现 平台突破量化择时信号构建：换手率处于过去40个交易日的70%分位以内，获利盘比率提升30%以上。 利用40个行业指数2018年以来数据进行回测，平台突破信号的表现如下表所示： 表2：超跌反弹信号表现 2.如何理解股价上涨阻力 2.1.再论平台突破信号 此前我们诠释过平台突破信号的底层逻辑，即投资者持股比较坚定，所以当股价上传流通股本密集分布区时会出现无量长阳线。如果能够定量的刻画投资者持股坚定程度（决定了股价上涨阻力），并且在所有行业上进行排序就可以得到一个行业比较策略。 比如2019-1-31农林牧渔指数处于股本密集成交区，此时如果没有盈利预期显著提升很难将股价拉升至密集区上方，而当经过两天的缩量上涨股价上穿密集成交区， 图3：农业指数在2019-1-31流通股本分布图 图4：农业指数在2019-2-11流通股本分布图 图5：农业指数在2019-2-11缩量上涨 因此对于股价上行阻力的刻画需要考虑两方面数据：成交额以及流通股本分布，在后续部分将探讨如何对其进行量化。 2.2.股价抛压应如何刻画 Amihud是比较经典的选股因子，其计算公式是每日的收益率的绝对值和当日成交额比值，代表单位成交额所能引起的股价波动水平，指标数值较大意味着流动性不足，交易所面临的冲击成本也高。 Amihud(i,t) = Average[ |r(i,d)| / Volume(i,d) ] 我们改变其因子计算方法，变为每日的收益率和当日成交额比值，一定程度上反映了股价的抛压水平。缩量上涨背后隐含的是看多者未能充分表达，后续仍然有买盘力量，所以在价格的高点往往也伴随成交量的峰值，如果成交量没有显著放大则价格也难见高点。 反之如果缩量下跌，意味着悲观者未能充分表达观点，所以在下跌过程中经常见到放量后止跌反弹。 3.定量回测行业轮动策略 3.1.理论抛压因子构建 将流通股本分布模型输出结果进行简化可得到如下分布图，按照流通本的价格分布分成9档，其中黄色部分为当前价格上下5%范围内的累计股本占比记作P0，下方红色分别记作P+1,P+2,P+3,P+4，上方亏损股本记作P-1，P-2,P-3,P-4。 图6：流通股本分布简图 当股价上涨时往往需要突破阻力区域，而阻力主要来自于现价附近的股本，当其盈亏状态发生变化时会产生较大的上行阻力。即P0，P+1，P-1三个区域的累计股本量对股价波动的影响较大。 下面分别回测各种股本分布状态下股价的未来走势强弱。 回测区间：2018年至今。 因子定义：30个中信一级行业根据sum(P-1,P0,P+1)在横截面排序分成五档，周度进行调仓。 图7：因子sum(P-1,P0,P+1)回测表现 因子定义：30个中信一级行业分别根据P0,P+1,P-1在横截面排序分成五档，周度进行调仓。 下图为P0因子回测净值 图8：因子P0回测表现 4469093 下图为P+1因子回测净值： 图9：因子P+1回测表现 下图为P-1因子回测净值： 图10：因子P-1回测表现 从上述回测发现单个因子对股价的预测效果较弱，但是如果通过因子复合可以极大提升效果。 下面是通过P0和P+1因子等权复合的预测效果，相对于此前的单因子有显著提升。多头组合的年化收益率达到11%，相对于同期沪深300年化超额收益达到13%。 图11：P0和P+1复合因子回测表现 表3：P0和P+1复合因子回测表现 3.2.非流动性因子回测 参考Amihud非流动性指标构建思路，以收益率除以成交额进行因子构建，但是考虑到不同行业的涨跌幅波动水平和成交额存在显著差异，该因子在截面的可比性较弱，因此考虑进行标准化调整（adjusted Amihudfactor）。计算方法如下： 𝑝𝑒𝑟𝑐𝑒𝑛𝑡𝑖𝑙𝑒（𝑟𝑒𝑡𝑢𝑟𝑛,250） 𝐴𝐴𝑓𝑎𝑐𝑡𝑜𝑟= 𝑎𝑣𝑒𝑟𝑎𝑔𝑒(𝑎𝑚𝑜𝑢𝑛𝑡,5)/𝑎𝑣𝑒𝑟𝑎𝑔𝑒(𝑎𝑚𝑜𝑢𝑛𝑡,250) 回测方法：利用中信一级行业指数2018年以来的数据进行回测，按照因子排序选择行业进行周度调仓。效果如下图所示，整体效果并不稳定但是在市场流动性宽裕的时期表现好。 此类因子由于波动率较大，改进方法是与其它因子进行复合，将得到更加稳定的效果。 图12：调整后非流动性因子回测表现 表4：调整后非流动性因子回测表现 3.3.复合因子构建 通过此前测试发现两类代表抛压的因子各有优劣，尝试将二者进行等权复合构建最终的因子。计算方法如下所示： Step1：将P0跟P+1进行等权打分合成理论抛压因子。 Step2：计算AAfactor，并且与理论抛压因子进行等权复合。 Step3：根据因子排序将中信一级行业指数分成5档周度调仓，回测区间是2018年至今。 图13：复合因子回测表现 表5：调整后非流动性因子回测表现 4.总结 本篇报告从股价抛压的视角构建行业轮动策略，其基本思路为：假设增量资金对各板块均匀加仓，选择抛压最小的行业将会获得超额收益，而持股者行为是决定抛压的重要因素，通过流通股本分布模型可以定量刻画持股者行为变化。 最终的对行业筛选指标通过两个因子等权复合生成，第一个因子从Amihud因子衍生而来，其计算公式为涨跌幅除以成交额，代表单位成交额所引发的涨跌幅度，比如缩量上涨时代表股价抛压较小，而缩量下跌时往往是抛压大且承接力度较弱的表现。第二个因子为理论抛压因子，由流通股本分布模型计算得到，其定义为P0和P+1累计股本比例（定义见前文）。 从2018年至今进行回测，第一个因子多头组合为2.2%年化收益，其多空走势展现出较强的风格特征，因此稳定性较差。第二个因子多头组合年化11%收益，相比于同期的沪深300指数获得约13%超额，其多空组合的收益率达到18%，但是超额收益的回撤较大。考虑对两个因子等权复合，最终生成的因子效果大幅提升，多头组合年化收益率提升至13%附近，相对基准超额16%，而空头组合为-10%收益，多空组合的回撤下降至10%附近。 风险提示：本报告结论完全基于公开的历史数据进行计算，模型结果仅表示不同风格及行业预期未来相对强弱情况，不代表点位预测，不代表未来宽基指数和行业指数整体走势的判断，亦不构成投资收益的保证或投资建议。股市系统性风险发生使得各类规律失效。宏观和产业政策超预期改变市场交易环境。报告中的模拟组合构建在实际投资中难以完全复制，主要是证明方法论的有效性。