AI赋能资产配置(三十八)：Agent赋能开发行业轮动策略

资产配置研究·资产配置专题 证券分析师：陈凯畅021-60375429chengkaichang@guosen.com.cnS0980523090002 核心观点 •基于Codex开发夏普率大于1的行业轮动策略。我们使用Codex，以夏普率大于1为目标开发行业轮动策略。在无监督的情况下，AI Agent选择了采用“行业趋势优选+ ETF落地+国债ETF现金管理”的主观多头框架：行业基准权重固定60%，每月末在申万一级行业中剔除“综合”行业，按过去500个交易日风险调整收益排序，选择6个行业；行业内部采用等风险权重。剩余40%配置十年国债ETF，作为不加杠杆条件下的防守与现金管理仓位。策略来源于两类长期有效的配置思想：其一是行业动量，即中期表现强、且趋势持续性较好的行业在下一阶段仍有相对优势；其二是风险平价，即在选中的行业之间按波动率倒数配置，避免单一高波动行业主导组合风险。2019年以来，基准策略年化收益率12.29%，年化波动率11.85%，夏普率为1.04，最大回撤-11.92%。 •分析师Know-How与网格测试：基于“目标”开发的结果证明“量价轮动”是相对合适的基础框架，我们以分析师Julius de Kempenaer在2004-2005年开发的RRG（Relative Rotation Graph，相对旋转图）为核心行业轮动策略。通过与Agent进行多轮对话共同开发，通过方向排查、母策略确定、风控与样本区间敏感性测试，对超过1000余条风控规则进行网格搜索，同时对调仓频率、扩散指标平滑窗口、RRG平滑窗口、ETF映射评分方法等多维度组合参数遍历分析，最终得到最优策略。 •最终结果与敏感性分析：分起点看，策略不是只在单一起点下有效。从2017-01-03起算，策略年化收益率为14.70%，夏普率为1.068，最大回撤为-20.13%；从2019-01-02起算，策略年化收益率为20.64%，夏普率为1.339，最大回撤为-18.86%。这说明最终版本在较长样本和较近样本中都能保持较好的收益风险比。 •风险提示：参数选择仍然可能存在过拟合风险；交易成本只计入单边万五，未额外计入冲击成本、申赎成本、容量约束和流动性折价；实盘容量和交易摩擦仍需单独评估；ETF持仓穿透依赖定期报告持仓；实际交易中，ETF最新持仓披露存在滞后，行业暴露可能和当期真实持仓略有差异； 目录 AIAgent辅助研发：从初稿到优化01 策略框架与信号逻辑 02 03 无监督AI Agent策略开发：达标初稿 •使用Codex目标功能辅助开发：最初目标是开发一套2018年以来的中国ETF行业轮动策略，要求有清晰来源和逻辑、不能使用未来函数、扣除单边万3.5交易成本、不能加杠杆，并希望最终夏普率超过1。 •在无监督的情况下，AI Agent选择了采用“行业趋势优选+ETF落地+国债ETF现金管理”的主观多头框架：行业基准权重固定60%，每月末在申万一级行业中剔除“综合”行业，按过去500个交易日风险调整收益排序，选择6个行业；行业内部采用等风险权重。剩余40%配置十年国债ETF，作为不加杠杆条件下的防守与现金管理仓位。 •策略来源于两类长期有效的配置思想：其一是行业动量，即中期表现强、且趋势持续性较好的行业在下一阶段仍有相对优势；其二是风险平价，即在选中的行业之间按波动率倒数配置，避免单一高波动行业主导组合风险。 •核心结果：自2019-02-11至2026-06-01，单边万3.5成本扣减后，年化收益率12.29%，年化波动率11.85%，夏普率为1.04，最大回撤-11.92%，年化换手约3.00。策略月频调仓，行业袖套固定60%，持有6个行业，另配40%十年国债ETF做现金管理 资料来源：Wind，国信证券经济研究所整理 资料来源：Wind，国信证券经济研究所整理 资料来源：Wind，国信证券经济研究所整理 无监督策略的缺陷 •无监督版本论证了AI Agent辅助策略开发的可能性。 •但无监督版本无法回答行业机制、产品映射和可解释性边界：AI Agent容易优先寻找“能跑通、能达标、逻辑大体成立”的方案，其内在的策略逻辑、落地实践仍旧无法达标。 •典型缺陷： a)原始方案只使用申万一级行业，行业颗粒度偏粗，很多结构性机会会被一级行业内部的分化所掩盖b)行业到ETF的落地主要依赖名称关键词映射，能够快速完成交易工具匹配，但无法回答ETF真实持仓是否暴露在目标行业上，也难以处理主题ETF、宽基ETF和跨行业ETF的复杂成分结构。此外，也无法避免“漂移”对策略的影响。c)核心信号是504个交易日风险调整收益，本质上更接近长期动量和低波组合，虽然回撤较低，但也损失了部分收益d)在2020、2024、2025等权益市场或结构性行业行情较好的阶段，策略能够跟随强势行业获得收益，但组合更像低波动增强型行业配置，而不是高弹性的行业轮动组合，并不能充分捕捉风险偏好快速抬升时的权益上行空间。e)熊市或系统性下跌阶段，原始方案的防守主要来自静态40%十年国债ETF，而不是来自对市场状态的主动识别。2022年策略年度收益为-4.89%、最大回撤控制在-11.92%，表面上防守效果较好，但这更接近固定股债配置带来的波动钝化，而不是基于趋势破位、行业广度收缩或风险偏好下行的动态风险预算调整。若前期强势行业在熊市初期发生拥挤交易反转，5040个交易日风险调整收益的慢变量信号可能仍会滞留在上一轮强势行业中，使组合在风格切换和快速下跌阶段承受不必要的权益敞口。 注入分析师的Know-How •分析师的Know-How：AI在无监督状态下更擅长把目标函数转化为代码、快速试出一个可行组合，但它并不能自动完成金融研究中更关键的前置判断：行业轮动到底应该用宏观周期、景气比较、盈利修正、资金流、量价趋势，还是相对强弱框架来刻画；不同框架分别适用于什么市场环境；哪些框架在ETF产品层面更容易落地；哪些结果只是参数拟合，哪些结果可以形成可解释的投资逻辑。这些问题本质上是研究框架选择，而不是单纯的代码搜索问题。 •从经典行业轮动逻辑看，常见路径大致可以分为几类：一是是宏观周期轮动，用经济增长、通胀、信用和利率位置判断上游、中游、消费、金融等行业的相对机会；二是是景气轮动，用盈利增速、盈利预期修正、产能周期和价格弹性筛选景气上行行业；三是是资金流和拥挤度轮动，用成交、换手、资金净流入和持仓集中度识别短期风险偏好；还有一类是量价轮动，用行业相对收益、趋势强度和动量变化判断市场已经用价格验证的方向。 •无监督版本的成功论证了量价轮动是AI辅助最适合的框架：宏观周期轮动往往需要研究员同时观察增长、通胀、信用、利率、库存、政策等多张图表，在噪声数据中识别周期拐点和领先滞后关系；这类工作更依赖分析师对图像、异常值和政策背景的综合判断，不适合一开始就交给AI直接生成交易信号。景气轮动更依赖前期的指标筛选、行业口径校准和噪声过滤，这些环节需要较强的产业理解和人工判断，不能简单交给AI直接生成交易信号。而资金流和拥挤度轮动对数据源的要求较高，更适合短期交易，而不是中长期的配置方向。量价框架的输入更标准，指标定义更明确，更能发挥AI写代码、跑回测和做参数比较的优势。 •分析师经过多轮检索和分析量价体系中适合行业轮动的积累方法，包括绝对动量、时间序列、相对动量、风险调整动量、短期反转、市场广度等，最终确认以分析师Julius de Kempenaer在2004-2005年开发的RRG（Relative Rotation Graph，相对旋转图）为核心行业轮动策略。 迭代路径 •确认以RRG为行业轮动核心策略后，分析师与AI Agent经过多轮对话与AI Agent进行共同开发 •至少完成10轮主要代码测试。前面4轮用于排除不稳定方向，包括ETF直接动量、行业裸RRG、RRG加低波行业ETF、500日风险调整收益达标版；中间3轮用于确定申万二级行业高频低波母策略，包括高频参数搜索、逐期持仓复盘；最后3轮用于定稿风控、1323条风控规则搜索、样本扩充、报告策略复核。 •从可量化的参数规模看，最重要的两次网格测试一共跑了1803个候选集合。其中，申万二级行业母策略实际测试480组参数组合；风控条件搜索实际测试1323条空仓规则。母策略的480组来自6个参数维度：5种调仓频率、6种扩散指标平滑窗口、2种RRG平滑窗口、2种目标行业数量、1种权益仓位和4种ETF评分方法。风控搜索则围绕3类风控变量展开：沪深300均线窗口、行业扩散均值阈值、Top20扩散池中RRG强势行业数量阈值，并组合成12类规则族。最终，母策略中只有2组夏普率超过1；风控搜索中有10条规则夏普率超过1，取排名第一的为最终策略。 目录 AIAgent辅助研发：从初稿到优化01 策略框架与信号逻辑 02 回测表现与参数敏感性 03 策略框架 •第一层信号： ①行业扩散指标（Diffusion Index）：采用220日回看窗口，对申万二级行业内每只成分股判断其当前价格是否高于220个交易日前价格，并以自由流通市值作为权重汇总，得到行业层面的流通市值加权上涨占比。该指标越高，说明该行业中越大比例的可交易市值处于中期上行趋势，行业上涨更可能来自整体景气或风险偏好的扩散，而不是个别龙头的孤立贡献。每个调仓信号日，计算全部申万二级行业的扩散指标，对所有二级行业从高到低排序，取排名前20的行业作为候选池。 资料来源：stockcharts，国信证券经济研究所整理图：RRG构建 ②RRG（Raletive Rotation Graph)：按照RRG框架，首先计算行业相对基准的相对强度RS，再进一步构造RS-Ratio和RS-Momentum：前者衡量行业相对强度的趋势水平，后者衡量这一相对强度的边际动量。当RS-Ratio与RS-Momentum同时高于100时，行业处于领先象限；当RS-Ratio低于100但RS-Momentum高于100时，行业处于改善象限；当RS-Momentum低于100时，无论其相对强度当前是否仍高，都意味着相对动量已经走弱，行业可能进入疲软或落后状态。选择仅在一、二象限的行业作为候选池。 根据两个指标选取10个目标行业 •第二层信号： 选择股票型基金，并用过去20个交易日平均成交额作为流动性约束，若多只ETF跟踪同一指数或同一基准，则只保留20日日均成交额最高的一只。 ①ETF持仓穿透：读取信号日时，ETF的最新定期报告持仓，对ETF底层股票所属申万二级行业进行映射，并按照持仓是指汇总到二级行业层面，并在ETF内部归一化。计算每只ETF对目标行业集合的实际暴露。 ②计算ETF过去60个交易日日收益率波动率，并在横截面上做百分位排名；波动率越低，评分越高。、 •第三层信号： 正常状态下，组合配置60%行业ETF和40%防守资产。调仓频率为每20个交易日一次，信号延迟2个交易日执行。每个调仓信号日，策略额外判断是否应当清空权益仓位。这一步不依赖行业信号，而是基于市场整体趋势和行业广度的联合判断。只要满足以下A、B任一条件，权益ETF仓位降至0%、组合切换为100%防守资产。 A.是沪深300低于120日均线，同时Top20扩散池中RRG动量大于100的行业数量少于12个。这个条件描述的是“大盘趋势走弱，同时强势行业数量不足”。B.沪深300低于60日均线，同时全部申万二级行业扩散均值低于0.50。这个条件描述的是“短期市场趋势走弱，同时行业内部上涨广度不足”。 目录 AIAgent辅助研发：从初稿到优化01策略框架与信号逻辑02回测表现与参数敏感性03 •主样本回测区间为：2019-01-02至2026-06-01 资料来源：Wind，Tushare，国信证券经济研究所整理 资料来源：Wind，Tushare，国信证券经济研究所整理 资料来源：Wind，Tushare，国信证券经济研究所整理 多起点稳定性 分起