基于DTW的形态相似度行业轮动策略
模型逻辑
价格形态中的先行信号：行业走强前的超额收益序列常呈现特定结构特征，且在不同行业与时期重复出现。通过价格形态识别行业走强前特征具有现实意义，动量类信号和基本面指标在方向频繁切换或预期边际变化时存在局限性。
历史形态的重现：若当前走势与历史上走强前的形态高度相似，后续超额收益上行的概率相对更高。聚焦于行业走强前结构特征的视角，提供传统因子难以捕捉的左侧信号。
形态匹配的实现路径：提取历史上行业走强前的对数超额收益序列片段构建模板库，通过动态时间规整算法（DTW）计算当前各行业走势与模板的相似度，选取最匹配的行业作为配置标的。
策略框架
基于DTW的形态识别流程：
- 构建形态模板库：从历史行情中提取“过去K日超额收益序列→未来M日超额收益达到阈值”的形态片段，构建模板库。
- 计算形态相似度：调仓日用DTW计算各行业近期走势与模板库中每个形态的相似度，取最高值作为形态得分。
- 生成配置信号：形态得分越高，表明当前走势与历史走强前形态越相似，未来超额收益上行概率相对更高。
形态模板库构建：
- 样本范围：2009年1月6日至2026年5月28日，中信一级行业（剔除综合、综合金融，共28个行业），以行业等权组合作为比较基准。
- 超额收益序列构建：以各行业相对行业等权组合的对数超额收益率序列作为输入，对数处理使涨跌权重对称、压缩极端值干扰，缓解不同时期序列波动幅度的差异。
- 有效形态模板：在交易日T，截取过去K个交易日对数超额收益率序列作为形态片段，若此后M个交易日累计对数超额收益率>设定阈值，则收录为有效模板。M设置为与调仓频率一致。
- 模板库动态维护：按模板更新频率每f日扫描全行业，将新近满足阈值条件的片段纳入模板库，滚动使用最近Y年的模板，每个调仓日自动截断N年前的历史片段，使模板库反映近期市场结构特征。模板数量达到下限（如5个）后方可启用因子。
形态相似度计算：
- DTW匹配：每个调仓日，对每个行业提取最近K日对数超额收益率序列，计算其与模板库中所有模板的DTW距离，取最小距离。
- 相似度转换：相似度=1/(1+最小DTW距离)，并对全行业相似度做Z-Score处理，因子值越高表示形态越接近历史有效模板，后市超额收益上行概率相对更高。
组合构建：每调仓日选取相似度因子值最高的前N个行业，等权配置，周频调仓。
模型效果
- 2016年至2026年，策略周频调仓年化收益20.6%，相对于行业等权超额收益16.8%，信息比率2.88，最大回撤4.9%，最高相似度组每年稳定贡献超额。
- 双周频年化收益16%，超额收益10.4%，信息比率1.51。
模型信号
- 上上周及上周持有行业相对于行业等权基准超额收益分别为1.59%、-0.80%。
- 本周模型持仓行业：建筑，轻工制造，商贸零售，钢铁，房地产。
风险提示
本报告结果及分析依据历史数据得出，存在一定局限性，不代表未来表现，不构成任何投资意见；样本数据有限，数据处理统计可能存在误差，不足以代表市场整体风险，历史规律及模型存在失效可能。
