基于时点动量的热点概念选股策略

金融工程专题报告 金融工程·数量化投资 证券分析师：张宇021-60875169zhangyu15@guosen.com.cnS0980520080004 证券分析师：张欣慰021-60933159zhangxinwei1@guosen.com.cnS0980520060001 目录 基于时点动量的行业轮动策略 Part 2 基于热点概念的市场划分新思路 Part 3 时点动量概念股票池构建 Part 4 时点动量概念精选组合构建 Part 5 乘势而上：绩优基金的Beta表达 历史上来看，大部分年度业绩排名靠前的绩优基金，都能够找到与其收益接近、相关性较高的主题概念。 下图展示了2019年-2025年区间内，每一年业绩排名靠前的绩优基金及其相关性较高的概念或主题指数。可以看到，绩优基金的短期爆发式表现往往与细分主题的快速爆发息息相关。 热点概念主题的主要特征 我们发现，热点概念主题往往具有如下几个明显的特征： 特征一：成分股精简。从成分股数量上来看，短期爆发力较强的热点概念指数成分股往往较为精简。下表展示了部分代表性热点概念指数的基本信息，可以看到这些概念指数的成分股数量大致在15-30只左右。 特征二：股价走势趋同。从成分股日度收益率相关性来看，热点概念指数成分股的走势较为趋同。由下表可以看到，概念指数成分股的日度收益率相关性较高。 热点概念主题的主要特征 我们发现，热点概念主题往往具有如下几个明显的特征： 特征三：从机构覆盖度来看，热点概念指数成分股的市场关注度较高。我们根据过去半年是否有机构进行盈利预测作为分析师覆盖的判断标准，由下表可以看到，这些概念指数的成分股的分析师覆盖度均处于较高的比例。 特征四：从行业景气度来看，热点概念指数成分股的业绩增速较高。我们获取热点概念指数成分股在当年的归母净利润增速中位数，可以看到这些概念指数成分股的业绩增速较高，行业景气度处于较高的位置。 乘势而上，个股Alpha与行业Beta的共振 在国信金工团队2024年1月9日发布的专题报告《个股与行业的共振——联合动量因子》中，我们将个股本身的趋势形态（即个股的“小势”）与其所在行业、板块及市场的趋势形态（即市场的“大势”）相结合，发现即便对过去涨幅相近的股票，若其所在的行业、市场驱动力不同，其后续表现可能呈现出完全不同的走势。 在个股表现强势时，倘若个股自身的“小势”能够与其背后行业板块的“大势”共同作用，则后续可能会有更强的支撑，该类股票后续表现通常较好。另一方面，脱离行业独自上涨的股票缺乏行业势能的配合，上涨势头将会面临较大阻力，后续表现相对较弱。 基于此，如何将个股Alpha与行业Beta进行有机结合成为越来越多投资者关注的重点和难点问题。 如何将个股Alpha与行业Beta进行结合 我们观察到，随着市场结构化行情的加深，即便是同一行业的不同细分赛道也可能呈现出截然不同的市场表现。 例如2021年，尽管有色金属行业（CI005003.WI）在所有中信一级行业中的年内收益排名前三，但其下属二级行业的表现差异较大，其中稀有金属（CI005188.WI）年内收益高达80.46%，在所有中信二级行业中排名第一；而贵金属（CI005106.WI）年内收益为-1.78%，在所有中信二级行业中排名靠后。 同样在2025年，尽管通信行业（CI005026.WI）在所有中信一级行业中的年内收益排名前二，但其下属二级行业的表现差异同样有较大差异，其中通信设备（CI005181.WI）年内收益高达129.7%，在所有中信二级行业中排名第二；而电信运营II（CI005839.WI）年内收益为-8.38%，在所有中信二级行业中排名靠后。 如何将个股Alpha与行业Beta进行结合 此外，我们观察到越来越多的Beta行情呈现出跨行业、跨板块特征，单一的行业划分并不足以完全刻画这一现象。 CS新能车指数（399976.SZ）从产业链角度出发，选取在主营业务上涉及锂电池、充电桩、新能源整车等业务的上市公司作为指数样本，可以看到其成分股分布于基础化工、电力设备及新能源、有色金属、汽车、机械等不同行业，且各行业占比相对均衡。 茅指数（8841415.WI）从行业地位出发，选取消费、医药及科技制造等领域拥有较强成长性及技术实力的龙头公司作为指数样本，可以看到其成分股分布于电子、医药、食品饮料、电力设备及新能源、机械等不同行业，且各行业占比同样相对均衡。 基于此，在后文的介绍中，我们将重点从概念指数出发对细分赛道进行考察，旨在帮助投资者抓住锐度更高、代表性更强的Beta行情。 两个核心问题 当我们想要将个股Alpha与行业Beta进行更好的结合时，往往需要解决如下两个问题： 问题一：如何提升行业收益预测准确度？问题二：如何更好地对市场进行划分？ 问题一是目前大多数研究者讨论的核心，其背后即是对行业轮动模型的完善。国信金工团队在2023年5月17日发布的专题报告《寻找市场的领头羊——时点动量全解析》中，提出“时点动量”行业轮动模型。该模型至今历经了三年的样本外跟踪，样本内外表现较为稳健。本文，我们同样将该模型应用到行业预期收益的预测当中。 问题二则是本文探索的焦点，在过往的研究中“以何种颗粒度对市场进行划分效果更好”的重要性往往被研究者忽视。传统的行业划分更多基于一级或二级行业对市场进行划分，然而由前述分析可知，即便是同一行业的不同细分赛道也可能呈现出截然不同的市场表现。此外，越来越多的Beta行情呈现出跨行业、跨板块特征，单一的行业划分已经很难满足投资者的全部需求。 基于此，我们将重点从概念指数出发对细分赛道进行考察，旨在帮助投资者抓住锐度更高、代表性更强的Beta行情。 投资颗粒度：如何对市场进行更好的划分？ 我们认为，行业划分的本质即是聚类。投资者通常将一部分走势趋同的股票视为一个类别，并希望同一类别中的股票收益分化尽可能小，而不同类别的股票收益分化尽可能大。在实际投资中，从投资颗粒度来看，这种聚类的方法可以是“行业”，也可以是“板块”，还可以是“风格”。 下图展示了从个股到风格的投资颗粒度划分，可以看到： 个股是最细的投资颗粒度，选股模型因为标的样本数量多，往往重胜率而轻赔率，这一领域往往是量化研究的舒适区。 行业轮动、板块轮动、风格轮动等因为标的样本数量相对较少，往往重赔率而轻胜率，这一领域往往主观研究更能发挥效果。 投资颗粒度：如何对市场进行更好的划分？ 那么，究竟以何种颗粒度对市场进行划分的效果更好呢？在探索具体的分类方法之前，我们需要对“好的划分效果”有一套相对定量的评价标准。 我们认为，一个好的市场划分方式应当至少满足三大条件。 条件一：同一类别内部股票的收益分化程度尽可能小，从而尽可能避免选对类别但选错个股的情况。 条件二：不同类别之间的收益分化程度尽可能大，从而尽可能提供更具锐度的Beta属性工具。 条件三：不同类别之间的收益分化分布相对均匀，从而尽可能覆盖所有股票的收益分布。 投资颗粒度：如何对市场进行更好的划分？ 对于条件一的理解较为简单直接，若行业内部个股收益分化程度过大，则更容易发生“选对行业、选错个股”的情况。若同一类别中股票走势较为接近，各个股票的收益分化程度较小，则可以帮助投资者较大程度上避免这一情况的发生。 对于条件二和条件三，我们不仅希望类别之间收益分化尽可能大，还希望所有类别能够尽可能覆盖所有股票的收益分布情况，避免出现类别无法表达的“收益死角”。 为了更好地理解这一问题，假设在一个9×9米的操场上共有9名运动员，每位运动员的覆盖面积为其所在位置为中心点、以1.5米为半径往外延伸的圆形面积。那么，如何安排运动员的位置，使得9位运动员之间的位置间隔足够远，且整体覆盖面积尽可能大呢？ 投资颗粒度：如何对市场进行更好的划分？ 对于条件二和条件三，我们不仅希望类别之间的收益分化尽可能大，还希望所有类别能够尽可能覆盖所有股票的收益分布情况，避免出现类别无法表达的“收益死角”。 左图展示了分布均匀样本点的覆盖情况，若每位运动员处于九宫格的中心位置，则绝大部分面积都有球员覆盖。在该案例中，球员之间的最大间隔即为左上角运动员A和右下角运动员B之间的间隔，橙色部分即为全体运动员覆盖的操场面积。 右图展示了分布不均匀样本点的覆盖面积，尽管从最极端位置来看，右图中的球员距离间隔最大值与左图中的球员距离间隔最大值基本相当，均为A到B之间的间隔。但右图中的球员覆盖面积明显更小，仍有大量阴影部分没有球员覆盖。对比二者排位情况，左图中的运动员所处的位置要更加理想。 投资颗粒度：如何对市场进行更好的划分？ 如果将球员覆盖问题类比到实际投资中，其对应关系示意图如下图所示。其中：操场的面积，即可认为是全市场所有股票收益率形成的样本空间；每位运动员所在的中心位置，即是每个类别内个股收益中位数；每位运动员覆盖的面积，即是每个类别内个股收益形成的样本空间。在球员覆盖问题中，我们希望运动员之间的位置间隔足够大且整体覆盖面积足够多。而在市场划分问题中，我们同样希望不同类别之间的收益分化程度足够大，且各个类别应当尽可能覆盖不同收益分段上的股票。 目录 基于时点动量的行业轮动策略 Part 2 基于热点概念的市场划分新思路 Part 3 时点动量概念股票池构建 Part 4 时点动量概念精选组合构建 Part 5 基于时点动量的行业轮动策略 如何对行业预期收益进行更好的预测，是我们需要解决的第一个问题。在国信金工2023年5月17日发布的专题报告《时点动量全解析》中，我们发现市场在少部分具有信息含量的“关键时间点”释放的信号，对于实际投资具有十分重要的指导意义。 基于此，我们从行情内部转折日和外部事件冲击日出发，寻找到市场的关键时点，并根据关键时点的信号对未来一段时间的投资进行指导。本文采用的行情转折日包括底部反弹日、顶部切换日、三角突破日和高开跳空日，外部事件冲击日为宏观经济数据公布日。 基于时点动量的行业轮动策略 下表展示了反弹动量、切换动量、突破动量、跳空动量和宏观动量信号在中信一级行业内分5组的检验结果，回测区间为20130101-20251231。可以看到，各因子在该区间段内展现出良好的收益区分效果。 下图展示了不同时点动量信号的分年度数量分布情况，在2013年1月1日至2025年12月31日期间共触发176次，整体分布较为均匀，信20数据来源：WIND，国信证券经济研究所整理 号每年数量中位数为14个，平均值为13个。 基于时点动量的行业轮动策略 由于以上几类信号相互独立，根据市场不同状态不定期触发，相互之间几乎没有重叠，因此我们需要对这几种信号进行融合。 在进行信号融合时，我们将每类信号进行平等对待，触发任意一类信号就生成对应的时点动量因子并调仓。当相邻两个信号间隔时间过短时，为了包含尽可能多的信号信息且降低换手率，我们对时间间隔较近的信号进行时间衰减加权融合。 具体来讲，若10日内有多个信号触发，则将10日内的信号对应的时点动量因子加权合成，考虑到距离当前时间较远日的信号预测能力有衰减，因此我们加上时间半衰的权重倾斜。为方便时点动量因子的融合，所有因子值先转化为Rank值。权重的计算方法如下： 其中𝑤为权重，𝐻为半衰期，𝑛为信号日距离当前的天数，半衰期设定为10日。 以上图中的2022年9月两次信号为例，9月9日触发宏观动量信号，回看10个交易日内没有其他信号，则9月9日的动量因子值为宏观动量因子值M1。9月20日再次触发了大跌反弹信号，对应的反弹动量因子值为M2。 由于距离上一个宏观信号未满10日，因此9月20日时点动量合成因子值为： 基于时点动量的行业轮动策略 我们根据如上方式对多个时点动量因子进行合成，构建最终的时点动量因子。在每个信号触发日按照时间加权融