资产配置与轮动研究20260914 导读

东吴选金融公司组展示了两个技术研究项目。第一个项目利用技术分析，特别是K线形态，结合神经网络模型，预测股票未来五天的收益率，旨在通过分析过去40个交易日的数据，包括开盘、收盘等七个维度，来实现选股和择时，目标是预测股价走势以获得绝对收益。模型采用DRUDMOP结构，输入5000股股票过去四个交易日的七个维度特征，通过GRE和MOP输出未来五个交易日的收益率。模型训练过程中，选择IC指标而非MAC指标作为损失函数，因为IC指标更侧重相对收益和模型的排序能力，且对尺度和偏置不敏感，有助于模型收敛。模型本质上是一种以K线打分的模型，通过给股票或行业指数打分来判断其表现好坏，并可用于做多头、空头以及行业轮动的选择。在指数择时方面，提出了两种方案：一是“自下而上乘法”，通过个股因子合成指数阿尔法因子再进行多空配置；二是“直接推一把”，类似技术分析直接观察指数K线形态进行买卖决策。推荐使用直接技术分析方法预测指数K线，以获取更稳定的超额收益。该模型不仅适用于300、500、1000等不同规模指数，还能应用于创业板、高德权等其他指数，整体效果均表现良好。

第二个项目聚焦于基金经理的行为分析，通过高频基金持仓数据，研究行业轮动策略，构建基金经理的模拟组合，以评估在不同行业中的仓位调整，从而预测市场行业轮动方向，为资产配置提供信号。报告介绍了将公募基金低频仓位信息提升至高频连续序列的方法，通过回归框架测算基金行业仓位，结合时间加权与稀疏化处理，实现对近期调仓行为的敏感响应。通过从前十大重仓股出发，结合上期数据和行业配置约束，构建基金的季度模拟组合，以更准确地反映基金的行业暴露和港股投资。报告还提出了公务配置趋势确认指标（CT指标），通过计算过去一周各行业收益率排序与公募基金仓位变化排序的相关系数，衡量价格趋势与资金量的关联共振程度。指标经四周平滑处理后，应用于中信一级行业、深外一级行业或两者等权平均，展现了一定的权益择时能力，胜率可达60%以上，结合换手率稳定性策略，胜率提升至70%以上。但指标适用于右侧状态确认，市场快速反转时需结合估值反转指标进行左侧确认。近期指标连续八周转负，与市场赚钱效应下降趋势一致，建议长期跟踪用于评估经理抱团程度。公募资金的行业配置信息能否直接用于行业轮动策略？尝试直接使用公募仓位水平和超配程度进行行业轮动，但效果并不明显，因为包含公墓长期风格暴露的问题。进一步分析后发现，直接使用超配点数作为轮动信号也存在局限性，但通过对比绝对数值与相对变化，或许可以生成更好的轮动信号。我们尝试将公募超配共识与价格动量结合，以实现共识得到市场价格趋势的直接确认，并发现这种结合与择时思路相契合。