资产配置与轮动研究20260913 原文

核心观点： 本研报主要介绍了两种资产配置策略：基于技术分析模型的指数择时策略和基于公募基金高频持仓的行业轮动策略。

技术分析模型指数择时策略：

• 模型构建： 采用神经网络模型，输入维度为股票高开低收等七个维度的数据，并对特征进行持续标准化处理。
• 损失函数： 由于精确点位预测难以收敛，模型采用IC（Information Coefficient）作为损失函数，该函数对尺度和偏置不敏感，能够有效解决标签均值和方差漂移问题。
• 策略信号： 通过比较模型预测值与过去一段时间（如4日、10日、40日）预测值的均值或采用布林带方式生成交易信号。
• 策略效果： 模型在多个指数（中证全指、中证1000、创业板指、科创50）上均取得了不错的择时效果，胜率较高，且对参数选择不敏感。
• 模型应用： 可通过Alpha派平台调用该模型，生成指数观点图、净值曲线、策略净值曲线等，并支持自定义仓位调整策略。

公募基金高频持仓行业轮动策略：

• 高频仓位测算： 采用回归模型，通过基金净值收益率对行业模拟组合收益率进行回归，得到行业暴露度，并通过时间加权和技术化处理得到更精准的行业仓位估计。
• 高频仓位测算结果： 多数行业误差较低，全行业平均MAE约为1.6%，说明模型能够较好地还原基金真实的行业分布。
• 行业轮动策略： 构建C指标（公募配置趋势确认指标），通过计算行业收益率排序与公募基金行业仓位变化排序的相关系数，衡量价格趋势与资金流向的共振程度。
• 策略效果： C指标在回测中表现出一定的权益择时能力，胜率较高，但更适合作为长期跟踪基金经理抱团程度的指标。
• 进一步优化： 将公募超配行业与价格动量结合，通过量价关系共振的方式构建行业轮动策略，效果显著优于简单动量或公募超配单因子策略。

研究结论：

• 技术分析模型能够有效进行指数择时，且不过滤数据，具有较强的普适性。
• 公募基金高频持仓信息能够转化为有价值的投资信号，可用于权益择时和行业轮动，但更重要的应用方向在于量价关系共振的确认。
• 量价关系共振的共识信号在择时和行业轮动中具有重要作用。