（來源：東方金工研究）
尊敬的各位投資者，
⠠⠠從今年開始，我們將舉辦一係列關於量化研究的線上會議。在“說深度”這個係列的會議中我們將通過匯報深度專題研究報告的形式，深入探索量化研究的前沿與應用，包括深度學習、多因子及指數增強、主動量化、行業輪動、基金評價、FOF、可轉債等各個維度，希望能為您帶來啟發與思考。
⠠⠠我們相信，通過參加這個係列的會議，您將能夠深入了解我們團隊在量化研究方向的最新動態，拓寬您的知識視野，為您的研究和投資賦能。
⠠⠠歡迎各位投資者掃碼或者聯係研究員/對口銷售報名參會，期待與您一同探索量化研究的精彩世界！
⠠⠠謝謝您的關注與支持！
相關報告：
核心觀點
行業輪動的必要性
以基本麵為主的行業輪動策略表現不佳：⠄FQ工業類行業輪動體係基於38個證監會二級行業構建，轉化為中信一級行業後會損失較多信息。2020年以來top5行業組合年化超額僅為3.33%。
行業動量輪動策略近兩年表現不佳：DFQ行業動量輪動策略2020年以來top5行業組合年化超額僅為3.68%，2023和2024年均未獲正超額。
用機器學習選股因子合成行業因子
將機器學習模型訓練出的選股因子，按個股市值加權，合成為行業因子，進行行業輪動。vae、xgb模型的多頭端top5行業組合整體表現較好，2020年以來top5行業組合年化超額收益可達10%以上。但由於模型的選行業能力隻是選股的副產品，行業輪動因子是否有效很大程度上取決於運氣，使用起來不夠穩健。
DFQ遺傳規劃行業因子挖掘係統介紹
前期我們開發出了一套高效的DFQ遺傳規劃因子挖掘係統。模型主要有7點改進：提升初始種群質量，提升每代種群質量，提升每代產生的有效公式數量，避免公式膨脹，動態調整每代進化參數，降低挖掘因子的相關性，避免無效運算。
將DFQ遺傳規劃因子挖掘係統，遷移到行業上，挖掘行業因子。采用中信一級行業作為輪動標的。挖掘月頻因子。采用滾動挖掘方式，每隔一年重新挖掘。訓練集采用滑動窗口的方式，長度固定10年，每次向後挪一年。共設計145個特征，140個算子。使用20個路徑下多頭（top5）行業組合的月均超額收益的最小值作為適應度。
DFQ遺傳規劃行業因子挖掘係統效果分析
進行一輪15代完整挖掘用時5分鍾左右。一輪完成後可產生5個左右適應度超過0.5%，且互相間相關係數不超過50%的單因子。
2020-2024年用到的277個單因子中，60%的單因子樣本外月均多頭超額收益為正，30%的單因子樣本外月均多頭超額收益超過0.5%。
單因子樣本外易失效，頻繁挖掘消耗算力。采用長周期挖掘，短周期加權的方法，可以顯著提升合成因子表現。動態xgb加權方法下2020年以來top5行業組合年化超額收益11.10%，超額收益最大回撤10.28%，月度勝率61.40%，超額收益夏普比1.16。
DFQ機器學習行業輪動模型效果分析
通過遺傳規劃方法得到的行業因子，和其他四個由選股因子合成得到的行業因子，相關性非常低，因子值spearman相關性在0%附近。
將vae、xgb、gp三個行業因子等權合成，構建DFQ機器學習行業輪動模型。模型表現十分突出，能實現1+1 2的效果。2020年以來，top5行業組合年化超額收益達到18.42%，超額收益最大回撤7.76%，月度勝率66.67%，超額收益夏普比1.77。
行業輪動模型在指數增強組合中的應用
疊加行業輪動模型來調整行業暴露敞口，可以實現組合收益和穩定性的提升。對於增強組合提升尤其顯著。相比於基礎組合，年化超額收益可以提高2%，信息比從1.85提升到2.16，超額收益最大回撤從6.53%降低到6.12%。
風險提示
量化模型基於曆史數據分析，未來存在失效風險，建議投資者緊密跟蹤模型表現。
極端市場環境可能對模型效果造成劇烈衝擊，導致收益虧損。
說明：
本訂閱號資料基於股份有限公司已發布證券研究報告製作。
證券研究報告：《DFQ機器學習行業輪動模型——量化策略係列之八》
發布日期：2024年11月18日
分析師：楊怡玲 執業證書編號：S0860523040002
⠠⠠⠠⠠⠠⠠劉靜涵⠥Ÿ𗦥�‰書編號：S0860520080003
重要提示（向上滑動瀏覽）：
本訂閱號為東方證券股份有限公司（以下稱“東方證券”）研究所金融工程研究團隊運營的唯一訂閱號，並非東方證券研究報告的發布平台, 本訂閱號僅轉發東方證券已發布研究報告的部分內容或對報告進行的跟蹤與解讀。通過本訂閱號發布的資料僅供東方證券研究所指定客戶參考。因本訂閱號無法設置訪問限製，若您並非東方證券研究所指定客戶，為控製投資風險，請您請取消關注，請勿訂閱、接收或使用本訂閱號中的任何信息。東方證券不因任何單純訂閱本公眾號的行為而將訂閱人視為客戶。