原文作者：洪运
【摘要】近年来，随着量化投资策略受到我国机构投资者的热捧，优化传统的行业轮动策略成为研究的热点。本文从宏观、估值和技术层面出发，建立合理的指标体系，运用粒子群优化算法和支持向量机建立识别周期-非周期轮动的策略模型。研究结果表明，该策略能够有效获取超额收益。
【关键词】行业轮动；hurst指数；粒子群优化算法；支持向量机
一、引言
行业轮动是利用市场趋势获利的一种主动交易策略，其本质是利用不同投资品种强势时间的错位，对行业品种进行切换，以达到投资收益最大化的目的。自上而下的技术分析方法认为，宏观经济环境的变化会导致资产收益率的波动，因而行业层面的分析依赖于宏观经济指标的指导。此外，由于不同行业所处经济产业链上的位置决定了其现金流量的不均衡，周期性行业和非周期性行业在经济周期的各阶段表现会有较大差异，因而传统的观点认为应当在经济处于景气阶段时选择周期性行业，而在经济衰退时优选非周期行业。本文从宏观、中观和微观角度出发构建全面的指标体系，并期望通过建立量化模型判断行业风格转换，在合适的时机重新配置资产，以达到获取超额收益的目的。
二、研究设计
（一）数据来源及指标体系
1.数据来源
2.指标体系
（二）识别模型构建
支持向量机(svm)是一种基础的数据挖掘方法，其建立在统计学习理论的vc维理论和结构风险最小原理基础上。概括地说，非线性的支持向量机就是首先通过内积函数定义的非线性变换将输入空间变换到一个高维空间，在这个空间中求出广义最优分类面。该方法的主要优点有：①能够获取在有限样本信息下的最优解；②算法最终转化成一个二次寻优问题，理论上能够找到全局的最优点；③具有良好的推广能力，并能有效解决维数问题。[论文网]
粒子群优化算法(pso)是由kennedy和eberhart首先提出的，它是通过对鸟类和鱼类的觅食行为的研究而发展起来的一种基于群体协作进行随机搜索的演化算法。该算法首先初始化一组随机粒子，通过不断迭代找到最优解。在每次的迭代过程中，每个粒子都会通过跟踪记录两个极值来不断更新状态。这两个极值分别为粒子本身的最优解和整个种群的最优解，即分别为个体最优解和全局最优解。
运用最小二乘支持向量机建模时，径向基函数参数和惩罚因子很大程度上决定了模型的精度。而作为优化算法的一种，粒子群算法拥有强劲的全局搜寻能力，因而将两者能够提高模型的准确性。本文选用libsvm建立pso-svm识别模型，其计算过程如下：①标记过程，若周期与非周期之差大于0，将其标记为1，否则标0。②样本分类，将总计63个样本分为58个训练样本和7个测试样本。③将特征变量做归一化处理。④为达到降维的目的，将特征变量做主成分处理。⑤设置初始参数，利用粒子群优化算法搜寻最优参数。⑥使用最优参数对整个训练集进行训练以得到支持向量机模型。⑦使用上一步得到的模型对测试集进行测试。
为了显示不同特征变量对识别结果的影响，本文依次选择宏观指标、估值指标、技术指标和综合指标作为特征变量，测试结果如表2所示。结果表明，将综合指标作为特征变量能够有效识别出周期-非周期轮动的转换点，样本内的分类准确率为98.21%，样本外的分类准确率为71.42%。
三、结论
在传统的行业轮动策略中，其往往关心如何在不同经济周期中配置资产，但并不提供事先准确识别经济周期的量化模型。然而，准确识别经济运行的不同阶段是行业轮动策略获取超额收益的基础，也是合理选择投资品种的前提。事后判断虽然能提高判断的准确性，但会错失大量的投资机会。本文以宏观指标、估值指标和技术指标为指导，建立了周期-非周期的行业轮动的量化策略。研究结果表明，建立综合指标能提高识别模型的样本内准确度，以综合指标为基础的量化投资策略能够有效获取超额收益。
参考文献
[1]kenneth a.froot & melvyn teo.equity style returns and institutional investor flows[c].nber working papers,2004.
[2]c.mitchell conover,gerald r.jensen,robert r.johnson,and jeffrey m.mercer.sector rotation and monetary conditions[j].the journal of investing,2008(17):34-46.
[3]孙海波,宋曦.货币周期指导下的行业投资组合构建[j].中央财经大学学报,2009(11):41-46.
[4]郑振龙,黄薏舟.波动率预测:garch模型与隐含波动率[j].数量经济技术经济研究,2010(1):140-150.
[5]覃邑龙,应益荣.重标极差方法下时变hurst指数的构建和实证研究[j].系统管理学报,2011(5):620-625.
