行业轮动技术指标系列报告之五:从动量谈起

动量是行业轮动的重要因素。动量效应是金融市场上最常见的现象之一。

不少研究指出对于不同行业间,尤其是大类行业,存在较为明显的动量效应。从动量轮动效果上看,行业分类越粗动量越强,动量月度轮动的效果也强于其它时间周期。但传统上仅用上期收益率来计算动量指标的方式有着一定的局限性,使其轮动效果在今年来逐渐失效。构建新的指标增强动量强度的需求应运而生。

龙头跟随效应预示未来行业强弱关系。行业内龙头与其它企业在引领行业走向或应对外部冲击时的角色有所差异,往往是龙头领先、其它企业跟随的状况。通过构建好的龙头领先程度指标,量化每个行业龙头与跟随企业当前的差距。由于跟随者的补涨补跌效应,龙头领先程度指标能一定程度预示未来行业的强势关系。利用该指标构建的行业轮动策略,样本内年化超额收益14.4%,最大回撤12.2%,夏普比率0.98。

龙头领先程度具有动量增强的效果。龙头企业的领先程度大小预示未来跟随股补涨或补跌的空间。而补涨补跌空间越大,之前行业趋势延续的概率就越大。通过这个角度我们可以利用龙头领先程度指标来对传统的动量指标进行修正,从而构建一个基于龙头领先程度的动量增强指标。利用该指标构建的行业轮动策略,样本内年化超额收益7.5%,最大回撤19.1%,夏普比率0.528。

成交量蕴含动量增强的信息。轮动节奏变化一定程度上是信息扩散程度或者说价入( price-in)所需时间的改变造成的。新的行业信息被传播及吸收的越快,轮动的节奏变化的也越快。因而在换手率更低的时候动量效应会更强。结合成交量信息构建动量增强指标,也有较强的轮动效果。

利用该指标构建的行业轮动策略,样本内年化超额收益15.5%,最大回撤14.3%,夏普比率0.96。

结合多指标信息构建行业轮动策略。利用打分法与Black-Litterman模型,将多指标的轮动信息结合,构建完整的行业轮动策略,取得了较好的轮动效果。打分法样本内超额年化收益12.3%,夏普比率1.07,相对最大回撤10.g%,月度胜率62.3%;样本外超额年化收益3.6%,夏普比率0.43,相对最大回撤13.2%,月度胜率60.0%。BL模型法样本内超额年化收益10.2%,夏普比率0.94,相对最大回撤13.2%,月度胜率63.8%;

样本外超额年化收益9.4%,夏普比率0.90,相对最大回撤10.5%,月度胜率52.5%风险提示:测试结果均基于模型和历史数据,模型存在失效的风险。