报告概述
本报告系统回顾了华泰金工团队在量化行业轮动领域的研究历程与实践经验。研究对象为中信一级及部分二级行业指数，覆盖基本面、交易面、机器学习三大维度。报告详细分析了传统基本面因子失效的原因，并重点介绍了残差动量因子、拥挤度指标以及基于多目标遗传规划的动态因子挖掘系统。此外，报告展望了量化行业轮动的下半场，提出风格择时辅助、行业轮动结合CTA信号、大语言模型应用三种破局思路，为投资者提供了兼具理论深度与实践价值的参考框架。
报告的核心结论
传统基本面因子因行业逻辑不稳定而失效
报告指出，基本面因子在2024年几乎全军覆没，根本原因在于行业逻辑时序稳定性差和截面可比性不足。行业逻辑随技术变革而变化，且不同行业核心定价指标各异，导致常见基本面指标难以进行有效的截面比较。
残差动量因子持续创造超额收益
改进残差动量因子通过剔除市场与风格因子影响，并引入波动率反转效应，在2017年至2026年初实现年化超额收益12.90%。尽管在2024Q3至2025Q2出现回撤，但超额收益随后快速修复并在2026年初创新高。
拥挤度指标能前瞻性识别交易风险
基于门限测试精选的四个量价指标构建的行业拥挤度模型，在2026年初成功预警了国防军工、工业金属、贵金属三个行业的交易风险。回测表明，规避高拥挤行业对长期业绩有正向贡献。
多目标遗传规划提升因子挖掘稳定性
通过GPU加速和多目标体系（|IC|、|IC|胜率、NDCG@k）改造的遗传规划，有效缓解了因子同质化问题。技术面遗传规划在样本外表现优异，年化超额收益达25.39%；基本面遗传规划表现一般，表明结构化信息难以捕捉行业基本面变化。
大语言模型有望破解基本面行业轮动困局
报告认为，大语言模型通过深度整合非结构化信息，可能成为基本面行业轮动的破局之道。其语义理解、知识整合和推理泛化能力，有助于形成对行业基本面的系统性认知，超越传统结构化数据的局限。
报告回答的关键问题
量化行业轮动面临哪些主要挑战？
量化行业轮动面临传统基本面因子失效、行业逻辑不稳定、截面可比性差等挑战。报告指出，行业逻辑会随技术变革而变化，不同行业核心定价指标各异，导致常见基本面指标难以有效比较。此外，量化模型在滚动窗口中挖掘历史规律，存在失效风险。
残差动量因子如何改进？
残差动量因子通过剔除市场因子和风格因子影响，捕捉产业政策、技术进步等无法被结构化数据描述的股价驱动因素。改进版本进一步引入波动率反转效应，对日波动率最高月份的残差进行反转处理（乘以-1），从而提升了策略表现。
如何用拥挤度指标规避行业交易风险？
报告基于门限测试精选四个量价指标构建拥挤度模型：超额收益净值乖离率、超额收益动量、流通市值换手率、换手率乖离度。当单指标滚动分位数达95%阈值时触发信号，3或4个指标同时触发视为高拥挤。回测显示，规避过去20个交易日有两天拥挤度达3分或4分的行业，长期对策略有正向贡献。
遗传规划在行业轮动中如何应用？
遗传规划通过仿生进化过程自动挖掘因子，经GPU加速和多目标体系（|IC|、|IC|胜率、NDCG@k）改造后，技术面遗传规划在样本外表现优异，年化超额收益25.39%。基本面遗传规划表现一般，因其仅依赖结构化信息。因子每季度重新挖掘，使用5年训练集和1年验证集，最终选取15个低相关因子合成。
大语言模型如何改变量化行业轮动？
大语言模型通过语义理解、知识整合和推理泛化，能够处理非结构化信息，如新闻、公告等。报告前期工作已用LLM构建宏观因子，对A股和国债解释力优于PMI。在行业轮动中，LLM有望整合碎片化信息，提升对行业基本面的理解，成为基本面行业轮动的破局之道。
报告中的代表性数据
改进残差动量年化超额收益
2017-01-01 至 2026-02-28，改进残差动量月频行业轮动策略相对于行业等权基准的年化超额收益，回测中不考虑交易费用。
技术面遗传规划年化超额收益
2022-10-10 至 2026-02-28，基于多目标遗传规划的技术面行业轮动策略（三目标版本）相对于行业等权基准的年化超额收益，回测中不考虑交易费用。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 详细阐述传统基本面因子失效的根本原因，包括行业逻辑的时序不稳定性和截面可比性差，并以2024年因子表现数据为例进行说明。
- 残差动量因子的完整计算框架，包括市场因子和风格因子的构建方法（基于全球资产主成分分析）、残差提取步骤以及改进反转效应的细节。
- 拥挤度模型的完整构建流程，包括门限测试方法、4个精选量价指标及其参数选择、触发拥挤信号的标准，以及行业拥挤度得分与股价走势的对比图。
- 多目标遗传规划的详细实现，包括GPU加速的PyTorch实现、NSGA-II算法原理、三个评价指标（|IC|、|IC|胜率、NDCG@k）的计算方法，以及技术面与基本面遗传规划的专用参数设置。
- 基于遗传规划的基本面行业轮动策略的完整设计，包括万能公式因子格式、12个参数的解释、成分股筛选规则及合并方式，以及该策略的回测业绩表现。
- 风格择时辅助行业轮动的完整方法，包括红利择时模型（动量、期限利差、银行间市场成交量）的构建、行业风格归属的动态识别方法、以及风格择时信号与行业轮动信号的叠加规则。
- 行业轮动与CTA信号结合的具体思路，包括截面多因子模型筛选行业、组合配置模块确定权重、以及时序CTA模型（如海龟交易法则）确定买卖点的完整流程。
- 大语言模型在量化行业轮动中的应用前景，包括前期工作LLM增强宏观因子的构建方法，以及LLM在行业基本面轮动中整合非结构化信息的潜力分析。
- 完整的量化行业轮动模型历史回顾，包括华泰金工团队历次深度报告的时间线、模型涉及的中信行业标的列表，以及模型框架的总览图。
- 风险提示章节，包括量化模型历史规律可能失效、市场条件不适用、以及报告不构成投资建议等声明。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
