嵌入景气度因子的行业轮动策略——基于PCA-SVM模型

作     者：李雅玲 

作者单位：暨南大学 

学位级别：硕士

导师姓名：陈创练

授予年度：2021年

学科分类：12[管理学] 02[经济学] 0202[经济学-应用经济学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 020204[经济学-金融学（含∶保险学）] 

主      题：行业轮动 行业景气度 主成分分析 支持向量机 

摘      要：行业轮动策略实际上是利用不同行业的在某段时间内“强势和“弱势的情况来选择“强势行业进行配置的一种策略,而行业收益之间的差距,本质上反映的是行业的基本面状况的差异。而已有文献中对该策略的量化分析十分稀少。本文首先从微观的角度分析整体行业的基本面状况,使用行业内个股基于财务报表、分析师的一致预测以及机构评级的数据,然后采用整体法构建成行业景气度因子,并通过单因子测试证实了其有效性。其次,我们基于PCA-SVM在实证中实现了行业轮动的投资策略,并取得了良好的效果,证实了该策略的实际意义,给投资者的投资方式提供了新思路。本文基于企业个体的数据合成行业景气度因子,筛选出有效因子后建立打分法模型以及SVM模型,研究结果表明:(1)通过个股基本面数据合成行业景气度因子在一定程度上能反映行业的繁荣程度,这里具有一个动量效应,在行业内个股的财务情况与市场的一致性预期较好时,整个行业的景气度是向上的;(2)证实了简化的逻辑链条“行业景气度——行业整体股价的波动“的可行性,行业的景气度能对股价的波动产生影响。当行业景气时,即行业内所有公司的财务指标、分析师一致预测的财务指标改善或者是机构调高了股票的评级,此时对投资者来说是一个买入信号,因此对股价产生正向影响。(3)在具有先验逻辑的情况下,机器学习能够提高模型的绩效,将机器学习引入到量化投资策略中具有一定可行性。机器学习能处理非线性数据以及能对特征的选择有所侧重,在一定程度上改善了计量的线性回归模型的缺陷以及打分法对权重选择主观的缺陷。