20260929-太平洋-形态相似度行业轮动策略动态跟踪_8页_461kb

形态相似度行业轮动策略动态跟踪总结

核心内容

本报告提出一种基于动态时间规整算法（DTW）的形态相似度行业轮动策略，旨在通过识别行业走势与历史走强前形态的相似性，捕捉行业轮动的早期信号，从而提升超额收益。

该策略的核心逻辑是：行业在走强前常表现出特定的结构特征，这些特征在不同行业和时期重复出现。通过提取历史行业超额收益序列片段构建模板库，利用DTW算法计算当前行业走势与模板的相似度，选取最匹配的行业进行配置。

主要观点

• 价格形态作为先行信号：价格形态能够实时反映市场预期，相较于动量类信号和基本面指标，具有更强的前瞻性。
• 历史形态的重现性：行业走强前的形态具有一定的重复性，通过识别这些结构特征，可以提高配置的准确性。
• DTW算法的应用：通过动态时间规整算法对行业走势进行匹配，可以有效对齐不同时间轴的波峰波谷，识别时间不完全对齐但结构相似的走势。
• 策略的调仓频率：策略采用周频调仓，配置周期为1周，组合构建基于相似度因子值，选取前N个行业等权配置。

关键信息

1. 策略表现

• 周频调仓：年化收益为20.6%，相对于行业等权基准超额收益为16.8%，信息比率为2.88，最大回撤为4.9%。
• 双周频调仓：年化收益为16%，超额收益为10.4%，信息比率为1.51。
• 表现稳定性：最高相似度组每年稳定贡献超额收益，表明策略具有一定的持续性和有效性。

2. 模型信号

• 上周模型信号：模型持有行业相对于行业等权基准超额收益为-0.15%。
• 本周模型持仓行业：交通运输、电力及公用事业、建筑、食品饮料、汽车。

3. 模型逻辑与实现路径

• 形态模板库构建：从2009年1月6日至2026年5月28日的历史数据中提取形态片段，定义为“过去K日超额收益序列→未来M日超额收益达到阈值”。
• 模板动态维护：每f日更新一次模板库，确保不引入未来信息；滚动使用最近Y年的模板，自动截断N年前的历史数据。
• 相似度计算：使用DTW算法计算当前行业走势与模板的最小距离，转换为相似度值，并进行Z-Score标准化处理。

4. 组合构建方法

• 每调仓日选取相似度因子值最高的前N个行业，等权配置，形成组合。

风险提示

• 历史数据局限性：本报告基于历史数据，存在一定的局限性，不保证未来表现。
• 样本数据有限：数据处理可能存在误差，不足以代表市场整体风险。
• 模型失效风险：历史规律及模型在未来的有效性无法保证，存在失效可能。

投资评级说明

行业评级

• 看好：预计未来6个月内，行业整体回报高于沪深300指数5%以上；
• 中性：预计未来6个月内，行业整体回报介于沪深300指数-5%与5%之间；
• 看淡：预计未来6个月内，行业整体回报低于沪深300指数5%以下。

公司评级

• 买入：预计未来6个月内，个股相对沪深300指数涨幅在15%以上；
• 增持：预计未来6个月内，个股相对沪深300指数涨幅介于5%与15%之间；
• 持有：预计未来6个月内，个股相对沪深300指数涨幅介于-5%与5%之间；
• 减持：预计未来6个月内，个股相对沪深300指数涨幅介于-5%与-15%之间；
• 卖出：预计未来6个月内，个股相对沪深300指数涨幅低于-15%。

免责声明

• 本报告仅向签约客户发布，未经授权不得使用或传播。
• 报告内容仅供参考，不构成投资建议，投资者需自行承担风险。
• 报告信息来源于公开资料，太平洋证券不对其准确性和完整性做任何保证。
• 报告内容可能涉及公司所持证券头寸及投资银行业务服务，不构成买卖建议。