行业轮动策略报告：因子极值获超额收益，7月关注电子等

《行业轮动策略报告：因子极值获超额收益，7月关注电子等》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、目录索引一、行业走势回顾及策略表现概览5二、相似性匹配行业轮动策略6（一）策略介绍6（二）策略历史表现回顾6（三）策略最新推荐关注行业11三、“羊群效应”行业轮动策略15（一）策略介绍15（二）策略历史表现回顾15（三）策略最新推荐关注行业16三、因子极值行业轮动策略18（一）策略介绍18（二）策略历史表现回顾18（三）策略最新推荐关注行业23四、宏观事件驱动下的行业轮动策略24（一）策略介绍24（二）策略历史表现回顾24（三）策略最新推荐关注行业28风险提示31图表索引图1：行业指数6月行情回顾5图2：6月北上资金流向5

2、图3：相似性匹配策略历史回测结果6图4：相似性匹配策略分年度表现7图5：行业最新启动顺序12图6：历史相似性匹配结果112图7：历史相似性匹配结果213图8：历史相似性匹配结果313图9：历史相似性匹配结果414图10：羊群效应策略历史回测结果15图11：羊群效应策略分年度表现16图12：因子极值策略历史回测结果18图13：因子极值策略分年度表现19图14：因子极值最新推荐关注行业创新高(低)走势——123图15：宏观事件驱动的行业轮动原理24图16：宏观事件驱动策略历史回测结果25图17：食品饮料:五粮液价格(单位：元/

3、瓶)近期高位(21期)29图18：综合:美国10年期国债收益率(单位：%)近期低位(21期)29图19：汽车:理财产品预期年收益率(单位：%)近期低位(24期)30表1：相似性匹配策略分年度表现7表2：相似性匹配策略逐月超配行业组合明细7表3：行业启动序列匹配结果11表4：相似性匹配策略最新推荐关注行业14表5：相似性匹配策略的2019年6月累计表现14表6：羊群效应策略分年度表现16表7：羊群效应策略最新推荐关注行业17表8：羊群效应策略的上周表现17表9：因子极值策略分年度表现18表10：因子极值策略逐月超配行业组合明

4、细19表11：因子极值策略最新推荐关注行业23表12：因子极值策略的2019年6月累计表现23表13：宏观事件驱动策略分年度表现25表14：宏观事件驱动策略历史当月超配行业组合明细25表15：宏观事件驱动策略最新推荐关注行业30表16：宏观事件驱动策略的2019年6月累计表现30图1：行业指数6月行情回顾12.0%8.0%4.0%0.0%-4.0%-8.0%-12.0%一、行业走势回顾及策略表现概览6月因子极值获超额收益。回顾6月行业指数表现，市场风险偏好提升，资金重新流入，食品饮料、非银金融行业表现突出，收益率均超过1

5、0%，农林牧渔行业下跌8.0%。本报告中因子极值策略再创佳绩，本月累计超额收益升至1.6%，而相似性匹配策略和宏观事件策略的超额收益为负。上周涨幅6月累计涨幅2018年以来涨幅（右）24.0%12.0%0.0%-12.0%-24.0%(-36.0%300食非休沪品银闲深饮金服(((料融务)))申申申万万万家通银用信行电申申(())(器万万)申万建电交计筑子通算材申运机((((料万输申))申申万))万万公商机用业械事贸设业易备(((((())))))申申申万万万有医建色药筑金生装属物饰申申申万万万房汽传综地车媒合产

6、申申申申万万万万国采化防掘工军申申(())(((()))工万万)申万轻钢纺电农工铁织气林制申服设牧(((((造万装备渔)申申申申))))万万万万)数据来源：Wind，6月北上资金偏好银行、食品饮料行业。6月北上资金主要流入金融板块及消费板块，净流出成长性行业及周期行业。展望7月，因子极值策略推荐关注行业内个股的价量变化情况，近期行业内个股上涨动量增强的行业如电子等仍将具有超额收益。相似性匹配策略认为，电子、食品饮料有望启动反弹并相比于沪深300获得超额收益。宏观事件策略认为，五粮液价格到达21个月高位，食品饮料行业将

7、迎来机会。综合以上策略，在7月我们推荐关注电子、食品饮料等行业。备注：个股的持股市值增量等于当周的持股量增量与最新的收盘价的乘积，行业的持股市值增量资金流入图2：6月北上资金流向比率为该行业个股持股市值增量之和。10.0%持股市值存量占指数总市值比例持股市值增量占成交额比例(右)4.0%8.0%2.0%6.0%0.0%4.0%-2.0%2.0%-4.0%0.0%-6.0%数据来源：Wind，二、相似性匹配行业轮动策略（一）策略介绍投资者常常通过观察行业的最近上涨顺序，来确定未来哪些行业最有可能上涨，并总结出各种用来解

8、释行业涨跌顺序的“规律”，遗憾的是目前还不存在一种恒定有效的规律能够适用于各个阶段的行业轮动判断中，每个时期的行业涨跌顺序虽然看起来“似曾相识”，但每次却都不同于以往，《寻找行业“似曾相识”的轮动规律》通过观察近期行业之间的涨跌顺序，与历史样本进行相似性匹配，寻找“似曾相识”的样本时期，并以随后的强势行