核心观点
　　本文构建了一种基于强化学习的行业配置策略，在主观量化逻辑之外，为赛道投资提供算法视角的优化方案。以资产间注意力网络模拟行业间的依赖关系，并使用强化学习框架实现模型的动态更新，提供跟踪频度更精细的行业配置信号。
　　主观视角之外，从算法视角探索如何优化行业配置策略：
　　行业配置策略蕴含的投资逻辑主要落在四个维度：动量、估值、景气度，和拥挤度。由于近期市场处于存量博弈阶段，风格切换频繁，行业轮动速度上升，周期性强的策略阶段性失效。另一方面，包括印花税在内的交易成本下调是长期趋势，策略研发端对于换手率的约束在逐渐放宽，结合交易执行模块的速度提升和算法优化，交易成本对于策略业绩的影响在逐渐减小。因此，中高频跟踪的行业配置策略也逐渐被投资者接受，市场关注度在不断提升。本文将构建投资组合的强化学习框架应用于行业轮动模型，从算法视角探索更灵敏、更高频的行业配置策略。
　　网络结构升级和强化学习框架在策略优化中分别扮演了什么角色：
　　策略收益提升主要是引入行业间注意力网络的贡献，回撤和波动的控制能力则来源于强化学习框架的自适应机制。首先，对比跨行业配置模型和单行业择时组成的配置模型，得到年化超额收益（17.28%、9.12%），收益提升明显。其次，使用相同的网络模型按照监督学习的方式定期重新训练，作为对照实验，本文所使用的强化学习框架实现的配置策略在回撤和波动的控制方面更有优势，得益于强化学习框架使模型能更平滑地在局部最优之间进行过渡。
　　行业配置策略的历史回测及近期表现如何：
　　整体上，本文实现的周频行业配置策略在2016-2023每年均能提供正超额收益（2016/01-2021/05年化约16%，2021/06-2023/05年化约17%，2018年谷值10.49%），每年最大回撤控制在10%以内。模型所选取的行业持有周期平均在3周以上，尽管周频调仓但整体换手率并不高。
　　从具体行业选择来看，本文从算法视角构建的行业配置策略，与主观赛道投资逻辑常常能达成共识。在今年3月中旬传媒行业行情早期就做了配置建议；在二季度后期，将交易拥挤度较低的汽车、机械行业选入了配置组合；7月进入财报季后，模型对于景气回升且机构仓位较低的煤炭、钢铁、化工、建材等行业也识别出了相应的投资机会。
　　近期策略超额收益增长放缓，6月中下旬后配置胜率有所下降，对比历史上的回撤恢复期（1-3个月，最长64个交易日），现阶段回落仍在正常范围内。
　　风险提示
　　1.本报告中包含公开发表的文献整理的模型结果，涉及的收益指标等结果的解释性请参考原始文献。2.本报告构建的策略框架中所提及的交易均指模拟交易，回测结果是基于历史数据的统计归纳，收益风险指标不代表未来，模型力求自适应跟踪市场规律和趋势，但仍存失效可能，不构成投资建议，须谨慎使用。