投资要点
　　问题与难点：目前，常见的投资型行业分类存在着时效性较低和单一性问题。在进行自下而上的行业重构研究时，研究者往往会遇到三大难点：1）多样性：单一的行业映射缺点愈发严重，该如何给出连续型的行业分类；2）可认知性：聚完类之后的行业该如何认知，每一个行业到底代表什么；3）应用性：若能构建出满足多样性的连续型分类，重构完之后应当如何应用。
　　解决方案：本文中，我们基于专利和产品布局数据，引入L-LDA主题模型进行行业重构。L-LDA主题模型是一个以关键词为约束、以词袋为输入数据的半监督聚类模型，其输出数据具有多概率分布的特征。在实际建模中，我们引入专利分类数据构建公司的特征词袋，以标准化产品名称作为关键词进行聚类，将公司根据其自身特征分配至产品标签中，也就是最终的行业类别。
　　效果认知：经过L-LDA主题模型聚类后，产品标签便是新的行业分类名称，同时结果也包含了每个特征词（专利）对行业的贡献度，可认知性极强。此外，在截面上看，我们实现了公司与行业之间“一对多”的关系，每个公司具有对应行业的分布概率；在时序上看，公司自身特征不断变化，行业分布概率也不断变化。分类结果同时具备了多样性和连续性。
　　应用尝试：我们择机将重构结果应用到指数增强、行业轮动、相似股因子以及权重优化等应用场景进行测试。1）指数策略年化超额达到11.54%，且大部分年份比之前模型优异（尤其是近些年）；2）行业轮动方面：模型2015年底以来年化收益率为17.69%，同期中信行业轮动为3.72%，基准为-0.99%。模型的收益波动比为0.95，月度胜率为64.6%，同样明显优于基准。
　　风险提示：模型结果基于历史数据的测算，在市场环境转变时模型存在失效的风险。