投资要点:
　　市场的“形状”是什么？是类似甜甜圈（环面)、空心球，还是多孔芝士？我们熟悉资产的波动与相关性，却少有人从几何角度思考市场结构。拓扑数据分析（TDA)提供了量化数据"形状"和"孔洞结构"的新视角，帮助我们识别市场的本质特征。拓扑学研究的是对象的几何性质，有些性质在图形连续改变形状后还能继续保持不变，被称为“拓扑性质”，它捕捉了对象结构中更本质的特征。在复杂的高维数据如金融市场内部存在着类似的结构性质，可以形象地称之为数据的形状。
　　本文从拓扑数据分析的基本概念出发，引入同调、持久同调与持久景观等工具。随后我们将其用于刻画金融市场的“形状”即“拓扑结构”变化并进行策略构建。具体来说，我们初步发现基于市场形状的指标在A股择时与行业轮动策略中都能够提供全新视角，获取超额收益。
　　市场择时维度:我们发现通过申万二级行业收益相关性构建的网络结构,其二维孔洞的大小和数量能够有效识别市场的极端状态，在孔洞极少的市场结构中往往蕴含反弹机会。这些年市场反弹就往往发生在二维孔洞极少的情形下，比如20年3月、22年4月底、24年2月、25年1月等。结合拓扑指标的择时模型2013年底以来能够实现22.99%的年化收益率和17.50%的最大回撤，显著优于基准择时模型14.65%的年化收益和21.16%的最大回撤。从分年收益看加入拓扑信号后几乎每年模型表现都提升,且每年都实现了绝对的正收益。
　　行业轮动维度:我们将TDA方法应用于行业内部结构分析后发现，行业内股票相关性网络的拓扑特征（特别是二维孔洞结构）能够辅助筛选出未来表现较优的行业组合，空腔少的行业未来更可能有上行机会。经过合理的指标标准化与筛选策略，构建的“"低孔洞行业组合相较于等权基准获得稳定的超额收益。结合拓扑指标的综合行业轮动组合2015年底以来实现13.66%的年化收益，最大回撤降低到29.92%。从分年相对等权组合超额看，考虑拓扑指标的组合也明显更优，每年都实现了正超额，并且超额波动更小。
　　TDA方法具备较强的可迁移性与泛化能力，不依赖特定数据分布或特定市场结构，且能从几何结构层面识别"市场形状"的变化，弥补了传统统计指标对高维异质性信息处理的不足。其在金融数据建模、策略构建与风险预警中的潜力值得进一步挖掘。未来工作可考虑拓展至单个股票层面、海外市场、异构数据融合等更复杂的研究场景。
　　风险提示:模型结论基于历史数据，在市场环境转变时模型存在失效的风险。