本研究将在前期研究的基础上做进一步探索。报告以) MD&A文本信息中各个分词的TF-IDF数值作为文本特征的代理变量，以此对文本数据进行结构化处理并生成特征矩阵，同时运用LightGBM这一有监督的学习模型对上市公司未来一期上涨概率进行预测，最终在由个股信号合成行业信号的基础上，构建行业轮动策略的量化分析体系。
　　 TF-IDF：是TF（词频）与IDF（逆文档词频）的乘积，一个词在某篇文档中出现频率越高，并且在所有文档中出现频率越低，则该词对当前文档内容的贡献越大。
　　 LightGBM模型：微软提出的一种基于梯度提升树（GBDT）算法的优化版本，其基于直方图的决策树学习、叶子优先策略、单边梯度采样以及互斥特征捆绑等优化算法，使得该模型在大数据集上的训练速度非常快，且内存占用较少。
　　模型验证集预测能力较好：从IC来看，六个持仓周期中，有两个持仓周期IC为负，其余均为正。整体上看验证集各持仓周期的平均IC为11.9%，表明模型在验证集有较好的预测能力。
　　模型验证集超额收益上行：2020年5月至2023年4月每年均录得正超额收益，自然年度超额收益分别为16.92%、12.37%、7.48%以及1.58%，整体上年化超额收益12.78%。若以每一个持仓周期为单位统计超额收益，单个持仓周期超额收益的胜率为83%，较月度胜率有一定提高。
　　模型样本外有效性延续：2023年5月至2025年8月，自然年超额收益分别为：6.17%、10.86%、2.21%。整体上看，样本外年化超额收益为8.24%。此外样本外平均月度胜率也比验证集高。
　　模型样本外优选行业收益排名靠前：从单个持仓周期所选行业收益位于全行业的平均名次来看，每个持仓周期的平均排名均优于15.5名，尤其是第二个持仓周期，所选行业平均排名为10.0名，比基准高5.5个名次。
　　风险提示：报告中所涉及的测算均基于上市公司历史定期报告MD&A文本数据，并在此基础上转化为结构化特征，但未来影响市场的特征可能发生变化，进而带来不确定性。即使在文本特征不变的情况下，由于受经济周期、资金面以及情绪面等外部因素的影响，相同特征在不同市场环境下的有效性也可能发生变化，或最终影响行业轮动模型的效果。