研究综述：量化行业轮动的挑战与突破
　　本文系统回顾了我们团队在量化行业轮动领域的研究历程与实践经验。通过对基本面、交易面、机器学习三大维度的深度探索，我们发现传统基本面因子因行业逻辑时序不稳定和截面可比性差而面临失效困局，尤其是在2024年几乎“全军覆没”。然而，残差动量因子、拥挤度指标、动态因子挖掘系统中的技术面遗传规划模型经受住了时间的考验，持续为投资者创造超额收益。本文进一步展望了量化行业轮动的“下半场”，提出风格择时辅助行业轮动、行业轮动与CTA信号结合、大语言模型应用于行业轮动三大破局思路，为投资者提供了兼具理论深度与实践价值的参考框架。
　　残差动量：剥离风格后的核心驱动力
　　残差动量因子通过剔除市场因子和风格因子的影响，捕捉产业政策、技术进步等无法被结构化数据描述的股价驱动因素。改进版本进一步引入波动率反转效应，对日波动率最高月份的残差进行反转处理。2017-01-01至2026-02-28，改进残差动量策略的年化超额收益达12.90%，并已被华泰睿选大类资产配置FOF1号（Wind代码HT25YK2.OF）所借鉴。尽管2024Q3至2025Q2策略出现较大幅度、持续的超额收益回撤，但随后超额收益出现快速修复，并在2026年初创新高。
　　拥挤度预警：高位风险的前瞻性识别
　　交易拥挤往往发生在“击鼓传花”式的上涨中，一旦成交量跟不上，便可能引发踩踏式下跌。我们基于门限测试方法精选4个量价指标构建行业拥挤度模型，单指标滚动分位数达到95%阈值时触发拥挤信号，3个或4个指标触发拥挤信号视为行业高拥挤。2026年初，该模型成功预警了国防军工、工业金属、贵金属三个行业的交易风险，拥挤度3分或4分略领先行业指数的阶段性高点。回测表明，规避高拥挤行业对长期业绩具有正向贡献。
　　机器学习赋能：动态因子挖掘的新范式
　　遗传规划作为量化投资的经典因子挖掘方法，经GPU加速和多目标体系改造后焕发新生。我们通过引入|IC|、|IC|胜率、NDCG@k三维评价体系，有效降低传统单目标遗传规划存在的种群拥挤和因子同质化的问题。其中，技术面遗传规划样本外表现较好，2022-10-10至2026-02-28，策略年化超额收益达25.39%。相比之下，基本面遗传规划因仅依赖结构化信息，依然无法对行业基本面形成深刻理解，表现一般。这启示我们大语言模型对非结构化信息的深度整合能力，或将成为基本面行业轮动的“破局之道”。
　　风险提示：量化模型在滚动窗口中挖掘历史规律，规律可能会在下次重训练之前失效；量化模型有其适用的市场条件，无法保证在任何市场条件下均可取得超额收益；报告不涉及证券投资基金评价业务，报告提及的基金产品不代表任何投资建议。