策略研究跟踪：基于XGBOOST模型的AI行业配置系统

　　本报告以“周期-信号-动量”行业配置系统为基础，基于XGBoost 模型构建AI 行业配置系统，实现月度行业配置输出。

    　　市场轮动加速驱动行业配置模型升级。近年来，A 股市场风格频繁切换、主线热点轮动加快，传统依赖主观经验或静态因子打分的行业配置策略日益难以有效捕捉结构性机会。行业轮动背后的驱动因素具有多维性和阶段性，估值、成长、情绪、资金行为等因子交替主导，而经济周期、货币政策等宏观变量则进一步增强了市场表现的非线性特征。这对策略研究提出了更高要求：模型不仅要具备预测能力，更需具备可解释性与实战落地性。为此，报告基于XGBoost 非线性机器学习算法，结合中银策略“周期-信号-动量”配置框架，构建了一套数据驱动、结构清晰、逻辑可循的行业配置系统，以支持策略判断与行业轮动决策。

    　　“周期-信号-动量”行业配置框架概述。“周期-信号-动量”行业配置框架可以概括为周期定风格、信号找行业、动量辅助择时。在宏观维度，通过资本开支周期与库存周期识别中短周期变化形成风格方向；在中观层面，结合“次年g-复合g”模型与行业特有信号体系，依据行业景气判断投资机会；而在时点判断上，则引入市场动量指标辅助择时，增强策略的动态适应能力。

    　　“周期-信号-动量”行业配置体系信号系统。将申万一级行业分为周期资源品、地产建筑、公用事业、必选消费、可选消费、硬科技、软科技、大金融等八大行业，不同行业均有相关性较高的宏观或中观信号。如资源品业绩与经济周期关系密切，市场行情则与大宗商品价格高度相关；地产具有较强的逆周期特征，行情与地产周期高度相关；公用事业行业在历史行情之中表现出了较强的防御属性，在市场偏好弱势的环境下往往有较为坚挺的市场表现；必选消费防御性较强，行业的价格驱动效应明显；可选消费行情往往受居民收入及消费预期有催化，与社零同比有较高相关性；科技和高端制造业（硬科技、软科技）具有显著的产业周期驱动特征，且充裕的流动性会对行情形成明显助推；金融行业行情则受金融周期驱动，与社融、M2 等金融指标相关度较高。

    　　AI 行业配置模型构建与实证方法。本报告选取了2006 年1 月至2025 年3 月期间的月度数据作为样本区间，覆盖近二十年的完整市场周期，在因子选取方面，模型构建考虑行业收益的多维驱动因素，综合纳入了包括宏观经济指标、市场情绪变量、行业盈利能力指标等在内的15 个核心因子， 在建模策略上，为提升模型的泛化能力和实战落地性，采用8 年滚动训练 + 逐月预测的方式进行回测与模拟预测。

    　　AI 行业配置模型回测表现与配置建议。2014 年1 月-2025 年3 月， AI行业配置模型筛选Top3 行业累积收益率为122.31%，高于同期等权重行业指数的累积收益率80.26%。模型Top3 组合夏普比率、最大回撤均优于等权重指数，以及万得全A、上证指数等传统宽基指数。5 月AI 强化行业配置模型输出TOP10 行业主要分布在消费、红利等风格。

    　　风险提示：数据质量风险，模型过拟合风险，市场极端波动风险。