2025年策略深度报告：基于XGBoost模型的AI行业配置系统

1 “周期-信号-动量”中观行业配置体系概述

1.1 研究背景

A 股市场风格频繁切换、主线热点轮动加快，传统依赖主观判断或静态因子打分的行业配置策略， 愈发难以捕捉结构性机会。在这一背景下，策略研究需要从经验驱动向数据驱动转型，借助更具稳 定性、灵活性和可解释性的模型工具，以应对市场结构日益复杂的挑战。与此同时，策略研究面临 以下挑战： 行业表现的驱动因素具有多维性，估值、成长、情绪、资金行为等因子交替主导，呈现出强非 线性和阶段性特征； 经济周期、货币政策、通胀预期等宏观变量对行业风格有显著影响，单一因子难以完整建模； 策略研究需具备可解释性与落地能力，模型既要“有效”，更要“能讲得清”。 本报告旨在基于 XGBoost 模型，在中银策略“周期-信号-动量”行业配置框架基础上，构建一套结构 清晰、数据驱动、可解释、可落地的行业配置系统，用于支持策略判断与行业配置建议输出。该系 统将结合策略组对宏观周期的判断，通过非线性建模挖掘多因子结构在不同阶段的有效组合。

1.2 “周期-信号-动量”行业配置框架概述

周期定风格、信号找行业、动量辅助择时的“周期-信号-动量”体系与行业信号配置框架。在我们的 中观景气跟踪与行业配置体系中，周期嵌套模型是我们自上而下进行优势风格选择的基础。在周期 嵌套模型下，我们着重关注资本开支周期（中周期）与库存周期（短周期），中周期定位对于优势 行业的配置具有方向性的指导意义，而短周期变动在行业景气轮动的判别中则有重要的参考价值。 细分行业层面，我们将“次年 g-复合 g”景气衔接体系与“信号-输出”系统结合起来判断行业投资机会。 “次年 g-复合 g”景气衔接体系以 DDM 三阶段模型为理论基础，将行业景气拆分为近端业绩增速（1 年以内的次年 g）与远端业绩增速（1-10 年的复合 g），股票价值的判断综合考量近端的次年 g、 高速成长期的成长性溢价与稳定增长期的确定性溢价，次年 g 与复合 g 两个维度之上，不同行业又 有其特定的“信号-输出”系统，可以依靠行业关键信息与跟踪指标释放出的信号捕捉投资机会，实 现“信号选行业”。 “信号选行业”层面，依据不同行业的具体特征，我们将中观行业分为资源品、地产建筑、必选消费、 可选消费、软科技、硬科技、金融类、公用事业八大类，探讨不同行业的景气特征和分析模式，寻 找投资信号，同时为了更有效、更全面的挖掘投资机会，对于部分相关性较强的产业，我们依据产 业间的勾稽关系建立产业链，分析产业链上下游的景气联动，构建行业分类配置体系。 而对于投资时机的判断，除了基本面层面的景气跟踪，还需要结合市场动量因素，综合研判和把握 趋势与震荡行情中时点与空间，也即“动量辅助择时”。 形成自上而下，自宏观至中观的一套行业配置体系，周期确定风格，信号选择细分行业，动量辅助 判断投资时机；时间维度上，框架更关注偏长期的行业配置，特别是周期定风格层面往往体现跨年 度的配置方向，而信号和动量层面关注的投资周期则相对更短一些。

2 “周期-信号-动量”行业配置体系信号系统

2.1 顺周期、价格主导行情的周期资源品

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。资源品作为典型的顺周期 行业，其盈利往往与宏观经济周期有着密不可分的关系，历史规律来看，当产出缺口上行即经济处 于扩张期时，资源品业绩往往均有较优的表现，而伴随经济走弱，资源品行业业绩也往往触底回落， 伴随经济周期波动，资源品行业业绩表现出强周期性。但从市场行情角度来看，相比于业绩表现和 周期波动，商品价格对于资源品市场行情的指示性更强，资源品的超额收益与 CRB 商品价格指数 高度正相关。

2.2 逆周期表现占优的建筑地产与公用事业

地产具有较强的逆周期特征，行情与地产周期高度相关。地产行业在我国经济中发挥着举足轻重的 作用，2008 年以来，伴随经济周期波动，地产行业也表现出了较强的周期性，并在经济的逆周期 调节过程中发挥了重要作用。2008 年“四万亿”出台、首付比例下调，2009 年初地产周期触底上行， 2010 年 4 月、2011 年“新国十条”、“新国八条”上调首付比例，贷款利率上浮，政策管控收紧，2010 年地产进入下行周期。类似的政策周期调节逻辑之下，2012-2014 年、2014-2016 年地产经历了两轮 周期波动。2016 年 12 月的中央工作会议提出“房住不炒”，此后地产周期一定程度上被熨平，但仍 在经济调节中发挥重要作用。 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。其业绩稳定性和现金流可预期性使其在市场波动或偏好转弱的阶段表现出相对优势。 回顾历史行情，在风险偏好下行或市场避险情绪上升的环境中，公用事业板块通常能够凭借其稳健 的盈利能力与较低的估值波动，成为资金配置的“避风港”。

2.3 防御性强、价格驱动效应明显的必选消费

必选消费防御性较强，行业的价格驱动效应明显。必选消费品的需求往往较为平稳，很多具有单价 低、消费频次高的特点。市场行情上看，必选消费往往在衰退后期有较强的超额收益，防御属性较 强。同时或许是由于行业需求量相对稳定，价格通常会成为驱动市场行情的重要因素，历史规律来 看，必选消费行业的行情与 CPI 具有较高相关性。

2.4 收入及消费预期驱动的可选消费

收入与消费预期驱动可选消费行情。历史规律来看，对于可选消费品，其行情往往与居民收入及消 费预期有较高的相关性并且呈现出较强的周期属性。与食品、能源等生活必需品不同，可选消费品 通常属于“非必需”支出，消费者是否愿意购买此类商品，很大程度上取决于其当前及未来的收入预 期、消费信心以及财务状况。在经济增长向好、就业稳定、收入提升的阶段，居民可支配收入增加， 消费倾向上升，对未来经济环境持乐观预期时，消费者更愿意增加对可选品的支出，从而带动可选 消费企业业绩改善，行业板块股价表现往往领先反映这一预期上修，反之亦然。 指标上来看，可选消费行业与社会消费品零售总额同比之间具有高度相关性，作为衡量居民最终消 费支出的重要统计口径，社零总额能够较为直观地反映消费端的活跃程度与消费结构的变化趋势。 此外，社零数据中的分项指标（如汽车类、家电类、金银珠宝类等）往往与细分可选消费板块形成 一一对应关系，能够提供更精细化的行业跟踪信号。

2.5 产业周期驱动、流动性助推的科技和高端制造（软科技、硬科技）

科技和高端制造业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。科技和 高端制造行业具有较强的成长属性，行情受到产业周期的驱动。2009 年以来，我国分别经历了 3G、 4G、5G 周期，也分别引发了三轮科技股行情，此外，2020 年拉开帷幕的“能源革命”大潮也推动了 新能源板块的行情。 （1）2009 年-2012 年：3G 周期；2009 年 1 月 7 日，工信部正式向三大运营商发放 3G 牌照，我国 迎来 3G 元年，移动通信基站设备进入建设高峰，2010 年，iphone4 上市，智能手机时代开启。 （2）2013-2018 年：4G 周期；2013 年 12 月 4 日，工信部正式向三大运营商发布 4G 牌照，2014 年 移动通信基站设备再度进入建设高峰，2015 年 3 月 5 日十二届全国人大三次会议上，李克强总理在 政府工作报告中首次提出“互联网+”行动计划，2015 年互联网企业并购大潮开启。 （3）2019-目前：5G 周期；2019 年 6 月 6 日，工信部正式向三大运营商发布 5G 牌照，2018 年底 开始，第三轮移动通信基站设备建设高峰即已开始，中美经贸摩擦加剧的背景之下，科技和高端制 造业的“自主可控”政策进一步助推了行情。 （4）2020-目前：“能源革命”大潮；全球“能源 革命”的大背景之下，新能源带动硬科技行业上涨。3G 和 4G 周期之中，以智能手机为主要终端的移动互联网蓬勃发展，设备端由 PC 时代进入移动互 联网时代，而进入 5G 周期后，终端设备的种类及样式大大拓展，如可穿戴设备、智能汽车、智能 家居等，万物互联的 AIOT 时代逐步开启。 除了产业周期之外，流动性环境对于科技和高端制造类行业具有显著的驱动作用，2005 年中-2006 年末、2009 年初-2010 年初、2019-2020 年 M1 上行区间，软、硬科技均取得明显超额收益。

2.6 金融周期驱动的金融类行业

金融行业行情受金融周期驱动。在我国的金融体系中，金融机构担负着优化资金配置、支撑实体经 济的重要作用，在金融类行业的投资中，货币政策、利率、信贷等流动性因素有着重要的指示意义， 同时政策监管的方向与力度也扮演着重要角色。 如在银行的投资中，“量价-质量”往往是重要的关注因素，量指标包括贷款增速、M2 增速等，价指 标包括存贷款利率、净息差等，而质量因素则主要考虑拨备的计提。2011-2012 年、2017-2018 年以 及 2022 年银行相对市场取得较优的绝对收益均是发生在社融增速或商业银行净息差有较为显著上 行的时段。 保险行业的投资中，可主要关注负债端与资产端两方面因素，负债端主要包括保费收入与结构因素， 资产端则主要考虑长端利率特别是 10 年期国债收益率的变动，10 年期国债收益率上行时，行业往 往受益上行。

3 AI 行业配置模型构建与实证方法

3.1 XGBoost 模型简介

XGBoost 模型是一种基于梯度提升框架的增强型决策树方法，以其高效的拟合能力、较强的非线 性建模能力及良好的泛化表现，近年来在各类结构化数据建模中广泛应用。 XGBoost 的基本原理是在一系列弱学习器（通常为 CART 决策树）的基础上，通过每轮迭代拟 合上一次预测的残差，从而逐步优化整体模型表现。与传统回归模型相比，XGBoost 能够自动 捕捉变量之间复杂的非线性关系与交互效应。 从实用角度看，XGBoost 模型还具备诸多工程优势：包括对缺失值的原生处理能力、高度可并 行的训练流程、对特征重要性的可解释性输出等。 XGBoost 模型在本策略框架中不仅承担了预测角色，更通过其结构化输出强化了策略的可解释 性与组合落地逻辑，有效桥接了“数据驱动”与“投资判断”之间的鸿沟。 本文以“周期-信号-动量”中观景气跟踪框架为基础，将 XGBoost 应用于经济周期划分下的行业分 类预测任务，结合多维度的中观、宏观与情绪因子输入，建立了“经济环境-市场情绪-行业表现”之 间的量化映射关系。

3.2 基于 XGBoost 的 AI 行业配置系统构建流程

本报告围绕构建基于 XGBoost 的 AI 行业配置系统，设计了一套系统化的研究流程，主要包括以下 六个核心步骤： 数据样本及因子选择：在策略构建的初始阶段，首先明确研究所覆盖的时间范围、行业分类口 径与回测频率，并精选涵盖估值、成长、动量、情绪、资金行为等维度的多因子变量，确保样 本代表性与因子有效性。 因子体系构建：对原始因子进行标准化处理、缺失值填补、滞后调整及分组打分等预处理操作， 并结合宏观周期变量构建多层次、结构化的因子体系，为后续建模提供清晰输入结构。XGBoost 模型构建：基于已构建的因子体系，利用 XGBoost 这一非线性集成学习模型进行行业 相对收益预测建模。该模型具备较强的非线性拟合能力和特征交互捕捉能力，能够更有效识别 影响行业表现的关键因子组合。 行业预测与筛选：模型输出各行业的相对表现预测值，结合策略设定进行行业优选。在此基础 上，可进一步筛选 Top 收益行业作为重点配置方向。 模型因子 Shap 分析：利用 Shap（Shapley Additive exPlanations）方法对模型输出进行可解释性 分析，量化各因子对行业预测结果的边际贡献，帮助策略人员理解模型决策逻辑，增强配置建 议的说服力。 输出配置分析：结合模型预测结果、Shap 因子分析与宏观周期判断，最终形成系统性行业配置 建议，支持策略制定、组合构建与实盘操作。

3.3 数据样本及因子选择

为了确保模型训练具备足够的数据基础，同时兼顾因子数据的可得性与稳定性，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，包括金 融危机、经济复苏、疫情冲击及后疫情时期等多个宏观环境阶段，样本具有较强的代表性和广泛适 用性。 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，其中 11 个宏观因子分别为经济周期、10 年期 国债收益率、10 年期美债收益率、社融同比、社零同比、CPI 同比、PPI 同比、制造业资本开支同 比、商品房销售面积同比、科技产业趋势、ERP，3 个情绪因子分别为成交额占比分位数、市盈率 分位数、10 日动量，1 个业绩因子 ROE(月频)。 在建模策略上，为提升模型的泛化能力和实战落地性，我们采用滚动训练 + 逐月预测的方式进行回 测与模拟预测。具体而言，在每一个预测时点，模型仅使用其之前的历史数据进行训练，并对下一 个月的行业相对收益进行预测，确保训练过程“无未来信息泄露”的原则，尽量避免数据泄露所带来 的过拟合或预测偏差。而通过这种动态滚动的训练框架，模型能够随着市场结构的变化不断自我更 新，适应不同时期的主导因子权重和行业风格轮动规律，从而更真实地模拟实际策略运行环境下的 预测效果与配置参考价值。

3.3.1 重点因子解析—经济周期

在构建行业配置模型的过程中，宏观周期识别是至关重要的一环。以 PPI 同比和库存增速为指标划 分库存周期，一轮完整的库存周期持续时间约为 3 年左右。根据 PPI 同比和库存同比增速趋势方向 将短周期分为四个阶段，分别为扩张前期（被动去库）、扩张后期（主动补库）、衰退前期（被动 补库）、衰退后期（主动去库）。通过将短周期阶段性划分纳入模型框架，可以实现因子权重或组 合方式在不同宏观阶段的动态调整，更贴合行业轮动的内在驱动逻辑，增强模型的稳健性与配置效 果的经济解释力。 历史经验来看，往往具有扩张前期可选消费、硬科技占优，扩张后期资源品占优，衰退前期必选消 费、公用事业占优，衰退后期金融、建筑地产、软科技占优的经验。

3.3.2 重点因子解析—科技产业趋势强度

以半导体周期（以费城半导体指数计量）为基础，在特定科技时间节点进行主观强化，如移动互联 网革命、chatGPT 推出、DeepSeek 推出等重大科技产业节点。 综合来看，指标显示 2008 年中-2010 年初（3G 基础设施建设）、2013 年初-2015 年中（移动互联网 革命）、2019 年初-2020 年中（5G 商用及云计算兴起）、2022 年底-2025 年中（AI 产业趋势）为科 技产业强趋势阶段。

3.4 模型构建与参数选取

以次月月度收益率为因变量，与 30 个行业的 15 个因子共同构建面板数据，以 8 年数据为训练集进 行滚动训练，逐年输出。

4 AI 行业配置模型回测表现与配置建议

4.1 AI 行业配置模型回测表现

AI 行业配置模型 Top3 组合市场表现明显优于同期等权重指数。为检验 AI 多因子模型在实际行业 配置中的有效性，本报告设计并构建了基于月度滚动预测与动态调仓的 Top3 行业配置策略。具体 方法为：在每月初，根据模型对未来一个月各申万一级行业的收益预测值，选取预测排名前 3 的行 业构建等权重组合并持有一个月；下月重新评估并调仓，实现动态行业轮动策略。 通过对 2014 年 1 月至 2025 年 3 月这一完整回测区间进行模拟，统计每月 Top3 行业的实际平均收 益并逐步累积，最终得到 AI 多因子模型行业配置策略的累计收益率曲线。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%。

AI 行业配置模型 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。除了在累计收益率方面取得显著超额表现，AI 行业配置模型在风险调整后收益与回 撤控制能力方面同样展现出优异的表现，进一步验证了该策略在实际应用中的稳定性与抗风险能力。 首先，从夏普比率（Sharpe Ratio）来看，Top3 行业组合的夏普比率达到了 13.56%，高于同期的申 万一级行业等权重指数，也高于万得全 A 指数以及上证综指等传统宽基指数。作为衡量单位风险所 带来超额回报的核心指标，夏普比率越高，代表策略在控制波动风险的基础上带来了更高质量的收 益。该结果说明，AI 模型不仅具备捕捉行业轮动机会的能力，而且在波动控制、回报效率等方面 具有较大优势。 其次，从最大回撤（Max Drawdown）指标来看，Top3 行业组合在整个回测期间所经历的最大回撤 幅度低于等权重行业指数、万得全 A 及上证指数等基准。最大回撤衡量的是投资组合在极端市场环 境中可能遭受的最大损失，反映策略的抗风险能力。较小的回撤水平表明该行业配置策略在面对市 场下行或波动加剧时，能够通过动态调整有效规避部分系统性风险，保持组合的相对稳定。

4.2 模型因子 Shap 分析

为进一步提升模型的透明度与可解释性，本报告在完成 2006 年至 2025 年 3 月的滚动训练与逐月预 测后，系统性地对每期模型输出进行了 Shap 值（Shapley Additive exPlanations）分析。Shap 基于博 弈论中的 Shapley 值理论，能够为每一次预测结果提供因子层面的“归因解释”，在保证一致性与局 部准确性的同时，揭示模型决策背后的因果机制。具体而言，Shap 值衡量的是某一因子在给定样 本中对预测结果所带来的影响幅度与方向：正值代表该因子推动预测值上行，负值则表示该因子拉 低预测结果；而其绝对值大小则反映了该因子的边际重要性。通过逐期提取 Shap 值，我们量化评 估了每一个输入因子在模型对行业收益预测中的边际贡献度。 通过对 2014 年以来的各个时间阶段模型因子进行 Shap 分析，我们发现不同时期的高贡献模型因子 有着较大的不同：2014 年“移动互联网”行情之中，模型的 ERP 与 10 年期美债因子贡献度最高，输出的是偏向成 长的行业； 2015 年，市盈率分位数开始释放估值过高的反向预警信号，同时社零同比和 CPI 同比等消费品 因子贡献度提升，提示转向消费行业配置； 2017-2018 年估值与无风险利率是主要贡献因子，筛选行业偏向大盘价值； 2019 年-2021 年模型筛选行业的主要贡献因子是科技产业趋势与制造业周期，对应着半导体周 期催化的科技行情，新能源为代表的制造业的上行行情；2022 年市场整体回调明显，逆周期、防御性行业相对占优，模型输出行业的主要贡献因子是商 品房销售面积同比、CPI 同比等地产链和必选消费指标； 2023 下半年-2024 年，市场风格呈现“杠铃态势”，2025 年 Q1 成长占优明显，区间模型筛选行 业的主要贡献因子是 ERP、科技产业趋势、制造业周期和美债收益率。 综合来看，模型主要贡献因子在 2-3 年左右会出现明显的切换，对应的市场风格也往往随之切换， 价值风格往往容易受到无风险利率、商品房销售面积、CPI 同比等因子的催化，成长风格则是容易 受到 ERP、制造业周期、科技产业趋势等因子的催化。

4.3 5 月行情配置分析

5 月 AI 行业配置模型输出 TOP10 行业分别为家用电器、有色金属、美容护理、交通运输、纺织服 装、石油石化、煤炭、银行、通信、公用事业，主要分布在消费、红利等风格。 截至 5 月 22 日，TOP3 业平均收益率为 4.81%，TOP5 行业为 5.21%，TOP10 行业为 4.84%，均 高于全行业平均收益。

编辑：火腿肠