主要观点总结
报告摘要：本文采用量价指标等分析方法，构建市场反应度指标，旨在帮助判断各个行业基本面预期在市场上的真实反应程度，并构建横向与纵向策略进行投资。在行业轮动加速的背景下，市场反应度模型能有效帮助投资者进行投资决策。
关键观点总结
关键观点1: 市场反应度的重要性及构建方法
市场反应度是交易热度、交易情绪的一种反应，通过对市场交易数据进行建模，可以捕捉市场短期交易行为对证券预期反映程度的关键指标，帮助判断市场走势。
关键观点2: 纵向择时策略
根据市场反应度模型构建择时策略，不同类资产对市场反应度模型的敏感性可能存在差异。提出了“二七法则”，即当市场反应度高于70%时应注意减仓，低于20%时可视作买入信号。
关键观点3: 横向策略及行业配置
基于市场反应度模型，可以通过配置策略在行业间进行横向配置。在行业轮动加速期，通过买入市场反应度较低的行业，卖出反应度较高的行业，可以获得较高的投资回报。本周推荐关注反应度较低的煤炭开采、电池、化学制品等申万二级行业。
关键观点4: 风险提示
模型存在预测的局限性与失效风险，历史数据规律可能存在偏差。此外，相关政策变动风险、市场环境变动风险以及全球经济下行超预期等可能带来风险。
正文
当下A股正处于行业轮动高位，市场赚钱效应减弱。
我们以行业涨跌幅排名为基础构建行业轮动速度指标，通过计算相邻两期的申万一级行业涨跌幅排名的相关系数，可以观测行业轮动速度变化的快慢趋势。相关系数越低，说明行业轮动速度越快。计算结果显示，自2017年开始A股市场相邻两期行业排名相关系数不断攀升，特别是2020至2021年间相关系数急升，意味着行业轮动速度较慢，市场配置主线较为明确。2021年之后行业轮动速度到达底部后开始回升，至今仍处于轮动加速期。由于行业轮动速度较快，多数板块与个股的赚钱效应受到影响，未来投资主线难以确定，市场赚钱效应较弱。
预计未来一段时间里行业轮动速度仍会在高位持续，在市场震荡、快速轮动时期，择时的重要性进一步显现。
其原因主要有以下两点：
其一，大变局下受经济波动、外部冲击等影响，市场缺乏主线行情，行业轮动加快。
在当前全球经济的大变局背景下，受到地缘政治紧张、贸易政策变动等因素叠加影响，市场主线行情缺乏明确方向，投资者难以把握长期趋势，资金流动和风险偏好时常变化，行业之间的轮动速度明显加快。
其二，量化交易干扰，进一步催化行业轮动加速。
量化交易通过高速、大量的运算识别并利用市场中的价格差异和趋势变化，在短时间内推动特定行业或资产的价格波动，这种由算法驱动的交易模式进一步放大行业间轮动效应。
因此，在未来的一段时间内，行业轮动速度仍旧很难看到明显的降低。在这种快节奏的行情中，择时显得尤为重要，选择更好的时机入场意味着更高的胜率。然而，难点就在于时机的判断。
市场反应度构建的目的正是反应市场交易情绪、交易热度、风险情况以及市场对基本面预期的认可程度，帮助我们判断当前市场预期兑现程度如何、是否存在高估或低估，以及接下来将会出现“逆转”还是“延续”。
为此，本文采用量价指标等技术分析方法，对市场交易数据进行建模，构建市场反应度指标，旨在帮助判断各个行业基本面预期在市场上的真实反应如何、反应到了哪种程度，并在此基础上构建有效的市场投资策略。
（一）
指标构建
如前所述，市场反应度是衡量投资者短期交易行为对证券预期反映程度的关键指标。为捕捉市场反应度，我们基于市场交易数据，从“量”和“价”两个维度进行指标构建。
1. “量”包含换手率、融资买入比例、成交额占比
（1）换手率：换手率可直接反映资金在某一板块的流动频率。较高的换手率意味着该板块的市场交投情绪高涨，交易频繁，存在资金大量进出，市场对预期反应程度较为剧烈。
（2）融资买入比例：融资买入比例反映了两融市场中杠杆资金对板块的关注程度和交易热度。由于其杠杆乘数效应与跨市场的特征，该指标可以较好与传统指标融合衡量市场反映程度。
（3）成交额占比：成交额占比用来衡量某一板块在整个市场中的交易占比，与换手率不同，该指标可以剔除市场整体波动的影响，从而更加准确地反映出各板块在全市场中相对交易热度。
2. “价”包含波动率、动量、DMA（双移动平均线差）
（1）波动率：波动率反映板块涨跌幅的波动程度，市场预期的剧烈反应往往伴随波动率的走高。
（2）动量：作为传统的情绪指标，动量反映市场价格变动的速度和方向。
（3）DMA：DMA指标通过计算两条不同周期的移动平均线之间的差值，帮助我们识别市场预期的趋势变化，本文使用20日均线减去60日均线进行测度。
3. 量价相关性
我们还引入成交量与价格变动之间的相关系数，在市场趋势较为明确即市场预期趋于一致时，成交量和价格往往同向变动（正相关）。
以上7个指标值的增加均代表市场对某板块的预期反映程度更剧烈。
为了减少指标短期波动以及各板块之间指标量纲差异的影响，我们对各细分指标进行20日移动平均（MA20）处理，并通过取近一年分位数对各指标进行标准化。此外，为避免“过拟合”导致样本外指标效果衰减，我们使用等权方式对上述7个细分指标进行合成，由此得到最终的市场反应度指标，该指标在0-100%之间波动。
为验证市场反应度模型的有效性，我们检验了因子值对板块未来收益率的预测程度。
1. 横向预测：
即检验当期市场反应度高的行业是否在未来收益率更容易跑输。
我们首先计算单因子与行业未来收益率的截面相关系数（当期各行业因子排名与未来20日行业涨跌幅排名相关系数）的均值以检验因子对行业未来收益率的预测能力。结果显示，各因子与未来收益率的相关性均为负，预测效果于21年9月以后大幅提升，21年9月后各因子与未来收益率相关系数均在-3%以下，部分指标如成交额占比、DMA及换手率的相关性甚至超过了-10%，说明在行业轮动加速市场行情下，各因子均对未来的收益率有着较强的预测性和指导意义。
为使得等权合成后因子具备较好的预测能力，达到“1+1>2”的效果，我们进一步分析了因子间的相关性。
除换手率与波动率、换手率与成交额占比外，我们发现大部
分因子间的相关性均处于较低水平，这意味随着各个因子的不断融合，模型结果对未来行业收益率预测能力不断增加。
