学习型行业：基础知识驱动的行业重新分类项目

丰富的ETF为市场提供了更多的流动性，同时也降低了零售投资者进入特定行业的门槛。为金融机构创建和持有这些ETF的关键成本是ETF重组期间产生的费用。由于大型金融机构在市场中的地位提高，在证券交易所执行交易时，它们不会向零售投资者支付传统的佣金。然而，我们认为，可以假设他们的交易成本与各重组时间组成资产的资产周转率成比例。因此，我们选择在每次触发重组时记录SETF资产重组周转率的组成部分，并将其作为判断金融机构成本的代理，如果这些部门的ETF确实是真实的，金融机构将被认定为创建这些部门的ETF。单个重组事件的该营业额的数学公式如下所述：设rt和rt+1=触发SETF重组的次数t t wτ=时间τSETF中的基础资产权重向量，设Pτ=时间τSETF中的基础资产价格向量=> SETF重组营业额=w | rt+1- w | rt· Prt+17.3.2投资组合再平衡营业额类似于我们如何将SETF重组营业额视为金融机构在真实市场中创建SETF的成本代理，我们将投资组合再平衡营业额视为持有SETF的散户投资者在投资组合中的成本代理。为了避免在我们的评估中引入特定的成本偏差，我们只需在每个portfoliorebalance事件中记录每个SETF的营业额。

单次再平衡事件的营业额的数学公式如下所示：让τtandτt+1=组合再平衡事件触发的次数tωt=时间t时组合中SETF权重的向量tπt=时间t时组合中SETF的价格向量=> 投资组合重组营业额=ω|τt+1- ω|τt· πτt+1SIT FE 800-特殊研究问题21第7章。候选人宇宙排名学习了Weerawarana、Zhu、He7.3.3投资组合回报我们还记录了一段时间内的总体投资组合回报。上一节将深入讨论每个时间步的投资组合价值计算。7.3.4夏普比率为了更好地评估我们的初始假设，即我们所学的行业分类启发式方法（基于客观基本面数据）将提供更好的经济多元化行业分类，我们必须测试我们所学的行业大学相对于基准的多元化效益。同样，我们还利用该指标来分离与该多元化效益指标相关的最佳学习型行业综合投资组合。由于我们已经在计算无卖空的全球最小方差投资组合，所以组合的总方差最小化。由于这一事实，我们可以将风险调整后的回报率（即夏普比率）视为量化每个已学习行业分类领域相对于单个风险单位的差异收益的指标。

reIndexer获取的风险调整后回报的数学公式如下所示（由年度化投资组合回报率Rp和投资组合方差σp参数化）：夏普比率=Rp- rfσp7.4回溯测试配置对所有60个候选学习领域进行回溯测试，配置如下：配置参数设置开始日期2012年1月1日结束日期2012年12月31日，2017年SETF重组触发每个月的第三个星期五投资组合再平衡触发每个月的第一个交易日启动资本1000000000美元每日回测频率表7.1：了解的行业宇宙回测配置参数。注：Zipline不允许部分资产交易，因此有必要考虑较高的初始资本基础。使用较大的资本基础可以缓解这种行为造成的舍入效应。22 FE 800-特殊研究问题SITWeerawarana，Zhu，他学习了第8章。最佳行业普遍性第8章最佳行业普遍性在本章中，我们利用前一章中概述的回溯测试系统，对每个候选学习行业进行了历史行业层面的分析。重申一下，我们计划使用SETF重组营业额、PortfolioreBalanced营业额、投资组合价值和Sharpe比率对我们的候选学习行业进行排名。由于reIndexer回溯测试系统输出的数据量很大，本节中的所有计算都是在Google Research Colaboratory的云上进行的。数据从Google Drive上的输出位置动态加载，直接加载到Google Colaboratory。

随后，依次打开各个输出文件，以提取候选学习行业领域所需的纵向数据维度，所有数据都保存在谷歌云平台服务器上的内存中，以提高分析效率。8.1完整的回溯测试结果回溯测试的完整结果在线发布，并可在reIndexer网站上获得。由于reIndexer生成的数据量很大，因此显示每个部门的定量摘要是不切实际的。相反，我们绘制了图表，以可视化第7.3节中讨论的每个风险指标的进展。为第7.4节中概述的全回溯测试窗口绘制了图表累计SETF重组营业额（图A.1）o累计投资组合再平衡营业额（图A.2）o投资组合价值（图A.3）o滚动夏普比率（图A.4）各图的全尺寸图见第34页附录A。8.2回溯测试结果分析我们计算并记录了第7.3节中概述的所有60个候选学习领域的每个时间步的每个绩效评估指标。接下来，我们计算提取每个性能指标的最佳性能学习扇区范围。由于这两个营业额指标都跟踪成本，我们在模拟结束时以最小的累积值隔离了已学习的部门范围。相反，我们分离出了获得投资组合价值和（平均）滚动夏普比率最大值的学习领域。Google Research 2019Weerawarana et al.2019bWeerawarana 2019SIT FE 800-特殊研究问题23第8章。最佳行业领域学习领域Weerawarana，Zhu，HeWe现在讨论关于营业额和最大绝对投资组合价值指标的最佳绩效学习领域。

巧合的是，最小累计SETF重组周转率和最小组合再平衡周转率都是由相同的行业领域实现的。这两个性能指标将一起讨论。8.2.1最小累计营业额图8.1：具有最小累计SETF重组和投资组合再平衡营业额的学习行业范围。如第7.3节所述，SETF重组和投资组合再平衡的累积营业额旨在分别代表发行和持有这些ETF的成本。在累积营业额指标方面表现最好的学术部门有以下配置：单一联系；5个部门成本代理分别衡量该假设产品财务生命周期中完全不同部分的集合的有效成本。SETF重组营业额代表ETF融资人（即机构投资者）将产生的成本，而投资组合平衡营业额代表ETF持有人（即散户投资者）将产生的成本。仔细检查与图8.1中该部门相对应的桑基图表后，可以清楚地看出，通过SETF重组和投资组合再平衡的角度来看，为什么该部门的营业额达到了最高或最低水平。存在一个包含大部分资产的单一大部门（图8.1中除4项资产外的所有资产），这意味着该部门的整体固有优势高于其对应部门。这种单一部门合并行为意味着，对于只有单一资产的部门，其SETF重组费用将永远为0。

由于单一资产部门占整个行业的80%，因此这一结果不足为奇。这一优势以与投资组合重组费类似的方式授予，因为相对于单一的巨大部门SETF（本例中为阿尔法部门），单一资产部门SETF不太可能持有大量。不幸的是，单一联动法似乎会产生显著的联营效应，其中绝大多数资产都被归入一个单一部门，其余部门的规模相对较小；在图8.1中，每个只包含一个资产。从基础数据以及图6.2.8.2.2中的部分搜索空间可视化来看，单链接方法下的这种行为是显而易见的。最大绝对投资组合价值与之前的绩效指标不同，评估历史学习的部门宇宙投资组合价值并不能代表外部成本。相反，这是对学术界的历史表现的坦率评估。虽然这并不能直接解决我们的任何研究目标，但它是一个极其重要的绩效指标，并且将是任何已知行业在实际市场中取得成功的关键决定因素。在回望期内（第7.4节中概述）具有最大绝对投资组合价值的已学行业具有以下结构：完全关联；9部门绝对投资组合价值利用第7.2.2节中概述的嵌套价值计算，跟踪整个回溯测试期间的投资组合价值。虽然不是风险分散的直接代表，但如果从潜在改善的经济资产组合的角度来看，这一经验丰富的行业领域是非常令人鼓舞的。

如果更好的资本市场绩效与改善的经济部门绩效相关，那么这一结果将意味着基本面驱动的分类启发式确实提供了一种有益的多元化衡量方法。24 FE 800-特殊研究问题SITWeerawarana，Zhu，他学习了第8章。最佳行业领域图8.2：具有最大绝对投资组合价值的学习行业领域。与之前单一链接法下的学习领域不同，图8.2中所示的学习领域似乎具有明显较少的共享。然而，尽管如此，资产仍然高度集中在一个非常大的部门，其他部门的规模（就组成公司的数量而言）要小得多。对该行业的一个有趣观察是，与原始基准分类相比，存在着显著的差异。由于其庞大的规模，省略了部门Alpha，部门Charlie和Delta都有来自高度多样化的原始基准部门的众多组成部分。Charlie部门似乎拥有大量来自医疗保健部门以及工业和非必需消费品部门的资产。同样，三角洲部门拥有大量的组成资产，根据基准分类，这些资产被分类为信息技术、主要消费品和非必需消费品。与第7.1节中讨论的样本行业分类一样，在业务日益必需的行业中，资产的分散程度似乎很高。

这一点在信息技术、医疗保健和消费者自由支配部门的分散中尤为明显（再次忽略sectorAlpha）。8.3风险调整收益最优普遍性最后，为了隔离具有最大滚动年化夏普比率的部门，我们计算了横穿纵向时间轴的平均滚动夏普比率，并比较了每个学习到的部门。在此比较之后，我们确定在回溯期内拥有最大平均滚动夏普比率的学习行业具有以下配置：完全联系；17个部门图8.3显示了与风险调整后回报最优学习部门相对应的Sankey图。如图所示，尽管与其他部门相比，仍然有两个相对较大的部门，即Alpha和Golf，但与之前讨论的两个learnedsector universe（图8.1和图8.2）相比，这个已学习的部门领域的组合行为更少。由于这一经验丰富的行业领域在已经最小化方差的全球最小方差投资组合比较中提供了最佳的风险调整后回报，这意味着这一配置在所有候选经验丰富的行业领域中提供了最佳的风险分散利用。除了从基准分类到新的学习领域的明显高度分散外，每个领域的规模与同行相比也要均匀得多。这将意味着更好的投资组合层面多元化，因为在隐含风险调整后回报率较低的时期，表现不佳的部门可能会减持。

这是在单链接启发式下特别流行的池行为的一个关键警告。这种传递性的缺失，再加上较高的风险调整回报率意味着更好的风险分散性，将表明学习的部门宇宙启发式提供了高水平的经济分散性，这与基准分类不一致。附录B.SIT FE 800-特殊研究问题25第8章再现了风险调整后收益最优学习领域的完整数据集。最佳扇区宇宙学习扇区Weerawarana，Zhu，He图8.3：具有最大滚动夏普比率的学习扇区宇宙。26 FE 800-特殊研究问题SITWeerawarana，Zhu，他学习了第9章。基准比较第9章基准比较我们现在有一种数据驱动的方法来推导学习的行业普遍性（针对RG-1），并开发了一种客观标准驱动的排名方法来比较学习的行业普遍性，针对RG-2。最后一步是根据基准分类评估我们客观确定的风险调整后回报最佳学习行业范围（见第8.3节）。因此，本节阐述了第三个也是最终的研究目标RG-3（见第2.2节）。RG-3根据基准评估我们的风险调整回报最优部门范围。9.1比较概述为了保持在本报告中制定和维护的公正的比较基础，我们为我们的基准行业范围（GICS标准普尔500分类）隔离了行业分配。

不幸的是，如前所述，我们只能隔离2019年的横向部门分配，无法访问历史部门分配，因此无法将我们所学的部门与基准进行真正的纵向比较。为了缓解这个问题，我们将聚类算法所暗示的最新学习领域与基准分类进行了比较。为了保持分析的一致性，我们利用reIndexer（见第7.2节）对基准集进行建模，并使用与候选人学习行业排名相同的配置进行回溯测试（见第7.4节）。同样，我们使用了与用于比较候选学习领域（见第7.3节）相同的绩效指标，以将风险调整后回报最优学习领域与基准进行比较。9.2性能指标比较图9.1包含四个面板，（a）至（d），每个面板显示第7.3节概述的四个性能指标之一。为了最好地分解与GICS标准普尔500分类基准的比较结果，我们将依次分析每个绩效指标的比较。9.2.1累积营业额比较图9.1中的面板（a）和（b）分别绘制了SETF重组和投资组合再平衡的累积营业额。回想上一节，对于这些离职指标，越低越好。由于红线代表基准，很明显，风险调整收益最优学习部门在SETF重组营业额和投资组合再平衡营业额方面的表现均未超过基准。SIT FE 800-特殊研究问题27第9章。