2、行业中性化基础：为什么要做行业中性化、行业分类标准（GICS/申万）、行业因子暴露的概念

2.1 为什么要做行业中性化？

做配对交易，说白了就是找两只走势相似的股票，赌它们的价差会回归。

但这里有个坑——如果两只股票刚好属于同一个行业，比如都是银行股，那它们的走势相似，很可能只是因为行业整体在涨跌，而不是个股之间有稳定的配对关系。

我刚开始做配对交易时，就吃过这个亏。当时选了招商银行和兴业银行，回测漂亮得不行，结果一上实盘，行业一回调，两边一起跌，亏损直接翻倍。后来我才意识到：行业因子暴露才是罪魁祸首。

为什么要做行业中性化？核心原因就三个：

• 剔除行业噪音：两只股票同涨同跌，可能只是行业β在起作用，而不是个股α。行业中性化能帮你把行业层面的影响剥离掉。
• 提升配对稳定性：行业中性化后，你找到的配对关系更纯粹，价差回归的可靠性更高。说白了，你赌的是个股之间的相对强弱，而不是行业走势。
• 避免伪回归：很多配对交易策略回测漂亮，实盘就崩，原因就是没做行业中性化。行业轮动一来，你的配对就失效了。

2.2 行业分类标准：GICS vs 申万

做行业中性化，首先得有个行业分类标准。目前国内用得最多的就两个：GICS（全球行业分类标准）和申万行业分类。

我个人习惯用GICS，因为它更国际化，适合做跨市场配对。但如果你只做A股，申万其实更接地气。

下面这张表，我整理了两者的核心区别：

对比维度	GICS	申万行业分类
发布机构	MSCI + S&P	申万宏源证券
层级结构	4级（行业组→行业→子行业→细分行业）	3级（一级→二级→三级）
一级行业数量	11个	31个（2021年新版）
适用市场	全球	A股为主
更新频率	每年一次	不定期调整
典型应用	国际对冲基金、跨市场配对	国内私募、券商自营

你想想看，如果你做的是A股内部的配对交易，用申万一级行业就够了。但如果你要跨市场（比如A股和港股配对），那就得用GICS，因为申万不覆盖港股。

2.3 行业因子暴露的概念

行业因子暴露，听起来很高大上，其实很简单——就是一只股票受行业走势影响的程度。

举个例子：贵州茅台和五粮液，它们对白酒行业的暴露度都很高。如果白酒行业涨5%，茅台可能涨4.5%，五粮液涨5.2%。这个4.5%和5.2%，就是它们对行业因子的暴露。

量化上怎么算？通常用线性回归：

# 伪代码示例：计算行业因子暴露
# 假设我们有一个行业指数收益率 r_industry
# 个股收益率 r_stock

# 回归模型：r_stock = alpha + beta * r_industry + epsilon
# 这里的 beta 就是行业因子暴露

import numpy as np

def calc_industry_exposure(stock_returns, industry_returns):
    # 简单线性回归
    X = np.vstack([np.ones(len(industry_returns)), industry_returns]).T
    y = stock_returns
    beta = np.linalg.lstsq(X, y, rcond=None)[0]
    return beta[1]  # 行业因子暴露系数

嗯，这里要注意：行业因子暴露不是固定不变的。我曾在实盘中遇到过一只股票，原本对银行行业暴露度很高，结果公司转型做科技，暴露度一下子就变了。所以建议每季度重新计算一次。

2.4 行业中性化的核心逻辑

行业中性化的核心逻辑，说白了就是：把行业因子暴露给对冲掉。

怎么做？有两种主流方法：

1. 回归残差法：用个股收益率对行业因子做回归，取残差作为行业中性化后的收益率。残差就是剔除行业影响后的个股α。
2. 行业配对法：只在同一行业内选配对股票，这样天然就中性化了。但缺点是可选范围小。

我个人更推荐回归残差法，因为它更灵活，可以同时处理多个行业因子。

下面这张SVG图，展示了行业中性化的完整流程：

从这张图可以看得很清楚：行业中性化不是把行业信息扔掉，而是把它剥离出来，单独处理。这样你得到的配对关系，才是真正基于个股自身逻辑的。

好了，行业中性化的基础概念就讲到这里。记住一句话：不做行业中性化的配对交易，就是在裸泳。

---

公众号:蓝海资料掘金营，微信deep3321