2、行业分类标准：申万一级行业分类、中信行业分类、GICS行业分类、行业分类在量化中的应用

做行业轮动，第一步不是选指标，也不是写代码。

第一步是搞清楚——你轮动的「行业」到底是怎么划分的。

这个问题，我早年吃过亏。刚开始做量化的时候，我拿到的股票数据里有个「行业」字段，我直接拿来就用。结果回测曲线漂亮得不像话，实盘一跑就崩。后来才发现，那个行业分类是某家数据商自己瞎编的，跟市场公认的分类完全对不上。嗯，从那以后，我再也不敢轻视行业分类标准了。

2.1 为什么行业分类这么重要？

说白了，行业分类就是给股票贴标签。标签贴得对不对，直接决定你的轮动策略有没有意义。

你想想看，如果「银行」和「保险」被分到同一个行业里，那你做银行轮动的时候，保险股的异动就会干扰你的信号。反过来，如果「半导体」和「消费电子」被拆得太碎，你又很难捕捉到整个科技板块的趋势。

所以，选对分类标准，是行业轮动策略的基石。

2.2 三大主流行业分类标准

目前国内量化圈用得最多的，就是申万、中信、GICS这三套。我一个个说。

2.2.1 申万一级行业分类

申万宏源出的，国内最老牌的行业分类。我刚开始做量化的时候，用的就是这套。

• 层级结构：一级（28个）、二级（104个）、三级（227个）
• 更新频率：每年6月和12月各调整一次
• 特点：贴近A股市场，行业划分比较细，比如「食品饮料」下面还分「白酒」「乳品」等
• 适用场景：A股行业轮动、主题投资、因子分析

我个人习惯用申万一级做初筛。28个行业，数量适中，既不会太粗导致信号模糊，也不会太细导致样本不足。

2.2.2 中信行业分类

中信证券出的，跟申万类似，但细节上有差异。

• 层级结构：一级（29个）、二级（112个）、三级（256个）
• 更新频率：不定期调整，但通常每年一次
• 特点：更偏重金融和周期行业，比如把「房地产」单独拎出来
• 适用场景：机构投资者、多因子模型、行业配置

我个人的经验是，中信分类在周期行业上比申万更细致。如果你做的是钢铁、煤炭、有色这些周期轮动，中信可能更顺手。

2.2.3 GICS行业分类

全球行业分类标准，由MSCI和标普联合推出。国际通用的标准。

• 层级结构：11个行业、24个行业组、69个行业、158个子行业
• 更新频率：每年3月调整
• 特点：全球统一，适合跨市场对比。比如A股的「银行」和港股的「银行」在GICS下是同一个分类
• 适用场景：跨市场轮动、全球资产配置、QFII/QDII策略

我建议，如果你只做A股，用申万或中信就够了。但如果你要对比A股和港股，或者做美股轮动，那GICS是绕不开的。

2.3 行业分类在量化中的应用

分类标准选好了，怎么用？我总结三个核心场景。

2.3.1 行业因子计算

做多因子模型时，行业分类是中性化处理的基础。比如你算「市盈率因子」，如果不做行业中性化，那银行股的低PE和科技股的高PE混在一起，因子信号就乱了。

# 伪代码示例：行业中性化处理
import pandas as pd

# 假设df包含股票代码、行业、市盈率
df['industry_mean_pe'] = df.groupby('industry')['pe'].transform('mean')
df['neutralized_pe'] = df['pe'] - df['industry_mean_pe']

你看，就这么几行代码，把行业均值减掉，因子就干净多了。

2.3.2 行业轮动信号生成

这是咱们课程的核心。行业分类决定了你轮动的「篮子」有多大。

• 用申万一级，你有28个篮子
• 用中信一级，你有29个篮子
• 用GICS，你有11个篮子

篮子越多，轮动机会越多，但噪音也越大。我个人的经验是，A股轮动用申万一级28个行业刚刚好。

2.3.3 风险控制与归因

行业分类还能帮你做风险归因。比如你的组合今天跌了2%，是市场整体跌了，还是你重仓的某个行业出了问题？

# 伪代码示例：行业贡献度计算
portfolio_industry_return = portfolio.groupby('industry')['return'].sum()
benchmark_industry_return = benchmark.groupby('industry')['return'].sum()
active_return = portfolio_industry_return - benchmark_industry_return

这样一算，你就能看到哪个行业拖了后腿。

2.4 一张图看懂行业分类体系

下面这张图，是我自己整理的行业分类选择逻辑。你一看就明白。

2.5 我的建议

说了这么多，最后给你一个实操建议。

如果你是刚开始做行业轮动，别纠结。直接用申万一级行业分类。原因有三：

1. 数据好拿：大部分数据商都提供申万分类，而且有历史回溯数据
2. 粒度适中：28个行业，既不会太少导致信号粗糙，也不会太多导致计算量爆炸
3. 市场认可：国内机构普遍用申万，你的策略结果更容易被理解

好了，行业分类这块就聊到这儿。下一节我们开始讲数据获取，到时候我会手把手教你拉数据、做清洗。嗯，那才是真正动手的时候。