01
宏观因子与行业轮动概述
什么是宏观因子？为什么宏观因子能驱动行业轮动？课程目标与学习路径。
入门框架
02
核心宏观因子解析（上）
经济增长（GDP、工业增加值）、通货膨胀（CPI、PPI）、货币政策（利率、M2）。
宏观因子
03
核心宏观因子解析（下）
信用周期（社融、信贷脉冲）、汇率与外部流动性、风险偏好（VIX、信用利差）。
信用汇率
04
行业分类与基本面特征
申万一级行业分类、行业生命周期、行业景气度与盈利周期。
行业基本面
05
因子敏感性分析
如何量化行业对宏观因子的敏感度？Beta系数与回归分析。
量化Beta
06
数据获取与预处理（Python实战）
使用Tushare/Akshare获取宏观数据、行业指数数据、数据清洗与对齐。
Python数据
07
宏观因子状态识别
阈值法、趋势法、马尔可夫区制转换模型识别宏观状态。
状态模型
08
行业轮动信号生成
基于宏观状态的行业打分模型、多因子综合打分。
信号打分
09
回测框架搭建（Python实战）
回测引擎设计、交易成本设置、绩效评价指标（年化收益、夏普比率、最大回撤）。
回测绩效
10
经典轮动策略一：美林时钟
基于增长与通胀的四象限轮动。
美林时钟经典
11
经典轮动策略二：货币信用框架
基于利率与社融的四象限轮动。
货币信用
12
经典轮动策略三：风险偏好轮动
基于VIX与信用利差的防御/进攻切换。
风险偏好防御
13
多因子复合轮动策略
将多个宏观因子信号合成一个综合轮动信号。
复合信号
14
行业动量与反转因子
在宏观框架中加入行业自身动量/反转特征。
动量反转
15
行业拥挤度与资金流因子
加入行业换手率、机构持仓变化等辅助信号。
拥挤度资金流
16
机器学习入门：随机森林
用随机森林预测行业超额收益方向。
机器学习随机森林
17
深度学习尝试：LSTM
用LSTM捕捉宏观因子与行业收益的非线性关系。
深度学习LSTM
18
策略风险控制
行业集中度限制、杠杆控制、止损机制。
风控止损
19
参数敏感性分析与过拟合防范
滚动窗口测试、交叉验证、参数稳定性检验。
过拟合稳健性
20
实盘交易注意事项
交易成本冲击、流动性冲击、信号延迟处理。
实盘冲击
21
宏观因子预测
如何用时间序列模型（ARIMA、VAR）预测宏观因子未来值？
预测ARIMA
22
另类数据引入
新闻情绪、PMI调查、高频宏观指标（如耗煤量、地产成交）。
另类数据高频
23
海外市场轮动
A股与港股、美股的宏观因子联动与跨市场轮动。
跨市场海外
24
行业轮动组合优化
均值-方差优化、风险平价、Black-Litterman模型在行业配置中的应用。
组合优化风险平价
25
因子择时
动态调整宏观因子权重，而非固定权重。
因子择时动态
26
事件驱动与宏观冲击
如何应对突发宏观事件（如疫情、战争、政策突变）？
事件驱动宏观冲击
27
行业轮动策略的归因分析
Brinson归因、因子归因，拆解收益来源。
归因Brinson
28
构建自动化报告系统（Python实战）
定时拉取数据、生成信号、发送邮件/钉钉通知。
自动化报告
29
策略实盘模拟与跟踪
模拟账户搭建、每日信号跟踪、绩效归因。
模拟跟踪
30
课程总结与进阶方向
从行业轮动到因子轮动、从A股到全球资产配置。
总结进阶