第二章：金融基础回顾——行业分类、因子投资与动量反转效应

各位同学，欢迎来到实战课的第一站。在动手搭建图神经网络之前，咱们得先把金融底子打牢。说实话，我见过不少同学一上来就调模型，结果连行业分类都搞混，最后策略回测出来一塌糊涂。今天我们就花点时间，把这三个核心概念理清楚。

2.1 行业分类标准：申万 vs GICS

做行业轮动，第一步就是给股票贴标签。贴错了，后面的分析全白搭。目前主流的两套标准，一个是国内常用的申万行业分类，另一个是国际通用的GICS。

申万行业分类，说白了就是申万研究所自己搞的一套体系。它把A股分成一级、二级、三级行业。比如一级行业“电子”，下面拆出“半导体”、“元件”等二级行业。我个人的习惯是，做A股策略时优先用申万，因为它更贴合国内市场的实际情况。

GICS 则是摩根士丹利和标普联合开发的，全球通用。它分11个一级行业，比如信息技术、医疗保健等。如果你做的是跨市场策略，比如同时交易A股和港股，那GICS会更方便。

嗯，这里要注意一个坑：同一只股票，在申万和GICS下的分类可能完全不同。比如某互联网公司，在申万可能归到“传媒”，在GICS却算“信息技术”。

我曾经在做一个跨市场策略时，直接用申万分类去套港股，结果回测曲线惨不忍睹。后来才发现，港股很多公司根本不在申万覆盖范围内。所以，选标准前先想清楚你的股票池在哪。

2.2 因子投资基础

因子投资，听起来高大上，其实本质就是找规律。你想想看，为什么有些股票涨得多？因为它们有某些共同特征。这些特征，就是因子。

最经典的三个因子：

• 价值因子：买便宜的股票。比如市盈率低的公司，长期来看往往有超额收益。
• 规模因子：买小市值的股票。小公司成长性更强，但波动也大。
• 动量因子：买过去涨得好的股票。趋势会自我强化。

我个人习惯用多因子模型来打分。比如给每只股票算一个综合得分，然后选得分最高的前20%买入。代码实现其实不复杂：

import pandas as pd

# 假设df包含股票数据
df['pe_score'] = -df['pe_ratio'].rank(pct=True)  # 市盈率越低，得分越高
df['size_score'] = -df['market_cap'].rank(pct=True)  # 市值越小，得分越高
df['momentum_score'] = df['return_6m'].rank(pct=True)  # 过去6个月收益越高，得分越高

df['total_score'] = (df['pe_score'] + df['size_score'] + df['momentum_score']) / 3
top_stocks = df.nlargest(20, 'total_score')

这里有个小技巧：因子之间可能有相关性。比如小市值股票往往也是高动量的。如果你直接等权相加，相当于重复计算了某些信息。我建议先做因子正交化处理，去掉冗余。

2.3 动量与反转效应

这两个效应，是行业轮动策略的核心驱动力。说白了，就是市场有惯性，也有物极必反的时候。

动量效应：过去涨得好的行业，未来一段时间还会继续涨。为什么会这样？因为投资者反应不足，或者机构资金在持续流入。我做过一个统计，A股市场上，过去3个月的行业动量效应最明显。

反转效应：涨得太猛了，就会回调。跌得太惨了，就会反弹。这个效应在短期（1个月以内）和长期（1年以上）都比较显著。中期反而动量更强。

你想想看，这两个效应其实不矛盾。它们只是在不同时间尺度上起作用。做行业轮动时，我们通常用动量效应选行业，用反转效应做风控。

下面这张图，是我自己总结的行业轮动核心逻辑。你可以看到，从原始数据到最终策略，中间需要经过行业分类、因子计算、动量/反转判断等多个步骤。

嗯，这张图其实已经概括了本章的核心内容。从原始数据出发，先做行业分类，再算因子，然后判断动量或反转，最后打分生成策略。后面的课程，我们会一步步用图神经网络来优化这个流程中的某些环节。

好了，金融基础就回顾到这里。下一章我们开始正式进入图神经网络的世界。记住，基础不牢，地动山摇。把这些概念吃透了，后面的代码写起来才会顺手。