基于Apriori關聯規則算法的遼寧省上市公司行業聯動與輪動分析

李艷玲 鄧淋凈

(大連財經學院 遼寧大連 116622)

1 緒論

1.1 選題背景

“共和國之子”遼寧省，其工業為我國經濟建設的發展做出了杰出貢獻。近年來，遼寧省經濟增長率較低，產量嚴重下降，缺乏經濟增長動力，消費和貿易需要進一步擴大規模。中國股市受政治、財政、金融、產業等經濟政策調整的影響，行業聯動與輪動現象已成為我國股市運行的基本規律。對于投資者、政府和企業來說，如果掌握了行業這一規律，就能夠優化資源配置，實現資源的合理配置，提供決策或投資建議。

1.2 國內外研究現狀

1.2.1 國內研究現狀

國內的研究大多是從行為金融學的角度出發，燕吉吉(2018)從市場中不同證券之間的價格關系出發，研究股票價格之間的沖擊傳遞機制[1]。賈添慧(2020)將Copula模型與關聯規則組合使用，從宏觀和微觀的角度來分析股指間的特征和變化[2]；周彩節(2020)利用關聯規則通過行業間的輪動現象，論證高績效行業的未來預測可行性[3]；賴宣(2021)認為基于經濟周期視角制定行業輪動投資策略的思路是可行的[4]；尚煌和許文浩(2020)發現在不同經濟周期階段均有不同行業有超過市場平均收益的表現，而且不同行業對經濟周期波動的敏感度不同[5]；周亮(2019)認為采用行業輪動策略能夠獲得更高的風險收益比[6]；茍玉弘(2020)把基本面分析和行業輪動相結合來研究投資策略，發現找到行之有效的投資方式可以減小投資風險[7]。

1.2.2 國外研究現狀

Mcmillan D G(2021)的資產定價理論將股價變動與預期未來現金流和風險的變化相關聯，這可能會對各個行業產生不同影響[8]。周期性行業能夠在常規寬松政策期間表現得比非周期性行業更好，而非周期性行業在貨幣緊縮政策期間表現得更好。Chong J, Phillips G M (2015)使用Eta定價模型對部門輪換戰略的數據進行了分析，主要討論了各種部門輪換投資組合的構造[9]。Constantinos Alexiou &Anshul Tyagi (2020)研究表明，在經濟周期中期板塊的成功轉換是個極佳對策。想要投資者盈利，正確的市場時機至關重要[10]。

2 行業聯動基本理論與聯動實證分析

2.1 行業聯動

由于國家產業政策的變化、經濟環境的影響，在股票上漲、下跌和調整的過程中，不同產業板塊會出現一起上升和下降的現象，這一現象叫行業聯動現象。行業聯動的原因很多，如政策因素、基本面變化、心理因素等。

2.2 行業聯動實證分析

2.2.1 相關數據及參數說明

遼寧省擁有上市公司在東北地區是最多的，其中A股上市的企業就涵蓋了39個行業，龍頭企業中大多數主要從事電力設備行業，在39個行業中石油加工貿易行業總值最高。

本次數據采集的目標主要針對申萬一級行業指數，具體涵蓋了交易日期、收盤價、成交量(以億股為單位)、市盈率、市凈率、漲跌幅、換手率、均價、成交額占比、流通市值、平均流通市值和股息率等多個指數，在確定采集目標后，本文使用Tushare接口下載2012—2022年申萬一級行業指數股票數據。

數據清洗和處理方面，本文選取了2012年11月14日至2022年11月14日共2409個交易日的數據，剔除了交易日不足2409天的數據，最終篩選出了16個行業指數。這些行業包括房地產、交通運輸、農林牧漁、公用事業、家用電器、輕工制造、食品飲料、醫藥生物、有色金屬、綜合、電子、商貿零售、黑色金屬、化工、餐飲旅游及紡織服飾等。

2012年11月14日至2022年11月14日共503個交易周，為了方便后續數據規則的挖掘，將交易周期不便于計算的行業指數數據剔除，2012年11月14日至2022年11月14日共121個交易月，將不便于計算的行業指數數據剔除。

Support：表示同時包含A和B的事務占所有事務的比例。

Confidence：表示包含A的事務中同時包含B事務的比例。2.2.2 日維度行業聯動規則挖掘

在進行行業聯動和輪動規則的挖掘時，首先需要計算行業指數各周期的上漲情況，上漲即為1，其他為0。緊接著調動Apriori關聯規則挖掘算法進行行業聯動關聯規則挖掘，函數返回的規則共12條關聯規則，如表1所示。

表1 日行業聯動規則圖

以日行業聯動規則1為例：紡織服飾行業和輕工制造行業關聯規則的support(支持度)為47.01%，confidence(置信度)為86.61%；紡織服飾行業輕工制造行業上漲，輕工制造行業上漲的概率為86.61%(置信度)；紡織服飾、輕工制造行業同時上漲占總記錄數的47.01%(支持度)。

2.2.3 周維度行業聯動規則挖掘

計算行業指數各周期的上漲情況，上漲即為1，其他為0，在對周行業上漲情況進行統計時用當周最大交易日行情數據減去當周最小交易日行情數據來獲得。調動Apriori關聯規則挖掘算法進行行業聯動關聯規則挖掘，函數返回的規則共19條關聯規則，如表2所示。

表2 周行業聯動規則

以周行業聯動規則1為例：交通運輸、電子及公用事業行業關聯規則的support(支持度)為69.32%，confidence(置信度)為95.34%；交通運輸行業上漲，電子、公用事業行業也上漲的概率為95.34%(置信度)；紡織服飾、輕工制造行業同時上漲占總記錄數的69.32%(支持度)。

2.2.4 月維度行業聯動規則挖掘

計算行業指數各周期的上漲情況，上漲即為1，其他為0，在對周行業上漲情況進行統計時用當月最大交易日行情數據減去當月最小交易日行情數據來獲得。調動Apriori關聯規則挖掘算法進行行業聯動關聯規則挖掘，函數返回的規則共12條關聯規則如表3所示。

表3 月行業聯動規則圖

以月行業聯動規則1為例：輕工制造行業和紡織服飾行業關聯規則的support(支持度)為91.66%，置信度為99.09%；輕工制造行業上漲，紡織服飾行業也上漲的概率為99.09%(置信度)；輕工制造、紡織服飾行業同時上漲占總記錄數的91.66%(支持度)。

3 行業輪動基本理論與實證分析

3.1 行業輪動

行業輪動是利用市場趨勢獲利的一種主動交易策略，其本質是利用不同投資品種強勢時間的錯位對行業品種進行切換以達到投資收益最大化的目的。行業輪動的原因有很多，需結合宏觀經濟環境、政策法規變動需求、供給和行為金融等多種因素來分析判斷。

3.2 行業輪動實證分析

3.2.1 日維度行業輪動規則挖掘

由于選擇的行業指數交易數據為日度數據，故直接利用關聯規則的支持度和置信度定義公式來挖掘單個行業之間的行業輪動規則。本次設置行業關聯規則的最小支持度和置信度分別大于0.4和0.83，具體如表4所示。

表4 日行業輪動規則圖

從表4可以看出置信度大于0.83的有19條關聯規則，置信度最高的不超過0.86有且僅有一條紡織服飾—輕工制造。

以日行業輪動規則17為例：紡織服飾和輕工制造行業關聯規則的support(支持度)為47.01%，confidence(置信度)為86.61%。紡織服飾行業上漲，輕工制造行業也上漲的概率為86.61%(置信度)。紡織服飾、輕工制造行業同時上漲占總記錄數的47.01%(支持度)。

3.2.2 周維度行業輪動規則挖掘

和行業輪動關聯規則挖掘一樣，本文在利用公司來進行挖掘單個行業之間的行業輪動規則，相關行業關聯規則的最小支持度為0.73，最小置信度為0.9，如表5所示。

表5 周行業輪動規則

從表5可以看出，挖掘出置信度大于0.9的一共有8條關聯規則，置信度最高的不超過0.92且僅有兩條，分別是：交通運輸－公共事業、有色金屬－黑色金屬。也就是說，相較于其他行業，交通運輸行業和公共事業行業，有色金屬行業與黑色金屬行業發生行業輪動的概率更高，與日周期行業輪動規則對比，周周期行業輪動的關聯規則要稍強于日周期行業輪動規則。

以周行業輪動規則2為例：公用事業和交通運輸行業關聯規則的support(支持度)為73.90%，confidence(置信度)為92.28%。公用事業行業上漲，交通運輸行業也上漲的概率為92.28%(置信度)。紡織服飾、輕工制造行業同時上漲占總記錄數的73.90%(支持度)。

3.2.3 月維度行業輪動規則挖掘

和行業輪動關聯規則挖掘方法一致，本文利用關聯規則定義公式來挖掘不同行業之間的行業輪動規則，設置行業關聯規則的最小支持度為0.91，最小置信度為0.96，如表6所示。

表6 月行業輪動規則圖

由表6可以看出置信度大于0.96的有13條關聯規則，置信度在0.97以上的有7條，分別是輕工制造－紡織服飾、食品飲料－交通運輸、食品飲料－商業貿易、商業貿易－食品飲料、商業貿易－黑色金屬、商業貿易－紡織服飾、紡織服飾－商業貿易。從挖掘結果來看，對比日行業輪動和周行業輪動的關聯規則，月行業輪動的關聯規則預測性最強。

以月行業輪動規則1為例：交通運輸和食品飲料行業關聯規則的support(支持度)為91.66%，confidence(置信度)為96.49%。紡織服飾行業上漲，輕工制造行業也上漲的概率為96.49%(置信度)。紡織服飾、輕工制造行業同時上漲占總記錄數的91.66%(支持度)。

4 結語

本文分別從日、周、月三個時間維度挖掘行業聯動與輪動的關聯規則，發現行業聯動的關聯規則其置信度普遍偏高，行業輪動的關聯規則置信度相對較低，但行業輪動關聯規則具有預測性，其投資意義更大，對于投資策略的制定更具指導意義。通過挖掘的關聯規則，發現遼寧公共事業發展前景非常好，公共事業的發展可能會帶動電子行業以及交通運輸行業的發展。政府可根據這一行業輪動關聯規則調整相關政策，把握好市場經濟的大致走向，做好宏觀調控，從而更好地推動遼寧省各行業的發展。