AI Agent 赋能开发行业轮动策略研究

摘要： 本报告探讨了利用 AI Agent（基于 Codex）辅助开发 A 股行业轮动资产配置策略的路径与实践，重点对比了 AI 无监督开发与分析师 Know-How 介入后的策略优化过程，最终构建了一套基于量价轮动框架的高夏普率策略。

核心观点：
通过“行业扩散指标 + RRG 相对旋转图”筛选强势行业，结合 ETF 持仓穿透与低波评分进行工具落地，并叠加基于大盘趋势与行业广度的风控规则，可实现有效的行业轮动。回测显示，优化后的策略在 2019-2026 年期间表现出较强的风险收益比，夏普率达 1.339。

论据支撑：

1. 三层架构设计：第一层利用 220 日扩散指标和 RRG 象限确定目标行业；第二层通过 ETF 持仓穿透和流动性筛选实现精准映射；第三层通过沪深 300 均线与扩散均值设定空仓风控规则。
2. 参数优化过程：通过 1803 个候选集合的网格搜索（涵盖调仓频率、平滑窗口等 6 个维度），在 1323 条风控规则中筛选出最优组合（A120/B60）。
3. 回测表现：主样本区间（2019-2026）年化收益率 20.64%，年化波动率 14.84%，最大回撤 -18.86%。

局限性/风险：

1. 过拟合风险：大规模参数搜索可能导致策略在历史数据中过拟合。
2. 交易成本缺失：回测未计入冲击成本、申赎成本及流动性折价。
3. 映射滞后：ETF 定期报告的持仓披露存在滞后，实际行业暴露可能与策略目标存在差异。