基于Apriori关联规则算法的辽宁省上市公司行业联动与轮动分析

李艳玲 邓淋净

(大连财经学院 辽宁大连 116622)

1 绪论

1.1 选题背景

“共和国之子”辽宁省，其工业为我国经济建设的发展做出了杰出贡献。近年来，辽宁省经济增长率较低，产量严重下降，缺乏经济增长动力，消费和贸易需要进一步扩大规模。中国股市受政治、财政、金融、产业等经济政策调整的影响，行业联动与轮动现象已成为我国股市运行的基本规律。对于投资者、政府和企业来说，如果掌握了行业这一规律，就能够优化资源配置，实现资源的合理配置，提供决策或投资建议。

1.2 国内外研究现状

1.2.1 国内研究现状

国内的研究大多是从行为金融学的角度出发，燕吉吉(2018)从市场中不同证券之间的价格关系出发，研究股票价格之间的冲击传递机制[1]。贾添慧(2020)将Copula模型与关联规则组合使用，从宏观和微观的角度来分析股指间的特征和变化[2]；周彩节(2020)利用关联规则通过行业间的轮动现象，论证高绩效行业的未来预测可行性[3]；赖宣(2021)认为基于经济周期视角制定行业轮动投资策略的思路是可行的[4]；尚煌和许文浩(2020)发现在不同经济周期阶段均有不同行业有超过市场平均收益的表现，而且不同行业对经济周期波动的敏感度不同[5]；周亮(2019)认为采用行业轮动策略能够获得更高的风险收益比[6]；苟玉弘(2020)把基本面分析和行业轮动相结合来研究投资策略，发现找到行之有效的投资方式可以减小投资风险[7]。

1.2.2 国外研究现状

Mcmillan D G(2021)的资产定价理论将股价变动与预期未来现金流和风险的变化相关联，这可能会对各个行业产生不同影响[8]。周期性行业能够在常规宽松政策期间表现得比非周期性行业更好，而非周期性行业在货币紧缩政策期间表现得更好。Chong J, Phillips G M (2015)使用Eta定价模型对部门轮换战略的数据进行了分析，主要讨论了各种部门轮换投资组合的构造[9]。Constantinos Alexiou &Anshul Tyagi (2020)研究表明，在经济周期中期板块的成功转换是个极佳对策。想要投资者盈利，正确的市场时机至关重要[10]。

2 行业联动基本理论与联动实证分析

2.1 行业联动

由于国家产业政策的变化、经济环境的影响，在股票上涨、下跌和调整的过程中，不同产业板块会出现一起上升和下降的现象，这一现象叫行业联动现象。行业联动的原因很多，如政策因素、基本面变化、心理因素等。

2.2 行业联动实证分析

2.2.1 相关数据及参数说明

辽宁省拥有上市公司在东北地区是最多的，其中A股上市的企业就涵盖了39个行业，龙头企业中大多数主要从事电力设备行业，在39个行业中石油加工贸易行业总值最高。

本次数据采集的目标主要针对申万一级行业指数，具体涵盖了交易日期、收盘价、成交量(以亿股为单位)、市盈率、市净率、涨跌幅、换手率、均价、成交额占比、流通市值、平均流通市值和股息率等多个指数，在确定采集目标后，本文使用Tushare接口下载2012—2022年申万一级行业指数股票数据。

数据清洗和处理方面，本文选取了2012年11月14日至2022年11月14日共2409个交易日的数据，剔除了交易日不足2409天的数据，最终筛选出了16个行业指数。这些行业包括房地产、交通运输、农林牧渔、公用事业、家用电器、轻工制造、食品饮料、医药生物、有色金属、综合、电子、商贸零售、黑色金属、化工、餐饮旅游及纺织服饰等。

2012年11月14日至2022年11月14日共503个交易周，为了方便后续数据规则的挖掘，将交易周期不便于计算的行业指数数据剔除，2012年11月14日至2022年11月14日共121个交易月，将不便于计算的行业指数数据剔除。

Support：表示同时包含A和B的事务占所有事务的比例。

Confidence：表示包含A的事务中同时包含B事务的比例。2.2.2 日维度行业联动规则挖掘

在进行行业联动和轮动规则的挖掘时，首先需要计算行业指数各周期的上涨情况，上涨即为1，其他为0。紧接着调动Apriori关联规则挖掘算法进行行业联动关联规则挖掘，函数返回的规则共12条关联规则，如表1所示。

表1 日行业联动规则图

以日行业联动规则1为例：纺织服饰行业和轻工制造行业关联规则的support(支持度)为47.01%，confidence(置信度)为86.61%；纺织服饰行业轻工制造行业上涨，轻工制造行业上涨的概率为86.61%(置信度)；纺织服饰、轻工制造行业同时上涨占总记录数的47.01%(支持度)。

2.2.3 周维度行业联动规则挖掘

计算行业指数各周期的上涨情况，上涨即为1，其他为0，在对周行业上涨情况进行统计时用当周最大交易日行情数据减去当周最小交易日行情数据来获得。调动Apriori关联规则挖掘算法进行行业联动关联规则挖掘，函数返回的规则共19条关联规则，如表2所示。

表2 周行业联动规则

以周行业联动规则1为例：交通运输、电子及公用事业行业关联规则的support(支持度)为69.32%，confidence(置信度)为95.34%；交通运输行业上涨，电子、公用事业行业也上涨的概率为95.34%(置信度)；纺织服饰、轻工制造行业同时上涨占总记录数的69.32%(支持度)。

2.2.4 月维度行业联动规则挖掘

计算行业指数各周期的上涨情况，上涨即为1，其他为0，在对周行业上涨情况进行统计时用当月最大交易日行情数据减去当月最小交易日行情数据来获得。调动Apriori关联规则挖掘算法进行行业联动关联规则挖掘，函数返回的规则共12条关联规则如表3所示。

表3 月行业联动规则图

以月行业联动规则1为例：轻工制造行业和纺织服饰行业关联规则的support(支持度)为91.66%，置信度为99.09%；轻工制造行业上涨，纺织服饰行业也上涨的概率为99.09%(置信度)；轻工制造、纺织服饰行业同时上涨占总记录数的91.66%(支持度)。

3 行业轮动基本理论与实证分析

3.1 行业轮动

行业轮动是利用市场趋势获利的一种主动交易策略，其本质是利用不同投资品种强势时间的错位对行业品种进行切换以达到投资收益最大化的目的。行业轮动的原因有很多，需结合宏观经济环境、政策法规变动需求、供给和行为金融等多种因素来分析判断。

3.2 行业轮动实证分析

3.2.1 日维度行业轮动规则挖掘

由于选择的行业指数交易数据为日度数据，故直接利用关联规则的支持度和置信度定义公式来挖掘单个行业之间的行业轮动规则。本次设置行业关联规则的最小支持度和置信度分别大于0.4和0.83，具体如表4所示。

表4 日行业轮动规则图

从表4可以看出置信度大于0.83的有19条关联规则，置信度最高的不超过0.86有且仅有一条纺织服饰—轻工制造。

以日行业轮动规则17为例：纺织服饰和轻工制造行业关联规则的support(支持度)为47.01%，confidence(置信度)为86.61%。纺织服饰行业上涨，轻工制造行业也上涨的概率为86.61%(置信度)。纺织服饰、轻工制造行业同时上涨占总记录数的47.01%(支持度)。

3.2.2 周维度行业轮动规则挖掘

和行业轮动关联规则挖掘一样，本文在利用公司来进行挖掘单个行业之间的行业轮动规则，相关行业关联规则的最小支持度为0.73，最小置信度为0.9，如表5所示。

表5 周行业轮动规则

从表5可以看出，挖掘出置信度大于0.9的一共有8条关联规则，置信度最高的不超过0.92且仅有两条，分别是：交通运输－公共事业、有色金属－黑色金属。也就是说，相较于其他行业，交通运输行业和公共事业行业，有色金属行业与黑色金属行业发生行业轮动的概率更高，与日周期行业轮动规则对比，周周期行业轮动的关联规则要稍强于日周期行业轮动规则。

以周行业轮动规则2为例：公用事业和交通运输行业关联规则的support(支持度)为73.90%，confidence(置信度)为92.28%。公用事业行业上涨，交通运输行业也上涨的概率为92.28%(置信度)。纺织服饰、轻工制造行业同时上涨占总记录数的73.90%(支持度)。

3.2.3 月维度行业轮动规则挖掘

和行业轮动关联规则挖掘方法一致，本文利用关联规则定义公式来挖掘不同行业之间的行业轮动规则，设置行业关联规则的最小支持度为0.91，最小置信度为0.96，如表6所示。

表6 月行业轮动规则图

由表6可以看出置信度大于0.96的有13条关联规则，置信度在0.97以上的有7条，分别是轻工制造－纺织服饰、食品饮料－交通运输、食品饮料－商业贸易、商业贸易－食品饮料、商业贸易－黑色金属、商业贸易－纺织服饰、纺织服饰－商业贸易。从挖掘结果来看，对比日行业轮动和周行业轮动的关联规则，月行业轮动的关联规则预测性最强。

以月行业轮动规则1为例：交通运输和食品饮料行业关联规则的support(支持度)为91.66%，confidence(置信度)为96.49%。纺织服饰行业上涨，轻工制造行业也上涨的概率为96.49%(置信度)。纺织服饰、轻工制造行业同时上涨占总记录数的91.66%(支持度)。

4 结语

本文分别从日、周、月三个时间维度挖掘行业联动与轮动的关联规则，发现行业联动的关联规则其置信度普遍偏高，行业轮动的关联规则置信度相对较低，但行业轮动关联规则具有预测性，其投资意义更大，对于投资策略的制定更具指导意义。通过挖掘的关联规则，发现辽宁公共事业发展前景非常好，公共事业的发展可能会带动电子行业以及交通运输行业的发展。政府可根据这一行业轮动关联规则调整相关政策，把握好市场经济的大致走向，做好宏观调控，从而更好地推动辽宁省各行业的发展。