行业配置是在不同阶段投资于不同行业的标的,以获得超额收益的一种资产配置方式。目前利用公开信息进行行业配置的方法仍依赖于研究人员的手工文字整理和主观分析判断,需要对各个行业的资讯信息、公司公告等资料进行逐条分析。该类方法需要花费大量时间、人力和资金,且结论无法标准化,也难以满足时效性强、连续性好、可量化对比、客观理性等投资要求。本文同样是依据各个行业的资讯信息,但采用了计算机技术和量化模型自动运算,具有时效性更强、智能化更高、对比更直观、结论更客观等优势。本文的创新点主要是:基于SWOT理论并通过网络爬虫、文本挖掘技术和信息聚类算法获取并整理每一个行业的重要信息,计算机自动形成合理清晰的SWOT分类;通过构建SWOT量化模型,并借助EXCEL及VBA工具,模拟运算得出S、W、O、T四类指数和SWOT综合指数,并将其与汽车申万指数做相关性分析和多元回归分析,得出的结论具有统计学意义;按照SWOT指数大小顺序对全部行业进行排列,为投资者提示有投资机会或者需规避风险的行业;运用多元分析成果,可用于行业配置,即不同时期对不同SWOT指数表现的行业配置以不同权重的资金仓位。首先,本文论述了有效市场假说理论、行为金融学理论和SWOT模型理论的基本内容,并将理论知识运用到行业分析的过程中,以帮助投资者快速确定行业内部的发展优势和困境缺陷,及时发现外部的投资机会和不足之处。其次,本文对信息来源所依赖的网络信息技术进行了概述,包括网络爬虫技术、文本挖掘技术、信息聚类技术,全文以汽车行业为例,获取并整理了行业的重要信息,信息按照行业内/外部、利好/利空的不同属性被自动分为S、W、O、T四种类型。同时,本文根据信息的不同来源的重要程度,并结合内容在行业词典中的正负面词语数量统计情况,自动为每一条信息自动赋“影响力值”;根据“信息的影响力会随着时间的不断推移而逐渐递减”的时效性特点,自动为每一条信息自动赋“时效性值”。然后,本文建立量化模型并计算不同行业的SWOT指数。模型算法采用了求“预期收益率”的类似方法来计算,将“影响力值”和“时效性值”这两个值代入模型进行运算,计算出S\W\O\T四类指数和综合SWOT指数。每个行业在每条信息发布后,均能实时计算得到变化后的指数值。得到的不同行业的SWOT指数可直接通过排序来及时地发现最新利好价值行业或利空风险行业,也可用于行业配置方面的量化投资。最后,本文继续以汽车行业为例,采用7个月内的全部重要行业信息,借助EXCEL及VBA工具,运用前文SWOT模型的原理来模拟运算得出SWOT指数值,并将其与汽车申万指数做相关性分析和多元回归分析。相关性分析结果显示:对应同一时间时,行业SWOT综合指数与申万指数的相关系数为0.569,在0.01的显著水平下显著,有较强相关性;错开时间时,提前2天的SWOT综合指数与申万指数正相关系数达到最大0.615,说明了SWOT指数能在一定程度上提前预测证券市场情况。多元回归分析结果显示:S、W、O、T四类指数（自变量）之间相关系数均小于0.5,P值大多大于0.05,且Tolerance（容差）均大于0.2,VIF（方差膨胀因子）均小于10,表明自变量间不存在共线性;四个自变量与申万行业指数（因变量）的多元相关系数为0.641,决定系数值为0.411,校正后的决定系数为0.394,四个自变量共可解释因变量总变异量的39.4%;整体回归方程的F值为23.238,在0.001水平上达显著,表示自变量与因变量间存在显著相关,即四个自变量至少有一个自变量与因变量间的相关达显著水平:根据SPSS结果拟合的线性回归方程（y=0.485X1+0.119X2+0.201X3-0.058X4）具有统计学意义。相对于目前已有的诸多研究方法以及市场上通用的研究模式,本文的研究方法和研究模型具有时效性更强、智能化更高、观点清晰明确、量化结论更加客观、数据对比更加直观、阅览更方便、信息综合全面、相关的行业数据和个股数据更加丰富、历史数据便于下载分析等优势。因此,无论对于证券投资行业,还是对于金融信息软件行业,本研究均能促进工作效率得到显著地提高并节省大量人力成本。