本文基于滞后一阶的历史回报率信息和企业信用传递链的混合视角对A股市场的行业轮动现象进行了研究,同时应用新兴的选择后推断的机器学习方法在样本内讨论了行业板块间的关联性,在样本外构建了自上而下的月度行业轮动选股模型并讨论了相关行业中个股之间的关联性。在搭建行业轮动模型前,本文首先根据企业商业票据的交易记录数据库整理出多条信用传递链,用以拟合完整的产业链结构和企业间的合作关系,再通过股权穿透关系加权计算得到所有上市公司两两之间产业关联度的得分矩阵。随后本文分两步来构造行业轮动模型,第一步应用LASSO后OLS方法和滞后一阶的月度历史回报率对未来的行业回报率做出预测并排序筛选,第二步从备选个股标的池中选出属于优选行业的上市公司,再基于产业关联度得分矩阵得到优选行业中各个备选标的公司在产业链中合作最为密切的上下游企业,再基于这些上市企业股票的滞后一阶收益率对备选标的公司股票的未来收益率做出预测,排序筛选后构建出月度轮动的股票投资组合。考虑到选择后推断和多重检验的情况下,本文首先在实证得到了行业回报率可预测性的显著样本内证据,然后在样本外分析时初步探讨了基于产业链信用数据构造的得分矩阵是否有助于预测备选标的公司的股票回报率。样本内结果表明,能源、金属等大宗原材料生产行业和金融行业等板块的滞后阶收益率具有较强的预测能力,与信息在经济系统中关联行业间的逐步扩散相一致。样本外结果表明,基于滞后阶行业回报率信息的样本外预测具有一定的可信度及经济价值,而加入产业链中高关联度的上下游企业的滞后阶股票回报率信息进一步强化了预测能力,最后本文应用预测回归分析构建了自上而下的行业轮动多空配置组合,实现了11.48%的年化收益,0.58的夏普比和0.88的索提诺比率。