《2022年行业景气模型专题报告.docx》由会员分享，可在线阅读，更多相关《2022年行业景气模型专题报告.docx（19页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、2022年行业景气模型专题报告一、模型回顾：行业景气模型的跟踪与思考在本章节，我们简要回顾了中观行业配置系列一：分析师行业景气指数构建与应用 中提出的行业景气模型的样本外效果，并对行业配置体系做了一定的完善与思考。1.1、行业景气模型的样本外跟踪：喜优参半在中观行业配置系列的第一篇报告中，我们参考 PMI 指数的编制思路提出了一种衡量行 业景气度的新方法 ：利用分析师预期数据，定期统计上调盈利预测的机构占比，根据扩 散指数方法编制分析师景气指数 FAPI（Financial Analyst Pros Index），用于及时跟 踪宽基指数、风格和行业的景气度。然后我们将景气度和趋势指标进行复合打
2、分，希望 找到基本面改善，趋势共振的行业，计算公式如下：景气复合指标 = ?(分析师 ROE 景气指数) + ?(分析师 ROE 景气指数的 zscore) + ?(ROE_TTM 的 z_score) + ?(动量指标)模型年化超额 12.7%，信息比率 1.30。自样本外跟踪以来，模型绝对收益率 13.8%，超 额收益率 18.4%，表现较为优异。复盘下来，主要原因是捕捉到了去年 7-8 月的周期板 块的配置机会。但我们也注意到，模型自去年 9 月至今年 1 月，超额回撤达到-11.9%， 创造了历史最大回撤幅度。所谓涨跌同源，上涨和下跌往往背后的逻辑往往是一致的， 我们在追逐高景气行业的
3、同时，也可能会遭受行业景气不及预期或者行业景气反应过度 等原因造成的亏损。2021 年 9 月-11 月的亏损主要源于超配了周期板块，而此后则是因 为配置了电新和军工这两个成长板块。此外，考虑到传统行业轮动偏离基准较大的问题，我们使用组合优化方法构建了更为稳 健的行业景气模型，取得了还不错的效果。参数设置为行业偏离上限为 0.25，跟踪误差 控制在 0.08 以内，基准是 winda 指数，采用个股流通市值加权。自样本外跟踪以来，配 置模型绝对收益率 5.6%，超额收益率 8.8%，最大回撤-5.7%。尽管使用组合优化的方 法让我们控制了相对回撤，但是模型的超额也变得略显平庸，正所谓有得必有失
4、。1.2、行业配置框架的系统化思考自报告外发和模型样本外跟踪以来，我们与客户路演交流和复盘的过程中，深深体会到 了研究与投资之间的距离，众多的投资管理人也为我们提供了有价值的想法和建议。借 此机会，我们整理了目前模型遇到了一些问题以及我们的思考：1） 模型没有风险预警模块：没有将拥挤度相关指标纳入行业配置模型，造成的结果 是我们团队现有的拥挤度指标判断新能源处于高拥挤状态，模型却依然配置， 2021 年底至今在新能源板块回撤较大；2） 模型没有估值指标：没有将估值指标纳入行业配置模型，导致市场在出现风格切 换，比如不追逐高景气，反过来追逐低估值时候容易表现不佳；3） 如何与现有的模型进行融合？
5、我们之前有趋势-拥挤度的行业轮动模型，更有很 多行业专门的基本面量化报告，如何有效地将多模型进行结合，或者说将行业基 本面信号嵌入行业景气模型中？比如去年 8 月以来我们一直看好银行板块的配 置机会，但是行业配置模型一直没有持仓；4） 行业分类有优化空间：模型今年看对通信和计算机行业的配置方向，但是一级行 业指数表现一般，细分行业表现出色，仅以一级行业做配置模型难做出较高超额， 需要深入优化行业分类！5） 正如我们前期报告资产配置的研究路线思考：从量化走向系统化所述，现在的量化 研究不再是传统的简单指标回测，而是一个搭建系统化投研体系的过程。这可能就是一 个不断挖坑然后填坑的过程，我们唯一能做
6、的就是日拱一卒努力把系统搭建好！这里我 们整合了一下现有的研究框架与成果，构建了国盛金工的行业配置体系图谱，希望能够 在中观行业配置系列报告中，将框架空缺部分一一完善，以飨读者。根据上述复盘，如果我们能够在四季度提前对周期、新能源和军工等板块提出风险预警， 或许能够规避一些损失。事实上我们根据最常见的换手率指标，就可以大概感知到这些 热门行业在四季度存在交易过热的情况。如下图所示，电新行业的日度换手率在 2010 年 初，2015 年 6 月和 2021 年 12 月都曾出现换手率过高的情况。因此，本篇报告主要解决两个问题： 1） 在现有拥挤度指标的基础上，探讨一下行业风险预警模块的研究，希望
7、尽可能规 避一些多头组合中较大概率会下跌的行业，做一下行业配置模型的顶端优化； 2） 对现有的两个行业轮动模型的优缺点进行分析和讨论，尽可能最大化使用好两套 方案，并最终结合两个方案综合性给出行业配置建议。二、指标构建：行业风险预警模块初探本章节我们主要介绍了行业风险预警模块的搭建与效果，主要包括行业情绪预警指数的 构建方法、有效性检验以及基于情绪指数的风格/行业择时案例。2.1、行业情绪预警指数：市场温度计市场情绪指标，主要是用来感知市场的交易情绪是否过热，是股票市场的温度计，与拥 挤度属于同一个范畴。一般而言，资产价格在基本面改善预期下，形成上涨的趋势后， 会加快资金的涌入，这时候容易发生
8、交易过于拥挤的情况。而市场过度拥挤的时候，往 往是资产价格上涨的尾声，正所谓水能载舟亦能覆舟。因此，我们更倾向于不参与拥挤 交易，人多的地方不要去，把市场情绪指标作为一个左侧的退场信号。 其实无论是学术界还是业界，投资者情绪的研究在海内外都已经非常热门，我们这里整 理了部分海内外学者们对投资者情绪的研究成果。直接情绪指数主要是根据投资者的问卷调查，通过扩散指数编制 得到，目前在国内较难实现，数据获取难度也较大；间接情绪指数主要通过市场交易数 据和公司行为数据，通过 PCA 或者合成指数的方法构建，这个数据获取难度较低，具备 较高的可行性。此外，上述的研究主要针对的是股票市场整体的情绪，而我们这
9、里更加 关心的是细分行业的市场情绪。然后，我们参考我们之前报告行业轮动的三个标尺中拥挤度指标的构建方法，根据 细分行业个股的市场交易行为，自下而上的构建情绪指标。一般而言，指数的编制思路 无非三种：扩散指数、合成指数和主成分分析法。因为行业情绪触发到极端位置才有参 考价值，所以不适宜采用扩散指数，主成分分析法存在参数不稳定的情况，因此我们这 里采用合成指数。整个指标构建流程化如下： 1） 个股映射到行业：提取行业的所有成分股，剔除上市不满一年、ST、涨跌停等不 满足交易条件的股票，等权平均剩下成分股过去 3 个月的情绪指标（换手率、波 动率、beta 等），作为行业整体的情绪指标； 2） 行业
10、相对值计算：对行业情绪指标进行时序上的平滑处理，然后计算其与全部行 业平均值的比例； 3） 时序标准化处理：根据过去 6 年的滚动窗口，将行业情绪指标进行 zscore 处理， 这一步的目的是为了不同行业之间的情绪指标具有可比性； 4） 截面等权合成：采用合成指数的思路，对选取的行业情绪指标的 zscore 进行算数 平均处理，作为该行业最终的情绪指标；经过大量的测试，我们对原有指标进行了一定的扩展，提升了预警效果的稳定性，选取 的指标包括：过去三个月换手率、（时序/Barra）波动率、beta 值，指标具体的计算方法 。考虑到 Barra 波动率使用过去 1 年窗口计算，这里在波动率内部采取
11、的权重为 时间倒序加权，时序为 0.8，Barra 为 0.2。2.2、行业情绪预警指数的有效性检验本小节我们对行业情绪预警指数进行有效性检验。我们设计行业情绪预警指数的初衷是 尽可能地规避未来可能会下跌的行业，因此我们的检验方法包括：横截面 IC 值检验，时 间序列信号超额收益和最大回撤统计。横截面上，我们测试了指标的 IC 值，即截面上情 绪指标与行业下个月收益率的相关性；时间序列层面，我们计算了上出现情绪过热信号 后，行业的平均超额收益和最大回撤的幅度。2.2.1、横截面：IC 值检验这里我们分别统计了三大类指标及合成指标的IC值、中位数及胜率等，发现在全样本下， IC 均值并无明显规律
12、，IC 中位数为-0.014，意味着大部分情况下行业情绪指标和未来收 益负相关，不过不够明显，且胜率不高。那是不是意味着行业情绪指标失效了呢？其实 不然，我们设计情绪指标的初衷是尽可能规避掉前期上涨导致市场情绪过热的行业。值得注意的是，这里面有个先决条件是前期上涨较多的行业。众所周知，在行业基本面改 善趋势形成的时候，往往市场情绪也会高涨，这时候市场情绪对资产价格起到了正向的 推动作用。因此，直接观察情绪指标与下一期行业收益的相关性不是很科学。这里我们设计了一个指标：行业趋势与行业情绪的相关性（Corr_Trend_Crowd）。理 论上，当两者相关性高的时候，代表当前趋势较好的行业可能存在情
13、绪过热的情况，行 业后续可能上涨动能不足。我们对这个指标做了扩展窗口的分位数处理，发现当相关性 较高（大于 80/90%）的时候，IC 值明显为负，并且胜率较高。这意味着当前期热门行 业存在情绪过热的时候，这些行业需要规避，情绪指标的有效性得到了较大的提升！这让我们更深刻地理解了行业情绪指标存在的价值。它可能无法直接给出不看好的行业， 它能够帮我们规避掉前期表现较好、后续可能大幅回撤的行业。这也就解释了为什么趋 势拥挤度策略能够跑赢简单趋势策略。如下图，简单的行业趋势策略年化 6.5%，但最大 回撤达到-17.4%，但是趋势+拥挤度策略的年化超额达到 11.6%，最大回撤仅-6.2%。2.2.
14、2、时间序列：信号出现后的超额收益和最大回撤统计这里，我们也从时间序列上探讨了行业情绪指标的有效性，主要观察其信号出现后行业 的超额收益和最大回撤的幅度。这里我们定义情绪指标大于 1/2 倍标准差为该行业情绪 过热，其中 return_m_stdn 代表情绪指标大于 n 倍标准差后 m 个月该行业的超额收益， drawdown_m_stdn 代表绪指标大于 n 倍标准差后 m 个月该行业的超额最大回撤，空值 代表该行业在历史上未出现大于 2 倍标准差的情况。首先，超额收益的统计结果如下图所示。平均来看，行业情绪过热信号出现后平均超额 收益为负，情绪指标超过 2 倍标准差后的三个月的平均超额收益
15、为-4%。行业层面，情 绪指标在消费、金融和稳定板块效果较好，成长和周期板块提示效果一般。其次，最大回撤的统计结果如下图所示。平均来看，行业情绪过热信号出现后的超额收 益最大回撤基本超过历史平均，情绪指标超过 2 倍标准差后的三个月的平均最大回撤为11%，全样本平均为-8%。行业层面，情绪指标在大部分行业回撤的提示效果都还不错。我们也展示了全部行业情绪指标和后 3 个月超额收益最大回撤的散点图，如果用情绪指 标超过 1 倍标准差定义为情绪过热，可以看到历史上行业未来三个月最大回撤超过-25% 的样本里，有 71%出现在该行业情绪过热后；而未来一个月最大回撤超过-15%的样本 里，有 69%出现
16、在该行业情绪过热后。也就是说，行业情绪指标可以帮我们尽可能规避 一些行业的大幅回撤，风险提示效果还不错。2.3、情绪指数在风格/行业上的择时应用 2.3.1、风格择时案例：动量类策略的市场情绪观测如 2.2.1 节所述，行业情绪预警指数本身并不能直接帮我们找到未来表现最差的行业，但 是在行业趋势和情绪的相关性指标（Corr_Trend_Crowd）较高的时候，可以帮我们有效 规避掉可能情绪过热的前期热门行业。因此我们认为该指标可以观测动量风格的市场情 绪。这里我们对比了行业趋势和情绪的相关性指标的历史分位数和 300 动量/沪深 300 的 走势。其中，为了保证不用到未来数据，我们对 Corr
17、_Trend_Crowd 指标做了扩展窗口处 理，减去 50%是为了更方便画图做对比。当该指标处于较高位置（90%分位数）时，往往意味着动量风格可能即将迎来 休整，300 动量（H30260.CSI）/沪深 300（000300.SH）后续将会迎来一段不小的回撤。 2013 年以来，该指标曾 4 次提示过预警信号。我们统计了该指标发出信号后 24 周 300 动量/沪深 300 的最大回撤，发现信号出现后平均最大回撤为-11.4%，风险提示效果比较 明显。2.3.2、行业择时案例：基于情绪预警的景气度择时策略一般来讲，行业一波行情的起点往往是由于行业基本面出现改善的迹象，然后投资者基 于基本面
18、改善预期提前进场。因此股价往往领先于基本面，我们需要对基本面有着前瞻 的研判，我们之前报告构建的分析师景气指数是一个不错的基本面预期信号。这里以食 品饮料和电子为例，我们观测了行业景气指数和行业超额收益之间的关系。如下图所示， 食品饮料行业除了 2020 年上半年那波行业没有捕捉到，其他的大行情基本都能把握住； 电子行业除了 2010 年那波判断失误以外，其他的大行情也基本把握住了。而行业情绪预警指数可以观测行业的情绪过热情况，根据上述有效性分析可以作为行业 的风险预警信号。我们可以看到，情绪指标在部分强势行业上起到了还不错的风险预警 效果。比如下图显示，食品饮料行业情绪指标在 2012 年
19、7 月、2018 年 7 月和 2021 年 1 月均向上突破 2 倍标准差，电子行业情绪指标在 2013 年 6 月、2017 年 12 月和 2019 年 9 月均向上突破 2 倍标准差，提示了行业情绪过热的信号，起到了不错的风险预警效 果。尽管电子行业在 2019 年底又向上猛冲了一波，但我们认为这种极致的行情很难把 握，有种火中取栗的感觉，风险偏好较低的建议规避！这里，我们结合分析师景气指数 FAPI 和情绪指标，设计了一个行业择时框架，目的是在 行业景气度较高，交易不怎么拥挤的情况下持有，出现景气度收缩或者情过热的时候进 行规避，具体策略细节如下：1） 每个月底，观察行业的分析师景气
20、指数，若为正（原指数减去 50%），代表大多 数分析师看好该行业，标记为 1； 2） 然后观察行业的情绪指数，如果过去 6 个月指标都低于 2 倍标准差，则定义该行 业情绪并没过热或者交易不算拥挤，标记为 1； 3） 当景气度信号和情绪指标信号都为 1 时，满仓该行业，否则空仓。下面展示了食品饮料和电子的择时效果，相比于一直持有，根据景气度-情绪做择时可以 提升超额收益。其中在把握大部分趋势行情的情况下，食品饮料成功规避了 2013-2014 年以及 2021 年的这两波回撤，电子行业成功规避了 2016 年以及 2018 年的两波回撤， 起到了还不错的效果。三、应用效果：行业配置的两个方案及
21、顶端优化下面我们主要介绍现有行业指标的应用：行业配置的两个方案及顶端优化。首先，我们 对行业景气模型进行了顶端优化，主要为了规避高拥挤的行业；其次，我们对趋势-拥挤 度模型也做了顶端优化，主要为了规避低景气的行业；最后，我们对行业配置体系做了 一定的思考：两类模型的收益来源是什么？如何实现 1+12 的融合效果？3.1、行业景气模型的顶端优化：规避高拥挤在第一章有提到，我们目前认为行业景气模型尽可能选取了强趋势高景气的行业，但缺 陷是并没有将情绪过热或者交易拥挤的行业进行剔除，这导致模型在景气度投资的顶部 容易出现较大回撤。而在第二章，我们利用市场交易信息构建了行业的情绪指数，发现 可以规避前
22、期好趋势但是情绪过热的行业。下面我们介绍一下将该交易拥挤信息纳入行 业景气模型的思路。首先，我们对原有行业景气模型所用到的指标进行了一定的扩充。这里我们修正后的模 型所用指标简单介绍如下，主要增加的指标有如下三类：1） 分析师景气度层面：在原有分析师景气指数及其 zscore 的基础上，我们计算了行 业 ROE_FTTM 预测值的机构加权平均，并在过去一年做标准化处理，使得不同行 业之间可比。这样我们的景气度既能反映行业 ROE 方向的预测，也能反映 ROE值上调的幅度； 2） 历史景气度层面：考虑了单季度 ROE（考虑业绩快报与预告），单季度净利润增 速和单季度营收增速层面的信息，具体做法是
23、对行业财务数据做一定平滑后取环 比，然后等权打分； 3） 拥挤度层面：采用第二章的行业情绪预警指数，不做过多赘述。一开始，我们的做法比较传统，将这些指标等权打分来选取景气高、趋势好和拥挤低的 行业，但我们发现这样做三大类指标的融合反而会降低原始景气度趋势指标复合的效果。 其实我们认为市场定价还是比较准确的，想要同时获得景气高、趋势好和拥挤低的行业 比较困难，其实我们想要的可能是景气高、趋势好和交易不那么拥挤的行业。具体而言， 基于“高景气+强趋势”的行业景气模型细节如下：1） 多头筛选：月底根据景气度(历史+分析师)、趋势选前五的行业，作为行业底仓； 2） 拥挤度剔除：行业底仓中剔除拥挤度在前
24、 1/4 的行业，剩下的行业等权配置； 3） 值得注意的是，如果剩下不足3个行业，则说明高景气行业大多数交易比较拥挤。 此时，在我们的框架下行业配置陷入困境（高景气-好趋势-低拥挤的不可能三角）， 采取保守策略：将拥挤度前 1/4 的行业剔除，在剩下的行业（约 20 个）中根据 景气度趋势复合指标选取前 n 个行业（n 根据风险偏好决定，此处 n=7）。这样做的好处在于，既保留了原始景气度趋势能够选取高景气行业的优点，又融入了行 业交易层面的信息。只要该信息能够将前期趋势较好的行业进行顶端优化，就会进一步 提升模型的收益，因此我们将这一修正称为行业景气模型的顶端优化。修正后策略在原有景气度趋势
25、策略的基础上得到进一步的增强，策略多头 年化 26.2%，基准年化 9.4%，策略年化超额 16.1%，信息比率 1.62，超额最大回撤为 -4.0%。原景气度趋势策略年化超额 12.7%，信息比率 1.30，超额最大回撤为-11.9%， 增强效果明显。此外，我们也测试了该策略对 n 的参数敏感性。这里我们对比了 n=3,5,7,9 四种情况下， 策略的年化超额收益，发现对参数敏感度一般，年化超额收益在 15%到 17%之间，超额 最大回撤在-4%到-7%(n=3)之间。综合考虑，剔除 1/4 行业后只剩下 21 个行业左右， 这里我们暂定参数 n=7。也就是说，在行业高景气&低拥挤难以取舍的
26、市场环境下，取前 1/3 不怎么拥挤的行业等权配置，持仓尽可能分散，可以取得比较稳定的超额收益。同样地，考虑到实际投资中比较基准并不是行业等权，并且为了有效控制行业模型的换 手率和持仓集中度，我们也对上述模型做了组合优化。具体而言，我们设定需要优化的 变量为行业配置策略的行业权重 w，目标函数为组合预期收益? ，其中?为前文给出 的景气度和趋势类指标的综合打分信号，该指标越高越好，限制条件包括：1） 跟踪误差：控制年化跟踪误差小于 m； 2） 行业偏离：行业偏离基准小于 n； 3） 权重上下限：控制权重上限为 x，仓位满仓； 4） 拥挤度预警：拥挤度前 1/4 的行业相比于基准的权重低配 50
27、%以上。3.2、行业趋势模型的顶端优化：规避低景气在第二章，我们利用市场交易信息构建了行业的情绪指数，发现可以规避前期趋势好但 是情绪过热的行业，能够有效降低行业动量策略的回撤。早在前期报告行业轮动的三 个标尺中，我们就基于简单的趋势-拥挤度指标在行业轮动上取得还不错的效果，年化 超额 11%，回撤仅-6%。但上述模型的缺陷在于没有充分考虑基本面层面的信息，如果持有的行业仅是短期炒作 形成的好趋势和低拥挤，那么没有基本面的支撑估值终究会向下回撤。为了进一步丰富 我们的行业配置体系，我们也简单讨论一下如何对行业趋势模型做顶端优化，思路也很 简单，就是规避低景气行业。具体而言，我们的思路如下：1）
28、 在每个调仓的时点，根据趋势-拥挤度打分选取前五的行业作为行业底池； 2） 再根据景气度指标（历史、分析师）对行业进行排名，选取后 1/4 的行业作为基 本面较差的行业池子； 3） 在初筛行业池子中剔除基本面较差的行业，对剩下的行业进行等权配置。若行业 不足 3 个则根据趋势-拥挤度的综合信号补齐至 3 个；1） 在每个调仓的时点，根据趋势-拥挤度打分选取前五的行业作为行业底池； 2） 再根据景气度指标（历史、分析师）对行业进行排名，选取后 1/4 的行业作为基 本面较差的行业池子； 3） 在初筛行业池子中剔除基本面较差的行业，对剩下的行业进行等权配置。若行业 不足 3 个则根据趋势-拥挤度的
29、综合信号补齐至 3 个；同样地，我们也对该模型做了组合优化。具体而言，我们设定需要优化的变量为行业配 置策略的行业权重 w，目标函数为组合预期收益? ，其中?为前文给出的景气度和趋 势类指标的综合打分信号，该指标越高越好，限制条件包括：1） 跟踪误差：控制年化跟踪误差小于 m； 2） 行业偏离：行业偏离基准小于 n； 3） 权重上下限：控制权重上限为 x，仓位满仓； 4） 景气度预警：景气度（历史+分析师）后 1/3 的行业模型低配 50%以上。与 3.1 类似，前面行业趋势轮动模型在剔除低景气度后，如果小于 3 个行业则意味着行 业景气打分可能陷入强趋势-低拥挤-高景气的不可能三角。我们这里
30、采取类似的思路：4） 在每个月底，根据趋势拥挤度复合指标选取前五行业作为底仓，定义景气度后 1/4 为低景气，将这些行业剔除； 5） 若行业底池数量=3，则意味着趋势好的行业景气度还可以，尽可能调高风险偏 好：设置年化跟踪误差 m=0.2，行业偏离基准 n=0.25，权重上限 x 为 0.35； 6） 若行业底池数量3，则意味着趋势好的行业景气度比较差，尽可能降低风险偏好： 设置年化跟踪误差 m=0.1，行业偏离基准 n=0.15，权重上限 x 为 0.25；组合优化后策略多头年化 26.1%，超额年化 17.8%，信息比率 1.59，超额 最大回撤-5.3%，换手单边年化 5.2 倍，月度胜率 64%，策略超额表现也还不错。3.4、景气度投资实践：行业配置 Beta+选股 Alpha考虑到部分一级行业暂无可投资 ETF，我们将行业景气模型也落实到选股层面。具体而 言，我们先根据行业配置模型确定行业权重，然后根据 PB-ROE 模型选取行业内估值性 价比高的股票（前 40%），按流通市值和 PB-ROE 打分加权。2013 年至今，行业景气度选股模型多头年化 32.7%，超额年化 24.6%，信息比率 2.20， 月度超额最大回撤-4.1%，月度胜率 78%，表现较为优异。2022 年 6 月策略超额收益率 0.8%，年初至今策略超额 16.7%。