联系人：陈先生
手机：19958086067
qq：1923760836
来源：爱游戏app官网 发布时间：2024-05-20 22:19:48
纯粹的行业因子由于所处的板块的天然特性，在不同的板块上会出明显的飘移，同比的解决方法也不能消除板块上的偏向。
大类板块间的切换，牵涉的资金规模大、影响范围广，这与经济周期的相关性更高；而行业alpha体现在同板块内部受到行业自身中观层面（盈利、估值、资金等）因素影响，从而带来相对板块的超额收益。因此就需要采用不一样的逻辑对板块和行业的轮转进行解释。
板块层面的轮动我们采用《基于现金流与折现率的板块轮动策略》报告中的板块轮动框架，根据各板块的现金流与折现率beta的分析并结合经济周期理论，依据现金流与折现率的上行下行，将市场环境区分为四大状态，并在四大状态下，给出最为适宜配置的板块，构建板块配置轮盘。
板块内行业层面，我们采用多因子的方法，构建行业层面因子库，筛选有效因子，并对因子进行合成，构建选行业能力优秀的复合因子。通过板块内的行业多因子模型，解决了传统行业多因子模型板块飘移的问题，获得了更稳定的选行业效果。行业复合因子表现出色RankIC为0.1027，ICIR为1.5241，IC胜率达到了67.62%。
将板块轮动与板块内行业轮动相结合的行业分层轮动模型历史表现极为出色，年化收益率达到了9.77%，超额Wind全A年化6.87%，相对回撤仅5.04%，超额胜率达到了68.75%，信息比为1.2101，Calmar比率为1.3644。分年来看，仅2011年与2016年小幅跑输指数，其他年份均表现出色。今年以来，截至10月底，超额Wind全A9.71%，胜率为70%。
计算机、电力设备、银行、餐饮旅游、农林牧渔、其他饮料Ⅱ、石油石化、建材、白酒Ⅱ、建筑、基础化工
在上一篇报告《基于现金流与折现率的板块轮动策略》中，我们得知虽然A股行业轮动特点明显，但是板块内部行业的收益相关性非常高，因此，行业的收益来源就可以解释为两部分，一部分来自板块的整体收益，另一部分来自于单一行业超额板块的超额收益。行业的轮动应当区分成两个层面，板块alpha与行业alpha。板块alpha体现在不同的市场环境下，大类板块间的切换，通常要用偏宏观维度的逻辑进行解释；而行业alpha体现在同板块内部受到行业自身中观层面（盈利、估值、资金等）因素影响，从而带来相对板块的超额收益。在上一篇报告《基于现金流与折现率的板块轮动策略》中我们探讨了板块轮动的方法，本篇报告中，我们尝试从行业层面出发，寻找在控制板块风险后的行业alpha，进而将两种alpha结合，构建我们的行业轮动模型。
在上一篇报告《基于现金流与折现率的板块轮动策略》中，我们也对行业进行了聚类分析，将行业分为了四大板块，金融、周期、消费、成长，共计涵盖29个中信一二级行业。我们也构建了板块层面的轮动模型，在本篇报告中，我们尝试在控制板块风险的前提下，构建行业轮动模型。进而将板块轮动模型与行业轮动模型结合，构建行业分层轮动模型。
在本篇中，我们主要从行业中观层面来寻找影响行业收益率的影响因素。我们借鉴多因子选股的体系，尝试在行业层面建立行业多因子模型，我们对行业因子进行了细致的梳理，并从行业因子的统计中，分析控制板块风险的意义。
本文分别从估值、盈利、成长、现金、质量、技术、股息、一致预期多个角度来寻找影响因素，行业因子共计85个因子。因子计算时间从2009年至今，统计行业为上文所述的29个中信一二级行业。
在开篇中，我们提到了行业分层的概念，提出了需要控制板块的风险，因为认为板块层面与行业层面的轮动逻辑是存在一定的差异的，应进行行业分层的轮动。市场上有许多采用多因子的方式来进行行业轮动，往往不进行板块的分层，而直接对所有行业进行打分从中选强势行业，我们从因子的角度来看，这样的方式会导致什么样的板块风险。
简单而言，纯粹的行业因子由于所处的板块的天然特性，在不同的板块上会出明显的飘移。为了解释这一现象，我们举例说明。
首先以ROE-TTM为例，我们统计了周期、消费、金融、成长四大板块，年度的平均ROE-TTM因子，能够正常的看到，单纯的原始因子在板块间的分化极为明显。以ROE-TTM为例，金融板块的ROE-TTM天然高于其他三大板块，如果纯粹采用ROE-TTM选行业，行业会严重偏离到金融板块。
为了消除原始因子的行业偏移，往往采用的方法是计算原始因子的同比或者环比指标，期望通过剔除基数效应来消除这样的行业飘移，我们同样计算了各个板块的ROE-TTM同比的均值。能够正常的看到，虽然板块的ROE-TTM同比没有固定的差异性。但是同一年中，不同板块的ROE-TTM同比均值差异性仍然非常大，因子的这一特性仍然会导致显著的板块飘移。
采用不经过处理的行业因子，往往会使得原本的行业轮动变成了板块间的轮动，而正如我们上一篇报告《基于现金流与折现率的板块轮动策略》中所述，板块的驱动因素应当更加宏观，经济的周期性变化才会对整个板块产生推动作用，行业中观、微观的盈利估值等因素对于个别行业的收益率有推动作用，但是对板块的推动作用较为有限。
以ROE-TTM和ROE-TTM同比为例，我们还计算了因子行业间的相关性，绘制了热力图如下。能够正常的看到ROE-TTM和ROE-TTM同比两个因子均呈现了较为显著的板块内高相关性，ROE-TTM同比集聚性越来越明显，可能的原因主要在于整个板块的景气度呈现一定的同步性，受到经济周期的影响，板块内行业的景气度随之发生同向的变化，导致了因子层面的高相关性。
基于上文的分析，我们将板块风险与板块内行业风险进行了分层，从而构建了两个维度相结合的行业轮动模型。接下来我们详细叙述两个层面怎么样做轮动策略的构建。
板块层面的轮动我们采用《基于现金流与折现率的板块轮动策略》报告中的板块轮动框架，根据各板块的现金流与折现率beta的分析并结合经济周期理论，依据现金流与折现率的上行下行，将市场环境区分为四大状态，并在四大状态下，给出最为适宜配置的板块。
现金流与折现率分别代表着经济景气程度与市场资金成本，因此我们列举了与这两者相关的经济变量，如下表。
首先我们应该对代理变量的上行下行进行区分，指标趋势性的识别最常用的方式即均线法，通过观察指标与过去一段时间均线的关系来判断指标的上行下行趋势。
以PMI为例。当PMI在6个月均线上方时，定义PMI处于上行趋势，而当PMI在6个月均线下方时，定义PMI处于下行趋势。但是我们会发现，通过均线虽然能够对趋势做识别，但是很容易受到指标小幅波动的影响。这也提醒我们，单一的经济变量有几率存在短期的小幅波动，如果仅凭单一变量来识别现金流与折现率的趋势性，容易会产生较多的误判。因此，我们采用多指标共同验证的方式来对现金流与折现率的趋势性进行识别。
依据趋势判断的标准，判断代理变量处于上行还是下行趋势，上行趋势代理变量的趋势值记为1，下行趋势代理变量的趋势值记为-1。
因此，通过上述的代理变量，能确定每个月现金流与折现率的上行下行趋势，根据板块配置轮盘就能确定下期应当配置的板块。具体板块轮动效果参见专题报告《基于现金流与折现率的板块轮动策略》。
在上文中，我们对行业因子进行了板块标准化处理，剔除了板块飘移对我们行业轮动策略的影响。利用标准化后的行业因子，在板块内筛选行业，板块间权重不受因子的影响，行业分层轮动模型保持板块的中性化。具体的行业层面轮动模型将在下文中详细阐述。
通过行业分层轮动，我们将板块轮动与行业轮动进行了分离，采用不一样的逻辑进行轮动，期望提高行业轮动策略的效果。
在下文中，我们第一步对行业层面的轮动因子进行了分析与合成，构建行业层面轮动框架，然后再讲两者进行结合，构建行业分层轮动模型。
上文分别计算了估值、盈利、成长、现金、质量、技术、股息、一致预期多个角度共计85个因子，在此对这些因子的有效性进行检测验证。
通过计算因子的rankIC与ICIR来对因子的有效性进行检验。在此，我们对原始因子以及板块标准化因子的rankIC与ICIR均进行了计算。其中，在对板块标准化因子评估时，由于因子采用的是板块标准化因子，后文中我们追求的也是行业在控制板块风险下的超额收益，因此采用的收益率为行业超额板块的相对收益。
上表中列举了较为有效的因子，但是我们未考虑这些因子间的相关性，因子间较强的相关性会导致同类因子上的重复暴露问题，未解决因子间相关性的问题，我们对因子进行了进一步处理。
我们对上表中的因子间的相关性进行了分析。我们统计了有效因子月均两两相关系数，绘制成如下热力图。能够正常的看到，同类别的因子相关性明显较高，因此，我们对相关性较高的同类型因子进行筛选，选择同类型中ICIR较高的因子，作为该类型中代表性因子。
从下图中能够正常的看到，估值类因子间的相关性均较高，其中PB_LF24月偏离度的ICIR最高，因此选择PB_LF24月偏离度作为估值类中的代表性因子。
成长类因子中，相互间相关性较低，单季度净资产收益率 同比增减与净资产收益率 TTM 环比增减之间相关性较高，但两者分别代表着同比与环比变化，因此保留两个因子，下文中运用正交化剔除两者的相关性。
技术类因子中，20日成交量均值和60日-20日成交量均值两个因子相关性极高，而20日成交量均值与非流动性冲击存在因子构造上的相关性，因此剔除20日成交量均值因子，保留60日-20日成交量均值、250日-60日涨跌幅、非流动性冲击三个因子。
一致预期类因子中，四个因子的相关性极高，因此选择ICIR最高的滚动一致预期市净率24月偏离度作为代表性因子。
我们对筛选后的因子列表再次计算两两之间相关系数的均值，绘制成如下的热力图。从下图中也能够正常的看到，部分因子间任旧存在着相关性，直接采用原始因子选行业会导致某些因子上风险的不可控，因此就需要对这些因子的相关性进行进一步的处理。
下图中，我们统计了同一个因子的原始值与该因子正交后的取值的相关系数月度平均值。能够正常的看到正交后与原因子的相关性均有不同程度的降低，但都维持在70%以上的相关性。通过正交化，我们剔除了因子间的相关性，同时也保留了原始因子各自方向上的绝大部分信息。
至此，我们完成了因子的预处理过程，接下来我们对因子的复合与选行业效果做多元化的分析，进而构建行业轮动模型。
在上文中，我们筛选得到了有效的选行业因子，并对其进行了正交化的处理。在本部分中，我们将这些因子应用于选行业，观察因子选行业的效果，并对因子进行复合，合成复合因子构建选行业策略。
3、板块内所选行业以流通市值加权，板块间以板块总流通市值加权，板块保持中性化；
通过单因子回测结果能看到，所有的因子都能够获得正向的年化多空收益，销售净利率 TTM 环比增减、净资产收益率 TTM 环比增减、流动比率 同比增减三个因子超额基准表现不佳。表现最好的因子是净利润TTM 同比 环比、销售毛利率 累计值 同比增减和滚动一致预期市净率24月偏离度。
但是从单因子的结果我们也能够正常的看到，超额基准的超额收益、胜率、信息比均较低，采用单独因子筛选行业的效果不足以满足我们构建行业轮动策略的要求。因此我们需要通过多个因子的复合来满足我们的需求。
在上部分中，我们回测了单因子构建行业轮动策略，本部分中，我们尝试将上述因子结合，构建复合因子。在本报告中，我们测试了两种加权的方法，排序相加法和ICIR加权法，并通过复合因子的RankIC、ICIR以及IC胜率来对比加权方法的优劣。
排序相加法，顾名思义，在时间截面上（月度）将行业以各个因子进行排序，将同一个时间截面上不同因子计算的行业排序相加得到最终排序，排序作为最终因子。
ICIR加权，与多因子选股中的方式相同，计算每个因子过去N期的ICIR，在每个截面上以因子的ICIR对因子值进行加权，得到复合因子。
从下表中复合因子表现来看，排序相加法的IC均值、ICIR、IC胜率均明显高于12期与24期ICIR加权法，因此本文采用排序相加法来构建复合因子。
上文中，我们采用排序相加法对行业因子进行合成，构建了行业复合因子，复合因子的IC、ICIR均较高，表现出较强的选行业能力。在本部分中，我们利用复合因子构建行业轮动模型，并叠加板块轮动模型，构建行业分层的轮动策略。
能够正常的看到，复合因子的表现极为出色，年化多空收益达到了9.58%，超额胜率达到了62.50%，信息比1.0663，相比与单因子的表现无论在收益与稳定性维度都有着显著的提升。分组的单调性不明显，第二组与第三组的表现较为接近，这与分组数量较少也有一定关系。
结合上一部分中复合因子的表现，我们叠加板块轮动策略，构建天风金工行业分层轮动模型。
1、板块层面，采用板块轮动模型进行板块权重调整，当期建议板块超配5%（原始板块权重为流通市值加权）；
从回测的结果能看到，行业分层轮动模型表现极为出色，年化收益率达到了9.77%，超额Wind全A年化6.87%，相对回撤仅5.04%，超额胜率达到了68.75%，信息比为1.2101，Calmar比率为1.3644。分年来看，仅2011年与2016年小幅跑输指数，其他年份均表现出色。今年以来，截至10月底，超额Wind全A9.71%，胜率为70%。
为了证明分层行业轮动的意义，我们构建了传统的行业多因子模型，来对比分层行业轮动策略的效果。我们采用了两种方式进行对比
2、同样依据ICIR与因子间相关性，重新筛选了14个未经过板块标准化的因子，进行非分层行业轮动B。
能够正常的看到，非分层行业轮动策略相对表现弱于行业分层轮动策略。非分层行业轮动B表现极差，2011、2014、2015均出现了极大的回撤，年化超额收益仅3.27%。而非分层行业轮动A相对表现好一些，但是能明显看到非分层行业轮动A的收益的分布极不均匀，主要的收益来自2010、2013、2017年，而其他年份的表现均不佳。这也是本报告开篇所提及的，单纯采用行业因子来对行业进行择时，容易在板块层面出现较大的偏移，例如非分层行业轮动A在2018年1月未配置大金融板块，当月大金融板块上涨10.70%，2014年12月非分层行业轮动B未配置大金融板块，当月大金融板块上涨35.50%。板块上的飘移引入极大的风险性，使得行业轮动策略表现不佳。
本篇报告中，我们对行业轮动进行了分层，将行业轮动区分为板块轮动与板块内行业轮动。运用不同的逻辑与方法分别对两者构建轮动策略，进而将两个模型相结合，构建行业分层轮动模型。
板块层面的轮动我们采用《基于现金流与折现率的板块轮动策略》报告中的板块轮动框架，根据各板块的现金流与折现率beta的分析并结合经济周期理论，依据现金流与折现率的上行下行，将市场环境区分为四大状态，并在四大状态下，给出最为适宜配置的板块，构建板块配置轮盘。
板块内行业层面，我们采用多因子的方法，构建行业层面因子库，筛选有效因子，并对因子进行合成，构建选行业能力优秀的复合因子。通过板块内的行业多因子模型，解决了传统行业多因子模型板块飘移的问题，获得了更稳定的选行业效果。
将板块轮动与板块内行业轮动相结合的行业分层轮动模型历史表现极为出色，年化收益率达到了9.77%，超额Wind全A年化6.87%，相对回撤仅5.04%，超额胜率达到了68.75%，信息比为1.2101，Calmar比率为1.3644。分年来看，仅2011年与2016年小幅跑输指数，其他年份均表现出色。今年以来，截至10月底，超额Wind全A9.71%，胜率为70%。
对比传统的行业多因子方法的效果可以也看到，行业分层轮动模型在收益、稳定性上均更有优势。
《金融工程：专题报告二十三-自适应收益预测模型下的组合优化策略》 2017-08-
《金融工程：FOF专题研究（四）：景顺长城沪深300增强指数型基金》 2017-08-
《金融工程：专题报告二十一-买卖压力失衡——利用高频数据拓展盘口数据》 2017-08-01
《金融工程：FOF 专题研究（三）：华泰柏瑞量化A偏股混合型基金》 2017-07-24
《金融工程：专题报告十九-半衰IC加权在多因子选股中的应用》 2017-07-22
《金融工程：FOF专题研究（二）：国泰估值优势偏股混合型基金》 2017-07-17
《金融工程：FOF专题研究（一）：银华中小盘精选偏股混合型基金》 2017-07-06
《金融工程：中期策略会纪要1：天风金工“四位一体”仓位管理体系》 2017-06-27
《金融工程：专题报告-国债期货组合趋势策略：以损定量,顺势加仓》 2017-06-19
《金融工程：专题报告-反转现象的选择易策略》 2017-06-01
《金融工程：专题报告-基于高管增持事件的投资策略》 2017-05-14
《金融工程：专题报告-2017年6月沪深重点指数样本股调整预测》 2017-05-06
《金融工程：专题报告-预知业绩能有多少超额收益？》 2017-04-16
《金融工程：专题报告-基于自适应破发回复的定增选股策略》 2017-03-09
风险提示：1行业因子有效性的线政策冲击对模型的影响不可控。注：文中报告节选自天风证券研究所已公开发布研究报告，具体报告内容及相关风险提示等详见完整版报告。
扫一扫，咨询报价
扫一扫下单购买