2022年行業(yè)景氣模型專題報(bào)告

1、2022年行業(yè)景氣模型專題報(bào)告一、模型回顧：行業(yè)景氣模型的跟蹤與思考在本章節(jié)，我們簡(jiǎn)要回顧了中觀行業(yè)配置系列一：分析師行業(yè)景氣指數(shù)構(gòu)建與應(yīng)用 中提出的行業(yè)景氣模型的樣本外效果，并對(duì)行業(yè)配置體系做了一定的完善與思考。1.1、行業(yè)景氣模型的樣本外跟蹤：喜優(yōu)參半在中觀行業(yè)配置系列的第一篇報(bào)告中，我們參考 PMI 指數(shù)的編制思路提出了一種衡量行 業(yè)景氣度的新方法 ：利用分析師預(yù)期數(shù)據(jù)，定期統(tǒng)計(jì)上調(diào)盈利預(yù)測(cè)的機(jī)構(gòu)占比，根據(jù)擴(kuò) 散指數(shù)方法編制分析師景氣指數(shù) FAPI（Financial Analyst Pros Index），用于及時(shí)跟 蹤寬基指數(shù)、風(fēng)格和行業(yè)的景氣度。然后我們將景氣度和趨勢(shì)指標(biāo)進(jìn)行復(fù)合打

2、分，希望 找到基本面改善，趨勢(shì)共振的行業(yè)，計(jì)算公式如下：景氣復(fù)合指標(biāo) = ?(分析師 ROE 景氣指數(shù)) + ?(分析師 ROE 景氣指數(shù)的 zscore) + ?(ROE_TTM 的 z_score) + ?(動(dòng)量指標(biāo))模型年化超額 12.7%，信息比率 1.30。自樣本外跟蹤以來，模型絕對(duì)收益率 13.8%，超 額收益率 18.4%，表現(xiàn)較為優(yōu)異。復(fù)盤下來，主要原因是捕捉到了去年 7-8 月的周期板 塊的配置機(jī)會(huì)。但我們也注意到，模型自去年 9 月至今年 1 月，超額回撤達(dá)到-11.9%， 創(chuàng)造了歷史最大回撤幅度。所謂漲跌同源，上漲和下跌往往背后的邏輯往往是一致的， 我們?cè)谧分鸶呔皻庑袠I(yè)的

3、同時(shí)，也可能會(huì)遭受行業(yè)景氣不及預(yù)期或者行業(yè)景氣反應(yīng)過度 等原因造成的虧損。2021 年 9 月-11 月的虧損主要源于超配了周期板塊，而此后則是因 為配置了電新和軍工這兩個(gè)成長(zhǎng)板塊。此外，考慮到傳統(tǒng)行業(yè)輪動(dòng)偏離基準(zhǔn)較大的問題，我們使用組合優(yōu)化方法構(gòu)建了更為穩(wěn) 健的行業(yè)景氣模型，取得了還不錯(cuò)的效果。參數(shù)設(shè)置為行業(yè)偏離上限為 0.25，跟蹤誤差 控制在 0.08 以內(nèi)，基準(zhǔn)是 winda 指數(shù)，采用個(gè)股流通市值加權(quán)。自樣本外跟蹤以來，配 置模型絕對(duì)收益率 5.6%，超額收益率 8.8%，最大回撤-5.7%。盡管使用組合優(yōu)化的方 法讓我們控制了相對(duì)回撤，但是模型的超額也變得略顯平庸，正所謂有得必有失

4、。1.2、行業(yè)配置框架的系統(tǒng)化思考自報(bào)告外發(fā)和模型樣本外跟蹤以來，我們與客戶路演交流和復(fù)盤的過程中，深深體會(huì)到 了研究與投資之間的距離，眾多的投資管理人也為我們提供了有價(jià)值的想法和建議。借 此機(jī)會(huì)，我們整理了目前模型遇到了一些問題以及我們的思考：1） 模型沒有風(fēng)險(xiǎn)預(yù)警模塊：沒有將擁擠度相關(guān)指標(biāo)納入行業(yè)配置模型，造成的結(jié)果 是我們團(tuán)隊(duì)現(xiàn)有的擁擠度指標(biāo)判斷新能源處于高擁擠狀態(tài)，模型卻依然配置， 2021 年底至今在新能源板塊回撤較大；2） 模型沒有估值指標(biāo)：沒有將估值指標(biāo)納入行業(yè)配置模型，導(dǎo)致市場(chǎng)在出現(xiàn)風(fēng)格切 換，比如不追逐高景氣，反過來追逐低估值時(shí)候容易表現(xiàn)不佳；3） 如何與現(xiàn)有的模型進(jìn)行融合？

5、我們之前有趨勢(shì)-擁擠度的行業(yè)輪動(dòng)模型，更有很 多行業(yè)專門的基本面量化報(bào)告，如何有效地將多模型進(jìn)行結(jié)合，或者說將行業(yè)基 本面信號(hào)嵌入行業(yè)景氣模型中？比如去年 8 月以來我們一直看好銀行板塊的配 置機(jī)會(huì)，但是行業(yè)配置模型一直沒有持倉(cāng)；4） 行業(yè)分類有優(yōu)化空間：模型今年看對(duì)通信和計(jì)算機(jī)行業(yè)的配置方向，但是一級(jí)行 業(yè)指數(shù)表現(xiàn)一般，細(xì)分行業(yè)表現(xiàn)出色，僅以一級(jí)行業(yè)做配置模型難做出較高超額， 需要深入優(yōu)化行業(yè)分類！5） 正如我們前期報(bào)告資產(chǎn)配置的研究路線思考：從量化走向系統(tǒng)化所述，現(xiàn)在的量化 研究不再是傳統(tǒng)的簡(jiǎn)單指標(biāo)回測(cè)，而是一個(gè)搭建系統(tǒng)化投研體系的過程。這可能就是一 個(gè)不斷挖坑然后填坑的過程，我們唯一能做

6、的就是日拱一卒努力把系統(tǒng)搭建好！這里我 們整合了一下現(xiàn)有的研究框架與成果，構(gòu)建了國(guó)盛金工的行業(yè)配置體系圖譜，希望能夠 在中觀行業(yè)配置系列報(bào)告中，將框架空缺部分一一完善，以饗讀者。根據(jù)上述復(fù)盤，如果我們能夠在四季度提前對(duì)周期、新能源和軍工等板塊提出風(fēng)險(xiǎn)預(yù)警， 或許能夠規(guī)避一些損失。事實(shí)上我們根據(jù)最常見的換手率指標(biāo)，就可以大概感知到這些 熱門行業(yè)在四季度存在交易過熱的情況。如下圖所示，電新行業(yè)的日度換手率在 2010 年 初，2015 年 6 月和 2021 年 12 月都曾出現(xiàn)換手率過高的情況。因此，本篇報(bào)告主要解決兩個(gè)問題： 1） 在現(xiàn)有擁擠度指標(biāo)的基礎(chǔ)上，探討一下行業(yè)風(fēng)險(xiǎn)預(yù)警模塊的研究，希望

7、盡可能規(guī) 避一些多頭組合中較大概率會(huì)下跌的行業(yè)，做一下行業(yè)配置模型的頂端優(yōu)化； 2） 對(duì)現(xiàn)有的兩個(gè)行業(yè)輪動(dòng)模型的優(yōu)缺點(diǎn)進(jìn)行分析和討論，盡可能最大化使用好兩套 方案，并最終結(jié)合兩個(gè)方案綜合性給出行業(yè)配置建議。二、指標(biāo)構(gòu)建：行業(yè)風(fēng)險(xiǎn)預(yù)警模塊初探本章節(jié)我們主要介紹了行業(yè)風(fēng)險(xiǎn)預(yù)警模塊的搭建與效果，主要包括行業(yè)情緒預(yù)警指數(shù)的 構(gòu)建方法、有效性檢驗(yàn)以及基于情緒指數(shù)的風(fēng)格/行業(yè)擇時(shí)案例。2.1、行業(yè)情緒預(yù)警指數(shù)：市場(chǎng)溫度計(jì)市場(chǎng)情緒指標(biāo)，主要是用來感知市場(chǎng)的交易情緒是否過熱，是股票市場(chǎng)的溫度計(jì)，與擁 擠度屬于同一個(gè)范疇。一般而言，資產(chǎn)價(jià)格在基本面改善預(yù)期下，形成上漲的趨勢(shì)后， 會(huì)加快資金的涌入，這時(shí)候容易發(fā)生

8、交易過于擁擠的情況。而市場(chǎng)過度擁擠的時(shí)候，往 往是資產(chǎn)價(jià)格上漲的尾聲，正所謂水能載舟亦能覆舟。因此，我們更傾向于不參與擁擠 交易，人多的地方不要去，把市場(chǎng)情緒指標(biāo)作為一個(gè)左側(cè)的退場(chǎng)信號(hào)。 其實(shí)無(wú)論是學(xué)術(shù)界還是業(yè)界，投資者情緒的研究在海內(nèi)外都已經(jīng)非常熱門，我們這里整 理了部分海內(nèi)外學(xué)者們對(duì)投資者情緒的研究成果。直接情緒指數(shù)主要是根據(jù)投資者的問卷調(diào)查，通過擴(kuò)散指數(shù)編制 得到，目前在國(guó)內(nèi)較難實(shí)現(xiàn)，數(shù)據(jù)獲取難度也較大；間接情緒指數(shù)主要通過市場(chǎng)交易數(shù) 據(jù)和公司行為數(shù)據(jù)，通過 PCA 或者合成指數(shù)的方法構(gòu)建，這個(gè)數(shù)據(jù)獲取難度較低，具備 較高的可行性。此外，上述的研究主要針對(duì)的是股票市場(chǎng)整體的情緒，而我們這

9、里更加 關(guān)心的是細(xì)分行業(yè)的市場(chǎng)情緒。然后，我們參考我們之前報(bào)告行業(yè)輪動(dòng)的三個(gè)標(biāo)尺中擁擠度指標(biāo)的構(gòu)建方法，根據(jù) 細(xì)分行業(yè)個(gè)股的市場(chǎng)交易行為，自下而上的構(gòu)建情緒指標(biāo)。一般而言，指數(shù)的編制思路 無(wú)非三種：擴(kuò)散指數(shù)、合成指數(shù)和主成分分析法。因?yàn)樾袠I(yè)情緒觸發(fā)到極端位置才有參 考價(jià)值，所以不適宜采用擴(kuò)散指數(shù)，主成分分析法存在參數(shù)不穩(wěn)定的情況，因此我們這 里采用合成指數(shù)。整個(gè)指標(biāo)構(gòu)建流程化如下： 1） 個(gè)股映射到行業(yè)：提取行業(yè)的所有成分股，剔除上市不滿一年、ST、漲跌停等不 滿足交易條件的股票，等權(quán)平均剩下成分股過去 3 個(gè)月的情緒指標(biāo)（換手率、波 動(dòng)率、beta 等），作為行業(yè)整體的情緒指標(biāo)； 2） 行業(yè)

10、相對(duì)值計(jì)算：對(duì)行業(yè)情緒指標(biāo)進(jìn)行時(shí)序上的平滑處理，然后計(jì)算其與全部行 業(yè)平均值的比例； 3） 時(shí)序標(biāo)準(zhǔn)化處理：根據(jù)過去 6 年的滾動(dòng)窗口，將行業(yè)情緒指標(biāo)進(jìn)行 zscore 處理， 這一步的目的是為了不同行業(yè)之間的情緒指標(biāo)具有可比性； 4） 截面等權(quán)合成：采用合成指數(shù)的思路，對(duì)選取的行業(yè)情緒指標(biāo)的 zscore 進(jìn)行算數(shù) 平均處理，作為該行業(yè)最終的情緒指標(biāo)；經(jīng)過大量的測(cè)試，我們對(duì)原有指標(biāo)進(jìn)行了一定的擴(kuò)展，提升了預(yù)警效果的穩(wěn)定性，選取 的指標(biāo)包括：過去三個(gè)月?lián)Q手率、（時(shí)序/Barra）波動(dòng)率、beta 值，指標(biāo)具體的計(jì)算方法 。考慮到 Barra 波動(dòng)率使用過去 1 年窗口計(jì)算，這里在波動(dòng)率內(nèi)部采取

11、的權(quán)重為 時(shí)間倒序加權(quán)，時(shí)序?yàn)?0.8，Barra 為 0.2。2.2、行業(yè)情緒預(yù)警指數(shù)的有效性檢驗(yàn)本小節(jié)我們對(duì)行業(yè)情緒預(yù)警指數(shù)進(jìn)行有效性檢驗(yàn)。我們?cè)O(shè)計(jì)行業(yè)情緒預(yù)警指數(shù)的初衷是 盡可能地規(guī)避未來可能會(huì)下跌的行業(yè)，因此我們的檢驗(yàn)方法包括：橫截面 IC 值檢驗(yàn)，時(shí) 間序列信號(hào)超額收益和最大回撤統(tǒng)計(jì)。橫截面上，我們測(cè)試了指標(biāo)的 IC 值，即截面上情 緒指標(biāo)與行業(yè)下個(gè)月收益率的相關(guān)性；時(shí)間序列層面，我們計(jì)算了上出現(xiàn)情緒過熱信號(hào) 后，行業(yè)的平均超額收益和最大回撤的幅度。2.2.1、橫截面：IC 值檢驗(yàn)這里我們分別統(tǒng)計(jì)了三大類指標(biāo)及合成指標(biāo)的IC值、中位數(shù)及勝率等，發(fā)現(xiàn)在全樣本下， IC 均值并無(wú)明顯規(guī)律

12、，IC 中位數(shù)為-0.014，意味著大部分情況下行業(yè)情緒指標(biāo)和未來收 益負(fù)相關(guān)，不過不夠明顯，且勝率不高。那是不是意味著行業(yè)情緒指標(biāo)失效了呢？其實(shí) 不然，我們?cè)O(shè)計(jì)情緒指標(biāo)的初衷是盡可能規(guī)避掉前期上漲導(dǎo)致市場(chǎng)情緒過熱的行業(yè)。值得注意的是，這里面有個(gè)先決條件是前期上漲較多的行業(yè)。眾所周知，在行業(yè)基本面改 善趨勢(shì)形成的時(shí)候，往往市場(chǎng)情緒也會(huì)高漲，這時(shí)候市場(chǎng)情緒對(duì)資產(chǎn)價(jià)格起到了正向的 推動(dòng)作用。因此，直接觀察情緒指標(biāo)與下一期行業(yè)收益的相關(guān)性不是很科學(xué)。這里我們?cè)O(shè)計(jì)了一個(gè)指標(biāo)：行業(yè)趨勢(shì)與行業(yè)情緒的相關(guān)性（Corr_Trend_Crowd）。理 論上，當(dāng)兩者相關(guān)性高的時(shí)候，代表當(dāng)前趨勢(shì)較好的行業(yè)可能存在情

13、緒過熱的情況，行 業(yè)后續(xù)可能上漲動(dòng)能不足。我們對(duì)這個(gè)指標(biāo)做了擴(kuò)展窗口的分位數(shù)處理，發(fā)現(xiàn)當(dāng)相關(guān)性 較高（大于 80/90%）的時(shí)候，IC 值明顯為負(fù)，并且勝率較高。這意味著當(dāng)前期熱門行 業(yè)存在情緒過熱的時(shí)候，這些行業(yè)需要規(guī)避，情緒指標(biāo)的有效性得到了較大的提升！這讓我們更深刻地理解了行業(yè)情緒指標(biāo)存在的價(jià)值。它可能無(wú)法直接給出不看好的行業(yè)， 它能夠幫我們規(guī)避掉前期表現(xiàn)較好、后續(xù)可能大幅回撤的行業(yè)。這也就解釋了為什么趨 勢(shì)擁擠度策略能夠跑贏簡(jiǎn)單趨勢(shì)策略。如下圖，簡(jiǎn)單的行業(yè)趨勢(shì)策略年化 6.5%，但最大 回撤達(dá)到-17.4%，但是趨勢(shì)+擁擠度策略的年化超額達(dá)到 11.6%，最大回撤僅-6.2%。2.2.

14、2、時(shí)間序列：信號(hào)出現(xiàn)后的超額收益和最大回撤統(tǒng)計(jì)這里，我們也從時(shí)間序列上探討了行業(yè)情緒指標(biāo)的有效性，主要觀察其信號(hào)出現(xiàn)后行業(yè) 的超額收益和最大回撤的幅度。這里我們定義情緒指標(biāo)大于 1/2 倍標(biāo)準(zhǔn)差為該行業(yè)情緒 過熱，其中 return_m_stdn 代表情緒指標(biāo)大于 n 倍標(biāo)準(zhǔn)差后 m 個(gè)月該行業(yè)的超額收益， drawdown_m_stdn 代表緒指標(biāo)大于 n 倍標(biāo)準(zhǔn)差后 m 個(gè)月該行業(yè)的超額最大回撤，空值 代表該行業(yè)在歷史上未出現(xiàn)大于 2 倍標(biāo)準(zhǔn)差的情況。首先，超額收益的統(tǒng)計(jì)結(jié)果如下圖所示。平均來看，行業(yè)情緒過熱信號(hào)出現(xiàn)后平均超額 收益為負(fù)，情緒指標(biāo)超過 2 倍標(biāo)準(zhǔn)差后的三個(gè)月的平均超額收益

15、為-4%。行業(yè)層面，情 緒指標(biāo)在消費(fèi)、金融和穩(wěn)定板塊效果較好，成長(zhǎng)和周期板塊提示效果一般。其次，最大回撤的統(tǒng)計(jì)結(jié)果如下圖所示。平均來看，行業(yè)情緒過熱信號(hào)出現(xiàn)后的超額收 益最大回撤基本超過歷史平均，情緒指標(biāo)超過 2 倍標(biāo)準(zhǔn)差后的三個(gè)月的平均最大回撤為11%，全樣本平均為-8%。行業(yè)層面，情緒指標(biāo)在大部分行業(yè)回撤的提示效果都還不錯(cuò)。我們也展示了全部行業(yè)情緒指標(biāo)和后 3 個(gè)月超額收益最大回撤的散點(diǎn)圖，如果用情緒指 標(biāo)超過 1 倍標(biāo)準(zhǔn)差定義為情緒過熱，可以看到歷史上行業(yè)未來三個(gè)月最大回撤超過-25% 的樣本里，有 71%出現(xiàn)在該行業(yè)情緒過熱后；而未來一個(gè)月最大回撤超過-15%的樣本 里，有 69%出現(xiàn)

16、在該行業(yè)情緒過熱后。也就是說，行業(yè)情緒指標(biāo)可以幫我們盡可能規(guī)避 一些行業(yè)的大幅回撤，風(fēng)險(xiǎn)提示效果還不錯(cuò)。2.3、情緒指數(shù)在風(fēng)格/行業(yè)上的擇時(shí)應(yīng)用 2.3.1、風(fēng)格擇時(shí)案例：動(dòng)量類策略的市場(chǎng)情緒觀測(cè)如 2.2.1 節(jié)所述，行業(yè)情緒預(yù)警指數(shù)本身并不能直接幫我們找到未來表現(xiàn)最差的行業(yè)，但 是在行業(yè)趨勢(shì)和情緒的相關(guān)性指標(biāo)（Corr_Trend_Crowd）較高的時(shí)候，可以幫我們有效 規(guī)避掉可能情緒過熱的前期熱門行業(yè)。因此我們認(rèn)為該指標(biāo)可以觀測(cè)動(dòng)量風(fēng)格的市場(chǎng)情 緒。這里我們對(duì)比了行業(yè)趨勢(shì)和情緒的相關(guān)性指標(biāo)的歷史分位數(shù)和 300 動(dòng)量/滬深 300 的 走勢(shì)。其中，為了保證不用到未來數(shù)據(jù)，我們對(duì) Corr

17、_Trend_Crowd 指標(biāo)做了擴(kuò)展窗口處 理，減去 50%是為了更方便畫圖做對(duì)比。當(dāng)該指標(biāo)處于較高位置（90%分位數(shù)）時(shí)，往往意味著動(dòng)量風(fēng)格可能即將迎來 休整，300 動(dòng)量（H30260.CSI）/滬深 300（000300.SH）后續(xù)將會(huì)迎來一段不小的回撤。 2013 年以來，該指標(biāo)曾 4 次提示過預(yù)警信號(hào)。我們統(tǒng)計(jì)了該指標(biāo)發(fā)出信號(hào)后 24 周 300 動(dòng)量/滬深 300 的最大回撤，發(fā)現(xiàn)信號(hào)出現(xiàn)后平均最大回撤為-11.4%，風(fēng)險(xiǎn)提示效果比較 明顯。2.3.2、行業(yè)擇時(shí)案例：基于情緒預(yù)警的景氣度擇時(shí)策略一般來講，行業(yè)一波行情的起點(diǎn)往往是由于行業(yè)基本面出現(xiàn)改善的跡象，然后投資者基 于基本面

18、改善預(yù)期提前進(jìn)場(chǎng)。因此股價(jià)往往領(lǐng)先于基本面，我們需要對(duì)基本面有著前瞻 的研判，我們之前報(bào)告構(gòu)建的分析師景氣指數(shù)是一個(gè)不錯(cuò)的基本面預(yù)期信號(hào)。這里以食 品飲料和電子為例，我們觀測(cè)了行業(yè)景氣指數(shù)和行業(yè)超額收益之間的關(guān)系。如下圖所示， 食品飲料行業(yè)除了 2020 年上半年那波行業(yè)沒有捕捉到，其他的大行情基本都能把握??； 電子行業(yè)除了 2010 年那波判斷失誤以外，其他的大行情也基本把握住了。而行業(yè)情緒預(yù)警指數(shù)可以觀測(cè)行業(yè)的情緒過熱情況，根據(jù)上述有效性分析可以作為行業(yè) 的風(fēng)險(xiǎn)預(yù)警信號(hào)。我們可以看到，情緒指標(biāo)在部分強(qiáng)勢(shì)行業(yè)上起到了還不錯(cuò)的風(fēng)險(xiǎn)預(yù)警 效果。比如下圖顯示，食品飲料行業(yè)情緒指標(biāo)在 2012 年

19、7 月、2018 年 7 月和 2021 年 1 月均向上突破 2 倍標(biāo)準(zhǔn)差，電子行業(yè)情緒指標(biāo)在 2013 年 6 月、2017 年 12 月和 2019 年 9 月均向上突破 2 倍標(biāo)準(zhǔn)差，提示了行業(yè)情緒過熱的信號(hào)，起到了不錯(cuò)的風(fēng)險(xiǎn)預(yù)警效 果。盡管電子行業(yè)在 2019 年底又向上猛沖了一波，但我們認(rèn)為這種極致的行情很難把 握，有種火中取栗的感覺，風(fēng)險(xiǎn)偏好較低的建議規(guī)避！這里，我們結(jié)合分析師景氣指數(shù) FAPI 和情緒指標(biāo)，設(shè)計(jì)了一個(gè)行業(yè)擇時(shí)框架，目的是在 行業(yè)景氣度較高，交易不怎么擁擠的情況下持有，出現(xiàn)景氣度收縮或者情過熱的時(shí)候進(jìn) 行規(guī)避，具體策略細(xì)節(jié)如下：1） 每個(gè)月底，觀察行業(yè)的分析師景氣

20、指數(shù)，若為正（原指數(shù)減去 50%），代表大多 數(shù)分析師看好該行業(yè)，標(biāo)記為 1； 2） 然后觀察行業(yè)的情緒指數(shù)，如果過去 6 個(gè)月指標(biāo)都低于 2 倍標(biāo)準(zhǔn)差，則定義該行 業(yè)情緒并沒過熱或者交易不算擁擠，標(biāo)記為 1； 3） 當(dāng)景氣度信號(hào)和情緒指標(biāo)信號(hào)都為 1 時(shí)，滿倉(cāng)該行業(yè)，否則空倉(cāng)。下面展示了食品飲料和電子的擇時(shí)效果，相比于一直持有，根據(jù)景氣度-情緒做擇時(shí)可以 提升超額收益。其中在把握大部分趨勢(shì)行情的情況下，食品飲料成功規(guī)避了 2013-2014 年以及 2021 年的這兩波回撤，電子行業(yè)成功規(guī)避了 2016 年以及 2018 年的兩波回撤， 起到了還不錯(cuò)的效果。三、應(yīng)用效果：行業(yè)配置的兩個(gè)方案及

21、頂端優(yōu)化下面我們主要介紹現(xiàn)有行業(yè)指標(biāo)的應(yīng)用：行業(yè)配置的兩個(gè)方案及頂端優(yōu)化。首先，我們 對(duì)行業(yè)景氣模型進(jìn)行了頂端優(yōu)化，主要為了規(guī)避高擁擠的行業(yè)；其次，我們對(duì)趨勢(shì)-擁擠 度模型也做了頂端優(yōu)化，主要為了規(guī)避低景氣的行業(yè)；最后，我們對(duì)行業(yè)配置體系做了 一定的思考：兩類模型的收益來源是什么？如何實(shí)現(xiàn) 1+12 的融合效果？3.1、行業(yè)景氣模型的頂端優(yōu)化：規(guī)避高擁擠在第一章有提到，我們目前認(rèn)為行業(yè)景氣模型盡可能選取了強(qiáng)趨勢(shì)高景氣的行業(yè)，但缺 陷是并沒有將情緒過熱或者交易擁擠的行業(yè)進(jìn)行剔除，這導(dǎo)致模型在景氣度投資的頂部 容易出現(xiàn)較大回撤。而在第二章，我們利用市場(chǎng)交易信息構(gòu)建了行業(yè)的情緒指數(shù)，發(fā)現(xiàn) 可以規(guī)避前

22、期好趨勢(shì)但是情緒過熱的行業(yè)。下面我們介紹一下將該交易擁擠信息納入行 業(yè)景氣模型的思路。首先，我們對(duì)原有行業(yè)景氣模型所用到的指標(biāo)進(jìn)行了一定的擴(kuò)充。這里我們修正后的模 型所用指標(biāo)簡(jiǎn)單介紹如下，主要增加的指標(biāo)有如下三類：1） 分析師景氣度層面：在原有分析師景氣指數(shù)及其 zscore 的基礎(chǔ)上，我們計(jì)算了行 業(yè) ROE_FTTM 預(yù)測(cè)值的機(jī)構(gòu)加權(quán)平均，并在過去一年做標(biāo)準(zhǔn)化處理，使得不同行 業(yè)之間可比。這樣我們的景氣度既能反映行業(yè) ROE 方向的預(yù)測(cè)，也能反映 ROE值上調(diào)的幅度； 2） 歷史景氣度層面：考慮了單季度 ROE（考慮業(yè)績(jī)快報(bào)與預(yù)告），單季度凈利潤(rùn)增 速和單季度營(yíng)收增速層面的信息，具體做法是

23、對(duì)行業(yè)財(cái)務(wù)數(shù)據(jù)做一定平滑后取環(huán) 比，然后等權(quán)打分； 3） 擁擠度層面：采用第二章的行業(yè)情緒預(yù)警指數(shù)，不做過多贅述。一開始，我們的做法比較傳統(tǒng)，將這些指標(biāo)等權(quán)打分來選取景氣高、趨勢(shì)好和擁擠低的 行業(yè)，但我們發(fā)現(xiàn)這樣做三大類指標(biāo)的融合反而會(huì)降低原始景氣度趨勢(shì)指標(biāo)復(fù)合的效果。 其實(shí)我們認(rèn)為市場(chǎng)定價(jià)還是比較準(zhǔn)確的，想要同時(shí)獲得景氣高、趨勢(shì)好和擁擠低的行業(yè) 比較困難，其實(shí)我們想要的可能是景氣高、趨勢(shì)好和交易不那么擁擠的行業(yè)。具體而言， 基于“高景氣+強(qiáng)趨勢(shì)”的行業(yè)景氣模型細(xì)節(jié)如下：1） 多頭篩選：月底根據(jù)景氣度(歷史+分析師)、趨勢(shì)選前五的行業(yè)，作為行業(yè)底倉(cāng)； 2） 擁擠度剔除：行業(yè)底倉(cāng)中剔除擁擠度在前

24、 1/4 的行業(yè)，剩下的行業(yè)等權(quán)配置； 3） 值得注意的是，如果剩下不足3個(gè)行業(yè)，則說明高景氣行業(yè)大多數(shù)交易比較擁擠。 此時(shí)，在我們的框架下行業(yè)配置陷入困境（高景氣-好趨勢(shì)-低擁擠的不可能三角）， 采取保守策略：將擁擠度前 1/4 的行業(yè)剔除，在剩下的行業(yè)（約 20 個(gè)）中根據(jù) 景氣度趨勢(shì)復(fù)合指標(biāo)選取前 n 個(gè)行業(yè)（n 根據(jù)風(fēng)險(xiǎn)偏好決定，此處 n=7）。這樣做的好處在于，既保留了原始景氣度趨勢(shì)能夠選取高景氣行業(yè)的優(yōu)點(diǎn)，又融入了行 業(yè)交易層面的信息。只要該信息能夠?qū)⑶捌谮厔?shì)較好的行業(yè)進(jìn)行頂端優(yōu)化，就會(huì)進(jìn)一步 提升模型的收益，因此我們將這一修正稱為行業(yè)景氣模型的頂端優(yōu)化。修正后策略在原有景氣度趨勢(shì)

25、策略的基礎(chǔ)上得到進(jìn)一步的增強(qiáng)，策略多頭 年化 26.2%，基準(zhǔn)年化 9.4%，策略年化超額 16.1%，信息比率 1.62，超額最大回撤為 -4.0%。原景氣度趨勢(shì)策略年化超額 12.7%，信息比率 1.30，超額最大回撤為-11.9%， 增強(qiáng)效果明顯。此外，我們也測(cè)試了該策略對(duì) n 的參數(shù)敏感性。這里我們對(duì)比了 n=3,5,7,9 四種情況下， 策略的年化超額收益，發(fā)現(xiàn)對(duì)參數(shù)敏感度一般，年化超額收益在 15%到 17%之間，超額 最大回撤在-4%到-7%(n=3)之間。綜合考慮，剔除 1/4 行業(yè)后只剩下 21 個(gè)行業(yè)左右， 這里我們暫定參數(shù) n=7。也就是說，在行業(yè)高景氣&低擁擠難以取舍的

26、市場(chǎng)環(huán)境下，取前 1/3 不怎么擁擠的行業(yè)等權(quán)配置，持倉(cāng)盡可能分散，可以取得比較穩(wěn)定的超額收益。同樣地，考慮到實(shí)際投資中比較基準(zhǔn)并不是行業(yè)等權(quán)，并且為了有效控制行業(yè)模型的換 手率和持倉(cāng)集中度，我們也對(duì)上述模型做了組合優(yōu)化。具體而言，我們?cè)O(shè)定需要優(yōu)化的 變量為行業(yè)配置策略的行業(yè)權(quán)重 w，目標(biāo)函數(shù)為組合預(yù)期收益? ，其中?為前文給出 的景氣度和趨勢(shì)類指標(biāo)的綜合打分信號(hào)，該指標(biāo)越高越好，限制條件包括：1） 跟蹤誤差：控制年化跟蹤誤差小于 m； 2） 行業(yè)偏離：行業(yè)偏離基準(zhǔn)小于 n； 3） 權(quán)重上下限：控制權(quán)重上限為 x，倉(cāng)位滿倉(cāng)； 4） 擁擠度預(yù)警：擁擠度前 1/4 的行業(yè)相比于基準(zhǔn)的權(quán)重低配 50

27、%以上。3.2、行業(yè)趨勢(shì)模型的頂端優(yōu)化：規(guī)避低景氣在第二章，我們利用市場(chǎng)交易信息構(gòu)建了行業(yè)的情緒指數(shù)，發(fā)現(xiàn)可以規(guī)避前期趨勢(shì)好但 是情緒過熱的行業(yè)，能夠有效降低行業(yè)動(dòng)量策略的回撤。早在前期報(bào)告行業(yè)輪動(dòng)的三 個(gè)標(biāo)尺中，我們就基于簡(jiǎn)單的趨勢(shì)-擁擠度指標(biāo)在行業(yè)輪動(dòng)上取得還不錯(cuò)的效果，年化 超額 11%，回撤僅-6%。但上述模型的缺陷在于沒有充分考慮基本面層面的信息，如果持有的行業(yè)僅是短期炒作 形成的好趨勢(shì)和低擁擠，那么沒有基本面的支撐估值終究會(huì)向下回撤。為了進(jìn)一步豐富 我們的行業(yè)配置體系，我們也簡(jiǎn)單討論一下如何對(duì)行業(yè)趨勢(shì)模型做頂端優(yōu)化，思路也很 簡(jiǎn)單，就是規(guī)避低景氣行業(yè)。具體而言，我們的思路如下：1） 在每個(gè)調(diào)倉(cāng)的時(shí)點(diǎn)，根據(jù)趨勢(shì)-擁擠度打分選取前五的行業(yè)作為行業(yè)底池； 2） 再根據(jù)景氣度指標(biāo)（歷史、分析師）對(duì)行業(yè)進(jìn)行排名，選取后 1/4 的行業(yè)作為基 本面較差的行業(yè)池子； 3） 在初篩行業(yè)池子中剔除基本面較差的行業(yè)，對(duì)剩下的行業(yè)進(jìn)行等權(quán)配置。若行業(yè) 不足 3 個(gè)則根據(jù)趨勢(shì)-擁擠度的綜合信號(hào)補(bǔ)齊至 3 個(gè)；1） 在每個(gè)調(diào)倉(cāng)的時(shí)點(diǎn)，根據(jù)趨勢(shì)-擁擠度打分選取前五的行業(yè)作為行業(yè)底池； 2） 再根據(jù)景氣度指標(biāo)（歷史、分析師）對(duì)行業(yè)進(jìn)行排名，選取后 1/4 的行業(yè)作為基 本面較差的行業(yè)池子； 3） 在初篩行業(yè)池子