基于多因子的医药子行业轮动策略：寻找细分赛道风口

1/15 请务必阅读正文之后的声明部分 寻找细分赛道风口——基于多因子的医药子行业轮动策略 [Table_Title] 分析师：包赞 执业证书编号：S0740520100001 电话：18017505196 Email：baozan@r.qlzq.com.cn 分析师：李新春 执业证书编号：S0740520080002 电话：18019761462 E Email：lixc@r.qlzq.com.cn [Table_Report] 相关报告 《“纯洁alpha”动量下的行业轮动 策略——资产定价 + 统计学习》 《剖析ETF的手术刀——Lyxor ETF 效率指标》 《挑选“好面粉”— 主动权益基金分类完善》 报告摘要 ◆研究背景 行业动量效应在A股市场越来越明显，消费、医药等行业在最近三年展现出较强的动量效应，业绩表现显著好于其它行业；在子行业上是否也有这样的现象？同时作者在基金研究中发现，某些医药主动基金的净值曲线可以被数个细分医药主题ETF和指数“动态拟合”。这启发我们尝试在细分医药行业赛道上使用多因子模型研究轮动策略。 ◆本文使用的多因子模型 我们选用了Fama-French（2015）的五因子模型以及Liu，Stambaugh和Yuan（2019）提出的CH-4多因子模型中，具体构造方法我们严格依照了FF-5的思路。我们对比了FF-3、FF-5、CH-3和CH-4四种模型的拟合效果，FF5表现最佳（调整后R方最高），对现有的医药主题指数的解释力度最强。 ◆主要结论 我们依据alpha从大到小排序构建了单指数轮动策略和组合轮动策略。单指数轮动自17年以来年化收益率在医药主动基金中排名前30%，21年以来收益率排名前41%，而回撤并未明显扩大；这两种轮动策略的表现都好于医药指数基金（中位数）。轮动策略提供了一种进攻性更强、锐度更高的医药子行业投资思路，可以为FOF和ETF投资者提供细分医药赛道观点，也可以从纯量化技术面角度为医药主题主动投资提供建议和参考。根据模型结果，最新一期推荐的细分赛道为：主动投资者可以关注医疗服务II、生物医药、中证生科、生物制品和中证全指医疗保健；FOF和ETF投资者可以关注汇添富国证生物医药ETF(159839)、易方达中证生物科技主题ETF(159837)和大成中证全指医疗保健设备与服务ETF(516610)。 风险提示：本报告结论完全基于公开的历史数据进行统计和测算，文中部分数据有一定滞后性，同时存在第三方数据提供不准确风险；模型均基于历史数据得到的统计结论且模型自身具有一定局限性并不能完全准确地刻画现实环境以及预测未来；模型根据历史规律总结，历史规律可能失效；模型结论基于统计工具得到，在极端情形下或存在解释力不足的风险，因此其结果仅做分析参考。本报告提到的任何基金产品不构成任何投资收益的保证或投资建议。 证券研究报告/量化投资策略报告 2021年06月01日 [table_page] 金融工程报告 2/15 请务必阅读正文之后的声明部分 正文目录 1. 引言 ......................................................................................................................................... 3 1.1. 海外研究回顾 ................................................................................................................................................................ 3 1.2. 本文的研究动机 ............................................................................................................................................................ 4 1.3. 本文的研究对象和主要结论 ........................................................................................................................................ 4 2. 多因子模型简介与对比 ............................................................................................................. 6 2.1. FF-5因子模型 ................................................................................................................................................................ 6 2.2. CH-4因子模型 ............................................................................................................................................................... 7 2.3. 多因子模型的拟合效果对比 ........................................................................................................................................ 8 3. 医药子行业轮动策略检验 ......................................................................................................... 9 3.1. 分5组按季度调仓 ........................................................................................................................................................ 9 3.2. 分5组按月度调仓 ...................................................................................................................................................... 10 3.3. 季度调仓策略的回归检测 .......................................................................................................................................... 11 4. 医药子行业轮动策略实证 ....................................................................................................... 12 4.1. 轮动策略与医药主题基金对比 .................................................................................................................................. 12 4.2. 最新一期轮动策略推荐指数与ETF .......................................................................................................................... 13 ------------------------------------------------------------------------------------------------------------------------------------------------- [table_page] 金融工程报告 3/15 请务必阅读正文之后的声明部分 1. 引言 1.1. 海外研究回顾 尽管有充分的学术文献记录表明行业回报率是可预测的，之前有关研究也显示，国内的行业指数收益是可以预测的，但之前研究显示基于预测的模型稳健性不好。考虑到行业动量效应在A股市场越来越明显，消费、医药等行业在最近三年展现出较强的动量效应，业绩表现显著好于其它行业，所以从动量的角度来构建行业轮动策略是最直观的方法。当然，单纯的看收益率涨跌来构建策略也可以，但从稳健性角度来讲，需要构建更科学、更体系的模型。Sarwar et al.(2017)在论文中论述了运用Fama-French 5因子模型（后简写为FF5）计算行业组合中的alpha因子，并使用该alpha动量在美股市场中实现行业轮动策略，获得了超额收益。 Sorensen 和 Burke(1986 年)以及 Grauer、Hakansson 和 Shen(1990 年)等人做行业轮动策略较早，他们的行业轮动策略基于均值方差框架，在 Beller, Kling 和 Levinson(1998)的研究中已被证明是成功的。上世纪 80 年代，富达投资(Fidelity Investments)推出了一系列所谓 “精选”系列的行业主题基金，从而将行业投资推入主流。1998 年12 月，第一个 ETF 被成功推选给了投资者，交易基金的时代来临。以“富达行业精选” （ Fidelity Select Sector picking）作为标准，Sassetti 和 Tani(2006)使用了三种简单的行业轮动策略，根据涨跌幅、alpha 和相对强度指标对行业进行排名。他们在 1998 年 1 月至 2003 年 9 月期间，将策略应用于富达精选的 41 个基金。他们的研究结果显示，根据过往 alpha 值来做行业轮动策略，似乎比单单依靠涨跌幅的策略更加稳健。他们的行业轮动策略持续优于买入持有战略。Conover 等 (2008) 根据宏观经济条件对行业进行调整，他们发现，在 33 年的研究期间，他们的行业轮动策略很少能有持续的显著回报，这也显示利用宏观数据来构建行业轮动策略，似乎效果并不好。 作者之一曾尝试用资产定价+统计学习的办法研究一级行业的轮动策略（详见《“纯洁alpha”动量下的行业轮动策略——资产定价 + 统计学习》），我们试图将上述想法应用到比一级行业更加细分的领域，例如医药主题的诸多细分子行业赛道上。我们使用多因子模型计算各个子行业或主题指数的alpha，进而构造子行业轮动策略，相对中证医药获得可观的超额收益。所以我们的研究可以为主动投资或指数增强提供细分医药行业配置观点。而随着国内ETF产品的日益丰富，市场上出现