行业择时及指数基金（含ETF）配置月报：2022年2月期

风险提示：政策不确定性；基本面超预期冲击债市；疫情反复加大股市波动等。 第一部分：A股行业轮动框架介绍 A股中行业走势的分化较大。我们从后验的角度来看，每期能够选出跑的最好的前几个行业进行等权配臵，长期下来能够比全部行业的等全配臵获得明显的超额收益。 假设我们的模型能够捕捉每个月表现最好的前N个行业，在这里N可以取为 5、10，在最理性的情况下所获得的累计如下图，top5行业轮动的累计收益远远超过top10行业轮动配臵、全部行业平均配臵的效果。因此，行业配臵可以成为获取超额收益的重要来源之一。本文采用的时申万一级各行业进行测算，测算周期从2016年1月1日至今。 图表1：行业等权vs行业top5组合vs行业top10组合 目前，市场上新发指数基金尤其是ETF越来越多，投资者进行行业轮动落地的工具也愈加丰富。但影响行业轮动的因素比较复杂，行业的大多数基本面因子是从个股因子衍生而来的，而且相对于多因子选股模型，横截面中行业的数量（31个行业）也远远小于横截面中股票的个数，导致行业轮动的容错率较小，因此我们的框架也要相对应的更为多元且精细化。 有效的行业轮动模型目标是能够捕捉到行业分化的趋势。影响行业分化的因素很多，我们从上层、中层、下层维度来说，上层经济走势、货币政策、国际局势等都会对股市有影响；中观层面，行业的景气度边际变化会对行业轮动有重要影响； 底层的行业基本面、价量因子、分析师一致预期因子、以及北上资金流入流出、融资融券等市场情绪指标都对行业预期收益有影响。 图表2：行业轮动整体框架 本文作为行业择时系列的第一部分，首先从底层多因子框架去研究行业轮动。 之后会陆续加入景气度以及宏观因素。 为了探究哪些底层细分因子对于行业横截面收益有预测效果。我们结合行业质量因子、成长因子、动量因子、流动性、波动率因子、分析师一致预期因子、市场情绪因子等来作测试。以下是我们在底层微观层面上的筛选框架。 图表3：行业轮动模型底层框架 基本面因子包括成长和质量因子。质量因子我们主要关注企业资产周转率和债务杠杆情况。债务因子在模型中被视为正向指标，负债率提升意味着整体行业正在加大投入，景气度处于上升周期。周转率指标为正向指标，资产周转率越高表明企业营运效率越高。由于不同的行业资产周转水平不同，横向比较意义不大，因此我们利用差分将质量因子的增量纳入到测试范围中。表征企业营运效率的总资产周转率因子及其一阶差分在横截面上预测效果不错，IC均值分别为4%、5.23%，测试结果如下： 图表4：质量类因子 图表5：总资产周转率因子多空超额收益 图表6：总资产周转率（一阶差分）多空超额收益 图表7：债务总资产比多空超额收益 成长因子我们主要关注净利润增长、营收增长、净资产增长。成长类因子在模型中都是正向指标，我们认为企业的盈利、营收增速、资产增速越高，代表企业发展越有潜力。我们将个股的成长性指标用行业内市值占比为权重进行加权，得到行业的成长性指标，结果来看营收增长和净资产增长的IC效果都为负向。净资产增长率因子的多空收益单调性还不错，我们将其绝对值进行处理。 图表8：成长类因子 图表9：净资产增长率多空超额收益 动量因子在行业轮动中效果显著。整体上不同窗口期的动量因子都具有稳定的预测效果，20日、60日、120日、250日动量的IC均值分别为4.57%，7.58%，9.5%，10.12%，ICIR也都比较高。 图表10：动量类因子 图表11：120天动量多空超额收益 图表12：250天动量多空超额收益 图表13：20天动量多空超额收益 图表14：60天动量多空超额收益 分析师一致预期指标具有和传统alpha因子相对独立的收益来源。定期报告中的财务数据披露的企业盈利数据往往会滞后，而分析师会针对市场和企业的综合情况对于一家公司的经营形成预期。朝阳永续将分析师对于个股的一致预期数据加工形成对于行业的一致预期数据。我们主要测试了一致预期营收增速、一致预期净利润增速、一致预期roe增量三个因子都是正向因子。其中一致预期roe增量的效果较好，IC均值为5.44%，近几个月有些回撤。 图表15：分析师一致预期类因子 图表16：一致预期roe增量多空超额收益 图表17：市场情绪因子 表征市场情绪的因子包括换手率，波动率，北向资金净买入情况以及分析师行业覆盖报告数量等。其中换手率和波动率模型认为是负向因子，我们认为个股的波动和换手越低越好。而分析师覆盖行业报告数量表征市场对该行业的关注度，越高意味着越能吸引更多的投资者。北向因子代表着作为市场主力机构之一的行为表现，也是正向因子。这几个因子的效果都不错，除了Hsigma的IC均值比较低以外,换手率、对数换手率、分析师覆盖行业报告数量、北向月频净买入的IC均值分别为4.52%、2.71%、6.36%、4.53%，表明都有较强的行业横截面区分能力。 图表18：行业报告覆盖数量因子多空收益 图表19：20日平均换手率因子多空收益 图表20：月度换手率对数因子多空收益 图表21：历史波动因子多空收益 图表22：北上资金月频净买入 图表23：北上资金月频净买入占行业总市值比变化 我们从四个维度分别找出了一些对于行业轮动具有预测作用的12个细分因子，可以看到动量因子内部REVS几个因子相关性较高，VOL与STOM相关性较高，其余大多相关性均在50%以下。我们保留市场情绪中的VOL20因子以及动量因子中的REVS120与REVS250。 图表24：细分因子相关性（时间区间20160101~20210730） 剔除高相关性的因子之后，我们精选10个细分因子，每个类别的因子内部取等权，权重如下。在对每个因子进行去极值、标准化处理之后，我们尝试用复合因子合成的办法来对每一期行业进行打分。回测的时间从2016年1月30日至今，月度调仓。我们认为从逻辑出发挖掘的底层行业驱动因子本身已经有一定说服力，且相关性较低，用固定权重线性打分也能够有较好的表现。考虑到通过数据挖掘方试构造复合因子容易造成样本外过拟合的现象，因此我们暂不针对此情况做讨论。 图表25：筛选因子及其权重 我们每期将因子加权之后得到的复合得分对行业进行排序，选出排名前10名和后10名行业作为多头和空头（占总行业数量的约1/3），在2021年12月之前是多空各9个行业。下图展示符合指标IC值以及行业多空超额收益，可以看到该复合因子单调性不错，多空收益的年化达到15.28%，波动率9.68%，夏普1.57，最大回撤10.81%。行业多头减等权基准（所有行业等权）的年化收益9.8%，夏普比率1.35。行业多头减wind全A年化收益7.3%，夏普比率0.98。行业轮动多头效应比较明显，相对而言过去几年策略在2018年、2021年底出现较大回撤，其他时间段较为稳定。其中，复合因子的IC表现要优于之前单个指标的IC表现。 图表26：行业轮动分组收益 图表27：行业轮动多空收益 图表28：行业轮动超额收益(相对等权基准) 图表29：行业轮动超额收益(相对wind全A) 1月份行业轮模型动选择的行业为银行(2.33%),煤炭(-4.21%),家用电器(-4.56%),钢铁(-7.36%),建筑材料(-7.65%),食品饮料(-10.59%),基础化工(-10.59%),电力设备(-10.82%),电子(-13.39%),传媒(-14.4%)，平均为-8.12%，全部行业简单平均为-8.31%，wind全A当月为-9.46%。 图表30：2021年以来推荐行业 具体行业指数1月份收益如下： 图表31：行业1月份收益（从大到小） 截至1月31日，模型优选的行业为电力设备、钢铁、煤炭、基础化工、交通运输、有色金属、银行、石油石化、家用电器、传媒。 图表32：行业轮动1月份推荐（前十） 第二部分：ETF及指数基金组合推荐 落实到ETF及指数基金组合配臵层面，通过测算被动股票型指数基金（含ETF）全部目标跟踪指数与前文优选得到的10个行业指数的相关系数，初步筛选出与电力设备、钢铁、煤炭、基础化工、交通运输、有色金属、银行、石油石化、家用电器、传媒等10个优选行业相关程度较高的行业主题指数。进而从跟踪这些行业主题指数的被动股票型指数基金中，优选跟踪误差、相关系数均具备优势的品种，同时从产品流动性角度出发，综合考虑基金规模和日均成交额等指标，最终我们筛选出如下基金构成等权重组合。经测算，截至2021年1月31日，近五年来该指数型基金等权组合相对于10个行业等权指数的年化跟踪误差为3.75%，跟踪偏离度日均值0.16%，很好地复制了行业指数表现。 图表33：指数基金等权组合绩效及组合样本 图表34：指数基金等权组合近五年走势（截至1.31） 结语：我们可以看到，基于基本面、价量、市场情绪和分析师预期的月频行业轮动策略有着非常稳健的表现，夏普比率都在2以上，复合因子的表现比单一因子都有提升。 在后续我们会考虑更多影响行业轮动的因子，继续完善我们的模型。从宏观环境的角度来看，可以通过在特定状态的宏观环境下可以提升个别行业的配臵获取超额收益。从中层来看，可以考虑将结合产业链逻辑，通过一些中观的产业供需高频数据来对行业景气度做一些提前预测，比如上下游的产量、价格、库存、销量等数据来及时更新景气度指标。欢迎投资者继续关注我们的研究。 风险提示 1、政策不确定性：财政政策及货币政策超预期变化影响股债市场； 2、基本面超预期利空债市：房地产保持韧性，基建增速提高，经济恢复超预期，冲击债券市场； 3、疫情等因素冲击风险偏好：疫情反复、国际政治摩擦升级等带来股票市场大幅波动风险。