行业择时及指数基金（含ETF）配置月报：2022年3月期

A股市场不同行业轮动现象比较显著，热门行业的持续性强度有限，尤其是近年来轮动切换的节奏更是进一步加快，研究一套对未来行业横截面收益有预测作用的模型具有必要性。行业结构性分化的原因有多种：一方面，不同行业对宏观经济的敏感性不同；另一方面从行业产业链数据、行业基本面来看，行业自身产业周期景气度变化也会导致收益出现波动；另外，市场资金情绪、分析师预期、北向资金行为都会对短期走势带来影响。 我们的行业轮动研究主要解决如何利用行业基本面、行业价量因子、分析师预期因子、市场情绪因子等来构建模型。我们每个月从31个申万一级行业中选取10个行业（近1/3）进行等权配臵，而指数基金尤其是ETF产品近年来不断丰富也使得该行业轮动策略有便利的可实现途径。模型回测“前后1/3行业多空超额收益、等权配臵平均超额收益、等权配臵相对wind全A超额收益”三组策略，可以看到年化超额收益在8%-17%之间，年化波动率7%-9%之间，夏普比率在1.1-1.7之间，最大回撤在8%-11%之间，卡玛比率在1-1.6之间。综合来看，策略在2018年、2021年底出现较大回撤，其他时间段较为稳定，模型具有必要的参考价值。 针对上个月的结果来看，行业轮动模型2月份推荐的行业及当月收益率为有色金属(17.18%)、煤炭(15.53%)、基础化工(9.71%)、石油石化(8.95%)、钢铁(7.91%)、 交通运输(2.8%)、 电力设备(2.54%)、 银行(1.01%)、 轻工制造(0.88%)、家用电器(-4.79%)，平均收益率为6.17%，全部行业简单平均收益率为为3.73%，wind全A当月收益率为2.81%。截至2月28日，模型优选的行业为银行、交通运输、煤炭、钢铁、家用电器、公共事业、石油石化、美容护理、农林牧渔、电子。 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，初步筛选出与银行、交通运输、煤炭、钢铁、家用电器、公用事业、石油石化、美容护理、农林牧渔、电子等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2022年2月28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5.14%，跟踪偏离度日均值0.24%，很好地复制了行业指数表现。 基金代码 基金简称 华宝中证银行ETF 汇添富中证上海国企ETF富国中证煤炭国泰中证钢铁ETF国泰中证全指家电ETF 广发中证全指电力公用事业ETF华夏中证石化产业ETF广发中证养老产业A国泰中证畜牧养殖ETF天弘中证电子ETF 规模(亿元)99.15 74.12 28.3 15.67 18.94 12.33 2.29 10.99 12.07 13.37 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股行业轮动背景介绍 A股中行业走势的分化较大，我们观察从2010年以来申万一级行业收益排名前三的行业，发现行业涨跌分化比较显著，在不同时期各个行业的收益回报表现差异较大，阶段性的投资价值较为突出，因此研究一套有效的行业轮动策略一直受到市场的高关注度。 从后验的角度来看，假设模型每期能够捕捉收益表现较好的前N个行业进行等权配臵，N可以取为5、10等，长期下来能够比全部行业的等权配臵获得明显的超额收益。本文采用申万一级行业进行测算，测算周期从2016年1月1日至今，排名前五的行业轮动的累计收益远远超过排名前十行业轮动配臵、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。 图表1：2010年以来申万一级行业收益排名前三 图表2：2016年以来 行业轮动的确也存在客观困难。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。 近年来随着权益类市场投资吸引力的逐步增强，指数及ETF基金作为工具型产品受到了众多投资者青睐，与此同时，各家基金公司也陆续加大了指数型产品线布局，不论是产品数量、整体规模，还是基金种类均实现了快速扩张和完善，行业步入快速发展期。其中，被动指数型基金及ETF基金体量最大，在指数及量化产品中规模占比80%左右，占据数量及规模上的绝对优势。市场上新发的ETF基金也越来越多，投资者进行行业轮动落地的工具也愈加丰富。 第二部分：行业轮动模型介绍 本文要解决如何利用行业基本面、行业价量因子、分析师预期因子、市场情绪因子等来构建模型。为了探究哪些细分因子对于行业横截面收益有预测效果。我们结合行业基本面、价量因子、分析师预期因子、市场情绪因子等来做测试。其中，基本面因子主要包括质量因子和成长因子；动量因子主要包括不同时间区间的价格动量；分析师一致预期因子主要包括营收增速预期、净利润增速预期和roe预期； 市场情绪因子主要包括研报覆盖数量、北向资金流向、换手率和波动率因子等。 图表3：行业轮动模型底层框架 基本面因子：质量因子的选择和收益测试 质量因子我们主要关注资产周转率和债务杠杆情况。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。从经济意义角度分析，我们认为资产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。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。 测试结果显示，资产负债率的差分因子、总资产周转率及资产负债率因子在横截面上预测效果较明显，IC均值分别为4.20%、1.68%、0.09%。其中资产负债率的差分因子获取超额收益的能力较差，买入前1/5和后1/5之间的超额收益回测效果不理想，故而不纳入本模型因子体系。资产负债率因子虽然ICIR及IC>0的概率均较低，但是从其多空超额收益可以看出该因子是受2016年-2018年前期下跌影响较大，在2018年以后基本成单调递增模式，故而在本模型中选择纳入该因子，虽然会牺牲一定的历史回测业绩，但对月度行业推荐的影响是正向的。虽然总资产周转率的差分因子前期表现较好，IC>0的概率较高，但是受近期市场高处回落的影响，近期回撤较大，所以暂时不纳入本模型因子体系。 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（差分）因子多空超额收益 图表7：资产负债率因子多空超额收益 图表8：资产负债率（差分）因子多空超额收益 基本面因子：成长因子的选择和收益测试 成长因子我们主要关注净利润增长、营收增长、净资产增长。从经济意义角度分析，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。 测试结果显示，成长因子的IC效果都为负向，净资产增长率因子的多空收益单调性较好，且在横截面上预测效果较明显，IC均值为-8.39%，所以我们将其因子值进行绝对值处理。 图表9：成长类因子 图表10：净资产增长率多空超额收益 价量因子：动量因子的选择和收益测试 动量因子在2021年行业轮动中效果显著，但在2022年市场面临风格切换的时刻，动量因子也面临较大的回撤。测试结果显示，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0.14%，-0.10%，1.27%，2.93%，ICIR基本符合长期动量大于短期动量的特点。 考虑到近期市场的风格切换和回撤的情况以及长短期动量因子之前相关性较高，我们更推荐使用长期动量因子，即：120日动量和250日动量因子，纳入行业轮动模型，借此调低行业轮动模型的敏感度，追求长期收益的稳定性。 图表11：动量类因子 图表12：20天动量多空超额收益 图表13：60天动量多空超额收益 图表14：120天动量多空超额收益 图表15：250天动量多空超额收益 预期因子：分析师预期因子的选择和收益测试 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，所以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，且定期报告中披露的财务数据往往会滞后。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，我们基于朝阳永续的数据，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三个因子，测试结果显示一致预期roe的横截面预测效果较好，IC均值为2.01%，但随着市场波动，近几个月一致预期因子逐渐从正向因子回撤为失效因子。 图表16：分析师一致预期类因子 图表17：一致预期roe多空超额收益 情绪因子：情绪因子的选择和收益测试 我们将表征市场情绪的因子拆分为换手率、波动率、北向资金流向情况以及行业报告数量等。从经济意义角度分析，我们认为波动率因子和换手因子是负向因子，个股的波动越低就具有越稳定的收益，换手因子越低说明投资者约认可该公司的长期投资价值而非短期套利机会，所以我们将其因子值做相反数处理；而行业报告数量，北向资金流向为正向因子，行业报告数量越高表明市场对该行业的关注度越高，越能吸引更多的投资者，而北向资金流向则代表着作为市场主力机构之一的对该行业的认可。 测试结果显示，除历史波动率的IC均值比较低以外,行业报告数量、换手率、对数换手率、北向资金流向和占比的IC均值分别为3.98%、4.77%、3.51%、5.37%、1.79%，表明都有较强的行业横截面区分能力。其中对数换手率超额收益的单调性较差，历史上经历过较大回撤，所以暂时不纳入本模型因子体系。同预期因子类似，行业报告数量因子近期也经历了较大的回撤。考虑到换手率和对数换手率相关性较大，综合考虑两者多空收益单调性，我们最终选用换手率因子纳入本模型因子体系。北向资金流向因子由于在2021年底经历了一定的回撤，所以近期新增了北向资金占比因子作为情绪类因子的补充。 图表18：市场情绪因子 图表19：行业报告数量因子多空收益 图表20：历史波动因子多空收益 图表21：换手率因子多空收益 图表22：对数换手率因子多空收益 图表23：北上资金流向因子多空收益 图表24：北上资金占比因子多空收益 第三部分：行业轮动模型回测及复盘 我们从逻辑出发挖掘的底层的行业驱动因子，且剔除高相关性的因子，保证各因子相关性在50%以下，最后用固定权重线性打分。我们精选10个细分因子进行等权处理。在对每个因子进行去极值、标准化等处理之后，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1日至今，进行月度调仓。每期将因子加权复合得分对行业进行排序，选出排名前10名的行业作为多头（占总行业数量的约1/3）。 图表25：筛选因子及其权重 根据复合因子的IC值，可以得出复合因子具有较好的单调性，且复合因子的IC表现要优于之前单个指标的IC表现。分别回测“前后1/3行业多空超额收益、等权配臵平均超额收益、等权配臵相对wind全A超额收益”三组策略，可以看到其年化超额收益在8%-17%之间，年化波动率7%-9%之间，夏普比率在1.1-1.7之间，最大回撤在8%-11%之间，卡玛比率在1-1.6之间。综合来看，策略在2018年、2021年底出现较大回撤，其他时间段较为稳定，具有必要的参考价值。 图表26：复合因子的IC值 图表27：行业轮动模型的超额收益 图表28：行业轮动模型风险收益指标 行业轮动模型2月份推荐的行业及当月收益率为有色金属(17.18%)、煤炭(15.53%)、基础化工(9.71%)、石油石化(8.95%)、钢铁(7.9