量化视点2022年第13期：如何将价值成长风格轮动用于指数化投资？

金融工程点评报告 撰写日期：2022年09月26日 证券研究报告--金融工程点评报告 如何将价值成长风格轮动用于指数化投资？ 量化视点2022年第13期 分析师：余景辉 执业证书编号：S0890519120001电话：021-20321145 邮箱：yujinghui@cnhbstock.com 销售服务电话： 相关研究报告 021-20515355 1《金融工程：如何剔除潜在反转行业，改进行业轮动的短期动量信号？-量化视点2022年第12期》2022-08-25 2《金融工程：社融-M2对债券市场的影响 分析-量化视点2022年第11期》 2022-07-01 3《金融工程：从沪深股通增持公司占比看 北向资金偏好-量化视点2022年第10期》 2022-06-29 ◎投资要点： 风格投资是中观策略中的一种常用策略，尤其是在当下风格切换的行情中，风格择时的意义远大于资产择时。我们曾在《价值与成长的风格轮动，该监测什么指数？——量化视点2022年第2期》中给出我们的风格择时策略。本报告想探究的是这个模型是否具有普适性，能否将样本迁移到更 多的指数上也依然有效。市场上现存的指数种类繁多，部分指数或跟踪其的指数基金之间相关性较强，其成分股重叠的比例过高，不利于同时作为回测标的。鉴于此，本报告分析了如何挑选有代表性的指数，并将挑选出的相互之间相关性较小的代表性指数作为样本验证我们的价值成长风格轮动模型。 报告的第一部分，我们通过层次聚类的方法将指数划分成了各类之间相似性较小，类之间相似性较大的结果。第二部分，我们将挑选出的代表性指数作为样本对价值成长风格模型做了检验，结果验证了基于价值成长风格模型的指数轮动组合绩效显著优于基准组合。后续本系列将继续挖掘基于中观风格策略的指数轮动模型，包括大中小盘等风格策略。 风险提示：数量化策略研究主要基于历史数据，可能存在模型设定偏差的风险。 关于如何监测市场未来的风格，我们曾在《价值与成长的风格轮动，该监测什么指数？ ——量化视点2022年第2期》中给出我们的风格择时策略。多因子打分的结果来看，2022年1月到4月，以申万低市盈率vs申万高市盈率指数衡量的价值与成长风格轮动模型表现出了明线的指向价值风格的特征，而5月开始向均衡风格切换，6-8月转换为成长风格，9月价值风格重新占优。 从历史复盘看，我们所构建的价值成长风格轮动模型基本是可行的。那么，如何将这一模型用于具体的投资实践呢？逻辑上似乎有一个方法似乎可行，即用于各类指数基金的投资。因为指数化投资本质是一种beta投资，不同指数间的走势差异，很多时候都可以基于风格来进行解释。如1季度红利指数表现相对抗跌，本质是价值风格的回归。不仅宽基指数，行业指数间的差异，很大一部分也可以归结于风格的结果。1季度银行、地产的抗跌，对应的是价值风格的占优，2季度新兴行业的领涨，则源于成长风格的卷土重来。 不过，目前存续的指数积极数量众多。截止2022年9月2日，被动指数型基金产品数 量超过1200只，其跟踪的指数也达到240个左右。这么多的指数基金，全部用于模型的构建，显然并不契合实际投资场景，且多数指数的走势也是高度相关的，这并能达到指数轮动的效果。 鉴于此，本报告聚焦于如何将中观价值成长的风格轮动模型，用于具体的指数化投资中。报告重点有两个：一是如何构建用于轮动策略的初始指数基金池（为拉长样本，回测中我们采用对应的指数替代）；二是如何基于风格构建指数的轮动策略。 1.代表性指数筛选 我们这里对于代表性指数的筛选首先使用聚类方法，对指数进行聚类，基于指数之间的相似性将彼此之间相关性更强的指数聚为一类，然后从多个类中各挑选一个最有代表性的指数。 聚类是一种常见的数据分析方法，目的是把大量数据点的集合分成若干类，使同一类的数据点相似性尽可能大，不同类的数据点相似性尽可能小。层次聚类是一类经典的聚类方法，通过计算不同类别数据点间的相似度来创建一棵有层次的嵌套聚类树，好处是不需要实现指定聚类的数目，可以避免K-means对初始先验类数以及随机设定的初始点设定敏感的问题，而且可以根据设定的阈值选择你想要的类数。 层次聚类算法通常根据层次分解的顺序分为自下而上和自上而下法，通常使用较多的是自下而上法，自下而上法是指一开始每个个体都是一个类，然后根据linkage寻找同类，最后形成一个“类”。这里采用最大距离的自下而上法。其基本步骤为： 1、将每个对象看做一类，计算两两之间的最大距离； 2、将距离最小的两个类合并成一个新类； 3、重复步骤2，直到两类的距离最大不超过阈值，终止算法。 具体而言，首先在市场上现有的所有指数中选择出其对应的被动基金产品，截止2022 年9月2日，被动指数型基金（按华宝基金分类）产品数量达1214只，其跟踪的指数达241个。其次，从流动性的角度来筛选基金产品，对于场外指数基金（包含ETF联接）要求规模大于2亿，ETF基金则要求其前三个月日均成交额大于500万，符合这样筛选标准的基金共 630只。对这630只基金跟踪的235个指数收益率序列进行层次聚类。 图1：如何挑选代表性指数 资料来源：华宝证券研究创新部 聚类结果分析。我们通过层次聚类得到了11类，此时按照同类指数排序，将相似的指数 放在一起，再对这235个指数进行相关性分析，可以看出我们的聚类是有效的。相似的指数被划分为一类，而走势较为独立的指数划分为不同类。 图2：聚类排序后的指数收益率相关性分析 资料来源：Wind，同花顺，华宝证券研究创新部 最后，在11个大类中，选择流动性最好的作为代表性指数，主要考察其近一年日均成交 额，以下展示了这11个大类的具体划分以及最终筛选出的代表性指数。 表1：聚类结果展示 类别指数 1 上证180,上证50,180治理,消费80,消费服务,中证100,深证红利,东证 竞争,300ESG,ESG120策略,企业核心竞争力50 新兴成指,细分医药,300医药,800医卫,医药100,全指医药,创业板指,创科技,创业大盘,创业蓝筹,创成长,生物医药,创业板50,中证医疗,CS生 2 医,中证生科,科技龙头,创新100,中证科技,科技100,科技50,科技先锋, 3 上证指数,沪深300,结构调整,中证500,中证800,全指可选,深证100R, 中小100,深证100,I300,央视50,深证F60,深证F120,养老产业,SHS互 联网,CS智消费,CS高股息,500质量,先进制造100,SHS物联网,500成长创新,500ESG 数字经济,SHS张江50,科创创业50 细分机械,细分化工,中证环保,中证1000,中证500信息,新能源,中证农业,内地低碳,全指信息,国证2000,国证新能,I100,中证新能,大农业,中证传媒,CS新能车,信息安全,中证软件,环保50,中证旅游,中证中药,CS计 4算机,CS电子,CS现代农,家用电器,CS物联网,CS人工智,CS物流,CS智汽车,360互联+,500SNLV,中证VR,智能制造,云计算,中证数据,新能 源车,汽车指数,光伏产业,通信设备,电子50,消费电子,500价值稳健,1000价值稳健,CS电池,SEEE碳中和,农牧主题 7 港股通50(HKD),HKC中国100(HKD),HKC医药C(HKD),HKC医药 C(CNY),HKC消费,HKC消费CNY,HKC科技(CNY),HKC互联网,中华港 股通精选100 6医药50,CS创新药,医药健康100,SHS创新药,CS医药创新 上证消费,食品饮料,细分食品,中证800消费,国证食品,中证酒,中证白 8酒,CS食品饮,消费龙头,CS消费50,品牌工程,SHS科技100,SHS云计 9 180金融,上证金融,基本面50,内地地产,中证800地产,地产等权,中证银 行,东证红利低波 算,SHS线上消费 上证商品,上证资源,有色金属,中证800能源,内地资源,全指能源,国证有 10色,绿色电力,中证煤炭,稀土产业,中证钢铁,CS稀金属,中证畜牧,中证有 11 红利指数,国企一带一路,央企创新,小康指数,300价值,中证红利,全指金 融地产,证券龙头,中证800证保,证券公司,基建工程,中证基建,香港证券,红利低波100,建筑材料,国信价值,300质量低波,证券公司30,中证全指房地产,上海国企 色 资料来源：Wind，同花顺，华宝证券研究创新部 表2：代表性指数展示 类别 指数代码 指数简称 元） 1 931463.CSI 300ESG 2388.66 2 399006.SZ 创业板指 2164.55 3 000906.SH 中证800 4561.07 4 399303.SZ 国证2000 3280.65 5 000688.SH 科创50 471.87 6 931166.CSI 医药健康100 349.66 7 930957.CSI HKC中国100(HKD) 537.12 8 931403.CSI 品牌工程 960.18 9 000925.CSI 基本面50 535.65 10 000944.CSI 内地资源 512.57 11 000901.SH 小康指数 916.40 近一年日均成交额（亿 5 科创信息,科创50,军工指数,中证军工,中证国防,中证影视,动漫游戏,金 融科技,军工龙头,5G通信,5G50,高装细分50,中华半导体芯片 资料来源：Wind，同花顺，华宝证券研究创新部 2.价值成长轮动模型回测 下一步，把选出的11个代表性指数作为回测标的进行价值成长轮动模型回测。首先为避 免选入业绩过差的指数影响模型回测效果，每期都排除业绩处于后50分位的指数，然后再根据模型信号，确认下期风格是价值、成长或均衡，依次选取剩余的指数中市盈率后25%或前25%或全部指数构建组合（我们的价值成长轮动模型是基于申万高低市盈率指数构建的，为确保模型产生的信号在逻辑上与微观指数投资尽量不产生偏差，我们也基于指数本身的市盈率区分属于价值还是成长风格，当模型指向价值风格时，选取市盈率偏低的指数，反之选取市盈率偏高的指数，当风格轮动模型指向均衡时，则持有全部指数），对这11个指数按月进行监测与换仓。其他三个组合作为比较基准，构建方法类似。 可以看到，我们轮动组合自回测起始时间以来的收益率显著高于其他三个基准组合，最 大回撤幅度略微高于价值组合，小于成长和等权组合，波动率高于价值和等权组合，小于成长组合，calmar比率和夏普显著优于基准。整体来看，回测效果较好。 图3：价值成长风格模型历史回测 3.5 3 2.5 2 1.5 1 0.5 0 轮动组合价值风格组合成长风格组合等权组合 资料来源：Wind，同花顺，华宝证券研究创新部 表3：价值成长风格模型轮动回测结果 组合 组合 累计收益率 124.37% 32.42% 52.65% 32.56% 最大回撤 -48.05% -46.09% -57.81% -52.18% 年化收益率 11.04% 3.70% 5.63% 3.72% 波动率 25.04% 23.27% 28.47% 23.98% 滚动1年平均最大回撤 -21.32% -19.64% -25.04% -20.55% 滚动1年平均波动率 22.96% 20.77% 26.18% 21.59% Calmar比率 0.52 0.19 0.22 0.18 滚动1年平均收益率 12.18% 8.11% 5.26% 9.21% 滚动1年最大收益率 79.66% 62.99% 85.71% 64.53% 滚动1年最小收益率 -39.16% -40.47% -44.36% -46.42% 夏普比率 0.30 0.01 0.07 0.01 轮动组合 价值风格 成长风格 等权组合 资料来源：Wind，同花顺，华宝证券研究创新部 3.总结 本期专题，我们分析了如何挑选有代表性的指数，并将挑选出的相互之间相关性较小的代表性指数作为样本，验证是否可以基于中