行业景气模型行业配置月报

良好的行业景气度意味着行业内的股票可以带来超额收益的概率更高。从行业基本面看，行业景气通常可以反映在与企业经营情况息息相关财务指标上，由其构成的同步因子具有和行业景气同向运动的特性。从行业内的产业逻辑看，行业景气提升的动力来自于上下游供需、产品价量等指标的边际改善，同时受宏观变化的影响。由上述因素构成的领先因子具有预测行业景气变化的能力，可以指导行业配置。 由领先因子构建的行业景气模型 基于行业景气变化的内在逻辑，我们通过线性回归模型将超额收益分解为盈利能力、成长性、财务质量等几个大类因子，利用相关性的强弱选取具有代表性的“有效同步因子”作为解释超额收益的同步因子。再通过线性回归模型进一步拆解“有效同步因子”，厘清各因子是由哪些领先因子来驱动，筛选出与“有效同步因子”强相关的 “有效领先因子”。最后，通过领先因子与行业超额收益的历史关系，构建行业景气模型，指导行业轮动。以景气度模型构建的行业轮动策略19年初至22年9月的年化收益率可达13.00%。 风险提示 本模型采用量化方法通过历史数据统计、建模和测算完成，结论在极端市场环境变化中有失效的风险。 1.行业景气模型简介 A股市场具有明显的行业板块轮动特性，从基本面的视角来看，行业的景气反映在盈利能力、成长性、盈利质量等财务指标上，由行业上下游相关产业的产能、价格、供需变化推动。上述同步反映行业景气的指标，通常称为“行业同步因子”，推动行业景气变化的指标则称为“行业领先因子”。 我们基于行业基本面分析的逻辑，观察行业基本面与财务指标的关系、梳理行业与上下游之间的联系，寻找了一系列可以较好反映行业景气的“有效行业同步因子”和对行业景气变化有明显驱动作用的“有效行业领先因子”。使用有效行业领先指标构建了行业轮动模型，对行业的超额收益进行预测。策略的年化收益达13.00%，以万得全A作基准，年化超额收益可达3.30%。 行业景气模型从寻找能预示行业景气度改善的因素出发，发现解释力较高的行业领先指标，对行业超额收益进行预测，可以为投资者提供行业选择的建议。本章简介模型的构建理论和过程。 1.1.领先指标的选取 领先指标的选取是构建行业景气模型的核心环节。主要分为因子池的构建和有效因子的选取两部分内容。因子池的构建包含同步因子池和领先因子池，有效因子的选取遵从景气由同步因子反映、由领先因子驱动的逻辑关系，基于线性回归模型选取与行业超额收益强相关的同步因子作为“有效同步因子”，选取与“有效同步因子”强相关的领先因子作为“有效领先因子”。 同步因子池的构建 同步因子的选取力求从经济学原理上可以反映行业景气，从数据上贴合行业超额收益的走向。我们选取从盈利、成长、质量、预期四个方面选取指标，选取了15个同步因子，作为选取“有效同步因子”的因子池。 1.盈利指标 盈利能力是衡量企业绩效的一项重要的财务指标，可以反映行业内企业的经营现状和获利能力。良好的盈利能力显示企业可以稳健经营,是企业竞争强有力的保证。 2.成长指标 成长通常指示行业经营的加速度，通常需要对行业一段时间以来的数据进行统计计算，可以观察企业在一定时期内的经营能力发展状况变化。其变化的背后可能是公司资产、产能、主营业务等一系列基本面信息变化的推动，与行业的超额收益具有较强的联系。 3.质量指标 质量指标反映企业的品质，可以更加有效的体现企业经营利润的质量和经营中的资产周转情况，是体现企业精细竞争力的参数，同时也是取得超额收益的重要保障。 4.预期指标 此外，考虑到数据的时效性问题，为了填补相邻两个季度财务指标发布的空白期，我们也选取了一些较为重要的参数，使用预期指标来进行跟踪。 领先因子池的构建 我们按照中信一级行业分类，剔除了“综合”和“综合金融”行业后，逐一行业进行了研究和梳理，寻找了一系列领先因子指标。由于行业特性不同，各个行业的具体因子选取的角度略有不同，但基本遵循产业分析的一般思路。首先，我们分析行业内主要产业的逻辑和经营模式，寻找相关联的宏观指标，再从上游来寻找对生产环节影响较大的指标，从下游寻找驱动销量变化的信息源，并综合的梳理成本、库存、供给、需求变化的逻辑，最后关注市场情绪的变化。按照这样的方法论，我们构建了涵盖数百个因子的领先因子池。 出于篇幅的考虑，表2仅展示了部分领先因子。 同步因子的选取 同步因子与行情同步变化，我们利用同步因子与行业超额收益回归，选取强相关的指标作为有效指标。这一步计算的主要逻辑是假定超额收益来自于多个方面，我们力图从基本面的视角选取指标，对超额收益进行分解。 同步因子的筛选方法如下：通过将行业指数超额收益与各同步指标进行单一变量线性回归，根据回归模型的 R2 筛选出各行业显著的同步指标。筛选 R2 的逻辑是观察其是否大于0.05。 其中，𝑌为行业𝑖的行业指数超额收益，𝑥为行业𝑖的第𝑘个同步因子。 𝑖 𝑖,𝑘 在同步因子线性回归的过程中，有一个问题需要关注：数据的时效性。不同于价量数据，同步因子的发布并不实时，当月可用值与实际值之间往往存在一定的偏差。 因此，我们在计算前统计当前时点与最新可用数据发布期之间的差距，为每一个指标计算“因子滞后时间”。计算时我们根据此前统计的各因子滞后时间，推算出在该月份最新可用数据，并利用该数据作为自变量进行线性回归，以保证不受未来信息对模型结果的影响。 领先因子的选取 领先因子涵盖诸多方面，指标中有体现宏观市场情况的、也有体现产业链及市场情绪变化的因。领先因子的筛选逻辑与同步因子相似，将筛选出来的、能从盈利成长等不同方面反映出行业景气变化的因子进一步拆解，细分到是哪些领先因子驱动了同步因子的变化。 线性回归中将有效同步因子作为因变量，领先因子则作为自变量。这一步筛选出的领先因子是构建行业景气模型的基础，因此我们对领先因子相关性的要求设定的比同步因子严格， R2 的筛选阈值设置为了0.25，以求筛选出来的“有效领先因子”可以形成较高的解释力。在领先因子的线性回归过程中，我们根据此前统计的各因子滞后时间，推算出在该月份我们手中的最新可用数据，并利用该数据作为自变量进行线性回归，以保证不受未来信息对模型结果的影响。 其中，𝑥为经过筛选后的行业𝑖的有效同步因子，𝑧为行业𝑖的第𝑗个领先因子。 𝑖,𝑘 𝑖,𝑗 1.2.行业景气模型的构建 基于选取出的有效行业领先指标，我们构建行业景气模型，进行行业超额收益的预测。模型选用经典的线性模型，使用Lasso方法拟合参数。传统的线性模型只保证了残差平方和最小，对系数则无限制，容易导致线性模型过拟合的情况。Lasso可以在极小化残差平方和的基础上对系数的1范数，即绝对值之和施加约束，惩罚项可以把某些变量系数压缩至零。这意味着Lasso方法可以同时进行变量选择。领先指标之间可能具有一定的线性相关性，选用Lasso方法，可以将模型训练出较高的精度，并使得变量具有更强的代表性。 模型可以由以下方程描述： 其中，𝑌为行业𝑖的行业指数超额收益，𝑧为经过筛选后的行业𝑖的第𝑗个有效领先因子，𝛽为待求取的系数，λ是模型参数。 𝑖𝑖,𝑗 𝑖,𝑗 通过训练出的模型给出的行业预期超额收益，逐月调仓，对各行业预期超额收益进行排序，我们认为排序越靠前的行业在下月有着更高的上涨概率，并由此选取排名前10的行业在当月进行等权配置。 2.行业景气模型历史绩效及十月推荐行业 2.1.历史绩效 行业选择：行业分类采用中信一级行业分类，并剔除其中的“综合”及“综合金融”行业，共28个行业； 调仓周期：1个月； 策略基准：万得全A指数； 策略设置：每个月末交易日作为策略的起点，计算当期各行业指数预期超额收益，将超额收益最高的10个行业进行等权配置。 2.2.十月推荐行业 经模型测算，十月推荐行业如下：非银行金融,石油石化,传媒,有色金属,食品饮料,通信,计算机,钢铁,家电,国防军工。 3.风险提示 本模型采用量化方法通过历史数据统计、建模和测算完成，结论在极端市场环境变化中有失效的风险。