行业配置定期报告：行业配置策略与ETF组合构建

摘要 相似预期差行业轮动模型 最新配置观点：银行、纺织服装、非银行金融、食品饮料、家电、石油石化。 上月组合收益表现：2022年11月，组合月度收益11.92%，相较于行业等权指数超额收益2.13%。11月行业配置为：交通运输、建筑、传媒、钢铁、商贸零售、汽车，其中建筑贡献超额收益4.02%，传媒贡献超额收益4.68%，商贸零售贡献超额收益8.90%。 分析师预期边际变化行业轮动模型 最新配置观点：电力设备及新能源、农林牧渔、煤炭、汽车、银行、通信。 上月组合收益表现：2022年11月，组合月度收益7.85%，相较于行业等权指数超额收益-1.93%。11月行业配置为：煤炭、电力设备及新能源、汽车、农林牧渔、石油石化、建筑。其中石油石化贡献超额收益0.55%，建筑贡献超额收益4.03%。 交易集中度因子行业轮动模型 最新配置观点：建材、家电、食品饮料。 上月组合收益表现：2022年11月，组合月度收益9.94%，相较于行业等权指数超额收益0.15%。11月行业配置为：建材(18.80%)、交通运输(8.16%)、通信2.85%)。其中建材贡献超额收益9.02%， ETF组合构建 最新ETF行业组合配置：食品饮料、银行、家电、建筑材料、新能源车与智能车、农业与养殖畜牧。 风险提示 本报告结论完全基于公开的历史数据，若未来市场环境发生变化，因子的实际表现可能与本文的结论有所差异，同时可能存在第三方数据提供不准确风险。 ETF组合不构成投资收益的保证或投资建议，基金产品的表现受宏观环境、市场波动、风格转换等多重因素影响，存在一定波动风险，投资者需充分认知自身风险偏好以及风险承受能力，基金有风险，投资需谨慎。 前言 本篇，我们基于《基于相似股票历史收益的选股因子研究》（2022年05月20日）、《基于“集中度”识别拥挤交易的行业轮动策略》（2022年01月26日）构建的行业轮动模型，定期更新月度行业配置观点，并对策略历史表现进行了持续跟踪。在此基础上，构建行业ETF组合策略。 1基于相似预期差因子的行业轮动模型 1.1模型介绍 相似预期差因子的核心逻辑是寻找相似股票表现优异但其本身尚未大涨的个股。相似预期差因子值的计算方法如下。 首先，我们要通过股票距离来刻画股票间的相似性，从而筛选出相似股票，具体而言，我们将股与股在时刻的距离定义为二者在市盈率行业相对值、净资产收益率、资产增长率之间的欧氏距离： 其中， 为股在月末的市盈率行业相对值， 为股截止月末已披露的最新报告 期的净资产收益率， 相对值的具体算法如下： 为股截止月末已披露的最新报告期的资产增长率。市盈率行业 其中 ， 为股在月末的市盈率 ， 为股所属行业在月末的平均市盈率 ， 为股所属行业在月末的市盈率的标准差。 给定股票距离 的阈值，相似预期差因子 定义为同股票在时刻距离小于阈值 的全部只股票过去一个月历史收益率的市值加权平均值与该股上一个月历史收益率之差： 其中， 代表股以市值加权的权重， 代表股 月的收益率。 相较于个股层面构建相似预期差因子，行业视角下构造相似预期差因子的方法有所不同。在时刻,在每个中信一级行业内，根据每只股票历史收益率的大小，筛选出所有过去一个月收益跑赢万得全A指数的个股，计算每只股票的相似预期差因子值，相似预期差因子值的算数平均即为该行业的相似预期差因子值。 1.2历史回测 在样本期（2016/12-2022/11）内，行业维度下相似预期差因子具备较强的行业筛选能力。相似股预期差因子的IC均值为0.11，IC与均值同向的比例为56.34%，ICIR为0.34。 表1：相似预期差因子信息系数分析结果 图1：行业维度相似预期差因子IC统计图 1.3策略跟踪 样本期内，根据相似预期差因子构建的多头Top6组合表现全面优于万得全A指数与行业等权指数，策略年化收益率为10.20%，年化波动率为0.18，累计净值为1.61，收益波动比0.56，最大回撤率25%。 表2：相似预期差行业轮动策略收益表现（2016年12月至2022年10月） 图2：2022年相似预期差行业轮动策略月度收益 图3：相似预期差多头策略与市场指数净值变化图 表3：相似预期差行业轮动策略推荐行业 2基于分析师预期边际变化的行业轮动模型 2.1模型介绍 我们选用近一月一致预测每股收益变化率、近三月一致预测三月每股收益变化率，近一月一致预测每股收益（未来十二个月）变化率、近三月一致预测每股收益（未来十二个月）变化率通过行业内市值加权构建动态分析师预期因子。 为了淡化个股绝对变化水平，客观刻画行业整体景气度，我们采用打分法进行因子复合。 具体操作为，首先根据一致预期边际变化的正负进行打分，一致预期上调记1，下调记-1； 一致预期边际变化大于1%记1，小于-1%记-1；加总以上得分，在中信一级行业内采用市值加权计算平均分，就可以得到因子值。 2.2历史回测 在样本期（2016/12-2022/11）内，动态分析师预期因子具备较强的行业筛选能力。因子的IC均值为0.09，IC与均值同向的比例为63.38%，ICIR为0.34。 表4：动态分析师预期因子信息系数分析结果 图4：动态分析师预期因子IC统计图 2.3策略跟踪 样本期内，相较于万得全A指数与行业等权指数，根据动态分析师预期因子构建的多头Top6组合可以获得显著的超额收益，策略年化收益率为10.77%，年化波动率为0.21，累计净值为1.62，收益波动比0.52，最大回撤率34%。 表5：动态分析师预期行业轮动策略收益表现（2016年12月至2022年11月） 图5：2022年动态分析师预期行业轮动策略月度收益 图6：动态分析师预期多头策略与市场指数净值变化图 表6：动态分析师预期行业轮动策略推荐行业 3基于交易集中度的行业轮动模型 3.1模型介绍 交易集中度通过分析过去一段时间行业指数收益率数据的波动性和关联性，推断行业拥挤交易程度。首先，利用我国股票市场中信一级行业收益率样本矩阵，使用主成分分析法（PCA）计算整个市场的吸收比率以及各个行业的集中度。其次，在主成分分析之前，使用衰退指数的权重和行业流通市值的平方根对行业收益率进行加权；并进行标准化。 使用主成分分析法（PCA）得到特征向量的吸收比率为： 𝑗2𝑇 𝜎∑ 𝑗𝑡 𝐴𝑅= 𝑖2𝑇 𝑁𝑖=1 𝜎 𝑗𝑡 吸收比率𝐴𝑅含义为t-T时间内所有行业的收益总波动能够被j特征向量所解释的比率。 𝑗2𝑇 𝑖2𝑇 其中，N表示总行业个数； 代表j特征向量的方差，也就是第j个特征值； 表示i行业 𝜎 𝜎 的方差。 以行业向量在特征向量上的暴露（系数）的绝对值为权重，行业“交易集中度”指标为： 𝑗𝑖 ,𝑡 |𝐸𝑉| 𝑗𝑡 𝑛 𝑗=1 ∑ (𝐴𝑅∗ )|𝐸𝑉| 𝑗𝑘 ,𝑡 𝑁 𝑘 =1𝑗𝑡 ∑𝐴𝑅 𝐶= 𝑖,𝑡 𝑛 𝑗=1 ∑ 𝑗𝑖,𝑡 𝑗𝑡 𝐸𝑉 其中，𝐴𝑅表示t时刻j特征向量的吸收比率， 表示t时刻i行业在j特征向量上的暴 露，n表示吸收比率中特征向量的个数，N表示总行业个数。 3.2历史回测 在样本期（2018/01-2022/11）内，交易集中度因子具备显著的行业筛选能力，因子的IC均值为0.089，IC与均值同向的比例为71.19%，ICIR为0.41。 表7：交易集中度因子信息系数分析结果 图7：交易集中度因子IC统计图 3.3策略跟踪 样本期内，根据交易集中度因子构建的多头Top3组合表现优于万得全A指数与行业等权指数，策略年化收益率为11.43%，累计净值为1.7，收益波动比0.59。 表8：交易集中度策略收益表现（2018年1月至2022年11月） 图8：2022年交易集中度行业轮动策略月度收益 图9：交易集中度多头策略与市场指数净值变化图 表9：交易集中度行业轮动策略推荐行业 4模型汇总 4.1观点汇总 表10：行业轮动模型配置观点 4.2情景分析 表11：策略情景分析 5ETF组合构建 表12：2022年12月ETF组合相关基金标的 6风险提示 本报告结论完全基于公开的历史数据，若未来市场环境发生变化，因子的实际表现可能与本文的结论有所差异，同时可能存在第三方数据提供不准确风险。ETF组合不构成投资收益的保证或投资建议，基金产品的表现受宏观环境、市场波动、风格转换等多重因素影响，存在一定波动风险，投资者需充分认知自身风险偏好以及风险承受能力，基金有风险，投资需谨慎。