金融工程专题 2022年12月11日 从龙头股领涨到行业动量:绝对与相对的统一框架 金融工程研究团队 ——开源量化评论(68) 魏建榕(首席分析师) 魏建榕(分析师)苏俊豪(分析师) 证书编号:S0790519120001 weijianrong@kysec.cn 证书编号:S0790519120001 sujunhao@kysec.cn 证书编号:S0790522020001 张翔(分析师) 证书编号:S0790520110001 傅开波(分析师) 证书编号:S0790520090003 高鹏(分析师) 证书编号:S0790520090002 苏俊豪(分析师) 证书编号:S0790522020001 胡亮勇(分析师) 证书编号:S0790522030001 王志豪(分析师) 证书编号:S0790522070003 盛少成(研究员) 证书编号:S0790121070009 苏良(研究员) 证书编号:S0790121070008 何申昊(研究员) 证书编号:S0790122080094 相关研究报告 《A股行业动量的精细结构》 -2020.03.02 《行业配置的量化解决方案》 -2020.11.25 《行业配置体系2.0:轮动模型的复盘、迭代与思考》-2022.02.27 龙头股模型是对行业动量的精细化表达 在A股市场中,行业指数存在着弱的动量效应。所谓动量效应,是指过去表现较好的行业,在未来仍然倾向于有较好的表现。不过,总体来看,这一效应并不稳定。 开源金融工程团队认为,行业动量效应不稳定的重要原因之一,是行业内成分股的步调错配与互相作用。基于对行业成分股涨跌模式的观察与实证检验,我们在2020年3月发布的专题报告《A股行业动量的精细结构》中,提出了“行业动量的龙头股模型”。龙头股模型因子的RankIC均值达3.88%,RankICIR为0.62。对比原始的行业动量模型,龙头股模型在显著性与稳定性上都有较大提升。 从龙头股领涨到行业动量:绝对与相对的统一框架 我们将龙头股模型进行深入的拆解与分析,进行进一步的优化与改进。 参数优化:龙头股模型因子是对简单的行业动量因子的精细化改进,其表现与行业动量因子的参数选择也息息相关。经测试,当回看天数为10天,切割参数为0%时,龙头股模型因子的表现最好。 龙头股绝对收益:我们对龙头股模型因子的成分:R_龙头、R_普通进行了收益 的拆解与分析,经测试,我们得到以下结论: (1)龙头股模型的效果主要来源于龙头股收益对行业的动量效应。 (2)龙头股收益对行业的动量效应主要体现为对普通股的牵引作用。 我们提出龙头股收益因子R_龙头是更为独立纯粹的行业动量因子,R_龙头的RankIC均值为5.18%,RankICIR为0.64。 龙头股相对收益:龙头股的相对收益是龙头股模型另一维度的描述,为了更好的 衡量龙头股的收益在行业中的相对位置,我们仿照龙头股与普通股的定义,划定行业中的领涨股与领跌股。我们定义相对龙头股相对收益因子R_相对为: R_相对=(R_龙头-R_领涨)/(R_领涨-R_领跌) 整体而言,R_相对可以理解为龙头股的涨幅在行业中所处的相对位置。R_相对的RankIC均值为4.23%,RankICIR为0.66。 改进龙头股模型因子ND:龙头股收益因子R_龙头与龙头股相对收益因子仍存 在着较高的相关性,我们把两者回归取残差后再排序相加,得到改进的龙头股模型因子ND:RankIC均值为5.37%,RankICIR为0.84,三分组下月度多空胜率可达58.4%,盈亏比为1.50,胜率赔率双优,分组多空收益稳定向上。 龙头股模型的补充讨论 我们用分位数与zscore的方法分别定义了龙头股的收益分位均值因子R_分位与龙头股的收益z-score均值因子R_zscore,两者可以看作是龙头股相对收益因子的其它表达方式,其中R_zscore的表现更好。 此外,在交易集中度较低的行业中,龙头股模型的表现更好。 风险提示:模型基于历史数据测试,市场未来可能发生重大改变。 金融工程研究 金融工程专题 开源证券 证券研究报 告 目录 1、龙头股模型:行业动量的精细表达3 2、从龙头股领涨到行业动量:绝对与相对的统一框架4 2.1、龙头股模型的参数选择4 2.2、龙头股收益是模型预测性的主要来源5 2.3、龙头股vs领涨股:龙头股相对收益因子的构建6 2.4、龙头股绝对收益+龙头股相对收益:改进的行业龙头股模型7 3、龙头股模型的补充讨论9 3.1、龙头股相对收益因子的其他表达方式9 3.2、行业交易集中度对龙头股模型的影响10 4、风险提示11 图表目录 图1:Ret20因子的稳定度欠佳3 图2:龙头股模型因子在显著性与稳定度上都优于Ret20因子4 图3:龙头股模型的收益拆解:龙头股收益对普通股有着强牵引作用5 图4:R_龙头因子与龙头股模型因子表现接近,但累计多空收益更高6 图5:龙头股相对收益因子𝐑_相对的多空收益非常稳健7 图6:改进龙头股模型因子ND分组多空收益稳定向上8 图7:ND因子的Top10行业组合超额收益稳健8 图8:ND因子Top10行业组合超额:2022年至今超额收益近3%9 图9:R_zscore因子的表现优于R_分位10 图10:2017年以来,A股的行业平均交易集中度上升较快10 图11:家用电器、食品饮料的行业交易集中度较高11 图12:龙头股模型在集中度较低的行业中表现更好11 表1:龙头股模型的构造步骤:以食品饮料为例3 表2:行业与个股动量因子的RankICIR:回看10天时行业动量效应最强4 表3:不同回看天数与切割参数下,D(10,70)是表现最优的龙头股因子4 表4:D(10,70)、R_龙头、R_普通对普通股下月收益都有着正向预测作用5 表5:行业中领涨股与领跌股的划分:以食品饮料为例6 表6:行业动量类因子两两之间相关性较高7 表7:龙头股的收益分位均值因子R_分位的构建步骤:以食品饮料为例9 表8:龙头股的收益z-score均值因子R_zscore的构建步骤:以食品饮料为例9 1、龙头股模型:行业动量的精细表达 在A股市场中,行业指数存在着弱的动量效应。所谓动量效应,是指过去表现较好的行业,在未来仍然倾向于有较好的表现。在每个自然月的月底,我们考察各个一级行业指数在过去20个交易日的区间涨跌幅,简称为Ret20因子。按照Ret20因子的大小,我们将各一级行业指数进行排序,分为3组,在下一个月等权持有。 其中,第一组为前期涨幅最低的组,第三组为前期涨幅最高的组。如图1所示,第三组的累计收益要显著高于第一组,这是动量效应存在的证据。然而,多空对冲的净值(图1中阴影)显示,因子收益的稳定度欠佳。事实上,行业Ret20因子的RankIC均值仅为2.60%,RankICIR为0.30。 图1:Ret20因子的稳定度欠佳 150% 100% 50% 0% -50% 多空收益(第三组-第一组,右轴)第一组第三组 100% 80% 60% 40% 20% 0% -20% 数据来源:Wind、开源证券研究所 开源金融工程团队认为,行业动量效应不稳定的重要原因之一,是行业内成分股的步调错配与互相作用。基于对行业成分股涨跌模式的观察与实证检验,我们在2020年3月发布的专题报告《A股行业动量的精细结构》中,提出了“行业动量的龙头股模型”(以下简称:龙头股模型)。以食品饮料行业为例,下图展示了龙头股模型因子的构造过程(表1): 表1:龙头股模型的构造步骤:以食品饮料为例 第一步对“食品饮料”行业,回溯取过去20日的成分股数据; 第二步将成分股按近20日成交金额从大到小排序,逐一累积成交金额; 第三步取累计成交金额占比达到λ(λ=60%)的股票,认定为龙头股,余下则为普通股;第四步分别计算龙头股、普通股的近20日平均涨幅:R_龙头,R_普通; 第五步食品饮料行业的牵引力因子D=R_龙头-R_普通。资料来源:开源证券研究所 龙头股模型分组多空收益如图2所示,龙头股模型因子的RankIC均值达3.88%,RankICIR为0.62。对比原始的行业动量模型,龙头股模型在显著性与稳定性上都有较大提升。 图2:龙头股模型因子在显著性与稳定度上都优于Ret20因子 130% 110% 90% 70% 50% 30% 10% -10% -30% -50% 多空收益(第三组-第一组,右轴)第一组第三组 60% 50% 40% 30% 20% 10% 0% -10% 数据来源:Wind、开源证券研究所 2、从龙头股领涨到行业动量:绝对与相对的统一框架 本章,我们将对龙头股模型进行深入的拆解与分析,以期进行进一步的优化与改进。 2.1、龙头股模型的参数选择 在原始龙头股模型中,我们选择了回看20天,累计成交金额占比达60%的股票作为龙头股模型的参数,该组参数下的龙头股模型因子记为D(20,60)。龙头股模型因子D(20,60)是对简单的行业动量因子Ret20的精细化改进,其表现与Ret20的参数选择也息息相关。我们测试了行业动量因子在各回看天数下的表现,如表2所示,与个股上的反转效应相比,在各回看天数下,行业都呈现出动量效应,当回看天数为10天时,行业的动量效应最强。 表2:行业与个股动量因子的RankICIR:回看10天时行业动量效应最强 回看天数 5 10 20 40 60 行业动量因子 0.24 0.72 0.31 0.02 -0.02 个股动量因子 -0.72 -0.69 -1.50 -1.49 -1.45 数据来源:Wind、开源证券研究所 在此基础上,我们进一步测试了不同回看天数与切割参数(累计成交金额占比)下龙头股模型的表现,如表3所示,回看10天时,龙头股模型整体表现更好,表现最优的龙头股模型因子为D(10,70)。 表3:不同回看天数与切割参数下,D(10,70)是表现最优的龙头股因子 切割参数 30% 40% 50% 60% 70% 10 0.05 0.29 0.49 0.60 0.74 20 0.14 0.29 0.40 0.62 0.43 40 0.42 0.41 0.42 0.57 0.47 60 0.39 0.32 0.32 0.32 0.30 回看天数 数据来源:Wind、开源证券研究所 2.2、龙头股收益是模型预测性的主要来源 回顾龙头股模型因子的构造过程D=R_龙头–R_普通,我们发现龙头股模型因子实质上由两部分股票的收益构成,即龙头股收益与普通股收益。那么,究竟哪一部分才是主导因素呢?以上一小节中表现最优的龙头股模型因子D(10,70)为例,我们分别测试其龙头股收益:R_龙头(10,70),与普通股收益:R_普通(10,70)与行业下月收益的RankIC。如表4所示,R_龙头(10,70)对行业下月收益有着较强的正向预测作用,RankIC均值高达5.18%,而R_普通(10,70)的正向预测作用较弱,RankIC均值仅为1.98%,这表明:龙头股模型的效果主要来源于龙头股收益对行业的动量效应。 在表4中,我们还考察了龙头股模型因子D(10,70)、龙头股收益R_龙头(10,70)、普通股收益R_普通(10,70)与龙头股、普通股下月收益的RankIC。从测试结果来看,以上三个因子对普通股下月收益都有着正向预测作用,对龙头股下月收益则基本没 有预测作用,这表明:龙头股收益对行业的动量效应主要体现为对普通股的牵引作 用(图3)。 表4:D(10,70)、R_龙头、R_普通对普通股下月收益都有着正向预测作用 龙头股模型因子D(10,70) R_龙头(10,70) R_普通(10,70) 行业下月收益 4.73% 5.18% 1.98% 龙头股下月收益 -0.12% 0.08% -0.01% 普通股下月收益 4.08% 4.89% 2.57% 数据来源:Wind、开源证券研究所 图3:龙头股模型的收益拆