主动超额蓄势待升，关注另类alpha策略

宏观和资产配置展望 国内A股多因素驱动上涨行情预计在2024年1季度末、2季度初发生。 2024年整年来看，权益端会显著好于2023年。2023年12月至2024年5月这一段窗口期，推荐小微盘加红利增长的杠铃策略，防范尾部风险。整体仓位视角，以网格化逐步提升沪深300的优质成长标的的仓位。 风格配置展望 风格配置：我们的模型自2004年以来取得年化7.57%的收益，截止2023年12月1日，策略发出的信号为大盘-小盘各50%仓位均衡配置。展望2024年，我们认为上半年全球主要驱动因素为利率中枢的下移，看好沪深300等大盘股的反弹。下半年随着国内经济企稳向好，看好中证1000等中小盘宽基指数的行情。 行业配置展望 行业配置：我们基于多宏观周期的的行业因子轮动模型，自2017年以来取得年化9.68%的超额收益率，加入拥挤度和绝对估值泡沫剔除尾部风险行业后，超额年化收益率提升至11.05%。其中2023年12月22日截面推荐的行业分别为汽车、家电零部件、养殖业、通信服务和饲料。展望2024年，我们认为低拥挤度的行业轮动策略会持续表现较优。 因子选股展望 红利与成长展望：红利类股票公募基金整体配置较少，2019-2021红利远离抱团，在增量资金减少时，红利的优势体现出来；未来单纯红利能够大幅战胜宽基指数的可能性减小，我们建议挖掘红利与成长结合，建议红利（股息率）与成长类因子结合。 衍生品策略展望 展望2024年，CTA和期权衍生品类型的策略会出现显著修复行情。长期展望：我们认为，随着金融整体的“去刚兑、低利率”环境下，CTA和期权衍生品类的绝对收益策略会长期受到资金的追逐。 量化新技术展望 特征挖掘展望：由于人工因子挖掘效率遇到了明显的瓶颈，基于遗传规划和神经网络的特征挖掘会再次受到追捧。因子组合展望：目前业界流行的因子组合算法为LSTM、随机森林等模型。后续随着竞争的激烈，模型往深度学习和大模型等高算力需求转变或更加快速。 风险提示： 报告基于历史数据得到的结论，历史回测结果不代表未来。未来市场可能发生变化，因子有效性变化可能导致策略失效。 1.市场特征与资金流向 1.1被动连续流入，混合基金流出 从2023年Q1至Q3来看，货币基金、被动指数和短期纯债排名前三。其中货币基金Q3出现明显流出，被动基金三个季度连续流入，短期纯债基金Q3出现110.85亿份的小幅流出。前三季度偏股混合型和偏债混合型基金都出现连续性流出情况，且三季度合计流出都超1500亿份规模。 图表1：2023年Q1至Q3基金净申购份额 1.2主动超额为负，2023年11月有所好转 主动权益基金在2023年7月份大幅跑输中证800指数后，其超额收益情况在10月-11月有所好转，但整体表现仍较弱。 图表2：权益基金超额有所好转 1.3基金重仓指数回调明显，小微盘表现优异 我们以基金季报重仓前十大个股数据选取前三十大重仓股等权构建基金重仓股指数。基金重仓指数表现弱于中证500、中证1000指数，且基金重仓指数和万得微盘股指数两者走势2023年几乎完全背离，体现风格极致的演化。 图表3：2023年以来微盘股走势领先，截止20231201 如下图所示，2023年大小盘指数走势整体一致。 图表4：申万大小盘风格指数走势，截止20231201 1.4市场的量化特征 1.4.1宏观状态 从多维度刻画宏观环境变化，大类因子分为短期货币流动性、长端利率、信用和经济增长PMI共5个维度。各大类指标之中的子指标如下图表所示： 图表5：宏观环境变量选取 将上述各项子指标先统一升频至日频率，然后进行标准化，用前值填充空值。用滚动逻辑回归进行测试，预测目标为中证全指的涨跌幅。 用滚动逻辑回归得到预测值后，将预测值进行移动窗口指数平均处理，得到如下图表所示的宏观状态刻画曲线和中证全指数走势曲线。 图表6：宏观logit模型预测值与中证全指，截止20231201 1.4.2中观景气指数 选取如下图表所示的中观高频数据来刻画中观景气指数，从工业产量、工业利润和经济活跃度三个大类指标进行刻画。 图表7：中观高频指标选取 将上图中所有子指标进行标准化之后升频至日频，拼接所有子指标，用前值填充空值。然后按照季度采样，再用PCA合成大类因子，得到工业产量主成分因子、工业利润主成分因子和经济活跃度主成分因子。 将三大类因子作为预测变量与上证指数单季度归母净利润同比增长率进行线性回归，得到三大类因子的回归系数。然后将三大类因子频率提升至日频，用回归系数和大类因子值进行模型预测。 图表8：中观景气指数-领先预测A股盈利扩张周期，截止20231201 1.4.3微观结构状态 如下图所示，以估值、风险溢价、波动率以及流动性四类均值回复性较强的因子刻画各宽基指数的微观结构风险。 图表9：微观结构风险刻画 四类风险指标以及结构风险因子值20231201截面值如下图所示。 图表10：宽基指数微观结构风险值，20231201截面 如下图所示，微观结构风险值-月度时序变化图。各宽基指数风险时序变化基本一致，在某些季度级别上，宽基指数风险值会有部分差异。 图表11：宽基指数微观结构风险值-月度时序变化图，截止20231201 2.基金市场 2.1行业配置变化 如下图表所示，2023年以来基金明显减配电力设备、国防军工和食品饮料行业，对TMT增配较为明显。 图表12：权益基金较22年主动加仓 2.2基金业绩分化 如下图所示，2023年以来各类基金业绩表现分化。整体来看，商品型基金和股票型QDII基金收益领先，分别为9.69%/8.28%；股票型和偏股型基金中，被动较主动基金收益相对更好，回撤也较小；债券基金中，权益仓位较低或不含权益的债券基金业绩表现较好，均取得较货币基金更高的收益。 图表13：各类基金业绩表现 2.3指数基金持续流入 如下图所示，自2017年以来，主动权益基金由80%的整体占比逐步降低到当前的66.4%，被动权益基金由17.8%逐步上升到30.9%。自2022年初全球资金收紧以来，主动权益占比下降、被动权益占比上升较为明显。 图表14：权益基金主动和被动占比变化 如下图所示，截止到2023年Q3，全市场基金规模排名前十的权益基金仅有易方达蓝筹精选1只基金，最新规模为491.7亿元。 图表15：2023年Q3全市场权益基金规模前10 2.4指数增强产品分化 如下图所示。自2017年以来，公募指数增强基金由420亿元规模左右成长为2023年的1400多亿元。占比权益基金2020年出现明显回落后，开始逐步回升至2.6%左右。 图表16：公募指数增强基金占比提升 公募指增产品，主流分为沪深300增强、中证500增强以及中证1000增强，超额收益2023年减少得较为明显。其中中证1000指数增强的超额降到了4.6%。 图表17：指数增强业绩产品业绩 3.行业配置 3.1行业绝对估值泡沫 在量化行业轮动模型中，我们考虑在策略选择高景气行业的同时考虑估值的匹配度，通过定量测试发现运用估值因子剔除高估值行业的实际绩效改进并不明显。比如用传统的PE_ TTM 因子对总样本进行高估值的尾部剔除，选取前5个行业构建等权行业指数，相对于全行业基准，提升绩效不明显且不稳定。一致预期PE和一致预期PEG因子也是类似情况。所以充分考虑行业不同阶段的发展，引入基于三阶段增长模型的绝对估值因子，有较好表现。 3.1.1行业绝对估值泡沫计算 基于DCF三阶段增长模型，用申万行业的一致预期conRoe、净资产conNa和设定为8%的折现率 𝑟𝑒 ，计算出在三阶段增长模型下行业的理论估值FVB。具体计算公式如下图表所示。 图表18：行业t时刻理论估值计算公式 通过上图表公式计算后，可以得到DCF三阶段增长模型下的理论估值FVB。通过与申万行业最新的市净率PB求比值，得到绝对估值泡沫AFVB值。具体计算公式如下图表所示。 图表19：行业t时刻绝对估值泡沫计算公式 3.1.2行业绝对估值泡沫20231201截面排名 计算出行业的绝对估值泡沫后，周度对行业绝对估值泡沫AFVB值进行横截面排名，得到绝对估值泡沫截面排序值AFVB_rank，如下图所示。 图表20：行业绝对估值泡沫20231201截面排名 3.2行业拥挤度 行业拥挤度因子的刻画分三类子因子，分别为换手率𝑖𝑛𝑑𝑢𝑠𝑖𝑛𝑑𝑢𝑠,贝塔因子𝑖𝑛𝑑𝑢𝑠。 ,波动率因子 𝑡𝑢𝑟𝑛 𝑠𝑡𝑑 𝑏𝑒𝑡𝑎 其中行业换手率因子𝑖𝑛𝑑𝑢𝑠 计算步骤： 𝑡𝑢𝑟𝑛 取行业换手率turnover值，求252日移动窗口的均值； 求各行业换手率252日均值的截面ZScore值作为换手率𝑖𝑛𝑑𝑢𝑠 因子； 𝑡𝑢𝑟𝑛 行业波动率因子𝑖𝑛𝑑𝑢𝑠计算步骤： 𝑠𝑡𝑑 计算行业252日移动窗口的日收益率的标准差； 求标准差的截面ZScore值作为波动率𝑖𝑛𝑑𝑢𝑠因子； 𝑠𝑡𝑑 行业贝塔因子𝑖𝑛𝑑𝑢𝑠 计算步骤： 𝑏𝑒𝑡𝑎 逐行业滚动计算日收益率与中证全指的日收益率在252日的回归系数beta； 求beta的截面ZScore值作为贝塔𝑖𝑛𝑑𝑢𝑠 因子； 𝑏𝑒𝑡𝑎 拥挤度因子计算公式如下图表所示： 图表21：拥挤度因子计算公式 如下图所示，20231201截面的行业拥挤度排名，排名值越小表示拥挤度越大。 图表22：拥挤度因子20231201截面排名值 3.3行业一致预期景气度 行业一致预期景气度计算如下图表所示： 图表23：行业一致预期景气度因子计算公式 如下图所示，20231201截面的行业一致预期景气度因子排名，排名值越小表示景气度越好。 图表24：一致预期景气度因子20231201截面排名值 如下图表所示，一致预期景气度因子的纯因子收益率。基于CANSLIM选股模式以及Barra的风格因子体系构建的适用于A股市场的行业轮动因子框架，详情见国联研究所2022年9月29日发布的《行业配置系列2——多宏观周期下的行业轮动因子检验》。 图表25：一致预期景气度因子收益，截止20231201 4.主动策略表现回顾 4.1大小盘轮动 从宏观指标、利率、汇率指标以及中微观指标来构建大小盘轮动信号，预测目标设置为申万大盘(801811.SI)和申万小盘(801813.SI)的比值。 用满足格兰杰因果关系检验12个子信号对大小盘预测目标未来1个月的收益率差值进行多元线性回归，得到预测的大小盘收益率差值Yhat作为交易信号。 将交易信号标准化、归一化后进行回测，调仓频率为月频率。策略从2004年以来，相对于大盘0.5仓位，小盘0.5仓位的基准有年化7.57%的超额收益率。 如下图表所示，信号值与大小盘仓位时序变化情况。 图表26：信号值与大小盘仓位时序变化，截止20231201 如下两图表所示，大小盘轮动策略的月度净值曲线与分年绩效表现。 图表27：大小盘轮动策略月度净值曲线 图表28：大小盘轮动策略分年绩效表现 4.2主要风格因子收益回顾 如下图表所示，2023年取得正向收益的风格因子有市值因子、贝塔因子和杠杆因子，其中市值因子3.05%的正向收益为最高。排名前3的负向收益的风格因子为流动性因子、非线性市值因子和价值因子。 图表29：主要风格因子年度因子收益，截止20231201 如下图表所示，2023年主要风格因子年度收益累计时序变化图。其中市值因子累计收益较为平稳上涨，流动性因子累计收益较为平稳的下跌。 图表30：主要风格因子年度收益累计时序变化 4.3量化行业轮动表现 构建多维度行业风格因子，包括一致预期景气、超越预期盈利、龙头效应、行业估值泡沫、反转因子、动量因子、拥挤度、通胀beta。基于宏观周期的因子轮动并配置相应的高预期