策略专题：季度区间内的行业配置方法探索

策略专题 / 季度区间内的行业配置方法探索 挖掘价值投资成长 / 2024年04月25日 【核心观点】 在季度区间的时长内，通过量价类信息，和分析师盈利预期的信息，构建两大类因子，分别寻找每个因子的优化参数。最后将两大类因子联合使用，构建多因子模型。回测结果表明，该多因子模型能够较为有效的预测每个自然季度内的各个行业间的走势强弱。在 44个季度的回测期当中，该模型的年化超额回报达到9.90%，季度胜率达到72.73%，平均IC值为0.1758，IC为正的季度占比为77.27%。 季度区间下的多因子模型，不但能够用来做优选行业组合的配置，还可以用于排除预期表现较差的行业。我们在每个季度创建负面行业排除池，该行业池在回测期内跑输基准的次数概率接近85%，平均每期被剔除的行业个数约为10个。因此，投资者可以在负面行业池内以外的行业中选择股票，不但可以缩小选股范围，节省精力，还大概率规避了未来表现较差的行业，做到“避开没有鱼的池塘”，有助于提高选股成功率。 东方财富证券研究所 证券分析师：陈鼎 证书编号：S1160522110002电话：021-23586470 相关研究 《海外冲击加剧，市场企稳仍需 政策端继续发力》 2024.04.23 《美国启动对中国航运造船业301调查的后续影响可能非常微弱》 2024.04.22 《海外地缘政治冲突加剧，国九条颁布后A股整体价值体系重构进入日程》 2024.04.16 《海外冲击逐渐凸显，市场进入调整期》 2024.04.08 《关注小米汽车带来智能科技复苏机遇》 调仓时点不同，对于季度区间的行业轮动模型的表现有一定影响，当调仓时点位于1、4、7、10这四个月的月初时，季度行业轮动模型的表现相对较好。当调仓时点位于其它时点时，轮动模型的表现有所下滑，但总体仍然有效。 【风险提示】 测试结果基于有限的历史数据和量化模型，模型可能存在过拟合风险，不能保证对样本外的数据做出有效判断。 2024.04.03 策略研究 Ａ 股策略 证券研究报告 2017 正文目录 1.为何要在季度区间下探索行业配置4 2.从量价角度寻找在季度区间内有效的因子4 2.1.基于绝对收益率的简单动量4 2.2经风险调整后的动量因子5 2.3.经股价路径调整后的动量因子7 2.4.动量变化情况8 2.5.成交量变化情况9 2.6估值所反映的交易情绪10 2.7将多个量价因子整合为复合动量因子11 2.8反转因子的叠加使用13 3.从行业景气度角度寻找在季度区间内有效的因子14 4.多因子模型的构建和使用15 4.1多因子模型的构建15 4.2多因子模型用于弱势行业的排除16 5.其它思考18 5.1调仓时点不同对季度行业轮动的影响18 5.2因子有效性会随时间推移而衰减18 6.总结19 7.风险提示20 图表目录 图表1：行业配置的两种研究手段4 图表2：简单动量因子回测结果比较5 图表3：简单动量-优选因子分组回报率5 图表4：简单动量-优选因子超额回报5 图表5：夏普比率因子回测结果比较6 图表6：夏普比率-优选因子分组回报率6 图表7：夏普比率-优选因子超额回报6 图表8：ATR调整后动量因子回测结果比较7 图表9：ATR调整后动量-优选因子分组回报率8 图表10：ATR调整后动量-优选因子超额回报8 图表11：动量改善度因子回测结果比较8 图表12：动量改善度-优选因子分组回报率9 图表13：动量改善度-优选因子超额回报9 图表14：成交量波动因子回测结果比较10 图表15：成交量波动-优选因子分组回报率10 图表16：成交量波动-优选因子超额回报10 图表17：PB分位数因子回测结果比较11 图表18：PB分位数-优选因子分组回报率11 图表19：PB分位数-优选因子超额回报11 图表20：复合动量因子-分组回报率12 图表21：各单因子与复合动量因子效果比较12 图表22：复合动量（叠加泡沫度）-优选因子分组回报率13 2017 图表23：复合动量（叠加泡沫度）-优选因子超额回报13 图表24：复合动量因子（叠加泡沫度）&反转因子-优选组回报率14 图表25：复合动量因子（叠加泡沫度）&反转因子-优选组超额回报14 图表26：反转因子对纯动量因子的提升效果14 图表27：分析师预期因子-优选组回报率15 图表28：分析师预期因子-优选组超额回报15 图表29：多因子模型-优选组回报率16 图表30：多因子模型-优选组超额回报16 图表31：负面行业剔除池的效果17 图表32：负面行业组合的净值表现17 图表33：多因子模型在不同建仓起始点的效果比较18 图表34：模型表现在每个季度内随时间推移而衰减19 2017 1.为何要在季度区间下探索行业配置 截止到目前，我们已经在月度调仓频率的维度下，摸索建立了一套行业轮动的框架，从实战效果看，具备一定的指导意义。然而，对于主观多头的股票投资者而言，以月度为频率进行换仓，持仓周期有时会显得过短。有些场景下，投资者需要判断在稍长的周期内（至少一个季度）的行业间优劣，期望回避预期回报较差的行业板块，而在其它看好的板块里寻找股票，构建组合，等待投资标的兑现预期涨幅。因此，有必要在季度区间的时长维度上，探索行业配置的方法。 理想的行业配置框架，应当是主观研究+量化分析两类手段的结合，撷取两类方法各自的长处。主观研究擅长研究的方面是：产业政策、产业趋势、产业风险、美股映射的主题驱动等角度；量化分析擅长研究的方面是：财务数据、技术走势、交易情绪、资金流向等方向。当前我们的月度行业轮动模型，主要是融入了量化分析方法当中的行业景气度、动量、拥挤度等3方面因素的考量。本文后面的篇幅中，我们将尝试在此基础上，将行业配置框架适用的时间长度从月度延伸到季度。 图表1：行业配置的两种研究手段 资料来源：东方财富证券研究所 2.从量价角度寻找在季度区间内有效的因子 我们在之前的报告中做过研究，在持仓周期为1个月的前提下，存在着 明显的行业动量效应，即行业板块过去一段时间内的股价走势，对其未来1个月的回报率有一定预测作用。那么，在持仓周期为自然季度的背景下，是否还存在行业动量效应呢？我们分别对各个基础因子进行测试。 2.1.基于绝对收益率的简单动量 指标名称：简单动量。 指标含义：使用过去一段时间内的各个行业指数的绝对收益率作为基础 数据，来计算因子值。 回测方式：以中信一级行业指数作为回测对象（剔除综合、综合金融2个指数），在每个季度的最后一天，观察指数在过去N个自然日内的绝对收益率。按照收益率从大到小进行排序，排名越高的行业得分越高。将28个中信 一级行业分为4组，考察每组在下个季度的平均收益率。 回测区间：2013年1月~2023年12月，共11年，44个季度。 因子名称 关键参数N-回望观察天数（自然日） 第一组年化回报率，% 平均RankIC RankIC为正概率，% 首尾组收益率之差（第一组 –第四 组），% 简单动量-1 30 5.20 -0.0301 47.73 -3.88 简单动量-2 60 5.08 -0.0426 47.73 -4.89 简单动量-3 90 6.50 0.0035 52.27 -0.08 简单动量-4 180 9.28 0.0344 54.55 3.23 简单动量-5 365 9.76 0.0806 61.36 3.81 简单动量-6 730 6.57 0.0097 52.27 -0.87 图表2：简单动量因子回测结果比较 资料来源：Choice指数数据浏览器，东方财富证券研究所 优选因子：综合考虑因子底层投资逻辑、优选组的收益率、整体分组单调性、平均RankIC、RankIC为正概率等因素，我们选择简单动量因子-5 （N=365个自然日），作为简单动量因子大类中的优选因子。但简单动量指标整体上都表现比较平庸。 图表3：简单动量-优选因子分组回报率图表4：简单动量-优选因子超额回报 12% 10% 8% 6% 4% 2% 0% 4 9.76% 9.44% 7.99% 5.60% 5.95% 3.5 3 2.5 2 1.5 1 0.5 0 50% 40% 30% 20% 10% 0% -10% -20% -30% 年化回报率 组合净值（第一组）行业等权净值超额收益（右轴） 2017 资料来源：Choice指数数据浏览器，东方财富证券研究所资料来源：Choice指数数据浏览器，东方财富证券研究所 2.2经风险调整后的动量因子 指标名称：夏普比率。 指标含义：夏普比率是一个经典指标，同时对证券的收益和风险加以考量，衡量风险调整后的收益率。我们将行业指数的夏普比率定义为按照日频计算、无风险收益率选取十年期国债收益率的SharpRatio。 回测方式：以中信一级行业指数作为回测对象（剔除综合、综合金融2个指数），在每个季度的最后一天，观察指数在过去N个自然日的夏普比率。按照过去的夏普值从大到小进行排序，排名越高的行业得分越高。将28个中 信一级行业分为4组，考察每组在下个季度的平均收益率。 回测区间：2013年1月~2023年12月，共11年，44个季度。 因子名称夏普比率-1 关键参数N-回望观察天数（自然日）30 第一组年化回报率，%9.11 平均RankIC-0.0044 RankIC为正概率，%47.73 首尾组收益率之差（第一组 –第四组），% 1.65 夏普比率-2 60 7.83 -0.012 56.82 -0.88 夏普比率-3 90 7.03 0.0378 54.55 1.98 夏普比率-4 180 9.97 0.0441 54.55 5.02 夏普比率-5 365 9.31 0.0828 68.18 4.18 夏普比率-6 730 9.21 0.0247 59.09 1.28 图表5：夏普比率因子回测结果比较 资料来源：Choice指数数据浏览器，东方财富证券研究所 优选因子：综合考虑因子底层投资逻辑、优选组的收益率、整体分组单调性、平均RankIC、RankIC为正概率等因素，我们选择夏普比率-5 （N=365个自然日），作为夏普比率因子大类中的优选因子。 图表6：夏普比率-优选因子分组回报率图表7：夏普比率-优选因子超额回报 12% 10% 8% 6% 4% 2% 0% 4 10.82% 9.31% 7.99% 5.61% 5.13% 3.5 3 2.5 2 1.5 1 0.5 0 40% 30% 20% 10% 0% -10% -20% -30% 年化回报率 组合净值（第一组）行业等权净值超额收益（右轴） 2017 资料来源：Choice指数数据浏览器，东方财富证券研究所资料来源：Choice指数数据浏览器，东方财富证券研究所 2017 2.3.经股价路径调整后的动量因子 指标名称：ATR调整后动量。 指标含义：对于同样涨幅的两个行业，如果一个行业经过上上下下的多次波折往复才涨到当前位置，而另一个行业上涨过程更加平顺，没有遇到太多阻力就涨到当前位置，则我们猜测上涨阻力较小、股价经历路径较短的那个行业指数，未来的上涨潜力可能更大。同理，对于同样跌幅的两个行业，如果一个行业经过上上下下的多次反弹和打压才跌到当前位置，而另一个行业下跌过程中没有任何抵抗、一路滑落到当前位置，我们猜测下跌抵抗较少、股价经历路径较短的那个行业指数，未来的下跌可能性更大。因此，我们使用“ATR真实波幅”指标，对行业动量进行修正。 ATR真实波幅的定义：首先定义TR=|最高价-最低价|、|昨收-最高价|、 |昨收-最低价|三者中的最大值。然后ATR=TR的N日移动平均值。ATR调整后动量=行业指数区间收益率/区间内ATR真实波幅 回测方式：以中信一级行业指数作为回测对象（剔除综合、综合金融2个指数），在每个季度的最后一天，观察指数在过去N个交易日的ATR调整后动量。按照过去的数值从大到小进行排序，排名越高的行业得分越高。将28 个中