您的浏览器禁用了JavaScript(一种计算机语言,用以实现您与网页的交互),请解除该禁用,或者联系我们。[国金证券]:港股通大消费择时跟踪:等待介入良机,7月维持港股通消费配置 - 发现报告
当前位置:首页/其他报告/报告详情/

港股通大消费择时跟踪:等待介入良机,7月维持港股通消费配置

2024-07-13高智威国金证券张***
港股通大消费择时跟踪:等待介入良机,7月维持港股通消费配置

月度择时模型观点及策略表现 根据国金金融工程团队发布的《量化掘基系列之二:量化择时把握港股通大消费板块投资机会》,我们构建了基于动态宏观事件因子的中证港股通大消费主题指数择时策略。从指数择时模块的信号来看,2024年7月份策略推荐仓位配置维持33.33%。 2024年6月份配置模型收益率为-1.48%,优于中证港股通大消费指数表现(-4.30%)。从历史表现方面来看,从2018年11月至2024年6月,策略年化收益率为7.31%、最大回撤为-29.59%、夏普比率为0.41、收益回撤比为0.25,各维度上表现均优于基准。 另外,我们统计了从2018年11月至2024年6月择时策略的逐年表现,可以发现该策略在大多数年份都取得了正的超额收益,并且在等比例基准出现回撤的阶段,该策略较好地控制住了下行风险。 基于动态宏观事件因子的中证港股通大消费指数择时策略 为了探索中国宏观经济对香港大消费主题上市公司整体状况和走势的影响,我们选取中证港股通大消费主题指数作为研究对象,尝试从动态宏观事件因子的角度构建择时策略框架。我们用经济、通胀、货币和信用四维度的20余个宏观数据指标,基于数据样本内时间段的收益率胜率指标和开仓波动调整收益率指标数值,筛选出这些宏观数据每期最优的事件因子和最优的数据处理方式,并且从中挑选出了5个对中证港股通大消费主题指数择时效果较好的宏观因子。在选定了最终使用的宏观指标之后,我们使用这些宏观数据构建的宏观事件因子来搭建择时策略:当大于2/3的因子发出看多信号,则当期该大类因子的信号标记为1;当少于1/3的因子发出看多信号时,则当期大类因子信号标记为0;若当因子发出看多信号的比例处于两个区间之后,则大类因子标记为对应具体的比例。将每期大类因子的得分作为当期的择时仓位信号。 建议关注标的介绍:泰康中证港股通大消费A(006786.OF) 目前跟踪中证港股通大消费主题指数的基金为泰康中证港股通大消费主题基金,是择时策略可投资的标的,该基金成立于2019年4月9日,为被动指数基金,该基金紧密跟踪中证港股通大消费主题指数,基金成立以来日均跟踪误差为0.50%,目前该基金由泰康基金的基金经理刘伟管理。 风险提示 1、以上结果通过历史数据统计、建模和测算完成,若历史数据产生环境发生变化,可能出现模型失效风险; 2、政策环境发生变化,资产与相关风险因子失去稳定关系的模型风险; 3、市场环境发生变化,国际政治摩擦升级等带来各大类资产同向大幅波动风险; 4、基金相关信息及数据仅作为基金研究使用,不作为募集材料或者宣传材料; 5、本文涉及所有基金历史业绩均不代表未来表现。 内容目录 一、月度择时模型观点及策略表现3二、基于动态宏观事件因子的中证港股通大消费指数择时策略4 2.1宏观数据的选用42.2宏观数据的预处理52.3宏观事件因子构建62.4择时策略构建7 三、建议关注标的介绍:泰康中证港股通大消费A(006786.OF)7风险提示8 图表目录 图表1:宏观择时模块最新观点(截至6月30日)3图表2:宏观事件因子择时策略表现3图表3:各细分因子信号展示3图表4:宏观事件因子择时策略净值4图表5:宏观事件因子择时策略表现4图表6:宏观事件因子择时策略择时仓位4图表7:宏观事件因子择时策略逐年收益4图表8:经济、通胀、货币和信用类指标4图表9:事件因子构建流程图5图表10:事件因子的构建6图表11:各类衡量指标介绍6图表12:最终筛选的宏观因子7图表13:择时策略仓位确定流程图7图表14:泰康中证港股通大消费A基本资料8 一、月度择时模型观点及策略表现 根据国金金融工程团队发布的《量化掘基系列之二:量化择时把握港股通大消费板块投资机会》,我们构建了基于动态宏观事件因子的中证港股通大消费主题指数择时策略。根据其中指数择时模块给出的信号,2024年7月份策略推荐仓位配置维持33.33%的仓位。从细分指标来看,本次共有3个指标参与打分,分别是“M1:同比”,“金融机构:中长期贷款余额:当月新增:滚动12M求和:同比”,中采制造业PMI_原材料价格。其中,“中采制造业PMI_原材料价格”指标看多,其余指标看空,合成大类因子信号为33.33%。 通过在回测时间段根据大类因子信号所得到的择时仓位信号时间序列,可以看出择时策略总体上保持着较低的平均仓位,仅有44%。为了能够更好地评价该择时策略,我们以回测期内策略的平均权重作为固定的择时仓位,构建一个等比例基准,并将其作为评估策略的对象。 2024年6月份配置模型收益率为-1.48%,优于中证港股通大消费指数表现(-4.30%)。从历 史表现方面来看,从2018年11月至2024年6月,策略年化收益率为7.31%、最大回撤为-29.59%、夏普比率为0.41、收益回撤比为0.25,各维度上表现均优于基准。 另外,我们统计了从2018年11月至2024年6月择时策略的逐年表现,可以发现该策略在大多数年份都取得了正的超额收益,并且在等比例基准出现回撤的阶段,该策略较好地控制住了下行风险。 图表1:宏观择时模块最新观点(截至6月30日) 观察维度 当前信号 上月信号 择时仓位 33.33% 33.33% 配置观点 维持仓位 降低仓位 来源:Wind,国金证券研究所 图表2:宏观事件因子择时策略表现 择时策略 中证港股通大消费 等比例基准 2024/1/31 0.00% -18.40% -8.16% 2024/2/29 0.00% 9.64% 4.27% 2024/3/31 0.20% 0.90% 0.40% 2024/4/30 1.13% 3.39% 1.50% 2024/5/31 -4.86% -9.63% -4.27% 2024/6/30 -1.48% -4.30% -1.91% 来源:Wind,国金证券研究所 图表3:各细分因子信号展示 细分因子 2024/2/29 2024/3/31 2024/4/30 2024/5/31 2024/6/30 2024/7/31 金融机构:中长期贷款余额:当月新增:滚动12M求和:同比 0 0 0 N/A 0 0 M1:同比 0 0 0 0 1 0 中美国债利差10Y N/A N/A N/A N/A N/A N/A PMI:原材料价格 0 1 1 1 0 1 新增社融:滚动12个月求和:同比 N/A N/A N/A N/A N/A N/A 来源:Wind,国金证券研究所 11/2018-07/2024 择时策略 中证港股通大消费 等比例基准 年化收益率 7.31% -5.72% -1.52% 年化波动率 19.92% 29.67% 13.16% 最大回撤 -29.59% -66.17% -35.42% 夏普比率 0.41 -0.08 -0.11 泰康大 消费 择时策 略 等比例 基准 收益回撤比 0.25 -0.09 -0.04 图表4:宏观事件因子择时策略净值图表5:宏观事件因子择时策略表现 2.5 2 1.5 1 0.5 0 来源:Wind,国金证券研究所来源:Wind,国金证券研究所 图表6:宏观事件因子择时策略择时仓位图表7:宏观事件因子择时策略逐年收益 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 股票平均仓位 0.8 0.6 0.4 0.2 0 -0.2 -0.4 2018201920202021202220232024 择时策略泰康大消费 等比例基准超额收益 来源:Wind,国金证券研究所来源:Wind,国金证券研究所 二、基于动态宏观事件因子的中证港股通大消费指数择时策略 港股容易受到中国宏观、海外货币流动性等多因素的影响,具有很多不确定性,盲目投资往往会带来资金的重大损失,因此投资者应当具备建立中短期择时模型的能力,利用大盘的代表性来找到系统性的机会和规避系统性的风险。 为了探索中国宏观经济对香港大消费主题上市公司整体状况和走势的影响,我们选取中证港股通大消费主题指数作为研究对象,尝试从动态宏观事件因子的角度构建择时策略框架。 2.1宏观数据的选用 在构建动态事件驱动策略框架的过程中,我们首先需要确定使用什么数据去搭建什么事件因子,即去寻找与资产收益率相关的宏观数据,并构建能够刻画它们与资产关系的事件因子。 在数据方面,通过选取,我们将经济、通胀、货币和信用四大类的20余个因子,包括PMI、PPI、M1等数据,纳入测试的范围当中。 数据分类 指标名称 频率 数据发布时间 制造业PMI 月 当月月末 制造业PMI:MA12 月 当月月末 经济 制造业PMI:新订单 月 当月月末 制造业PMI:新订单:MA12 月 当月月末 制造业PMI:新出口订单 月 当月月末 图表8:经济、通胀、货币和信用类指标 工业增加值:当月同比 月 次月月中 产量:发电量:当月值:MA3 月 次月月中 产量:发电量:当月值:MA3:环比 月 次月月中 产量:发电量:当月值:MA3:同比 月 次月月中 消费者信心指数 月 次月月末 国债利差10Y-1M 日 当日收盘 国债利差10Y-3M 日 当日收盘 PPI:同比 月 次月月中 PPI:同比:差值 月 次月月中 PPI-CPI剪刀差 月 次月月中 通胀PMI:原材料价格 月 当月月末 PMI:原材料价格:MA12 月 当月月末 PMI:生产动能 月 当月月末 PMI:生产动能:MA12 月 当月月末 中美国债利差10Y 货币 中美实际利差10Y 日日 当日收盘当日收盘 M1:同比 月 次月月中 中美M2:同比 月 次月月中 M1-M2剪刀差 月 次月月中 新增社融:滚动12个月求和 信用 新增社融:滚动12个月求和:同比 月月 次月月中次月月中 金融机构:中长期贷款余额:当月新增:滚动12M求和 月 次月月中 金融机构:中长期贷款余额:当月新增:滚动12M求和:环比 月 次月月中 金融机构:中长期贷款余额:当月新增:滚动12M求和:同比 月 次月月中 来源:国金证券研究所 挑选好数据后,需要对数据进行预处理操作后才可以进入事件因子的构建阶段,具体流程如下图所示,我们将在后文对每个步骤进行详细的阐述。 图表9:事件因子构建流程图 来源:国金证券研究所 2.2宏观数据的预处理 对于数据的预处理方面,我们分成了4个小步骤: 对齐数据频率:将指标的频率统一成月频,对于日频数据可以取每月的最后一个交易日的数据作为当月的数据,或者是取月内日频数据的均值作为当月的数据。 填充数据缺失值:对于缺失的数据,取数据过去12个月指标的一阶差分值的中位数叠加上一期的数值进行填充。 图表10:事件因子的构建 𝑋�=𝑋𝑡−1+𝑀𝑒𝑑𝑖�𝑛𝑑𝑖𝑓𝑓12 滤波处理:这个步骤需要结合数据判断,以防将数据中的重要信息过滤掉。我们尝试用量化的形式,通过同时构建数据的2种处理方式的因子,最终筛选出更适合该指标的处理方式: a)不做处理的原始数据;b)做滤波处理的数据; 在滤波处理方面,选择使用单向HP滤波,避免数据处理过程中隐含的未来函数。 � 𝑟̂𝑡|𝑡,�=∑𝜔𝑡|𝑡,𝑠,�.𝑦�=𝑊𝑡|𝑡,�(𝐿).𝑦� 𝑠=1 变化数据结构衍生因子:为了使数据更能捕捉资产收益率变动方向,我们对不同的数据使用不同的数据格式,包括数据的同比、环比、移动平均等。 2.3宏观事件因子构建 数据预处理后,进入宏观事件因子构建阶段,我们将构建过程拆解成7个小步骤: 1)确定事件的突破方向:计算数据与资产标的下一期收益率的相关性,当相关性为正相关时,对该数据构建正向突破(变动)的事件,反之则构建反向突破(变动)的事件。 2)确定数据与资产的领先滞后性:对数据衍生出滞后0-4期的事件因子,通过筛选因子的指标衡量什么时滞期数下的事件因子更为合适,动态识别数据与资产目前的领先滞后关系。 3)生成事件因子:构建三类事件因子:数