港股通大消费择时跟踪：经济仍显韧性，等待港股通消费配置良机

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8月份策略推荐仓位配置维持3333。 2024年7月份配置模型收益率为060优于中证港股通大消费指数表现181。从历史表现方面来看，从2018年 11月至2024年7月，策略年化收益率为689、最大回撤为3076、夏普比率为039、收益回撤比为022，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7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23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13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（006786OF） 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050，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 21宏观数据的选用4 22宏观数据的预处理6 23宏观事件因子构建6 24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（006786OF）8 风险提示8 图表目录 图表1：宏观择时模块最新观点（截至7月31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8月份策略推荐仓位配置维持3333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3333。 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7月份配置模型收益率为060优于中证港股通大消费指数表现181。从历 史表现方面来看，从2018年11月至2024年7月，策略年化收益率为689、最大回撤为3076、夏普比率为039、收益回撤比为022，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7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7月31日） 观察维度 当前信号 上月信号 择时仓位 3333 3333 配置观点 维持仓位 维持仓位 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 2024131 000 1840 816 2024229 000 964 427 2024331 020 090 040 2024430 113 339 150 2024531 486 963 427 2024630 148 430 191 2024731 060 181 080 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 2024229 20243312024430 2024531202463020247312024831 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 NA 0 0 0 M1同比 0 0 0 0 1 0 0 中美国债利差10Y NA NA NA NA NA NA NA PMI原材料价格 0 1 1 1 0 1 1 新增社融滚动12个月求和同比 NA NA NA NA NA NA NA 来源：Wind，国金证券研究所 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 112018082024 择时策略 中证港股通大消费 等比例基准 年化收益率 689 645 187 年化波动率 1979 2949 1308 最大回撤 3076 6783 3685 夏普比率 039 010 013 泰康大消费 择时策略 等比例基准 收益回撤比 022 010 005 25 2 15 1 05 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 09 08 07 06 05 04 03 02 01 0 08 06 04 02 0 02 04 2018201920202021202220232024 股票平均仓位 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。 21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。 图表8：经济、通胀、货币和信用类指标 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PMIMA12 经济 制造业PMI新订单 月月 当月月末当月月末 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 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10Y1M 日 当日收盘 国债利差10Y3M 日 当日收盘 PPI同比 月 次月月中 PPI同比差值 月 次月月中 PPICPI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 M1M2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 22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 112 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。 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。 23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04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：数据突破数据均线，数据突破数据中位数以及数据的同向变化，对因子事件赋予不同的参数，共构建28个不同的因子事件。 因子事件参数 数据突破数据均线均线长度：212 数据突破数据中位数滚动窗口：212 数据同向变动同向变动期数15 来源：国金证券研究所 生成事件因子后，就可以进入对事件因子的评价和筛选阶段，但首先需要确定下用什么衡量指标。我们列出了2种不同的衡量指标：收益率胜率和开仓波动调整收益率，其中收益率胜率不仅考虑了事件因子的开仓成功率，还包含了盈亏比的信息；开仓波动调整收益率 综合考虑了指标成功率，收益率和波动率的信息。结合指标的不同特点，我们选取收益率胜率作为每期事件因子的筛