行业配置报告（2024年9月）：行业配置策略与ETF组合构建

2024年09月01日 证券研究报告•金融工程动态报告 行业配置报告（2024年9月） 行业配置策略与ETF组合构建 摘要 相似预期差行业轮动模型 最新配置观点：银行有色金属、非银行金融、石油石化、家电、食品饮料 上月组合收益率表现：2024年8月，组合月度收益率-5.84%，相较于行业等权指数超额收益率-1.24%。8月行业配置为：房地产、钢铁、建筑、银行、医药、国防军工。其中银行超额收益率2.88%，医药超额收益率1.24%。 分析师预期边际变化行业轮动模型 最新配置观点：汽车、有色金属、农林牧渔、电力及公用事业、家电、建筑 上月组合收益率表现：2024年8月，组合月度收益率-4.64%，相较于行业等权指数超额收益率-0.04%。8月行业配置为：有色金属、农林牧渔、汽车、银行、食品饮料、电子。其中有色金属超额收益率0.63%，银行超额收益率2.88%，食品饮料超额收益率2.40%。 ETF组合构建 最新ETF行业组合配置：银行、有色金属、食品饮料、汽车、家电 风险提示 本报告结论完全基于公开的历史数据，若未来市场环境发生变化，因子的实际表现可能与本文的结论有所差异，同时可能存在第三方数据提供不准确风险。ETF组合不构成投资收益的保证或投资建议，基金产品的表现受宏观环境、市场波动、风格转换等多重因素影响，存在一定波动风险，投资者需充分认知自身风险偏好以及风险承受能力，基金有风险，投资需谨慎。 西南证券研究发展中心 分析师：郑琳琳 执业证号：S1250522110001 邮箱：zhengll@swsc.com.cn 分析师：王天业 执业证号：S1250524050002 邮箱：wty@swsc.com.cn 相关研究 1.鹏华基金王云鹏：深谙材料制造，周期选股收益稳健(2024-08-26) 2.当前美股回调还是衰退？探索规避美股下跌的预警信号(2024-08-08) 3.如何利用机器学习赋能红利高股息投资(2024-08-05) 4.相同工作日动量因子构建与策略探究 (2024-08-02) 5.2024年公募基金二季报持仓透视出哪些重要信息？(2024-07-30) 6.量价时序特征挖掘模型在深度学习因子中的应用(2024-07-11) 7.金融工程2024年中期投资策略：应势而谋，顺势而动(2024-07-11) 8.天弘基金陈国光：前瞻产业精选个股的科技猎手(2024-07-01) 9.长信基金张子乔：注重自下而上，均衡策略深耕成长(2024-07-01) 10.广发基金张东一：三维精选优质标的，“核心-卫星”策略攻守兼备 (2024-06-25) 请务必阅读正文后的重要声明部分 目录 1基于相似预期差因子的行业轮动模型1 1.1模型介绍1 1.2历史回测2 1.3策略跟踪2 2基于分析师预期边际变化的行业轮动模型4 2.1模型介绍4 2.2历史回测4 2.3策略跟踪4 3模型汇总6 3.1观点汇总6 3.2情景分析6 4ETF组合构建7 5风险提示7 图目录 图1：行业维度相似预期差因子IC统计图2 图2：近一年相似预期差行业轮动策略月度收益率3 图3：相似预期差多头策略与市场指数净值变化图3 图4：动态分析师预期因子IC统计图4 图5：近一年动态分析师预期行业轮动策略月度收益率5 图6：动态分析师预期多头策略与市场指数净值变化图5 表目录 表1：相似预期差因子信息系数分析结果2 表2：相似预期差行业轮动策略收益表现（2016年12月起）2 表3：相似预期差行业轮动策略推荐行业3 表4：动态分析师预期因子信息系数分析结果4 表5：动态分析师预期行业轮动策略收益表现（2016年12月起）5 表6：动态分析师预期行业轮动策略推荐行业6 表7：行业轮动模型配置观点6 表8：策略情景分析6 表9：2024年9月ETF组合相关基金标的7 前言 本篇，我们基于《基于相似股票历史收益的选股因子研究》（2022年05月20日）、《基 于“集中度”识别拥挤交易的行业轮动策略》（2022年01月26日）构建的行业轮动模型，定期更新月度行业配置观点，并对策略历史表现进行了持续跟踪。在此基础上，构建行业ETF组合策略。 1基于相似预期差因子的行业轮动模型 1.1模型介绍 相似预期差因子的核心逻辑是寻找相似股票表现优异但其本身尚未大涨的个股。相似预期差因子值的计算方法如下。 首先，我们要通过股票距离来刻画股票间的相似性，从而筛选出相似股票，具体而言，我们将股与股在时刻的距离定义为二者在市盈率行业相对值、净资产收益率、资产增长率之间的欧氏距离： 其中，为股在月末的市盈率行业相对值，为股截止月末已披露的最新报告期的净资产收益率，为股截止月末已披露的最新报告期的资产增长率。市盈率行业相对值的具体算法如下： 其中，为股在月末的市盈率，为股所属行业在月末的平均市盈率，为股所属行业在月末的市盈率的标准差。 给定股票距离的阈值，相似预期差因子定义为同股票在时刻距离小于阈值的全部只股票过去一个月历史收益率的市值加权平均值与该股上一个月历史收益率之差： 其中，代表股以市值加权的权重，代表股月的收益率。 相较于个股层面构建相似预期差因子，行业视角下构造相似预期差因子的方法有所不同。在时刻,在每个中信一级行业内，根据每只股票历史收益率的大小，筛选出所有过去一个月收益跑赢万得全A指数的个股，计算每只股票的相似预期差因子值，相似预期差因子值的算数平均即为该行业的相似预期差因子值。 1.2历史回测 在样本期（2016/12-2024/8）内，行业维度下相似预期差因子具备较强的行业筛选能力。相似股预期差因子的IC均值为0.12，IC与均值同向的比例为64.13%，ICIR为0.41。 表1：相似预期差因子信息系数分析结果 因子 IC均值 IC标准差 t统计量 IC胜率 IR比率 相似预期差因子 0.12*** 0.29 3.90*** 64.13% 0.41 数据来源：Wind，西南证券整理 图1：行业维度相似预期差因子IC统计图 112 0.8 10 0.6 0.48 0.26 0 4 -0.2 2 -0.4 2017-01 2017-04 2017-07 2017-10 2018-01 2018-04 2018-07 2018-10 2019-01 2019-04 2019-07 2019-10 2020-01 2020-04 2020-07 2020-10 2021-01 2021-04 2021-07 2021-10 2022-01 2022-04 2022-07 2022-10 2023-01 2023-04 2023-07 2023-10 2024-01 2024-04 2024-07 -0.60 ICIC累计（右轴） 数据来源：Wind，西南证券整理 1.3策略跟踪 样本期内，根据相似预期差因子构建的多头Top6组合表现全面优于万得全A指数与行业等权指数，策略年化收益率为9.37%，年化波动率为0.17，累计净值为1.79收益波动比0.56，最大回撤率19%。 表2：相似预期差行业轮动策略收益表现（2016年12月起） 行业轮动策略 年化收益率 年化波动率 累计净值 收益波动比 最大回撤率 相似预期差因子 9.37% 0.17 1.79 0.56 19% 万得全A 0.61% 0.17 0.94 0.04 33% 中信一级行业等权 -0.20% 0.17 0.88 -0.01 32% 数据来源：Wind，西南证券整理 图2：近一年相似预期差行业轮动策略月度收益率 10% 5% 0% -5% -10% -15% 2023-092023-102023-112023-122024-012024-022024-032024-042024-052024-062024-072024-08 7% 6% 5% 4% 3% 2% 1% 0% -1% -2% -3% 多头策略行业等权超额收益（右轴） 数据来源：Wind，西南证券整理 图3：相似预期差多头策略与市场指数净值变化图 2.51.2 2.0 1.0 1.5 1.0 0.5 0.8 0.6 0.4 0.2 2016-12 2017-03 2017-06 2017-09 2017-12 2018-03 2018-06 2018-09 2018-12 2019-03 2019-06 2019-09 2019-12 2020-03 2020-06 2020-09 2020-12 2021-03 2021-06 2021-09 2021-12 2022-03 2022-06 2022-09 2022-12 2023-03 2023-06 2023-09 2023-12 2024-03 2024-06 0.00.0 相对净值（右轴）多头策略行业等权 数据来源：Wind，西南证券整理 表3：相似预期差行业轮动策略推荐行业 日期 相似预期差行业轮动策略推荐行业 组合收益率 超额收益率 2024年9月 银行有色金属非银行金融石油石化家电食品饮料 / / 2024年8月 房地产（-7%）钢铁（-7%）建筑（-6%）银行（-2%）医药（-3%）国防军工（-9%） -5.84% -1.24% 2024年7月 煤炭（-9%）非银行金融（7%）家电（-1%）电力及公用事业（1%）银行（2%）石油石化（-6%） -0.78% -0.72% 2024年6月 建材（-8%）交通运输（-2%）银行（-0%）纺织服装（-9%）建筑（-4%）电力及公用事业（1%） -3.85% 2.53% 2024年5月 银行（3%）煤炭（6%）非银行金融（-1%）电力及公用事业（3%）交通运输（3%）石油石化（-1%） 2.07% 3.16% 2024年4月 商贸零售（-2%）食品饮料（1%）电力及公用事业（2%）石油石化（1%）纺织服装（-0%）农林牧渔（-1%） 0.09% -0.15% 数据来源：Wind，西南证券整理 2基于分析师预期边际变化的行业轮动模型 2.1模型介绍 我们选用近一月一致预测每股收益变化率、近三月一致预测三月每股收益变化率，近一月一致预测每股收益（未来十二个月）变化率、近三月一致预测每股收益（未来十二个月）变化率通过行业内市值加权构建动态分析师预期因子。 为了淡化个股绝对变化水平，客观刻画行业整体景气度，我们采用打分法进行因子复合。具体操作为，首先根据一致预期边际变化的正负进行打分，一致预期上调记1，下调记-1；一致预期边际变化大于1%记1，小于-1%记-1；一致预期边际变化大于2%记1，小于-2%记-1；一致预期边际变化大于3%记1，小于-3%记-1；加总以上得分，在中信一级行业内采用市值加权计算平均分，就可以得到因子值。 2.2历史回测 在样本期（2016/12-2024/8）内，动态分析师预期因子具备显著的行业筛选能力。因子的IC均值为0.07，IC与均值同向的比例为60.87%，ICIR为0.26。 表4：动态分析师预期因子信息系数分析结果 因子 IC均值 IC标准差 t统计量 IC胜率 IR比率 动态分析师预期因子 0.07** 0.27 2.50** 60.87% 0.26 数据来源：Wind，西南证券整理 图4：动态分析师预期因子IC统计图 0.808 0.607 0.406 5 0.20 4 0.00 3 -0.202 -0.401 2017-01 2017-04 2017-07 2017-10 2018-01 2018-04 2018-07 2018-10 2019-01 2019-04 2019-07 2019-10 2020-01 2020-04 2020-07 2020-10 2021-01 2021-04 2021-07 2021-10 2022-01 2022-04 2022-07 2022-10 2023-01 2023-04 2023-07 2023-10 202