大类资产配置系列（三）：微观视角下的行业轮动初探

金融工程-深度报告 大类资产配置系列（三）：微观视角下的行业轮动初探 报告日期：2024年9月25日 ★主要内容 本报告从微观视角探索构建行业轮动的策略，对比不同的因子处理方案，寻找去除噪声且有效的微观因子，以构建行业轮动策略捕捉行业Beta。因子处理层面，选用了三套方案：方案一为计算个股层面因子取值，在截面上标准化后直接合成行业因子；方案二是首先计算个股层面因子取值，在截面上去极值标准化后直接合成行业因子；方案三为行业因子风格中性化的处理方案，首先计算个股层面因子取值及选定风格因子的取值，在截面上去极值后将因子对选定风格因子回 金归取残差，之后对残差去极值标准化后，合成行业因子值。 融因子有效性测试框架主要采用信息系数法与回归显著性验工证相结合方式，此外加入了对多头组表现判定效果更好的排程序结果评价指标NDCG。 调参确定不同方案窗口参数，滚动获得不同方案在每个窗口合成因子的行业轮动表现。自2016年至今，按周频回测净值结果，方案一年化收益15.05%，年化波动18.67%，最大回撤 -23.11%，周度胜率54.07%，夏普比率0.81，卡玛比率0.65，相比沪深300指数年化超额为14.92%，相比中证800指数年化超额为16%；方案二年化收益18.97%，年化波动18.62%，最大回撤-17.62%，周度胜率56.94%，夏普比率1.02，卡玛比率1.08，相比沪深300指数年化超额为18.84%，相比中证800指数年化超额为19.92%；方案三年化收益3.29%，年化波动19.77%，最大回撤-32.19%，周度胜率55.26%，夏普比率0.17，卡玛比率0.10，相比沪深300指数年化超额为3.16%，相比中证800指数年化超额为4.24%，效果不佳。主要是由于近几年行业轮动加快，长训练集与样本外相对长窗口参数相对短训练集参数效果一般，而因子风格中性化的处理方式适用长训练集参数。 ★风险提示 量化模型失效风险，指标的有效性基于历史数据得出，不排除失效的可能。 王冬黎金融工程首席分析师 从业资格号：F3032817 投资咨询号：Z0014348 Tel：8621-63325888-3975 Email：dongli.wang@orientfutures.com 联系人 范沁璇金融工程分析师 从业资格号：F03111965 Email：qinxuan.fan@orientfutures.com 系列报告： 《大类资产配置系列（一）：基于高频宏观因子与投资时钟的视角》 《大类资产配置系列（二）：宏观因子资产化及风险配置》 扫描二维码，微信关注“东证繁微”小程序 重要事项：本报告版权归上海东证期货有限公司所有。未获得东证期货书面授权，任何人不得对本报告进行任何形式的发布、复制。本报告的信息均来源于公开资料，我公司对这些信息的准确性和完整性不作任何保证，也不保证所包含的信息和建议不会发生任何变更。我们已力求报告内容的客观、公正，但文中的观点、结论和建议仅供参考，报告中的信息或意见并不构成交易建议，投资者据此做出的任何投资决策与本公司和作者无关。 有关分析师承诺，见本报告最后部分。并请阅读报告最后一页的免责声明。 目录 1.研究背景4 1.1.Barra因子介绍及因子中性化方案4 1.2.因子有效性测试框架9 2.行业轮动因子介绍11 2.1.风格中性化流程Barra因子选定11 2.2.行业轮动因子挑选逻辑12 2.3.方案一年频窗口参数选用因子及样本内外表现示例30 3.行业轮动策略33 4.风险提示35 图表目录 图表1：Barra因子框架（CNE6）4 图表2：因子信息拆解10 图表3：因子有效性测试框架10 图表4：选定风格中性Barra因子全样本表现12 图表5：量价日频因子13 图表6：量价中高频因子一览18 图表7：基本面盈利因子21 图表8：基本面成长因子22 图表9：基本面营运因子25 图表10：安全&公司治理因子26 图表11：估值因子27 图表12：分析师因子27 图表13：股东&规模因子29 图表14：方案一2023年窗口合成因子样本内外表现展示30 图表15：方案一合成因子样本外周频净值展示31 图表16：方案一2023年窗口因子样本内表现展示31 图表17：方案一2023年窗口因子样本外表现展示32 图表18：回测结果34 图表19：方案一净值曲线34 图表20：方案二净值曲线35 图表21：方案三净值曲线35 1.研究背景 市场环境瞬息万变，行业轮动的驱动因素也在不断发生着变化。本报告尝试从微观视角探索构建行业轮动的策略，对比不同的因子处理方案，寻找去除噪声且有效的微观因子，构建行业轮动策略捕捉行业Beta。 1.1.Barra因子介绍及因子中性化方案 Barra风格因子模型是明晟公司(MSCI)旗下多因子模型产品，主要应用于多因子选股分析和结构化风险因子分析。Barra风格因子（CNE6）模型共有八类风格因子，包括规模因子(Size)、波动率因子(Volatility)、流动性因子(Liquidity)、价值因子（Value)、质量因子(Quality)、动量因子(Momentum)、成长因子(Growth)、分红因子(DividendYield)。对于因子风格中性化流程而言，Barra因子框架中的因子可以直接用于风格中性化，也可根据需求挑选部分因子进行中性化。 图表1：Barra因子框架（CNE6） 序号 一级因子 二/三级因子 含义 1 规模因子 （Size) 市值（LNCAP） 股票市值的自然对数 中等市值（MIDCAP） 对市值因子求立方，并以回归权重将其对市值因子正交化，最后进行缩尾和标准化处理 2 波动率因子(Volatility) 贝塔（HBETA） 以252天为半衰期，在最近504个交易日窗口内，将股票收益率减去无风险收益率对全样本市值加权收益率减 去无风险收益率做时序回归，取回归系数 历史Sigma(HSIGMA) 以计算Beta因子的方法进行相同回归，计算残余收益的波动率。 日超额收益标准差 (DASTD) 以42天为半衰期，计算过去252个交易日的超额收益波动率。 累计收益范围 过去12个月累积对数超额收益的最高值与最低值之差 (CMRA) 3 流动性因子(Liquidity) 月换手率（STOM） 最近1个月交易股票百分比的对数。 季换手率（STOQ） 最近3个月月交易股票平均百分比的对数 年换手率（STOA） 最近12个月月交易股票平均百分比的对数 年化交易量比率 （ATVR） 以63天为半衰期，最近252天窗口内，日交易股票百分比的指数加权和。 4 价值因子 （Value) 账面市值比（BTOP） 最新报告普通股账面价值/现市值 现金盈利价格比 （CETOP） 过去12个月现金利润/现市值 EP比（ETOP） 过去12个月利润/现市值 企业倍数（EM） 上一财年息税前利润（EBIT）/现企业价值（EV） 分析师预测EP比 （ETOPF） 未来12个月预测利润/现市值 长期相对强度 （LTRSTR） 以260天为半衰期，在过去1040天的窗口内，计算股票超市场收益对数的指数加权和，作为非滞后的长期相对强度。接着滞后273天，计算11天窗口内非滞后值 的等权平均值，再取负数，以此作为长期相对强度 长期历史Alpha （LTHALPHA） 以260天为半衰期，在过去1040天的窗口内，按与计算Beta因子一样的方法（CAPM）取时序回归的截距项，作为非滞后的长期历史Alpha。接着滞后273天，计算11天窗口内非滞后值的等权平均值，再取负数， 以此作为长期历史Alpha。 5 质量因子(Quality) 市场杠杆率（MLEV） (上一交易日普通股市值+上一财年优先股+上一财年长期负债)/上一交易日普通股市值 账面杠杆率（BLEV） (上一财年普通股账面值+优先股账面值+长期负债账面价值)/上一财年普通股账面值 资产负债率（DTOA） 上一财年总负债/上一财年总资产 收入变动率（VSAL） 过去5年年收入标准差/平均年收入 盈利变动率（VERN） 过去5年年净利润标准差/平均年净利润 现金流变动率 （VFLO） 过去5年年现金流标准差/平均年现金流 预测每股收益变动 率（ETOPF_STD） 未来12月每股盈利预测标准差/现股价 资产负债表盈余 （ABS） -基于资产负债表的盈余(ACCR_BS)/总资产 现金流盈余（ACF） -基于现金流量表的盈余（ACCR_CF）/总资产 资产周转率（ATO） 过去12个月收入/最新报告的总资产 毛利（GP） （上一财年收入-销货成本（COGS））/上一财年总资产 毛利率（GPM） （上一财年收入-销货成本（COGS））/上一财年收入 资产收益率（ROA） 过去12个月净利润/最新报告的总资产 总资产增长率 （AGRO） 将过去5年总资产对时间回归，得到回归系数；将回 归系数除以平均总资产再取负数，得到总资产增长率 发行股份增长率 （IGRO） 将过去5年发行股份数对时间回归，得到回归系数； 将回归系数除以平均发行股份数再取负数，得到发行股份增长率 资本支出增长率 （CXGRO） 将过去5年资本支出对时间回归，得到回归系数；将回归系数除以平均资本支出再取负数，得到资本支出增 长率 6 动量因子(Momentum) 相对强度（RSTR） 以126天为半衰期，在过去252天的窗口内，计算股票超市场收益对数的指数加权和，作为非滞后的相对强度。接着滞后11天，计算11天窗口的非滞后相对强度 等权平均值，以此作为相对强度 Alpha（HALPHA） 以126天为半衰期，在过去252天的窗口内，按与计算Beta因子一样的方法（CAPM）取时序回归的截距项，作为非滞后的历史Alpha。接着滞后11天，计算11天窗口的非滞后历史Alpha等权平均值，以此作为历史 Alpha 7 成长因子(Growth) 净利润增长率 （EGRLF） 分析师预测长期（3-5年）净利润增长率 每股净利润增长率 （EGRO） 将过去5年每股年净利润对时间进行回归，得到回归系数；将回归系数除以平均每股年净利润得到每股净利润 增长率 每股收入增长率 （SGRO） 将过去5年每股年收入对时间进行回归，得到回归系数；将回归系数除以平均每股年收入得到每股收入增长率 8 分红因子(DividendYield) 股息率（DTOP） 过去12个月每股分红/上月末股价 分析师预测股息率 （DTOPF） 未来12个月每股预测分红/现股价 资料来源：东证衍生品研究院 假设f_taget为待风格中性化的因子，f1,f2,…,fn为选定进行风格中性化流程的风格因子，对他们进行回归的公式为： 对残差ε去极值再标准化即可用于合成行业因子。 本报告采用申万一级行业指数为底层资产构建行业轮动策略，因此，合成行业因子参考指数的编制方案，根据指数各成分股权重加权进行行业因子的合成。 值得注意的是，本报告去极值的方法采用百分位数法，即将因子值进行升序排列，对排位百分位高于97.5%或低于2.5%的因子值，调整至百分位范围内。 1.2.因子有效性测试框架 对于个股因子，其中可能含有个股选股信息（Alpha）以及Beta信息（行业/风格），如果仅采用截面个股选股有效性验证的方法来留存因子，以Beta信息为主的因子可能被忽略，因此我们需要先将个股因子合成为行业因子，再对行业因子做检验以验证因子的有效性。值得注意的是，合成因子可能存在Beta信息中带有风格信息太多对行业信息存在扰动，因此对于所有因子，我们都在个股层面采用风格中性化处理为处理方案之一，对比各方案下因子的表现，只要存在任意处理方案下效果较好的因子，我们就把它保留下来。 �一个问题是我们为什么考虑多种的因子处理方案？因为任何对于因子噪声信息的处理都可能带来重要信息的损失以致于因子失效，因此由浅入深比对与进行因子信息处理有助于减少有效因子的损失。 �二个问题是我们