aa

Size: px

Start display at page:

Download "aa"

认却
7 years ago
Views:

1 2008/03/24 数量化投资金融工程行业配置数量化研究之三寻找增强组合收益的 alpha 生成器相关研究行业配置数量化研究之一发表日期 (2007/12/17) 行业配置数量化研究之二发表日期 (2008/02/15) 从行业数量化配置系列研究来看, 通过基本面信息挖掘得到对未来行业收益的看法, 然后再利用优化算法得到最优投资组合, 是一种进行行业配置较为理想的手段本文基于多因素模型和 Black-Litterman 模型构建了一套数量化行业配置投资体系, 可以用于进行构建和管理数量化基金, 并辅助投资决策我们检验了 2005 年至 2007 年在中国 A 股市场上的投资绩效, 同时试图发掘出增强组合 alpha 的行业, 即 alpha 生成器多因素模型系统性表达对资产预期收益的看法, 具有相对稳健以及全方位考查的优势, 对投资者应用而言是注重实际易处理也易于理解的, 因此可以用作对行业未来收益进行预测在无约束的条件下, 行业量化投资组合是一种多头 / 空头 (Long/Short) 策略, 能够战胜沪深 300 指数以及行业综合指数同时, 该系统能够方便的添加各种约束条件, 能够更贴近实际投资, 控制了对某些风险的过度配置理论和实证结果表明, 加入过多约束并不利于构建最优的行业配置组合通过实证检验, 最具有 alpha 生成器特征的行业是 : 黑色金属食品饮料公用事业交通运输和金融服务分析师宋曦 (0755) songxi@lhzq.com 谨请参阅尾页重要申明及联合证券股票和行业评级标准 1 / 15

2 目录一 Alpha 生成器... 3 二多因素模型系统性表达对资产收益的看法... 3 三行业多因素模型... 4 四行业配置实证结果无约束条件的量化行业配置约束条件下量化行业配置卖空约束绝对投资比例相对投资比例小结五. 从行业配置角度发掘 alpha 生成器六进一步的研究与思考谨请参阅尾页重要申明及联合证券股票和行业评级标准 2 / 15

3 在对于行业配置数量化研究的报告中, 我们分别介绍了两种可以用于行业配置的方法 : 动量模型和 Black-Litterman 模型, 这两种方法都可以为我们进行行业配置提供一些依据特别在第二篇报告中, 我们利用 BL 模型将投资者主观看法和市场的客观均衡相结合, 进行行业数量化配置取得了不俗的效果其中, 我们用分析师的一致预期 ROE 来表示对行业预期收益的主观看法, 这种方法虽然在实际中的投资绩效, 但毕竟仍然是一个单因素模型, 如何利用系统性方法来表达对行业预期超额收益的看法仍然是较难解决的课题, 将在本篇报告中具体探讨这一问题一 Alpha 生成器所谓 alpha 生成器 (alpha generator) 是指一种资产加入到现有资产组合中, 能够在不增加风险的情况下产生超额收益或者使得收益高于某预设的基准, 那么这种资产就可以被称为 alpha 生成器 alpha 生成器能够是任何一种证券, 包括 : 政府债券, 外国股票, 衍生品 ( 如股票期货和期权 ) 一般 alpha 的衡量是基于风险调整的基础, 通过对组合收益按照 CAPM 模型进行调整得到的超额收益一个 alpha 生成器加入到组合, 会起到增加收益却未增加额外的风险 ( 以波动率或者下方波动来衡量 ) 这种思路遵循了现代投资组合理论 : 风险控制在一定水平上使投资者效用最大化我们认为通过资产配置来实行经风险调整的收益增加, 才能够产生 Alpha, 而不是单纯追求绝对收益, 只有在风险可控下的绝对收益才是有意义的, 而单纯比较收益是最优的一种方法我们在测试行业数量化配置方法在实际投资中的绩效, 同时试图发掘出最有可能成为 alpha 生成器的行业, 以及最不可能成为 alpha 生产器的行业二多因素模型系统性表达对资产收益的看法多因素模型为投资组合中股票收益与风险关系的正式描述因此, 也时也称多因素模型为多因素风险模型其最主要的假设为: 相似的股票应该有相似的收益相似性被定义成来自市场信息的价格交易量等或衍生于公司财务报表的基本面数据的一些财务比率描述性变量 (descriptors) 与资产归因 (attributes) 等由此可见, 多因素模型对投资人应用而言是注重实际易处理也是易理解的基本的因素模型可以分为三类, 如图一所示其中, 宏观经济因素利用可观察的经济数据如通膨率利率等, 以时间序列分析 (time-series analysis) 作为对股票收益瞬间震荡 (shocks) 的衡量基本面因素以常见的投资组合收益进行归因 - 如现金股利率账面市价比行业成员等, 利用横截面分析 (cross-sectional analysis) 来解释风险与收益的关系而统计因素则衍生于因素分析 (factor analysis) 或类似算法对证券收益的协方差矩阵进行分析以上三种模型都有其谨请参阅尾页重要申明及联合证券股票和行业评级标准 3 / 15

4 优缺点一般而言, 基本面因素模型较适合解释股票报酬间的横截面差异, 而时间序列宏观经济因素模型在捕捉风险上较为适当然而,Connor(1995) 研究结论指出, 在模型的解释能力方面, 横截面 - 基本面因素模型表现优于其他模型本研究采用横截面研究的方法, 并综合采用基本面因素和统计因素来对行业收益进行预测, 这种方法就是系统性表达对行业收益的看法图 1 多因素模型的类别多因素模型类别统计因素 (Statistics Factor) 宏观经济因素 (Macroeconomic) 基本面因素 (Fundamental Factor) 统计规律 : 动量指标, 反转指标通货膨胀率无风险利率 P/E P/B 资料来源 :Connor (1995),Financial Analysts Journal 三行业多因素模型股票收益可以运用多因素模型来进行解释和预测, 而行业或者板块无非是多个上市公司股票的组合, 按照整体法观点, 多因素模型可以用于行业收益的预测, 表达对行业未来收益率的看法我们试图采用的因素包括三个部分 : 第一部分为估值指标, 账面价值 / 股价 (B/P) 和每股收益 / 股价比 (E/P); 第二部分为财务指标, 即各种财务指标, 包括 ROE, 主营业务增长率, 总资产周转率等 ; 第三部分是统计规律, 包括三个月动量和 Beta 指标数据描述 : 采用 2004 年至 2007 年三年的历史数据, 而行业分类使用则是申万一级行业标准, 共分为 23 个行业一致预期 ROE 取自朝阳永续, 除此之外的其他数据来自于 Wind 资讯建模方法 : 在量化行业配置模型中, 按照每个季度最新的信息进行一次行业收益率的预测, 并用预测收益结果代表投资者对未来行业收益的主观看法, 带入到 Black-Litterman 模型, 最后得到每个行业具体配置比例业绩基准 : 由于申万行业指数中并没有采用沪深 300 指数的成份股, 因此, 我们按照行业指数以及其成份股的流通市值加权做了一个行业综合指数 ( 每个季度按照流通市值变化进行一次权重调整 ) 谨请参阅尾页重要申明及联合证券股票和行业评级标准 4 / 15

5 四行业配置实证结果我们分别按照无约束的行业配置和有约束的行业配置来分别检验上面提到行业配置方法来检验在国内股票市场中的实际绩效 1. 无约束条件的量化行业配置我们在无约束条件下求得了模型得到的 2004 年 12 月至 2007 年 12 月行业配置比例, 共分 13 期 : 图 2 数量化行业配置变动 200% 180% 160% 140% 120% 100% 80% 60% 40% 20% 0% 农林牧渔采掘化工黑色金属有色金属建筑建材机械设备电子元器件交运设备信息设备家用电器食品饮料纺织服装轻工制造医药生物公用事业交通运输房地产金融服务商业贸易餐饮旅游信息服务综合通过我们的模型结果来看, 大部分行业在这三年间经过多因素模型和 Black-Litterman 模型优化后的配置结果并没有发生剧烈的变动 1 除去综合类行业, 变动最大的行业为金融服务业, 这主要是由于银行和证券公司的较大规模 IPO 导致在整个流通市值中的占比大幅度提高造成的虽然同金融服务业一样, 但房地产公司股价也在牛市中颇受追捧, 但是其在行业配置中没有发生显著变化其余配置比例变动较大的行业分别是 : 医药生物公用事业和黑色金属, 交通运输和信息服务我们发现一个有趣的现象 : 在上面对行业配置模型中, 综合行业均处于被卖空的行业, 这说明综合行业只有卖空才对组合具有意义, 否则在组合中持有该行业是不能起到改善组合绩效的结果, 反而会拖累整个组合的业绩该策略自 2005 年 1 月 1 日 ~2008 年 3 月 12 日累计收益情况如下图所示 : 1 这里指的行业配置变动仅仅指某个行业在这三年中配置比例变化的标准差进行比较谨请参阅尾页重要申明及联合证券股票和行业评级标准 5 / 15

6 图 3 累计收益表现 ( ~ ) 800% 700% 600% 500% 400% 300% 200% 100% 0% 量化行业配置行业综合指数沪深 300 指数由于包含了综合类行业的较大空头头寸, 我们的组合是一个多头 / 空头 (Long/Short) 组合, 按照 150/50 和 160/60 这样的多空头寸比例来配置实际结果是 : 在 2005 年 1 月 ~2007 年 12 月, 该组合绝对收益为 580%, 战胜沪深 300 指数达 146%, 年化回报 ( 几何平均 ) 达到了 89%, 而沪深 300 的年化收益为 75% 按照 Sharp 比率来计算, 量化行业配置组合由于风险比沪深 300 指数略大, 夏普比率则略低于超越沪深 300 指数的表现, 分年度的组合表现如下 : 表 1 无约束量化行业组合业绩表现比较收益 (%) 夏普比率量化行业沪深 300 行业综合量化行业沪深 300 行业综合从上表可以看到无约束的量化行业配置组合比沪深 300 指数更为积极, 具有更大的市场风险暴露, 在熊市中受到较大的损失, 在牛市中绝对收益则远超沪深 300 从夏普比率来看, 沪深 300 指数略胜量化行业组合, 二者差距不大 ; 而量化行业组合则能够轻松战胜行业综合指数 2. 约束条件下量化行业配置鉴于我国当前股票市场并不能进行卖空 (short sell) 交易, 即试图通过构建多头 / 空头头寸来实现上面的数量化行业配置策略并不可行为了在实际投资中, 能够方便的应用该量化系统, 将对上面的量化行业配置加入一定的限制条件所设定的约束条件主要有三种 : 谨请参阅尾页重要申明及联合证券股票和行业评级标准 6 / 15

7 约束一 : 卖空约束 (no shorting); 约束二 : 卖空约束加行业配置比例绝对上限, 上限指标为 10%,15%,20% 和 30%; 约束三 : 卖空约束加行业配置比例相对上限, 即量化行业配置组合中的行业配比偏离相对于流通市值权重的偏离值控制在一定幅度内按照这三种约束条件, 我们分别重新进行了量化行业配置, 其结果如下 : 2.1 卖空约束 ( 约束一 ) 第一种约束为最弱的约束条件, 仅仅是不允许出现行业指数的卖空头寸图 4 数量化行业配置变动 ( 卖空约束 ) 100% 80% 60% 40% 20% 0% 2004 年 12 月 2005 年 3 月 2005 年 6 月 2005 年 9 月 2005 年 12 月 2006 年 3 月 2006 年 6 月 2006 年 9 月 2006 年 12 月 2007 年 3 月 2007 年 6 月 2007 年 9 月 2007 年 12 月黑色金属食品饮料公用事业交通运输金融服务从附加卖空约束的模型结果来看, 所需配置行业被大大压缩, 在 2004 年底, 我们仅仅需要配置 2 个行业, 即黑色金属和食品饮料, 而后行业数量逐渐增加, 2005 年 6 月加入公用事业和交通运输,2006 年 9 月, 金融行业第一次进入组合, 2007 年 9 月公用事业从组合中退出而投资业绩如下 : 谨请参阅尾页重要申明及联合证券股票和行业评级标准 7 / 15

8 图 5 数量化行业配置变动 ( 约束条件 1) 量化行业配置 ( 无卖空 ) 综合行业表 2 约束一的组合年度业绩表现比较收益 (%) 夏普比率量化行业配置量化行业配置行业综合 ( 约束一 ) ( 约束一 ) 行业综合从投资业绩来看, 我们的卖空约束下的头寸表现在熊市里显然战胜了行业综合的市场表现, 而在 2006 年则较好的战胜了行业综合指数的表现, 然后 2007 年表现则与行业综合指数相近, 不论是绝对收益还是夏普比率均如此组合中最多时候的行业配置数量均不超过 5 个, 因此, 这种配置比例无疑给了某些行业很大的配置比例, 但并不代表组合的风险增大反而, 该组合具有较低的市场风险暴露, 以沪深 300 为市场组合, 该组合在 2005 年至 2007 年这 3 年的 Beta 值分别为和 0.95, 低于全市场的风险 2.2 绝对投资比例约束在只有卖空约束的条件下, 导致多数行业没能进入量化行业配置组合, 因此, 模型的配置偏离市场均衡比较远, 这样的配置的可投资性也不强我们将在卖空约束和投资比例约束下, 即约束二下继续进行量化的行业配置我们的投资上限比例分别设置为 10%,15%,20% 和 30%, 以此来构建了四个不同的投资组合, 并逐一考察其投资绩效谨请参阅尾页重要申明及联合证券股票和行业评级标准 8 / 15

9 图 6 投资上限为 10% 的数量化配置 100% 80% 60% 40% 20% 0% 2004 年 12 月 2005 年 2 月 2005 年 4 月 2005 年 6 月 2005 年 8 月 2005 年 10 月 2005 年 12 月 2006 年 2 月 2006 年 4 月 2006 年 6 月 2006 年 8 月 2006 年 10 月 2006 年 12 月 2007 年 2 月 2007 年 4 月 2007 年 6 月 2007 年 8 月 2007 年 10 月 2007 年 12 月采掘化工黑色金属有色金属建筑建材机械设备交运设备家用电器食品饮料纺织服装轻工制造医药生物公用事业交通运输房地产金融服务商业贸易餐饮旅游信息服务图 7 投资上限为 20% 的数量化配置 100% 80% 60% 40% 20% 0% 2004 年 12 月 2005 年 3 月 2005 年 6 月 2005 年 9 月 2005 年 12 月 2006 年 3 月 2006 年 6 月 2006 年 9 月 2006 年 12 月 2007 年 3 月 2007 年 6 月 2007 年 9 月 2007 年 12 月采掘化工黑色金属有色金属交运设备食品饮料轻工制造医药生物公用事业交通运输房地产金融服务商业贸易餐饮旅游谨请参阅尾页重要申明及联合证券股票和行业评级标准 9 / 15

10 图 8 投资上限为 30% 的数量化配置 100% 80% 60% 40% 20% 0% 2004 年 12 月 2005 年 2 月 2005 年 4 月 2005 年 6 月 2005 年 8 月 2005 年 10 月 2005 年 12 月 2006 年 2 月 2006 年 4 月 2006 年 6 月 2006 年 8 月 2006 年 10 月 2006 年 12 月 2007 年 2 月 2007 年 4 月 2007 年 6 月 2007 年 8 月黑色金属交运设备食品饮料医药生物公用事业交通运输金融服务 2007 年 10 月 2007 年 12 月从行业分布来讲, 单一行业的配置比例给予的约束条件越严格, 那么行业配置就越均匀, 其中有四个行业 : 农林牧渔电子元器件信息设备和综合, 没有出现有任何有约束下的行业组合我们分别测算了在不同的行业配置比例上限约束下的投资组合收益情况, 并且与行业综合指数进行了比较图 9 约束二下的投资组合累积收益 500% 400% 300% 200% 100% ub=10% ub=20% 综合行业 ub=15% ub=30% 0% 从上图中可以看到, 不同投资比例上限约束下业量化配置组合与行业综合指数持平 ( 略低于沪深 300 指数 ) 只有卖空约束而没有单一投资比例上限的组合谨请参阅尾页重要申明及联合证券股票和行业评级标准 10 / 15

11 相比, 组合收益率变化不大,2006 年加入上限后的组合落后不加入上限的组合, 而 2007 年则 10% 上限和 15% 上限组合的收益有所提升而夏普比率来看, 无上限组合夏普比率在 2006 年最高,2007 年则处于第三位, 从总体上看, 优于有上限约束的组合对投资比例上限的组合横向比较, 从三年的整体回报和夏普比率均值来看, 加入 10%~15% 的投资比例上限略优表 3 不同投资上限的组合收益比较 ( 单位 :%) 无上限上限 10% 上限 15% 上限 20% 上限 30% 表 4 不同投资上限的组合夏普比率比较无上限上限 10% 上限 15% 上限 20% 上限 30% 设置的约束条件并没有带来组合风险的下降和业绩的改善仅仅通过三年平均收益率和平均夏普比率来看, 固定投资比例上限的组合均逊于无投资比例上限的组合, 因此, 对组合中的行业加入绝对限制而不考虑其自身流通市值的占比, 这种的做法显然没有取得很好的实际投资效果, 反而不如卖空约束组合的表现 2.3 相对投资比例约束对不同行业都实施相同投资比例上限的约束, 由于不同行业流通市值的差异较大, 按照统一投资比例上限进行约束, 显然缺乏可信度, 这种一刀切的做法在现实的投资中也不利于投资者进行操作我们在下面所做的这种投资上限比例约束采用的规则是 : 最终的行业配置比例与其其流通市值比例的偏离不超过 30% 和 50% 我们以下将分别进行的行业实证投资配置结果谨请参阅尾页重要申明及联合证券股票和行业评级标准 11 / 15

12 图 10 约束三的投资组合表现偏离 <50% 偏离 <30% 综合行业指数从结果来看, 由于严格的限制了行业配置与市场均衡配置间的偏离程度, 得到实际投资结果与行业综合指数的偏离极小加入偏离度约束后的行业组合实际投资结果略好于行业综合指数表 5 年度业绩表现比较收益 (%) 夏普比率量化行业量化行业量化行业量化行业行业综合 ( 偏离 30%) ( 偏离 50%) ( 偏离 30%) ( 偏离 50%) 行业综合设置相对流通市值权重的偏离在实际中是明智的选择从年度的收益情况以及夏普比率来看加入 30% 偏离约束的组合具有竞争力的策略, 无论是年均收益还是夏普比率来看都能跑赢行业综合指数和偏离度约束为 50% 的组合而与行业配置比例为绝对上限的组合相比,30% 偏离度的组合是较好的选择 3. 小结从上述行业数量配置实证结果来看, 所有组合均能战胜按照流通市值简单加权后的行业综合指数, 这表明通过运用多因素模型加上 Black-Litterman 模型对行业的优化具有较强的信息加工和处理能力, 特别是不加入约束条件的组合取得了很好的投资业绩为了贴近投资的实际情况, 我们往往在组合中加入各种约束条件, 但实际结果却不令人满意 : 投资业绩略有下降, 使得组合的收益稳健性也没有显著变化 ( 从三年投资收益变动幅度来看 ) 而从实证结果来看, 约束条件比较宽松的组合即便只覆盖了较少的行业, 也并不意味着较高的风险和较大的业绩波动原因大概有谨请参阅尾页重要申明及联合证券股票和行业评级标准 12 / 15

13 约束条件过多往往会限制优化模型的作用两方面 : 首先, 从优化理论来讲, 加入约束后得到的行业配置结果, 只能是一个局部最优解, 而局部最优解并不一定为全局最优解, 因而加入更多约束后的组合表现一般也是情理当中第二, 从投资组合理论的角度看, 由于组合中的行业指数从大类资产讲都属于股票投资, 他们之间具有较高的关联度以及相识的波动结构, 相互间的影响较大, 替代性较强, 有些行业能够被其他行业所替代, 因此, 一旦加入的约束条件较为严格导致组合中的行业增加, 并不能起到扩大原有组合的有效边界的作用综上所述, 我们认为在组合中加入过多的约束往往只是心理安慰, 实际中可能限制了模型发挥其应有的功效为了维持组合的平稳性, 控制对某些行业的风险暴露头寸, 需要加入投资比例的约束, 我们建议加入相对流通市值权重的偏离度约束, 这样的做法既可以限制所投资组合与市场均衡配置的偏差, 也可以使得行业配置比较均匀, 同时能够实现适当的超额收益五从行业配置角度发掘 alpha 生成器正如在文章开头对 alpha 生成器的描述, 经过前面各种量化行业组合中能够明显发现一些 alpha 生成器我们认为在不论是在哪种约束条件下一些行业都是得到了配置, 并不会消失, 那么这些行业显然是能够创造出超额收益的资产, 相反, 其他一些没有得到配置的行业由于与其他行业相关性太高或是不具有超额收益, 在经过模型的优化后从组合中消失最具有 alpha 生成器特征的行业是 : 黑色金属食品饮料公用事业交通运输和金融服务其次, 有些行业在有约束条件的组合中也出现多次, 同样也具有 alpha 生成器的特征 : 采掘化工有色金属轻工制造房地产商业贸易和餐饮旅游因此, 投资者对这些行业的战术性配置, 进行主动的行业超配和低配, 更容易创造出超额收益同样, 通过我们的研究也能发现一些最不可能是 alpha 生成器的行业 : 农林牧渔电子元器件信息服务和综合这些行业都没有出现在具有卖空约束后的组合中 ( 除了加入很低的投资比例上限约束或者按照偏离度来进行约束的组合 ), 这表明了这些行业与其他行业相比不具有优势, 很难给原有组合带来超额收益, 采取不配或者按照流通市值权重进行配置是不错的选择, 因此, 积极投资者不需要在这些行业的配置上花费太多的精力六进一步的研究与思考通过这三篇报告对行业数量化配置进行一定程度的研究, 我们的研究方法从简单价格收益信息到行业基本面信息挖掘, 并引入 Black-Litterman 方法运用到行业配置中, 取得了一定的成果, 特别是创新地运用了有限制条件的优化配置方法, 使得模型结果能够跟我们的实际投资更加接近, 能够在实际投资中直接运用从我们的研究来看, 通过基本面信息挖掘得到对未来行业收益的看法, 然后谨请参阅尾页重要申明及联合证券股票和行业评级标准 13 / 15

14 再利用优化方法进行组合配置, 不失为一条较好的思路, 不仅有利于及时监控各种输入变量对组合配置的影响, 同时, 还可以得到具体的行业配置比例, 适合构建和管理量化股票型基金, 也可以辅助投资者进行行业配置的决策为了进一步发挥组合优化的方法在行业资产配置中的运用, 我们将在下一篇报告中将介绍一种稳健优化方法均值方差重复抽样优化 (resampled mean-variance optimization) 来降低对输入变量的依赖程度, 这种方法能够建立一种更好的优化算法 (optimizer), 这种优化也可以与 Black-Litterman 方法相结合, 构建一种稳健资产配置 (robust asset allocation) 的方法, 这种思想已经被 Morningstar EnCorr 2 系统所采用 2 该系统的介绍请参见以下链接 : 谨请参阅尾页重要申明及联合证券股票和行业评级标准 14 / 15

15 联合证券股票评级标准增持中性减持未来 6 个月内股价超越大盘 10% 以上未来 6 个月内股价相对大盘波动在 -10% 至 10% 间未来 6 个月内股价相对大盘下跌 10% 以上联合证券行业评级标准增持中性减持行业股票指数超越大盘行业股票指数基本与大盘持平行业股票指数明显弱于大盘深圳深圳罗湖深南东路 5047 号深圳发展银行大厦 10 层邮政编码 : TEL: (86-755) FAX: (86-755) lzrd@lhzq.com 上海上海浦东陆家嘴东路 161 号招商局大厦 34 层邮政编码 : TEL: (86-21) FAX: (86-21) lzrd@lhzq.com 客户服务热线 ( ) 免责申明本研究报告仅供联合证券有限责任公司 ( 以下简称联合证券 ) 客户内部交流使用本报告是基于我们认为可靠且已公开的信息, 我们力求但不保证这些信息的准确性和完整性, 也不保证文中观点或陈述不会发生任何变更我们会适时更新我们的研究, 但可能会因某些规定而无法做到本报告所载信息均为个人观点, 并不构成所涉及证券的个人投资建议, 也未考虑到个别客户特殊的投资目标财务状况或需求客户应考虑本报告中的任何意见或建议是否符合其特定状况本文中提及的投资价格和价值以及这些投资带来的收入可能会波动某些交易, 包括牵涉期货期权及其它衍生工具的交易, 有很大的风险, 可能并不适合所有投资者联合证券是一家覆盖证券经纪投资银行投资管理和证券咨询等多项业务的全国性综合类证券公司我公司可能会持有报告中提及公司所发行的证券头寸并进行交易, 还可能为这些公司提供或争取提供投资银行财务顾问或金融产品等相关服务我们的研究报告主要以电子版形式分发, 间或也会辅以印刷品形式分发我们向所有客户同时分发电子版研究报告版权所有 2008 年联合证券有限责任公司研究所未经书面授权, 本研究报告的任何部分均不得以任何形式复制转发或公开传播如欲引用或转载本文内容, 务必联络联合证券研究所客户服务部, 并需注明出处为联合证券研究所, 且不得对本文进行有悖原意的引用和删改

投资高企把握3G投资主题

投资高企把握3G投资主题 2016-01-01 2016-01-28 2016-03-02 2016-03-29 2016-04-26 2016-05-24 2016-06-22 2016-07-19 2016-08-11 2016-09-03 2016-09-22 2016-10-20 2016-11-14 2016-12-09 2017-01-06 2017-02-09 2017-03-08 2017-04-04 2017-05-02