金融工程研究金融工程专题报告 2 目录 1. 行业轮动现有框架 行业预期数据的应用分析 单因子与行业收益的相关性分析 单因子的行业多空收益 复合因子进行行业轮动的效果分析 行业历史基本面和价格数据的应用分析...

Transcription

1 [Table_MainInfo] 金融工程研究证券研究报告 [Table_Title] 相关研究 [Table_ReportInfo] 行业轮动系列研究 7 行业间动量和趋势因子的应用分析 量化研究新思维( 十 ) 宏观因子与债券风险溢价 A 股市场存在龙头股效应吗? [Table_AuthorInfo] 分析师 : 郑雅斌 Tel:(021) zhengyb@htsec.com 证书 :S 分析师 : 罗蕾 Tel:(021) ll9773@htsec.com 证书 :S 联系人 : 吕丽颖 Tel:(021) lly10892@htsec.com 金融工程专题报告 行业轮动系列研究 1-6( 汇总篇 ) [Table_Summary] 投资要点 : 2018 年 04 月 16 日 本篇报告针对前期发布的 6 篇行业轮动报告进行汇总, 方便投资者查阅 我们以多因子模型为框架, 分析不同类型的因子在行业轮动策略中的作用, 并对因子进行整合处理给出行业轮动建议 目前已有的报告分别为 : 行业预期数据的应用分析 行业历史基本面和价格数据的应用分析 龙头股效应在行业轮动上的应用 系统风险集中度在行业轮动策略中的应用 行业轮动在指数增强上的应用 ( 沪深 300) 行业轮动在指数增强上的应用 ( 中证 500) 报告覆盖了预期基本面 历史基本面 量价以及情绪面的部分因子 从预期基本面数据来看, 投资者有两种类型的因子可以选择 分别是全行业的预期数据, 以及龙头股构建的预期数据 从全行业预期数据来看, 最推荐投资者关注预期 PE/G 预期净利润同比增速 预期 ROE 三个因子 全行业预期因子可以贡献年化约 10% 的多空收益 龙头股预期 EPS 以及 ROE 的变动, 领先于全行业预期盈利数据的变动, 故而对行业走势具有更好的预测作用 预期 ROE 的变动年化多空收益可以提升至 17%, 多头和空头超额收益相对全行业预期因子的表现都有显著提升 历史基本面因子如历史 ROE(TTM) 单因子行业多空约 7%, 因子的空头效应显著, 且多空趋势稳定, 是非常好的防御性因子 且历史财务因子和预期财务因子的叠加, 能够有效增厚超额收益, 建议投资者使用 动量因子与行业收益率的相关性较弱, 表现具有显著阶段性特征 但因子在特定市场环境 ( 如主题热点明确的追涨行情 ) 下超额收益贡献突出, 且可以提供基本面因子之外的额外信息, 可以考虑作为快变量因子的备选使用 吸收比率因子在行业轮动策略中对极值组合较为敏感, 选择 10% 的行业构建多空组合, 可以获取 9% 的多空收益, 但该收益随着多 空头行业数量的增加快速下滑 因子能够提供量价层面的额外信息, 但是稳定性弱于基本面因子, 且单调性较差 将行业配臵观点融入到多因子模型中, 在指数增强策略中进行实证, 能够对原有策略收益和信息比有明显提升 在沪深 300 指数中, 年化超额收益可以从 10.16% 提升至 13.00%, 信息比从 2.9 提升至 3.26 在中证 500 指数中, 年化超额收益从 21.44% 提升至 22.96%, 信息比从 3.82 提升至 3.99 风险提示 : 流动性风险 模型失效风险 因子失效风险

2 金融工程研究金融工程专题报告 2 目录 1. 行业轮动现有框架 行业预期数据的应用分析 单因子与行业收益的相关性分析 单因子的行业多空收益 复合因子进行行业轮动的效果分析 行业历史基本面和价格数据的应用分析 历史财务因子的有效性分析 动量因子的有效性分析 基本面 + 动量的复合因子策略 系统风险集中度在行业轮动策略中的应用 隐含系统性风险的刻画方式 吸收比率的相关性分析 吸收比率的行业多空表现 龙头股效应在行业轮动上的应用 龙头股预期因子的相关性分析 龙头股预期因子的行业多空表现 行业轮动在指数增强上的应用 ( 沪深 300) 行业配臵在指数增强上的贡献 ( 沪深 300) 行业配臵与多因子模型结合 沪深 300 指数增强组合应用 行业轮动在指数增强上的应用 ( 中证 500) 行业配臵在指数增强上的贡献 ( 中证 500) 中证 500 指数增强应用 风险提示... 16

3 金融工程研究金融工程专题报告 3 图目录 图 1 行业轮动因子汇总... 5 图 2 复合因子行业轮动策略表现 ( 预期基本面 )... 7 图 3 复合因子行业轮动策略表现 ( 历史基本面 )... 9 图 4 复合因子策略的净值走势与最大回撤 图 5 吸收比率因子的行业轮动策略表现 (10% 行业 ) 图 6 deps 因子轮动策略表现 图 7 droe 因子轮动策略表现 图 8 行业偏离组合 (2%) 相对沪深 300 强弱指数与回撤 图 9 行业偏离组合 (5%) 相对中证 500 强弱指数与回撤... 16

4 金融工程研究金融工程专题报告 4 表目录 表 1 单因子与行业收益的相关性分析 ( 预期基本面 )... 6 表 2 单因子轮动策略的多 空超额收益 ( 预期基本面 )... 6 表 3 复合因子轮动策略的收益率 ( 预期基本面 )... 7 表 4 单因子与行业收益的相关性分析 ( 历史基本面 )... 8 表 5 单因子轮动策略的多 空超额收益 ( 历史基本面 )... 8 表 6 复合因子轮动策略的收益率 ( 历史基本面 )... 9 表 7 吸收比率 IC 与 Rank IC 统计指标 (2010/8/1-2018/1/30) 表 8 基于吸收比率的多空行业组合表现 (2010/8/1-2018/1/30) 表 9 龙头股预期因子截面 IC 表 10 龙头预期因子的多空收益 表 11 引入行业排序因子前后收益预测模型对比 表 12 不同行业偏离上限下的沪深 300 指数增强组合 表 13 不同行业偏离上限下的中证 500 指数增强组合... 15

5 金融工程研究金融工程专题报告 5 自 2017 年开始我们针对行业轮动的研究方向, 以因子研究为主要框架, 发布了多篇研究报告 目前已经积累 6 篇相关研究内容, 分别是 行业预期数据的应用分析 行业历史基本面和价格数据的应用分析 龙头股效应在行业轮动上的应用 系统风险集中度在行业轮动策略中的应用 行业轮动在指数增强上的应用 ( 沪深 300) 行业轮动在指数增强上的应用 ( 中证 500) 后续我们依然会围绕行业轮动的主题, 继续探讨新的有效因子 研究新的方向 为了方便投资者参考前期研究内容, 我们将已有的 6 篇报告在本篇报告中进行汇总, 在未来的研究中, 也会将现有成果进行整合给出最终行业建议 1. 行业轮动现有框架 当前我们主要基于多因子的框架进行行业轮动策略的构建 行业和个股多因子策略的主要差异, 在于影响因子的重大区别 最简单的例子, 在个股中长期有效的价格反转效应, 对应到行业维度就显著失效, 反而呈现出动量效应 而在个股层面相对而言溢价较低的基本面因子, 在行业配臵策略中明显具有高于量价类因子的风险溢价, 且稳定性也更高 故而, 对于行业轮动策略, 构建有效的因子体系是模型非常重要的基石 我们已有的包括后续研究会不断在行业维度的因子上, 测试寻找有效因子, 扩充现有因子池 本篇报告针对过去已经发布的预期 历史基本面 动量 风险集中度因子进行汇总, 方便投资者查阅 后续我们会在宏观和情绪面因子上进行进一步覆盖 图 1 行业轮动因子汇总 资料来源 : 海通证券研究所 2. 行业预期数据的应用分析 分析师预期数据是行业轮动策略中的重要数据来源 针对朝阳永续数据库, 投资者有两种数据来源可以选择 : 基础数据库和衍生数据库 其中基础数据库直接对应分析师经常进行预测的主流基本面指标, 衍生数据库则围绕基础数据库进行加工, 构建了多种情绪指标 在 行业预期数据的应用分析 报告中, 主要围绕基本面因子进行展开 针对情绪因子的分析, 在后续的报告中我们会另外进行深度覆盖 我们主要提取了 7 个全行业基本面因子进行分析 分别为行业复合增长率 G( 未来两年 ) 归母净利润 PE PE/G 一致预期净利润同比增速 一致预期 ROE 预期增速的环比变化 因子的计算方法分别如下 : G:[sqrt(t2 期的预测净利润 /t0 期的真实净利润 )-1]*100; 归母净利润 : 直接由分析师预测得到 ;

6 PE: 组合预测总市值 / 组合一致预期净利润 ; PE/G: 组合一致预期 PE / ( 组合 2 年净利复合增长率 ); 金融工程研究金融工程专题报告 6 一致预期净利润同比增速 :(t1 期的预测净利润 -t0 期的真实净利润 )/abs(t0 期的真实净利润 ); 一致预期 ROE:( 组合一致预期净利润 / 组合一致预期净资产 )*100; 预期增速的环比变化 :( 当月末一致预期净利润同比增速 - 上个月末一致预期净利润同比增速 ) 2.1 单因子与行业收益的相关性分析 选用申万一级行业的行业分类, 每个月末分析当月因子与下个月行业收益之间的相关性, 统计所有时间序列数据的平均表现 最推荐关注三个因子 : PE/G 净利润同比增速 一致预期 ROE 不挑选净利润因子是因为净利润因子和净利润同比数据高度相关, 保留 PE/G 因子是因为其表现仅次于净利润同比增速和 ROE 因子, 是估值层面最有效的因子 表 1 单因子与行业收益的相关性分析 ( 预期基本面 ) 因子 G 净利润 PE PE/G IC 净利润同比增速 ROE 预期环比变化 均值 T 胜率 RankIC 因子 G 净利润 PE PE/G 净利润同 ROE 预期环比 均值 比增速 变化 T 胜率 资料来源 :Wind, 朝阳永续, 海通证券研究所 2.2 单因子的行业多空收益 根据行业的单因子排序, 每月末选择排名最高的 5 个行业作为多头, 排名最低的 5 个行业作为空头 从 2010 年至 2017 年 11 月底, 每个月因子的多头年化超额收益 空头年化超额收益 多空年化收益差 多空收益率的 T 值如下表所示 多头 空头超额收益计算时的基准, 都采用全行业等权重加权收益为基准 从多空收益来看, 和前面统计的因子相关性结论类似, 相对而言表现较为突出的四个因子分别为 : 净利润 PE/G 净利润同比增速 ROE 表 2 单因子轮动策略的多 空超额收益 ( 预期基本面 ) 因子 G 净利润 PE PE/G 多头年化 alpha 空头年化 alpha 净利润同比增速 ROE 预期环比变化 3.70% 3.76% 1.77% 2.17% 3.49% 3.22% -0.13% -1.33% -2.75% -1.60% -4.99% -5.39% -4.37% -2.23%

7 年化多空收益 金融工程研究金融工程专题报告 % 6.13% 1.82% 6.53% 8.74% 7.26% 2.17% T 资料来源 :Wind, 朝阳永续, 海通证券研究所 2.3 复合因子进行行业轮动的效果分析 针对一致预期的基本面数据, 我们建议采用三个子因子构建复合因子 :PE/G 一致预期净利润同比 一致预期 ROE 三个因子之间等权重加权 每个月末, 分别选择复合因子最高 / 最低的 5 个行业作为多头 / 空头组合, 考察策略效果 行业之间等权加权, 基准为全行业等权加权 下图分别展示了等权策略相对等权基准 多头组合相对空头组合之间的相对强弱 图 2 复合因子行业轮动策略表现 ( 预期基本面 ) 资料来源 :Wind, 朝阳永续, 海通证券研究所 复合因子策略最终多空头效应基本对等 : 多头年化 alpha5.42%, 空头的年化 alpha 为 -5.36%, 多空收益统计结果显著 数据获取时间从 2010 年开始, 但由于需要一段时间进行数据预处理, 策略回溯时间从 2010 年 8 月份开始 表 3 复合因子轮动策略的收益率 ( 预期基本面 ) 年化收益表现 多头年化 alpha 空头年化 alpha 年化多空收益 T 5.42% -5.36% 10.19% 2.32 资料来源 :Wind, 朝阳永续, 海通证券研究所 3. 行业历史基本面和价格数据的应用分析 本篇报告主要分析行业的历史基本面数据以及价格数据, 在行业轮动方面是否具有指导意义 3.1 历史财务因子的有效性分析 历史基本面数据我们选用两大类因子 : 盈利因子和成长因子, 其中盈利因子分别采用 TTM 的行业 ROE, 以及行业单季度 ROE, 成长因子采用行业的季度利润同比增速, 季度 ROE 的同比增速 行业之间对比基本面指标时, 会涉及到可比性的问题, 例如有些行业的盈利水平长期较高 ( 如家电行业 ), 将这类行业和普遍盈利较低的行业放在一起对比是否合适 我们将上述四个因子分别进行了时间序列标准化, 提取每个行业基本面数据相对自身历史的变化情况, 更能够凸显成长性 在后文中将这类因子统称为衍生因

8 金融工程研究金融工程专题报告 8 子方便描述, 如衍生 ROE(TTM), 代表 ROE(TTM) 的标准化因子 由此总共准备 8 个历史基本面因子进行分析 下表中为单因子与行业收益的相关性分析 表 4 单因子与行业收益的相关性分析 ( 历史基本面 ) IC 原始 衍生 因子 ROE(TTM) ROE( 单季 ) 利润增速 ROE 增速 ROE(TTM) ROE( 单季 ) 利润增速 ROE 增速 均值 T 胜率 RankIC 原始 衍生 因子 ROE(TTM) ROE( 单季 ) 利润增速 ROE 增速 ROE(TTM) ROE( 单季 ) 利润增速 ROE 增速 均值 T 胜率 单因子 IC 显著的几个因子, 他们的多空年化收益同样表现最好 但不同因子的多头效应和空头效应存在区别 另外可以看到, 利润增速因子的多空年化收益仅有 1.84%, 说明只关注传统的行业利润变化, 并不能有效配臵行业 表 5 单因子轮动策略的多 空超额收益 ( 历史基本面 ) 原始 衍生 因子 ROE(TTM) ROE( 单季 ) 利润增速 ROE 增速 ROE(TTM) ROE( 单季 ) 利润增速 ROE 增速 多头年化 alpha 2.11% 0.61% 0.08% 2.13% 1.06% 0.91% 1.67% 4.32% 空头年化 alpha -3.95% -1.28% -1.41% -4.88% -5.70% -6.75% 0.21% -2.33% 年化多空收益 4.83% 1.01% 1.84% 7.62% 7.03% 8.23% 1.46% 6.94% T 通过单因子分析, 我们基本能够确定四个有效的历史基本面因子 最终我们建议可以使用三个因子构建复合因子, 分别是衍生 ROE(TTM) 衍生 ROE( 单季 ) 衍生 ROE 增速因子 不使用原始 ROE 增速因子, 一方面是考虑到同类因子不过度使用, 另一方面, 衍生因子由于进行了标准化处理, 剔除了行业自身属性的问题, 更具备可比性 观察图 2 会发现, 行业配臵策略从时间上来看有一个明显界限 : 在 2015 年之前, 历史基本面因子的多头和空头贡献非常微弱,2015 年之后因子区分度开始显著提高, 无论是多头还是空头组合的超额收益都在各自方向上稳定走强

9 金融工程研究金融工程专题报告 9 图 3 复合因子行业轮动策略表现 ( 历史基本面 ) 复合因子策略最终多空头效应基本对等 : 多头年化 alpha5.9%, 空头的年化 alpha 为 -5.3%, 多空收益统计结果显著 这一点结论和基本面预期因子的结论一致 复合策略的空头组合不如单因子空头组合表现好, 但从多头组合而言, 高于任意单因子的多头组合年化收益 表 6 复合因子轮动策略的收益率 ( 历史基本面 ) 年化收益表现 多头年化 alpha 空头年化 alpha 年化多空收益 T 5.9% -5.3% 11.0% 动量因子的有效性分析 技术类因子可以选择的空间很大, 其中投资者最熟知的且较为有用的是行业动量因子 我们这里选择了最简单的月度动量 三个月动量 月收盘价距离 10 个月均线距离三个因子, 考察因子有效性 研究结果发现, 技术因子的行业配臵能力普遍弱于基本面因子, 无论是历史基本面还是预期基本面因子, 表现都会更好 但是从综合因子角度, 加入技术因子中的一个月动量因子, 对于复合因子而言能够补充额外信息, 对策略有提升效果 3.3 基本面 + 动量的复合因子策略 基于上述研究结果, 最终我们推荐使用三个预期因子 (PE/G 预期利润同比增速 预期 ROE) 一个历史基本面因子 ( 衍生 ROE(TTM)) 一个月度动量因子构建复合因子, 进行行业配臵 策略可以获得相对等权基准年化 12.45% 的超额收益, 相对 WIND 全 A 年化 10.48% 超额收益, 年化多空收益在 18% 以上

10 金融工程研究金融工程专题报告 10 图 4 复合因子策略的净值走势与最大回撤 4. 系统风险集中度在行业轮动策略中的应用 常见的行业轮动信号包括宏观面 基本面以及技术面等多类指标 本篇报告在技术指标方面, 提供了一个新的因子 隐含系统性风险, 探究系统性风险的集中度对行业轮动策略是否具有指导意义 4.1 隐含系统性风险的刻画方式 吸收比率是度量隐含系统性风险的指标之一 算法逻辑是一系列资产收益的总波动能够被几个固定的正交向量所能解释的比率, 由此可用于衡量市场的脆弱程度以及防御能力 该比率值越高, 说明资产内部的隐含系统性风险越集中, 防御能力越弱 而吸收比率值越低, 说明该资产内部分散化效果更好, 防御能力更强 其公式如下 : 其中 AR:Absorption ratio, 即吸收比率 ; N: 总底层资产的数目 ; n: 用于计算吸收比率的奇异值 ( 主成分 ) 数目 ; : 第 i 个主成分的方差 ; : 第 j 个资产的方差 ; 4.2 吸收比率的相关性分析 观测 IC 的具体统计指标, 表 7 统计了所有时间序列数据的平均表现 Rank IC 的均值为 ,t 统计量为 -2.84, 胜率为 0.7, 可以通过显著性检验

11 金融工程研究金融工程专题报告 11 表 7 吸收比率 IC 与 Rank IC 统计指标 (2010/8/1-2018/1/30) Rank IC IC 均值 T 统计量 胜率 吸收比率的行业多空表现 根据吸收比率的计算值, 每月末分别选择吸收比率排序最低的 10% 20% 行业作为多头, 排序最高的 10% 20% 行业作为空头, 并以全行业等权作为基准, 计算多 空头的超额收益 表 8 基于吸收比率的多空行业组合表现 (2010/8/1-2018/1/30) 年化超额收益 多头组合 空头组合 多空组合 T 10% 行业 8.5% -0.7% 9.2% % 行业 2.75% -0.5% 3.3% 0.97 从上表中看出, 吸收比率因子在行业轮动策略中对极值组合非常敏感, 选择 10% 的行业构建多空组合, 可以获取 9% 的多空收益, 但该收益随着行业数量的增加快速下滑 故而该因子作为常规因子加入行业轮动模型中效果一般 在因子的使用上, 可以考虑作为极值因子融合到模型 具体的使用方法在后续的研究中我们进一步讨论 图 5 吸收比率因子的行业轮动策略表现 (10% 行业 ) 5. 龙头股效应在行业轮动上的应用 本文所提及的龙头股是指, 分析师关注度高的股票中, 与行业其他公司基本面相关性最强的 10% 股票 ( 具体计算方法可参见 龙头股效应在一致预期数据上的应用 ) 研究发现, 行业整体预期盈利调整滞后于收益启动 当月预期 EPS 变动与前一个月行业收益相关性最强, 统计显著 ; 与当月收益相关性次之, 而与次月收益相关性最低 表明行业收益启动领先于预期盈利调整, 在观察到行业预期盈利上调后再调整行业配臵的做法不可取 而龙头股预期盈利调整对行业收益具有显著预测能力 预期 EPS 上调幅度越大, 行

12 金融工程研究金融工程专题报告 12 业次月收益越高, 两者秩相关系数为 6.73%, 月胜率 70.21%, 统计显著 从分组筛选法来看, 多空组合月均超额 1.05%, 月胜率 64.89%, 统计显著 龙头股预期盈利调整对行业次月收益的预测能力不依赖于盈利指标的选取 龙头股预期 ROE 调整同样具有行业选择能力, 该因子与行业次月收益秩相关系数为 7.83%, 月胜率 64.89%, 统计显著 从分组筛选法来看, 多空组合月均超额 1.37%, 月胜率 71.28%, 统计显著 5.1 龙头股预期因子的相关性分析 考察不同加权方法下计算得到的龙头股预期因子, 对于行业月度收益的相关性结果 分别考察 deps 因子 ( 龙头股预期 EPS 变动 ) 以及 droe 因子 ( 龙头股预期 ROE 变动 ) 表 9 龙头股预期因子截面 IC RankIC 市值加权 等权 droe deps droe deps 均值 7.83% 6.73% 7.10% 5.84% 月胜率 64.89% 70.21% 62.77% 67.02% t 值 IC 市值加权 等权 droe deps droe deps 均值 5.77% 6.97% 5.90% 6.51% 月胜率 64.89% 63.83% 61.70% 67.02% t 值 资料来源 :Wind, 朝阳永续, 海通证券研究所 总结来看, 龙头股预期盈利调整对行业收益具有显著预测能力, 这种预测能力不依赖于盈利指标的选取 从参数敏感性来看, 当选作龙头股的股票个数极小或极大时, 因子表现较差 ; 选用股票个数占行业总数的比例在 5%-20% 时, 因子表现无明显差异 5.2 龙头股预期因子的行业多空表现 考察根据单因子进行行业轮动时, 组合的多 空收益表现 表 10 龙头预期因子的多空收益 deps 多头超额 空头超额 多空收益差 市值加权 等权 市值加权 等权 市值加权 等权 均值 5.64% 4.08% -6.96% -6.48% 12.60% 10.56% 月胜率 52.13% 57.45% 34.04% 35.11% 64.89% 63.83% t 值 droe 多头超额 空头超额 多空收益差 市值加权 等权 市值加权 等权 市值加权 等权 均值 8.91% 9.32% -8.26% -6.01% 17.17% 15.33% 月胜率 62.79% 63.95% 36.05% 43.02% 70.93% 65.12% t 值 资料来源 :Wind, 朝阳永续, 海通证券研究所

13 金融工程研究金融工程专题报告 13 其中不难发现, 龙头股的预期因子是行业维度上多头和空头效应都非常显著的因子 且由于龙头预期因子的领先性, 其多空收益明显高于全行业预期因子表现 图 6 deps 因子轮动策略表现 图 7 droe 因子轮动策略表现 资料来源 :Wind, 朝阳永续, 海通证券研究所 资料来源 :Wind, 朝阳永续, 海通证券研究所 6. 行业轮动在指数增强上的应用 ( 沪深 300) 6.1 行业配臵在指数增强上的贡献 ( 沪深 300) 本文运用之前行业轮动策略的研究成果, 验证策略运用到沪深 300 指数增强中, 对增强效果的提升 首先不考虑选股贡献, 仅通过行业配臵来进行指数增强, 我们提供了两种配臵方法供参考 分别是温和偏离法和极端配臵法 温和偏离法针对看多和看空的行业, 在指数内行业权重的基础上, 进行超配和低配 极端配臵法将看空的行业全部调整权重为 0, 组合仅配臵看多行业, 投资者可以选择组合持有的行业个数 针对持仓行业, 投资者有多种加权方式可以选择 两种方法进行对比, 极端配臵法在 ALPHA 上具备显著优势, 各档参数水平下, ALPHA 都较温和偏离法更高 当选择三个行业作为持仓行业时, 年化 ALPHA 高达 10% 极端配臵法信息比相较温和偏离法较低, 当持仓行业超过 8 个时, 信息比才可突破 1, 但仍然低于温和偏离法信息比 对于温和偏离法, 投资者可以选择分别在 10 个行业进行多 空偏离, 偏离幅度建议设臵在 [4%-6%] 区间, 年化 ALPHA 在 4% 左右, 信息比在 1.45 附近, 月度胜率约 70% 对于极端配臵法, 建议投资者选择持仓 个多头行业, 可以采用基准 + 等权的加权方式, 年化 ALPHA 在 6%-7% 左右, 信息比在 1.4 附近, 胜率在 65% 附近 虽然极端配臵法的 ALPHA 更高, 但是考虑增强组合对于跟踪误差的限制, 温和偏离法在胜率和信息比上明显更有吸引力 投资者在进行行业偏离时, 可以参考两种基准进行决策, 一种是用全市场行业指数预判的行业走势, 一种是采用沪深 300 成分内行业指数预判的走势 针对沪深 300 增强, 采用成分内行业做出的决策效果明显更为精确, 总体而言策略 ALPHA 和信息比 胜率都有提升 尤其是当持仓行业较多时, 提升效果更明显 说明成分内行业指数计算的因子对大多数行业的判断准确 6.2 行业配臵与多因子模型结合 在原先的收益预测模型中, 我们认为 : 股票超额收益 = 因子暴露 * 因子溢价 + 行业超额收益

14 金融工程研究金融工程专题报告 14 为了简化模型, 我们假设自身不具备预测行业短期超额收益的能力, 因此行业预期超额收益等于零 因此, 股票超额收益正比于因子暴露 * 因子溢价 不过, 研究发现使用行业预期数据 历史基本面以及价格信息, 判断行业短期表现是可行的 如果将行业排序信息纳入到收益预测模型中的 行业超额收益 部分, 能够弥补模型的缺失 为此, 我们定义 : 行业排序因子 =( 行业综合打分排名 -1)/( 行业总数 -1) 其截面溢价代表了做多预期表现最好 做空预期表现最差行业的超额收益 按照行业排序因子的历史截面溢价得到其预期收益率, 纳入到收益预测模型之中 表 11 对比纳入前后的复合因子表现 结果显示, 在引入行业排序因子之后,RankIC 与 IC 的月均值与信息比率都得到了不同幅度的提升 表 11 引入行业排序因子前后收益预测模型对比 Rank IC 月胜率 IC 均值 IC-IR 引入前 引入后 IC 月胜率 IC 均值 IC-IR 引入前 引入后 沪深 300 指数增强组合应用 使用改进后的收益预测模型, 构建沪深 300 指数增强策略 与原先沪深 300 指数增强策略不同的是, 在其他风险控制条件不变的前提下, 我们允许组合与基准存在一定的行业偏离, 并试图通过行业偏离获取超额收益 表 12 对比了不同行业偏离上限下的沪深 300 指数增强组合表现 当行业偏离上限等于零时, 对应的沪深 300 增强组合即行业中性组合 如表 12 所示, 随着行业偏离幅度上限的增加, 指数增强策略的超额收益与年化跟踪误差均随之上升 从历史数据来看, 当偏离上限等于 2% 时, 指数增强策略具有最高的信息比率 3.26, 年化超额收益为 13.00%, 相比行业中性组合提升了 2.84%; 年化跟踪误差为 3.98%, 相对行业中性组合也增加了 0.47% 表 12 不同行业偏离上限下的沪深 300 指数增强组合 偏离上限年化超额收益年化跟踪误差信息比 0% 10.16% 3.51% % 11.35% 3.71% % 13.00% 3.98% % 13.36% 4.22% % 13.48% 4.33% % 13.81% 4.37% 3.16 图 8 为偏离上限为 2% 的沪深 300 增强组合相对沪深 300 的强弱指数与回撤 如图所示, 样本期间相对强弱指数稳健上升 除了 2015 年 7 月股市异常波动期间的最大回撤达到 5.4% 之外, 策略绝大多数时间的相对回撤都在 2.5% 以内

15 图 8 行业偏离组合 (2%) 相对沪深 300 强弱指数与回撤 金融工程研究金融工程专题报告 相对回撤 ( 右 ) 行业偏离组合 (2%) 7. 行业轮动在指数增强上的应用 ( 中证 500) 本文运用之前行业轮动策略的研究成果, 验证策略运用到中证 500 指数增强中, 对效果的改善 7.1 行业配臵在指数增强上的贡献 ( 中证 500) 单纯考察行业配臵效果在指数增强上的贡献, 比较温和偏离法和极端配臵法, 极端配臵法的各项表现都优于温和偏离法 这一点和沪深 300 行业偏离有一定差异, 对于沪深 300 而言, 温和偏离法虽然 ALPHA 较低, 但是胜率和信息比都具有比较明显优势 但是在中证 500 指数中, 发现极端配臵法不仅 ALPHA 更高, 且整体信息比表现也较好 这主要是因为温和偏离法的 ALPHA 过低, 整体在 2% 附近波动, 难以起到显著增强 对于极端配臵法, 最高的年化 ALPHA 约 6%-7%, 温和偏离法最多仅能贡献约 3%ALPHA 中证 500 的行业偏离增强效果弱于沪深 300( 沪深 300 中比较容易可以做到年化 4% 以上的 ALPHA), 主要有以下几点原因 :1) 中证 500 中行业收益率的差异更小以及 2) 中证 500 行业权重差异小, 这就使得中证 500 的行业配臵难度提升, 且可能获取的超额收益空间较小 ; 其次,3) 中证 500 行业走势与全样本行业走势相关性较低, 约 0.65, 而沪深 300 行业与全样本行业走势相关性为 0.8, 这会使得采用全样本因子产生的行业观点在指导操作时形成偏差 ; 但是 4) 基于各方面的数据考虑, 不建议使用中证 500 样本因子生成行业观点 以上种种原因限制了行业偏离在中证 500 中的效果 7.2 中证 500 指数增强应用 表 13 对比了不同行业偏离上限下的中证 500 指数增强组合表现 当行业偏离上限等于零时, 对应的中证 500 组合即行业中性组合 与沪深 300 增强组合的结果类似, 随着行业偏离上限的增加, 指数增强策略的超额收益与年化跟踪误差也随之上升 当行业偏离上限为 5% 时, 中证 500 增强策略的年化收益最高, 达到了 22.96%, 相比行业中性组合提升了 1.52%, 对应的信息比率 3.99, 也高于了行业中性组合的 3.82 但是, 如果我们将行业偏离上限取消, 即不对组合的行业分布进行限制, 对应组合的年化超额收益与信息比率均低于行业偏离上限为 5% 的组合 也就是说, 在中证 500 增强策略的构建中, 仍然需要适当的行业风险管理 表 13 不同行业偏离上限下的中证 500 指数增强组合 偏离上限年化超额收益年化跟踪误差信息比

16 金融工程研究金融工程专题报告 16 0% 21.44% 5.61% % 21.78% 5.55% % 22.40% 5.63% % 21.94% 5.72% % 22.50% 5.73% % 22.96% 5.75% 3.99 无上限 22.31% 5.71% 3.91 图 9 为偏离上限为 5% 的中证 500 增强组合相对中证 500 的强弱指数与回撤 如图所示, 样本期间相对强弱指数稳健上升 除了 2015 年 7 月股市异常波动期间的最大回撤达到 5.9% 之外, 策略绝大多数时间的相对回撤都在 2.5% 以内 图 9 行业偏离组合 (5%) 相对中证 500 强弱指数与回撤 相对回撤 ( 右 ) 行业偏离组合 (2%) 8. 风险提示 流动性风险 模型失效风险 因子失效风险

17 信息披露 金融工程研究金融工程专题报告 17 分析师声明 [Table_Analysts] 郑雅斌金融工程研究团队罗蕾金融工程研究团队 本人具有中国证券业协会授予的证券投资咨询执业资格, 以勤勉的职业态度, 独立 客观地出具本报告 本报告所采用的数据和信息均来自市场公开信息, 本人不保证该等信息的准确性或完整性 分析逻辑基于作者的职业理解, 清晰准确地反映了作者的研究观点, 结论不受任何第三方的授意或影响, 特此声明 法律声明 本报告仅供海通证券股份有限公司 ( 以下简称 本公司 ) 的客户使用 本公司不会因接收人收到本报告而视其为客户 在任何情况下, 本报告中的信息或所表述的意见并不构成对任何人的投资建议 在任何情况下, 本公司不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任 本报告所载的资料 意见及推测仅反映本公司于发布本报告当日的判断, 本报告所指的证券或投资标的的价格 价值及投资收入可能会波动 在不同时期, 本公司可发出与本报告所载资料 意见及推测不一致的报告 市场有风险, 投资需谨慎 本报告所载的信息 材料及结论只提供特定客户作参考, 不构成投资建议, 也没有考虑到个别客户特殊的投资目标 财务状况或需要 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 在法律许可的情况下, 海通证券及其所属关联机构可能会持有报告中提到的公司所发行的证券并进行交易, 还可能为这些公司提供投资银行服务或其他服务 本报告仅向特定客户传送, 未经海通证券研究所书面授权, 本研究报告的任何部分均不得以任何方式制作任何形式的拷贝 复印件或复制品, 或再次分发给任何其他人, 或以任何侵犯本公司版权的其他方式使用 所有本报告中使用的商标 服务标记及标记均为本公司的商标 服务标记及标记 如欲引用或转载本文内容, 务必联络海通证券研究所并获得许可, 并需注明出处为海通证券研究所, 且不得对本文进行有悖原意的引用和删改 根据中国证监会核发的经营证券业务许可, 海通证券股份有限公司的经营范围包括证券投资咨询业务

18 金融工程研究金融工程专题报告 18 [Table_PeopleInfo] 海通证券股份有限公司研究所 路颖所长 (021) 高道德副所长 (021) 姜超副所长 (021) 邓勇所长助理 (021) 荀玉根所长助理 (021) 钟奇所长助理 (021) 宏观经济研究团队姜超 (021) 顾潇啸 (021) 于博 (021) 梁中华 (021) 联系人李金柳 (021) 宋潇 (021) 陈兴 (021) 固定收益研究团队姜超 (021) 周霞 (021) 朱征星 (021) 姜珮珊 (021) 联系人李波 (021) 杜佳 (021) 政策研究团队李明亮 (021) 陈久红 (021) 吴一萍 (021) 朱蕾 (021) 周洪荣 (021) 王旭 (021) 汽车行业王猛 (021) 杜威 (0755) 谢亚彤 (021) 互联网及传媒钟奇 (021) 郝艳辉 (010) 许樱之 孙小雯 (021) 刘欣 (010) 联系人强超廷 (021) 毛云聪 (010) 陈星光 金融工程研究团队高道德 (021) 冯佳睿 (021) 郑雅斌 (021) 罗蕾 (021) 沈泽承 (021) 余浩淼 (021) 袁林青 (021) 姚石 (021) 联系人周一洋 (021) 吕丽颖 (021) 张振岗 (021) 颜伟 (021) 梁镇 (021) 策略研究团队荀玉根 (021) 钟青 (010) 高上 (021) 李影 (021) 联系人姚佩 (021) 唐一杰 (021) 郑子勋 (021) 石油化工行业朱军军 (021) 邓勇 (021) 联系人胡歆 (021) 公用事业张一弛 (021) 张磊 (021) 联系人陈佳彬 (021) 傅逸帆 (021) 有色金属行业施毅 (021) 联系人李姝醒 (021) 陈晓航 (021) 李骥 (021) 甘嘉尧 金融产品研究团队高道德 (021) 倪韵婷 (021) 陈瑶 (021) 唐洋运 (021) 宋家骥 (021) 薛涵 皮灵 (021) 徐燕红 (021) 联系人谈鑫 (021) 王毅 (021) 蔡思圆 (021) 庄梓恺 中小市值团队张宇 (021) 钮宇鸣 (021) 孔维娜 (021) 潘莹练 (021) 联系人王鸣阳 (021) 程碧升 (021) 相姜 (021) 医药行业余文心 (0755) 郑琴 (021) 孙建 (021) 师成平 (010) 联系人贺文斌 (010) 吴佳栓 (010) 范国钦 批发和零售贸易行业汪立亭 (021) 李宏科 (021) 联系人史岳 (021) 房地产行业涂力磊 (021) 谢盐 (021) 联系人杨凡 (021) 金晶 (021)

19 电子行业陈平 (021) 联系人谢磊 (021) 尹苓 (021) 石坚 (010) 基础化工行业刘威 (0755) 刘海荣 (021) 张翠翠 孙维容 联系人李智 (021) 非银行金融行业何婷 (021) 孙婷 (010) 联系人夏昌盛 (010) 李芳洲 (021) 建筑建材行业钱佳佳 (021) 冯晨阳 (021) 建筑工程行业杜市伟 张欣劼 军工行业张恒晅 蒋俊 (021) 刘磊 (010) 联系人张宇轩 家电行业陈子仪 (021) 联系人李阳 朱默辰 (021) 刘璐 (021) 煤炭行业吴杰 (021) 戴元灿 (021) 李淼 (010) 计算机行业郑宏达 (021) 鲁立 (021) 黄竞晶 (021) 杨林 (021) 联系人洪琳 (021) 交通运输行业虞楠 (021) 联系人李丹 (021) 机械行业佘炜超 (021) 耿耘 (021) 杨震 (021) 沈伟杰 (021) 农林牧渔行业丁频 (021) 陈雪丽 (021) 陈阳 (010) 银行行业孙婷 (010) 林媛媛 (0755) 联系人谭敏沂 造纸轻工行业衣桢永 曾知 (021) 赵洋 (021) 金融工程研究金融工程专题报告 19 电力设备及新能源行业张一弛 (021) 房青 (021) 曾彪 (021) 徐柏乔 (021) 张向伟 (021) 通信行业朱劲松 (010) 余伟民 (010) 联系人庄宇 (010) 张峥青 纺织服装行业梁希 (021) 联系人盛开 钢铁行业刘彦奇 (021) 联系人周慧琳 (021) 刘璇 食品饮料行业闻宏伟 (010) 成珊 (021) 唐宇 (021) 社会服务行业汪立亭 (021) 李铁生 (010) 联系人陈扬扬 (021) 研究所销售团队 深广地区销售团队蔡铁清 (0755) 伏财勇 (0755) 辜丽娟 (0755) 刘晶晶 (0755) 王雅清 (0755) 饶伟 (0755) 欧阳梦楚 (0755) 宗亮 巩柏含 上海地区销售团队胡雪梅 (021) 朱健 (021) 季唯佳 (021) 黄毓 (021) 漆冠男 (021) 胡宇欣 (021) 黄诚 (021) 毛文英 (021) 马晓男 杨祎昕 (021) 方烨晨 (021) 张思宇 慈晓聪 (021) 王朝领 北京地区销售团队殷怡琦 (010) 吴尹 张丽萱 (010) 杨羽莎 (010) 杜飞 张杨 (021)

20 金融工程研究金融工程专题报告 20 海通证券股份有限公司研究所地址 : 上海市黄浦区广东路 689 号海通证券大厦 9 楼电话 :(021) 传真 :(021) 网址 :