【宽客研报】基于择时与绝对收益视角的行业配置策略

quant001 数据策略 2019-8-14 22:18 111043人围观

投资要点：

基于传统行业配置方法的不足，我们考虑将大类资产择时的思路直接运用于行业层面的投资，以申万一级行业为例，即把 28 个一级行业当做 28个独立的细分资产单独进行投资，这样克服了采用宽基指数择时某些情况下对指数投资代表性不足的问题。此外，当行业层面引入择时策略后，行业配置策略也就相应转化为了绝对收益策略。本文结构安排如下，第一部分是对连续性择时因子在行业择时层面运用的测试，第二部分是对事件驱动类因子的测试，第三部分是我们把两类指标融合，构建的单一行业的综合择时模型，最后，我们还把这项研究进行拓展，运用于绝对收益视角的行业配置组合构建。

从单因子测试来看，连续性因子可以利用的因子包括行业景气度、信用利差与动量因子。事件驱动因子在测试时，我们都同时测试了“多”、“空”双向择时效果，从结果来看，波动率、公募基金增减持可以作为双向指标使用，其余作为单向指标使用。综合加权时，我们考虑十分制打分，事件驱动因子作为辅助加分减分项融入多因子体系。

对每一个行业指数运用我们的择时系统进行择时，从回测结果来看，有 22 个行业相比于行业指数本身获得了超额收益，由于各行业的平均交易次数仅为 4 次，因此总胜率指标的衡量可能会有一定偏差，我们采用 20 天胜率指标作为替代，可以看到 20 天胜率超过 50%的行业超过 20 个。

将研究拓展到绝对收益视角的行业配置组合构建。从回测结果来看，从 2012 年 1 月至 2018 年 8 月，行业配置组合的累计收益率达到 138.99%，最大回撤 25.15%，均优于沪深 300 指数与中证 500 指数。今年以来，该行业配置组合仅下跌了 3.7%，远好于同期沪深 300 及中证 500 指数。

风险提示：数量化策略研究主要基于历史数据，可能存在模型设定偏差的风险

内容目录

单因子测试：连续性因子
1.1. 行业景气度
1.2. 信用利差
1.3. 动量趋势
单因子测试：事件驱动因子
2.1. 估值
2.2. 波动率
2.3. 一致性指数
2.4. 分析师一致预期
多因子打分与行业指数择时策略
基于择时与绝对收益视角的行业配置策略构建

图表目录
图 1：依据交易规则每期看多的行业个数（7 进 4 出交易规则）
图 2：策略组合与基准净值图
表 1：两期指标确定趋势测试结果
表 2：一期指标确定趋势测试结果
表 4：信用利差指标测试结果
表 5：不同期限动量因子测试结果
表 6：估值指标测试结果
表 7：波动率指标测试结果
表 8：一致性指数测试结果
表 9：分析师一致预期测试结果
表 9：通过单因子测试的因子列表
表 10：申万一级 28 个行业择时情况
表 11：策略组合回测结果
表 12：策略组合与基准历年收益情况

传统行业配置模型往往采用横截面多因子方法构建，核心是采用模型综合打分方法，按期筛选出未来收益率可能排名靠前的若干行业。这本质追求的是相对收益，因为排名靠前，只是意味着表现可能好于其他行业，但并不意味着一定可以获取绝对收益。这类模型绩效好坏评判的主要标准是能否持续战胜行业等权或市场宽基指数。

FOF 投资往往追求的是绝对收益，那么如何将追求相对收益的行业配置模型转化为绝对收益呢？实践中通常采用的思路是在行业配置层面再增加一层大类资产配置，通过对 A 股市场的整体择时与仓位控制，规避权益市场的系统性风险，烫平净值波动。这一宏观与中观相分离的投资方法，逻辑较为清晰明了，被广泛使用。然而，这一方法也存在一定缺陷，一是用于择时的宽基指数选择问题，市场存在多个能表征市场整体走势的宽基指数，如沪深 300、上证综指、中证 800 乃至中证 1000 等，虽然多数情况下宽基指数走势是一致的，但是存在分化，典型性如 2013 年的小盘类宽基指数行情，以及 2017 年以来的大盘类宽基指数行情，这就为市场择时带来一定困扰，即到底该以哪个指数为准进行择时，确定行业配置的整体配置仓位；其二，采用宽基指数择时，还可能会放弃单一行业潜在的独立行情机会。例如，今年上半年，A 股市场无论是以沪深 300 还是中证 800 乃至中证 1000 等各大宽基指数衡量的整体市场走势，都萎靡不振，无论采用哪个宽基指数做顶层 A 股的仓位配置，都会导致今年上半年基本上行业配置策略能分配的仓位会非常低，然而今年上半年医药行业却一度走出独立行情，但采用传统宏观择时与中观行业配置相分离的方法，显然无法捕捉到这种单一行业的投资机会。

为解决上述传统行业配置方法的不足，我们考虑将大类资产择时的思路直接运用于行业层面的投资，以申万一级行业为例，即把 28 个一级行业当做 28 个独立的细分资产单独进行投资，这样就克服了采用宽基指数择时某些情况下对指数投资代表性不足的问题。此外，当行业层面引入择时策略后，行业配置策略也就相应转化为了绝对收益策略。我们依旧采用多因子的框架构建行业层面的择时模型。从择时信号发出频率的角度看，择时系统可划分为两类，其中常用的一个是连续性择时系统，即一个系统在任何时刻均会对资产的未来走势作出看涨看跌的判断，典型如均线择时系统，当股价上穿某一均线时则看多市场，下穿均线则看空市场，再如采用行业财务指标同比增速构建的择时系统，可通过一定规则划分行业财务指标的上升下降状态，当指标处于上升状态时，预示行业基本面转好，此时看多该行业指数；反之当择时处于下降状态时，预示该行业基本面恶化，此时看空该行业指数。可见，连续性择时的最大好处是该择时系统在任何时候均会发出明确的看涨看跌信号，从而可用于构建多维度指标，即把某一连续性择时系统作为多指标综合打分系统中的一项，通过对指标的赋权打分生成最终择时观点。

不过，连续性择时系统也存在较大缺陷，一是指标的胜率可能不高，多数连续性择时系统长期盈利的关键在于盈亏比较高，如均线择时，但胜率可能不足 50%，这种低胜率的择时系统在实际运用中需要投资者承受较大心理压力；二是连续性择时系统一旦失效对资产的配置权重影响较大，例如，行业景气度的上升下降在逻辑上对行业涨跌的影响较大，且长期是有效的，但 2014 年牛市行情却与企业盈利的变化没有太大关系，行情本质源于流动性与投资者情绪的改善，倘若当时把行业景气度作为一个择时系统并用于指导行业投资，可能会导致大量行业无法发出看多信号，从而错过投资机会。

不同于连续性择时，事件驱动择时并不要求择时系统在任何时候都发出看涨看跌信号，仅当某一特定事件出现时该指标才有意义，典型性如市场估值，只有当市场估值水平处于极低或极高水平时，估值对未来市场涨跌才有预示意义，当处于正常估值水平时，并不是市场影响的核心要素；再如分析师预期数据，仅当分析师预期发生显著乐观或悲观变化时，才对行业未来涨跌具有预测意义。可见，事件驱动择时的优点在于该类择时信号出现后对未来市场研判的胜率较高，但事件驱动择时系统发出的信号频率偏低，不能将其作为主择时策略，或者不能将其单独作为一个择时维度用于赋权打分构建多维度择时系统，但事件驱动择时可以作为一个加分或减分项，从而对连续性择时指标进行补充，两者共同决定对行业未来涨跌趋势的研判。

本文结构安排如下，第一部分是对连续性择时因子在行业择时层面运用的测试，第二部分是对事件驱动类因子的测试，第三部分是我们把两类指标融合，构建的单一行业的综合择时模型，最后，我们还把这项研究进行拓展，运用于绝对收益视角的行业配置组合构建。

1. 单因子测试：连续性因子

在前期着眼于横截面的多因子行业配置中，进行单因子测试时所选用的包括 IC 均值、IC标准差等指标在时间序列模型的构建中都无法适用，因为上述指标主要是衡量因子对于行业表现相对好坏的区分能力，而非衡量因子对行业未来一段时间绝对表现好坏的预测能力。简单来说，我们需要利用择时体系的研究思路。该模型中，我们仍针对申万一级 28 个行业进行研究，于每月最后一个交易日生成信号，因子是否有效根据择时胜率与超额收益率确定。具体我们采用了如下几个指标：

总胜率指标：对于 28 个行业，样本内交易胜率超过 50%的行业个数，指标超过 14（即行业占比超过 50%）视为胜率指标通过测试；
超额收益率指标：对于 28 个行业，经过择时操作后超额收益率（相较于行业指数本身）大于 0 的行业个数，指标超过 14（即行业占比超过 50%）则视为超额收益率指标通过测试；
20 天胜率指标：对于 28 个行业，计算 20 天交易胜率超过 50%的行业个数。总胜率的替补指标，很多指标出现的频率较低，总交易次数低于 5 次，总胜率指标可能会失真，因此用 20 天胜率指标作为替代；
平均收益率指标：对于 28 个行业，分别计算多空两种状态平均收益率大于零的行业个数。

作为衡量双向指标因子的超额收益率替代指标，指标超过 14（即行业占比超过50%）视为通过测试。
从理想状态看，一个优异的行业指数择时指标，回测结果上应该是既能通过胜率类指标检验，也能通过收益率类指标检验，但实际上这很难达到，这是因为指标本身尤其是诸如财务这类基本面指标存在滞后性，再加上我们是从基于事前交易视角对待测试的运行状态进行划分的，这进一步加大了时滞，因而很难有指标完全满足上述两个条件，这样多因子模型实际上就无法构建了。鉴于此，我们放宽了指标通过测试的条件，要求满足胜率或收益率指标中的任意一个，且符合一定的经济逻辑，即视作通过检验。这样做的好处是：一是可用于构建多因子行业配置的因子数量会显著增加，避免模型结果过于依赖于某一两个指标；二是避免了数据的过度挖掘，样本外的可复制性更强。

1.1. 行业景气度

行业景气度的上行下行，从逻辑上是决定行业指数本身涨跌最重要的因素。我们采用行业本身的财务指标用于表征行业的景气度变动，且我们更加关注的是行业景气度的变动方向，而非数值本身的大小，因为从投资逻辑上看，边际的变化对股价影响更大。一个行业当前净利润增速 30%并不一定意味着该行业处于景气上行阶段，因为有可能其上期净利润增速高达50%，这实际上意味着该行业的景气度已处于下滑趋势；同样的，一个行业当前净利润增速可能只有 10%，但上期该行业可能净利润增速是负增长，这实际上意味着该行业已经走出景气低谷，并有可能步入上行趋势。

我们选择 5 个代表盈利能力的指标来合成行业景气度指标，包括净资产收益率 ROE、营业利润的 TTM 环比值、营业利润累计同比、营业收入的 TTM 环比值和营业收入累计同比。同比数据由于间隔的时间比较长，通常对于大趋势的把握更好一些，而环比指标由于间隔时间较短，对短期变化更敏感，因此我们对于营业利润与营业收入都同时引入了同比指标与环比指标，考虑到单纯的季度环比会受到季节等因素影响，故采用 TTM 环比值替代。

运用整体法计算各个行业的指标后，根据趋势确定交易信号。财务指标的披露存在一定滞后性，每年可利用的仅一季报（上年年报的最后披露时间与一季报时间重叠，故我们仅利用一季报数据）、中报与三季报，频率较低，因此我们在确定趋势时尝试了多期指标值确定趋势和单期指标值确定趋势两种方法，多期指标值确定趋势是指只有当连续两期均破坏了原有趋势才认定一个新的趋势形成（如在上涨趋势中，连续两期均下跌，或一期下跌但跌幅过大，则认为下跌趋势已经形成）。多期指标确定趋势对趋势的把握更准确，但存在时滞性问题；单期指标确定趋势可能会有误判但更及时。回测时间为 2011 年 1 月至 2018 年 8 月。交易规则设定如下：当某一指标衡量的行业景气度处于上行波段时，买入该指数，当处于下行波段时，则转为空仓，即我们仅进行多头交易。（其他连续性择时因子交易规则也均采用此设置）

回测结果中列出了总胜率、20 天胜率与超额收益率指标，由于行业景气指标更新频率非常低，每年仅有三个值，故其交易次数也较少，这里的总胜率指标不具有参考价值。从 20 天胜率指标来看，只有一期指标确定趋势的 ROE 指标表现欠佳，20 天胜率大于 50%的行业个数未达 14，胜率指标未通过。再看超额收益率指标，两期指标确定趋势的结果普遍较弱，均未通过超额收益率指标测试；一期指标确定趋势的结果除了 ROE 指标均通过测试。综合考虑，对于 ROE 指标我们采用两期指标确定趋势的方法生成信号；其他四个因子采用一期指标确定趋势的方法生成信号。

1.2. 信用利差

信用利差可以作为衡量整体经济的指标，在经济扩张时，投资者的风险偏好较高，信用利差收窄，此时股票市场会迎来上涨行情；当处于经济收缩期时，投资者的风险偏好较低，信用利差走扩，股票市场可能会表现不佳。基于上述逻辑，我们采用兴业研究在 Wind 平台发布的行业信用利差数据，构建了行业层面的信用利差择时指标。该信用利差数据覆盖了申万一级的大部分行业，只有银行、国防军工与计算机行业该指标未覆盖，考虑到我们对每一个行业单独进行择时，因此并不影响该指标的使用。指标择时信号定义如下：采用事前交易视角划分行业信用利差指标运行波段，当当信用利差处于下降趋势时，买入该行业指数，反之则平仓头寸，该行业指数。回测时间仍限制在 2011 年 1 月到 2018 年 8 月。

从回测结果来看，在胜率层面，虽然总胜率层面仅有 12 个行业高于 50%，但 20 天胜率达到 50%的行业有 22 个，20 天胜率指标通过了测试；从超额收益来看，总超额收益大于零的行业为 15 个，超过一半，故超额收益率指标达标，总体来看，信用利差指标通过测试。且该指标只覆盖了 25 个行业，从比例的角度来看是十分有效的。对于该指标缺失的三个行业，在多因子构建择时体系时等比例整体提升其他因子权重即可。

1.3. 动量趋势

动量因子是考虑市场技术面时不可或缺的方面，我们采用唐奇安通道线（既当行业指数价格创 N 日新高时，买入该指数，创 N 日新低则卖出该指数，转为空仓，当不满足上述任意条件时，则把上一交易日信号赋予本日）生成信号值。考虑到不同期限的动量因子侧重点不同，短期动量对市场更为敏感，但容易发生判断失误而频繁发出信号的问题；长期动量把握的是市场大趋势，因而可能会有反应迟缓等问题，因此我们分别考虑短期、中短期、中期、中长期与长期动量趋势，构建综合的动量趋势指标。回测时间同样限制在 2011 年 1 月到 2018年 8 月。

从回测结果来看，总胜率超过 50%的行业个数普遍比较低，均未达到要求；而超额收益大于零的行业个数在不同期限动量因子的测试中均达到了 14，满足要求。另外一个指标 20天胜率指标不同于总胜率指标，普遍达到要求。结合动量因子与市场特征，在考虑总胜率的情况下，每次交易持有的时间是不确定的，因而某些交易持续时间很长，而某些交易可能持续时间很短，出现总胜率较低而 20 天胜率较高的原因可能是交易持续时间较长的一次交易，在计算 20 天胜率时被拆解成了多次交易，从而增加了胜率超过 50%的行业个数。总之，多期限构建的动量趋势因子单因子测试通过。

2. 单因子测试：事件驱动因子

下面我们要测试的是一些发生频率很低，但可能会短期对市场造成较大影响的因子。这类因子我们称之为事件驱动因子，并将其作为加分或减分项融入到连续性择时因子中，因而事件驱动因子就要评估多空两个方向的择时效果了。由于同时测试多空信号时，无法把行业指数本身作为比较基准，因而对于这类指标的测评，我们主要考察多空两种状态下的平均收益率。

前期报告《基于市场参与者行为的行业配置策略》中，我们构建的基于公募基金持仓与上市公司调研的事件驱动策略表现优异，虽然测试时我们衡量的是相对收益，但测试时不限制所选行业个数，仅挑选预期表现较好的行业，使其结果同样适用于我们当前对绝对收益的研究。其中公募基金持仓事件驱动主要是跟踪“低配增持”与“超配减持”的行业组合，测试表明处于“低配增持”的行业在未来三个月具有上涨潜力；同时“超配减持”的行业组合在未来三个月则有大概率下跌。基于上市公司调研的事件驱动原理是认为行业由个股组成，当行业内个股的调研热度上升时，该行业未来将出现投资机会。这里我们不再重复测试，直接利用前期测试结果，将上述两个因子融入多因子体系。

此外，我们还对估值、波动率、一致性指数、一致预期作为事件驱动因子的表现效果进行了测试。

2.1. 估值

估值一直是价值投资里非常重要的指标，我们重点考察市盈率（PE）与市净率（PB）两个指标在行业层面的择时效果。价值投资中，以均值回归作为投资依据，即当估值水平较低时，认为资产的价值被低估，后续大概率会上涨；而当估值水平较高时，认为资产价格触顶，后续大概率会下跌，由于随着时间的变化以及行业不同，行业估值高低的阈值会发生变化，因而我们以当前 PE（PB）在过去三年内的历史分位数衡量估值水平的高低。当估值历史分位数高于一定百分比时认为资产价值被高估，后续看空该资产；反之当历史分位数低于一定百分比时认为资产价值被低估，后续看多该资产，当估值回归至合理区间时，则结束估值的多头或空头信号。由于多数情况下估值是在正常区间范围内波动的，估值过高或过低发生的频率比较低，因此我们将其作为事件驱动进行测试。测试时间限定在 2011 年 1 月到 2018 年8 月。

从回测结果来看，PB 的表现要好于 PE。先看胜率情况，总胜率层面，只有 PB 指标看多信号通过了测试，有 18 个行业的交易胜率超过了 50%，其他情况均未通过该指标的测试；20 天胜率指标与总胜率指标相同，只有 PB 看多信号通过；再从收益率角度来看 PB 与 PE指标均只有看多信号下平均收益率大于零的行业超过了 14 个。根据前文所述的判定标准，我们认为 PB 与 PE 指标的看多信号是比较有效的。

2.2. 波动率

在我们前期构建的横截面多因子行业配置模型中，我们发现低波因子具有相对超额收益，因为低波动率代表着低风险，而低风险更易受长期机构投资者青睐，且在弱势环境下，市场往往会给予低风险行业及个股确定性溢价，从而股价表现好于高波行业。在资产择时维度，波动率因子应该也会有效，因为当某资产相较其历史波动率水平，当前波动率降至较低水平时，可能意味着此时投资者情绪已过于悲观，市场极易触底回升；而当波动率处于极高水平时，又往往是见顶的信号。

因而我们采用波动率指标，构建行业指数的择时策略。为定义波动率的高低状态，我们采用过去五年波动率的分位数进行定义，当波动率分位数低于一定阈值时，认为市场处于低波状态，此时做多该行业指数；当波动率分位数高于一定阈值时，则做空该指数。当波动率回归到正常分位数水平区间内，则结束多头或空头头寸。测试时间限定在 2011 年 1 月到 2018年 8 月。

从回测结果来看，波动率因子整体表现较好。从总胜率层面来看，“看多”信号与“看空”信号均满足超过 14 个行业总胜率大于 50%；且 20 天胜率超过 50%的行业个数也很多；收益率层面看，“看空”信号平均收益率大于零的行业个数满足测试要求。综合来看，波动率指标是一个在多空两方向都十分有效的因子。

2.3. 一致性指数

市场指数是成分股的集合，指数表现是成分股表现的综合。在财务指标层面我们已经从成分股的角度出发去衡量行业的基本面状况，但是对于行业市场技术面的考虑仍停留在指数整体表现上，因此我们从微观层面出发，通过对指数成分股的运行趋势判断，构建行业指数择时系统。在个股的选择上，由于申万行业指数采用 A 股自由流通市值加权，为了简化计算同时使一致性指数更有代表性，我们仅选择市值靠前的 30 只个股。对个股趋势的判断上采用N 日新高新低的方法，考虑 A 股市场“牛短熊长”的特点，采用“慢进快出”的方法，即 N日新高入场，N/2 日新低离场。由于一致性指数在 0—1 的范围内波动，因此我们设定阈值来判定当前的交易信号。当一致性指数达到下阈值时，说明行业成分个股整体处于超跌状态，此时行情反转向上概率加大，从而指标发出看多信号；反之，当一致性指数达到上阈值时，说明行业内个股整体处于超涨状态，此时市场反转向下概率可能较大，从而指标发出看空信号，当一致性指数回归正常水平，交易信号结束。测试时间限定在 2011 年 1 月到 2018 年 8月。

从回测结果来看，一致性指数的看多信号系统表现较好。从胜率层面来看，“看多”信号与“看空”信号均未达要求，不满足超过一半的行业胜率达到 50%的要求；而看多信号系统的 20 天胜率指标刚好达到要去，通过测试；收益率情况同样是看多信号系统通过了测试。总体来看，一致性指数在“看多”信号上表现更好，具有可利用性。

2.4. 分析师一致预期

分析师研究股票时，往往会根据公司的具体经营情况给出业绩预期，相比于用过去的盈利水平代表将来的行业景气，分析师一致预期具有一定的前瞻性。我们选择代表盈利水平的三个指标，通过整体法计算行业的一致预期 ROE、净利润与营业收入。前期测试我们发现，一致预期的调整主要是在公司财报公布前后，日常调整比较微小，因此我们主要对财报公布前后的分析师预期数据加以利用。对于一致预期的应用通常有两种方法，其一是在财报公布后，计算盈利水平是否超预期，如果实际水平超过一致预期，之后可能会有上涨行情；另外一种方法是对一致预期本身进行比较，在每次财报公布后计算一致预期的调整方向，如果上调了一致预期，说明分析师综合各种信息看好后续行情。

我们对两种方法均进行了研究，对于方法一，从行业层面来看多数情况下财报公布的盈利水平难以达到预期导致交易信号匮乏，因此采用第二种方法进行测试。虽然一致预期数据不像财报数据一样频率低，但是一致预期产生较大变化通常在财报公布后，因此我们仍然截取每年三个节点（4 月、8 月和 10 月），对比财报公布后的一致预期数据与财报公布前一个月的一致预期数据。由于一致预期调整因子不同于行业景气度对之后一个季度的预期，一致预期调整因子可能只会对之后一段时间有效，因此我们只测试之后三个月的情况，即信号延续三个月。回测时间仍然控制在 2011 年 1 月到 2018 年 8 月。

从回测结果来看，每年 3 次的信号导致总交易次数较少，因此总胜率指标缺乏参考价值，考虑另外两个指标。整体来看，该指标表现效果一般。从 20 天胜率来看，只有净利润看空信号通过了测试；而平均收益率则均未达标，根据我们的单因子测试规则，只有一致预期的净利润因子看多状态通过了测试。