基于行業(yè)景氣變化因子的擇時策略

1、基于景氣變化因子的擇時策略前兩篇研究報告我們通過梳理行業(yè)邏輯，考慮供給、需求、成本、產量等因素，分析行業(yè)上下游產業(yè)鏈，從行業(yè)基本面的角度，選取出了與行業(yè)景氣相關的數百個行業(yè)中觀因子。并基于中觀因子與行業(yè)景氣之間的相關性強弱，從中觀因子中篩選出了若干領先因子。本系列第一篇研報基于行業(yè)景氣模型的行業(yè)輪動中，我們依據歷史的領先因子與行業(yè)超額收益之間的關系，構建了行業(yè)超額收益預測模型，依據預測的超額收益選擇行業(yè)。本系列第二篇研報行業(yè)景氣變化因子驅動的行業(yè)輪動中，我們介紹了利用領先因子變化構建行業(yè)景氣變化因子，開發(fā)了基于行業(yè)景氣變化因子的行業(yè)輪動策略，取得了較好的效果。行業(yè)輪動策略的有效性，得益于我們選

2、取的中觀因子含有豐富的信息，使用它們可以較為準確的預測超額收益或判斷行業(yè)景氣變化方向。圖 1行業(yè)中觀因子的應用以自上而下的視角來分析，全市場漲跌即各個行業(yè)的匯總，各行業(yè)板塊共同運行且相互影響，共同推動大盤指數變化。行業(yè)漲跌影響因素眾多，但其核心是各行業(yè)的基本面景氣變化。行業(yè)基本面反映的相關行業(yè)產銷情況、價量信息以及上下游指標有向好趨勢意味著行業(yè)景氣的提升，而普遍的行業(yè)景氣向好則預示著全市場未來上漲概率增加。換個角度來看中觀因子富含的收益信息，累積到行業(yè)景氣維度后，可以指導我們進行大盤擇時。圖 2大盤策略實現流程本篇研報介紹中觀因子應用于大盤擇時的策略。我們從中觀的視角出發(fā)，利用中觀因子計算可以

3、預測行業(yè)景氣的行業(yè)基本面指標變化率（rate of change，ROC），通 過對訓練集上的基本面指標 ROC 數值分布分析，結合行業(yè)體現的特性，為每個行業(yè)分 別設定雙向的閾值?；久嬷笜?ROC 經閾值處理后等權加和構成改進的行業(yè)景氣因子，各行業(yè)景氣因子等權相加，并經由買入標準檢驗，形構成大盤擇時信號。策略在測試 集（2018 年 7 月-2022 年 2 月）上的累計超額收益為 11.03 ，夏普比例可達 1.42。策略構建原理中觀因子變化含義本篇策略的指標變化定義和之前研究中相同，根據不同的數據類型選取相應的計算方法，具體的計算過程讀者可以參見行業(yè)景氣變化因子驅動的行業(yè)輪動，本文不再贅

4、述，本節(jié)我們介紹對于中觀因子的變化的理解。中觀因子變化的核心是計算基本面指標的變化率（rate of change，ROC）。我們 基于中觀因子的變化率開發(fā)策略是基于對行業(yè)景氣傳遞過程的認識。根據市場規(guī)律， 相互關聯的行業(yè)相互影響有一個傳導過程，往往是行業(yè)相關領域的基本面先發(fā)生變化，一段時間以后才會將影響傳遞到本行業(yè)，這個傳導過程有一定的延續(xù)性和滯后性。因 此，無論是預測行業(yè)景氣還是擇時，均需發(fā)掘更具預見效力的指標。ROC 是在變動大小的基礎上計算變化快慢，若將行業(yè)景氣變化比作汽車駕駛，相關領域基本面的變動可以理解為驅動汽車前進的速度，而指標的 ROC 則可以理解成汽車行駛的加速度。若景氣向上

5、，就像汽車前進一樣，驅動力是向前的速度，而先變化的、有更強預見性的，應該是加速度的正負，即行業(yè)基本面數據的 ROC 指標。圖 3指標類別及變化計算環(huán)比類數據原值同比類數據環(huán)比累計類數據同比再環(huán)比總量類數據計算增速變化改進的行業(yè)景氣變化因子如之前開發(fā)的策略類似，我們使用指標 ROC 加總的形式來判斷景氣變化，為了平衡加總的時候各指標變化的體現的數量與方向信息，防止某一維度的信息被掩蓋，采用了改進的閾值處理步驟。不同行業(yè)的中觀因子數據特性不同，其變化數據的頻率分布有不同。分位數可以描述樣本的數據分布，若某一樣本的 k 分位數為 q，隨機從樣本中抽取，小于 q 的概率為 k。我們定義行業(yè)指標分位數均

6、值來表示某個行業(yè)的數據分布：|量化研究報告=1,式中：, =,為行業(yè) i 指標變化的 k 分位數均值；,為行業(yè) i 指標 j 變化的 k 分位數均值；為行業(yè) i 內的指標個數。利用行業(yè)指標分位數均值來觀察不同行業(yè)的中觀因子變化數據特性，我們發(fā)現，不同行業(yè)的分布各有特點，這是由于不同行業(yè)的特性導致的。圖 4行業(yè)指標 0.5 分位數均值0.5 分位數即中位數，樣本數據大于和小于此值的數據各半。從行業(yè)指標 0.5 分位數均值來看，各行業(yè)指標變化的分布各不相同，大多行業(yè)位于 0 以上，指標整體呈現正向增長的可能性大，而部分行業(yè)的指標變化中位數為負數，及其呈現負向變化的可能性大。圖 5行業(yè)指標 0.8

7、分位數均值0.8 分位數意味著樣本數據小于此值的數據占樣本總數的 80。行業(yè)指標 0.8 分位數均值顯示，各行業(yè)指標變化最大的 20全部大于 0，最小的約為 0.15。依據我們基于各行業(yè)數據的特性，對閾值設定，計算改進后的行業(yè)景氣變化因子。步驟如下：（1） 計算各行業(yè)中觀因子指標變化；（2） 選取分位數 k（k0.5）；按照 0.5 的比例劃分訓練集；計算訓練集上各行業(yè)指標變化 k 分位數平均數和 1-k 分位數平均數；依據分位數均值，計算行業(yè)景氣變化因子。 =1 ,；, , ,= , , , , ,1；,1, , ,1式中： 為行業(yè) i 改進后的行業(yè)景氣變化因子； 為 i 內的指標個數； 為

8、閾值處理后的中觀因子變化值；,為行業(yè) i 指標變化的 k 分位數均值。在行業(yè)數據的特性經過閾值處理后，我們再來討論買入標準。若一個指標向上變化其數值應大于 0，很容易將 0 作為指標加和出力后的買入標準。但通過以上的分析可以發(fā)現，多數行業(yè)指標整體呈現正向增長的可能性大。我們延續(xù)分位數的思想，試以一個新的邏輯選定買入點。根據統(tǒng)計，1995 年起至今的大盤月度上漲概率約為 53，策略中，我們取整，計算訓練集上的改進行業(yè)景氣變化因子之和，買入的標準設定為其 50分位數。若改進行業(yè)景氣變化因子之和大于買入閾值則持倉，反之則空倉。策略實證策略設置調倉周期：1 個月；數據集劃分：將數據集前 50劃分為訓練

9、集，后 50劃分為測試集；時間區(qū)間：2015 年 1 月至 2022 年 2 月；策略基準：萬得全 A 指數；閾值分位數設定：0.3策略設置：每個月末交易日作為策略的起點，各行業(yè)進行改進行業(yè)景氣變化因子的計算，等權加和，若加和結果大于 0，則為擇時策略的購入信號；反之則為平倉信號。實證結果圖 6 展示了測試集上該策略的實證表現。圖 6改進的行業(yè)景氣變化因子擇時策略表現21.81.61.41.210.82018-072019-012019-072020-012020-072021-012021-072022-01策略凈值萬得全A凈值累計超額凈值表 1改進的行業(yè)景氣變化因子擇時策略表現擇時策略萬得

10、全 A 基準累計超額收益年化收益率19.4910.5911.03年化波動率13.6918.2811.18信息比率1.420.580.99最大回撤5.9711.7010.33夏普比率1.42在回測時間區(qū)間上，策略實現了約 11.03 的累積年化超額收益，每月持倉情況如表所示。表 2改進的行業(yè)景氣變化因子擇時策略持倉情況及表現日期持倉情況萬得全 A 收益率策略收益率2018-08空倉-0.0635602018-09持倉0.0134720.0134722018-10空倉-0.0914102018-11空倉0.0212502018-12空倉-0.0483602019-01持倉0.0272950.027

11、2952019-02持倉0.1784270.1784272019-03空倉0.0797502019-04持倉-0.0144-0.01442019-05空倉-0.0638102019-06持倉0.0337290.0337292019-07持倉-0.00112-0.001122019-08空倉-0.0074202019-09持倉0.0076950.0076952019-10持倉0.0081620.0081622019-11空倉-0.0150702019-12持倉0.0754650.0754652020-01持倉-0.00253-0.002532020-02持倉-0.00028-0.00028202

12、0-03空倉-0.065302020-04持倉0.0523220.0523222020-05持倉0.00580.00582020-06持倉0.0840790.0840792020-07持倉0.1306390.1306392020-08持倉0.0196850.0196852020-09持倉-0.05969-0.059692020-10持倉0.0105310.0105312020-11持倉0.0398260.0398262020-12持倉0.0310990.0310992021-01空倉-0.0010402021-02持倉-7E-05-7E-052021-03持倉-0.03137-0.031372

13、021-04持倉0.0221470.0221472021-05空倉0.05135102021-06空倉0.01419802021-07空倉-0.0309602021-08空倉0.03223402021-09空倉-0.0103102021-10空倉0.0034402021-11空倉0.03144902021-12空倉0.01039102022-01空倉-0.0946302022-02持倉0.0281450.028145總結與討論策略對閾值的敏感性我們對閾值含義的理解保持不變，依舊是調節(jié)策略中中觀因子所體現信息的兩個維度（方向和數量）比例的開關。不被閾值限定的數據越多，數量信息體現的越全面，而單個

14、指標變化的方向信息被覆蓋的可能性提升。反之亦然，閾值限定的數據越少， 指標變化方向的信息暴露的越多，而閾值外的數量信息則被掩蓋。圖 7改進的閾值設定方式資料來源：研究所在本篇策略中，我們改進了策略的閾值設定方式，考慮不同行業(yè)中觀因子變化的特性，為每個行業(yè)設定了不同的閾值?；诜治粩档母拍?，我們對稱的調節(jié)數據首尾的因子變化，讓數量信息在不同程度上得以暴露。圖 8閾值設定對策略超額收益的影響10.008.00無閾值策略超額收益6.004.002.000.000.10.150.20.250.30.350.40.45閾值分位數資料來源：研究所由于改進的策略對閾值的首尾都進行了限制，我們以較小的分位數代

15、表閾值限定的嚴格程度，越接近于 0，樣本被限定的越寬松；越接近 0.5，樣本被限定的越嚴格。我們測試了不同閾值限定下的策略表現，并于無閾值限定進行了對比。結果顯示，策 略對閾值的敏感度較低，并且測試的閾值設定方案相比無閾值的方案均可獲得更高的 收益。可以認為，改進后的閾值設定方式有效的從中觀因子的變化中提取了更多的超 額收益信息。如圖所示，橫線為作為對照組的無閾值設定策略，其超額收益為 3.36 ，我們測試的任一閾值設定策略，其超額收益均高于對照組。通過對閾值設定的策略橫向比較我們可以發(fā)現，測試組內超額收益的最大差值為 1.28 ，不同閾值的設定會影響策略表現，但影響程度有限。閾值的穩(wěn)定性擇時

16、策略在實際應用中，閾值的穩(wěn)定性是我們要考慮的重要因素。因為依據分位數的閾值計算依賴于訓練集的數據，而中觀因子變化的數據分布在未來會不會發(fā)生改變是策略穩(wěn)定性的核心。我們對策略閾值的穩(wěn)定性進行測試。圖 9閾值設定對策略超額收益的影響分位數閾值0.3訓練集0-0.1-0.2交通運輸傳媒農林牧漁醫(yī)藥商貿零售國防軍工基礎化工家電建材 建筑 房地產有色金屬機械汽車消費者服務煤炭電力及公用事業(yè) 電力設備及新能源電子石油石化紡織服裝計算機 輕工制造通信鋼鐵銀行非銀行金融食品飲料-0.3全樣本分位數閾值0.70.5訓練集全樣本0.40.30.20.1交通運輸傳媒農林牧漁醫(yī)藥商貿零售國防軍工基礎化工家電建材 建筑 房地產有色金屬機械汽車消費者服務煤炭電力及公用事業(yè) 電力設備及新能源電子石油石化紡織服裝計算機 輕工制造通信鋼鐵銀行非銀行金融食品飲料0資料來源：研究所我們在測試集和全樣本內計算依據 0.3 分位數時各行業(yè)的閾值。按照前文介紹的方法，應有 0.3、0.7 兩個閾值的產生，我們分別計算并作