当前市场环境与未来破局之道
　　今年以来，海外通胀高企，金融环境收紧，国内受疫情影响复苏预期反复，在这样的宏观环境下，市场出现了系统性的回撤，波动加剧。与往年相比，单行业的波动明显放大，过去投资者通过直接研判赛道长期持有单一行业获取超额收益在现阶段将面临很大的风险。另一方面，传统多因子模型换仓频率相对较低，最近几年，这类低频因子IC及多空收益的稳定性都出现一些下降，逐渐表现出风格化的特征。展望2023年，为解决这些困境，本文将从以下三个维度提出量化投资新思路。
　　基于动态宏观事件因子的股债轮动策略
　　我们搭建了动态宏观事件因子择时框架，解决了传统事件驱动类策略框架无法及时在样本外及时反馈的问题，实现了每期动态优选事件因子以及动态剔除失效的数据指标的效果。综合使用经济、通胀、货币和信用四维度的宏观数据动态构建月频事件因子打分的股指择时和股债轮动模型。择时策略2005年1月至2022年11月年化18.73%，同期Wind全A年化10.88%，增强了收益，同时将指数原本68.61%的最大回撤降低至13.77%。另外基于择时策略的信号和股票仓位信息，构建了保守，稳健，进取三类股债轮动组合，夏普分别有1.46，1.21和1.36。
　　基于多维度行业景气度与估值动量的行业轮动策略
　　我们从行业景气度与估值动量出发，探索了中期行业配置思路。为了衡量行业景气度的变化，我们构建了盈利类和质量类因子和估值动量类因子。我们将盈利、质量以及估值动量因子以等权的方式进行合成，得到景气度估值因子。景气度估值因子在大部分月份IC为正，IC均值达到了8.88%，景气度估值因子多空净值增加平稳，年化收益率达到了18.54%，夏普比率达到了1.11。
　　我们根据景气度估值因子构建了行业轮动策略。策略的年化收益率为10.89%，夏普比率为0.40，而行业等权基准的年化收益率仅为5.09%，夏普比率为0.21。相较于行业等权基准，行业轮动策略的年化超额收益率为5.99%，信息比率为0.71。策略样本外9个月超额收益率3.27%，11月超额收益为1.03%，今年以来策略超额收益率达7.35%。
　　基于高频快照数据的量价背离选股因子
　　我们研究发现，当量价出现背离时，无论当前股价处在上升还是下降通道，未来上涨的可能性均较高。我们利用日内快照数据构建因子对日内价格与成交量的相关关系进行衡量，捕捉量价趋同/背离特征，共构建了6个因子。在日频维度上，CorrPV因子、CorrRV因子以及CorrPM因子IC相对较高，IC均值在3%以上。为了满足就够投资者对于换手率等因素的要求，我们采用整体的方法，构建周频量价背离因子。中性化后的周频合成因子的IC均值为6.27%，多空组合的年化收益率达到了38.88%，夏普比率达到了4.08。
　　我们选择将量价背离因子与传统因子一起使用构建策略。合成后的量价背离增强因子的IC达到了7.66%，风险调整后IC达到了1.02。基于量价背离增强因子构建的增强策略的年化收益率为9.51%，相比基准的年化超额收益率为11.90%。
　　风险提示
　　以上结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。
　　
　　

研究报告全文：当前市场环境与未来破局之道今年以来海外通胀高企金融环境收紧国内受疫情影响复苏预期反复在这样的宏观环境下市场出现了系统性的回撤波动加剧与往年相比单行业的波动明显放大过去投资者通过直接研判赛道长期持有单一行业获取超额收益在现阶段将面临很大的风险另一方面传统多因子模型换仓频率相对较低最近几年这类低频因子IC及多空收益的稳定性都出现一些下降逐渐表现出风格化的特征展望2023年为解决这些困境本文将从以下三个维度提出量化投资新思路基于动态宏观事件因子的股债轮动策略我们搭建了动态宏观事件因子择时框架解决了传统事件驱动类策略框架无法及时在样本外及时反馈的问题实现了每期动态优选事件因子以及动态剔除失效的数据指标的效果综合使用经济通胀货币和信用四维度的宏观数据动态构建月频事件因子打分的股指择时和股债轮动模型择时策略2005年1月至2022年11月年化1873同期Wind全A年化1088增强了收益同时将指数原本6861的最大回撤降低至1377另外基于择时策略的信号和股票仓位信息构建了保守稳健进取三类股债轮动组合夏普分别有146121和136基于多维度行业景气度与估值动量的行业轮动策略我们从行业景气度与估值动量出发探索了中期行业配置思路为了衡量行业景气度的变化我们构建了盈利类和质量类因子和估值动量类因子我们将盈利质量以及估值动量因子以等权的方式进行合成得到景气度估值因子景气度估值因子在大部分月份IC为正IC均值达到了888景气度估值因子多空净值增加平稳年化收益率达到了1854夏普比率达到了111我们根据景气度估值因子构建了行业轮动策略策略的年化收益率为1089夏普比率为040而行业等权基准的年化收益率仅为509夏普比率为021相较于行业等权基准行业轮动策略的年化超额收益率为599信息比率为071策略样本外9个月超额收益率32711月超额收益为103今年以来策略超额收益率达735基于高频快照数据的量价背离选股因子我们研究发现当量价出现背离时无论当前股价处在上升还是下降通道未来上涨的可能性均较高我们利用日内快照数据构建因子对日内价格与成交量的相关关系进行衡量捕捉量价趋同背离特征共构建了6个因子在日频维度上CorrPV因子CorrRV因子以及CorrPM因子IC相对较高IC均值在3以上为了满足就够投资者对于换手率等因素的要求我们采用整体的方法构建周频量价背离因子中性化后的周频合成因子的IC均值为627多空组合的年化收益率达到了3888夏普比率达到了408我们选择将量价背离因子与传统因子一起使用构建策略合成后的量价背离增强因子的IC达到了766风险调整后IC达到了102基于量价背离增强因子构建的增强策略的年化收益率为951相比基准的年化超额收益率为1190风险提示以上结果通过历史数据统计建模和测算完成在政策市场环境发生变化时模型存在失效的风险敬请参阅最后一页特别声明1金融工程中期年度报告内容目录1当前市场环境与未来破局之道511量化择时与资产配置在未来将至关重要512量化行业轮动空间的增大513传统低频选股因子的风格化614国金金融工程解决方案72基于动态宏观事件因子的股债轮动策略721宏观择时的常用方法722动态事件驱动的优势823宏观事件因子构建框架及流程824择时与股债策略表现113基于多维度行业景气度与估值动量的行业轮动策略1331行业景气度与估值动量1332指标构建原则与测试方法1433因子构建1434景气度估值行业轮动策略174基于高频快照数据的量价背离选股因子1941高频量价背离背后的Alpha1942日内快照数据与量价因子构建2043量价背离因子日频有效性验证2144量价背离因子降频后表现2145结合量价背离因子的中证1000指数增强策略235总结25风险提示26图表目录图表1各股指2022年年初至今收益截至202211305图表2各股指2022年年初至今走势截至202211305图表3近2年中信一级行业年化波动率5图表4近10年中信一级行业中每年排名前5行业5图表5大类因子的IC均值与多空收益6图表6一致预期市值成长和反转因子多空净值7图表7质量技术价值和波动率因子多空净值7图表8国金金融工程研究框架7敬请参阅最后一页特别声明2金融工程中期年度报告图表9Wind全A与PPI同比的线性相关性8图表10Wind全A与PPI同比的走势8图表11PPI同比与南华工业品指数同比时滞关系8图表12Wind全A同比与LME铜价同比时滞关系8图表13经济通胀货币和信用类指标8图表14事件因子构建流程图10图表15数据格式的变动10图表16事件因子的构建10图表17各类衡量指标介绍11图表18最终筛选的宏观因子11图表19择时策略仓位确定流程图12图表20宏观事件因子择时策略净值12图表21宏观事件因子择时策略表现12图表22宏观事件因子配置策略净值13图表23宏观事件因子配置策略表现13图表24不同交易成本下进取型策略净值13图表25不同交易成本下进取型策略表现13图表26国金金融工程行业配置框架14图表27行业因子构建流程14图表28盈利类因子定义15图表29质量类因子定义15图表30估值动量类因子定义15图表31行业因子Spearman相关系数16图表32景气度估值因子IC16图表33景气度估值因子IC16图表34景气度估值因子分位数组合净值17图表35景气度估值因子多空组合表现17图表36景气度估值因子分位数组合指标17图表37景气度估值行业轮动策略净值18图表38景气度估值行业轮动策略指标18图表39景气度估值行业轮动策略分年度超额收益率19图表40价升量跌19图表41价升量升19图表42不同量价形态下股价变动预期20图表43高频数据分类20敬请参阅最后一页特别声明3金融工程中期年度报告图表44量价背离因子IC指标日频21图表45量价背离因子IC指标周频21图表46量价背离因子多空组合净值周频22图表47量价背离因子相关系数周频22图表48量价背离合成因子IC指标周频22图表49量价背离合成因子多空组合净值周频23图表50周频量价背离合成因子与传统因子相关系数23图表51中证1000成分股中因子IC指标周频24图表52中证1000成分股中因子多空组合净值周频24图表53中证1000成分股中因子多空组合指标周频24图表54量价背离增强策略表现25图表55量价背离增强策略指标25敬请参阅最后一页特别声明4金融工程中期年度报告1当前市场环境与未来破局之道11量化择时与资产配置在未来将至关重要今年以来海外通胀高企金融环境收紧国内受疫情影响复苏预期反复在这样的宏观环境下市场出现了系统性的回撤波动加剧此时对权益资产的的择时就显得尤为重要通过宏观择时的方式或能较为有效的控制住下行风险图表1各股指2022年年初至今收益截至20221130图表2各股指2022年年初至今走势截至202211300001051-50009509-100008508-150007507-2000065-250006-3000-3500Wind全A沪深300中证500创业板指数沪深300Wind全A中证1000中证500宏观择时中证1000创业板指宏观择时来源Wind国金证券研究所来源Wind国金证券研究所12量化行业轮动空间的增大与往年相比单行业的波动明显放大平均回撤也有所增加过去投资者通过直接研判赛道长期持有单一行业获取超额收益在现阶段将面临很大的风险同时行业的频繁切换也给量化行业轮动更大的操作的空间通过模型预测行业收益并有效轮动能够更好的捕获行业Beta的收益图表3近2年中信一级行业年化波动率4200370032002700220017001200煤有钢消电食国石汽医农基电家建房计传综非电机综银通建轻交纺商炭色铁品防油车药子电材银力械合行工通织贸费力林础地算媒合信筑金饮军石行及制运服零者设牧化产机金属料工化金公造输装售服备渔工融融用务及新事能业源20212022来源Wind国金证券研究所图表4近10年中信一级行业中每年排名前5行业年份第1第2第3第4第5传媒通信国防军工2013计算机7572电子4241102564525389建筑2014非银行金融12976房地产7815银行7183交通运输7155999计算机消费者服务通信轻工制造2015纺织服装94681259712286115469711敬请参阅最后一页特别声明5金融工程中期年度报告食品饮料银行煤炭石油石化2016家电178756069036-056家电煤炭非银行金融2017食品饮料5457电子1854449419311893消费者服务银行石油石化食品饮料农林牧渔2018-869-1095-1876-2037-22032019食品饮料7284电子7223家电6055建材5299农林牧渔4816电力设备及新能源国防军工医药2020食品饮料8806消费者服务810688347247504电力设备及新能源钢铁2021基础化工5008有色金属4671煤炭4451516844072022房地产交通运输建筑石油石化煤炭3139截至1130-007-181-357-476来源Wind国金证券研究所13传统低频选股因子的风格化传统多因子模型换仓频率相对较低所用因子以基本面因子低频量价因子为主根据我们跟踪计算最近几年这类低频因子IC及多空收益的稳定性都出现一些下降逐渐表现出风格化的特征为了解决当前因子面临的问题而越来越多的投资者开始在新的维度探寻和挖掘包括高频因子机器学习模型等图表5大类因子的IC均值与多空收益来源Wind国金证券研究所敬请参阅最后一页特别声明6金融工程中期年度报告图表6一致预期市值成长和反转因子多空净值图表7质量技术价值和波动率因子多空净值一致预期市值成长反转质量技术价值波动率23118261614211216108110606来源Wind国金证券研究所来源Wind国金证券研究所14国金金融工程解决方案面对当前的量化投资困境本文给出国金金融工程的解决方案我们将从大类资产配置中观配置和底层资产与策略三个层面提供对应的方法和思路接下来本文将重点介绍我们在宏观事件因子的股债轮动框架基本面轮动框架以及高频因子方面的研究通过Beta和Alpha两端共同给组合管理进行赋能为投资者在明年的配置提供建议和方法图表8国金金融工程研究框架CTA来源国金证券研究所2基于动态宏观事件因子的股债轮动策略21宏观择时的常用方法当量化分析师尝试使用宏观数据构建模型对未来资产收益率进行判断时一般有两种方式1进行线性回归拟合将未来资产的收益率作为因变量将宏观数据作为自变量进行线性回归通过回归模型预期未来资产收益率或者涨跌方向2构建事件驱动模型通过统计某类特定的宏观事件发生时未来资产的涨跌情况从中筛选出胜率高的宏观事件从而构建事件因子但是对于宏观数据来说其与未来资产的收益率不一定呈现线性相关的关系或者仅有弱相关性例如下图中展示的PPI同比与Wind全A收益率的相关性只有-01336并没有一个非常强的相关性但是在某一时间段内可能与资产收益率的相关性剧增例如下图中红框所框出来的部分所以我们希望使用构建宏观事件的方式去捕捉这类宏观数据的显著变化的时点来辅助我们来做投资决策敬请参阅最后一页特别声明7金融工程中期年度报告图表9Wind全A与PPI同比的线性相关性图表10Wind全A与PPI同比的走势047000-10600003相关性-01336-5025000001400030005次月收益0A2000-01101000-02015万得全-03-04-10-5051015万得全A点位PPI同比右轴逆序PPI同比来源Wind国金证券研究所来源Wind国金证券研究所22动态事件驱动的优势传统的事件驱动类策略的构建流程一般为使用样本内时间段数据去测试事件的胜率和可靠性等等然后在样本外长期沿用并不做任何改变或者说没有一个完善的体系去规范样本外该事件因子是否是持续有效使得投资者在样本外的使用过程中无法很好的把控事件因子与资产收益率之间关系的变动例如下图中显示的南华工业品指数同比与PPI同比的相关性在2012年之前南华工业品指数同比的走势对于PPI同比有一定的领先性但是随着时间的推移目前南华工业品指数同比基本对于PPI同比的领先性逐渐减弱下图中LME铜价与Wind全A指数同比的走势变化也体现了同样的结论若我们不能及时把握数据与资产关系变化的话很有可能滞后或者甚至做出错误的投资决策为了一定程度上解决传统事件驱动类策略的弊端本文尝试构建动态事件驱动策略框架将事件因子的评价环节包含在每期事件因子的选择当中动态选择与资产走势更相关的事件因子解决样本外因子的评价问题和动态因子优选问题使得投资者只需要关注于挑选更多有效的宏观数据进模型中提升模型的信息输入就好图表11PPI同比与南华工业品指数同比时滞关系图表12Wind全A同比与LME铜价同比时滞关系15120300100250108020060150540100020050-5-200-40-50-10-60-100PPI同比南华工业品指数同比右轴万得全A月同比期货官方价LME3个月铜同比右轴来源Wind国金证券研究所来源Wind国金证券研究所23宏观事件因子构建框架及流程关于数据方面我们将经济通胀货币和信用四大类的30余个宏观指标包括PMIPPISHIBORM1等数据纳入了测试的范围当中后续还可以对更广泛的数据做进一步的测试图表13经济通胀货币和信用类指标数据分类指标名称频率数据发布时间制造业PMI月当月月末制造业PMI生产月当月月末经济制造业PMI新订单月当月月末制造业PMI新出口订单月当月月末敬请参阅最后一页特别声明8金融工程中期年度报告PMI新订单-PMI产成品库存月当月月末工业增加值当月同比月次月月中产量发电量当月值月次月月中消费者信心指数月次月月末固定投资完成额第一产业月次月月中国债利差10Y-1M日当日收盘国债利差10Y-3M日当日收盘PPI同比月次月月中CPI同比月次月月中通胀PPI-CPI剪刀差月次月月中PMI原材料价格月当月月末SHIBOR隔夜日当日收盘SHIBOR2周日当日收盘SHIBOR1个月日当日收盘银行间质押式回购加权利率7天日当日收盘银行间质押式回购加权利率14天日当日收盘银行间质押式回购加权利率1个月日当日收盘银行间质押式回购加权利率3个月日当日收盘货币同业存单1个月日当日收盘同业存单3个月日当日收盘逆回购利率7天-银行间质押式回购加权利率7天日当日收盘中美国债利差10Y日当日收盘中国国债美国TIPs利差10年日当日收盘国开债国债利差10年日当日收盘AA级企业债国债10年利差日当日收盘中间价美元兑人民币日当日收盘M1同比月次月月中M2同比月次月月中M1-M2剪刀差月次月月中信用社会融资规模当月值月次月月中社会融资规模存量同比月次月月中金融机构中长期贷款余额月次月月中来源Wind国金证券研究所敬请参阅最后一页特别声明9金融工程中期年度报告图表14事件因子构建流程图来源国金证券研究所对于数据的预处理方面我们分成了4个小步骤即对齐数据频率填充数据缺失值季节性调整和滤波处理以及数据格式的变动其中根据对数据的理解不同的数据使用不同的数据格式使数据更能捕捉资产收益率变动方向图表15数据格式的变动数据格式解释dataraw原始数据dataYoY数据的同比变化dataMoM数据的环比变化datadiff数据的差额变化dataMA12数据的12个月移动平均datadiffroll12sum数据的新增量的滚动12个月求和datadiffroll12sumYoY数据的新增量的滚动12个月求和同比变化来源国金证券研究所关于事件因子的构建我们将其拆解成7个小步骤即确定事件的突破方式确定数据与资产的领先滞后性生成事件因子因子事件初筛选叠加事件因子动态剔除低胜率的事件因子以及确定评判事件的最优滚动窗口其中我们构建了三类的事件因子包括数据突破数据均线数据突破数据中位数以及数据的同向变化并且给这些因子事件赋予了不同的参数这样一共构建了36个不同的因子事件图表16事件因子的构建因子事件参数数据突破数据均线均线长度2-12数据突破数据中位数滚动窗口2-12数据同向变动同向变动期数1-5来源国金证券研究所在生成完所有的事件因子之后我们就可以进入对事件因子的评价和筛选阶段我们列出了4种不同的衡量指标包括胜率收益率胜率波动调整收益率和开仓波动调整收益率基于这些指标不同的特点我们决定选择用收益率胜率作为每期事件因子的筛选指标用开仓波动调整收益率作为后续确定数据滚动时间窗口的指标敬请参阅最后一页特别声明10金融工程中期年度报告图表17各类衡量指标介绍事件因子衡量指标指标构建指标优劣势10胜率为总开仓次数只考虑指标成功率10收益率胜率除了成功率还包含盈亏比的信息为总开仓次数为总期数综合考虑指标成功率收益率和波动率的信息但是包含不开波动调整收益率12仓时间段的信息导致不开仓时间长的事件也可能有高数值1为总开仓次数综合考虑指标成功率收益率和波动率的信息开仓波动调整收益率21且重点关注开仓阶段的信息但是要求数据量大些1来源国金证券研究所确定好筛选指标之后我们对每期生成因子做个初步的有效性筛选包括a满足t检验能在95的置信区间内拒绝事件信号发出之后下一期资产收益为0的原假设b事件收益率胜率55c该事件的发生次数滚动窗口的时间期数6最后我们通过计算样本内时间段2005年1月-2017年12月30余个宏观数据构建的事件因子的开仓波动调整收益率挑选出了样本内表现较好的11个因子我们将其列在了下表中并且说明了每个数据的数据格式数据处理方法和对应的滚动窗口期我们将这11个因子分成了两大类经济增长和货币流动性经济增长包含经济通胀和信用三者都是不同维度描述经济的运行情况另外将货币类的指标单独划分成一类用来刻画市场的流动性图表18最终筛选的宏观因子因子分类因子名称数据处理方法滚动窗口M1同比原始数据84PPIYoY原始数据48PPI-CPI剪刀差X1348经济增长工业增加值同比X1372国债利差10Y-1M原始数据84产量发电量当月值MA3环比X13-HP84M1-M2剪刀差HP72中美国债利差10年原始数据84货币流动性中国国债美国TIPs利差10年X1396银行间质押式回购加权利率7天原始数据48逆回购利率7天-银行间质押式回购加权利率7天MA20原始数据96来源Wind国金证券研究所24择时与股债策略表现在选定了最终使用的宏观指标之后我们使用这些宏观数据构建的宏观事件因子来搭建择时策略我们定义当大类因子内部的细分因子有大于23的因子发出看多信号则当期该大类因子的信号标记为1当大类因子内部的细分因子少于13的因子发出看多信号时则当期大类因子信号标记为0若当大类因子内部的细分因子发出看多信号的比例处于两个区间之后则大类因子标记为对应具体的比例最后我们将两个大类因子的得分取平均值合成最终当期的股票仓位信号敬请参阅最后一页特别声明11金融工程中期年度报告图表19择时策略仓位确定流程图来源国金证券研究所下图展示的是该宏观事件因子择时策略的表现从2005年1月至2022年11月年化收益率为1873同期Wind全A指数为1088相对Wind全A有约8的年化超额收益该择时策略在波动率端也有比较好的表现年化波动率由指数原来2864的波动率下降到了1517最大回撤明显下降从指数的6881下降到了1377夏普比率上升到了113图表20宏观事件因子择时策略净值图表21宏观事件因子择时策略表现25012005-112022股票择时Wind全A20年化收益率187310881510年化波动率151728945最大回撤-1377-68610夏普比率113046股票择时wind全A收益回撤比136016来源Wind国金证券研究所来源Wind国金证券研究所另外我们也尝试了使用择时策略中获得的股票仓位信息搭配风险预算模型来构建不同风险偏好的股债轮动策略这里我们使用Wind全A指数作为股票资产中债综合财富总值指数作为债券资产来搭建股债轮动的模型根据不同权益风险贡献度下的权益权重数据我们构建了三类不同风险等级的股债轮动模型1进取型基于章节41构建的股指择时模型来搭建股票仓位变动范围0-100使用股指择时模型的股票仓位作为策略的股票仓位剩余的仓位分配给债券2稳健型基于风险预算模型来搭建每期权益的风险贡献度为90-100具体的变动数值90100-90股指择时模型的股票仓位3保守型基于风险预算模型来搭建每期权益的风险贡献度为60-90具体的变动数值6090-60股指择时模型的股票仓位下图中展示了这三类配置策略和基准的股债64组合未考虑交易成本的表现回测期从2005年1月至2022年11月期间保守稳健和进取三个策略年化收益率分别为6261196和2244同期股债64年化收益率为925稳健和进取型从收益的角度都稳稳跑赢基准保守型虽然收益没有跑赢但是波动率最大回撤和夏普率都是4者里面最高的适合风险偏好较低的投资者而其他两个风险偏好的策略也同样在各维度上表现优于基准敬请参阅最后一页特别声明12金融工程中期年度报告图表22宏观事件因子配置策略净值图表23宏观事件因子配置策略表现012005-112022股债64保守稳健进取840735630年化收益率92562611962244525420315年化波动率1724339871149421015最大回撤-4624-355-677-137200夏普比率053146121136股债64保守稳健进取右轴收益回撤比020176177164来源Wind国金证券研究所来源Wind国金证券研究所在最后我们也测试了下交易成本对我们配置策略的影响我们取换手率最高的进取型策略年平均换手率仅432作为例子从下图中可以看到考虑手续费后整体收益降幅可控千分之一的单边手续费下年化收益仅下滑约05千分之二手续费下滑约1手续费对于该配置策略整体的影响不大图表24不同交易成本下进取型策略净值图表25不同交易成本下进取型策略表现40012005-112022无手续费千分之一千分之二千分之三3530年化收益率22442192214020882520年化波动率149414951497149815105最大回撤-1372-1384-1397-14100夏普比率136133130127无手续费千一千二千三收益回撤比164158153148来源Wind国金证券研究所来源Wind国金证券研究所3基于多维度行业景气度与估值动量的行业轮动策略31行业景气度与估值动量行业轮动策略可以从不同周期以及多个维度进行构建短期可以关注市场情绪通过价量指标捕捉市场变化并构建预测信号中期则可以从行业基本面出发关注行业景气度与估值的变化而长期需要对经济周期做出判断并根据所处的经济周期筛选优势行业行业景气度反映了行业中上市公司的整体经营状况景气度上行的行业往往会获得投资者的追捧行业估值的变化也表现出较强的持续性估值提升的行业在未来估值进一步上升的可能性也较大因此行业景气度和估值的变化能够对行业收益率的预测起到重要作用我们从多个维度构建行业景气度和估值动量的因子探索中期行业配置策略敬请参阅最后一页特别声明13金融工程中期年度报告图表26国金金融工程行业配置框架宏观中观经济周期微观景气度估值机构持仓北上资金短期价量一致预期与业绩超预期研报情绪来源国金证券研究所32指标构建原则与测试方法行业层面的指标反映的是所属行业上市公司的整体情况因此我们可以通过将个股的相关指标合成行业的景气度与估值指标下图展示的行业因子的构建流程在因子构建的过程中我们需要考虑以下几个问题首先上市公司每个季度会披露季报但由于许多行业的财务数据呈现出明显的季节性特征单季度数据直接比较会存在较大问题因此对于区间类数据如营业收入净利润等我们将单个季度数据调整为最近四个季度的数据TTM对于时点类数据如总资产净资产等我们仍旧取期初和期末的均值其次在将公司层面的财务数据合成行业指标时我们需要考虑不同的合成方式除了一般采用的整体法外我们还将采用中位数法流通市值加权法和龙头股法共四种方法来计算行业指标具体的行业因子合成方法如下表所示不同的计算方法其侧重点也有所不同具体的行业因子选取的合成方式因指标而异最后由于行业间盈利与估值等数据存在较大差异不能够直接比较因此我们将其转化为指标的边际变化这里主要采用常用的环比和同比的方式进行计算图表27行业因子构建流程整体法盈利中位数法同比个股TTM质量市值加权法环比估值动量龙头股法来源国金证券研究所33因子构建我们共构建出盈利质量以及估值动量三大类行业因子为了评估因子对行业收益的预测能力我们采用因子IC测试和分位数组合测试来作为因子筛选的标准这里的行业收益我们采用中信一级行业指数的收益率由于行业分类中综合金融历史数据较短我们暂时从行业池中剔除样本内测试区间取为2010年1月1日至2022年3月1日敬请参阅最后一页特别声明14金融工程中期年度报告行业的盈利数据是行业景气度的重要反映当行业盈利情况转暖时行业景气度上行受投资者关注的可能性更大未来存在更大的超额收益为了衡量行业的盈利情况我们选取了行业整体的毛利率净利率净利润ROA以及ROE等指标的变动构建因子其中毛利率净利率和净利润是反映行业盈利水平最直接的指标ROA和ROE是公司盈利质量的重要指标图表28盈利类因子定义因子名称因子定义加权方式变动方法GrossMarginChg毛利率变动流通市值加权法环比NetMarginChg净利率变动整体法环比NetProfitChg净利润变动流通市值加权法环比ROAChg总资产收益率变动流通市值加权法环比ROEChg净资产收益率变动流通市值加权法环比来源国金证券研究所行业的景气程度不仅可以通过盈利数据来看行业中企业的营运能力或偿债能力等指标也能够衡量营运能力通常用资产周转率或存货周转率等指标来刻画通常来说企业资产周转越快流动性越高资产获取利润的能力也越强而偿债能力可以用流动比率来衡量偿债能力越强也从侧面反映了获利能力越强因此运营能力和偿债能力的边际改善通常预示着行业景气度的提升我们选取了总资产周转率存货周转率以及流动比率的变化来构建质量类因子其中总资产周转率和存货周转率采用环比变化而流动比率采用同比变化同样各个因子采取了各自具有优势的加权方式图表29质量类因子定义因子名称因子定义加权方式变动方法AssTurnoverChg总资产周转率变化中位数法环比InvTurnoverChg存货周转率变化流通市值加权法环比CurrentRatioChg流动比率变化龙头股法同比来源国金证券研究所价格的变化由盈利的变化和估值的变化两部分构成上文中我们通过盈利和质量类指标对行业景气度进行衡量接下来我们将聚焦在另一个重要的维度即估值个股的估值往往受到流动性市场情绪所处行业政策等多方面因素的影响在行业层面这些因素的改变对估值带来的影响会出现持续性的特征这与行业层面体现出的价格动量特征类似但也存在区别我们认为当行业受到投资者追捧或行业本身迎来政策利好时短期龙头股的估值会率先提升随着伴随着涨势向非龙头股的扩散行业估值呈现出逐步提升的过程不同于价格变化估值变化剔除了因为盈利情况变化带来的影响而盈利的影响因素我们放在行业景气度中来刻画因此我们将估值动量作为另一个重要的行业影响因素而没有用传统的价格动量图表30估值动量类因子定义因子名称因子定义加权方式变动方法BPChg市净率倒数变动流通市值加权法同比EPChg市盈率倒数变动龙头股法同比SPChg市销率倒数变动流通市值加权法同比来源国金证券研究所我们用市净率市盈率以及市销率的倒数的变动来构建估值动量类因子均采用同比变化量其中市盈率采用龙头股法来进行计算市净率和市销率采用流通市值加权法我们将三个维度因素结合起来构建了体系化的行业预测模型首先将每个类别细分因子等权合成大类因子然后我们分析了盈利因子质量因子和估值动量因子之间的相关性从结果可以发现三个因子之间整体相关性较低相关系数最大的是盈利因子与质量因子之间的02249因此可以通过将三个因子合成共同预测行业收益敬请参阅最后一页特别声明15金融工程中期年度报告图表31行业因子Spearman相关系数行业因子盈利因子质量因子估值动量因子盈利因子100000224901006质量因子0224910000-00066估值动量因子01006-0006610000来源Wind国金证券研究所我们将盈利质量以及估值动量因子以等权的方式进行合成得到景气度估值因子因子表现方面下图展示了景气度估值因子的IC时间序列可以看出大部分月份IC为正IC均值达到了888风险调整的IC为032说明合成之后的景气度估值因子的确可以从不同维度对行业收益进行解释图表32景气度估值因子IC080604020-02-04-06-08景气度估值因子IC景气度估值因子IC的移动平均来源Wind国金证券研究所图表33景气度估值因子IC因子平均值标准差最小值最大值风险调整的ICt统计量景气度估值因子8882746-52816473032391来源Wind国金证券研究所我们对景气度估值因子进行分位数组合测试可以看出从Top组合至Bottom组合年化收益率呈现出明显的单调递减的趋势Top组合和Bottom组合的差异非常明显市场组合代表将29个行业等权构建的组合从分位数组合的净值可以看出Top组合的表现显著跑赢市场组合年化收益率达到了1428夏普比率为048而Bottom组合的表现显著跑输市场组合年化收益率为-423从多空组合表现来看景气度估值因子多空净值增加平稳年化收益率达到了1854夏普比率达到了111多空净值在2021年12月有较大的回撤但2022年1月和2月均表现较好净值反弹敬请参阅最后一页特别声明16金融工程中期年度报告图表34景气度估值因子分位数组合净值6543210TopBottom市场来源Wind国金证券研究所图表35景气度估值因子多空组合表现102500920008150071000650050004-50032-10001-15000-2000L-S收益率L-S来源Wind国金证券研究所图表36景气度估值因子分位数组合指标组合年化收益率波动率夏普比率最大回撤率Top142829590484963194527190354977288026440335833328127300105893430226070124589Bottom-4232690-0166622市场61926190245363L-S185416661111888来源Wind国金证券研究所34景气度估值行业轮动策略我们构建的景气度估值因子在行业预测方面具有显著效果我们根据该因子构建行业轮动策略每月初选取排名前16的行业即5个行业以等权方式构建行业轮动组合按照月度进行调仓手续费取千分之三然后我们将29个行业等权构建基准组合月初再平衡经过上一节的展示我们构建的景气度估值因子在行业预测方面具有显著效果我们首先根据该因子构建行业轮动策略在构建策略时我们按照月度进行调仓每月初选取排名敬请参阅最后一页特别声明17金融工程中期年度报告前16的行业即5个行业以等权方式构建行业轮动组合手续费取千分之三然后我们将29个行业等权构建基准组合月初再平衡回测时间段为2010年1月4日至2022年12月1日其中2022年3月1日至2022年12月1日为样本外跟踪下图展示的是景气度估值行业轮动策略的净值表现可以看出相比行业等权基准景气度估值行业轮动策略的优势非常明显超额净值也非常平稳的增加从指标上来看景气度估值行业轮动策略的年化收益率为1089夏普比率为040而行业等权基准的年化收益率仅为509夏普比率为021相较于行业等权基准行业轮动策略的年化超额收益率为599信息比率为071图表37景气度估值行业轮动策略净值策略多头净值行业等权净值超额净值右轴策略多头净值-样本外超额净值右轴-样本外5454353252151050来源Wind国金证券研究所图表38景气度估值行业轮动策略指标指标景气度估值行业轮动行业等权超额年化收益率1089509599年化波动率27242473866夏普比率040021069最大回撤率562559001514月换手率双边5376--11月收益率1076970103今年以来收益率-462-1111735总收益率28020900011207来源Wind国金证券研究所行业轮动策略的月均双边换手率为5376由于其中包含了季度的财务数据整体换手率不算特别高从分年度表现可以看出除2011年2012年2015年和2016年策略的超额收益率为负外其余年份均有正超额收益同时负超额年份的负超额收益率也相对较低策略在最近6年均保持正超额收益其中2020年有接近20的超额收益今年以来在行业频繁切换的市场环境下这类基本面轮动策略表现优异截止12月初策略超额收益率达到了735展望未来行业轮动的重要性不言而喻我们团队也将进一步研究和探索寻找能预测行业收益的新方法敬请参阅最后一页特别声明18金融工程中期年度报告图表39景气度估值行业轮动策略分年度超额收益率景气度估值行业轮动行业等权基准超额收益右轴10025802060154073510205002010201120122013201420152016201720182019202020212022-20-5-40-10来源Wind国金证券研究所4基于高频快照数据的量价背离选股因子41高频量价背离背后的Alpha传统多因子模型调仓频率相对较低所用因子以基本面因子低频量价因子为主近些年来这类因子的收益波动也越来越大而国内的私募等机构越来越重视基于高频量价数据的短线策略相比传统因子其收益的稳定性也具有一定的优势国内的主要机构投资者例如公募基金等目前还无法采用这类短线交易策略而这类高频量价因子在低频化后仍然可以提供增量信息并改善传统多因子模型因此高频量价因子越来越受到投资者的关注本章将以我们构建的快照量价相关性因子举例来说明高频因子的优势以及对传统多因子框架的增强作用利用股票的价格与成交量的信息构建的价量因子已经被证明可以预测股票的未来收益投资者通常可以通过观察股票价格与成交量的关系捕捉交易机会传统的技术分析方法应用在高频方面也可以更好的提取有效特征我们将重点关注基于快照数据的股票价格与成交量的相关关系构建高频量价背离因子而后通过降频后构建了满足机构投资者要求的中证1000指数增强策略股票价格和成交量在日内的变化各不相同量价关系可以反映了日内投资者的博弈的不同情况当股票价格上涨而成交量却逐步减少时说明市场参与各方对股价后续的走势预期较为一致此时股票还未达到预期价格未来上涨的可能性较大而当股票价格上涨同时成交量放大此时市场参与方分歧加大乐观和悲观的投资者的数量都很多市场情绪趋于冷静股价到达拐点的可能性较大对于下跌的情况也比较类似图表40价升量跌图表41价升量升来源国金证券研究所来源国金证券研究所结合上述对于量价的形态的分析我们总结了不同形态下股价变动预期可以看出当量价出现背离时无论当前股价处在上升还是下降通道未来上涨的可能性均较高同理当量价趋同时股价未来下跌的可能性较高因此通过分析股价与成交量之间的相关性敬请参阅最后一页特别声明19金融工程中期年度报告可以对未来价格走势进行预测图表42不同量价形态下股价变动预期量价相关性量价形态预期股价变动量价趋同价升量升下跌量价趋同价跌量跌下跌量价背离价升量跌上涨量价背离价跌量升上涨来源国金证券研究所42日内快照数据与量价因子构建传统的价格与成交量的研究往往是在相对较低的频率上进行分析例如对于分钟级别数据而言其会丧失分钟内重要的交易信息因此通过提高数据采样频率可以从市场更微观的结构上获取额外信息有获得更高超额收益的可能下图展示的A股市场的高频数据分类图表43高频数据分类快照数据逐笔数据价格成交量逐笔成交盘口委托挂单逐笔委托委托队列来源上交所深交所国金证券研究所快照数据是交易所3秒一次的最新市场行情包括了价格成交量以及成交笔数以及委托挂单等信息相比分钟级数据快照数据的频率大幅提高捕捉的交易信息更加完整能够更精准刻画股票日内价格波动能够展现价格成交量及成交笔数在时序上的分布和变化基于上述优势我们利用快照数据构建因子对日内价格与成交量的相关关系进行衡量捕捉上文中提到的量价趋同背离特征衡量两个因素相关关系的直接方法就是计算相关系数对于价格来说我们选取快照成交价和快照收益率即快照成交价相比上个快照成交价的变化对于成交量来说我们不仅选取了快照成交量而且选取了成交笔数同时还计算了每笔成交量我们共构建了如下六个因子1111敬请参阅最后一页特别声明20