【华西金工】行业景气模型行业配置月报202308

admin1年前 (2023-08-02)研报915

摘要

行业景气变化由领先因子驱动

良好的行业景气度意味着行业内的股票可以带来超额收益的概率更高。从行业基本面看，行业景气通常有其构成的行业和宏观因子同向运动的特性。从行业内的产业逻辑看，行业景气提升的动力来自于上下游供需、产品价量等指标的边际改善，同时受宏观变化的影响。由上述因素构成的领先因子具有预测行业景气变化的能力，可以指导行业配置。

由领先因子构建的行业景气模型

基于行业景气变化的内在逻辑，我们通过构建包含宏观领先因子池和行业领先因子池并对中观因子进行处理。之后，我们使用行业驱动因素和宏观驱动因素合并构建行业景气模型，并通过滚动窗口线性回归模型纳入最新数据指导行业轮动，并每期选取预期收益较高的前十个行业。该行业轮动策略19年初至23年7月的年化超额收益率达8.33%，胜率超70%，信息比率达1.36。

风险提示

本模型采用量化方法通过历史数据统计、建模和测算完成，结论在极端市场环境变化中有失效的风险。

1. 行业景气模型简介

A股市场具有明显的行业板块轮动特性，从基本面的视角来看，行业的景气由行业上下游相关产业的产能、价格、供需变化推动。上述推动行业景气变化的指标则称为“行业领先因子”。

我们基于行业基本面分析的逻辑，观察行业基本面与宏观指标的关系、梳理行业与上下游之间的联系，又寻找了一系列影响行业景气指标的“宏观因子”。使用有宏观指标和行业领先指标构建了行业轮动模型，对行业的超额收益进行预测。策略的年化收益达18.94%，以行业平均为基准则年化超额收益可达8.33%。

行业景气模型从寻找能预示行业景气度改善的因素出发，发现解释力较高的行业领先指标，对行业超额收益进行预测，可以为投资者提供行业选择的建议。本章简介模型的构建理论和过程。

1.1. 领先指标的选取

领先指标的选取是构建行业景气模型的核心环节。主要分为因子池的构建和因子的处理两部分内容。因子池的构建包含宏观领先因子池和行业领先因子池。同时，为提高模型稳定性，我们需要对原模型的因子进行处理。

1.1.1. 同步因子池的构建

我们按照申万一级行业分类，剔除了“综合”、“美容护理”、“环保”三个较为小众的行业后，逐一对行业进行了研究和梳理，寻找了一系列领先因子指标。由于行业特性不同，各个行业的具体因子选取的角度略有不同，但基本遵循产业分析的一般思路。首先，我们分析行业内主要产业的逻辑和经营模式，寻找相关联的宏观指标，再从上游来寻找对生产环节影响较大的指标，从下游寻找驱动销量变化的信息源，并综合的梳理成本、库存、供给、需求变化的逻辑，最后关注市场情绪的变化。按照这样的方法论，我们构建了涵盖数百个因子的领先因子池。其中部分宏观因子如下表所示。

1.1.2. 领先因子池的构建

与上面相似的，由于各行业特性不同，各个行业的具体因子选取的角度略有不同，我们从上游来寻找对生产环节影响较大的指标，从下游寻找驱动销量变化的信息源，并综合的梳理成本、库存、供给、需求变化的逻辑，最后关注市场情绪的变化。按照这样的方法论，我们构建了涵盖数百个因子的行业领先因子池。出于篇幅的考虑，表2仅展示了部分行业领先因子。

1.1.3. 中观因子的处理

不同行业的中观因子数据特性不同，常见的数据包括环比数据、同比数据、价格指数、利率、估值指标等，数据类型各不相同。我们将宏观与行业的因子划分为四类：总量、增量、环比、同比。并对不同类型的数据进行一定的处理。除环比与同比数据外，我们将指数、价格、存货、利率、企业数量等划分为总量数据；对产量、销售量等数据划分为增量数据。对于总量型数据，由于上期与当期变化通常较小，我们将其直接转换为环比数据；对于年度内累计的数据，我们将其转换为月度的增量数据，而对于增量型数据，由于往往两期之间的变化较大，如产量等，常常出现当期值较上期值高出数倍等情况，我们将该值转换为当期值与过去十二期均值的比值数据。对于环比、同比类数据我们尽可能保留原值。最后，我们将同一指标的不同类型数据进行删减，优先保留其环比数据(包括总量数据转换来的环比数据)，其次为增量数据，最后为同比数据。

1.2. 行业景气模型的构建

行业景气模型的主要逻辑是假定行业的超额收益来自于多个方面，我们力图从基本面的视角选取指标，对超额收益进行分解。

在以往的模型中，我们通过将行业指数收益与各同步指标进行单一变量线性回归，根据回归模型的R2筛选出各行业显著的领先指标。然而在实际上，行业的表现往往不是少数指标决定的，而是上下游数十种影响因素相互作用的结果，根据单一指标对行业的R2对指标的进行筛选不一定能够提高模型的预测效果，我们需直面高维数据的问题。故而在本篇报告中，我们直接使用各行业的领先指标与行业收益进行回归，其回归模型如下。

其中，Y_i为行业i的行业指数未来一月收益，x_(i,k)为行业i的第k个领先因子。

同时，滚动窗口的动态模型在参数的计算上可以不断纳入各项指标最新数据，这可以使模型的表现获得质的提升。因此，我们通过滚动窗口回归模型得到各因子的参数后，我们构建行业景气模型，进行行业超额收益的预测行业景气模型历史绩效及月度推荐行业。

2. 行业景气模型历史绩效及八月推荐行业

2.1. 历史绩效

行业选择：行业分类采用申万一级行业分类，并剔除其中的“综合”及“环保”、“美容护理”三个较为小众的行业，共28个行业；

调仓周期：1个月；

策略基准：万得全A指数；

策略设置：每个月末交易日作为策略的起点，计算当期各行业指数预期超额收益，将超额收益最高的 10 个行业进行等权配置。

图2和表3展示了策略的实证表现。

2.2. 八月推荐行业及主要改善指标

经模型测算，八月推荐行业如下：非银金融, 建筑材料,电子,公用事业,农林牧渔,建筑装饰,计算机,机械设备,食品饮料,交通运输。

宏观上，M2同比边际增速持续下降，但仍然维持高位，对非银金融、计算机、电子、农林牧渔、机械设备、食品饮料、交通运输行业较为有利。建筑业固定资产投资完成额的提高利好建筑装饰、建筑材料、公用事业等行业。

行业上，保费收入提高仍旧利好非银金融行业；发电新增设备容量、三峡水库入库流量、液化天然气进口量的提高利好公用事业行业。

起重机与装载机的进口减少、出口增加利好机械设备行业。

3.风险提示

本模型采用量化方法通过历史数据统计、建模和测算完成，结论在极端市场环境变化中有失效的风险。

分析师与研究助理简介

杨国平：复旦大学博士,华西证券研究所副所长,金融工程首席分析师。曾任申万研究所董事总经理，金融工程部总监，首席分析师，25年证券从业经验。

王祥宇：中国科学院计算机博士，华西证券研究所金融工程资深高级分析师，资产配置FOF与智能量化组长。6年金融工程研究经验，在多因子选股、资产配置行业配置、基金研究等领域具有丰富的研究经验。

杨兆熙：复旦大学金融硕士，2020 年 11 月加⼊华西证券研究所。主要研究领域为基金研究。

分析师承诺

作者具有中国证券业协会授予的证券投资咨询执业资格或相当的专业胜任能力，保证报告所采用的数据均来自合规渠道，分析逻辑基于作者的职业理解，通过合理判断并得出结论，力求客观、公正，结论不受任何第三方的授意、影响，特此声明。

华西证券研究所：

地址：北京市西城区太平桥大街丰汇园11号丰汇时代大厦南座5层

网址：http://www.hx168.com.cn/hxzq/hxindex.html

注:文中报告节选自华西证券研究所已经公开发布研究报告，具体报告内容及相关风险提示等详见完整报告。

证券研究报告:《【华西金工】行业景气模型行业配置月报202308》

报告发布日期：2023年8月1日

分析师:

杨国平 分析师执业编号:S1120520070002

王祥宇 分析师执业编号:S1120520080004

杨兆熙分析师执业编号:S1120523010001

联系人:杨兆熙 邮箱:[email protected]

重要提示：

《证券期货投资者适当性管理办法》于2017年7月1日起正式实施。通过本订阅号发布的观点和信息仅面向华西证券的专业投资机构客户。若您并非华西证券客户中的专业投资机构客户，为控制投资风险，请取消订阅、接收或使用本订阅号中的任何信息。因本订阅号受限于访问权限设置，若给您造成不便，敬请谅解。市场有风险，投资需谨慎。

法律声明：

本订阅号为华西证券金融工程团队设立及运营。本订阅号不是华西证券研究报告的发布平台。本订阅号所载的信息仅面向华西证券的专业投资机构客户，仅供在新媒体背景下研究观点的及时交流。本订阅号所载的信息均摘编自华西证券研究所已经发布的研究报告或者是对已发布报告的后续解读，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。

在任何情况下，本订阅号所推送信息或所表述的意见并不构成对任何人的投资建议。华西证券及华西证券研究所也不对任何人因为使用本订阅号信息所引致的任何损失负任何责任。

本订阅号及其推送内容的版权归华西证券所有，华西证券对本订阅号及推送内容保留一切法律权利。未经华西证券事先书面许可，任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用，否则由此造成的一切不良后果及法律责任由私自翻版、复制、刊登、转载和引用者承担。