中金：如何从微观结构探析行业轮动信息？

◆       摘要       ◆

行业走势分化是常态，通过轮动捕捉结构化行情收益 

长期以来，A股市场内不同行业的走势具有很大的差异性，不少行业在某些阶段往往走出异于整体市场的独立行情。同时，不同时期强势行业迥异，很少有行业保持长时期强势，更多呈现出一定轮动现象。因此，有效的行业轮动模型对于能否捕捉到行业分化带来的结构化行情收益至关重要。

多维度探索有效行业轮动信息 

财务基本面信息：营运效率边际改善的行业更受市场认可。表征营运效率边际改善程度的资产周转率变动指标、产能利用率提升指标均具有不错的行业截面预测能力；同时，资产负债率边际提升的行业未来市场走势往往也更好。财务基本面类型指标特征为预测能力尚可，换手较低。三个细分指标IC均值在5%左右，换手率整体在双边50%上下。

分析师行为信息：预期边际变化与关注度均有效。分析师行为数据具有更为前瞻性的行业预测能力。分析师一致预期EPS的上调，以及分析师群体的高关注热度，均能一定程度表征行业的高景气度。一致预期EPS变化率指标具有高达8.2%的IC均值与0.42的ICIR。分析师行为类型指标特征为预测能力强，换手率尚可。两个细分指标IC均值均在7%以上，换手率整体在双边60%到70%左右。

动量信息：微观结构中蕴含着更稳定的动量信息。传统动量在行业轮动上的信息稳定性较差。利用行业内成分股结构分化特征对动量指标进行改进，构造出预测信息更为稳定的龙头领先程度指标与分化度调整动量指标。动量类型指标特征为预测能力较弱，换手率很高。两个细分指标IC均值都在4%左右，而换手率均在双边150%以上。

综合指标轮动效果卓越且稳定 

采用大类内部细分指标等权的方式分别构建财务基本面、分析师行为、动量三大类指标；并按一定权重将三大类指标加总成最终综合轮动指标。综合指标截面预测能力优秀，2010年1月至2021年1月期间，IC均值高达12.15%，ICIR为0.52。按该指标构建的多头组合年化收益16.0%，夏普比率0.70，最大回撤50.9%，月均双边换手77%。相对于全行业等权基准的超额年化收益9.7%，信息比率1.41，最大相对回撤12.0%，月度胜率67%。

最新观点：行业轮动模型1月底对于2月份的最新观点为，建议配置：消费者服务、汽车、机械、基础化工、电力设备及新能源、有色金属；建议规避：综合金融、综合、商贸零售、通信、房地产、交通运输。

◆       正文       ◆

轮动目标：捕捉行业分化带来的结构化行情收益 

A股市场行业走势分化明显，近期呈现更显著的结构化行情

长期以来，A股市场内不同行业的走势具有很大的差异性，不少行业在某些阶段往往走出异于整体市场的独立行情。能否把握住这些行业机会，往往会对组合最终收益产生较大影响。

2020年A股市场整体有所上涨，中证800指数在2020年上涨25.8%。而不同行业同期涨跌幅差距巨大，在年末呈现出尤为明显的结构化行情。统计2020年全年各中信一级行业指数收益率，强势行业如食品饮料全年涨幅高达90.8%，电力设备及新能源涨幅84.3%；而同期弱势行业在2020年处于下跌行情，综合金融全年下跌20.3%，通信、地产跌幅也逾10%。在组合构建中，投资者若能高配优势行业、低配或规避弱势行业，则能在原基础上进一步提升业绩表现。

图表:  2020年不同行业收益率明显分化（中信一级行业体系）

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2020/1/1-2020/12/31

不同时期强势行业迥异，行业轮动能捕捉更多结构化行情收益 

长期来看较为强势的行业并非在每个时段都具有高回报率；同样长期低迷的行业也会有反弹爆发的阶段行情。我们统计在2020年整体收益最高的10个行业在每个月份的表现。容易看出，没有行业在全年都处于强势地位，更多呈现出一定的轮动现象。年初1月2月电子行业收益率更高；消费者服务行业在4月至7月间处于强势地位；汽车行业则是在9月与10月爆发，到11月有色金属行业收益率远高于其它行业；而全年收益率最高的食品饮料也仅在个别月份有显著超额收益。

因此，有效的行业轮动模型对于能否捕捉到行业分化带来的结构化行情收益至关重要。本篇报告将从财务基本面、分析师行为、及动量等数据入手，以微观结构这一角度切入，分别探索有效的行业轮动信息，并最终构造稳定高效的综合轮动指标与相应的行业轮动模型。

图表: 2020年不同月份强势行业迥异（中信一级行业体系）

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2020/1/1-2020/12/31

细分指标：探寻基本面、分析师、动量中的有用信息

市场上有很多不同类型的数据，包括量价、财务报表、分析师预期、期货期权数据、资金流向等。然而很多数据并非天然适合用于行业轮动的研究。有些数据是因为数据样本数量过少，例如一些资金流向数据仅在最近5年内才有较为有效的数据点。还有一些数据则是因为标的对应并不契合，例如期货期权数据仅对应极个别宽基指数；不少财务报表数据也是仅对应个股。

为了能探索更多有可能含有行业轮动信息的数据，我们从微观结构角度构建一个简单模型，将个股数据综合起来，映射为行业指标。

逻辑上，每一个行业都是由其成分股构成的。对于一个针对个股的统计量A，只要我们将行业里所有成分股的数据A按某个权重加总在一起，得到的值自然就可以认为是该行业在统计量A上的得分。

考虑到目前A股市场中，主流的行业指数编制方式均为成分股自由流通市值加权，因此在行业指标构建过程中，个股数据也按照自由流通市场来加权，得到的行业指标值将更为契合行业指数。

我们将这种方式构建的行业指标简称为SAMI（Stock Alpha Mapping Indicator），该映射方式简称为SAM映射。具体映射方式如下：

其中，w_i 表示股票i在行业中的自由流通市值权重; alpha_i 表示股票i在指标alpha上的具体得分或取值。

本章节在接下来的篇幅中，将运用SAM映射方法从财务基本面、分析师数据以及动量三个方面一一分析并构造较为有效的细分轮动指标。

图表: 行业轮动测试设置

资料来源：中金公司研究部

图表: 多维信息中研究行业轮动信息

资料来源：中金公司研究部

财务基本面：营运效率边际改善的行业更受市场认可

财务基本面方面，我们重点关注公司运营效率改善及公司质量方面的指标。

► 资产周转率变动指标：看好资产周转率加快的行业

资产周转率通过营收与总资产的比值，反映企业对资产的使用效率。资产周转率越高表明企业营运效率越高。但是不同行业或者不同经营模式下的企业间，其资产周转率天然存在显著差异，因此不同行业的资产周转率之间并不可比。

但是通过计算资产周转率TTM环比，得到企业在资产周转率上的边际改善情况，一定程度上消除了不同行业带来的对比障碍。逻辑上资产周转率变动越大的公司，其未来表现会更好。通过SAM映射方法将个股资产周转率变动指标合成为行业上的资产周转率变动指标，简称为ATD（Asset Turnover Difference）。

测试ATD指标在行业截面上的预测能力，其IC均值为5.74%，ICIR为0.27，IC大于0比例为62.6%。观察IC序列，最近一段时间的预测能力稍有削弱。

图表: 资产周转率变动指标IC序列

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

按ATD指标将所有中信一级行业等分5组，显示出非常好的分组单调性与区分度。将得分最高的一组作为多头组合、得分最低的一组作为空头组合。多头组合相对空头组合的超额年化收益10.3%，多头组合相对全行业等权基准的超额年化收益4.9%。

图表: 按ATD指标分组年化收益单调性强

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

图表: ATD指标多头、空头组合与等权基准净值比较

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

► 产能利用率提升指标：近期行业截面预测能力更为强势 

除了以资产周转率变动来刻画营运效率改善，我们通过将一个企业滚动最近8期的营业成本数据在同期的固定资产上进行线性回归，取最近一期的残差，来表征企业在产能利用率上的提升程度。通过SAM映射方法将个股产能利用率提升指标合成为行业上的产能利用率提升指标，简称为OCFA（Operation Cost on Fix Assets）。同样逻辑上，OCFA指标越大的行业营运能力边际改善程度越大，未来表现越强。

测试OCFA指标在行业截面上的预测能力，其IC均值为4.51%，ICIR为0.20，IC大于0比例为58.0%。观察IC序列，OCFA预测能力从2019年开始更为强势。

图表: 产能利用率提升指标IC序列

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

按OCFA指标将所有中信一级行业等分5组，显示出较好的分组单调性与区分度。将得分最高的一组作为多头组合、得分最低的一组作为空头组合。多头组合相对空头组合的超额年化收益7.8%，多头组合相对全行业等权基准的超额年化收益3.8%。

图表: 按OCFA指标分组年化收益单调性强

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

图表: OCFA指标多头、空头组合与等权基准净值比较

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

► 综合质量指标：从2015年开始有显著截面预测能力 

近几年二级市场越来越重视上市公司的企业质量。我们在之前的报告《量化多因子系列（1）：QQC 综合质量因子与指数增强应用》中，从盈利能力、成长能力、盈余质量、营运效率、安全性、公司治理6大类别中分别挑选合适的因子，综合构建出有效表征公司质量的综合质量因子。通过SAM映射方法将个股综合质量因子合成为行业上的综合质量指标，简称为QQC（Quantified Quality Composite）。逻辑上，QQC指标越大的行业整体企业质量越好，其未来市场表现理应越强势。

测试OCFA指标在行业截面上的预测能力，其IC均值为5.43%，ICIR为0.21，IC大于0比例为60.3%。观察IC序列，QQC指标从2015年开始才体现出较为稳定的预测能力。

图表: 综合质量指标IC序列

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

按QQC指标将所有中信一级行业等分5组，显示出较好的分组单调性与区分度。将得分最高的一组作为多头组合、得分最低的一组作为空头组合。多头组合相对空头组合的超额年化收益7.6%，多头组合相对全行业等权基准的超额年化收益3.6%。

图表: 按QQC指标分组年化收益单调性强

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

图表: QQC指标多头、空头组合与等权基准净值比较

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

► 资产负债率变动指标：预测能力长期稳定 

资产负债率通过负债与资产的比值，反映企业的负债水平及融资能力。资产负债率本身没有明显预测方向，过高可能在偿债能力上稍显不足，而过低则表明对财务杠杆的利用不足。同时不同行业之间的资产负债率本身亦不可比。

从行业的角度来说，资产负债率本身不具有预测能力。而资产负债率的边际变化却能有一定预测效果。以资产负债率环比差分构造资产负债率变动因子，通过SAM映射方法将个股资产负债率变动因子合成为行业上的资产负债率变动指标，简称为DAD（Debt to Assets Difference）。逻辑上，行业层面资产负债率上升更大概率是由于行业整体景气度上升，从而需要加大财务杠杆造成的。因此该指标也应是正向预测指标。

测试DAD指标在行业截面上的预测能力，其IC均值为5.93%，ICIR为0.26，IC大于0比例为61.8%。观察IC序列，DAD指标一直具有稳定的行业截面预测能力。

图表: 资产负债率变动指标IC序列

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

按DAD指标将所有中信一级行业等分5组，显示出较好的分组单调性与区分度。将得分最高的一组作为多头组合、得分最低的一组作为空头组合。多头组合相对空头组合的超额年化收益8.2%，多头组合相对全行业等权基准的超额年化收益3.1%。

图表: 按DAD指标分组年化收益单调性强

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

图表: DAD指标多头、空头组合与等权基准净值比较

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

分析师行为：热度与预期均有效

从财务报表中体现的基本面信息能准确反映企业的基本面特征，但更新频率较慢且时滞性较大。而分析师数据在更新频率及时滞性上均有较大优势；同时作为专业机构，分析师们具有较强的研究优势，通过他们的行为数据也能挖掘出具有显著预测能力的轮动信息。分析师方面数据，我们重点关注一致预期变化及情绪热度相关的指标。

► 一致预期EPS变化率：行业预测能力强劲 

为了体现股票分析师对企业的预期变化方向与程度，我们以一致预期EPS因子相对其3个月前值的百分比变化构造一直预期EPS变化率因子，并通过SAM映射方法将个股一直预期EPS变化率因子合成为行业上的一直预期EPS变化率指标，简称为EEPSChange_3M。该指标逻辑直观，分析师一致预期上调的行业未来大概率表现更好。

测试EEPSChange_3M指标在行业截面上的预测能力，其IC均值为8.16%，ICIR为0.42，IC大于0比例为70.2%。观察IC序列，EEPSChange_3M指标预测能力稳定强劲。

图表: 一致预期EPS变化率指标IC序列

资料来源：朝阳永续，中金公司研究部；注：数据测算区间为2010/1-2021/1  

按EEPSChange_3M指标将所有中信一级行业等分5组，显示出优秀的分组单调性与区分度。将得分最高的一组作为多头组合、得分最低的一组作为空头组合。多头组合相对空头组合的超额年化收益14.8%，多头组合相对全行业等权基准的超额年化收益5.7%。可见EEPSChange_3M指标的行业预测信息主要集中在空头部分。

图表: 按EEPSChange_3M指标分组年化收益单调性强

资料来源：朝阳永续，中金公司研究部；注：数据测算区间为2010/1-2021/1  

图表: EEPSChange_3M指标多头、空头净值比较

资料来源：朝阳永续，中金公司研究部；注：数据测算区间为2010/1-2021/1  

► 75日分析师报告覆盖数量：预测信息集中于多头部分 

除了分析师的预期数据有行业预测信息，分析师热度也具有显著预测效果。我们以最近75日内分析师报告覆盖数量表征分析师群体对个股公司的热度。由于大市值公司天然会有更多分析师覆盖与研究，我们运用截面回归取残差的方式将报告覆盖数量中市值大小带来的影响进行剥离。最后通过SAM映射方法将个股报告覆盖数量因子合成为行业上的75日分析师报告覆盖数量指标，简称为RPP_75D。该指标逻辑也较为直观，分析师关注度高的行业大概率在近期景气度有所提升，未来市场表现也可能相应有所体现。

测试RPP_75D指标在行业截面上的预测能力，其IC均值为6.96%，ICIR为0.28，IC大于0比例为60.3%。

图表: 75日分析师报告覆盖数量指标IC序列

资料来源：朝阳永续，中金公司研究部；注：数据测算区间为2010/1-2021/1  

按RPP_75D指标将所有中信一级行业等分5组，显示出优秀的分组单调性与区分度。将得分最高的一组作为多头组合、得分最低的一组作为空头组合。多头组合相对空头组合的超额年化收益11.0%，多头组合相对全行业等权基准的超额年化收益7.1%。容易看出RPP_75D的行业预测信息主要集中在多头部分。

图表: 按RPP_75D指标分组年化收益单调性强

资料来源：朝阳永续，中金公司研究部；注：数据测算区间为2010/1-2021/1  

图表: RPP_75D指标多头、空头净值比较

资料来源：朝阳永续，中金公司研究部；注：数据测算区间为2010/1-2021/1  

动量特征：微观结构中蕴含着更稳定的动量信息

动量信息经常被运用在行业轮动中，在近几年中行业动量的效果亦非常显著。然而从长期角度来看，传统动量的行业截面预测能力很不稳定。虽然整体上有正向预测能力，在个别阶段也呈现出非常强势的预测效果，但是也会出现持续几年的失效与回撤。

分别以过去一个月、一个季度、半年、一年的行业收益作为动量值，测试其行业截面预测能力。整体上传统动量因稳定性较差，其IC标准差普遍在30%以上，ICIR大多在0.1左右。其中效果最强的是年度动量，其ICIR也仅0.17。

图表: 传统动量具有一定行业轮动效果，但稳定性较差

资料来源：万得资讯，中金公司研究部 

因此，动量类型信息，我们重点关注从微观结构入手构建更为稳定有效的动量指标。

► 龙头领先程度指标：龙头效应具有一定程度的行业预测信息 

动量背后的逻辑是：当前强势的行业之所以强势是有一定原因的，因此在之后一段时间该行业大概率会继续因为这个背后原因保持强势下去。我们认为行业的强势与否可以从内因与外因两个方面解释。内因是指该行业自身效益的改善，例如技术革新等，而外因是指其它行业或整个市场对其的冲击，例如与其上下游行业供需力量的改变等。

从行业内部结构的角度上，无论内因还是外因，行业内的龙头企业往往会比行业整体率先在市场上有所反应，体现出一定的龙头效应：

• 内因：一个行业的革新性技术的产生，背后需要大量的资本与技术积累。因此更大概率是从该行业的龙头企业中发展出这些提升整个行业前景的革新技术。所以从内因的角度来说，该行业的阶段性兴衰往往是由这些龙头企业引领的。

• 外因：从外因的角度，例如一个行业受到了上下游供需平衡改变而引发的冲击，那么首当其冲，该行业的龙头企业会对于这一类事件率先做出反应，然后再逐步扩散到整个行业中。

龙头的定义方式，我们以总市值大小进行划分。每个行业中，选取总市值排序最高的前10%企业作为龙头公司，其余企业则认定为非龙头公司。

我们以（行业内龙头股月度收益率均值 – 行业内非龙头股月度收益率均值）/ 行业内成分股月度收益率截面标准差，来体现行业中龙头领先的方向与程度，构建出龙头领先程度指标，简称为LMF（Leader Minus Follower）。

测试LMF指标在行业截面上的预测能力，其IC均值为4.68%，ICIR为0.20，IC大于0比例为56.5%。

图表: 龙头领先程度指标IC序列

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

按LMF指标将所有中信一级行业等分5组，分组单调性与区分度较为一般。将得分最高的一组作为多头组合、得分最低的一组作为空头组合。多头组合相对空头组合的超额年化收益5.9%，多头组合相对全行业等权基准的超额年化收益3.2%。

图表: 按LMF指标分组年化收益单调性强

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

图表: LMF指标多头、空头组合与等权基准净值比较

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

► 分化度调整动量指标：基于结构分化程度调整传统动量指标 

动量有效的基础是：使得行业强势或式微的背后原因依然存在或尚未被市场消化完全。但如果这个背后原因逐渐消失、或者已经被市场消化（price-in），那么动量策略就会出现失效。

我们构建行业内分化度指标，用以辅助推测行业当前动量的背后原因是否被市场消化。如果行业内成分股分化程度很低，可能表明造成当前动量的信息已经在整个行业内扩散完全了，该行业未来动量效应可能会较差。

行业内分化程度指标构建方式如下：

1. 每个行业将其成分股按总市值大小排序等分为2组，以大市值组月度收益率均值减去小市值组月度收益率均值，作为该行业原始分化度。

2. 计算所有行业的原始分化度均值，作为市场整体大小盘风格溢价。

3. 每个行业用（原始分化度 – 市场整体大小盘风格溢价）的绝对值，作为该行业有效分化度。这里取绝对值是因为我们仅在意分化程度，不考虑分化方向。

4. 将行业有效分化度比上行业内股票收益标准差与行业月成交量，得到最终的行业分化度指标。

我们用分化度指标对行业传统动量进行调整，以分化度指标与行业上月收益率的乘积作为分化度调整动量指标，简称为DAM（Divergence-Adjusted Momentum）。

测试DAM指标在行业截面上的预测能力，其IC均值为3.82%，ICIR为0.19，IC大于0比例为56.9%。

图表: 分化度调整动量指标IC序列

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

按DAM指标将所有中信一级行业等分5组，分组单调性与区分度较为一般。将得分最高的一组作为多头组合、得分最低的一组作为空头组合。多头组合相对空头组合的超额年化收益5.4%，多头组合相对全行业等权基准的超额年化收益3.4%。

图表: 按DAM指标分组年化收益单调性强

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

图表: DAM指标多头、空头组合与等权基准净值比较

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

综合指标：轮动效果卓越，近期超额收益显著 

在上一章节，我们从财务基本面、分析师行为、动量三个角度分别构造了有效的行业轮动细分指标。本章节将综合运用以上细分指标，构建综合指标及相应行业轮动模型。

构建综合指标：综合考虑细分指标的预测能力与换手频率 

综合比较不同细分轮动指标。分析师行为类型细分指标在预测能力明显更为突出，换手率整体也不高，多头组合月均双边换手不超过80%；财务基本面类型细分指标预测能力尚可，换手率较低，整体双边换手在50%左右；动量类型细分指标预测能力相对较弱，同时换手率较高，月均换手在150%以上。

图表:  各细分轮动指标预测效果统计量

资料来源：万得资讯，朝阳永续，中金公司研究部；注：数据测算区间为2010/1-2021/1

从下图相关性矩阵可以看出，各细分指标之间的相关性整体不高，相关系数大多在0.2以下。两个动量类型指标LMF与DAM之间相关系数0.2，与其它类型指标相关性都很低；ATD、OCFA、QQC这三个指标均涉及营运效率改善的逻辑，因此它们之间相关系数有超过0.2的部分；RPP_75D指标与QQC相关系数也高达0.42。考虑到QQC与多个细分指标均有不低的相关性，我们在构建综合指标的过程中剔除QQC指标。

图表: 各细分轮动指标截面相关性统计

资料来源：万得资讯，朝阳永续，中金公司研究部；注：数据测算区间为2010/1-2021/1

在剔除QQC指标后，三大类指标分别为：

• 财务基本面：资产周转率变动ATD、资产负债率变动DAD、产能利用率提升OCFA；

• 分析师行为：一致预期EPS变化率EEPSChange_3M、75日报告覆盖数量RPP_75D；

• 动量：龙头领先程度指标LMF、分化度调整动量DAM。

每大类指标内部的细分指标均有差不多的预测能力与换手率特征，故我们在构建综合轮动指标时，对于大类指标内部的细分指标采用等权相加的方式构建出三个大类指标：基本面指标、分析师指标、动量指标。

综合考虑大类指标的预测能力与换手频率，为了减少动量指标高换手对最终组合的影响，我们减少动量大类指标的权重，将基本面、分析师、动量三大类指标按照 2:2:1 的权重进行求和，构建出最终的综合轮动指标。

图表: 综合轮动指标构建流程

资料来源：中金公司研究部

行业轮动效果卓越 

综合轮动指标IC均值高达12.15%，ICIR为0.52，IC大于0比例为67.9%。按综合指标将所有行业等分5组，分组单调性与区分度均十分显著。

图表: 综合轮动指标IC序列

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

图表: 综合轮动指标分组净值

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

将得分最高的前20%行业等权构建多头组合、得分最低的后20%行业等权作为空头组合。2010年1月至2021年1月期间，多头组合年化收益16.0%，夏普比率0.70，最大回撤50.9%，月均双边换手率77%。相对于全行业等权基准的超额年化收益9.7%，信息比率1.41，最大相对回撤12.0%，月度胜率67%。

回测样本期间，多头信息与空头信息均显著，同时多空组合及多头相对等权基准的超额净值显示出非常稳定的轮动信息，仅在2018年后半年出现较大回撤。

图表: 综合轮动指标相关净值统计

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

图表: 综合轮动指标多头、空头组合与等权基准净值

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

图表: 综合轮动指标多空组合及超额收益（对数轴）

资料来源：万得资讯，中金公司研究部；注：数据测算区间为2010/1-2021/1

最新观点 

基于综合轮动模型于2021年1月底给各中信一级行业的打分情况。我们对于2月份行业观点如下：

建议配置行业：消费者服务、汽车、机械、基础化工、电力设备及新能源、有色金属；

建议规避行业：综合金融、综合、商贸零售、通信、房地产、交通运输。

图表:  2020年至今行业多头组合持仓

资料来源：万得资讯，朝阳永续，中金公司研究部

总结

本篇报告从多个信息角度入手，以微观结构视角切入，探索行业轮动信息，并构建出稳定有效的行业轮动综合指标及相应行业轮动模型。

► 行业轮动意义与目标：行业走势分化是常态，通过轮动捕捉结构化行情收益

长期以来，A股市场内不同行业的走势具有很大的差异性，不少行业在某些阶段往往走出异于整体市场的独立行情。同时，不同时期强势行业迥异，很少有行业保持长时期强势，更多呈现出一定轮动现象。因此，有效的行业轮动模型对于能否捕捉到行业分化带来的结构化行情收益至关重要。

► 财务基本面信息：营运效率边际改善的行业更受市场认可

表征营运效率边际改善程度的资产周转率变动指标、产能利用率提升指标均具有不错的行业截面预测能力；同时，资产负债率边际提升的行业未来市场走势往往也更好。财务基本面类型指标特征为预测能力尚可，换手较低。三个细分指标IC均值在5%左右，换手率整体在双边50%上下。

► 分析师行为信息：预期边际变化与关注度均有效

分析师行为数据具有更为前瞻性的行业预测能力。分析师一致预期EPS的上调，以及分析师群体的高关注热度，均能一定程度表征行业的高景气度。一致预期EPS变化率指标具有高达8.2%的IC均值与0.42的ICIR。分析师行为类型指标特征为预测能力强，换手率尚可。两个细分指标IC均值均在7%以上，换手率整体在双边60%到70%左右。

► 动量信息：微观结构中蕴含着更稳定的动量信息

传统动量在行业轮动上的信息稳定性较差。利用行业内成分股结构分化特征对动量指标进行改进，构造出预测信息更为稳定的龙头领先程度指标与分化度调整动量指标。动量类型指标特征为预测能力较弱，换手率很高。两个细分指标IC均值都在4%左右，而换手率均在双边150%以上。

► 综合轮动指标：轮动效果卓越且长期稳定

采用大类内部等权加权细分指标分别构建财务基本面、分析师行为、动量三大类指标；并按 2 :2 :1 的权重将三大类指标加总成最终综合轮动指标。综合指标截面预测能力强，2010年1月至2021年1月期间，IC均值高达12.15%，ICIR为0.52。按该指标构建的多头组合年化收益16.0%，夏普比率0.70，最大回撤50.9%，月均双边换手77%。相对于全行业等权基准的超额年化收益9.7%，信息比率1.41，最大相对回撤12.0%，月度胜率67%。

► 最新观点

行业轮动模型对于2月份的最新观点，建议配置：消费者服务、汽车、机械、基础化工、电力设备及新能源、有色金属；建议规避：综合金融、综合、商贸零售、通信、房地产、交通运输。

风险提示：本篇报告中的测试结果均基于模型与历史数据。历史数据存在不被重复验证的可能，模型存在过拟合的风险。本报告不对模型样本外的轮动收益表现作任何保证。

文章来源

本文摘自：2021年2月19日已经发布的《行业轮动系列（1）：如何从微观结构探析行业轮动信息》

分析员 胡骥聪 SAC 执业证书编号：S0080521010007

分析员 刘均伟 SAC 执业证书编号：S0080520120002 SFC CE Ref：BQR365

分析员 王汉锋 SAC 执业证书编号：S0080513080002 SFC CE Ref：AND454

法律声明

向上滑动参见完整法律声明及二维码