多维宏观状态下的行业轮动策略：重构量化行业轮动框架，宏观篇（下）-20210303-广发证券-31页_1mb

多维宏观状态下的行业轮动策略总结

核心内容

本文介绍了基于多维宏观状态的行业轮动策略，旨在通过引入更多宏观指标及状态刻画，构建一个更加立体的行业配置模型。该策略结合宏观指标与行业特定指标，通过多指标特征共振，挖掘宏观事件对行业表现的影响，为行业配置提供量化依据。

主要观点

• 多维宏观状态：不同于以往的单指标事件策略，本文采用多指标事件驱动方式，只有当多个宏观指标处于极端状态并产生共振时，才触发相应的宏观事件。
• 指标选择：共涵盖约54个宏观指标及各行业相关指标约1100个，定义了8类事件状态，共衍生出约12000类宏观事件。
• 策略构建：基于申万一级行业的数据，构建了多维宏观事件驱动的行业轮动策略，通过定期调仓（月频）和有效事件库筛选，实现行业配置。
• 实证表现：策略在2010年1月至2021年2月的样本测算区间内，取得了约26%的年化超额收益，各行业择时策略均表现良好。
• 最新推荐：截至2021年2月，推荐超配行业组合为采掘、轻工制造。

关键信息

宏观指标库

宏观指标库包含以下主要类别：

• 国内生产总值（GDP）相关指标
• 经济景气指数（如PMI、消费者信心指数等）
• 工业生产指标
• 投资相关指标
• 房地产相关指标
• 零售消费指标
• 通货膨胀指标（CPI、PPI）
• 货币与信贷指标（M1、M2、SHIBOR等）
• 利率指标
• 财政收支指标

行业指标库

行业指标库根据各行业特点选取，如：

• 农林牧渔：10年期国债到期收益率、BID、M2同比、PMI、人民币实际有效汇率指数等
• 采掘：22个省市猪肉平均价、供需缺口、固定资产投资完成额等
• 化工：WTI原油、尿素价格、出口数量等
• 钢铁：PPI同比、原油价格、价格指数、库存等
• 有色金属：M2同比、消费者信心指数、LME价格、贸易差额等
• 食品饮料：CPI同比、食品CPI、价格指数、社会融资规模等
• 轻工制造：CPI同比、M0同比、M1同比、出口数量等

事件模式定义

每个宏观事件由4个指标的子事件构成，事件模式包括：

• 近期高位：因子高于过去K1个月均值+两倍标准差
• 近期低位：因子低于过去K1个月均值-两倍标准差
• 趋势上行：指标1年均值连续上涨K2个月
• 趋势下行：指标1年均值连续下跌K2个月
• 先涨后跌：指标前半年上涨K3个月，后半年下跌K3个月
• 先跌后涨：指标前半年下跌K3个月，后半年上涨K3个月

有效事件筛选逻辑

• 发生次数：至少发生10次
• 信息比（IR）：因子事件IR绝对值 ≥ 0.8
• 事件触发：若多个事件满足条件，保留IR绝对值最大的事件

策略表现

• 年化超额收益：26%
• 信息比率：1.23
• 年化波动率：27.15%
• 超额收益标准差：7.42%
• 各行业表现：
  • 食品饮料：平均超额收益2.6%，信息比2.11
  • 有色金属：平均超额收益5.6%，信息比1.51
  • 银行：平均超额收益3.4%，信息比1.49
  • 轻工制造：平均超额收益1.2%，信息比1.46

策略展望与风险提示

• 策略展望：通过多维宏观状态的分析，可以更准确地识别行业轮动机会，提高投资收益。
• 风险提示：
  • 本模型基于历史数据统计、建模和测算，所得出的规律及推荐行业未必具有严格的投资逻辑。
  • 由于市场环境变化，策略在极端情况下可能失效。
  • 模型未考虑市场情绪、突发事件等非量化因素，存在一定的局限性。

结论

本文构建了一个基于多维宏观状态的行业轮动策略，通过引入更多宏观指标和行业特定指标，提高了行业配置的准确性。实证结果显示，该策略在多个年度中表现优异，超额收益显著。然而，投资者在使用该策略时需注意其潜在风险，并结合市场实际情况进行灵活调整。