20180227-光大证券-金融工程深度_基于业绩趋势的行业轮动模型_23页_1mb

报告摘要

基于业绩趋势的行业轮动模型总结

核心内容

本报告提出了一种基于业绩趋势的行业轮动模型，结合业绩增长速度和加速度指标，进一步叠加动量与RSRS技术指标，以提高行业选择的精准度和短期投资价值判断能力。该模型旨在捕捉未来业绩高增长的行业，获取超额收益，并通过技术指标筛选短期更具投资价值的行业。

主要观点

高增长行业具有显著超额收益
- 在中信三级行业中，业绩高增长的行业组合在不同刻画方法下（行业整体法与中位数法）均表现出显著的超额收益。
- 业绩释放期（当季末）是高增长行业最佳投资时机，此时组合收益表现最佳。
- 公告后调仓的行业组合，其超额收益显著下降，表明业绩数据的滞后性影响模型效果。
业绩趋势模型的构建
- 业绩趋势模型从两个维度刻画业绩增长趋势：业绩增长速度（TTM归母净利润增长率）和业绩增长加速度（通过二次回归模型计算）。
- 通过将行业分为9组，其中第9组为业绩增长速度和加速度均高的行业，具有显著的超额收益和信息比率。
模型参数优化
- 参数N取10时，模型在业绩趋势指标下表现最优，年化收益率达29.1%，信息比率达1.78。
- 使用扣除非经常性损益的归母净利润作为业绩代理变量，有助于更准确地反映主营业务增长趋势，提高模型有效性。
技术指标的优化作用
- 在高增长行业组合中，动量指标和RSRS指标可进一步筛选短期更具投资价值的行业。
- 上一月涨幅较高的行业需谨慎，因其存在反转风险。
- RSRS指标值较低的行业具有较大的下跌风险，需警惕。
模型表现
- 加入技术指标后，最终策略年化收益率达32.7%，年化超额收益13.8%，信息比率1.89，月度胜率66.7%。
- 该策略在样本外表现同样优异，2016年和2017年的信息比率分别为1.35和1.87，月度胜率分别为66.7%和58.3%。

关键信息

行业业绩刻画方法：
- 行业整体法：将行业内公司业绩加总，反映行业整体增长情况。
- 中位数法：通过计算行业内公司业绩增速的中位数，更稳定地反映行业趋势。
模型调仓时间：
- 每季度初进行调仓，以获取业绩释放期的超额收益。
- 为降低滞后性，可考虑使用业绩预告数据，但会导致样本偏差，影响模型效果。
技术指标筛选规则：
- 在高增长行业组合中，每月剔除上一月涨幅前20%的行业。
- 剔除RSRS指标值最低的三分之一行业，以规避下跌风险。
模型风险提示：
- 业绩趋势模型基于历史数据构建，存在失效风险。
- 技术指标叠加后虽提升收益表现，但需注意市场环境变化可能带来的影响。