行业轮动系列研究：三位一体，自适应行业轮动（ADC）模型-20200615-光大证券-47页_2mb

EVERBRIGHT SECURITIES CO., LTD 行业轮动模型研究报告总结

核心内容

本报告提出了一种“三位一体”行业轮动模型（ADC模型），该模型结合了宏观、中观和微观三个层面的分析，以期实现更精准的行业配置。ADC模型在2016年6月至2020年5月期间，通过月度调仓，表现出显著的超额收益，年化收益率达18.7%，年化超额收益为19.6%，夏普比率为0.91，月度胜率61.7%。模型在2017年和2019年的表现尤为突出，分别实现了38.8%和50.8%的年化收益率。

主要观点

• 行业轮动能力有限：主动基金经理在行业轮动方面表现一般，不同基金之间的轮动能力差异不大，且可持续性较弱。
• 量化模型外推效果不稳定：基于历史数据的轮动规律在样本外效果不佳，行业轮动信息衰减快，月频调仓难以持续有效。
• ADC模型的构建：通过融合宏观、中观和微观的视角，ADC模型能更全面地捕捉行业轮动信号，从而提高投资效果。
• 模型结合方式：ADC模型采用“串联式”与“并联式”结合的方式，通过宏观周期模型筛选行业，再结合中观和微观模型进行综合打分，实现更优配置。

关键信息

宏观视角

• 量化识别与主动逻辑结合：通过聚类方法识别宏观环境，分为静态聚类和动态聚类两种方式。最终采用动态聚类模型，以减少对历史数据的依赖。
• 宏观因子包括：货币政策、物价、工业景气、消费需求等。
• “政策-经济”周期划分：分为四个阶段，分别为“元”、“亨”、“利”、“贞”，并根据当前数据特征进行定量判断，总体准确率为54%，在区分度显著时可达70%。
• 宏观模型配置建议：根据当前阶段，推荐不同的板块进行配置，如“元”阶段推荐金融、可选消费、科技，“亨”阶段推荐周期上游、周期中游、可选消费等。

中观视角

• 估值与盈利双轮驱动：通过筛选低估值、高增速的行业，提高投资回报。
• 估值调整：采用线性回归方法对估值指标进行调整，以增强其均值回归特性。
• 盈利修正：利用公告数据和月份效应修正一致预期净利润，以减少高估风险。
• 中观模型表现：在2016年6月至2020年5月期间，中观模型年化收益率为5.5%，信息比率为0.38，超额收益为6.6%。

微观视角

• 个股因子映射行业：通过综合成分股的因子观点，计算行业轮动指标（SAMI）。
• 有效SAMI指标：包括资产周转、资产负债率、EBQC综合质量、一致预期净利润变动等。
• 复合SAMI指标：通过相关性检验，剔除高相关指标，最终构建出6个有效指标的组合，年化超额收益为8.1%，信息比率为1.27。
• SAMI模型表现：在2016年6月至2020年5月期间，SAMI模型年化收益率为10.8%，夏普比率为0.61，月度胜率63.8%。

ADC模型

• 模型结构：ADC模型通过宏观周期模型筛选行业，再结合中观与微观模型进行综合打分，以确定次月推荐行业。
• 模型表现：在2016年6月至2020年5月期间，ADC模型年化收益率为18.7%，年化超额收益为19.6%，夏普比率为0.91，月度胜率61.7%。
• 模型优势：ADC模型在2017年和2019年表现出色，年化收益率分别达38.8%和50.8%。
• 模型排名：ADC模型在3年收益率排名中稳居前10%，1年收益率平均排名在前25%-30%。

风险提示

• 模型失效风险：模型结果基于历史数据和模型假设，存在失效的可能性。
• 数据覆盖风险：部分指标基于外部数据库，可能存在数据覆盖不全或录入不及时的风险。

附录

附录一：货币政策指数（MPI）

• 价格工具：包括存款基准利率、贷款基准利率、再贴现利率、7天逆回购利率，其变化以bp值计算。
• 数量工具：包括存款准备金率、公开市场操作、MLF、SLF、PSL等，通过计算流动性释放量转换为MPI变化。
• 窗口指导：根据金融机构信贷增长速度调整MPI值，如异常增长≥20%时，MPI值增加25 bp。

附录二：经济指标主成分分析

• 维度：包括物价、工业景气、消费需求等。
• 主成分提取：通过主成分分析提取各维度的共同因子，以更准确地反映经济变化趋势。

联系方式

• 刘均伟：金融工程首席分析师，执业证书编号：S0930517040001，电子邮件：liujunwei@ebscn.com，联系电话：021-52523679
• 董天韵：金融工程分析师，执业证书编号：S0930519070002，电子邮件：dongty@ebscn.com，联系电话：021-52523682
• 胡骥聪：金融工程分析师，执业证书编号：S0930519060002，电子邮件：hujicong@ebscn.com，联系电话：021-52523683