20220708-国盛证券-量化专题报告_中观行业配置系列二_行业配置模型的顶端优化_25页_2mb
报告摘要
量化专题报告总结
核心内容
本报告围绕行业配置模型的顶端优化展开,旨在解决以下三个核心问题:
- 行业景气模型在样本外跟踪中的表现与优化;
- 构建行业情绪预警指数以识别市场尾部风险;
- 如何通过多模型思维实现行业配置体系的系统化优化。
主要观点
-
行业景气模型:样本外跟踪表现喜忧参半,年化多头收益16.4%,超额年化15.6%,但曾出现历史最大回撤-11.9%。通过顶端优化,剔除高拥挤行业后,多头年化收益提升至27.1%,超额年化18.7%,信息比率1.84,超额最大回撤降至-5.8%,并有效降低了回撤。
-
行业趋势模型:趋势策略简单易复制,持有体验感强。通过顶端优化剔除低景气行业后,多头年化收益26.1%,超额年化17.8%,信息比率1.59,超额最大回撤-5.3%。与行业景气模型并行后,显著提升了整体表现。
-
多模型融合:简单并行两个模型(行业景气与行业趋势)可以实现1+1>2的协同效应。并行后多头年化超额18.4%,信息比率1.90,超额最大回撤-3.5%,月度胜率提升至75%。叠加PB-ROE选股后,年化超额超过20%,信息比率达2.20。
-
行业情绪预警指数:通过合成指数方式构建,结合换手率、波动率、Beta等交易行为指标,能够有效识别情绪过热行业,降低回撤,提升风险预警能力。该指数在情绪过热信号出现后,对行业超额收益有显著负相关性,且在不同行业表现差异明显。
关键信息
行业配置模型的优化
-
行业景气模型顶端优化:
- 剔除高拥挤行业,提升超额收益和信息比率。
- 若行业底池不足3个,采取保守策略,降低风险偏好。
- 优化后的模型表现优异,超额收益稳定,回撤控制良好。
-
行业趋势模型顶端优化:
- 剔除低景气行业,提升策略稳定性。
- 若行业底池不足3个,采取保守策略,降低风险偏好。
- 优化后的模型超额表现良好,风险控制能力提升。
行业情绪预警指数构建
- 构建思路:采用合成指数法,结合换手率、波动率、Beta等交易行为指标。
- 指标权重分配:换手率+1,波动率(时序+Barra)按0.8:0.2加权,Beta+1。
- 指标有效性:情绪过热信号出现后,超额收益为负,最大回撤显著增加,有效识别高风险行业。
行业情绪预警指数应用效果
- 横截面检验:情绪指标与行业下月收益率相关性在80%分位数以上时,IC值显著为负,胜率提升。
- 时间序列检验:
- 情绪指标超过1倍标准差后,平均超额收益为-1%,最大回撤为-5.2%;
- 超过2倍标准差后,平均超额收益为-4%,最大回撤为-11.2%;
- 情绪过热信号对消费、金融等板块回撤提示效果较好。
情绪指数在风格与行业择时中的应用
- 风格择时:情绪指标与动量策略相关性高,可有效预警动量风格可能的回撤,如2013、2015、2020、2021等年份的信号提示了较大的回撤。
- 行业择时:情绪指标与分析师景气指数结合,可有效规避高景气但情绪过热的行业,如食品饮料和电子行业。
行业配置模型的融合与展望
-
多模型思维:行业景气与趋势模型在逻辑与统计上互补,通过简单并行可实现收益提升、风险降低。
-
行业配置主线:当前行业配置主线包括:
- 受益于通胀的上游周期、新旧能源;
- 受益于稳增长的金融;
- 受益于疫情扭转的消费。
-
风险提示:模型基于历史数据构建,未来存在失效风险。
最新行业配置建议
- 行业配置主线:
- 上游周期(如煤炭、有色、钢铁等);
- 新旧能源(如电力设备及新能源、电子等);
- 金融(如银行、非银金融等);
- 消费(如食品饮料、家电、消费者服务等)。
应用工具与图谱
- 行业打分图谱:包含景气度、趋势、拥挤度等指标,用于行业配置决策。
- 行业情绪图谱:结合市场交易行为,构建情绪预警指数,用于风险控制。
- 行业景气-趋势-拥挤度图谱:帮助识别高景气、好趋势、低拥挤的行业,提升配置效率。
总结
本报告通过构建行业情绪预警指数和对行业景气与趋势模型进行顶端优化,提升了行业配置模型的稳定性与收益表现。通过多模型并行策略,实现了收益与风险的平衡。未来行业配置应注重多模型思维,结合基本面与量化指标,提升整体策略的系统性与有效性。
试读结束,高清完整版pdf/doc/ppt,请点下载