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.pdf

请仔细阅读本报告末页声明 证券研究报告 | 金融工程研究 2022 年 07 月 08 日 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 本报告主要解决以下三个问题： 行业 景气模型样本外跟踪下来效果如何，该如何改进？如何搭建行业风险预警模块，构建有提示风险作用的 行业情绪预警指数 ？ 如何基于基于景气度、趋势和拥挤度三方面的信息对行业配置模型做顶端优化， 搭建多模型 的 行业配置体系 ？ 模型回顾：行业景气模型的样本外表现喜忧参半。 行业景气模型样本外跟踪以来，行业轮动模型多头年化收益 16.4%，超额年化 15.6%，表现较为优异，但也 创造了历史最大回撤 ，达到 -11.9%。 考虑到我们行业配置体系中风险预警模块的缺失，本篇报告着重于讨论 行业情绪预警指数 的构建以及行业配置模型的顶端优化。 指标构 建：行业 情绪 预警 指数 构建与应用。 参考 海内外情绪指标的构建思路，我们搭建了行业情绪指标库，并利用合成指数的思路构建了行业情绪预警指数， 用于观测市场尾部风险。经测试， 该 指标 可以有效 识别当前情绪过热的 强势行业， 能降低约 3%的回撤 ， 并且可以 规避一些大幅回撤的极端情况 。 应用效果：行业配置 的两个方案和 顶端优化。 1）行业景气模型的顶端优化：规避高拥挤。 景气度为核心，进攻性强，需要拥挤度提示风险来保护。 我们根据 行业情绪指数对行业景气模型进行顶端优化，剔除多头中的高拥挤行业，并在策略可能失效时 分散持仓 降低风险偏好。 策略多头 年化 27.1%，超额年化 18.7%，信息比率 1.84， 超额最大回撤 -5.8%，换手单边年化 5.5 倍 ，月度胜率 68%； 2）行业趋势模型的顶端优化：规避低 景气 。 顺着市场趋势走，思路简单易复制，持有体验感强。 我们根据 景气度对行业趋势模型进行顶端优化，剔除多头中的低景气行业，并在策略可能失效时 分散持仓 降低风险偏好。策略 多头年化 26.1%，超额年化 17.8%，信息比率 1.59， 超额 最大回撤 -5.3%，换手单边年化 5.2 倍 ，月度胜率 64%； 3）行业配置体系的多模型思维。 简单将指标复合并不能提升策略收益，反而 可能 陷入“高景气 -好趋势 -低拥挤”的不可能三角！ 行业景气模型和趋势模型入场时机 、 收益来源等有一定差异， 此时 应具备多模型思维：简单并行是不错的选择。 简单 并行 后 多头年化超额 18.4%，信息比率 1.90，超额最大回撤仅 -3.5%，月度胜率达到 75%。 可见 并行 并没有侵蚀两者的收益，反而提高了信息比率，降低了回撤，起到了 1+12 的效果。 叠加PB-ROE 选股后，策略年化超额超过 20%，信息比率达到 2.20。 最新 行业 配置主线： 1） 受益于 通胀 的 上游周期、新旧 能源 ； 2）受益于稳增长的 金融 ； 2） 受益于 疫情扭转 的 消费 。 风险提示 ： 模型根据历史数据规律总结，未来存在失效的风险。 作者 分析师 段伟良 执业证书编号： S0680518080001 邮箱： 分析师 刘富兵 执业证书编号： S0680518030007 邮箱： 研究助理 杨晔 执业证书编号： S0680121070008 邮箱： 相关研究 1、量化分析报告：判断沪深 300 估值高低的三种方法 基本面量化系列研究之九 2022-07-05 2、量化选股策略跟踪月报：投资者行为跟随 6 月收益 17.2%， PEAD.notice 本年收益 2.1% 2022-07-05 3、量化周报：市场短期可继续持有 2022-07-03 4、量化点评报告：七月配置建议：基于 SmartMacro系统的宏观监测 资产配置思考系列之二十九2022-07-03 5、量化分析报告：股基解密：衍生品策略与配置策略的共振 华泰柏瑞中证 1000ETF 投资价值分析2022-06-28 2022 年 07 月 08 日 P.2 请仔细阅读本报告末页声明 内容目录 一、模型回顾：行业景气模型的跟踪与思考 . 4 1.1、行业景气模型的样本外跟踪：喜优参半 . 4 1.2、行业配置框架的系统化思考 . 5 二、指标构建：行业风险预警模块初探 . 7 2.1、行业情绪预警指数：市场温度计 . 7 2.2、行业情绪预警指数的有效性检验 . 9 2.2.1、横截面： IC 值检验 . 9 2.2.2、时间序列：信号出现后的超额收益和最大回撤统计 . 11 2.3、情绪指数在风格 /行业上的择时应用 . 13 2.3.1、风格择时案例：动量类策略的市场情绪观测 . 13 2.3.2、行业择时案例：基于情绪预警的景气度择时策略 . 14 三、应用效果：行业配置的两个方案及顶端优化 . 15 3.1、行业景气模型的顶端优化：规避高拥挤 . 15 3.2、行业趋势模型的顶端优化：规避低景气 . 19 3.3、行业配置体系的系统化思考：具备多模型思维 . 20 3.4、景气度投资实践：行业配置 Beta+选股 Alpha . 22 四、应用工具：行业打分图谱和最新观点 . 23 参考报告 . 24 风险提示 . 24 图表目录 图表 1：分析师行业景气模型样本外跟踪：喜忧参半 . 4 图表 2：分析师行业景气模型样本外持仓：超配周期、成长 . 4 图表 3：行业景气模型表现回顾：组合优化后，模型控制了超额回撤，但 alpha 略显平庸 . 5 图表 4：国盛金工行业配置体系：基于组合优化模型的行业配置框架（基本面 +量化） . 6 图表 5：电力设备与新能源：超额净值 vs 换手率 . 6 图表 6：海内外投资者情绪指标构建方法梳理 . 7 图表 7：国盛金工行业情绪预警指数的指标汇总 . 8 图表 8：行业情绪预警指数编制流程 . 9 图表 9：国盛金工行业情绪预警指数 的指标汇总 (+代表太高则起到预警作用，数字为合成的权重 ) . 9 图表 10：行业情绪指标及其细分项 IC 值测试 . 10 图表 11：行业趋势拥挤度策略超额 vs 行业趋势策略超额 . 10 图表 12：行业情绪过热信号出现后行业的超额收益统计 . 11 图表 13：行业情绪过热信号出现后行业的最大回撤统计 . 12 图表 14：散点图：行业情绪指标 vs 未来一个月最大回撤 . 12 图表 15：散点图：行业情绪指标 vs 未来三个月最大回撤 . 12 图表 16：情绪指数应用 1：对强势股（ 300 动量 /沪深 300）的风格走势具有很好的择时效果 . 13 图表 17： Corr_Trend_Crowd 指标大于 90 分位数后，动量风格往往表现不佳 . 13 图表 18：食品饮料行业超额收益 vs 分析师景气指数 . 14 图表 19：电子行业超额收益 vs 分析师景气指数 . 14 图表 20：食品饮料行业超额收益 vs 情绪指数 . 14 图表 21：电子行业超额收益 vs 情绪指数 . 14 2022 年 07 月 08 日 P.3 请仔细阅读本报告末页声明 图表 22：食品饮料行业景气度 -拥挤度择时效果 . 15 图表 23：电子行业景气度 -拥挤度择时效果 . 15 图表 24：行业配置模型所用指标介绍 . 16 图表 25：行业景气模型（剔除高拥 挤）表现优异 . 17 图表 26：行业景气模型（剔除高拥挤） vs 行业景气模型（原始） . 17 图表 27：不同参数下行业景气模型（剔除高拥挤）的超额收益对比 . 17 图表 28： 不同参数下行业景气模型（剔除高拥挤）的收益表现对比 . 17 图表 29：行业景气模型的顶端优化（低配高拥挤）：组合优化后超额收益较为稳定 . 18 图表 30：行业趋势模型（剔除低景气）表现优异 . 19 图表 31：行业趋势模型（剔除低景气） vs 行业趋势模型（原始） . 19 图表 32：行业趋势模型的顶端优化（低配低景气）：组合优化后超额收益较为稳定 . 20 图表 33：行业配置模型的对比思考：行业景气模型 vs 行业趋势模型 . 21 图表 34：两个行业配置模型的截面打分相关性不高，时序均值为 22% . 22 图表 35：两个策略简单并行表现优异 . 22 图表 36：两个策略简单并行超额表现比较稳定 . 22 图表 37：景气度投资选股策略净值表现 . 23 图表 38：景气度投资选股模型 6 月十大重仓股 . 23 图表 39：行业景气度 -趋势 -拥挤度图谱（截止 2022 年 6 月 30 日） . 23 2022 年 07 月 08 日 P.4 请仔细阅读本报告末页声明 一、 模型回顾 ： 行业景气模型的跟踪与思考 在本章节，我们简要回顾了中观行业配置系列一：分析师行业景气指数构建与应用中提出的行业景气模型的样本外效果，并对行业配置体系做了一定的完善与思考。 1.1、 行业景气模型的样本外 跟踪 ：喜优参半 在中观行业配置系列的第一篇报告中，我们 参考 PMI 指数的编制思路 提出了一种 衡量行业景气度 的新 方法 ： 利用分析师预期数据， 定期统计上调盈利预测的机构占比， 根据 扩散指数 方法 编制分析师景气指数 FAPI（ Financial Analyst Pros Index），用于及时跟踪宽基指数、风格和行业的景气度。 然后 我们将景气度和趋势指标进行 复合 打分， 希望找到基本面改善，趋势 共振 的行业，计算 公式如下： 景气复合指标 = (分析师 ROE 景气指数 )+(分析师 ROE 景气指数的 zscore)+(ROE_TTM 的 z_score)+(动量指标 ) 模型年化超额 12.7%，信息比率 1.30。自样本外跟踪以来，模型绝对收益率 13.8%，超额收益率 18.4%，表现较为优异。复盘下来，主要原因是捕捉到了去年 7-8 月的周期板块的配置机会。 但我们也注意到，模型自去年 9 月至今年 1 月，超额 回撤 达到 -11.9%，创造了历史最大回撤幅度。 所谓涨跌同源，上涨和下跌往往背后的逻辑 往往 是一致的，我们在追逐高景气行业的同时，也可能会遭受行业景气不及预期或者行业景气反应过度等原因造成的亏损。 2021 年 9 月 -11 月的亏损主要源于超配了周期板块，而此后则是因为配置了电新和军工这两个成长板块 。 图表 1： 分析师行业景气模型样本外跟踪 ：喜忧参半 图表 2： 分析师行业景气模型样本外持仓 ：超配周期、成长 月份 模型持仓 超额 2021.07 煤炭、有色、钢铁、化工、轻工制造 12.0% 2021.08 石油石化、煤炭、有色、钢铁、化工 12.6% 2021.09 石油石化、煤炭、有色、钢铁、化工 -3.3% 2021.10 石油石化、煤炭、钢铁、化工、电新 -3.7% 2021.11 石油石化、煤炭、化工、电新、军工 -0.7% 2021.12 石油石化、煤炭、电新、军工、通信、 -2.0% 2022.01 煤炭、有色、电新、军工、通信 -2.8% 2022.02 石油石化、煤炭、有色、电新、通信 7.1% 2022.03 煤炭、有色、电新、通信、交运 0.9% 2022.04 煤炭、有色 、电新、电力及公用事业、医药 ？ 资料来源： 国盛证券研究所， wind 资料来源： 国盛证券研究所， wind 此外， 考虑到传统行业轮动偏离基准较大的问题， 我们 使用组合优化方法构建了 更为稳健的 行业景气模型，取得了 还不错的 效果。 参数设置为行业偏离上限为 0.25，跟踪误差控制在 0.08 以内，基准是 winda 指数 ，采用个股流通市值加权。 自样本外跟踪以来， 配置 模型绝对收益率 5.6%， 超额收益率 8.8%，最大回撤 -5.7%。 尽管 使用组合优化的方法让我们 控制了 相对 回撤，但是模型的超额也变得 略显 平庸 ，正所谓有得必有失。 01234024682 01 3 2 01 5 2 01 7 2 01 9 2 02 1行业等权 行业景气模型净值 超额净值（右轴） 2022 年 07 月 08 日 P.5 请仔细阅读本报告末页声明 图表 3： 行业景气模型表现回顾：组合优化后，模型控制了超额回撤，但 alpha 略显平庸 资料来源：国盛证券研究所 ， wind 1.2、 行业 配置框架的系统化思考 自报告外发 和模型样本外跟踪 以来， 我们 与客户路演交流和复盘的过程中，深深体会到了研究与投资之间的 距离 ，众多的投资管理人也为我们提供了有价值的想法和建议。借此机会，我们整理了目前模型遇到了一些问题 以及 我们的思考： 1） 模型没有风险预警模块： 没有将拥挤度 相关 指标纳入行业配置模型，造成的结果是我们 团队现 有 的 拥挤度指标判断新能源处于高拥挤状态，模型却依然配置，2021 年 底至今 在新能源板块回撤较大； 2） 模型没有估值指标： 没有将估值指标纳入行业配置模型，导致市场在 出现风格切换，比如 不追逐高景气，反过来追逐低估值时候 容易 表现不佳 ； 3） 如何与现有的模型进行融合？ 我们之前有趋势 -拥挤度的行业轮动模型，更有很多行业专门的基本面量化报告，如何有效地将多模型进行结合，或者说将行业基本面信号嵌入行业景气模型中？ 比如去年 8 月以来我们一直看好银行板块的配置机会，但是行业配置模型一直没有持仓； 4） 行业分类有优化空间： 模型今年看对通信和 计算机行业的配置方向，但是一级行业指数表现一般，细分行业表现出色，仅以一级行业做配置模型难做出较高超额，需要深入优化行业分类！ 5） 正如我们前期报告 资产 配置 的研究路线思考：从量化走向系统化 所述 ， 现在的量化研究不再是传统的简单指标回测，而是一个搭建系统化投研体系的过程。 这 可能就是一个不断挖坑然后填坑的过程，我们 唯一 能做的就是日拱一卒努力把系统搭建好！ 这里我们整合了一下现有的研究框架与成果，构建了国盛金工的行业配置体系图谱，希望能够在中观行业配置系列报告中，将框架空缺部分一一完善，以飨读者。 123024620 1 3 20 1 4 20 1 5 20 1 6 20 1 7 20 1 8 20 1 9 20 2 0 20 2 1 20 2 2行业景气模型净值 基准： wi nd a 指数 超额净值 2022 年 07 月 08 日 P.6 请仔细阅读本报告末页声明 图表 4： 国盛金工行业配置体系 ： 基于组合优化模型的行业配置框架 （基本面 +量化） 资料来源：国盛证券研究所 根据上述复盘，如果我们能够在四季度提前对周期、新能源和军工等板块提出风险预警，或许能够规避一些损失。 事实上 我们根据最常见的换手率 指标 ，就可以大概 感知到这些热门行业在四季度存在交易过热的情况。 如下图所示， 电新行业的日度换手率在 2010 年初， 2015 年 6 月 和 2021 年 12 月 都曾出现 换手率过高的情况 。 图表 5： 电力设备与新能源：超额净值 vs 换手率 资料来源：国盛证券研究所 ， wind 因此，本篇报告 主要解决两个问题： 1） 在现有拥挤度指标的基础上，探讨一下行业风险预警模块的研究， 希望 尽可能 规避 一些 多头组合 中 较 大概率 会 下跌的 行业 ， 做一下行业配置模型的顶端优化 ； 2） 对现有的两个行业轮动模型的优缺点进行分析和讨论，尽可能最大化使用好两套方案，并 最终 结合两个方案综合性给出行业配置建议。 模型 值 景气 指数 行业景气指数 行业基 模型 模型 模 权 行业 模型 行业 0.50.70.91.11.31.51.71.901234562010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022电新换手率 电新超额净值 ( 右轴 ) 2022 年 07 月 08 日 P.7 请仔细阅读本报告末页声明 二、指标 构建：行业 风险预警模块 初探 本章节 我们主要介绍了 行业风险预警模块的搭建与效果，主要包括 行业情绪预警指数 的构建方法、有效性检验以及基于 情绪 指数 的 风格 /行业择时案例。 2.1、 行业情绪预警指数 ：市场温度计 市场情绪指标，主要是用来感知市场的交易情绪是否过热， 是股票市场的温度计 ，与拥挤度 属于同 一个范畴。 一般而言，资产价格在基本面改善预期下，形成上涨的趋势后，会加快资金的涌入，这时候容易发生交易过于拥挤的情况。 而 市场过度拥挤的时候，往往是资产价格上涨的尾声，正所谓水能载舟亦能覆舟。 因此，我们更倾向于不参与拥挤交易，人多的地方不要去，把市场情绪指标作为一个左侧的 退场信号。 其实无论是学术界还是业界， 投资者 情绪的研究在海内外都已经非常热门， 我们这里整理了部分海内外学者们对投资者情绪的研究成果， 见下表。 图表 6： 海内外投资者情绪指标构建方法梳理 类型 指数名称 构建方法说明 直接情绪指标（ 扩散指数思路 ） 股市信心指数 (Stock Market Confidence Indexes) 由耶鲁大学经济学教授 Roebert Shiller 领导的投资者行为研究项目从 1989 年起定期进行投资者态度的问卷调查，并根据结果编制股市信心指数。 卖方 分析师指数 (Sell-side Indicator) 由 Merrill Lynch 根据华尔街主要分析师给出的资产配置建议数据编制的月度反向指标，主要反映机构投资者的情绪。 摩根富林明投资者信心指数(JF Investor Confidence Index) 由摩根富林明资产管理基于投资者调查结果编制而成，最早出现在 20 世纪 90 年代英国证券市场中。以 2006 年 9 月 28 日推出的香港 JF 投资者信心指数为例，该指数根据受访者回答六个问题的分数构成，指数介于 0 到 200 之间，高于 100 表示看好，反之，表示看淡。 间接情绪指标（交易指标构建） 腾落指数 (ADL) 用股票每天上涨或下跌的家数作为计算与观察对象，反映股票市场的人气盛衰。计算公式为 :计算期上涨股票家数移动合计数 /计算期下跌股票家数移动合计。 ARMS 指数 该指数是结合成交量的腾落指数，计算公式为 : (股票上涨家数 /上涨的成交量 )/(股票下跌家数 /下跌的成交量 )。 BW 指数 Baker and Wugler(2006)选取封闭式基金折价率、纽约证券交易所成交量、 IPO 数量、 IPO 溢价率、分红溢价和新股发行占比，利用 PCA 提取第一主成分。后来，Huang et al.(2014) 在此基础上，选取六个指标中最相关的共有部分，使用偏最小二乘法（ PLS）重构一致投资者情绪指数。 公司过度投资指数 Arif et al.(2014) 发现市场中的总投资额可以衡量市场情绪，公司总投资的高峰期往往对应市场情绪的乐观时期，其在未来往往会带来负收益。 VIX 指数 (Volatility Index) 投资者恐慌指数 (Investor Fear Gauge)，是利用 B-S 公式根据 S&P500 指数期权数据推算出来的隐含波动率。当指数小于 20 时，投资者看多后市，不愿为持有的投资组合避险 ;当指数大于 20 时，投资者看空后市。 资料来源：国盛证券研究所 ， wind 2022 年 07 月 08 日 P.8 请仔细阅读本报告末页声明 根据上表整理的情况， 直接情绪指数主要是根据投资者 的问卷调查 ，通过扩散指数编制得到，目前在国内较难实现，数据获取难度 也 较大；间接 情绪指数主要通过市场交易数据和公司行为数据，通过 PCA 或者合成指数的方法构建，这个数据获取难度较低，具备较高的可行性。此外，上述的研究主要针对的是股票市场整体的情绪，而我们这里更加关心的是细分行业的市场情绪。因此间接情绪指数的方法更加适用，我们这里整理了一些市场行为的相关指标库，如下表。 图表 7： 国盛金工 行业情绪预警指数 的指标汇总 一级分类 二级分类 指标名称 市场表现 上涨下跌 MA20/60/120 强势股占比，腾落指数 (ADL)等 收益率统计特征 （时序 /截面 /Barra）波动率、偏度、峰度等 流动性 买卖压力、涨跌幅 /交易量、价量相关性等 相关性 Beta、资产集中度、行业内分歧度 价值偏离 估值分位数、估值离散度等 上涨下跌 MA20/60/120 强势股占比，腾落指数 (ADL)等 交易行为 普通交易者行为 换手率、成交金额、小单买入金额等 杠杆投资者行为 融资余额增速等 机构投资者行为 共同基金持股比例 /换手率（ Zhong 等）， 北向净卖出比例等 管理者行为 管理者乐观倾向 企业过度投资行为（ Arif 等） 流动性释放倾向 （ IPO+增发 -分红 -回购） /总市值变化 等 分析师行为 分析师覆盖 分析师过度覆盖、分析师乐观程度等 资料来源：国盛证券研究所 ， wind 然后，我们参考我们之前报告行业轮动的三个标尺中拥挤度指标的构建方法，根据细分行业个股的市场交易行为，自下而上的构建情绪指标。 一般而言，指数的编制思路无非三种：扩散指数、合成指数和主成分分析法。因为行业情绪触发到极端位置才有参考价值，所以不适宜采用扩散指数，主成分分析法存在参数不稳定的情况，因此我们这里采用合成指数。 整个指标构建流程化如下： 1） 个股映射到行业： 提取行业的所有成分股， 剔除上市不满一年、 ST、涨跌停等不满足交易条件的股票， 等权平均 剩下 成分股过去 3 个月 的情绪指标 （ 换手率、 波动率 、 beta 等 ） ，作为行业 整体 的 情绪指标； 2） 行业相对值计算： 对行业情绪指标进行时序上的平滑处理，然后 计算 其 与全部行业 平均值的比例 ； 3） 时序标准化处 理： 根据过去 6 年的滚动窗口，将行业 情绪指标 进行 zscore 处理，这一步的目的是为了不同行业之间的 情绪指标 具有可比性； 4） 截面等权合成： 采用合成指数的思路， 对 选取的行业情绪指标 的 zscore 进行算数平均处理，作为该行业最终的 情绪 指标； 2022 年 07 月 08 日 P.9 请仔细阅读本报告末页声明 图表 8： 行业情绪预警指数 编制流程 资料来源：国盛证券研究所 ， wind 经过 大量的 测试，我们 对原有指标进行了一定的扩展，提升了预警效果的稳定性， 选取的指标包括 ： 过去三个月换手率、（时序 /Barra）波动率 、 beta 值 ，指标具体的计算 方法如下表。 考虑到 Barra 波动率使用过去 1 年窗口计算，这里在波动率内部采取的权重为时间倒序加权，时序为 0.8， Barra 为 0.2。 图表 9： 国盛金工 行业情绪预警指数 的指标汇总 (+代表 太高则起到预警作用 ，数字为合成的权重 ) 指标类型 指标名称 计算 方法 收益率统计特征 时序波动率 (+0.8) 过去三个月个股日收益率的标准差 Barra 波动率 (+0.2) 0.74*dastd+0.16*cmra+0.1*hsigma，其中 dastd 为个股过去一年超额收益的波动率， cmra 为个股过去一年超额收益的离差， hsigma 是计算 beta 收益之时的残差收益率的波动率 个股 beta(+1) 过去三个月个股日收益率与 winda 指数的回归斜率 普通交易者行为 换手率 (+1) 过去三个月的平均交易量 /流通股本 资料来源：国盛证券研究所 ， wind 2.2、 行业情绪预警指数 的有效性检验 本小节我们对 行业情绪预警指数 进行有效性检验。我们设计 行业情绪预警指数 的初衷是尽可能地规避未来可能会下跌的行业，因此我们的检验方法包括：横截面 IC 值 检验 ，时间序列信号 超额收益 和最大回撤统计。 横截面上，我们测试了指标的 IC 值 ，即 截面上情绪指标与行业下个月收益率的相关性； 时间序列层面 ， 我们 计算 了 上出现情绪过热信号后，行业 的平均超额 收益 和最大回撤的幅度。 2.2.1、横截面 ： IC 值检验 这里我们分别统计了三大类指标及合成指标的 IC值、中位数及胜率等，发现在全样本下，IC 均值并无明显规律， IC 中位数为 -0.014，意味着大部分情况下行业情绪指标和未来收益负相关，不过不够明显，且胜率不高。那是不是意味着行业情绪指标失效了呢？其实不然，我们设计情绪指标的初衷是尽可能规避掉前期上涨导致市场情绪过热的行业。值 映射到行业 取行业的所有成 剔除上市不满一年 ST 涨跌停等不满足交易条件的 票 等权平均剩下成 过去 3 月的情绪指标 ( 换手率 波 率 b e t a 买卖压力等 ) 作为行业整体的情绪指标行业相对值计算 对行业情绪指标进行 序上的平滑处理 计算其 全部行业平均值的比例 序标准 处理 根据过去 6 年的滚 窗口 将行业情绪指标进行 z s c o r e 处理 这一步的目的是为了不同行业之间的情绪指标具有可比性截 等权 成 采用 成指数的思路 对 取的行业情绪指标的 z s c o r e 进行算数平均处理 作为该行业最终的情绪指标 2022 年 07 月 08 日 P.10 请仔细阅读本报告末页声明 得注意的是，这里面有个先决条件是前期上涨较多的行业。 众所周知，在行业基本面改善趋势形成的时候，往往市场情绪也会高涨，这时候市场情绪对资产价格起到了正向的推动作用。 因此，直接观察情绪指标与下一期行业收益的相关性不是很科学。 图表 10： 行业情绪指标及其细分项 IC 值测试 波动率 Beta 换手率 综合指标 全样本 IC 均值 0.015 -0.001 0.003 0.008 IC 中位数 -0.023 0.001 -0.010 -0.014 IC_胜率 53% 49% 53% 53% 行业趋势和情绪指标的相关性在 80%分位数以上 IC 均值 -0.065 -0.051 -0.084 -0.074 IC 中位数 -0.058 -0.020 -0.052 -0.088 IC_胜率 71% 52% 71% 62% 行业趋势和情绪指标的相关性在 90%分位数以上 IC 均值 -0.112 -0.125 -0.140 -0.133 IC 中位数 -0.102 -0.088 -0.150 -0.109 IC_胜率 80% 60% 80% 80% 资料来源：国盛证券研究所， wind 这里我们设计了一个指标： 行业趋势与行业情绪的相关性 （ Corr_Trend_Crowd） 。 理论上 ，当两者相关性高的时候，代表当前趋势较好的行业 可能 存在情绪过热的情况，行业 后续 可能上涨动能不足。我们对这个指标做了扩展窗口的分位数处理，发现当相关性较高（大于 80/90%）的时候， IC 值明显为负，并且胜率较高。 这意味着当前期热门行业存在情绪过热的时候，这些行业需要规避，情绪指标的有效性得到了较大的提升！ 这让我们更深刻地理解了行业情绪 指标存在的价值。它 可能无法直接给出不看好的行业，它能够 帮我们规避 掉前期表现较好 、 后续可能 大幅 回撤的行业 。这也就解释了 为什么 趋势 拥挤度策略 能够 跑赢简单趋势策略。 如下图， 简单的行业趋势策略年化 6.5%，但最大回撤达到 -17.4%，但是趋势 +拥挤度策略的年化超额达到 11.6%，最大回撤仅 -6.2%。 图表 11： 行业 趋势拥挤度策略超额 vs 行业趋势策略超额 资料来源： 国盛证券研究所， wind 00 . 511 . 522 . 532 0 1 3 2 0 1 4 2 0 1 5 2 0 1 6 2 0 1 7 2 0 1 8 2 0 1 9 2 0 2 0 2 0 2 1 2 0 2 2趋势策略超额 趋势拥挤度策略超额 2022 年 07 月 08 日 P.11 请仔细阅读本报告末页声明 2.2.2、时间序列：信号出现后的 超额收益 和最大回撤统计 这里，我们也从时间序列上探讨了行业情绪指标的有效性，主要观察其信号出现后行业的超额收益 和最大回撤的幅度。 这里我们定义情绪指标大于 1/2 倍标准差为该行业情绪过热，其中 return_m_stdn 代表情绪指标大于 n 倍标准差后 m 个月该 行业的超额收益，drawdown_m_stdn 代表绪指标大于 n 倍标准差后 m 个月该行业的 超额 最大回撤，空值代表该行业在历史上未出现大于 2 倍标准差的情况。 首先，超额收益的统计结果 如下图所示 。 平均来看 ， 行业情绪过热信号出现后 平均超额收益为负， 情绪指标超过 2 倍标准差后的三个月的平均超额收益为 -4%。行业层面，情绪指标 在消费、金融和稳定板块效果较好，成长和周期板块提示效果一般。 图表 12： 行业情绪过热信号出现后行业的超额收益 统计 资料来源： 国盛证券研究所， wind 其次，最大回撤的统计结果如下图所示。平均来看， 行业情绪过热信号出现后 的 超额收益 最大回撤基本超过历史平均，情绪指标超过 2 倍标准差后的三个月的平均最大回撤为 -11%，全样本平均为 -8%。行业层面，情绪指标 在大部分行业回撤的提示效果都还不错。 我们也展示了 全部行业 情绪指标和后 3 个月 超额收益 最大回撤的散点图， 如果用情绪指标超过 1 倍标准差定义为情绪过热， 可以看到历史上 行业 未来三个月最大回撤 超过 -25%的样本里，有 71%出现 在该行业情绪过热 后；而未来一个月最大回撤超过 -15%的样本里，有 69%出现在该行业情绪过热后 。也就是说，行业情绪指标可以帮我们尽可能规避一些行业的大幅回撤，风险提示效果还不错。 r et u r n _ 1 _ s t d 1 r et u r n _ 3 _ s t d 1 r et u r n _ 1 _ s t d 2 r et u r n _ 3 _ s t d 2平均 - 0 .0 1 - 0 .0 1 - 0 .0 2 - 0 .0 4石油石 0 .0 1 - 0 .0 2 0 .0 2 0 .0 0煤炭 0 .0 1 0 .0 3 - 0 .0 1 - 0 .0 1有色金属 0 .0 1 0 .0 1 0 .0 0 0 .0 4电力及公用事业 - 0 .0 2 - 0 .0 6 - 0 .0 4 - 0 .1 1钢铁 0 .0 1 - 0 .0 3 0 .0 0 - 0 .0 2基础 工 0 .0 2 0 .0 3 0 .0 3 0 .0 4建筑 - 0 .0 3 0 .0 1 0 .0 0 - 0 .0 1建材 0 .0 1 0 .0 1 0 .0 2 0 .0 5轻工 造 - 0 .0 1 - 0 .0 1机械 - 0 .0 1 - 0 .0 2 0 .0 1 - 0 .0 2电力设备及新能源 0 .0 0 0 .0 4 0 .0 0 - 0 .0 3国防军工 - 0 .0 1 - 0 .0 1 - 0 .0 3 - 0 .0 3汽车 - 0 .0 2 - 0 .0 1 - 0 .0 2 - 0 .0 3商贸零售 - 0 .0 2 - 0 .0 3 - 0 .0 1 - 0 .0 3消费者服务 - 0 .0 1 0 .1 2家电 - 0 .0 1 - 0 .0 2 - 0 .0 1 - 0 .0 1纺织服装 0 .0 1 0 .0 0医药 - 0 .0 4 - 0 .0 3 - 0 .1 5 - 0 .1 2食品饮料 - 0 .0 1 0 .0 2 - 0 .0 1 - 0 .0 3农林牧渔 - 0 .0 1 - 0 .0 6 - 0 .0 2 - 0 .0 7银行 - 0 .0 7 - 0 .1 5 - 0 .0 9 - 0 .4 0非银金 - 0 .0 4 - 0 .1 3 - 0 .0 8 - 0 .3 5房地 - 0 .0 2 - 0 .0 5交通运输 - 0 .0 1 - 0 .0 3 0 .0 0 - 0 .0 2电 - 0 .0 1 0 .0 0 0 .0 1 0 .0 3通信 0 .0 0 0 .0 1 - 0 .0 1 0 .0 2计算机 0 .0 2 0 .0 4 0 .0 3 0 .0 9传媒 0 .0 2 0 .0 2 0 .0 0 - 0 .0 4综 - 0 .0 1 0 .0 2 - 0 .0 8 0 .0 4 2022 年 07 月 08 日 P.12 请仔细阅读本报告末页声明 图表 13： 行业情绪过热信号出现后行业的最大回撤统计 资料来源： 国盛证券研究所， wind 图表 14： 散点图： 行业情绪指标 vs 未来一个月最大回撤 图表 15： 散点图：行业情绪指标 vs 未来 三 个月最大回撤 资料来源： 国盛证券研究所， wind 资料来源： 国盛证券研究所， wind d r a w d o w n_ 1 _ m ea nd r a w d o w n_ 1 _ s t d 1d r a w d o w n_ 1 _ s t d 2d r a w d o w n_ 3 _ m ea nd r a w d o w n_ 3 _ s t d 1d r a w d o w n_ 3 _ s t d 2平均 - 4 .1 % - 5 .2 % - 6 .1 % - 8 .1 % - 9 .7 % - 1 1 .2 %石油石 - 4 .2 % - 4 .0 % - 1 .3 % - 9 .4 % - 9 .7 % - 6 .3 %煤炭 - 5 .7 % - 8 .0 % - 7 .3 % - 1 1 .1 % - 1 2 .5 % - 7 .3 %有色金属 - 4 .6 % - 6 .8 % - 7 .2 % - 9 .2 % - 1 3 .5 % - 1 3 .2 %电力及公用事业 - 3 .1 % - 5 .1 % - 6 .3 % - 6 .5 % - 8 .7 % - 9 .0 %钢铁 - 4 .4 % - 4 .7 % - 3 .9 % - 9 .4 % - 1 0 .0 % - 1 1 .2 %基础 工 - 2 .5 % - 3 .2 % - 3 .4 % - 5 .2 % - 7 .3 % - 8 .4 %建筑 - 3 .9 % - 6 .3 % - 2 .1 % - 8 .0 % - 1 0 .8 % - 6 .4 %建材 - 3 .1 % - 3 .6 % - 2 .7 % - 5 .8 % - 6 .1 % - 3 .9 %轻工 造 - 2 .6 % - 2 .3 % - 5 .9 % - 4 .1 %机械 - 2 .4 % - 2 .5 % - 2 .1 % - 5 .0 % - 5 .2 % - 6 .0 %电力设备及新能源 - 3 .2 % - 4 .5 % - 5 .7 % - 6 .3 % - 8 .1 % - 1 0 .7 %国防军工 - 6 .0 % - 6 .9 % - 7 .7 % - 1 1 .2 % - 1 2 .7 % - 1 2 .6 %汽车 - 2 .8 % - 4 .0 % - 5 .2 % - 5 .6 % - 6 .1 % - 8 .4 %商贸零售 - 2 .9 % - 4 .0 % - 2 .6 % - 6 .2 % - 7 .6 % - 6 .0 %消费者服务 - 4 .6 % - 5 .6 % - 8 .2 % - 8 .1 %家电 - 4 .0 % - 4 .7 % - 4 .2 % - 7 .5 % - 6 .9 % - 5 .2 %纺织服装 - 2 .8 % - 3 .5 % - 6 .5 % - 6 .6 %医药 - 4 .4 % - 7 .2 % - 1 7 .3 % - 8 .1 % - 1 2 .1 % - 2 0 .2 %食品饮料 - 5 .1 % - 7 .1 % - 9 .0 % - 9 .6 % - 1 2 .3 % - 1 6 .9 %农林牧渔 - 4 .2 % - 6 .3 % - 7 .3 % - 8 .3 % - 1 4 .3 % - 1 5 .5 %银行 - 5 .7 % - 8 .6 % - 9 .1 % - 1 1 .8 % - 1 7 .7 % - 2 6 .0 %非银金