来源：华泰金融工程
林晓明 S0570516010001 研究员
李 聪 S0570519080001 研究员
王佳星 S0570119090074 联系人
报告发布时间：2020年6月2日
摘要
本文从行业内选股与业绩归因两个维度，实证了风格因子与行业的关系
本文作为全景画像系列第二篇，旨在探索风格因子与行业的关系，主内容包括：1、构建估值、成长、财务质量、杠杆、市值、beta、动量、波动率、换手率9大类总计53个因子；2、针对每个行业，筛选具备显著选股能力的单因子，并测试复合因子增强策略的表现；3、构建大类风格因子收益率，对行业历史表现进行业绩归因，梳理不同行业背后的核心驱动力。实证结果表明：1、基于风格因子构建的行业内选股模型能够有效增强行业轮动策略的表现；2、基于风格因子收益率对行业历史表现进行业绩归因，能够解释绝大部分的超额收益，说明风格因子是行业涨跌的底层驱动力。
行业内选股实证：单因子有效性筛选和复合因子增强策略表现
针对每个行业：1、通过IC值检验、分层测试、多空测试等手段筛选有效单因子，每个大类因子内部仅保留表现最优的1个单因子；2、基于ICIR加权法构建复合因子，测试行业内增强策略的表现。以跟踪误差小于10%，信息比率大于1为标准，增强效果比较显著的行业主要集中在中游制造和下游消费集群，包括基础化工、机械、交通运输、电力及公用事业、纺织服装、医药、汽车、商贸零售等行业；以信息比率低于0.8为标准，增强效果相对一般的行业主要集中在上游资源、大金融以及个股同质性较高的消费集群，包括银行、煤炭、家电、酒类、农林牧渔等行业。
行业配置收益来源分析：alpha和beta的视角
将行业配置收益来源分解为两部分：1、以目标行业相比于市场基准的超额收益衡量该行业的beta获取能力；2、以目标行业上复合因子选股策略相比于行业指数的超额收益衡量该行业的alpha获取能力。据此可将行业分为四个类别：1、alpha和beta双高，以医药、电子、计算机、通信为代表，是经济结构转型方向；2、alpha低但beta高，以酒类、家电、农林牧渔为代表，集中在业绩稳定的必须消费集群；3、alpha高但beta低，以机械、基础化工、建筑、有色金属为代表，是当前经济体的支柱行业；4、alpha和beta双低，以煤炭和银行为代表，通常作为基础配置盘存在。
行业历史收益业绩归因：考察风格因子对行业超额收益的解释能力
我们参考Fama和French（2015）的思路，基于风格因子对行业历史表现进行业绩归因：1、通过分层法构建了规模、估值、盈利、成长、波动、换手、动量七大类风格因子收益率，基于中证全指构建市场因子收益率；2、通过因子间相互回归分析来考察共线性风险，结果表明，盈利、波动、换手的贡献均可以被其他因子所解释，因此归因分析中剔除这三个因子；3、使用市场、规模、估值、成长、动量五个因子对行业历史表现进行业绩归因，并通过GRS统计量检验回归alpha是否联合为零，结果表明，这五个风格因子能够解释绝大部分的行业超额收益，是行业涨跌的核心驱动力。
行业历史收益业绩归因：考察各行业背后的核心驱动力
1、规模因子对19个行业有显著驱动力，其中计算机、电子、医药、机械等行业的暴露显著为正，银行、证券、保险、石油石化等行业暴露显著为负；2、估值因子对20个行业有显著驱动力，其中大金融、强周期板块是典型的低估值风格，TMT和消费医疗板块是典型的高估值风格；3、成长因子对11个行业有显著驱动力，计算机、传媒、医药、电力设备等行业是典型的高成长风格，建筑、交通运输、电力及公用事业等行业是典型的稳定型风格；4、动量因子对4个行业有显著驱动力，其中酒类暴露显著为正，趋势性较强；证券、建筑、电力公用事业显著为负，多为脉冲或震荡行情。
风险提示：模型根据历史规律总结，历史规律可能失效；业绩归因结论基于统计工具得到，在极端情形下或存在解释力不足的风险。
本文研究导读
基本面轮动系列报告主要聚焦于中观层面行业轮动研究，在首篇报告《确立研究对象：行业拆分与聚类》（2020-03-03）中，我们通过分析行业内成分股的基本面和股价分化，决定将食品饮料拆分成酒类、食品、饮料三个子行业，将非银行金融拆分成证券、保险、多元金融三个子行业；并基于蒙特卡洛模拟和最大生成树算法将拆分后的行业聚类成上游资源、中游材料、中游制造、可选消费、必须消费、大金融、TMT、公共产业八个主题板块，为后续系列报告确立了统一的研究对象。
自第二篇报告《行业全景画像：宏观因子视角》（2020-03-26）开始，我们将从四个维度对各个行业、板块进行全景画像：
1.宏观因子视角，考察增长、通胀、利率、信用、汇率等宏观因子对各个行业的影响；
2.风格因子视角，考察规模、估值、盈利、成长、动量等风格因子对各个行业的影响；
3.改进杜邦拆解视角，基于改进杜邦拆解方法分析各个行业的微观经营特征；
4.产业链视角，基于投入产出表分析各个行业的上下游关联关系及价值链地位；
本篇报告作为全景画像系列第二篇，主要考察风格因子与行业的关系。后文内容安排如下：第一部分将实证风格因子在行业内的选股效用，并测试行业内增强策略的表现；第二部分将从风格因子层面对行业历史表现进行业绩归因，梳理不同行业背后的核心驱动因素。
行业内因子选股实证分析
本节将以华泰多因子系列研究中覆盖的风格因子为基础，实证各行业内的选股表现，内容包括：1、通过IC值检验、分层测试、多空测试等手段筛选各个行业内的有效单因子；2、基于有效单因子构建行业内复合选股策略，实证其增强效果；3、梳理各行业alpha和beta获取的难易程度，以期对行业配置提供实操建议。
行业内单因子有效性分析
本文一共构建了估值、成长、财务质量、杠杆、市值、beta、动量反转、波动率、换手率9大类53个因子，为了使各个因子的测试结果可比，统一基于因子构建逻辑调整了因子方向，结果如下表。
行业层面研究对象包含：1、原中信一级行业中，剔除主营业务不明的综合行业，以及存续期较短的综合金融行业，剩余28个一级行业；2、按照报告《确立研究对象：行业拆分与聚类》中的结论，将食品饮料拆分成酒类、饮料、食品，将非银行金融拆分成证券、保险、多元金融，剔除存续期较短的饮料、食品、多元金融，以及成分股数量较少的保险行业，剩余酒类和证券两个子行业。
行业层面单因子有效性的筛选流程如下图，包含因子原始暴露计算、因子暴露预处理、因子有效性评估三步。
因子原始暴露计算：获取目标行业成分股作为基础股票池，剔除每个时间截面上上市未满1年、已退市、停牌、无交易等异常股票，根据表格3中列示的方法计算原始因子暴露。
因子暴露预处理：1、利用中位数去极值方法，调整每个时间截面上的极端数据，避免对市值正交时受到极端值的影响：
D_k:某个时间截面上，第k个因子在成分股上的暴露度序列
D_M: 序列D_k 的中位数
D_MAD: 序列|D_k-D_M |的中位数
(D_k ) ̃: 去极值处理后的因子暴露
2、利用去极值后的因子对市值因子（同样需要去极值）正交化，具体做法为，在每个时间截面上，将待处理因子的因子暴露对选定因子的因子暴露做线性回归，回归采用流通市值加权的加权最小二乘法（WLS），然后将回归的残差项作为正交化后的因子暴露；3、对去极值、正交化后的因子暴露数据进行标准化处理，统一因子暴露量纲：
d_nk^raw:第k个因子在第n只股票上的因子暴露
u_k:第k个因子在所有成分股上的因子暴露的市值加权均值
σ_k: 第k个因子在所有成分股上的因子暴露的等权标准差
d_nk: 标准化处理后，第n只股票对第k个因子的因子暴露
因子有效性评估：1、RankIC值检验，考察当期因子暴露与下期股票收益的相关性；2、分层测试，考察分层收益单调性，本文统一设置为5层；3、多空测试，检测多空收益稳健性，多头、空头持仓个股比例为20%。在筛选因子时，将因子年化ICIR大于1作为硬性标准，大类因子内部细分因子的优选则进一步考察分层测试和多空测试的结果。
后文中回测流程设置如下：
1.股票池：目标行业成分股，剔除每个时间截面上上市不满1年、已退市、停牌、无交易等异常股票。
2.回溯区间：2010-01-01 至 2020-04-30，以便确保区间内各行业都有足够的成分股。
3.截面期：每个自然月的最后一个交易日计算因子暴露度，按照自然月频率计算RankIC值序列，并进行分层回测和多空回测。
4.组合构建方式：等权配置。
5.评价指标：RankIC均值、RankIR比率、分层回测中每个组合的年化收益率、多空回测中的年化超额收益以及信息比率。
由于篇幅限制，这里我们仅以机械行业为例，展示单因子有效性筛选的结果：
1.财务质量因子中，ROE_q的RankIR和多空信息比率最高，分层收益近似单调。
2.规模因子中，小市值在机械行业上的表现较好，分层收益严格单调，多空年化收益25.9%，信息比率1.86，在所有因子中排名第二。
3.波动因子中，resvol的RankIR和多空信息比率最高，分层收益严格单调。
4.换手因子中，turn_1m的RankIR和多空信息比率最高，分层收益严格单调。
5.成长因子中，Profit_G_q的RankIR和多空信息比率最高，分层收益严格单调。
6.动量因子中，exp_wgt_return_6m的RankIR和多空信息比最高（在所有53个因子中也表现最好），分层收益严格单调。
7.估值因子中，EP的RankIR最高，分层收益严格单调，其多空收益最大回撤为14%，在所有53个因子中表现最好。
整体而言，机械行业中通过有效性筛选的单因子较多，其中，以动量、波动、换手为代表的量价类因子表现更好，exp_wgt_return_6m、resvol、turn_1m的RankIR均大于2，分层收益也都严格单调；基本面因子中，成长因子的表现更好，Profit_G_q的RankIR接近2，且多空收益的最大回撤较小；而杠杆类和Beta因子则没有通过有效性筛选。后文中，我们会进一步测试这些有效单因子复合后的选股效果。
下表给出了每个行业中有效单因子的筛选结果，其中，杠杆类因子和beta因子在所有行业上均未通过有效性检验，其他大类因子仅保留目标行业上表现最好的一个单因子：
1. 动量、波动、换手类量价因子在大多数行业上都具备显著的选股能力，尤其是动量因子，仅在酒类、银行、非银行金融三个行业上表现一般。
2. 估值、财务质量、成长类基本面因子的适用范围有所收窄。主要在基础化工、机械、电力设备及新能源、汽车、食品饮料、医药、轻工制造、电子、计算机、电力及公用事业等行业上体现出较为显著的选股能力。
3. 规模因子的适用范围相对较窄，仅在基础化工、机械、电力设备及新能源、纺织服装、轻工制造5个行业上体现出较为显著的选股能力。
从各行业上有效的因子个数来看：
1.基础化工、机械设备、电力设备及新能源、轻工制造四个行业上的有效因子数量最多，后文实证结果也表明，这些行业上的复合因子选股策略表现较好。
2.上游资源和大金融板块内的有效因子数量相对较少，说明这两个板块上通过选股获取超额收益的难度较大，后文实证中也支持这一推论。
3.非银行金融行业中经筛选没有一个有效因子，但是证券子行业上，估值、动量、波动率、换手率因子均体现出显著的选股能力，再次说明非银行金融行业内不同子行业间存在明显的逻辑分化，从侧面印证了报告《确立研究对象：行业拆分与聚类》中拆分该行业的必要性。
从各细类因子出现的频次来看：
1.规模因子具备显著选股能力的行业较少，而且都是一些小公司居多的行业，我们统计了行业内成分股平均市值与规模因子在该行业上的RankIR比率，结果表明两者之间存在显著的负相关，换言之，成分股平均市值越小的行业，规模因子越有效。
2.估值因子中，EP、BP的适用行业最多。其中，EP因子主要适用于以机械、电力设备及新能源、国防军工为代表的中游加工制造板块，以及电子、计算机、传媒为代表的TMT板块；BP因子主要适用于有色金属、建材为代表的强周期板块，以及银行、证券为代表的大金融板块。
3.财务质量因子中，ROE_q的适用范围显著高于其他因子，仅在大金融板块的子行业内没有显著的选股能力。
4.成长因子中，ROE_G_q、Profit_G_q、Sales_G_q的出现频次较高，仅在上游资源和大金融板块子行业中没有显著的选股能力，而这两个板块都是处于生命周期稳定期的行业，竞争格局已经相对固化，成长空间也已经不大。
5.动量因子中，exp_wgt_return_6m、wgt_return_1m的出现频次最高。
6.波动率因子中，resvol、std_1m的出现频次最高。
7.换手率因子中，turn_1m的出现频次最高。
后文中，我们将基于这些适用范围较广的因子构建大类风格因子收益率，并对行业历史表现进行业绩归因，考察每个行业背后的核心驱动力。
行业内复合因子选股策略实证
上一节展示了各个行业内有效单因子的筛选结果，本节我们将按照如下流程测试行业内复合因子选股表现，用来衡量行业内超额收益获取的难易程度：
1.针对行业内有效因子，进行预处理（剔除非成分股数据）、去极值（中位数去极值法）、正交化（剥离市值因子的影响）、标准化（统一因子量纲），获取处理后的因子暴露。
2.计算单因子RankIC序列，每月末以过去24个月的RankIR作为权重将单因子暴露加权，构建复合因子暴露。
3.取复合因子暴露最高的20%的股票构建多头组合，月末生成持仓，下月初调仓，考察多头组合相比于行业指数的超额收益获取能力。
仍然以机械行业为例，展示多因子选股策略的表现。结果表明，基于复合因子的选股策略表现良好，年化超额收益达到16.75%，信息比率1.8，相比于每个单因子都有显著增强。
进一步，考察每个行业上的复合因子选股表现（每个行业内有效的单因子集合参见图表8），结果表明：1、复合因子选股策略在所有行业上都能获得正的超额收益，以跟踪误差小于10%，信息比率大于1为标准，增强效果比较显著的行业主要集中在中游制造和下游消费集群中，包括基础化工、纺织服装、机械、电力及公用事业、汽车、交通运输、医药、商贸零售；2、以信息比率低于0.8为标准，增强效果相对一般的行业包括酒类、家电、银行、农林牧渔、食品饮料、消费者服务、煤炭，其中，煤炭和银行这类上游资源和大金融板块，成分股收益同质性较高，获取超额收益的难度本就较大，而酒类和家电这种大牛股频出的板块，个股间的收益分化度是比较大的，这里复合因子选股策略表现一般有可能是因为本文覆盖的因子维度有限，未来可能需要基于行业自身的逻辑进一步挖掘更加有效的alpha因子。
测试行业内选股策略表现具有重要的实践应用价值：
1.获取beta收益：当前市场上缺乏覆盖全面、流动性又好的底层资产来获取行业配置收益，截至5月25日，行业指数ETF一共有48支，其中规模大于10亿元的只有15支，且主要集中在金融、信息技术、医药和消费板块，覆盖面有限。
2.获取alpha收益：将行业配置观点落地到选股在获取beta收益的同时，可以通过挖掘有效因子进一步获得alpha收益，提升行业配置模型的业绩表现。
我们以报告《景气度指标在行业配置中的应用》（2019-09-12）中构建的景气度策略为例，展示将行业指数替换成行业内选股策略后的增强效果。具体而言，对于基础化工、纺织服装、机械、电力及公用事业、汽车、交通运输、医药、商贸零售8个选股效果比较显著的行业，将其指数价格序列替换成选股策略净值，重新进行景气度轮动策略的测试，相比于原策略，年化收益从12.90%提升至17.48%，夏普比率从0.46提升至0.64，增强效果显著。
行业配置收益来源分析：alpha和beta的视角
前文详细梳理了行业内选股策略的表现，本节将进一步对行业配置收益来源进行拆解分析：
1.beta收益：以目标行业指数相比于市场基准（本文统一以中证全指表征）的超额收益表现来衡量该行业的beta收益获取能力。
2.alpha收益：以目标行业上复合因子选股策略相比于行业指数的超额收益表现来衡量该行业的alpha收益获取能力。
通过拆解目标行业的配置收益来源可以获悉该行业受到投资者青睐或规避的原因。
第一类行业是alpha和beta双高，以医药、电子、计算机、通信为代表，这些行业一方面是经济结构转型中长期受益的行业，因此beta 超额净值过去十年整体平稳向上；另一方面这些行业内成分股分化较大，有充足的alpha获取空间。这是最受投资者的类别。
第二类行业是alpha低但beta高，以酒类、家电、农林牧渔、食品饮料为代表。这些行业主要集中在下游消费端，与人们的必须消费需求息息相关，因而业绩增长相对稳定，beta超额收益表现稳健，也是深受投资者青睐的类别。
第三类行业是alpha高但beta低，以机械、基础化工、建筑、有色金属为代表。这些行业主要集中在加工制造产业链中，是目前国民经济的主要支柱，但随着经济结构转型的不断深化，这些行业的地位会逐步减弱，因而过去十年的beta超额收益较低；但另一方面，这些行业已经处于生命周期的中后段，成分股数量众多，竞争格局相对稳定，受到的短期扰动较少，因而alpha收益表现比较稳健。目前大多数行业都处于该类别下，也即beta收益表现一般，但是可以通过行业内精选个股来弥补收益缺口。
第四类为alpha和beta双低，以煤炭和银行为代表。这些行业内成分股同质性非常高，超额收益获取相对困难，而且行业内竞争格局非常稳定，未来成长空间也已经不大，因此beta超额收益也有限。对于投资者而言，这类行业更多作为基础配置盘存在，获取主动管理（无论是择时还是选股）收益都比较困难。
综上，不同类别的行业适用不同的投资策略：
1. alpha和beta都高的行业是未来经济结构转型长期受益的方向，值得长期参与，且有较大的个股精选空间。
2. alpha低而beta高的行业多为必需消费品集群，业绩稳定性较高，适合紧抱龙头长期持有，尽量少做择时。
3. alpha高而beta低的行业多为加工制造类行业，是我国当前的经济支柱，适合精选个股，可以通过适当的波段操作增厚收益。
4. alpha和beta都低的行业多处于生命周期成熟或衰退阶段，行业格局比较稳定，通常作为基础配置盘存在（尤其银行这类权重股），适合通过低成本手段获取beta收益，获取选股超额收益则相对困难。
汇总全市场普通股票型和偏股混合型基金的持仓数据，统计各行业占比相比于中证800的超低配比例。结果表明，市场长期超配的行业包括医药、计算机、食品饮料、电子、家电，主要集中在前文第一类和第二类行业中；长期低配的行业包括煤炭、有色金属、银行、非银行金融、交通运输，主要集中在第三类和第四类行业中。而主动投资者相对低配的金融地产行业，在被动投资中却占据半壁江山，截止5月25日，全市场一共有48支行业指数ETF，其中有22支跟踪金融地产行业，占比近一半，再次说明，这类行业主要作为基础配资盘存在，需要的是低成本beta获取工具，通过主动选股获取超额收益则相对困难。
风格因子视角下的业绩归因分析
前文详述了各类风格因子在行业内选股的表现，本节将构建风格因子收益率，对行业历史表现进行业绩归因，梳理每个行业背后的核心驱动力。
风格因子收益率构建
我们将沿着Fama和French（2015）的研究思路来构建风格因子收益率，其核心原理就是沿着某一个或多个因子维度，将股票分层，然后用不同层股票的平均收益率做差，层间的差异实质上衡量了目标因子的收益效应。该方法得到的因子收益率量纲是统一的，相互之间具备可比性。
具体而言，风格因子收益率的计算步骤如下：
1. 根据前文统计结果，选取大类风格因子内部适用行业多、出现频次高的细类因子。其中，估值因子用EP和BP代理；盈利因子用ROE_q代理；成长因子用Sales_G_q、Profit_G_q、ROE_G_q代理；波动因子用std_1m和resvol代理；换手因子用turn_1m代理；动量因子用exp_wgt_return_6m、wgt_return_1m代理。
2. 每个月末，将细分因子暴露合成为大类风格因子暴露：a、以截面上全部A股作为股票池，剔除上市不满1年、已退市、停牌、无交易等异常股票；b、计算原始因子暴露，并进行去极值、正交化（对规模因子）、标准化处理，统一因子量纲后等权平均，得到大类风格因子暴露。
3. 基于规模因子和大类风格因子将全市场股票分成2x3=6个组合，通过计算不同组合间收益率的差值构建风格因子收益率。以估值因子为例：a、每个月月末，首先基于规模因子将全市场分成数量相等的大、小市值组合；b、在每个市值组合内，根据估值因子暴露的30%、70%分位数分成3层；c、每个组合内采用等权配置的方案，计算下个月组合收益；d、估值因子收益率就是低估值组合收益率((BH+SH)/2)减去高估值组合收益率((BL+SL)/2)。其他风格因子收益率的构建流程类似。
4. 规模因子收益率用小市值组合收益率减去大市值组合收益率来表征。
5. 市场因子收益率采用中证全指月度收益率序列来表征。
回顾各大类风格因子（不包含市场因子）的表现，在2017年以前整体都具备较强的选股能力，净值曲线都呈现出平稳上行的走势，2017年以后，规模因子最先失效，估值因子和量价因子（动量、波动、换手）在2019年以来也表现不佳，而以成长和盈利为代表的基本面因子近1年来表现亮眼。
从业绩指标来看，收益获取能力最强的是动量因子，年化收益超过20%，夏普比率高达2.12；表现最稳健的是成长因子，年化波动率仅为8.13%，最大回撤9.10%。
行业历史表现归因分析
业绩归因中需要基于风格因子收益率对行业指数收益率做多元线性回归，为了避免受到多重共线性的影响，需要分析因子间的相关性。我们仿照Fama和French（2015）中的做法，将每个因子对其他7个因子回归，如果该因子的回归截距项越接近0，拟合优度越接近1，说明共线性风险越高，在归因模型中需要剔除，或者进行正交化处理。实证结果表明，盈利、波动和成长因子的回归截距项T值均小于2，且拟合优度大于80%，说明这三个因子的绝大部分贡献可以被其他因子所解释，因此后文归因分析中统一剔除这三个因子。
对剩余的五个因子做相互回归分析，每个因子的回归截距项均显著大于0，且拟合优度均低于42%，共线性风险大幅缓解。
对行业指数收益率进行归因分析，具体设置如下：
1. 回归自变量：市场、规模、估值、成长、动量五因子历史收益率序列。
2. 回归因变量：行业指数月度收益率序列。
3. 回归区间：2005年1月至2020年4月。
4. 分析内容：各行业的超额收益是否能被风格因子所解释；各行业背后主要受哪些风格因子驱动。
归因结果表明，仅有纺织服装、轻工制造、证券、交通运输四个行业的alpha显著不为零（以T值绝对值大于2为标准），其他行业的超额收益都可以被这5个风格因子所解释，说明这五个风格因子确实蕴含了市场运行的核心驱动力。
进一步，通过GRS统计量来考察模型的联立解释性能。GRS统计量是检验一系列资产回归得到的alpha是否联合为0的统计量，原理如下：
1. 假设资产个数为N，资产收益来源于K个因子，样本数据包含T个月的数据，考虑以下多因子模型：
其中R_it为第i个资产在第t期的收益，R_F为无风险收益率，本文统一设置为零，α_i为超额收益，b_i为回归系数，λ_K,t为第K个因子在第t期的因子收益率。
2. GRS统计量构造方式如下：
其中a是资产回归的alpha列向量，λ为因子收益率的均值列向量，Ω ̂为因子收益率的协方差阵，Σ ̂是残差项的协方差阵。
3. GRS统计量服从F(N,T – N - K)的F分布，原假设是N个资产的alpha联合为0，也即 H_0 : a_1=⋯=a_N=0，在显著水平α下，GRS统计量如果小于F_α (N,T-N-K)，则不能拒绝原假设，也即认为每个资产的超额收益率都可以被这些因子所解释；反之则应拒绝原假设。由此可以看出，GRS统计量越小，模型解释力越强。
实证结果表明，在市场、规模、估值、成长、动量五因子模型下，GRS统计量为1.3，在5%置信度水平下不能拒绝原假设，换言之，五因子模型可以解释行业资产的绝大部分超额收益。对比之下，Fama-French三因子模型的GRS统计量为2.84，对行业的超额收益解释能力有限。
梳理各行业背后的核心驱动力（以回归系数绝对值大于2为标准），结果表明：
1. 规模因子对19个行业有显著的驱动力。当小市值风格占优时，纺织服装、计算机、轻工制造、农林牧渔、电子、消费者服务、电力设备及新能源、基础化工、建材、医药、商贸零售、汽车、电力及公用事业、机械往往具备较好的表现，这些行业多以小市值公司为主；当大市值风格占优时，银行、证券、保险、石油石化、酒类等行业往往录得超额收益，这些行业多以大盘蓝筹股为主。
2. 估值因子对20个行业有显著的驱动力。当低估值风格占优时，证券、银行、煤炭、保险、建筑、钢铁、交通运输、房地产、电力及公用事业等行业往往表现较好，它们主要集中在大金融、强周期板块；当高估值风格占优时，计算机、传媒、通信、国防军工、电子、医药、电力设备及新能源、消费者服务、轻工制造、基础化工、机械等行业往往表现较好，它们主要集中在TMT和消费医疗板块。
3. 成长因子对11个行业有显著的驱动力。当高成长风格占优时，传媒、计算机、医药、电力设备新能源、农林牧渔、轻工制造、机械具备良好表现，与高估值风格有一定的重合；当低成长风格（也即价值风格）占优时，电力及公用事业、建筑、交通运输、钢铁相对占优，主要集中在稳定类板块中。
4. 动量因子仅对4个行业有显著的驱动力。其中，酒类行业的暴露显著为正，说明该行业趋势性较强；证券、建筑、电力及公用事业半路显著为负，说明这些行业多为震荡行情或脉冲行情，趋势性不强。
风险提示
模型根据历史规律总结，历史规律可能失效；业绩归因结论基于统计工具得到，在极端情形下或存在解释力不足的风险。
免责声明与评级说明
公众平台免责申明
本公众平台不是华泰证券研究所官方订阅平台。相关观点或信息请以华泰证券官方公众平台为准。根据《证券期货投资者适当性管理办法》的相关要求，本公众号内容仅面向华泰证券客户中的专业投资者，请勿对本公众号内容进行任何形式的转发。若您并非华泰证券客户中的专业投资者，请取消关注本公众号，不再订阅、接收或使用本公众号中的内容。因本公众号难以设置访问权限，若给您造成不便，烦请谅解！本公众号旨在沟通研究信息，交流研究经验，华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。
本公众号研究报告有关内容摘编自已经发布的研究报告的，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。如需了解详细内容，请具体参见华泰证券所发布的完整版报告。
本公众号内容基于作者认为可靠的、已公开的信息编制，但作者对该等信息的准确性及完整性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。
在任何情况下，本公众号中的信息或所表述的意见均不构成对客户私人投资建议。订阅人不应单独依靠本订阅号中的信息而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。普通投资者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。
本公众号版权仅为华泰证券股份有限公司所有，未经公司书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。本公司具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。
林晓明
执业证书编号：S0570516010001
华泰金工深度报告一览
金融周期系列研究（资产配置）
【华泰金工林晓明团队】2020年中国市场量化资产配置年度观点——周期归来、机会重生，顾短也兼长20200121
【华泰金工林晓明团队】量化资产配置2020年度观点——小周期争明日，大周期赢未来20200116
【华泰金工林晓明团队】风险预算模型如何度量风险更有效-改进风险度量方式稳定提升风险模型表现的方法
【华泰金工林晓明团队】周期双底存不确定性宜防守待趋势——短周期底部拐头机会渐增，待趋势明朗把握或更大20191022
【华泰金工林晓明团队】二十年一轮回的黄金投资大周期——黄金的三周期定价逻辑与组合配置、投资机会分析20190826
【华泰金工林晓明团队】如何有效判断真正的周期拐点？——定量测度实际周期长度提升市场拐点判准概率
【华泰金工林晓明团队】基钦周期的长度会缩短吗？——20190506
【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（下）
【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（上）
【华泰金工林晓明团队】周期轮动下的BL资产配置策略
【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究
【华泰金工林晓明团队】市场拐点的判断方法
【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略报告（上）
【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型（四）——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型（三）——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型（二）——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型（一）——华泰金工周期系列研究
【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索
【华泰金工林晓明团队】市场周期的量化分解
【华泰金工林晓明团队】周期研究对大类资产的预测观点
【华泰金工林晓明团队】金融经济系统周期的确定（下）——华泰金工周期系列研究
【华泰金工林晓明团队】金融经济系统周期的确定（上）——华泰金工周期系列研究
【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列
行业指数频谱分析及配置模型：市场的周期分析系列之三
【华泰金工林晓明团队】市场的频率——市场轮回，周期重生
【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探
周期起源
【华泰金工林晓明团队】周期在供应链管理模型的实证——华泰周期起源系列研究之六
【华泰金工林晓明团队】不确定性与缓冲机制——华泰周期起源系列研究报告之五
【华泰金工林晓明团队】周期是矛盾双方稳定共存的结果——华泰周期起源系列研究之四
【华泰金工林晓明团队】周期是不确定性条件下的稳态——华泰周期起源系列研究之三
【华泰金工林晓明团队】周期趋同现象的动力学系统模型——华泰周期起源系列研究之二
【华泰金工林晓明团队】从微观同步到宏观周期——华泰周期起源系列研究报告之一
