来源：华泰金融工程
S0570516010001SFC No. BPY421 研究员
李 聪 S0570519080001 研究员
韩 皙 S0570520100006 研究员
王佳星 S0570119090074 联系人
报告发布时间：2020年11月05日
摘要
本研究基于财务报表、一致预期以及行业基本面数据构建行业景气度指标
本研究采用截面比较的方法进行行业景气度指标研究，主要内容包括：1、将业绩预告、业绩快报、正式财报和一致预期等数据进行汇总，构建单项行业景气度指标并评估其有效性；2、将收益高、相关性低的单项指标进行叠加，构建效果更稳定的复合景气度指标，并基于复合景气度指标构建行业轮动策略；3、采用行业基本面数据对景气度指标进行修正，进一步提高景气度策略的表现。实证结果显示，景气度指标展现出了较为稳定的行业选择能力，大多数的单项景气度指标都能够取得超越行业等权基准的收益率，多种数据组合后的复合景气度指标回测表现更加稳定可靠。
基于业绩和一致预期数据构建的景气度指标展现出了有效的行业选择能力
本研究基于企业业绩数据进行了定期业绩指标和即时业绩指标构建，基于一致预期数据进行了行业和个股层面一致预期指标以及关注度指标构建。根据历史数据回测结果，大部分景气度指标都能展现出有效的行业选择能力。在总计五类190个单项景气度指标中，有167个指标的多头组合年化收益率可以超越行业等权基准，有165个指标的调仓胜率在50%以上。各单项指标中，成本费用利润率指标回测收益最高，回测期间年化超额收益率可以达到5%以上；行业预期每股收益同比(CAGR)指标胜率最高，相对基准的调仓胜率可以达到67%以上。
将多个景气度指标复合可以增厚收益，构建更稳健可靠的行业轮动策略
将回测收益高、相关性低的景气度指标进行叠加，可以构建表现更加稳定的复合景气度指标。最终构建的复合指标由七个业绩指标、十个一致预期指标组成。基于复合景气度指标构建的五行业多头组合能够获得稳定的超额收益，从2010年至今每年的超额收益均为正，相比于行业等权基准的年化超额收益率可以达到13.07%，调仓胜率可以达到68.22%。景气度策略在各行业上发出信号的频率相近，没有明显的偏向性。从各行业配置胜率统计来看，景气度策略在成长、稳定、消费风格行业上胜率更高，这三类行业更适合通过观察景气度来进行配置。
纳入行业基本面数据可以进一步提高景气度策略的表现
采用时效性更强的行业基本面数据可以对景气度指标进行修正，进一步提高景气度策略的表现。我们以钢铁、煤炭、石油石化和基础化工四个行业为例，从行业主体和上下游关联行业两个角度汇总了大量的行业基本面指标，采用滞后相关系数检验以及择时测试等方法对指标进行进一步筛选。实证结果显示，行业基本面指标的加入能够提高景气度策略的时效性，对拐点的捕捉更加及时，可以提升景气度策略的回测表现。修正后的景气度策略回测年化收益率从19.26%提高到20.05%，相对基准胜率从68.22%提高到68.99%，多空胜率从70.54%提高到72.87%。
基于微观数据构建的景气度指标也能反应全市场景气状态变化
借助于行业景气度指标，我们还可以对整个市场所处的景气状态进行判断。统计结果显示，全市场景气行业个数呈鲜明的周期性变化，从2007至今经历了三轮以上的周期。每轮市场景气周期的平均持续时间在40个月左右，与实体经济基钦周期的长度相吻合。在基钦周期扩张期，处于景气状态的行业个数不断增加，两者变化节奏高度相关。行业景气度指标与微观企业经营状态和宏观经济状态都存在关联性，能够将微观企业基本面和宏观环境紧密联系起来。
风险提示：模型根据历史规律总结，历史规律可能失效。市场出现超预期波动，导致拥挤交易。报告中涉及到的具体股票不代表任何投资意见，请投资者谨慎、理性地看待。
报告正文
本文导读
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，我们进行了行业拆分与聚类研究，为后续系列报告确立了统一的研究对象；在《行业全景画像：宏观因子视角》（2020-03-26）之后的四篇报告中，我们分别从宏观风险、中观风格、微观经营模式和产业链上下游关系四个视角进行行业画像分析，力求从不同维度对各行业的核心驱动因素进行梳理。在第六篇《行业配置策略：宏观因子视角》（2020-08-04）和第七篇报告《行业配置策略：趋势追踪视角》（2020-08-31）中，我们分别从宏观因子和趋势追踪策略角度进行行业配置策略的研究。
本篇报告作为基本面轮动系列的第八篇，也是行业配置策略子系列的第三篇，将从景气度追踪的角度进行行业轮动策略研究，具体内容将分成以下三部分：
基于业绩预告、业绩快报、正式财报和一致预期等微观数据构建了总计五类190个景气度指标，验证这些指标在行业配置上的效果。
将回测表现优异且相关性低的多个单项指标进行复合，构建行业选择能力更强的复合景气度指标。
以典型行业为例，采用行业基本面数据修正景气度指标（比如产品价格指数等），通过提升景气度指标的时效性进一步提高行业轮动策略的表现。
基于业绩和一致预期数据的行业景气度指标构建
行业景气度指标构建思路
景气度指标主要用于分析市场的繁荣程度，对行业景气度的定量刻画能够帮助我们构建稳健的行业轮动策略。业绩数据和一致预期数据是我们用于构建行业景气度指标的两个主要维度。一般来说企业经营业绩是用于描述行业景气状态最直观的指标，业绩指标的改善往往意味着景气度的提升。除此之外，分析师一致预期数据是专业人士对企业经营状态给出的评估，一致预期数据的提高也说明市场情绪向好、景气度预期改善。
在前期报告《景气度指标在行业配置中的应用》（2019-9-12）中，我们已经证明企业经营业绩和一致预期等数据可以有效反应行业景气度变化情况。本篇报告将在前期工作基础上对景气度指标库进行扩充，提高基于景气度的行业轮动策略表现，改进内容主要涉及到以下几个方面：
从现金流量、偿债能力和营运能力等角度对业绩指标库进行扩充，从前期报告的10个基础指标扩充到现在的47个指标。
将朝阳永续一致预期数据替换为wind一致预期数据，补充12个月滚动预测数据、复合增长率等多种类型一致预期指标的回测表现。
增加了一致预期关注度类指标，通过市场关注度的变化进行行业景气度判断。
具体来说，在本研究中我们将进行五类景气度指标的构建：
定期业绩指标：基于个股正式财报构建，通过整体法将个股数据合成行业指标。正式财报覆盖所有上市公司，包含信息量非常丰富。
即时业绩指标：基于业绩预告、业绩快报以及正式财报三种财务报表数据进行构建。在计算过程中纳入业绩预告和业绩快报数据，可以提高业绩指标的时效性。
行业一致预期指标：基于行业一致预期数据计算，根据行业一致预期数据的变化情况生成行业指标。
个股合成一致预期指标：基于个股一致预期数据计算，筛选有分析师覆盖的个股一致预期数据，通过汇总成分股数据变化情况来分析行业表现。
关注度指标：基于关注度类一致预期数据计算，通过市场关注度的变化判断行业景气度是否改善。
行业景气度指标构建方法
构建景气度指标进行行业配置的方法和股票多因子模型类似，主要思路是从基本面等基本属性出发，寻找对行业截面收益率有区分能力的因子。但是行业配置策略和股票策略的差异非常大，想要构建有效的行业指标需要注意以下两个问题：
首先，注意指标在行业间的可比性。不同行业存在规模和经营模式上的差异，绝大多数行业的业绩数据或是一致预期数据无法直接进行比较。比如成长类行业整体业绩弹性更大，直接比较净利润同比增长率容易导致偏配成长行业。我们需要对行业数据进行统一口径处理，比如可以对净利润同比增长率再做环比来作为景气度观察指标。
其次，注意不同期数据比较时行业内成分股变化带来的影响。行业内成分股随时间不断变化，新股上市可能会让行业整体业绩增长，但这并不能说明行业景气度有了实质性改善。不同期数据比较时，我们会将前后两期时间截面上的成分股进行对齐，在可比口径下计算景气度指标的变化情况。
在景气度指标构建过程中，直接比较业绩指标或是一致预期指标的数值大小很难保证不同行业的可比口径统一。为此，我们将景气度指标形式进行简化，所有的景气度指标数值被限定为1、-1和0三种形式，分别表示对行业看多、看空和无观点三种观点状态。一般如果企业业绩或是一致预期指标出现增长时我们会对行业给出看多判断，反之则看空。
以销售毛利率环比增量指标为例：只要某个行业销售毛利率环比上涨，就可以将其景气度状态置为1，表示看多；反之如果行业整体毛利率下降，就可以将其状态置为-1，表示看空；环比持平或是数据缺失的情况可以记为0。后文中我们将详细介绍每类景气度指标的构建方法。
指标有效性测试
单指标检验
单指标检验着重评估景气度指标对于行业状态的判断是否有效。我们将所有标1的行业算作多头组合，标-1的行业算作空头组合，标0的行业作为空仓。一般情况下，我们通过多空头持仓相比于行业等权基准的超额收益或是多头持仓胜率来判断指标的效果。
在后文给出的所有测试中，回测时间区间统一设定为2010年1月1日至2020年9月30日。行业景气度信号为月频，一般在每月最后一个日历日生成信号，下月第一个交易日进行调仓。单项指标测试过程没有计算手续费，只进行有效性判断。关于具体配置的底层行业，我们直接采用了前期报告《确立研究对象：行业拆分与聚类》（2020-03-02）中的研究成果，将食品饮料和非银行金融两个一级行业拆分为二级子行业，以33个一二级混合的行业集合作为研究对象。
复合景气度指标构建以及检验
在单项景气度指标的构建过程中，我们已经将其数学形式简化为1、-1和0三种状态以便于进行叠加。每个单项指标相当于从特定角度对行业进行打分。对单项指标进行复合的过程，就相当于将不同角度的打分进行累加后得到总得分。最终构建的行业复合指标包含了多个维度的信息：
首先，复合指标可以给出单个行业景气度变化情况，定量描述行业所处的景气状态。
其次，对不同行业景气度进行对比，从投资的角度可以优先选取景气度较高的行业，博取行业层面的超额收益。
最后，通过对所有行业景气度的汇总，可以得到全市场目前所处的景气状态，从微观数据出发构建的景气度指标可以与宏观经济状态相互印证。
复合景气度指标的验证则更加全面，我们从多个角度考察其有效性：
多空测试：依据复合景气度构建多空组合判断策略有效性。
偏向性测试：分析策略在各行业的持仓偏向性，判断是否过度依赖某些行业。
分层测试：根据景气度指标将行业分成五层持仓组合，判断不同持仓组合单调性。
手续费测试：测算策略对手续费的敏感程度。
单项行业景气度指标测试结果
定期业绩指标
本节我们将逐一介绍本文构建的五类行业景气度指标具体构建思路以及测试结果。第一类定期业绩指标主要通过正式财报数据进行构建，命名为“定期”主要是因为指标需要汇总行业内所有公司的正式财报数据构建，只能在财报发布截止日进行计算。正式财报披露了公司非常全面的财务信息，能够全面反应行业业绩变化情况。本研究从盈利能力、收益质量、现金流量、资本结构、偿债能力、营运能力、成长能力七个维度进行财务指标构建。
特别需要说明的是，各项业绩指标变化方向和行业景气度的关联性需要通过逻辑判断进行确定，在下表中我们对各业绩指标的方向做出了规定：一般情况下认为营收利润、现金流、资产等指标和景气度变化正相关，成本和费用类指标和景气度变化负相关。考虑到金融企业的会计核算方式和一般企业有差别，涉及到企业成本、负债以及现金流相关指标的计算时，我们对金融行业进行了剔除。
将原始业绩指标转换为行业景气度指标的详细过程如下：
将个股财务数据通过整体法汇总成行业指标，再对行业指标进行同比或环比变换，计算季度数据之间的差值：
（1）对于比率类型的指标，若分子或分母涉及利润表和现金流量表中的会计科目，对其进行TTM转换后，采用环比增量的方式计算。若指标分子、分母全部为资产负债表科目，则不用计算TTM指标，对其当期值采用同比增量的方式计算。
（2）对于数值型指标，计算其TTM指标的同比增长率增速（同比增长率的环比增量），注意在计算增速时需要对前后两期的成分股进行统一。
行业指标调仓频率设定为月频，在每个月末给出对所有行业的多空观点。每个行业指标的配置观点简化为看多、看空以及无观点三种类型，分别采用1、-1和0进行标注。
若业绩指标与行业景气度正相关，对环比或同比财务数据增加的行业看多，反之则看空；没有变化的行业标为0，表示不给出配置意见。
只取一季报、半年报和三季报的数据进行计算，三种正式财报对应的截面日期分别为4月份、8月份和10月份的最后一天。其他月末日期对应的信号采用向后填充的方式补充。
定期业绩指标回测结果
七类定期业绩指标平均回测收益率和调仓胜率存在明显的分化。总体来看，成长能力、资本结构、盈利能力、营运能力类型的业绩指标表现较好，偿债能力和现金流量类指标效果相对较差，平均胜率没有超过50%。
从单个指标回测表现来看，能够有效衡量行业景气度的定期业绩指标主要有两类：
一类是和利润以及营收相关的经营业绩指标，业绩向好的行业往往能够获得正超额收益。与利润挂钩的净利润增速、ROE、成本费用利润率、净利率等指标都有不错表现，和营收挂钩的营收增速、总资产周转率等指标回测收益也比较高。
二是和资本结构以及偿债能力相关的指标，比较典型的就是资产负债率。一般而言，个股层面资产负债率是个双刃剑指标，资产负债率过高的个股可能存在资不抵债的风险。但是在行业层面，资产负债率是个典型的正向指标，负债越高的行业意味着处于扩张状态，往往具有较好的市场表现。
单个指标中回测表现最好的是成本费用利润率，此指标衡量的是企业净利润与营业成本和费用之比，表征单位成本费用下企业的利润获取能力。成本费用利润率年化超额收益率可以达到5.33%，调仓胜率可以达到62.79%。
即时业绩指标
基于正式财报构建的景气度指标一年只能给出三次调仓信号，时效性相对较弱。如果把业绩预告和业绩快报中提前公布的数据与正式财报有机结合，可以有效提高业绩指标的时效性。业绩预告主要内容是给出企业预测净利润的上下限，业绩快报会提前公布企业的归母净利润、基本每股收益、营业收入、营业利润、利润总额和净资产收益率指标。第二类即时业绩指标就是以上述三种报表数据为基础进行构建。
纳入业绩预告和业绩快报最大的问题在于不同类型报表的发布时间参差不齐。举例来说，每年的四月份是一季报和去年年报的业绩发布截止日，但是部分公司已经披露了半年报的业绩预告，如果一直采用最新数据计算将会对不同季度报表进行跨期对比。
为了同时兼顾发布数据的准确性和时效性，我们在构建指标时，每个月份只对规定的报表进行统计。考虑到业绩预报和业绩快报的发布时间不同，在采用三种报表或两种报表进行复合时，需要对每个月份观察的报表分别做出详细规定。每月具体是观察一季报、半年报、三季报或是年报，需要结合三种财务报表发布时间进行判断，尽可能选择时效性较强以及发布比例较高的财务报表。
即时业绩指标的详细构建过程如下：
由于业绩预报只包含归母净利润数据，所以本研究在构建归母净利润指标时采用了三种报表数据，构建其他指标时只采用业绩快报和正式财报两种报表数据。
基于三类报表的发布日期，在每月底对于所要观察的报表进行个股数据汇总（比如八月底观察半年报），分别得到归母净利润、营业收入、营业利润、利润总额、基本每股收益的同比增长率和净资产收益率的同比增量。在数据优先级上，优选选择正式财报，其次是业绩快报，最后是业绩预告，三种报表数据都没有发布时设为空值。
在每个月度时间截面上，计算行业内业绩增速提升的个股占比，具体计算方式为：对于净利润等数值类指标，计算业绩同比增长率提升的个股总数与发布业绩个股总数之比；对于ROE等比率类指标，计算其同比增量大于0的个股占比。注意在计算同比增长率增速时参考的是上季度财务报表，如果正式财报尚未发布则选择业绩快报或业绩预告数据进行代替，三种报表都没有记为空。
如果一个行业内半数以上的个股业绩增速提升，对此行业看多，反之则看空。如果行业内发布财务报表的个股少于五个，不给出配置观点。
即时业绩指标回测结果
最新的计算结果显示，除了tmp_roe指标外，其余所有指标的回测年化收益率都超越了行业等权基准。表现最好的都是基于营业利润和利润总额构建的tmp_op和tmp_ebt，回测年化收益率分别可以达到2.04%和1.95%。
行业一致预期指标
第三类景气度指标是行业层面的一致预期指标。一般说来，如果行业一致预期数据同比增大，说明分析师整体提高了对于行业的预期，意味着景气度有所提升。行业层面的一致预期指标构建过程如下：
将日频一致预期数据进行降采样，取每月最后一个日历日数据构建月频指标。对月频行业一致预期数据进行同比变换，计算每月数据和去年同期数据之差。
将一致预期数据同比增大的行业标为1，表示看多，反之则看空。对于同比没有变化的行业不给出多空建议。
本研究将讨论不同类型的一致预期数据回测效果。以一致预期营业收入为例，我们将考虑采用FY1（最近预测年度预期数据）、FY2（下一预测年度）以及FTM（未来12个月预测数据）等不同的数据类型进行计算，后文将讨论不同类型一致预期数据的回测效果。
本研究采用了万得一致预测（滚动）库中的业绩类指标进行计算，具体涉及到11类一致预期数据。后文中的个股一致预期数据也和行业层面完全一致。
万得一致预测滚动库中存在多种可调用的数据类型，首先对于基础类型的一致预期数据来说，有三种类型数据可供选择：
FY1：分析师对个股最近预测年度预测数据的算术平均值，最近预测年度为研究报告中最早的预测年份，简单来说就是最近的尚未公布年报所处年份。
FY2：分析师对个股最近预测年度次年预测数据的算术平均值。在年报公布之后，FY2数据会转换为FY1数据。
FY3：分析师对个股最近预测年度后两年预测数据的算术平均值。
万得中的预期数据年份切换以年报实际披露日为界限，主要发生在2-3月份年报发布高峰期。为了避免不同年份预期数据跨期对比，我们构建了FY1FY2类型数据，以FY1类型数据为基础，将每年二月底和三月底的FY1数据替换成FY2进行计算。
除上述基础数据类型外，万得还提供了三种衍生数据类型：FTTM：表示未来12个月的预测数据，主要思路是按照当前所处日期为界限把本年和次年一致预期数据加权。按照当前日期所在年剩余天数作为本年一致预期数据加权权重，将“365-当前日期所在年剩余天数”作为次年一致预测数据加权权重计算。
YOY：表示一致预测数据的同比增速，计算的是最近预测年份的一致预测数据FY1相对于最近已公布的年报数据FY0的增长率，即(FY1-FY0)/FY0。
行业一致预期指标回测结果
行业一致预期指标总体回测效果比较稳定，总计63个行业一致预期指标中，有58个回测年化收益率超过行业等权基准且相对基准胜率在50%以上。具体构建的七种类型一致预期数据回测表现有一定差异：
基础类型指标中，FY2类型指标平均回测收益率最高，FY3类型指标居次。两相比较来看，FY2类型数据预测年份比FY3更近，准确性更高。四种基础类型数据中我们推荐采用FY2数据进行计算
衍生类型指标中，CAGR类型指标回测表现优于YOY和FTTM。这三类指标中推荐采用CAGR数据进行计算。
所有的FY2和CAGR类型行业一致预期指标都能取得超越行业等权基准的收益率。其中表现最好的是预期净资产收益率同比指标(FY2)，多头回测年化超额收益率达到4.39%，调仓胜率可以达到65.12%。
个股合成一致预期指标
第四类景气度指标为个股合成一致预期指标，此类指标的构建方式：首先调用个股层面的一致预期数据合成行业整体数据，接下来判断合成后的一致预期数据同比是否有所提升。具体过程如下：
将个股层面的一致预期数据合成行业数据，数值类型的一致预期指标通过整体法合成行业数据，比值类型的一致预期数据通过流通市值加权进行合成。
对合成后的一致预期数据进行同比变换，计算当月数据和去年同期数据之差。对于同比计算差值大于零的行业，即一致预期数据同比增加的行业标为1，表示看多，反之则看空。行业内个股预测数据不足五个时记为0。
最终构建的个股合成一致预期指标种类与行业一致预期指标保持一致。基础类型数据包括FY1、FY2、FY3以及合成的FY1FY2类型，衍生类型数据包括CAGR、YOY和FTTM三种类型。
个股合成一致预期指标回测结果
个股合成一致预期指标回测结果也较为稳定，总计67个指标中，有63个回测年化收益率超过行业等权基准，有64个调仓胜率在50%以上。不同数据类型测试中，基础类型中的FY2和衍生类型中的CAGR指标表现相对较好，多头回测平均收益高于其他类型。这个结论和行业层面的一致预期指标测试结果保持一致。单项指标中个股预期每股收益增长比率同比(CAGR)表现最好，年化超额收益率达到4.45%，调仓胜率达到62.79%。
关注度指标
最后一类景气度指标为关注度指标，此类指标主要通过预测机构家数或是机构评级变化来判断行业整体关注度变化情况，行业整体关注度上升也往往意味着景气度处于向上的状态。本文构建的关注度指标都通过流通市值加权的方式将个股数据合成为行业数据。根据具体的数据类型，我们构建了总计七个关注度指标，具体如下：
第一类是业绩调高占比指标。主要计算预期业绩调高家数在总预测家数中的占比变化情况。当业绩调高家数占比同比上升时，意味着行业内个股整体的预期业绩更被看好，景气度改善的预期较高。这里我们取两个典型的预期业绩数据进行指标构建：净利润调高家数占比同比和主营业务收入调高家数占比同比
第二类是评级调高占比指标。主要以分析师评级数据为基础，根据分析师评级数据的改善情况，我们可以判断机构对于行业整体的景气度预期，具体构建了四个指标：
a) 买入评级家数占比同比：计算评级数据中买入评级占比的同比变化情况
b) 增持以上评级家数占比同比：计算买入和增持以上评级占比的同比变化情况
c) 评级调高家数占比同比：计算分析师调高评级占比的同比变化情况
d) 一致预期综合评级同比：计算一致预期综合评级的同比变化情况
第三类是覆盖机构家数指标。行业内个股平均覆盖机构家数越高，往往意味着市场关注度有所上升，也是景气度上升的表现。因此，我们构建了预测机构家数同比增长率这个指标来反应机构关注度的变化。
上述七个指标生成行业观点的方式相同，同比增加的行业记为1，表示看多，反之则看空。行业内个股关注度数据不足五个时记为0。
关注度指标回测结果
从回测结果上来看，七个关注度类指标中有五个回测收益超过了行业等权基准。第一类业绩调高占比指标回测效果更稳定，其中净利润调高家数占比同比指标收益最高，主营业务收入调高家数占比同比指标收益排在第三位。表现最好的净利润指标回测收益最高，超额收益率可以达到4.75%，调仓胜率也能达到63.75%。
复合行业景气度指标测试结果
复合指标构建方法
将单项景气度指标进行复合，可以增厚景气度指标的收益，有效提高策略表现。每个单项指标相当于从特定角度对行业进行打分，将单项指标复合就等同于将不同角度的打分进行累加，最终构建的复合指标分数越高，意味着行业景气程度越高。
指标复合过程中，我们优先筛选回测收益较高的单项行业景气度指标，在此基础上控制纳入指标的相关性，保持最终入选的指标间相互独立，详细的构建步骤为：
1. 将所有单项景气度指标按照回测年化收益率进行排序，优先纳入收益最高的单项指标。
2. 按照年化收益排序逐一选择单项指标，如果新指标和指标池中现有指标的相关系数小于0.5，则将此指标纳入指标池。
3. 重复上述过程，直至对所有单项指标进行计算。
复合景气度指标回测结果
经过上述过程的计算，我们最终筛选出了总计20个年化超额收益率在1%以上、超额收益相关系数在0.5以下的单项景气度指标。按照年化超额收益率排序逐个纳入单项景气度指标进行复合景气度指标的构建。
每个行业的复合景气度指标是一个在0附近波动的数值。景气度大于0意味着当前行业处于景气状态，而且数值越大表示行业景气程度越高。在每月换仓时，我们会选景气度最高的五个行业作为多头，出现相同得分时会优先配置上个月景气度得分更高的行业。测试结果显示：复合景气度的回测表现和纳入的单项指标个数密切相关。纳入的单项指标个数越高，复合景气度指标的多头回测结果越稳定。在纳入10个以上指标时，复合指标的回测年化收益率稳定在15%左右。
我们最终选取17个指标进行复合景气度指标的构建，此时策略的回测收益率和胜率相对较高，多头组合年化收益率可以达到19.21%，相比行业等权基准提升13.07%，调仓胜率可以达到68.22%。从月度和年度统计来看，2010年至今每年策略的多头组合年化超额收益都为正，展现出稳定的收益能力。此外，复合景气度指标对行业的区分度也比较高，空头组合的年化收益率比行业等权基准低10.24%。
与前期报告《景气度指标在行业配置中的应用》（2019-9-12）的景气度策略相比，本文改进后的景气度指标回测效果有较大的提升。特别是多头回测表现有明显改善，在相同的时间区间内（2010年1月1日至2020年9月30日），改进后的景气度策略回测年化超额收益率从8.36%提升到13.07%，相对基准的调仓胜率从66.67%提高到68.22%。
最终构建的复合景气度指标也呈现出显著的分层效果。分五层测试的结果显示，从分层一到分层五回测年化收益率、夏普比率和调仓胜率都呈现出明显的单调性。策略本身对手续费敏感度较低，每增加千一手续费，多头组合回测收益下降0.7%-0.8%。
景气度策略在所有行业上都发出过配置信号，对各行业上发出信号的频率相近，没有明显的偏向性。我们统计了景气度策略（五行业多头组合）在各行业的配置胜率，即各行业获得正超额收益次数与被景气度模型选中总次数之比。结果显示，成长、稳定、消费风格行业的配置胜率更高，这三类行业更适合通过观察景气度来进行配置。
景气行业数目的变化符合基钦周期变化规律
借助于行业景气度指标，我们不仅可以对行业景气度变化过程进行定量分析，还可以对整个市场所处的景气状态进行判断。通过对景气度大于零的行业个数进行统计，可以看到全市场景气行业数呈周期性变化：当市场处于繁荣期，有半数以上的行业景气度大于零；当市场处于衰退期，景气行业个数明显较小，只有个位数行业景气度大于零。
通过对比来看，市场景气行业个数从2007至今经历了三轮以上的周期性变化，每轮周期的平均持续时间在40个月左右，与实体经济基钦周期的长度相吻合。其中，基钦周期是基于信号处理算法从CRB综合现货指数中提取而来，刻画了宏观供需层面的景气波动，而本研究提出的市场景气周期则通过企业微观数据合成，刻画了微观经营层面的景气波动，两者都能观察到经济系统相似的周期波动。行业景气度指标与微观企业经营状态和宏观经济状态都存在关联性，能够将微观企业基本面和宏观环境紧密联系起来。
基于行业基本面数据对景气度进行修正
行业基本面指标初步选取
以业绩和一致预期数据为主的传统景气度指标存在一定滞后性。很多行业可以预先通过产品价格、产量等基本面数据进行观察，提早做出景气度向好或是变差的判断。行业基本面指标主要指中观层面常用于观察行业景气度的重要数据，往往比财报或一致预期数据时效性更强。如果能够结合行业基本面数据对景气度进行修正，有助于提高景气度指标的时效性，进一步提高行业配置策略的表现。
很多行业基本面数据和行业景气周期密切相关，能对景气度指标起到补充作用。举例来说，基础化工行业景气度呈现显著的周期性变化，比如2010-2012，2014-2015以及2017-2018年行业整体处于景气度较高状态。与此同时我们可以观察到，以环氧丙烷为代表的化工产品市场价格和行业景气度密切相关，两者变化呈现出鲜明的同步性。统计结果上来看，环氧丙烷的市场价格同比变化领先于化工行业景气度变化4-5个月的时间。基于环氧丙烷的价格同比，我们可以对基础化工行业景气度进行修正，提高景气度策略的时效性。
本小节的主要工作是采用行业基本面数据修正前文构建的复合景气度指标。不过行业基本面数据种类繁多、鱼龙混杂，为此我们规定初步筛选的行业基本面指标需要兼具以下两个特征：
相关性：我们采用的行业基本面指标一定要符合行业景气变化特征，需要和前文构建的复合景气度之间存在一定的相关性。
时效性：行业基本面指标的主要优势在于其时效性。最终筛选的行业基本面指标需要对景气度变化提供准确的前瞻性判断。我们主要利用行业基本面数据的时效性来对景气度指标的边际变化进行修正，提高景气度策略的响应速度。
具体到备选指标范围上，我们将所有行业层面与景气度有一定关联性的基本面指标都纳入了分析范畴，从行业主体和上下游行业需求两个角度进行指标搜集：
首先从行业主体层面寻找表征景气度的基本面指标。我们关注行业主要产品的价格、产量和库存情况，也关注行业内企业的货物周转量和运营成本。此外，PPI、PMI等行业层面的统计指标也可以有效表征景气度变化情况。
其次关注行业上下游行业带来的影响。我们关注上下游行业主要产品价格、产能以及企业开工率等指标变化情况。上游供给量和下游需求量的增加，都可以有效带动行业景气度上行。
本文以钢铁、煤炭、石油石化和基础化工四个逻辑较为清晰的行业为例进行计算。下表给出了各行业典型的基本面指标示例。附录中给出了各行业详细的指标列表，本文中所有行业基本面指标都可以通过wind终端下载。
行业基本面指标有效性筛选
我们希望最终筛选出的行业基本面指标和上一节构建的复合景气度指标存在关联性，还能对景气度指标进行修正以提高其时效性。具体来说，我们主要通过以下流程进行基本面指标的处理和筛选：
数据预处理：将多种行业基本面数据的形式进行统一。我们将行业基本面数据统一转化为月频，便于和前文给出的景气度指标进行复合。原始的基本面数据存在日频、周频和月频三种不同类型，对于其中日频数据我们直接取月末最新数据计算；周频数据存在滞后性，需要向后平移一周再取每月最新值进行计算；月频数据也向后平移一个月，即取上个月数据作为最新值计算。
此外我们将所有基本面数据都转化为固定调仓信号，一般基本面数据同比增大时就记为1，减小时记为-1，数据缺失信号就沿用前值。部分有参照基数的数据需要结合参照基准进行判断。比如PMI数据大于50时信号记为1，小于50记为-1。
滞后相关系数检验：将通过计算滞后相关系数的方法进行行业基本面指标的初步筛选。我们要求行业基本面指标和行业景气度存在显著的正相关关系，因此规定两者相关系数需要大于0.2，相关系数P值需要小于0.1。此外，考虑到基本面指标相比于景气度可能有滞后，在计算相关系数时，我们将基本面指标向后平移1期到7期计算相关系数（滞后1期到滞后7期），只要有任意一个滞后期的相关系数符合筛选标准，我们就判定此基本面指标通过了相关系数检验。
择时测试：筛选能够改善景气度指标择时效果的行业基本面数据。我们将原始的行业景气度指标对行业指数进行择时测试，只要景气度大于零就执行买入操作，小于等于零时就进行空仓，纯景气度择时策略收益将作为参照基准。接下来我们会采用行业基本面指标和复合景气度指标相加，如果修正后的景气度指标择时测试收益有所提升，就认为此指标能起到有效的修正效果，可以通过择时检验。
基本面指标复合：最后通过循环遍历方法筛选对行业基本面指标进行叠加，增厚单个指标收益。具体做法为：按照回测择时收益对行业基本面指标进行排序，优先纳入表现最好的指标对景气度进行修正，然后再逐一纳入排在后面的指标，新纳入的指标如果可以提高景气度择时收益就进行保留，直至将所有基本面指标测试一遍。
行业轮动策略测试：将修正后的行业景气度指标进行行业轮动策略测试，即每月底选五个景气度最高和最低的行业构建多空头组合。观察修正后的景气度相比原始值是否有回测效果上的提升。
纳入行业基本面数据之后景气度指标回测表现
以基础化工行业为例，我们汇总了总计43个基础化工行业的基本面指标，其中滞后相关系数显著且对于景气度指标择时效果有增益的指标总计16个，通过循环遍历最终纳入了6个指标进行基础化工行业景气度的修正。纳入基本面指标能够较大幅度提高景气度指标的择时表现，修正后的景气度指标择时年化收益率从-0.03%提高到6.03%。
纳入的六个行业基本面数据提高了基础化工行业景气度指标时效性，能够预先判断景气度变化趋势：比如在2012年初，修正后的景气度指标下行速度更快；在2017年时，修正后的景气度指标上行速度更快。这种边际上的修正往往能够起到好的择时效果，我们在景气度上行期到来之前可以提前布局，在下行期可以提前离场，提高择时收益。
我们将修正后的基础化工行业景气度和其他行业景气度进行横向对比，构建行业轮动策略。原来的复合景气度纳入了17个单项景气度指标进行构建，而基础化工行业纳入了新的6个基本面指标。为了保证横向对比口径一致，我们对修正后的基础化工行业景气度进行数值归一化处理（×17/23）。从比较结果来看，修正基础化工行业景气度之后，整个行业轮动策略的表现也有一定的提升，年化收益率提高0.54%，多空胜率提高1.55%。
采用相同的做法，我们也对石油石化、钢铁和煤炭行业进行了基本面指标筛选。在行业基本面数据的修正下，每个行业指数的择时年化收益率都有2%以上的提升。
在此基础上，我们分别将只优化这四个行业的景气度指标带入行业轮动模型。回测结果显示，修正煤炭、石油石化和基础化工行业时，行业轮动策略年化收益率有不同程度提高；修正钢铁、石油石化和基础化工行业时，行业轮动策略多空胜率有所提高。这说明单个行业景气度的修正不仅可以提高景气度指标的择时效果，也间接带动了整个行业轮动策略判断的准确性。
对多个行业的景气度采用基本面指标进行修正后，基于景气度的行业轮动策略表现可以进一步提升。将石油石化、钢铁、煤炭和基础化工四个行业一起进行修正后，行业轮动策略的年化收益率从19.26%提高到20.05%，相对基准胜率从68.22%提高到68.99%，多空胜率从70.54%提高到72.87%。
风险提示
模型根据历史规律总结，历史规律可能失效。
市场出现超预期波动，导致拥挤交易。
报告中涉及到的具体资产不代表任何投资意见，请投资者谨慎、理性地看待。
附录：行业基本面指标选取列表
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。
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】企业间力的产生、传播和作用效果——华泰周期起源系列研究之八
【华泰金工林晓明团队】耦合振子同步的藏本模型——华泰周期起源系列研究之七
【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
FOF与金融创新产品
【华泰金工林晓明团队】养老目标基金的中国市场开发流程--目标日期基金与目标风险基金产品设计研究
【华泰金工】生命周期基金Glide Path开发实例——华泰FOF与金融创新产品系列研究报告之一
因子周期（因子择时）
【华泰金工林晓明团队】市值因子收益与经济结构的关系——华泰因子周期研究系列之三
【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二
【华泰金工林晓明团队】因子收益率的周期性研究初探
择时
【华泰金工林晓明团队】波动率与换手率构造牛熊指标——华泰金工量化择时系列
【华泰金工林晓明团队】A股市场低开现象研究
【华泰金工林晓明团队】华泰风险收益一致性择时模型
【华泰金工林晓明团队】技术指标与周期量价择时模型的结合
【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的应用
中观基本面轮动
【华泰金工林晓明团队】行业全景画像：投入产出表视角——华泰中观基本面轮动系列之五
【华泰金工林晓明团队】行业全景画像：改进杜邦拆解视角——华泰中观基本面轮动系列之四
【华泰金工林晓明团队】行业全景画像：风格因子视角 ——华泰中观基本面轮动系列之三
【华泰金工林晓明团队】行业全景画像：宏观因子视角 ——华泰中观基本面轮动系列之二
【华泰金工林晓明团队】确立研究对象：行业拆分与聚类——华泰中观基本面轮动系列之一
行业轮动
【华泰金工林晓明团队】拥挤度指标在行业配置中的应用——华泰行业轮动系列报告之十二
【华泰金工林晓明团队】基于投入产出表的产业链分析 ——华泰行业轮动系列报告之十一
【华泰金工林晓明团队】不同协方差估计方法对比分析——华泰行业轮动系列报告之十
【华泰金工林晓明团队】景气度指标在行业配置中的应用——华泰行业轮动系列报告之九
【华泰金工林晓明团队】再探周期视角下的资产轮动——华泰行业轮动系列报告之八
【华泰金工林晓明团队】“华泰周期轮动”基金组合改进版——华泰行业轮动系列报告之七
【华泰金工林晓明团队】“华泰周期轮动”基金组合构建——华泰行业轮动系列之六
【华泰金工林晓明团队】估值因子在行业配置中的应用——华泰行业轮动系列报告之五
【华泰金工林晓明团队】动量增强因子在行业配置中的应用——华泰行业轮动系列报告之四
【华泰金工林晓明团队】财务质量因子在行业配置中的应用——华泰行业轮动系列报告之三
【华泰金工林晓明团队】周期视角下的行业轮动实证分析——华泰行业轮动系列之二
【华泰金工林晓明团队】基于通用回归模型的行业轮动策略——华泰行业轮动系列之一
Smartbeta
【华泰金工林晓明团队】重剑无锋：低波动 Smart Beta——华泰 Smart Beta 系列之四
【华泰金工林晓明团队】投资优质股票：红利类Smart Beta——华泰Smart Beta系列之三
【华泰金工林晓明团队】博观约取：价值和成长Smart Beta——华泰Smart Beta系列之二
【华泰金工林晓明团队】Smart Beta：乘风破浪趁此时——华泰Smart Beta系列之一
【华泰金工林晓明团队】Smartbeta在资产配置中的优势——华泰金工Smartbeta专题研究之一
多因子选股
【华泰金工林晓明团队】华泰单因子测试之历史分位数因子——华泰多因子系列之十三
【华泰金工林晓明团队】桑土之防：结构化多因子风险模型——华泰多因子系列之十二
【华泰金工林晓明团队】华泰单因子测试之海量技术因子——华泰多因子系列之十一
【华泰金工林晓明团队】因子合成方法实证分析 ——华泰多因子系列之十
【华泰金工林晓明团队】华泰单因子测试之一致预期因子 ——华泰多因子系列之九
【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八
【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七
【华泰金工林晓明团队】华泰单因子测试之波动率类因子——华泰多因子系列之六
【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五
【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四
【华泰金工林晓明团队】华泰单因子测试之成长类因子——华泰多因子系列之三
【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二
【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一
【华泰金工林晓明团队】五因子模型A股实证研究
【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二
人工智能
【华泰金工林晓明团队】WGAN应用于金融时间序列生成——华泰人工智能系列之三十五
【华泰金工林晓明团队】再探AlphaNet：结构和特征优化——华泰人工智能系列之三十四
【华泰金工林晓明团队】数据模式探索：无监督学习案例——华泰人工智能系列之三十三
【华泰金工林晓明团队】AlphaNet：因子挖掘神经网络——华泰人工智能系列之三十二
【华泰金工林晓明团队】生成对抗网络GAN初探——华泰人工智能系列之三十一
【华泰金工林晓明团队】从关联到逻辑：因果推断初探——华泰人工智能系列之三十
【华泰金工林晓明团队】另类标签和集成学习——华泰人工智能系列之二十九
【华泰金工林晓明团队】基于量价的人工智能选股体系概览——华泰人工智能系列之二十八
【华泰金工林晓明团队】揭开机器学习模型的“黑箱” ——华泰人工智能系列之二十七
【华泰金工林晓明团队】遗传规划在CTA信号挖掘中的应用——华泰人工智能系列之二十六
【华泰金工林晓明团队】市场弱有效性检验与择时战场选择——华泰人工智能系列之二十五
【华泰金工林晓明团队】投石问路：技术分析可靠否？——华泰人工智能系列之二十四
【华泰金工林晓明团队】再探基于遗传规划的选股因子挖掘——华泰人工智能系列之二十三
【华泰金工林晓明团队】基于CSCV框架的回测过拟合概率——华泰人工智能系列之二十二
【华泰金工林晓明团队】基于遗传规划的选股因子挖掘——华泰人工智能系列之二十一
【华泰金工林晓明团队】必然中的偶然：机器学习中的随机数——华泰人工智能系列之二十
【华泰金工林晓明团队】偶然中的必然：重采样技术检验过拟合——华泰人工智能系列之十九
【华泰金工林晓明团队】机器学习选股模型的调仓频率实证——华泰人工智能系列之十八
【华泰金工林晓明团队】人工智能选股之数据标注方法实证——华泰人工智能系列之十七
【华泰金工林晓明团队】再论时序交叉验证对抗过拟合——华泰人工智能系列之十六
【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五
【华泰金工林晓明团队】对抗过拟合：从时序交叉验证谈起
【华泰金工林晓明团队】人工智能选股之损失函数的改进——华泰人工智能系列之十三
【华泰金工林晓明团队】人工智能选股之特征选择——华泰人工智能系列之十二
【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一
【华泰金工林晓明团队】宏观周期指标应用于随机森林选股——华泰人工智能系列之十
【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九
【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八
【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七
【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六
【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五
【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四
【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三
【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二
指数增强基金分析
【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位分析专题报告
【华泰金工林晓明团队】酌古御今：指数增强基金收益分析
【华泰金工林晓明团队】基于回归法的基金持股仓位测算
【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证
基本面选股
【华泰金工林晓明团队】华泰价值选股之相对市盈率港股模型——相对市盈率港股通模型实证研究
【华泰金工林晓明团队】华泰价值选股之FFScore模型
【华泰金工林晓明团队】相对市盈率选股模型A股市场实证研究
【华泰金工林晓明团队】华泰价值选股之现金流因子研究——现金流因子选股策略实证研究
【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究
【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究
基金定投
【华泰金工林晓明团队】大成旗下基金2018定投策略研究
【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四
【华泰金工林晓明团队】基金定投3—马科维茨有效性检验
【华泰金工林晓明团队】基金定投2—投资标的与时机的选择方法
【华泰金工林晓明团队】基金定投1—分析方法与理论基础
