来源：华泰金融工程
林晓明 S0570516010001
SFC No. BPY421 研究员
李 聪 S0570519080001 研究员
韩 皙 S0570118090078 研究员
王佳星 S0570119090074 联系人
报告发布时间：2020年11月29日
摘要
本文从指数增强角度切入，尝试将行业配置模型转换为实际可投资策略
行业配置策略缺乏直接可投资标的，需要下沉至股票或者基金才能转换为实际可投资策略。本文主要从指数增强的角度切入，实证引入行业轮动模型后的表现，主要内容包括：1、海量生成不同胜率的行业轮动观点进行模拟测试，探究若想在指数增强场景下有显著超额表现，行业轮动策略应该具备什么胜率？2、实证景气度模型、改进景气度模型和趋势追踪模型在指数增强场景下的表现，结果表明，改进景气度模型整体表现最优，在沪深300增强场景下，引入行业轮动模型后的增强策略相比于行业中性策略年化超额收益率为3.01%，信息比率为1.08，且每年都有正向超额回报。
本文通过三类典型场景下的实证结果来综合评估行业轮动策略的表现
本文通过三类典型场景下的实证结果来综合评估行业轮动策略的表现：1、纯行业轮动测试，采用中信一级行业指数作为底层资产，根据策略观点等权配置多头行业，基准为所有行业等权；2、无选股指数增强测试，以指数成分股作为底层资产，根据行业轮动观点在行业基准权重上进行超低配，但不引入选股模型，也即同行业内个股的相对比例保持不变；3、结合多因子选股模型的指数增强测试，以指数成分股作为底层资产，结合选股模型和行业轮动观点，在均值方差框架下进行组合优化，构建指数增强测试。
模拟测试：海量生成不同胜率的行业轮动策略，挖掘普适性规律
本文依据一级行业下期的真实表现来海量生成不同胜率的行业轮动策略，以便通过蒙特卡洛模拟测试挖掘泛化规律，结果表明：1、行业轮动策略的胜率需要达到70%及以上，增强组合相比于中性组合的信息比才能大于1；2、结合多因子选股模型的指数增强测试结果，相比于纯行业轮动测试，在超额收益表现上普遍有所下滑；3、同样胜率的策略在沪深300上的增强表现显著优于中证500，因为沪深300成分股内行业的相对表现与一级行业关联度更高（指数走势主要受大市值个股影响），从侧面说明对不同指数应该定制相应的行业轮动策略，而不能期望同一策略适用于所有指数。
策略测试：景气度模型、改进景气度模型、趋势追踪模型
景气度策略是基于财报、Wind一致预期等结构化数据构建的基本面驱动型轮动模型；改进版景气度策略在原景气度基础上引入了行业中观层面的库存、价格等基本面指标来提升拐点预测时效性；趋势追踪策略是基于交易数据构建的动量类模型。结果表明，改进景气度模型整体表现最优，在沪深300增强场景下，策略相比于行业中性组合的年化超额收益率为3.01%，信息比率为1.08，且每年都有正向超额回报；相比于沪深300全收益指数的年化超额收益率为7.05%，信息比率1.26。整体而言，在多因子选股模型的基础上，通过指数增强的方式将行业配置策略落地是一种可行的方式。
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。
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，我们进行了行业拆分和聚类研究，为后续系列报告确立了统一的研究对象；在系列报告二到五中，我们分别从宏观风险因子、中观风格因子、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；在系列报告六到九中，我们分别从宏观因子、趋势追踪、景气度、拥挤度四个维度展开了具体的行业轮动策略开发。
自本篇报告起，我们将聚焦于行业轮动策略的落地实证。不同于大类资产配置和选股模型，行业配置并没有直接可投资标的，模型观点只能下沉至股票或者主题基金进行落地。本文主要从指数增强的角度切入，实证行业轮动模型的表现。后文内容主要分为两部分：1、海量生成不同胜率的行业轮动观点进行模拟测试。在传统指数增强研究中，普遍认为引入行业轮动策略带来的超额收益，相比于承担的超额风险是不划算的，那么若想在指数增强上有显著超额表现，行业轮动策略应该具备什么胜率水平？这至少能为我们做策略开发提供实操指引；2、实证前期报告中开发的真实轮动模型在指数增强场景下的表现，核心是分析不同策略的适用场景，并且为策略的后续迭代更新提供实操建议。
模拟测试：实证不同胜率行业轮动策略的表现
在传统指数增强研究中，普遍认为引入行业轮动策略带来的超额收益，相比于承担的超额风险是不划算的，也即信息比率较低。那么，如果想在指数增强上有显著超额表现，行业轮动策略应该具备什么胜率水平？本节通过模拟生成不同胜率的行业轮动观点，并实证其在指数增强场景下的表现，来解答该问题。后文将首先介绍不同胜率行业轮动观点的生成方法，然后在三种典型场景下实证不同胜率策略的表现：1、纯行业轮动测试，也即采用中信一级行业指数作为底层资产，根据策略观点等权配置多头行业，基准为所有行业等权；2、无选股指数增强测试，也即以指数成分股作为底层资产，根据行业轮动观点在行业基准权重上进行超低配，但不引入选股模型，也即同行业内个股的相对比例保持不变；3、结合多因子选股模型的指数增强测试，也即以指数成分股作为底层资产，结合选股模型和行业轮动观点，在均值方差框架下进行组合优化，构建指数增强测试。
不同胜率行业轮动观点的生成方法
本文依据中信一级行业下个月的真实表现来生成指定胜率的行业轮动观点，具体步骤如下：
1. 根据一级行业下个月的涨跌幅中位数来确定赢家组合和输家组合。
2. 设定参数，包含看多、看空的行业个数 N（本文统一设置为5），以及模拟策略的胜率 P（本文遍历了50%至100%，以5%为步进的11个参数，其中，50%表示完全随机预测，100%表示精准预测）。
3. 对于看多、看空观点，分别用长度为 N，符合二项式分布B(1, P)的随机数序列来表征其准确度，该随机数序列中，每个元素取值为0或1，0表示该观点看错，1表示该观点看对；对于做多观点，看对就表示从赢家组合中随机挑选了一个行业进入多头组合，看错则表示从输家组合中随机挑选了一个行业进入多头组合；对于做空观点，看对就表示从输家组合中随机挑选了一个行业进入空头组合，看错则表示从赢家组合中随机挑选了一个行业进入空头组合。
举个例子，假设当前截面上，看多观点对应的随机数集合为[1, 0, 0, 1, 1]，长度为5代表有5个看多行业，其中，第1、4、5个观点是看对的，表示要从下一期的赢家组合中随机挑选三个行业进行填充；第2、3个观点是错误的，表示要从下一期的输家组合中随机挑选两个行业进行填充。当随机模拟多次时，在大数定律下，观点的精度就能逼近我们的预设值。可以看到，本文所定义的胜率，本质上是看多/看空的行业中，看对的个数占比，与我们在回测中定义的胜率（也即策略跑赢基准的概率）不完全一致，该定义更容易定量模拟。
场景1：纯行业轮动测试
首先考察不同胜率的模拟策略在纯行业轮动测试场景下的表现，回测设置如下：
1. 回测时间：2010年1月1日至2020年9月30日。
2. 调仓手续费：单边千2。
3. 模拟策略生成：遍历50%至100%，以5%为步进的11个胜率水平，其中，50%表示完全随机预测，100%表示精准预测。
4. 组合构建：以一级行业指数作为底层资产，等权配置看多的行业。
5. 比较基准：所有行业等权配置。
6. 业绩计算：对每种胜率水平，蒙特卡洛模拟1000次，每次模拟中单独生成行业轮动观点，计算策略净值和业绩指标，将1000次模拟的策略净值和业绩指标取平均得到最终的业绩表现。
结果显示，在考虑手续费后，胜率60%以上的行业轮动策略才能获得正向超额回报，随着胜率提升，模型表现不断增强，当胜率达到100%（也即每次看多的行业都排名前一半时），模型的年化超额收益率高达37.66%，信息比率超过5，但这显然是一个无法达到的理想状态。根据前期系列报告中的实证结果，大部分月频行业轮动策略的胜率落在65%~70%这个区间内，也即年化超额收益率位于6%~10%左右，信息比率在1~1.6左右，后文中我们会重点关注这个胜率水平的模拟策略在指数增强场景下的测试表现。
场景2：无选股指数增强测试
接下来考察不同胜率的模拟策略在无选股指数增强测试场景下的表现，回测设置如下：
1. 回测时间：2010年1月1日至2020年9月30日。
2. 调仓手续费：单边千2。
3. 模拟策略生成：遍历50%至100%，以5%为步进的11个胜率水平，其中，50%表示完全随机预测，100%表示精准预测。
4. 组合构建：以目标指数（本文以沪深300和中证500作为研究对象）成分股作为底层资产，计算指数内行业基准权重；根据模拟行业轮动观点在看多/看空行业上正向/负向偏离固定比例（本文实证了1%、2%、3%三种参数）；对于偏离后行业绝对权重小于零的，重置为零（也即不能做空），重新归一化，得到最终的行业间权重配比；行业内权重配比延续原始指数内的结果，也即不引入任何选股观点（但是需要剔除无法交易的个股）；
5. 比较基准：沪深300全收益指数或中证500全收益指数（由于实证中采用复权收盘价进行回测，所以对比基准应该是全收益指数）。
6. 业绩计算：对每种胜率水平，蒙特卡洛模拟1000次，每次模拟中单独生成行业轮动观点，计算策略净值和业绩指标，将1000次模拟的策略净值和业绩指标取平均得到最终的业绩表现。
实证结果表明：
1. 无论是沪深300增强还是中证500增强，在同样的胜率水平下，随着偏离度逐步提升，超额收益表现越好，但边际改善幅度在减弱。以70%胜率为例，偏离1%、2%、3%下沪深300增强策略的信息比率分别为1.03、1.43、1.61；中证500增强策略的信息比率分别为0.32、0.50、0.62；这主要是因为指数内行业权重分布不均，部分行业占比过低，在不能卖空的前提下，做空偏离幅度有限，达到边界值后就钝化了。
2. 在同样的偏离幅度和胜率水平下，模拟行业轮动策略在沪深300上的增强效果要显著好于中证500。这主要是因为我们在生成模拟行业轮动观点时，依据的是下一期中信一级行业的相对表现，而行业指数的涨跌受大市值个股的影响更明显，因而沪深300内行业的相对表现与中信一级行业的表现关联度更高。为了验证这个推论，我们尝试基于指数成分股加权计算行业涨跌幅，并与中信一级行业同期涨跌幅计算秩相关系数，结果表明沪深300与中信一级行业的相关性显著高于中证500。
3. 在同样的胜率水平下，无选股指数增强场景下的策略表现要弱于纯行业轮动测试场景。仍以70%胜率为例，纯行业轮动测试场景下，策略相比于行业等权基准的年化超额收益率为10.5%，信息比率1.58；在2%权重偏离场景下，沪深300指数增强策略的年化超额收益率2.28%，信息比率1.43；中证500指数增强策略的年化超额收益率1.53%、0.50。换言之，在纯行业轮动测试场景下表现尚可的策略，直接搬迁到无选股指数增强场景下，超额收益往往会有所下滑。
场景3：结合多因子选股模型的指数增强测试
本节我们将结合多因子选股模型和行业轮动模型构建更贴近实战场景的指数增强测试，其中，收益预测模型参考华泰人工智能系列报告《人工智能选股之数据标注方法实证》（2019-3-13），该报告使用82个常规风格因子，构建了以收益率为回归目标的Boosting模型；风险预测模型参考华泰多因子系列报告《桑土之防：结构化多因子风险模型》（2019-6-12），该报告参考 Barra 多因子风险模型，对因子收益协方差矩阵和特异性收益方差矩阵分别进行多步修正，能够实现准确、可靠的风险预测和投资组合优化。后文中我们将先展示行业中性状态下的指数增强模型，进而介绍引入行业轮动观点后的指数增强模型，最后展示实证结果。
行业中性状态下的组合优化模型
在行业中性状态下（也即不引入行业轮动观点），组合优化模型如下：
引入行业观点后的组合优化模型
结合多因子模型的指数增强实证分析
考察不同胜率的模拟策略在结合多因子模型的指数增强测试场景下的表现，回测设置如下：
1. 回测时间：2011年1月31日至2020年9月30日。注意，因为个股收益预测是从2011年1月开始有效，所以回测时间和前文略有不同。
2. 调仓手续费：单边千2。
3. 模拟策略生成：遍历50%至100%，以5%为步进的11个胜率水平，其中，50%表示完全随机预测，100%表示精准预测。
4. 组合构建：以指数成分股作为股票池，剔除上市不满一年、调仓日换手率为零等无法交易的股票，应用组合优化模型求解个股权重（优化参数设置如下表）。
5. 比较基准：行业中性选股策略。
6. 业绩计算：对每种胜率水平，蒙特卡洛模拟100次，每次模拟中单独生成行业轮动观点，计算策略净值和业绩指标，将100次模拟的策略净值和业绩指标取平均得到最终的业绩表现。
上述实证分析结果表明：
1. 在行业中性策略下，沪深300上的多因子指数增强效果表现要差于中证500，前者的年化超额收益率仅为4%，信息比率0.76，后者的年化超额收益率12.05%，信息比率1.89。这主要是因为沪深300内部银行、非银行金融业市值占比常年稳定在30%左右，而根据华泰金工基本面轮动系列报告《行业全景画像：风格因子视角》（2020-06-02）中的实证结果，银行、非银行金融行业内个股经营模式单一，同质性较高，难以通过选股获取行业内alpha，因而沪深300内有将近三分之一的部分是很难通过多因子模型进行增强的，其策略表现自然弱于中证500。
2. 引入行业轮动观点后，相比于行业中性策略，沪深300上的增强效果要显著好于中证500。以70%胜率为例，beta取值0、0.5、1、2下的沪深300增强策略信息比率分别为1.04、1.15、1.04、1.14，中证500增强策略的信息比率分别为0.72、0.74、0.68、0.62；如果以信息比率大于1作为增强有效的标准，那么在沪深300上行业轮动策略胜率达到70%即可，而中证500上则要求胜率达到75%~80%之间。背后原因同样是因为沪深300内行业的相对强弱表现与中信一级行业更相似，而后者是我们生成模拟行业观点的依据。
3. 当策略胜率达到一定水平时（65%及以上），收益调整系数的效用才能体现出来，当行业轮动策略胜率偏低时，观点误差较大，此时将轮动观点同时用于行业权重偏离和个股收益调整，会起到误差累积的效果，因而beta > 0时，增强策略的年化超额收益率反而低于beta = 0时；当策略胜率达到较高水平时，预测精准度提升，此时观点的重复利用能够进一步增厚超额收益，以沪深300为例，当胜率达到70%以上时，随着beta变大，超额收益率单调提升，而且随着胜率提升，beta = 2相比于beta = 0的提升幅度不断增厚。
需要说明的是，收益调整系数理论上并没有改变行业内个股之间的收益排名，所以在严格行业中性的前提下，理论上改变收益调整系数不应该对最终结果有影响，但是本文实证过程中为了保证可行域非空，对无观点的中性行业偏离约束适度放宽（偏离下限为-1%，上限为1%），因而改变收益预测后头部个股的行业归属可能出现变更，进而导致行业间的相对配比出现变化，这解释了为什么预测精度越高，引入收益调整的效果越好。此外，引入收益调整还有一个优势，就是当观点下沉至二级行业、甚至三级行业时，在同一个一级行业内部，个股之间的收益排名就可以依据观点进行调整了，这样就能融合多个模型来进行指数增强（比如针对一级行业发表的观点可以用于约束项的行业权重偏离上，而针对二级行业或三级行业发表的观点可以用于个股收益预测调整上）。
总结
根据以上不同场景下的模拟测试结果，我们可以得到如下结论：
1. 基于中信一级行业生成的模拟轮动观点在不同基准指数上的增强效果差异较大，根据前文实证结果，无论是否引入选股模型，同样胜率的行业轮动策略在沪深300上的增强效果都显著优于中证500，原因是沪深300成分股内行业的相对表现与中信一级行业关联度更高（指数走势主要受大市值个股影响），因而基于中信一级行业走势生成的模拟观点在沪深300上适用性更强。这对于指数增强策略开发提供了一个实操建议：应该从自下而上的角度，针对不同基准指数定制相应的行业轮动策略，而不是从自上而下的角度，先从一级行业切入开发全市场层面的行业轮动策略，然后实证其在不同基准指数上的增强效果。
2. 如果以增强策略相比于行业中性组合的信息比率大于1为标准，则行业轮动策略的胜率需要达到70%及以上，才能带来显著的超额回报。相当于平均下来，在每个截面上看多和看空的行业观点中，10个有7个是对的（要么看多的行业下一期确实排名前一半，要么看空的行业下一期确实排名后一半），而从实证经验来看，这并非一个容易达到的目标。
3. 指数增强策略落地测试结果，相比于纯行业轮动测试结果，在超额收益表现上普遍有所下滑。将前文三类场景下的回测区间对齐为2011年1月31日开始（此时个股收益预测才有效），结果表明，在70%胜率水平下，纯行业轮动测试的超额年化收益率为10.31%，信息比率高达1.55，这在月频行业轮动场景下已经是相当不错的表现；然而落地到指数增强测试后，年化超额收益率下滑至3.16%，信息比率下滑至1.14，从风险收益比来看表现尚可，但超额收益相对偏低。这也提示我们，行业轮动策略的表现需要在更贴近实际应用的场景下进行评估，这样结论更客观。
策略测试：实证不同行业轮动模型的表现
本章我们将测试前期报告中开发的三个行业轮动策略在指数增强场景下的表现，分别是：
1. 景气度策略，基于正式财报、业绩快报、业绩预告、Wind一致预期四类结构化数据构建的基本面驱动型行业轮动模型，策略构建细节详见《景气度指标在行业配置中的应用》（2019-09-12）。
2. 改进版景气度策略，在原版景气度策略的基础上，一方面拓展了财务指标维度，另一方面引入行业中观层面的供需、库存等基本面指标来提升景气度拐点判断的时效性，策略构建细节详见《行业配置策略：景气度视角》（2020-11-05）。
3. 趋势追踪策略，基于多个趋势追踪指标复合而成的动量类策略，策略构建细节详见《行业配置策略：趋势追踪视角》（2020-09-01）。
场景1：纯行业轮动测试
首先考察不同胜率的模拟策略在纯行业轮动测试场景下的表现，回测设置如下：
1. 回测时间：2010年1月1日至2020年10月30日。
2. 调仓手续费：单边千2。
3. 组合构建：以一级行业指数作为底层资产，等权配置看多的行业。
4. 比较基准：所有行业等权配置。
实证结果表明，改进版景气度策略表现最优，超额年化收益率接近8%，信息比率超过1；趋势追踪策略的超额年化收益率也接近7%，但是超额年化波动率和超额收益最大回撤明显高于两个景气度策略。对比前文模拟测试的结果，这三个策略的年化超额收益率均落于65%~70%的胜率区间内，实际上根据过往实证经验，大部分月频行业轮动策略的胜率都处于该区间内。
场景2：无选股指数增强测试
考察三个行业轮动策略在无选股指数增强测试场景下的表现，回测设置如下：
1. 回测时间：2010年1月1日至2020年10月30日。
2. 调仓手续费：单边千2。
3. 比较基准：沪深300全收益指数或中证500全收益指数。
回测结果表明，景气度策略的表现整体优于趋势追踪策略，其中，改进版景气度在沪深300增强场景下，权重偏离1%、2%、3%时的年化超额收益率分别为1.08%、1.91%、2.57%，信息比率分别为0.84、1.14、1.23。此外，三个策略在沪深300上的增强表现同样优于中证500，其中，行业景气度的变化主要受大公司的影响，而趋势追踪策略则直接根据一级行业的表现来生成，其观点都更适用于沪深300。
场景3：结合多因子选股模型的指数增强测试
考察三个行业轮动策略结合多因子模型后的指数增强表现，回测设置如下：
1. 回测时间：2011-01-31（个股收益预测初始有效截面）至2020-10-30。
2. 比较基准为行业中性选股策略和全收益指数，调仓手续费为单边千2。
回测结果表明：
1、 三个策略在沪深300上的增强表现显著优于中证500，原因不再赘述，下文分析也主要聚焦于沪深300上的实证结果。
2、 对于两个景气度策略，收益调整系数β越高，增强效果越显著，而趋势追踪策略则不然，说明景气度策略的胜率更高，将其观点同时用于个股收益调整和行业权重偏离能达到双重增强的效果。
3、 对于两个景气度策略，风险厌恶系数越大，组合相比于中性基准的跟踪误差越小，但年化超额收益也整体更低（当λ > 0时）；趋势追踪策略则未呈现出单调的规律。
4、 整体而言，改进版景气度策略的表现最优，在多种参数组合下信息比率都超过1。
上述参数组合中，沪深300增强场景下超额收益最高的策略是λ = 2.5，β = 2时的改进版景气度策略，回测区间内相比于行业中性基准的年化超额收益率3.01%，信息比率1.08；相比于沪深300全收益指数的年化超额收益率为7.05%，信息比率1.26。从分年度收益来看，改进版景气度增强策略相比于行业中性策略每年都有正向超额回报，整体而言，在多因子选股模型的基础上，引入行业轮动进一步增强了策略的表现。
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。
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
