公眾號改了規則，推送不按時間順序，若不想錯過文章，請設置「星標」，順手點下「再看」，下次更新優先推送消息；歡迎點讚、在看；
內容來源於網絡，若不便發表，請聯繫後台刪除；文章僅用於研究參考，不構成任何投資建議，投資有風險，入市需謹慎。
價投百寶箱是價值百寶箱親友團後花園，特別情況備用號，信息內容互補，歡迎過來聊聊
今天我們主要匯報一下關於行業輪動怎麼做？其實行業輪動是最近大家一直比較關注的話題，今年我們也是在 20 年 1.0 的版本上去做了一次改版，今年的 2月底我們做一次改版，那目前我們匯報一下當前的模型的狀況，主要是從三個維度，分別從交易行為、資金面、基本面三個維度，我們分別每個維度下面有兩個子模型共同去構成最後行業輪動得分。那關於行業輪動的研究，我覺得核心的邏輯點是底層的邏輯要直接簡潔清晰，能夠直接得到行業的對未來收益的判斷，這樣的模型我們才可能覺得整體是能夠實戰、實用的，儘量去避免那些數據挖掘帶來的那種過度的擬合，所以我們分別有不同的原因來支撐我們模 型，構建出這樣的信號。
比如基本面這塊我們分別會有兩個維度信號，一個從歷史景氣度去看，我們主要看的是個股的一些盈餘動量在行業上的反應，行業盈餘動量越強，我們認為行業表現會越好。另外一個維度是從行業的盈利上去看，我們用分析師預期的數據去看一下未來行業整體的盈利變化。
另外資金面這塊我們分別從外資跟內資兩維度去看，外資主要看的是北向資 金，我們分別從北向的兩個維度去看一下北向資金的定價偏好，內資我們分別用大單跟小單資金流去判斷機構資金更偏好的行業有什麼特點。關於交易行 為，我們還是傳統的兩個一直沿用的模型，一個是日內動量隔夜反轉的黃金律模型，另外一個是龍頭股效應的龍頭股模型，分別從這六個模型逐個介紹一 下，看一下行業輪動應該怎麼做？
首先我們要說明一點，其實行業跟個股不太一樣，我們知道個股上短期漲幅比較多一般是反轉現象。但是行業往往是一個動量現象，所以我們在這一般都會用前期的漲幅更高的行業去配置，一般都會有更好的收益。在這我們如果每個月月底去按照過去 15 天漲幅去做個排序，分成 5 組，我們發現這 5 組裡面前期
漲幅最多的那組裡面，整體的淨值更高，就是第 5 組；前期漲幅最低這組整體的淨值會更低，所以這是我們所說動量的現象。
但是行業動量又不太一樣，它的動量不太穩定。那麼可以看到，如果把第五組跟第一組相除一下，我們發現 08 到 12 年，4 年間整體動量是反過來的，就是反轉現象，12 年之後整體是漲一段、平一段，不太穩定，所以我們分別從兩個子模型去出發，對動量做了改造。
第一個就是黃金率模型，我們會把日內漲幅跟隔夜的漲幅去區分開，我們把隔夜漲幅，其實就是從昨天收盤到今天開盤，這部分集合競價的漲幅我們叫做隔夜的漲幅;從今天開盤到今天收盤，這部分漲幅我們叫做日內的漲幅,這兩份漲幅我們發現其實它對未來的收益預測作用正好反過來的，我們每個月都用日內這個月 20 天的漲幅，日內漲幅或者隔離漲幅都去算了五分組來看，我們發現日內漲幅越多的行業未來收益整體會更高,就是右上角這個圖。反轉隔夜因子它更多的是反轉現象,隔夜因子漲幅越多，未來淨值會越低，就是右下角這個圖。
從這面我們可以看到，日內是動量，隔夜是反轉，它核心背後的邏輯是參與的
人不一樣，日內更多是用真金白銀往裡買，這個動作推高股價能夠延續到下個月有更高的漲幅，隔夜更多是反轉的現象，前期如果通過集合競價拉高收益，往往是透支未來收益，更多是拉高之後去出貨，所以這種動作會透支未來收 益，所以往往是反轉的現象。所以我們會用日內的指標去做正向的 rank，然後用隔夜指標做負向的 rank，把兩個 rank 值相加，作為最後的黃金律模型的得分幫助我們進行行業輪動。這是第一個交易型的模型。
第二個交易型模型是關於龍頭股模型。其實從 18 年到現在，最近的四年間我們發現龍頭股效應其實是非常強的，行業當中龍頭股領漲領跌模式幾乎是能夠捕捉行業的整體的現象。那在這我們會把龍頭股單獨區分出來，然後看一下哪些是龍頭股，哪些是普通股，然後把龍頭股跟普通股之間的漲幅作為差值來看一下未來行業龍頭股領漲或領跌的趨勢。在這裡其實核心的點就是在於怎麼去區分龍頭股，我們會用成交的金額做排序，前 60%成交淨額的個股我們定義成龍頭股，後面的 40%的個股定義成普通股，這裡面成交占比是六四開，成交數量大概是二八開的比例，龍頭股大概占兩成，普通股大概占八成。我們分別去算一下龍頭股月平均的漲幅以及普通股平均漲幅，算一個差值，差值越大，代表行業整體下個月可能龍頭股引領整個板塊出現普漲；如果反過來，值越小就可能代表龍頭股下個月帶領整個板塊出現普跌。所以按照這樣的一個指標我們去對行業進行輪動，這是兩個交易型模型，都是對動量做了改造，幫助我們判斷行業的漲幅的動量的現象。
除了交易行為之外，我們會看另外基本面維度。這兒其實我們也做過體系化的思考，關於行業的景氣度度其實可以從三個角度去跟蹤。第一個角度就是從歷史的景度變化去跟蹤，這裡面我們用到的數據一般是上市公司的財報數據，包括一些快報、預告數據去填充，幫助我們提高數據的時效性，這裡面其實主要難點就在於數據怎麼能把低頻變成高頻化，一年四次數據怎麼把每個月度都能弄起來，這是它的一個難點。
第二塊就是在實時上，我們去用產業的終端數據來判斷行業整體景氣的變化。這裡面終端數據其實包括上下游的一些量價，就是產品的量跟價格的數據，一般這種數據在上游的周期板塊上覆蓋會比較高，一般像科技板塊裡面整體覆蓋率比較低，所以這裡面我們沒有做全行業的覆蓋，我們是曾經寫過一些關於上游周期板塊的一些研究，包括消費板塊研究，全行業暫時沒有覆蓋。所以這裡面我們僅僅提一下，我們不做模型的信號，主要會從第三塊分析師預期這塊來判斷未來行業整體盈利的變化。這裡面我們核心是用的分析師預期的數據來幫助我們判斷整體行業盈利的變化，我們着重從 1 跟 3 兩個模型里去展開聊一聊我們怎麼從景度上去觀測行業的一些變化。
我們先來看一下歷史景度。，其實歷史景度剛才也講了，核心是用的一些報告期的數據，數據頻率比較低，那怎麼把它高頻化是一個難點。在這我們做兩個處理處理，一個是數據上我們會用預報、快報數據去填充進來。每次以時間、確定性優先的原則，每次用最新的報告期，然後最新報告期裡面用確定性最高的數據去做填充，獲取當前公司它的一些盈利信息。
第二個方面就是我們在合成方式上去做一些改造，比如說我們舉個例子，左下角這張圖代表一個行業的成分股，abcd 這些公司，這裡面我們會用它的一些盈利指標去做填充，比如每一行都是盈利的指標，比如 ROE，在這裡面不同顏色代表不同報告期的披露值，一旦財報披露，它會從藍色切換到紅色，再切換到紫色，所以大概是這樣一個時間軸。
每次我在截面上去比較每個個股 ROE 的分位點，是 4000 只股票里的分位點，我會把所有的成分股的分位點都拿出來，算一個均值聚合到行業上，這裡面是等權聚合的，然後進一步在時間軸上去做 10 天的平滑和 20 天差分來判斷行業整體 ROE 維度上是變高還是變低？核心的想法其實就是個股的盈餘動量在行業上的體現，行業當中個股盈利動量越強，那我們認為行業可能會越好，核心是這樣一個邏輯。我們分別把單季度的 roe 變化、淨利潤 TTM 的環比變化以及單季度營收的同比變化三個指標去做了這樣的處理，分別用三個指標去做了回測，整體都有一定的預測能力，我們也會把三個指標等權加在一起，作為一個複合指標做我們歷史的複合景氣度指標，來判斷景氣的變化。這裡面用這個指標去做了三分組，可以看到多頭組裡面高景氣組整體的年化收益大概在 17 個點，低
景氣組的收益大概在 5 個點，多空大概在十點左右，相對最大回撤大概在
6.5%，是這樣一個水平，這是歷史景氣度。
預期景氣度這塊我們主要用的是分析師預期的數據，核心的獲取收益來源是行業的 Davis 雙擊，就是我的盈利在上調，我的 E 在上調，進一步 E 上調之後其實盈利增速在提高，對估值會有更強支撐，所以 E 跟估值這端都會有雙擊的作用，整體上漲的動力會越強，這是這樣的邏輯，我們在研究分析師預期的時候會得到一些結論，我們簡單介紹一下。
第一塊就是我們發現分析師預期的值，絕對值，就是今年賺了 1 個億還是 2 億
其實並不太重要，重要的就是在於上一次預測 1 個億，這個月預測是 1.2 億邊際的變化會決定個股股價的變化方向，所以這塊我們每次都會去算邊際的盈利預測的變化情況。
第二個點就是我們發現短期的盈利預測值會比長期來更有效，因為我們知道有 FI1、FI2、FI3 這樣不同的值，發現對當年的營業預測會比明年或後一年的值來的更有效，在這裡我們會做時間加權處理，用 FITTM 的值去進行數據的聚 合，我們發現在這樣的聚合之後，整體效果會更好。怎麼聚合呢？我們舉個例子，比如站在 8 月底，今年已經過了 8 個月了，還有 4 個月沒過，我們用 4/12
乘以 22 年的盈利預測值。
用這樣的一個值去代表未來盈利的變化，然後我們用 FITTM 的值去算一下邊際盈利的變化去聚合到行業上。怎麼聚合呢？我們這邊用的是行業的成分股的市值加權去聚合到行業上。我舉個例子，比如說 ROE，我每次都會在個股上去用 ROE 的變化去算月度變化值,然後我們按照規模加權、市值加權去聚合成行業最近月 ROE 的月度變化，用這個值來預測行業的改善的狀況。
我們分別去計算了預期 roe、預期的主營收入月度變化、預期的淨潤月度變 化、預期淨利潤率四個值。這裡面我們觀察了一下幾個指標之間的相關性，我
們發現預期淨潤指標整體環比這個指標跟其他幾個指標相關性比較高，所以我們單獨把指標替掉，然後用其他三個指標等權加在一起，得到複合的預期指 標，我們用複合預期指標也去做了市場三分組，我們看到其實高景氣組的收益
也在 17 個點左右，低景氣組大概在 5%，多空來看大概在 12%左右。這裡面我們發現回撤會比較大。這個回撤主要發生在 21 年的 9 月份，8 月份、9 月份都是偏周期板塊整體漲的比較高，但是 9 月份因為整體限電，所以整體周期股會受政策影響，回調比較大，所以當月產生了 10.5%的回撤。這是我們發現預期景氣度模型的問題，那在這裡我們會把預期跟歷史模型去做等權合成作為我們最後的景氣度維度的判斷，幫助我們降低回撤，提高收益。
前面是兩個交易行為跟基本面的介紹，最後看一下資金面。資金面我們先說一下的外資，外資之前我們一直用的是北向的配置盤資金。關於配置盤跟交易 盤，其實剛才也大概講過，其實主要是通過託管券商進行區分的，我們現在其實發現最近的一年配置盤的資金表現其實是比較弱的，交易盤反而更好，這裡面可能會存在每一類資金的行業偏好會導致這樣問題，所以我們在這乾脆不區分配置盤還是交易盤，只用整體的表象資金來去判斷它的行業偏好。
行業偏好怎麼判斷？我們從兩個維度，第一個維度從淨流入的占比，就是資金的流入強度來判斷北向資金對行業的偏好，另外一個維度我們看一下成交金額的占比，成交金額沒有方向，我們主要是看成交金額占總金額的比例，比例越高，我們認為北向資金在行業裡面整體交易越活躍，整體它的定價偏好會越 強，通過這兩個指標，我們分別去對行業進行打分，然後把兩個指標去合成，作為我們對北向行業上的信號，作為這樣一個的輪動的信號，這是北向資金。
另外一維度我們看一下 A 股內部的機構資金，我們用的是大小單的數據。這裡面我們主要看的是頭部的超大單跟尾部的小單，超大單其實主要是它有執行交易的信息在裡面，其實超大單為什麼急於去買入呢？這個動作其實是含有一定的執行交易信息的，這種執行交易信息的含量越高，我們認為行業未來收益會越高，所以我們每次都會用超大單的進入占比除以流失值去做個標準化，占比越高，我們認為下個月整體行業表現會好。
另外一個維度就是看小單，其實小單是市場當中主要的交易的狀態，八成訂單都是通過小單去買賣完成的，小單主要參與的主體有兩類，一類是機構投資者拆單用小單交易，另外一類就是散戶，散戶把小單頻繁買賣去貢獻主要的交 易，所以這很難去區分小單到底是機構還是散戶。
我們可以通過另外一個角度去反向判斷小單方向。因為我們知道超大單、中 單、小單四類加起來其實整體是等於零的，如果小單在淨流入說明超大單資金在淨流出，所以我們可以用負向的方式來判斷，這個指標淨流入越多，我們認為整體的行業表現越差。所以我們用每個行業當月的小單的淨流入金額除以成交金額做標準化，然後用這個指標做反向排序，可以看這個表現是在右側這張圖，整體信號是比較穩定的。我會把超大單跟小單結合在一起，兩者相加，得到最後在資金流上的一個判斷，這裡面其實大概介紹了六個模型，我們會分別
把每個維度下兩個子模型去合成，作為 rank 的相加合成在一起，然後再把每個
維度的 rank 值作為等權相加，形成我們最後的行業輪動的綜合信號。
在這我們可以看到交易行為、資金流、景氣度三個信號的 IC 都在 7%-9%之間，交易行為大概在 7.8，景氣度在 7.5，然後資金流大概在 9.2，這裡面因為包含了一些北向數據，所以整體的時間窗口對應的不是很齊，這裡面可能會偏高。整體來講，這三個信號的相關性也不高，整體的 IC 是比較接近的，我們會把三個信號合成，可能之後的 IC 會進一步的提升到 12.26%，ICR 大概在 1.7 左右,這是我們整體合成的表現。
那我們來最後簡單復盤一下這個模型的收益表現，我們分別看了一下 1.0 模型
跟 2.0 模型的表現，其實我們都會發現在最近一年，其實主要在去年的下半年
9 月份、10 月份開始，行業輪動模型出現比較大的回撤，這個回撤 2.0 模型並沒有改進，主要的問題其實我們也做了討論。簡單先回復一下、復盤一下，看一下 1.0 模型的歷史表現，我們覺得大概有兩個階段。
第一個階段就是在 20 年 11 月到 21 年 7 月份，期間整體是高勝率高賠率的狀態，這裡面每個小旗代表當月我們看多的行業，然後漲幅那一列，紅色代表漲幅前三的，綠色代表漲幅後三的。這裡面我們分別算了一下我們看多的組合整體平均的收益以及二十八個行業平均的漲幅，這裡面我們分別去看了一下，其實大多數月份整體的超額都是正的，正的情況下勝率比較高，輸的情況下是虧的比較少，所以整體是高勝率、高賠率。
第一個維度就是賠率上有沒有變化？另外一個維度就是勝率上。賠率主要我們看行業的分化，我們發現其實行業的分化在 2017 年之後到現在，最近五年間整體都是在上行的，這種長周期的五年維度的上行是比較少的，所以當前行業輪動是越來越重要的。賠率上沒有變化，那就是勝率上。勝率上我們把每個行業每個模型的 IC 柱狀圖拿出來，我們看一下歷史當中信號的強弱變化，像 22 年初這階段，去年年底到今年初這幾個月，我們發現在三個維度上其實信號都轉負了，這種現象是比較少見的，只在歷史當中出現過一次，就是在 2015 年的 6月份股災那波出現過這一次。
所以我們大概看了一下，我們覺得有幾個原因導致輪動模型階段性失效。第一個原因就是市場下跌，市場下跌情況下可能導致整體輪動信號出現失效，這是第一個原因。第二原因就是因為政策調控，因為本身模型都是動量模型，無論在交易行為上還是在基本面上，還是在資金流上都是做動量，所以這種政策調控會干擾我們動量的信號，導致我們模型階段性失效。在去年年底的時候，其實出現了一些穩增長以及對周期股的一些打壓，所以整體我會發現整體的信號出現了比較大回撤，這是原因二。第三個原因就是我們發現其實景氣度維度，在資金流收緊情況下，受傷的幅度會極大。比如當時情況下資金面偏緊，然後很多資金都會從高景氣的賽道裡面切換到確定度更高的穩增長賽道裡面，所以導致高景氣的賽道出現比較大的回撤。後面其實我們也復盤了一下這三個維 度，三個模型的信號，底層邏輯是沒有變化的，那我們也可以堅守模型信號來看一下未來表現。在樣本外我們在 3 月到現在大概經歷了 6 個月時間了，那麼可以看到其實整體的表現是比較好的，只有一個月出現負的超額收益，其他幾月份都是正的，整體穩定度比較高。我們也是推薦各位投者關注一下我們信
號。
其實每個月底我們都會更新下個月的信號，我們會分別在交易行為、資金面、基本面三個維度上來判斷一下行業當前是看多還是看空，如果看多就是畫對 號，如果看空就畫個叉，中間就是空下來。所以每個月會有這三個維度不同的判斷，最後會綜合得到總分最高的前十個行業做我們推薦行業。總分最低的行業，做我們看空的行業。這個月其實我們整體的觀點，在風格上我們判斷是整體成長價值偏均衡的，然後推薦的行業裡面，金融、科技、消費這三個板塊是我們比較看多的，金融裡面其實推薦了非銀，然後科技裡面推薦的通信傳媒，消費裡面推薦的是食品飲料、商貿跟農林牧漁，包括製造裡面有一些看多的，比如說軍工，周期里是推的煤炭跟石化。這裡面其實看到，從三個維度同時來看，通信、煤炭這三個維度同時都在看多，這是我們比較推薦的行業，每個月我們也會定期去跟蹤我們的行業的收益表現以及最新的行業觀點。
也歡迎各位領導關注我們最新的觀點，有問題可以進一步跟我們交流，這裡是我們相關的一些關於中觀行業風格輪動或資產配置的歷史報告，各位有需求可以跟我們聯繫。
-----------------------------------------------------------------------------
讀完順手點下「在看」，下次更新優先推送消息；歡迎點讚、在看；更多紀要：及時分享市場、行業及公司動態，包括投資策略、行業數據庫、專家調研、公司紀要；信息超越99%的投資者；投資資料包括紀要音頻會議、pdf及word紀要、行業及公司數據庫、事件點評等；為您節省時間，提高效率，獲取高質量的投研信息；有數萬份一手紀要信息，可作為投資數據庫使用。
歡迎點讚、在看；更多紀要：請加微信：value116688
留言列表