【量化研报分享】光大证券-行业轮动系列研究之宏观篇:量化模型与宏观逻辑的碰撞-20200424


(High2) #1

本篇报告聚焦于宏观状态的识别及其在行业轮动上的应用。报告采用量化模型结合主观逻辑的方法,并通过中观重点指标验证宏观状态,构建 了宏观视角下的大类行业轮动模型。
同类行业共享宏观逻辑,多维特征划分大类行业。 作为行业配置的前 提,我们需合理划分特征相似的大类行业板块。将不同市场行情下的 收益率、ROE、营收增速等数据作为板块特征,结合 K-Means、模 糊 C-均值聚类进行行业的聚类,通过少量逻辑调整将行业划分为周期 上游、周期中游、周期下游、可选消费、一般消费、金融、科技七大 板块。
动态宏观情景聚类:有效缓解历史信息依赖。 我们采用经济、通胀、 货币等宏观数据,通过层次聚类区分宏观情境,并统计相似情境下大 类行业的收益表现。动态聚类模型配置较为灵活,可有效缓解静态聚 类下过多配置长期强势板块的问题。但其统计过程相对黑箱,难以获 得投资逻辑的支撑。且由于无法结合投资者的主观判断,在应用中具 有一定局限性。
量化复刻“政策-经济”逻辑:特征明显时准确率达 70%。 为解决量 化模型投资逻辑上的缺陷,我们基于对历史周期的主观复盘结论,统 计了不同阶段下的宏观、中观数据典型特征,并结合量化方式识别所 处阶段。模型采用货币政策指数(MPI)度量货币政策,并通过主成 分降维提取物价、工业需求、消费需求波动的共同因子。在数据特征 明显时,模型判断准确率可达 70%。
逻辑+统计交叉印证:轮动策略年化超额 8%。 动态聚类模型及“政策 -经济”模型在多数时间内观点吻合。模型观点一致时,对宏观状态的 量化判断有一定逻辑支撑,且大类行业表现能够验证配置逻辑;而在 观点分歧较大时,驱动板块行情的主要因素可能并非宏观经济状态。 宏观轮动策略配置通过交叉验证的大类行业,并在观点分歧较大时放 弃使用宏观模型。综合策略表现明显提升,测试期(2016 年 7 月至 2020 年 3 月)内年化超额 8%,信息比率 1.23。