• 普林格周期划分经济阶段，结合先行、同步及滞后指标（M1、M2、GDP同比、PPI同比等），将经济分为六阶段，适配现代货币政策环境，反映资产和股票风格的阶段性优劣表现。基于周期划分的大类资产轮动策略近7年年化收益达21.67%，夏普比率1.75，最大回撤-6.38%[page::1][page::2]。

- 周期六阶段分别对应配置债券、股票、商品、黄金等资产，优化配置提升收益稳定性。
- 2018年-2024年3月，基于普林格周期的行业轮动策略多头组实现年化超额5.44%，样本外2023年2月以来超额11.3%[page::2]。

• 宏观变量处理覆盖17类基础指标，经过差分、主观标记及领先滞后处理扩展至204个特征，标志变量形式忠实反映趋势变化，减弱幅度波动噪声对建模影响，典型代表为十年期国债收益率处理示例[page::3]。

• 逐步回归+OLS线性回归方案针对行业超额收益建模，从204个候选宏观变量中筛选至多5个，避免多重共线性且保证变量显著性，提升模型时变鲁棒性。构建了回归因子，L=1、Q=6参数设定下，多头组年化超额收益达14.11%，最大回撤16.3%，夏普比率1.11，2023年多头仍维持正超额收益，模型具较好稳定性和解释性[page::4][page::5][page::6]。

| 分组 | 年化收益率% | 年化波动率% | 最大回撤% | 夏普比率 | 卡玛比率 | 超额胜率% | 年化超额% |
|-------|------------|-------------|----------|----------|---------|---------|----------|
| 第1组 | 22.19 | 20.01 | 16.30 | 1.11 | 1.36 | 61.90 | 14.11 |
| 第2组 | 8.31 | 19.39 | 25.41 | 0.43 | 0.33 | 50.79 | 1.15 |
| 第3组 | 3.67 | 19.51 | 28.14 | 0.19 | 0.13 | 42.86 | -3.19 |
| 第4组 | 5.31 | 19.30 | 28.37 | 0.28 | 0.19 | 50.79 | -1.65 |
| 第5组 | -1.54 | 17.76 | 37.94 | -0.09 | -0.04 | 38.10 | -8.05 |
| 等权 | 7.08 | 18.00 | 26.13 | 0.39 | 0.27 | 0.00 | 0.00 |

• 逻辑回归+L1惩罚项基于行业配对相对超额收益符号构建分类模型，处理29个行业间406个配对，简化回归为更可控分类任务，提升模型拟合效率与泛化能力。参数设定C=0.18，L=3，模型综合考虑过去3个月训练结果，五分组回测多头年化超额13.53%，夏普比率0.89。2023年下半年的回撤表明对宏观变量预期表现仍有挑战[page::7][page::8][page::9]。

| 分组 | 年化收益率% | 年化波动率% | 最大回撤% | 夏普比率 | 卡玛比率 | 超额胜率% | 年化超额% |
|-------|------------|-------------|----------|----------|---------|---------|----------|
| 第1组 | 17.38 | 19.46 | 18.24 | 0.89 | 0.95 | 61.40 | 13.53 |
| 第2组 | 3.69 | 17.37 | 21.55 | 0.21 | 0.17 | 52.63 | 0.28 |
| 第3组 | 5.74 | 17.47 | 27.11 | 0.33 | 0.21 | 52.63 | 2.27 |
| 第4组 | -1.56 | 18.10 | 36.57 | -0.09 | -0.04 | 49.12 | -4.80 |
| 第5组 | -6.07 | 17.55 | 44.84 | -0.35 | -0.14 | 40.35 | -9.16 |
| 等权 | 3.40 | 16.37 | 26.13 | 0.21 | 0.13 | 52.63 | 0.00 |

• 2024年4月、5月行业推荐（基于回归模型）集中于食品饮料、医药、传媒、计算机、国防军工等，组合超额行业等权收益率4月达到0.4%[page::7]。
• 报告指出，周期划分模型更具稳定且能及时捕捉经济状态切换，拟合预测模型在2023年表现波动较大。建议投资者根据对宏观预期的信心和对模型解释性的需求选择回归或分类建模方案[page::9]。
• 报告最后展望依托行业配对的新建模框架，可继续探究配对稀疏结构及时序动量效应，丰富宏观因子与行业轮动交叉研究[page::10]。

宏观因子行业轮动体系 主观与量化结合新尝试——深度分析报告解构

---

1. 元数据与概览

• 报告标题：《宏观因子行业轮动体系 主观与量化结合新尝试》

- 作者：丁鲁明，研究助理付涵

• 发布机构：中信建投证券股份有限公司研究发展部

- 发布日期：2024年5月7日

• 主题：本报告围绕宏观因子对A股行业轮动的影响机制与建模方法展开，核心聚焦宏观变量的量化应用，探索行业轮动的主观与量化结合新框架。

核心论点：报告提出并实证了两大类基于宏观因子的行业轮动模型：

1. 周期划分法（基于普林格周期）：通过周期阶段划分经济环境，并配置相应生命周期中表现优异的行业。

2. 回归与分类预测法：利用大量宏观变量构建回归及逻辑回归模型，预测行业超额收益，指导行业配置。

报告显示，周期划分策略年化超额收益为5.44%，样本外期间表现优异；而基于回归与分类的模型，尤其是逐步回归和带L1惩罚的逻辑回归，分别实现了14.11%和13.53%的超额收益，展现了较好的策略稳定性和解释性。

总体来看，报告强调主观经验与量化方法的结合，依据不同投资者的需求推荐分别侧重周期划分法或回归预测法，为行业轮动投资提供系统化量化框架[page::0][page::1][page::7][page::9]。

---

2. 逐节深度解读

2.1 引言及文献综述

• 本节指出宏观变量指导行业轮动的两类主流建模方法：

- 经济周期划分法：划分经济周期阶段（如传统的美林时钟模型），在每个周期阶段投资优势行业。
- 基于回归模型的预测法：构造行业超额收益与宏观变量的回归关系，进而预测行业表现。

• 文献回顾展现出两类方法在不同市场和周期的应用成果，尤其提示周期划分法受宏观经济大环境驱动较强，而回归法具有更强的灵活性和预测能力。

- 本报告旨在基于普林格周期（改良版美林时钟）和扩展宏观变量池，对A股行业轮动效果进行实证考察。引入回归和分类建模方式，力图提升行业超额收益预测的稳定性与准确性[page::0][page::1]。

2.2 普林格周期在行业轮动上的应用

• 普林格周期综合使用先行指标（M1、M2同比）、同步指标（GDP同比、工业增加值同比）、滞后指标（PPI同比），将宏观经济划分为六个阶段（经济失速、复苏、过热、持续过热、滞涨、萧条）。

- 每个阶段对应配置不同占优资产或行业，如阶段二配置股票、阶段五配置商品和黄金。

• 历史7年该策略年化收益21.67%，夏普比率1.75，最大回撤-6.38%，稳定性强。

- 将普林格周期直接应用于A股行业轮动，统计各阶段行业月均超额收益，构造行业配置因子。回测显示，多头年化超额收益5.44%，2023年2月后样本外收益更高达11.3%。

• 但因子存在单调性及分年稳定性不足，主要因宏观变量有限和简单均值历史统计引入噪声。

图表解读：

• 图1（普林格周期划分规律）：表格展示六阶段经济特征、指标趋势和对应占优资产，清晰地将宏观周期与资产类别关联，用来驱动动态配置策略。

- 图2（大类资产轮动净值）：呈现2016年以来策略净值稳定上升，波动平稳，是宏观周期轮动策略实证驱动力强的视觉体现。

• 图3（收益统计）：年度收益大多数年份正收益，最大回撤控制良好，进一步说明策略的稳健性。

- 表1（行业预期超额收益率因子回测）：第一组年化收益12.91%且卡玛比率0.72，调仓胜率58.7%，表明高收益的同时确保合理的交易胜率。

• 表2（多头分年超额收益）：2019-2024年多头多数年份获得正超额收益，2021年出现负收益为少见异常[page::2]。

2.3 行业超额收益与宏观变量回归建模实证

宏观变量及预处理

• 选取17个基础宏观变量，经差分及主观标记处理扩展成204个变量（包含领先、滞后期）。

- 主观标记将数值型变量转为方向性标签（上升、下降、持平），可改善节假日、季节效应带来的噪声，但在拐点识别上可能滞后。

• 典型变量如房地产开发完成额CPI、GDP、PPI、中债国债到期收益率等广泛覆盖宏观经济多个维度。

图4展示了“中债国债到期收益率：10年”的原始数据与两种标记处理对比，红线为主观标记，蓝线为差分标记，显示了将连续指标提炼为趋势标签的处理框架，便于模型识别经济走势特征[page::3]。

逐步回归变量选择及模型构建

• 采用逐步回归对每个行业单独选择不超过5个显著且无共线性的宏观变量，提高模型简洁度与鲁棒性。

- 训练时考虑过去 Q=6 个月的变量选择情况，防止变量入选频繁波动导致模型稳定性差。

• 预测期模型因变量为行业 T+1月超额收益，解释变量为 T+1月及其周边（领先/滞后）宏观变量。

- 回归拟合两步法：先用OLS拟合行业超额收益，再用残差拟合月度效应，充分捕捉行业月度周期性波动。

• 回测时间2018年末至2024年3月，参数设定为 L=1，Q=6。

模型表现：

• 因子五分组回测显示明显单调性，第一组多头年化超额达14.11%，夏普比率1.11，表现出较强预测能力和风险调整后收益。

- 多头组年内回撤最大为16.3%，调仓胜率约62%，说明买入信号的稳定性较好。

• 按年分解，各年均为正超额收益，除了2023年中出现一定回撤，反映出模型在较大部分时期内可持续有效。

图5为逐步回归变量筛选流程图，详细展示了模型自变量的筛选逻辑，以保证每个入选变量的统计显著性与差异性。

图6为该模型带入宏观数据后的回测净值增长曲线，清晰呈现时间序列上的增长和波动特征。

表4-5展示了逐步回归模型的主要回测统计数据与分年超额收益的表现[page::4][page::5][page::6]。

模型信号及行业推荐

• 部分宏观变量使用频次（表9）表明上证指数过去一个月波动率差分、M2差分等多为关键驱动变量。

- 2024年4月、5月行业组合推荐鲜明，涵盖食品饮料、医药、传媒、计算机、国防军工等，体现模型对当期宏观行业预期的具体把控。

---

2.4 行业截面配对与逻辑回归建模实证

模型设计

• 将行业超额收益回归问题转化为行业两两配对的分类问题，即预测行业 i 相对行业 j 的超额收益符号（正负1），简化模型复杂度。

- 共计29个中信一级行业，行业配对数达406对，构成高维分类任务。

• 采用逻辑回归嵌入L1惩罚项，促进变量稀疏选择，提高解释性和模型泛化能力，在样本容量较低情况下防止过拟合。

- 逻辑回归模型输出某行业相对另一个行业超额收益为正的概率，通过所有配对加总构成行业最终排名预期因子。

回测与表现

• 采用参数：惩罚项C=0.18，模型回看期L=3。

- 回测期间同样采用2018年底至2024年初，剔除综合金融类行业。

• 因子五分组年化收益率第一组达17.38%，超额收益13.53%，夏普0.89。

- 超额胜率61.4%，虽波动及回撤同时较逐步回归稍高，但模型参数稳定性更优。

• 2023年表现有所回落，尤其下半年，显示模型应对突发宏观变动时的局限性。

图14呈现该逻辑回归模型的累计收益净值曲线，突出多头超额净值的稳定增长。

表11-12为该模型的详细统计数据及年度超额收益[page::8][page::9]。

---

3. 图表深度解读

图1：普林格周期划分规律

• 分为6阶段，每阶段列明经济特征、关键指标趋势（M2、GDP、PPI）变化方向、对应的占优资产（债券、股票、商品等）。

- 作用是宏观研判并指导阶段资产配置，为后续行业轮动提供周期性框架支撑。

图2：普林格周期大类资产轮动净值曲线

• 2016年至2024年，净值呈现稳步攀升，验证周期基础策略稳定增值能力。

图3：周期资产回测统计表现

• 年均收益区间广泛，部分年份回撤小，最大回撤仅-6.38%。

- 统计证明周期方法组合复合了较好的收益-风险表现。

表1、表2：普林格周期周期策略行业超额收益因子分组统计

• 多头组表现显著优于其他组，5.44%的超额收益验证其行业多头策略有效性。

- 分年收益波动说明部分年份模型适应性差，需结合更多变量或算法提升。

图4：宏观变量处理流程示例（十年期国债收益率）

• 三种曲线展示原始收益率及两套标记处理对照，体现将连续宏观指标转化为趋势标签的方法。

图5：逐步回归变量筛选流程图

• 展示逐步加入变量、剔除高共线变量、模型显著性检验的严谨流程，确保选择变量统计有效且互相差异。

图6：逐步回归模型L=1,Q=6回测净值

• 各组净值分布较为均匀，多头表现明显优异，策略整体稳健。

表4、表5：逐步回归模型回测统计

• 第一组年化超额收益14.11%，调仓胜率61.9%，价值显著。

表9：宏观变量使用频次统计

• 展现模型核心驱动指标，其中波动率、M2差分、工业增加值等使用最频繁，凸显其预测核心作用。

表10：模型最新行业推荐

• 食品饮料、医药、传媒等行业多次进入前五推荐，体现模型对当前经济态势的把握。

图14：逻辑回归模型C=0.18，L=3回测净值

• 2020年及之后多头净值快速增长，凸显逻辑回归的时间适应性。

表11、表12：逻辑回归模型回测统计与分年表现

• 首组年化超额13.53%，超额胜率61.4%，表明较好的预测能力。

- 2020年表现尤为突出，超额收益23.7%。

---

4. 估值分析

本报告主要聚焦于基于宏观因子的行业轮动策略构建与实证表现分析，不涉及传统意义上的企业估值模型（如DCF、市盈率等）估值评估，核心关注点为行业超额收益预测因子的构造及选股配置建议。

估值部分体现在通过模型预测的行业相对强弱及超额收益，指导行业配置权重，因而估值方法是量化模型回归和分类的拟合能力与预测准确度，而非具体公司估值。

对于回归模型，关键输入包括丰富的宏观变量（204个标记变量）、变量筛选机制（逐步回归），而逻辑回归模型应用L1正则化实现变量稀疏选择，成为两个方案的核心估值“参数”。

---

5. 风险因素评估

报告明确风险提示如下：

• 模型失效风险：宏观变量与行业关系可能发生结构性变化，导致模型拟合不再准确。

- 历史不代表未来：历史规律可能不复存在，尤其面对激烈变动的经济或政治环境。

• 海外和地缘风险：地区冲突及地缘政治风险可能导致资产市场异常波动。

- 美联储政策执行风险：降息时间及力度不及预期可能影响市场走势。

• 国内外经济增长风险：中国经济增速下降或不及预期可能导致行业表现弱化。

- 模型结果仅供参考，不构成直接投资建议，投资者需谨慎决策。

整体风险控制机制以上述预警为主，报告未详细部署具体缓解策略，强调需结合市场动态灵活调整策略[page::0][page::7][page::9][page::10]。

---

6. 审慎视角与细微差别

• 周期划分法局限：普林格周期策略表现不稳定，尤其2023年市场状态快速切换带来挑战，说明固定周期划分方法可能难以捕捉高频经济状态变化。

- 回归模型变量选择：逐步回归限制变量数最多5个，提高模型解释性但可能忽略部分重要变量；逻辑回归变量较多，解释性较弱。

• 模型预测依赖宏观预期：逻辑回归模型对未来宏观变量趋势的依赖较大，投资者对宏观状态预判准确度直接影响模型有效性。

- 样本外表现差异：2023年两模型均出现回撤，反映出宏观模型对极端市场环境适用性有限。

• 模型内生变量关联：逐步回归避免同一变量多个滞后期共存，减少共线性，但可能忽视时序动态信息。

- 样本量与变量多样性权衡：高维宏观变量与较短时间序列导致模型训练与验证面临数据不足风险。

• 未涉及流动性及市场微观结构因素：报告主要宏观变量驱动，可能忽视行业内部结构性及政策突变影响。

---

7. 结论性综合

本报告系统地构建和测试了基于宏观因子的行业轮动模型，揭示了宏观经济周期及丰富宏观数据对行业超额收益的驱动力。通过普林格周期划分，策略实现了稳健的年化超额收益5.44%，在样本外期间表现更佳，说明周期划分法虽简单但有效。

同时，两种基于宏观变量的预测模型呈现更高的超额收益，逐步回归模型多头年化14.11%，逻辑回归模型达到13.53%，均体现了宏观变量细粒度处理和回归/分类建模能够提升行业超额收益预测的精细度和稳定性。逻辑回归通过将行业超额收益回归转化为配对分类任务，降低模型复杂度，利于变量选择与解释。

宏观变量通过差分和主观标记的统一处理，拓宽了预测因子视角，凸显M2、工业增加值、上证指数波动率等关键因子的使用频率与预测重要性。

行业回测和推荐结果具体且具实用价值，指明食品饮料、医药、传媒、计算机、国防军工等为当前及未来阶段的重点行业，结合宏观周期变化灵活调整，有助于投资者构建动态调整的行业配置策略。

风险提示明确提示模型失效与外部冲击可能性，强调任何模型需配合风险管理及灵活调整。

整体而言，报告体现了主观宏观周期理论与量化多变量模型的良好结合，为A股行业轮动提供了严谨科学且具体可行的建模策略，适合专业机构投资者作为参考框架。

---

附：本文中重要图表索引及Markdown格式示例

• 图1：普林格周期六阶段划分示意

• 图2：普林格周期资产轮动净值曲线

• 图4：宏观变量处理示意-十年期国债收益率差分和主观标记

• 图5：逐步回归变量筛选流程

• 图6：逐步回归模型回测净值

• 图14：逻辑回归模型回测净值

---

# 本报告全文均基于中信建投《宏观因子行业轮动体系-主观与量化结合新尝试》2024年5月7日发布内容整合解析，[page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8][page::9][page::10]

报告