• 周期得分生成器设计及特点 [page::1][page::2]

采用HP滤波+傅里叶变换判断同比数据中短周期状态，结合环比数据斜率分数，合成周期方向得分与周期斜率得分，各赋权50%，并以12个月移动平均平滑生成最终周期得分。该得分兼具领先指标和扩散指标特性。

• 六维宏观周期得分构建及行业轮动策略表现 [page::2][page::4]

包含景气度、通胀、盈利、存货、利率、信贷六个维度，合成实体+金融板块宏观周期得分，与OECD领先指标和制造业PMI高度正相关。基于综合宏观周期得分正负分组对21个中信剔除金融地产服务外行业构建轮动策略，TOP4行业组2013年以来年化收益率为18.39%。

• 行业中观周期得分构建方法与数据选取 [page::4][page::5]

以价格、营收、产成品存货3大类中观指标为基础，进行标准化处理后输入周期得分生成器，分别获得行业中观价格、营收、存货周期得分，等权合成为行业中观周期得分。当前主要覆盖21个中信一级行业，金融地产服务业剔除。

• 钢铁行业中观择时案例 [page::6][page::7]

价格周期得分与PPI黑色金属相关指标高度同步，营收和存货周期得分同样与对应指标呈现较好同步性。策略有效规避了2018年以来两次主要下跌，2021年行业超额收益明显。

• 电子行业中观择时案例 [page::7][page::8]

选用计算机、通信及电子设备制造业相关PPI、营收和存货指标，价格及存货周期得分与实际同比指标表现同步且具领先性。行业中观周期得分在2019年提前反映景气复苏，2023年下半年出现温和复苏趋势。择时策略实现了明显超额收益和风险控制。

• 基于中观周期的行业轮动策略表现 [page::8][page::9]

根据行业中观周期得分排序等权组合，每月调仓，剔除金融地产服务业。虽然中间分组超额收益分层不明显，但TOP4行业组合仍实现14.17%年化收益，显著优于行业均值。

• 宏观与中观周期复合策略及配置情况 [page::9][page::10][page::11]

设计精选组合（双周期排名均前1/3）和优选组合（双周期排名均前1/2），以2013年以来数据回测，精选组合年化收益20.51%，优选组合14.89%，均显著超额行业均值。2024年3月底精选行业约3-4个，优选行业约5-6个。

• 模型部分时间段失效原因分析 [page::11]

主要因市场脱离基本面（2015年下半年）、市场提前反应周期（2021年底）及市场错误共识（2023年底石油石化案例）。并提出后续关注海外市场数据、丰富行业指标覆盖，对金融地产服务业特殊处理，及结合交易信号多维提升模型鲁棒性。

宏、中观复合周期驱动下的行业择时与配置策略——详尽分析报告

---

一、元数据与报告概览

• 报告标题：宏、中观复合周期驱动下的行业择时与配置策略 量化经济周期系列研究之二

- 作者及团队：招商定量任瞳团队

• 发布时间及地点：2024年5月7日，北京

- 研究主题：基于经济中周期的定量拆解方法，构建宏观及行业中观周期得分模型，设计行业轮动策略以进行行业配置，旨在提高行业择时的有效性，挖掘超额收益。

• 核心论点：报告通过升级和创新周期状态判定方法，设计了周期得分生成器，结合宏观六维经济数据和行业中观数据，同时构建宏观与中观复合周期得分体系，以驱动行业轮动。实证显示策略能够显著超越行业均值，且在精选和优选组合中获得更高年化收益。报告提醒模型在极端及非典型市场环境下存在失效风险。

- 报告目标价/评级：无明确目标价或评级，本报告偏重周期模型和行业策略设计及实证绩效展示，侧重策略表现。

---

二、逐节深度解读

内容摘要

报告以经济周期拆解与预测方法为基础，打造周期得分生成器，将同比及环比数据结合，形成宏观及行业中观周期得分。报告依此设计宏观和中观周期的行业轮动策略，最后合成复合策略，实证表现优异：

• 宏观周期得分驱动的行业组合年化收益率达18.39%，年化超额收益10.2%。

- 行业中观周期得分对应组合年化收益14.68%，年化超额6.49%。

• 两者结合的精选和优选组合年化收益分别为20.51%和14.89%，相较行业均值显著超额。

这一系列策略定量化反映了宏中周期变化对行业配置的引导作用，强调双周期信号联合判断的增强效果。[page::0]

---

I. 周期得分生成器与宏观周期下的行业轮动策略

1. 周期状态判断到得分生成器

报告承接系列一，提出经济周期拆解三步骤：

• 选取内生性强的6类经济变量：景气度（PMI同比）、通胀（PPI同比）、库存（产成品存货同比）、盈利（利润累计同比）、利率（10年国债收益率扣除R007）、信贷（中长期贷款余额同比）。

- 基于HP滤波加傅里叶变换提取中周期（40月左右）和信贷周期（84月）内核心周期，新增拆解0-24个月短周期。

• 判别周期状态四类：顶部、底部、上升中期、下降中期。

针对未覆盖的短周期状态、周期斜率（环比增长），以及周期状态数据的定量得分转化，报告提出了周期得分生成器，详细流程四步：
1) 从同比数据判断中、短周期状态，赋予相应分值，上升中期得1分，下降得-1分，顶部底部为0。
2) 对同比得分按照中周期权重80%、短周期权重20%合成，12个月移动平均平滑。
3) 对过去5年对应环比数据计算所处历史分位数，线性映射至[-1,1]，再进行平滑，得“周期斜率得分”。
4) 两者等权合成最终“周期得分”，这结合了领先指标的方向性和扩散指标的斜率特性。

流程图和具体赋分规则见图表2，展现得分构造透明清晰，体现出报告的技术创新点。[page::1,2]

2. 六维宏观周期及综合周期得分构建

六维数据分别对景气度、通胀、存货、盈利、利率和信贷周期进行独立周期得分计算，数据显示六维周期得分整体上领先于宏观经济数据走势，能够捕捉中周期变化（图表3）。

此外，报告针对六维指标的可加性做出划分，实体部门（景气度、通胀、盈利、存货）周期经常同步共振，反映宏观基本面，金融部门（利率与信贷）周期虽存在阶段错位但整体共振，二者合成综合宏观周期得分：
综合宏观周期得分 = 0.5×实体周期均值 + 0.5×金融周期均值。

整体曲线显示宏观基本面正修复但斜率仍低，未出现明显转折（图表4、5）。该得分与OECD综合领先指标和制造业PMI正相关，表现更为平滑，反映中周期运行状态，区别于短期外生冲击的波动（图表6、7）。[page::2,3]

3. 宏观周期得分驱动的行业轮动策略设计

基于综合宏观周期得分的正负号判定，对21个剔除金融地产等的行业的历史表现赋予时间衰减权重，处理历史不同时期的周期表现不确定问题。
设计步骤：

• 每月月底判断周期得分正负。

- 提取历史相同周期得分状态（月度标记）对应行业收益率。

• 计算收益率的调整后收益，赋予距离越近时间更高权重（半衰期6个月）。

- 按调整后收益排名，做等权配置前n个行业。

该逻辑考虑周期对行业的驱动但规避简单历史重复的刻板印象，兼顾当期市场反馈。
实证期2012-2024，基于排名前4的行业组合获得18.39%的年化收益率，显著跑赢行业均值8.19%，收益率走势图显示策略净值稳定上升，最大回撤55.59%左右，且夏普比率高达0.63（图表8、9）。[page::4]

---

II. 行业中观周期得分构建与策略

1. 中观周期得分构建方法

行业中观周期进一步细化至行业层面，依据价格（PPI）、营收、产成品存货三大维度指标。报告采取如下步骤：

• 针对各类指标标准化处理（均值方差标准化）。

- 区分指标公布频率（月度、日周度）分别等权合成。

• 合成后的同比与环比数据同样输入周期得分生成器，分别获取价格、营收、存货周期得分。

- 将三部分等权合成得到行业中观周期得分。

剔除金融、地产、服务业主要因其缺乏工业企业月度数据对应指标。选择该三类指标主因数据质量及对应性较强，利于构建较稳定的行业中观周期体系（图表10、11）。

行业中观数据再基础上优化行业轮动策略，试图反映行业更细致的景气发展阶段。[page::4,5]

2. 中观周期案例分析

选择钢铁（代表价值周期）和电子（代表成长周期）两个典型行业，检验行业中观周期得分的有效性。

• 钢铁行业

价格周期指标包括黑色金属相关PPI及相关期货价格；营收与存货数据涵盖工业企业黑色金属相关部门累计营收和存货。
中观周期得分表现出对实际价格和营收同比数据的同步及领先性（图表14-16）。
择时策略表明，2018年上半年中观周期得分转跌预警了随后的两年下跌，2021年上半年转强指向补库存与价格上涨，配合国内供给侧改革和全球需求复苏背景（图表17-18）。

• 电子行业

数据一并选用“计算机、通信和其他电子设备制造业”相关指标，价格、营收周期得分与实际同比数据高度相关，存货周期得分表现逆向，反映去库存特征（图表19-22）。
绝对收益和相对收益显示2019年周期转正较钢铁提前，反映消费电子景气新周期；2021年末开始周期转负，后期行业景气受供应链及消费见顶影响2023年回温明显（图表23-25）。

基于此构造中观周期行业轮动策略，剔除非工业行业后，2012-2024年TOP4中观周期行业组合年化收益14.17%，较行业均值7.56%显著超额。策略收益分组存在平滑区间，预计因当前部分行业底层指标难以精准捕捉周期特性（图表26）。[page::6,7,8,9]

---

III. 宏中观复合周期策略与综合表现分析

1. 宏中观复合周期策略构建

鉴于同一行业拥有宏观和中观两个周期得分，报告设计复合筛选机制：

• 精选组合：每月底同时位于宏观与中观周期得分前1/3的行业（约前7名）等权配置。

- 优选组合：同时位于两类周期得分前1/2的行业（约前10名）等权配置。

• 如无符合条件（尤其精选组合），配置行业均值指数。

以2024年3月31日为例，精选组合包含煤炭、石油石化、汽车、家电、交通运输等3-4个行业；优选组合包含5-6个行业（图表27）。

实证结果表明精选组合回测期间年化收益20.51%，优选组合14.89%，明显优于行业均值8.09%。两者均表现出更好的夏普比率及回撤控制能力，月度与季度胜率均高于基准（图表28、29）。[page::9,10,11]

2. 模型失效阶段浅析

报告诚实指出精选组合在部分阶段表现不佳：

• 2015年下半年：市场脱离基本面驱动（大牛市情绪推高），模型基于基本面周期信号失准。

- 2021年末：市场领先周期修正，农林牧渔板块高收益受到猪肉价格修复预期驱动，模型信号不足以捕捉情绪与结构性超额。

• 2023年末：石油石化行业信号偏强，但市场因通胀下降及衰退预期导致股价下跌，模型结论与短期市场交易有背离。

从中看出模型优势在中周期趋势判断，缺乏对短期情绪波动和外生冲击的即时反应能力（图表30）。[page::11]

---

IV. 总结与展望

主要完成内容

1. 创新构建周期得分生成器，结合周期方向与斜率，同时融入领先指标与扩散指标优势。

2. 基于六维实体与金融宏观数据构造宏观周期得分，驱动行业轮动策略取得18.39%年化收益。

1. 利用行业价格、营收、存货三维数据构建行业中观周期得分，中观驱动策略获得14.68%年化收益。

4. 融合宏观与中观周期排名，设计精选与优选行业组合，分别达到20.51%与14.89%年化收益，显著超额。[page::12]

未来研究方向

• 拓展海外周期得分应用测试其跨境有效性。

- 丰富行业中观周期指标，提升单行业周期刻画精度。

• 建立金融、地产、服务业等行业的专业周期得分体系。

- 融入交易型信号，增强信号对短期市场波动的应对能力。

风险提示与免责声明

报告多处提示历史数据建模固有限制，在政策和市场环境出现变动时易失效。强调报告并非投资建议，投资者应结合自身情况独立判断。分析师薪酬与报告观点无关联，保障研究独立性。[page::0,11,12]

---

三、图表深度解读

图表1（周期状态判断流程）

三步法：经济指标选择→HP滤波+傅里叶变换提取核心周期→周期状态判断。涵盖景气度至信贷六维，明确周期长度区分中期（24-96月）及短期（0-24月），基础扎实且循序渐进。[page::1]

图表2（周期得分生成器流程）

详细呈现同比数据频谱区分不同周期，状态赋分规则（顶部0，下降中期-1等），环比历史分位数映射至[-1,1]，二者各50%权重合成。一目了然，体现创新融合领先与扩散指标特质。[page::2]

图表3（六维宏观周期与实际数据对比）

六张子图显示周期得分曲线领先实际同比或均值曲线波动，确认领先性与准确性，周期指标反映市场真实动态，支持构建宏观得分的合理性。[page::2]

图表4（实体与金融周期错位共振）

六维周期得分叠加趋势图，体现实体部门（景气度、盈利等）及金融部门（利率、信贷）的周期异步现象及整体协同，验证合成方法的合理性及模型的经济解释能力。[page::3]

图表5（综合宏观周期得分）

综合方向与斜率得分同时展示，周期波动较平滑，提示目前处于修复方向但无明显转折，体现逻辑严谨与现实契合。[page::3]

图表6-7（与OECD领先指标及PMI对比）

展现周期得分与常用领先指标的高度相关性，且周期得分曲线更稳定，避免短期外部冲击干扰，强化周期得分的中周期性质。[page::3]

图表8（宏观周期驱动行业轮动流程）

详细数学表达式，包含历史数据权重衰减、分组排序及配置，流程严谨，融合统计学和金融数据分析技术先进。[page::4]

图表9（宏观轮动策略业绩与分组收益）

年化超额收益组图体现顶端行业组合在收益上显著优于其他组，净值曲线稳定领先，表明模型具备实际操作价值。[page::4]

图表10（行业中观周期构建流程）

从多指标、标准化到周期得分生成器输入的清晰因果关系图，凸显数据多层次融合及模型结构完整度。[page::5]

图表13-16（钢铁行业中观周期指标及周期得分）

价格、营收、存货周期得分紧密追踪相应实际指标，体现模型具备抓取行业各维度周期变化的能力。[page::6]

图表17-18（钢铁行业择时策略表现）

绝对收益与相对收益的择时策略均取得显著超额，确认行业中观周期信号的实践效用。[page::7]

图表19-22（电子行业中观数据及周期得分）

价格、营收周期同步趋势，存货周期明显逆向，反映去库存周期特征，符合行业真实运行特征。[page::7]

图表23-25（电子行业择时策略绩效）

周期得分与指数走势显相关，绝对收益及相对收益均显示该择时策略有效捕捉电子行业景气波动，增强模型行业适用性。[page::8]

图表26（中观周期分组超额收益）

中间组区分不明显，主因行业底层数据单一性，模型未来需扩展指标，做好行业切分，提升轮动识别力。[page::9]

图表27（2024年3月底宏观与中观排名示意）

二维排名矩阵展示精选与优选行业聚合逻辑，直观反映模型筛选行业的分布状态，[page::10]

图表28-29（精选与优选组合业绩）

净值曲线和指标清晰展示精选组合收益更优，风险调整表现良好，验证复合策略的超额收益能力。[page::11]

图表30（精选组合月度超额收益波动）

标注多个失效时段，说明模型局限及独到透明的风险提示，促使投资者正确理解模型边界。[page::11]

---

四、估值分析

报告主旨为周期驱动行业择时，无单独估值模型剖析，但基于周期得分的行业轮动视角提供系统估值视角。周期得分反映中周期经济基本面与行业景气状况，间接影响行业估值空间及投资回报。风险提示部分强调宏观变局对模型估值判断的影响，暗示估值及配置需配合周期分析动态调整。

---

五、风险因素评估

报告重点风险提示：

• 模型基于历史数据统计和测算，政策及市场环境变动时可能失效。

- 特殊阶段市场非基本面驱动（2015年大牛市、2021猪肉行情等），模型信号或出现失真。

• 不同外部冲击导致周期指标与市场走势背离（如2023年末石油石化案例）。

- 行业中观周期指标覆盖不足，金融地产等行业缺乏有效指标支持，使得策略表现存在体系性局限。

未见具体风险缓解措施，但后续研究方向包括数据指标丰富和结合交易信号为潜在补充策略可靠性方式。[page::0,11,12]

---

六、批判性视角与细微差别

• 报告在周期得分生成器设计上极具创新性，但对短期波动和外部冲击的反应能力有限，存在“滞后”本质；周期斜率映射虽然引入环比考量，但仍主要反映中周期趋势。

- 行业中观周期指标选择较为主观，尤其通信、计算机和电子三行业底层数据相同，未完全契合实际行业差异，限制了模型准确性和普适性。

• 部分时间段模型失效现象说明模型对市场情绪、政策临时冲击敏感度不足，强调周期模型不能单独作为短期择时工具。

- 在数据整合加权上，报告采用等权与固定权重分配，未来可考虑机器学习等方法进一步优化权重和变量选择。

• 复合周期策略的“无视角”月份配置基准，增加风险缓释但也可能错失某些机会，模型实际应用中需要策略灵活调节机制。

整体来看，报告透明细致且系统周全，但对行业周期分解的深度及短期交易融入仍需进一步完善，模型解释力与适用范围尚需扩展。

---

七、结论性综合

本报告通过构建周期得分生成器，创新性地结合同比和环比数据，兼顾周期方向和斜率，提炼出反映经济中周期状态的宏观及行业中观周期得分。基于宏观六维经济指标和21个剔除金融地产服务业的中信一级行业数据，分别构建宏观周期得分和行业中观周期得分，用于指导月度行业轮动策略构建。实证数据显示：

• 宏观周期驱动的行业轮动策略自2013年以来年化收益18.39%，超额收益十个百分点左右，风险控制及波动率适中。

- 行业中观周期得分驱动策略年化收益14.17%，同样具备稳定超额收益。

• 两者结合的精选和优选组合策略，分别年化收益率达到20.51%和14.89%，有效提升配置准确性和收益质量。

报告充分论证了经济周期理论与量化实证的有机结合，提升行业择时的科学性和实用性。
然而，模型表现仍受外部市场结构、政策变动和情绪影响，某些时间点出现失效，提示投资者需结合更多维度信号综合判断。未来研究拟丰富行业周期指标、强化海外市场验证、引入交易信号提升短期准确率。

报告论据扎实，模型体系完备且有连贯性，图表展现清晰直观，深入诠释周期变化对行业表现驱动关系，是宏观经济与行业投资研究领域的重要贡献，具有较高的实务参考价值和研究推广意义。[page::0-12]

---

报告图表示意（部分示例）：

• 经济指标选择及周期提取流程

- 周期得分生成器框架示意

• 六维周期得分领先实际数据走势

- 宏观周期驱动行业轮动策略表现

• 钢铁行业周期得分与指标对比

- 电子行业周期得分与指数对比

• 2024年3月底宏观与中观周期排名矩阵

- 精选与优选组合累计收益与指标

---

综上，报告通过量化周期析解与精准数据筛选，提供了具备科学严谨性和实践指导意义的行业轮动策略路径，且数据充分验证了模型在过去十余年的效果，尽管存在特定阶段失效风险，但整体上为行业配置提供了强有力的量化支持。投资者可以将其作为参考框架结合其他信息源形成多维度投资决策体系。

[page::0,1,2,3,4,5,6,7,8,9,10,11,12]

报告