• 团队影响力突出，研究报告阅读量在同行业市场排名第二，奠定了团队专业性和研究深度 [page::0]。

• 中信建投金融工程策略框架涵盖量化基本面、多因子及事件选股、基金研究、大数据等多方面，数据源多样，包括Wind、Bloomberg和新闻爬虫等，确保策略全面且数据丰富 [page::1]。

• 航空行业核心指标分析：

- 供需结构（客座率）是航空股超额收益的基石，客座率对超额收益有3个月领先，相关系数达53%，单变量解释度28% [page::5]。

- 汇率与原油价格对航空超额行情均有6-9个月领先，相关系数分别约31.5%和42.17%；汇率及油价对行业影响显著但经济逻辑复杂 [page::6][page::8]。


- GDP虽然与超额收益相关但无领先性，适用性有限 [page::9]。

• 航空股表现回顾：

- 过去13年航空指数相对沪深300有三轮明显超额收益，其中2014-2015年超额收益最高达138.6%，持续时间最短 [page::10]。

- 个股整体表现稳定，中信海直与其它航空股业务不同，敏感度较低，南方航空和中国国航对沪深300的敏感度最高（beta分别1.31和1.33） [page::11]。

• 航空行业整体高Beta特性显著，航空指数相对沪深300beta为1.18，t值15.83，体现出行业周期波动性强 [page::12]。

• 客座率的季节性及月度特征：

- 客座率从2008年74.7%增长至2018年83.7%，显示稳步提升趋势。
- 第三季度客座率最高，四季度超额收益显著（平均3.44%），而一、二、三季度超额收益多为负，具有明显季节性规律 [page::13]。

• 量化基本面预测模型：

- 净利润TTM环比增速模型解释力较低（R²约12.65%），主要由客座率和原油价格影响较弱；营业收入模型表现较好，R²为64.15%，三大指标对营业收入预测显著 [page::15][page::16]。


- 基于三指标建立的航空指数相对沪深300超额收益TTM增速预测模型方向准确率为71.74%，拟合度达到45.85%，其中客座率为主导因子，汇率、原油价格次之 [page::17]。

• 量化基本面择时模型：

- 以月度数据回归三项指标预测超额收益TTM环比增速，若预测值＞0则做多，否则空仓。
- 近一年回归系数显示客座率正相关，汇率和油价负相关，客座率显著优于其他指标。
- 策略相对航空指数年化超额收益5.48%，净值曲线显示显著择时增厚效应 [page::18]。

• 量化基本面选股模型：

- 同样基于三大指标TTM环比增速，结合成分股历史相对HS300超额收益数据，月度回归推导未来表现。
- 股票收益预测大于零则纳入组合，组合等权配置，若全负则全覆盖。
- 不同个股对客座率的敏感度存在显著差异，南方航空敏感度最高，中信海直最低，且后者季度敏感度递减，符合其主营业务特性 [page::19][page::20]。

• 行业结构及成本进展：

- 航班订座量持续上升，国际占比较为显著增长。
- 航空公司大幅降低美元负债比，2012-2017年由80%左右降至约35%，减少汇率风险。
- 燃油成本占比也呈下降趋势，中信海直燃油成本最低 [page::21]。

• 指数增强策略表现优异，年化相对等权基准超额收益8.41%，相对航空指数超额收益13.64% [page::22]。

• 综合：

- 报告首创基于经济逻辑支持的量化基本面选股体系，通过行业关键指标的领先性与敏感度解读航空股超额收益形成机理。
- 明确了供需结构（客座率）为行业超额收益核心驱动力，辅助以汇率与原油价格的宏观影响。
- 建立多维预测模型和组合策略，实现了择时与选股一体化，量化选股核心为行业基本面指标差异化敏感度，提升组合收益 [page::23][page::24]。

【建投金工丁鲁明团队经典回顾】量化基本面选股——航空业投资方法探讨报告详尽分析

---

一、元数据与报告概览

• 报告标题: 《量化基本面选股 从逻辑到模型，航空业投资方法探讨》

- 作者: 丁鲁明及其金融工程团队成员（包括王赟杰、陈元骅、赵然、陈升锐等）

• 发布机构: 中信建投证券研究发展部金融工程团队

- 发布时间: 2018年8月7日（文章发布于2018年10月10日）

• 主题: 针对航空行业，通过量化基本面指标探讨行业超额收益的驱动逻辑，建立基于核心行业变量的择时与选股模型。

核心论点与目标

本文基于航空行业四大核心指标（客座率、汇率、原油价格、GDP），分析航空指数相对沪深300的超额收益，发现：

• 航空业具有明显的高Beta属性，航空指数在历史大行情中常表现出超额收益。

- 客座率是行业超额收益的基石，领先超额收益约3个月且相关性强。

• 汇率和原油价格虽非核心，但为重要外部领先指标，领先性明显（6-9个月）。

- GDP虽相关但无领先性，指导性较弱。

• 基于这三大核心指标建立的TTM环比增速模型，在预测行业超额收益方向上准确率达71.74%。

- 基于核心变量构建的择时模型年化超额收益5.48%，选股策略年化超额收益13.64%，实现行业指数增强。

总体而言，报告旨在以量化基本面视角，跳出传统因子挖掘框架，实现对航空行业的择时与选股，并证明基本面量化模型的有效性，为后续行业量化研究树立典范。[page::0,3,23]

---

二、深度章节解读

1. 航空行业核心指标量化解析

此部分详细解析航空行业几个关键影响变量：客座率、汇率、原油价格与GDP。

1.1 供需结构（客座率）

• 经济逻辑: 客座率高代表航空公司有较强的业绩改善空间（提价能力增强），故客座率提升预示超额收益。

- 数据与趋势:
- 图1呈现航空指数相对沪深300及客座率的时间序列，客座率总体呈上升趋势（2005年至2018年从约57%涨到超过82%），但航空指数的超额收益波动大，受市场整体牛熊市影响。
- 考察TTM环比增速后，客座率领先超额收益3个月且两者相关系数达53%，通过单变量回归分析，客座率对超额收益的敏感度为5.90，单变量解释度28%。

• 结论: 客座率是航空超额收益的基石、核心驱动因素。[page::4,5,13,23]

1.2 汇率（美元兑人民币）

• 经济逻辑: 航空行业典型的外汇负债行业，人民币升值带来汇兑收益、进口飞机及原料价格下降，从而成本降低利好航空公司。

- 数据与趋势:
- 图3显示2005-2018年汇率和航空指数超额收益的走势均偏下降，但经济学逻辑预期人民币升值应推动超额收益。
- TTM环比增速分析得出汇率领先超额收益6个月，汇率回归对超额收益影响显著。
- 但16-18年汇率与超额收益的关系符合理论，为负相关，推断航空公司通过减少美元负债等措施减少汇率敏感性。

• 结论: 汇率是重要的影响因素，存在领先性，但其影响受复杂公司应对措施影响，市场反应逐渐趋于合理。[page::6,21,23]

1.3 原油价格

• 经济逻辑: 燃油成本占比高，原油价格波动直接影响航空公司利润率和股价。

- 数据与趋势:
- 图5显示航空指数和WTI原油价格趋势反向，原油价格上涨对航空股负面影响明显。
- 通过TTM环比增速回归，原油价格领先航空指数超额收益6个月，相关系数为-42.17%，t值为-5.5，敏感度为-0.27，比客座率和汇率敏感度低。

• 结论: 原油价格是重要影响因素，但非超额行情核心驱动力。[page::8,21,23]

1.4 GDP

• 经济逻辑: 宏观经济环境影响商务及旅游出行需求。

- 数据与趋势: GDP与航空股超额收益有显著正相关，但无领先性，表现为行业滞后指标。

• 结论: GDP关联度强但无预测价值，实际应用有限。[page::9,23]

---

2. 航空股超额收益历史回顾

• 2007年、2008-2010年、2014-2015年分别发生三次明显超额收益行情，超额收益最高达138.60%。

- 三次行情分别受汇率升值、客座率提高和油价暴跌驱动。

• 航空股在牛市阶段表现出高beta特征，随市场阶段波动显著。

- 个股层面，中信海直因主营业务不同表现最为平稳，南方航空和中国国航Beta最高，市场解释度最高。

• Beta均值约为1.18，t值15.83，确认航空股高beta[page::10,11,12,23]

---

3. 航空行业超额收益与季节性

• 航空行业为典型周期性行业，四季度航空指数相对沪深300超额收益显著，13年有8年四季度超额收益为正，均值达3.44%。

- 各月的客座率和超额收益存在季节性波动，8月超额收益负值明显。

• 3季度客座率最高，反映旅游旺季，且超额收益落后3个月属性符合经济逻辑。[page::13,23]

---

4. 基于行业核心指标的TTM增速预测模型

4.1 净利润TTM增速模型

• 用客座率（领先3个月）、汇率和原油价格（领先6个月）作为自变量，多元线性回归航空业净利润TTM环比增速。

- 结果表明模型拟合度较低（$R^2=12.65\%$），且部分指标（客座率、原油）相关性不显著。

• 净利润波动较大，模型预测能力有限。[page::15,24]

4.2 营业收入TTM增速模型

• 用同样指标进行营业收入回归，模型拟合度显著提高（$R^2=64.15\%$）。

- 营业收入呈稳定增长趋势，且波动相对净利润较小，说明指标对营业收入预测较有效。

• 三个指标对营业收入增速均显著，支持核心指标预测行业基本面趋势的能力。[page::16,24]

4.3 超额收益TTM增速模型

• 同样指标回归航空指数相对沪深300指数的超额收益TTM环比增速，准确率71.74%，拟合度45.85%。

- 客座率对超额收益具有显著正相关，原油价格负相关，汇率表现受市场发展阶段影响有波动。

• 灵敏度排序为客座率 > 汇率 > 原油价格，体现供需关系为核心变量。

- 模型验证了利用核心经济指标对超额收益的预测能力。[page::17,24]

---

5. 基于核心变量的择时模型

• 模型用历史一年月度数据，结合指标领先信息做多或空仓择时。

- 预测未来一期超额收益TTM环比增速正则做多，负则空仓。

• 得到择时净值年化超额收益5.48%，展示核心指标指导择时的有效性。

- 回归系数近期显示客座率强正相关，汇率与原油价格影响转为负，符合经济学理论基础。[page::18,24]

---

6. 量化基本面选股模型

• 利用各航空成分股相对沪深300超额收益TTM变动，回归三大指标TTM环比增速，利用最新数据预测下一期股票超额收益。

- 股票池剔除上市未满两年及换仓涨跌停股。

• 根据不同个股对指标的敏感度（回归系数）差异精选组合。

- 202个月度调仓周期组合策略实现年化超额收益13.64%（相对航空指数），相对等权基准超额收益8.41%。

• 个股敏感度差异显著，南方航空对客座率最敏感，中信海直则最低，符合其主营业务差异。

- 各类相关指标变化说明随着航空业结构性调整，汇率和油价的影响逐渐减弱，客座率影响上升，体现行业供需核心地位。[page::19,20,21,22,24]

---

三、图表解读与评估

• 图1（页5）：显示航空指数相对沪深300与客座率走势，客座率呈长期上升趋势，航空指数超额收益波动性大。支持客座率为超额收益主要驱动力。

- 图2（页5）：客座率TTM环比增速与超额收益TTM增速正相关，且存在3个月领先效应，确立客座率领先指标地位。

• 图3-4（页6）：展示人民币兑美元汇率与超额收益走势及TTM增速，验证汇率领导效应及复杂性。

- 图5-6（页8）：原油价格与超额收益负相关，TTM增速也能够一定预测超额收益，确认原油的扰动作用。

• 图7-8（页9）：GDP与超额收益相关但无领先，体现经济大环境的滞后反映作用。

- 图9-11（页10-11）：航空指数历史与个股表现及对沪深300的beta，展示行业高波动性及个股差异。

• 图15-19（页13）：不同时间维度客座率及季度超额收益分析，明确四季度超额收益显著，季节规律明显。

- 图22-24, 26-28（页15-17）：净利润、营业收入及超额收益TTM环比增速预测比较，模型拟合度的差异清晰反映指标的预测能力。

• 图29-30（页18）：择时模型拟合效果及年华超额收益展示核心指标择时价值。

- 图31-36（页20）：个股对客座率敏感度、客座率、均价及收入结构分析，说明行业内部差异及核心指标影响。

• 图39-42（页21）：美元负债比与燃油成本占比下降趋势，佐证汇率和油价影响逐步减弱的判断。

- 图43（页22）：选股策略组合净值曲线，显示明显超额收益表现，支持基本面指标的选股有效性。

整体图表严密且层次分明，从原始指标趋势、回归相关分析到策略实证结果，环环相扣，辅助论点，表现出较高的数据完整度和清晰的逻辑线。[page::5,6,8,9,10,11,13,15,16,17,18,20,21,22]

---

四、估值分析

报告没有涉及传统的估值方法（如DCF、市盈率法、EV/EBITDA等），而是专注于基于量化预测模型的超额收益及选股策略的建立与验证，估值以市场超额收益的角度体现。关键词在于：

• 超额收益预测模型: 利用核心行业指标的TTM环比增速进行回归预测，结合领先期实现对航空指数相对沪深300的超额收益波动及个股表现的预测。

- 择时与选股策略: 基于回归模型输出的超额收益信号做多/空决策及个股筛选。

• 结果: 组合策略年化超额收益13.64%，择时策略年化超额收益5.48%。

由于缺乏传统估值部分，评估重点应在模型统计显著性及收益表现上，相关系数显著，t检验统计量均表明核心指标系数显著，支持模型稳健性。[page::17,18,22,23]

---

五、风险因素评估

报告未专门展开风险因素章节，但隐含风险点包括：

• 经济政策和宏观风险: 产业政策调整、汇率波动、油价剧烈波动均影响模型稳定性。

- 模型假设风险: 指标领先期固定，未来可能变化；模型为线性回归，未考虑非线性复杂关系。

• 数据有效性与完整性: 依托历史数据，未来结构性变化可能导致模型失效。

- 市场行为风险: 投资者行为变化可能违背传统经济逻辑，影响模型预测准确度。

• 行业特异风险: 航空业受安全事件、突发疫情等非经济因素影响较大。

报告对部分风险以减小美元负债比例、优化成本结构为缓解措施，减少了汇率和油价敏感度，但整体策略风控细节未明示。[page::6,21,23]

---

六、批判性视角与细节观察

• 数据时间跨度长，但结构性变化可能影响模型稳定性。 比如，2016年后汇率影响转向经济逻辑，体现了市场逐渐成熟，增添短期模型不确定性。

- GDP无领先性使其缺乏预测意义，但报告并未完全放弃，表述上略显重复。

• 选股模型依赖少量航空成分股（仅5只可用），限制了策略多样性和分散风险能力。

- 模型基于线性回归，未引入更多复杂机器学习算法，可能限制预测深度。

• 未触及行业外部冲击（如政策变化、国际形势、疫情等）对模型的潜在影响。

- 报告缺少对策略回测的风险调整收益指标分析（如夏普率、最大回撤等），仅呈现净值和年化超额收益，有一定局限。

• 无详细估值分析，影响对标的估值合理性的参考。

总体，报告理论扎实、数据充足，但应关注模型潜在假设风险及行业结构演变对模型的影响。[page::6,9,19,23]

---

七、结论性综合

本报告系统且详尽地解析了中国航空行业的量化基本面选股方法，核心创新是：

• 识别了航空行业的四大驱动变量：客座率、汇率、原油价格和GDP，确认客座率为核心变量，汇率、油价为重要外部因素。

- 通过严密的统计分析，确立了这些指标与航空股超额收益的相关性与领先性，进而构建了TTM环比增速的预测模型。

• 围绕核心指标建立了多个层次的模型——净利润、营业收入以及更直接的超额收益模型，发现营业收入和超额收益模型拟合表现优秀，净利润预测难度较大。

- 在此基础上，制定了量化择时和基本面选股策略，通过回归个股对核心指标敏感度筛选股票，获得了年化超额收益13.64%的优异表现。

• 量化模型不仅包括历史样本拟合，还实现了样本外预测与实盘择时，证实模型具备一定实际操作价值。

- 报告也结合行业基本面演进，解读了汇率和原油成本占比降低，强化客座率影响的趋势，体现动态适应能力。

• 团队专业背景及持续的深度研究保障了模型的理论与实操质量。

图形和数据展示充分支撑以上结论，层层递进，逻辑清晰，体现量化基本面研究的典范。

整体来看，报告提供了航空业量化基本面选股的完整解决方案，有较强的理论指导意义和市场实操价值，为行业量化研究提供样板。

---

参考图示样例链接（Markdown格式）

• 

-

• 

-

• 

-

• 

---

总结

报告以航空业为案例，提出“量化基本面选股”的思路，紧扣经济学逻辑和市场数据，结合领先指标和回归模型，成功建立了行业超额收益预测及股票筛选体系，验证了模型的实用性与投资价值。除数据和模型本身，报告还着眼行业宏观脉络，为投资者提供了极具参考价值的研究成果。

本报告富含细节，严谨的统计分析与逻辑推理相结合，是量化投资领域基础至应用的典范示范，值得投资研究者深入研读与借鉴。[page::0-25]

报告