因子构建理念与指标设计 [page::3]

• 构建净利润预期同比增速、斜率和曲率三类因子，分别反映长期赛道、中短期景气度和短期情绪。

- 长期赛道因子基于净利润同比与预期ROE，短期因子表现较弱需综合使用。

盈利预期数据处理方法升级 [page::4][page::5]

• 从个股加权汇总升级为Wind等权整体法，避免价格动量干扰，计算更简便。

- 分析师预测覆盖度FY1、FY2高于FY3，预测整体偏乐观，存在显著季节效应，离财报越远越乐观。

单因子回测与因子表现 [page::6]

| 因子名称 | 类型 | 超额收益 (%) |
|---------|-----|-------------|
| ROEFY2 | 1类 | 6.9 |
| EPSF2qoq | 2类 | 7.0 |
| EPSF3qoq | 2类 | 5.7 |
| ROEFY1 | 1类 | 3.8 |
| EPSF3mom | 3类 | 5.1 |

• 预期期限越远，因子信息含量越大，因子IC与年化超额收益提高。

- 盈利预期变动类因子表现优于传统同比指标，短期情绪因子单独表现较弱。

引入极端估值保护机制 [page::7]

• 剔除PB估值最高和最低10%行业，有效控制估值泡沫风险。

- 纳入估值保护后策略净值和超额净值显著提升，风险收益水平改善明显。

多因子复合聚类优选 [page::8][page::14]

| 因子名称 | 类型 | 超额收益 (%) | 选用 |
|------------|-------|-------------|-------|
| ROEFY2 | 1类 | 6.9 | √ |
| ROEFY1 | 1类 | 3.8 | √ |
| EPSF2qoq | 2类 | 7.0 | √ |
| EPSF1qoq | 2类 | 4.8 | √ |
| EPSF3qoqd1m | 3类 | 5.7 | √ |
| EPSF3mom | 3类 | 5.1 | √ |
| ROEFY2d1m| 3类 | 4.8 | √ |
| ROEFY3d3md1m | 3类 | 3.6 | √ |

• 采用层次聚类算法分8组因子，选出每组表现最优因子并等权复合，形成最终策略组合。

多因子策略回测表现 [page::9]

| 年份 | 策略收益 | 业绩基准 | 超额收益 |
|-------|---------|----------|----------|
| 2010 | 12.6% | 4.2% | 8.1% |
| 2014 | 105.2% | 45.8% | 40.7% |
| 2021 | 42.5% | 13.0% | 26.1% |

• 策略年化超额收益达15.6%，最大回撤11%，年度正收益连续且超额稳定。

当前高景气行业推荐 [page::10]

| 行业 | 最新排名 (10/13) |
|----------------|------------------|
| 有色金属 | 1 |
| 石油石化 | 2 |
| 电力设备及新能源 | 3 |

• 推荐重点行业景气度稳定高企，适合重点配置。

聚类筛选方法技术细节 [page::12][page::13][page::14]

• 使用无监督的K-Means及层次聚类法排除相关性高的冗余因子。

- 选取轮廓系数最高的聚类数，配置因子池以减少过拟合风险。

风险提示 [page::15]

• 模型基于历史数据，存在未来失效风险，市场环境变化可能影响策略表现。

报告分析：《估值泡沫保护”的高景气行业轮动策略》

---

一、元数据与报告概览

• 报告标题：估值泡沫保护”的高景气行业轮动策略

- 研究系列：中银量化行业轮动系列（八）

• 作者：郭策、李腾

- 发布机构：中银国际证券股份有限公司

• 发布日期：2022年8月9日（基于报告内容推断）

- 研究领域：金融工程，量化投资，行业轮动策略

• 核心主题：基于分析师盈利预期数据与“估值泡沫保护”机制，构建行业轮动投资策略，通过剔除过度高估值行业，实现年化超额收益提升与风险控制。

核心观点与评级（无具体评级）

• 报告对2021年11月报告《基于盈利预期的行业轮动策略》进行了升级，采用了Wind行业一致预期替代以往个股自由流通市值加权汇总，降低价格动量影响。

- 通过“极端估值保护”（主要使用PB滚动窗口的估值分位数剔除策略）显著提升策略风险收益表现，年化超额收益达15.6%，最大回撤-11%，优于原版策略（14.8%，最大回撤-18.9%）。

• 创新使用分层聚类方法对因子进行分组优选，构建多因子复合模型，有效提升行业景气轮动策略的稳健性和绩效。

- 至2022年10月，推荐的重点行业为有色金属、石油石化、电力设备及新能源。

• 报告风险提示包括模型失效风险，呼吁投资者警惕历史数据的局限[page::0-1]。

---

二、逐节深度解读

因子构建理念（第3页）

• 报告首先提出用盈利预期的三个维度刻画行业景气度变化的理念：

- 水平值：净利润预期同比增速及预期ROE，反映行业的长期“赛道”属性（3-5年）。
- 斜率：盈利预期同比的季度变化，反映中短期行业景气度变化。
- 曲率：斜率的月度变化，反映盈利景气变化的加速或减速，更多用于短期交易。

• 图表1示意盈利预期同比的高低和加速度对应的景气状态，三条曲线分别代表高增速加速、适中增速放缓、低增速下行，清晰体现多维视角的因子构建灵感[page::3]。

行业盈利预期数据测算方法改进与特征分析（第4-5页）

• 测算方法改进：

- 原方法：使用个股盈利预期数据，以自由流通市值加权汇总构建行业预期（近似指数编制方式）。
- 缺陷：易引入价格动量效应，受大市值极端个股预测影响，不够稳健。
- 升级：改用Wind提供的行业一致预期数据（等权整体法），更简便且有效剔除价格因素干扰。

• 分析师一致预期覆盖度：

- FY1与FY2覆盖度相近且较高（约80-90%），FY3覆盖度略低。
- 分析显示FY3覆盖度在2009年以后提升，整体覆盖较为充分，支持将时间较长的预测作为因子输入。

• 分析师预测误差与季节效应：

- 卖方分析师盈利预期整体乐观，平均偏差约20%（预测偏高）。
- 季节效应显著：越远离财报公布，预测乐观越明显，接近财报日预测趋于准确。

• 图表3-5精确呈现了分析师覆盖度变化趋势、预测误差的年度变化，以及按月份的季节效应模式，体现了盈利预期潜在的系统误差与时间敏感特征，支撑后续因子设计的合理性和数据使用注意[page::4-5]。

单因子回测效果（第6页）

• 对2010年至2020年区间17个因子进行回测，收益基准为30行业等权收益，选出年化超额收益超过3%的因子进行分析。

- 主要结论：
- 时间跨度越长的盈利预期因子回测越有效，FY3>FY2>FY1，理由是FY1预期信息更广泛、同质化严重，边际情绪变化不明显。
- 盈利预期的边际变化类因子（季度环比、月度变化）表现优于传统的同比因子，显示短中期盈利趋势变化更能捕捉市场alpha。
- 5日移动平均处理提升了因子稳健性，避免频繁波动干扰。

• 图表6清单展示各因子名称、类别及对应年化超额收益，表现最佳如EPSF1yoyd1m达13.1%，证明高频调整因子价值突出[page::6]。

纳入“极端估值保护”增强景气度策略（第7页）

• 借助PB作为估值指标，通过滚动6年窗口剔除PB最高10%和最低10%极值，保证估值分位数估计的稳健性，不受股灾等异常事件扰动。

- 对于当前时点，剔除PB位于95%以上的行业，再从剩余行业中挑选盈利景气度最高的三个行业进行等权配置。

• 回测结果显著表现为净值提升（图表8）和超额收益增长（图表9），证明加入极端估值保护机制后风险控制和收益质量明显增强。

- PB滚动窗口示意图清楚显示了估值历史波动区间及极值界限，形象表达策略的选股逻辑，有效规避泡沫区域[page::7]。

多因子复合优选（第8页）

• 面对因子多样性及相关性，采用“分层聚类法”对17个单因子进行分组，减少冗余及过拟合风险。

- 在不同聚类簇数设置下，选取每组内收益最高单因子，实现等权Rank复合因子构建。

• 回测选择复合因子数为8效果最佳，详细单因子筛选见图表11（包含多类因子，如ROEFY2、EPSF2qoq等）。

- 复合因子优选兼顾多样性和相关性优化，是影响策略稳定盈利表现的关键环节，聚类方法的应用体现了量化研究中的机器学习辅助技术[page::8].

多因子回测结果（第9页）

• 结合PB估值保护和多因子复合的高景气策略，每周择优3行业等权配置，2010-2022年8月回测表现如下：

- 年化超额收益15.6%，较旧策略提高0.8个百分点。
- 最大回撤仅-11%，较旧策略减少7.9个百分点，风险显著降低。

• 图表12-13展示策略净值与超额净值稳健增长趋势，12年内年复合回报突出。

- 分年度细化数据表显示，每年均实现正向超额收益，2014年达顶峰40.7%，近期超额有加强趋势，表明策略具有较强的时间稳定性[page::9]。

当前推荐行业（第10页）

• 截至2022年10月13日，策略推荐持有的前三大行业：

- 有色金属（行业盈利景气度排名位列1）
- 石油石化（位列2）
- 电力设备及新能源（位列3）

• 行业排名动态表反映出从2022年8月至10月这三类行业维持高景气度，表现出行业盈利预期的持续性，具备较强轮动价值。

- 其余中高排名行业包括交通运输、食品饮料及银行，行业景气度序列体现明显波动和行业周期，提示策略时刻动态调整[page::10]。

策略总结（第11页）

• 盈利景气度为行业alpha核心驱动力，估值泡沫机制更多作为风险管理工具。

- 市场参与者理性，优质行业估值偏高属正常现象，避免简单低估值买入。

• 报告指出A股市场“卖方分析师盈利预期跑赢财报”趋势逐渐被“股票估值跑赢分析师预期”替代的现象，市场对预期消息的交易反应日益重要。

- 针对此，研究团队同时提出并发布“未证伪情绪”的行业动量策略，二者可形成互补[page::11]。

附录：因子聚类优选框架（第12-14页）

• 探讨聚类优选大量相似因子的解决方案，避免多因子组合中的信息重复和过拟合风险。

- 介绍两类无监督聚类算法：
- K-Means算法：基于划定K个簇的质心，迭代最小化簇内距离，受初始化影响较大，适合大样本。
- 凝聚层次聚类法：自下而上，逐步合并样本或簇，通过定义族群间距离（连接法、质心法等），树状谱系图表达层次关系。

• 轮廓系数指标用于定位最优簇数K，综合考虑簇内紧密度与簇间分离度，是实证中调整聚类算法的重要工具。

- 最终选择基于样本内IC时间序列的聚类分析，选出7个最优聚类组，并在每组内选取多头超额收益最高单因子，形成稳健优质因子池。

• 明确说明相较K-Means，层次聚类因稳定性更优，尤其适合金融因子结构分析[page::12-14]。

风险提示（第15页）

• 主要提示基于历史数据构建的量化策略可能因市场环境变化失去有效性。

- 强调投资者需关注模型失效风险，谨慎使用回测数据指导实操[page::15].

---

三、图表深度解读

图表1 因子构建理念

• 三条示意曲线分别对应净利润同比增速的“高增速+加速上升”、“中增速+减速上升”、“低增速+减速下降”，时间轴反映景气度的动态变化。

- 视觉传达因子构建从预期水平（长期）到趋势（中期）再到加速变化（短期）的多级设计理念，直观体现因子层级和投资时效性区别。

• 支撑文中提出分别构造三类因子来捕捉不同景气度维度的论点[page::3]。

图表2 盈利预期指数汇总流程图

• 用箭头图形描绘由个股FY1营收预测向指数层面利润预期同比、环比等相关指标测算的流程。

- 表明传统方法基于自由流通市值加权汇总，固有带入价格动量；而升级方案通过使用Wind行业一致预期直接获得等权整体行业指标。

• 图形简洁、实用，突出新版方法简化计算且剔除价格因素的优势[page::4]。

图表3 FY1、FY2、FY3分析师覆盖度趋势

• 三条线按年份绘制覆盖度，均维持60%-95%区间，FY1和FY2覆盖度较为接近，FY3稍低但2009年后改善明显。

- 高覆盖度支撑长期盈利预期因子的统计有效性，说明可利用FY3跨年预期捕捉市场信息[page::5]。

图表4 次年净利润同比预测误差

• 折线图显示2010年到2021年净利润同比预测误差总体在8%-40%波动，存在明显峰值对应特定年份。

- 体现卖方分析师对盈利增长预期普遍乐观，误差偏差较大，反映基于预期数据构建因子时需考虑偏差与修正方法[page::5]。

图表5 净利润同比预测误差季节效应

• 柱状图展示2009-2021年不同月份的预测误差，3-6月份乐观程度最高，年初预测最乐观，末期逐渐收敛。

- 明确了市场参与者预期调整的时间路径，提示因子设计中季节修正必要性[page::5]。

图表6 单因子回测效果列表

• 详细列出17个因子及对应超额收益，复合型因子EPSF1yoy_d1m超额收益最高（13.1%）。

- 不同类因子（1类长期赛道、2类中期景气、3类短期情绪）表现纷呈，反映因子多样化构建的价值[page::6]。

图表7 PB滚动观察窗口示意图

• 红色折线表示某行业PB随时间（2010-2022）变化，蓝色矩形框标示滚动窗口（6年）。

- 窗口设置保证估值极端判定的历史稳健性，防止历史异常事件（如2015年股灾）影响当前判断[page::7]。

图表8-9 纳入估值保护策略后回测净值与超额净值提升

• 净值图（图8）显示PB预警策略（蓝线）净值明显领先普通盈利景气策略（黄线）及基准（灰线）。

- 超额净值图（图9）同样显示较强的累积超额优势，反映估值保护有效降低风险，增强收益[page::7]。

图表10-11 因子聚类分组选择

• 图10曲线表明使用7-8个因子组合带来最高年化超额收益，样本内与全样本表现较为一致。

- 图11表格指出最终复合选用的8个因子并打勾确认，涵盖各类因子维度，完善策略构建基础[page::8]。

图表12-14 多因子回测净值及年度业绩表现

• 图12现金曲线显示策略净值平稳增长，远超基准，体现良好收益积累效率。

- 图13显示累计超额收益从2010开始逐步累积至6.4倍基准水平。

• 年度数据表明显多数年份超额收益为正，尤其2014、2015、2020-2021年表现亮眼，反映策略适用性强且抗周期[page::9]。

图表15 行业景气度推荐排序表

• 综合行业盈利景气度排名的时序表，从2022年8月至10月动态展示各行业轮动活跃度。

- 清晰反映有色金属、石油石化长期保持领先地位，新能源设备逐渐崛起，提示布局时需关注行业动向。

• 表中黄色高估值行业提醒规避，体现风险控制信号[page::10]。

附录图表1-3 聚类算法原理及轮廓系数计算示意

• 附录图1示意K-Means基本步骤，图2展现自下而上凝聚层次聚类的聚合过程，图3示范轮廓系数计算逻辑。

- 丰富算法细节说明有助于读者理解因子聚类优选过程的数学基础和模型稳定性保障[page::12-13]。

---

四、估值分析

• 本报告策略核心利用估值指标PB，作为“极端估值保护”机制的基础。

- 估值保护逻辑包括：剔除PB历史窗口期对应的极端高估值（95%以上分位数）行业，防止“估值泡沫”导致的高风险配置。

• 该方法非直接基于折现现金流（DCF），而是采用相对估值的历史分位数分析；不涉及复杂的折现率、永续增长率假设，依赖统计分布稳定性。

- 结合盈利预期因子的多因子复合，估值保护机制有效降低极端波动与回撤，提升策略风险调整后收益。

• 报告缺少传统DCF或P/E多倍数估值法的深度细节，但PB分位数方法在实际中具有高操作性和显著风险防控作用[page::7-9]。

---

五、风险因素评估

• 模型基于历史分析师盈利预期与估值数据，存在如下主要风险：

- 历史数据失效风险：市场环境、监管政策、投资者结构变化可能导致模型参数失效或预测质量降低。
- 预期偏差及季节性风险：卖方分析师普遍偏乐观，并表现季节性波动，可能导致因子信号误导。
- 极端事件未必被滚动窗口完全覆盖，可能出现罕见情景下估值保护失灵。
- 策略所依赖的数据覆盖度有限，尤其FY3远期预期存在一定不确定性。

• 报告仅给出简要风险提示，无具体缓解措施，强调投资者需注意模型潜在失效风险，实务中建议多策略搭配及动态调整[page::0,15]。

---

六、批判性视角与细微差别

• 报告展示了系统性改进，升级了数据来源和因子筛选机制，体现一定稳健性；但假设分析师预期形态与市场行为稳定，存在历史惯性偏误的潜在风险。

- 使用等权聚合代替市值加权，虽去除了价格动量影响，但可能弱化大市值或更具代表性股票的影响力，策略适用场景有一定局限。

• 报告对极端估值保护的有效性强调较多，但对其潜在盲区（如估值快速反转、结构性泡沫）探讨有限。

- 聚类方法虽有效减少多因子相关性和过拟合，但其选择K值和优选逻辑依赖统计指标，仍隐含一定的主观性。

• 整体策略基于盈利预期与估值泡沫保护相结合，但对宏观经济、政策冲击等非量化风险的考虑较少，投资者需结合实际环境审慎应用。

---

七、结论性综合

本报告作为“中银量化行业轮动系列（八）”，基于分析师盈利预期的多维因子构建，通过数据处理升级和创新的极端估值泡沫保护机制，构建了一套面向高景气行业的行业轮动策略框架。其核心逻辑：

• 实现了由个股加权汇总向等权整体法升级，剔除价格动量影响，数据更纯净且操作简便。

- 通过因子层次划分（长期赛道、短期景气变化、情绪因子）捕获不同周期alpha来源。

• 采用分层聚类与多因子复合优选，选出8个最优绩效因子，提升策略稳健性。

- 基于PB滚动窗口估值保护，剔除估值泡沫行业，显著降低最大回撤，提升风险调整后收益。

• 回测业绩表现优异，年化超额收益15.6%，最大回撤-11%，且多年均实现正超额收益，尤其在2014-2015及近两年表现突出。

- 当前策略侧重于有色金属、石油石化和新能源等高景气、估值合理的主线行业，动态调整行业权重。

• 报告清晰梳理市场分析师盈利预期的乐观偏差及季节调整影响，为因子设计提供依据。

- 结合量化机器学习方法的聚类技术，有效减少因子冗余，丰富策略多样性。

• 风险提示恰当，提醒投资者关注模型失效及历史数据局限。

整体来看，本报告提供了创新且适用的行业轮动定量策略，理论与实证结合紧密，数据处理严谨。图表详实支撑观点，结构逻辑清晰，是量化投资策略研究的重要参考。投资者需关注环境变化和市场断层，结合自身风险承受能力使用策略。

---

主要引用

- [page::0-11,15,3-10,12-14]

报告