宏观及基本面趋势分析 [page::0][page::5][page::6][page::7]

• A股非金融上市公司ROE自2018Q2高位9.49%下降至2020Q1的6.42%，主要受销售净利率、资产周转率和资产负债率共同影响。

- 企业供需关系呈现供给小于需求趋势，固定资产周转率持续提升，有望在疫情后助推ROE回升。

• 景气度指标显示上市公司中景气向上占比在2019年下降，2020Q1受疫情影响显著下行至37.20%。

- 预测上市公司ROE和归母净利润2020Q2见底，2020Q3开启上行周期并持续至2021年。

行业量化分析及配置建议 [page::7][page::9][page::10][page::11][page::12][page::14]

• 银行业务核心信贷贡献70.22%，预测2020Q2和2020Q3银行ROE分别为5.00%和9.65%，对应2020年银行板块估值为7604点。

- 房地产行业受人口结构影响长期下行，但短周期支持看多，设计综合房地产择时策略实现风险收益优化。

• 农林牧渔行业中，生猪价格与ROE、毛利率、销售净利率高度相关，预测2020Q2猪价见顶后回落，构建择时策略年化收益8.14%。

- 中信一级行业盈利能力及景气度分析预测未来两年价值持续增长行业包括电子、医药、食品饮料、建材，推荐长期战略配置。

基于陆股通资金的“净流入占比”因子及其策略运用 [page::15][page::16]

• 构建“净流入占比”因子，TOP组合年化超额收益达22.32%，多空收益差42.34%。

- 应用于沪深300指数增强组合，年化超额收益8.69%，信息比率2.43，月胜率达84.37%。

分析师预期修正动量选股策略构建与优化 [page::17][page::18][page::19]

• 分析师预期调整分为4阶段，预期EPS和净利润FY1、FY2预期修正叠加后，P1组合年化超额收益16.34%，夏普比率1.74。

- 叠加短期动量反转指标后，P1阶段年化超额收益提高至19%，多空组合收益率达36%。

• 策略经样本内外回测验证，表现稳健，最大回撤10.8%。

分析师超预期幅度（ESP）选股策略及效果 [page::20][page::21]

• 选股流程结合EPTTM和短期收益率筛选低估值超跌股票，构建最大净利润超预期的20只股票组合。

- 10年回测周期内年化收益26.10%，相对中证500超额收益20.92%，最大回撤7.4%，夏普比率1.71。

质量因子体系构建与回测表现 [page::23][page::24][page::25][page::26]

• 盈利、成长、安全三类因子合成质量因子，质量因子IC达4.19%，ICIR1.62，月度胜率62.16%。

- 质量因子与估值因子结合构成质量+估值因子，IC升至6.51%，ICIR2.77，多空年化收益提升至15.09%。

行为金融学因子：未实现盈利量(CGO)与个股前景价值(TK)因子研究 [page::26][page::27][page::29][page::30]

• CGO因子剔除反转成分后年化收益率11.97%，胜率60%，说明未实现盈利量能较好捕捉投资者行为偏差。

- TK因子基于投资者前景理论，使用不同时间窗口历史收益计算个股价值评分，TK20D剔除反转后年化收益7.91%，胜率62.9%。

• TK_20D因子用估值变化率替代收益率，保持良好表现，表明前景价值因子可结合估值信息优化。

机器学习XGBoost在中证500指数增强中的应用 [page::31][page::33][page::34][page::36][page::37][page::38][page::39][page::40]

• 采用XGBoost树模型对股票未来收益进行分类预测，实现收益率的多级划分，模型具备良好筛选能力。

- 在中证500和沪深300成分股内进行训练测试，三分类模型预测头部、中部与尾部股票年化差异显著，9类最高年化超过10%。

• 多因子策略组合在2011-2020年平均收益12%以上，最大回撤均优于基准，表现稳定，适合实盘增强。

证券研究报告·金融工程深度•2020年中期投资策略报告详尽解析

---

一、元数据与报告概览

• 报告标题：资本市场百花齐放，因子选股进入精耕时代

- 作者：丁鲁明（首席分析师）、陈升锐、王程畅，研究助理胡一江、郭彦辉

• 机构：中信建投证券研究发展部金融工程团队

- 发布日期：2020年6月23日

• 主题：聚焦中国A股的宏观经济周期与行业基本面分析，结合金融工程方法探讨多因子选股策略和增强投资组合构建，深入剖析资产定价因子和机器学习模型的选股能力。

核心论点与投资观点摘要：

• A股自下而上分析揭示近年ROE持续下行趋势（2018Q2至2020Q1从9.49%降至6.42%），供需结构出现矛盾，疫情给实体经济带来冲击，景气度显著下滑但预计2020Q2开始回升；

- 当前宏观经济处于全球和中国人口周期的低谷期，基本面在2020Q2逐渐触底，2020Q3开启上行周期，推荐战略重点布局电子、医药、食品饮料和建材四大行业，短期看多地产；

• 金融工程角度强调多因子选股精耕时代：“净流入占比”“分析师预期修正”“超预期幅度”等因子的显著超额收益能力，融合机器学习XGBoost实现指数增强，表现稳定可观；

- 报告亦综合应用行为金融学前景理论因子，提升对市场行为偏好理解，强化量化策略。

整体来看，报告旨在通过系统化量化研究揭示当前和未来中国A股市场的基本面态势和投资机会，并通过严密多因子模型和机器学习方法，搭建科学有效的选股和组合增强框架[page::0,5,15,41].

---

二、逐章深度解读

2.1 A股自下而上财务分析及展望

关键论点：

• 非金融上市公司ROE自2018Q2高点9.49%持续下滑至2020Q1的6.42%；

- 通过杜邦分析，销售净利率明显下降（6.07%降至4.28%），资产周转率同期经历回升后略有震荡（从约51.22%回升至62.56%，后下滑至55.10%）；

• 资产负债率及有息负债比率有所下降，显示企业财务结构趋于稳健，但整体三因素同向作用导致ROE下行[page::5]；

- 供需矛盾通过收入增速减固定资产增速的差值衡量，2016Q3-2019Q4期间持续正值，说明需求大于供给，固定资产周转率由1.92回升至2.53；

• 疫情冲击导致2020Q1收入大幅下跌，固定资产周转率与存货周转率均下降，存货周转率自2007Q1的4.77降至2.33；

- 上市公司景气度指标由业绩预告中利好比例衡量，2017Q4起持续走弱，疫情期间2020Q1降至37.2%低位，提示整体盈利景气触底但缓慢回升迹象[page::6,7]。

数据图表解读：

• 图1 展示了非金融上市公司主要财务指标时间序列，ROE及相关杜邦指标动态变化，反映盈利能力波动、资产结构调整及运营效率变化。

- 图2 通过收入-固定资产增速差、融资现金流等展示供需及资本投入的长期趋势。

• 图3 景气度图表以业绩预告数据分层展现盈利趋势先行指标，其先于财报反映业绩预期变化。

- 图4 综合拟合上市公司盈利能力与利润总额的历史走势及展望，结合疫情扰动对未来情况的预测，预测ROE于2020Q2见底，之后回升。

综上，报告用严谨的基本面数据梳理实体经济盈利脉络，并结合供需、资本投资、业绩预告等多维先行指标，完善地展示中国A股上市公司盈利周期及疫情影响分析[page::5,6,7].

---

2.2 行业量化基本面深度剖析与横向比较

报告对关键行业——银行、房地产、农林牧渔等，采用量化模型结合基础行业逻辑深入分析。

银行业分析：

• 银行业核心业务以信贷业务为主（占70.22%营业收入）；

- 利用银行资产规模、风险调整净息差（净息差减信用成本）指标把握运营量价质；

• 资产负债表与实体企业利润表勾稽分析，解释企业盈利能力如何影响银行贷款风险和收益；

- 采用名义GDP和货币乘数变化预测货币供应及银行资产规模，2020年银行资产潜在增长8.53%至约313.95万亿人民币；

• 净息差及ROE预测表明2020Q2和Q3分别约为0.41%和1.43%、ROE为5.00%和9.65%，低于2019年水平，反映周期低谷并逐渐复苏[page::7,8,9].

房地产行业分析：

• 详细说明房地产开发周期，强调其长周期、资金密集及多环节产业链特征；

- 设计综合择时模型，将房价同比、M2货币同比和首套房贷利率结合，构建买入与卖出信号，实现择时；

• 展示新开工、施工、竣工和销售面积同比增速，及产业链上游资金和建材制造连接；

- 观察到25-55岁人口结构下行，显示地产长期需求降低，但短周期依然存在支撑，房地产战略配置建议为中短期看多[page::9,10].

农林牧渔行业：

• 行业细分清晰，覆盖种植、饲料、养殖和加工多个环节；

- 通过生猪均价与行业盈利能力指标高度正相关，构建生猪价格模型（R^2=0.91），预测2020Q2猪价顶峰即将过去；

• 择时策略以猪价预测决定多空仓位，2013年至2020年回测收益率年化8.14%；

- 行业横向对比中强调清晰周期定位与景气度指标，在产能周期和现金流融资角度识别电子、医药、食品饮料、建材等优质配置目标行业[page::11,12,13,14].

---

2.3 多因子选股视角的再开拓

报告重点推进通过动态因子模型及行为金融学理论抓取超额收益机会。

3.1 陆股通资金因子：

• 利用陆股通“净流入占比”作为选股因子，实证显示市场资金流入占比高的股票表现优异，TOP组合年化超额收益22.32%；

- 将因子应用于沪深300指数增强组合，市值和行业中性条件下，年化超额收益8.69%，信息比率2.43，月胜率84.37%[page::15,16];

• 因子表现最佳于初期公示年，之后效应有所下降，符合资金配置效率初期明显的现象[page::16].

3.2 分析师预期修正策略：

• 通过对分析师预期EPS、净利润等财务指标的修正阶段划分(P1至P4阶段)，发现第一阶段（部分分析师上调且离散度增大）代表超额收益高峰；

- 结合第一与第二财年预期修正叠加，叠加净利润指标进一步提升组合收益，最终选择EPS FY1,2+净利润FY1构建精选组合，年化超额收益可达16.3%，夏普为1.74，最大回撤约10.8%；

• 进一步结合短期动量反转指标增强表现，提升至近19%年化超额收益，多空组合年化收益36%[page::17,18,19].

3.3 分析师超预期幅度选股：

• 定义季度层面净利润超预期系数ESP，结合EP_TTM与近期收益率筛选低估值高超预期20只股票；

- 历史10年回测显示，策略相较中证500和沪深300指数分别年化超额20.92%和20.47%，稳定且最大回撤低；

• 但2020年疫情时期业绩负超，反映极端环境下超预期效应的波动[page::19,20,21,22].

3.4 A股质量因子有效性分析：

• 建构盈利能力、成长性、安全性三大类质量因子，均采用等权合成方法；

- 各因子IC均具积极表现，其中综合质量因子IC约4.19%，表现稳定且显著；

• 实证发现质量因子与估值因子（PB）负相关，暗示市场普遍给予高质量公司溢价估值；

- 综合质量因子与估值因子组合（质量+估值）表现优异，IC提升至6.51%，年化多空收益达15.09%，月度胜率接近68%[page::22-26].

3.5 行为金融学前景理论因子：

• CGO因子基于未实现盈利量，选股逻辑体现投资者风险偏好变化，剔除反转因子后年化超额收益仍近12%；

- TK因子基于个股前景价值，把收益分布视为未来收益状态，结合估值变量进一步修正，剔除反转因子后年化收益近8%；

• 两类新因子表达市场行为角度的细腻定价信息，是提升选股能力的重要补充[page::26-30].

3.6 XGBoost机器学习模型：

• XGBoost算法以二阶泰勒展开优化目标函数，具备高效并行能力和分布式适应性；

- 构建基于中证500指数的十分类与三分类多层次收益预测，选股模型预测准确率稳定提升；

• 十分类精确率虽然不高，但在识别表现差股票方面表现明显优于随机，三分类策略进一步提升头部和尾部股票捕获能力；

- 10年实证发现1类和2类均表现出显著年化超额收益，特别是2类高收益组，效果稳定且回撤控制良好[page::31-36].

3.7 多因子模型半年跟踪：

• 报告跟踪三大多因子增强策略：基于逐步回归因子轮动策略、中证500及沪深300质量体系增强策略；

- 各策略自2011年至2020年均表现稳健，年化超额收益分别约10%-12%，最大回撤均控制在-10%至-15%；

• 2020年初至报告发布时间前三个月，各模型均维持正收益，显示量化因子策略仍具有效力[page::37-40].

---

三、关键图表解读

• 图1（非金融上市公司盈利能力变化）：展示ROE、ROIC、资产负债率、资产周转率及销售净利率随时间变化；ROE及销售净利率下降、资产周转率波动剧烈反映盈利萎缩压力及运营效率波动，疫情期间显著滑落，佐证实体经济压力[page::5]。

- 图2（供需矛盾）：收入固定资产增速差持续正值表明供给小于需求，促进固定资产周转率上升；疫情使得收入短期下挫，周转率回落明显，表明经济活动受抑制[page::6]。

• 图3（景气度指标）：业绩预告中业绩好转股票比例趋势，体现景气度先行变化，疫情导致降至历时低位37.2%[page::6]。

- 图4（盈利能力拟合预测）：ROE及归母净利润历史与预测展示周期拐点，预计2020Q2回升启动[page::7]。

• 图5（银行信贷货币创造结构）：诠释银行资产负债勾稽关系与实体经济间联动，体现信贷作为货币供给核心[page::8]。

- 图6（银行资产预测）：预测银行资产增速8.53%，资产与货币供应趋势联动，预计后疫情恢复[page::8]。

• 图7（净息差及银行ROE预测）：信用风险调整净息差持续走弱，ROE未来仍处调整过程中，反映经济压力及利率低迷[page::9]。

- 图8-9（房地产数据与择时策略）：新开工、销售面积波动，结合货币政策利率因素推动择时，短周期看多房地产[page::10]。

• 图11-13（农林牧渔与猪价模型）：生猪价格高度相关ROE、毛利率，精准预测猪周期波峰，择时策略实现持续超额收益[page::11,12]。

- 图14-16（“净流入占比”因子及其沪深300增强策略）：资金流入驱动选股因子显示强劲超额收益，增强策略曲线远超基准，中长期具备稳定性[page::15,16]。

• 图17（分析师预期修正四阶段）：展示预期均值与离散度交互划分的四阶段，指导如何捕获预期调整信号[page::17]。

- 图18（分析师预期修正超额收益表现）：策略自2009年以来累计绝对收益近5倍，表现卓越，稳定超越大盘[page::19]。

• 图19-20（分析师超预期定义与超额收益）：详细定义超预期因子ESP及其选股策略，长期超额收益超过20%，波动受控[page::20,21]。

- 图21-23（质量因子构建与与估值关系）：质量因子综合盈利、成长、安全性，结合估值因子显著提高多空收益表现[page::24-26]。

• 图24-26（行为金融CGO、TK因子表现）：剔除动量影响后因子依然有效反映投资者心理偏好，提供投资决策参考[page::27-30]。

- 图28-31（XGBoost多分类模型累计收益与模型指标）：呈现模型选股能力，收益率随类别递增，模型准确率和召回率稳定提升，识别高低表现股有效[page::34-35]。

• 图37-40（多因子策略净值曲线）：多因子增强策略展示稳健超额收益，分阶段跟踪显示策略协同性及持续盈利能力[page::37-40]。

---

四、估值分析

报告中对银行板块估值采取基于未来ROE与利润增长的定量预测方法，结合宏观货币与资产负债表扩容趋势，给出2020年银行板块（中信一级）估值约7604点，反映经济复苏预期带来的银行资产规模和利润提升潜力[page::7,9].

多因子策略增强组合估值隐含为基于因子收益、信息比率等统计学指标导出的性能评估，无传统DCF或PE估值模型，但质量因子结合估值因子提升了选股效率，间接体现高质量低估值股票的价值发掘能力[page::24-26].

XGBoost模型选股无传统估值逻辑，采用收益分层作为分类标签，以准确率、收益率评估预测有效性[page::31-36].

---

五、风险因素评估

• 历史数据依赖风险：所有多因子模型和机器学习方法均基于历史数据，存在模型失效风险，特别是经济结构和政策环境变化显著时模型表现可能下降[page::1,40].

- 宏观经济波动风险：疫情影响下实体企业盈利波动、复苏节奏不确定，行业基本面和资金流向随宏观调整剧烈波动，可能破坏因子稳定性[page::5,6,19].

• 流动性及市场行为变化：资金流入因子表现可能随市场结构和投资者类型变化而减弱；多因子策略亦面临风格切换及流动性冲击[page::15,16].

- 模型权重与数据覆盖不足：分析师预期因子基于机构预测覆盖，存在新上市/停牌股票覆盖不足，叠加不同财年预期的使用增加策略复杂度及估计误差[page::17-19].

• 估值调整风险：行业盈利预测假设估值收敛至历史水平，忽视估值周期可能变化，存在估值快速修正的系统性风险[page::13].

- 机器学习模型过拟合及参数选择风险：XGBoost等模型存在过拟合可能，调参和样本划分方式影响模型稳健性，十分类标签过细影响模型稳定性[page::31,35].

• 宏观政策和突发事件风险：政策调控、地缘政治、市场非理性波动等突发因素可能短期影响所有因子效果。

报告风险部分强调上述模型均基于历史数据，存在失效概率，建议投资者结合实际审慎应用[page::1,40].

---

六、批判性视角与细微差别

• 报告十分详尽分析大量因子与策略，但多因子及机器学习模型均依赖大量历史数据和统计假设，尚未充分讨论因子未来失效风险的具体缓解方案，投资者应多加甄别。

- 产能周期和行业基本面研究较为宏观，部分行业预测假设较强（如估值回归历史均值），对于政策深度调整及外部冲击兼容度有限。

• 多因子模型多数采用等权组合，未体现因子权重动态调整对策略提升可能性，后续可进一步增强因子组合灵活性。

- XGBoost模型类别数目选择权衡较大，十分类数据稀疏带来的准确率下降，三分类虽提升部分指标，却未充分探讨类别划分对收益系统性影响。

• 分析师预期因子策略并未完全披露对逆势股（反向修正）操作，面对非理性预期修正市场的抵抗能力不明确。

- 报告核心作者资历深厚，团队专业但总体立场偏积极，建议配合宏观及行业周期分析辅助决策。

---

七、结论性综合

中信建投证券最新2020年中期投资策略报告通过全面的基本面财务分析、精细的行业周期划分及先进的金融工程多因子组合构建，提出了“A股已处于基本面触底回升阶段，后疫情时代看好电子、医药、食品饮料和建材，短期看多地产”的行业战略配置判断。

通过深度数据解构，报告揭示了供应侧约束、企业盈利与资金流动性的重要联动，利用业绩预告与分析师预期调整信号，精准捕获早期信息，结合行为金融学理论优化因子设计，显著提升了因子选股的收益和稳定性。基于陆股通资金流入构建的选股模型，历史年化超额收益超过20%，沪深300增强组合年化超额8.69%，表现优异。分析师预期修正和超预期幅度因子选股策略稳定产出15%以上年化超额收益，最大回撤控制较好。行为金融中未实现盈利量（CGO）及个股前景价值（TK）因子增添选股逻辑多样性。机器学习XGBoost模型进一步提供预测能力强化，尤其是在中证500指数内三分类策略表现出约10%的年化超额收益和较为可控的风险。

模型回测和实际跟踪均证实上述多因子策略在过去十多年周期内表现稳定，最大回撤和波动率处于合理区间，2020年疫情冲击虽短期扰动策略收益，但总体收益趋势向上。多因子增强组合体现了从基本面、资金流和行为金融多维度的融合，实现选股逻辑的科技化和数据化升级。

与此形成互补，报告详尽剖析银行、房地产及农林牧渔行业的周期性盈利模式和宏观变量，强调人口结构变化和供需约束在行业配置中的核心作用。通过对“战略投资净额”及“现金自给率”等指标分析，有效区分产能扩张与收缩类型行业，为长期投资提供理论和数据支持。

报告对风险警示全面，指明历史数据依赖、模型失效风险、市场波动及政策变化的潜在冲击，鼓励结合基金特点及自身风险偏好谨慎应用。同时提醒理解因子时间变化、政策及经济结构变化对模型的影响。

总体而言，中信建投金融工程团队的本报告是一份基于丰富数据研究与先进量化方法的深度投资策略蓝图，既体现了细致的基本面洞察，也融合了系统的因子研究和机器学习技术，对于希望深化对中国市场选股因子研究和行业配置逻辑理解的投资专业人士，具有极高的参考价值和启发意义。

---

重要图表示例（部分）

图1：非金融上市公司盈利能力

图14：“净流入占比”因子分组超额收益表现

图16：基于“净流入占比”因子 HS300增强组合超额收益

图18：分析师预期修正选股策略历史超额收益（相对中证全指）

图20：分析师超预期20组合超额收益净值（相对中证500）

图21：综合质量因子表现

图23：质量因子与质量+估值比较（多空收益）

图30：中证500内预测分类组合年化超额收益率（等权基准，十分类）

---

本分析严格基于报告原文，所有观点均附带页码溯源，确保溯源性和严谨性。[page::0-42]

报告