行业聚类创新与分类方法 [page::5][page::6][page::7]

• 采用申万一级行业28个分类，利用最小生成树进行行业聚类，划分为金融与周期、制造、TMT及消费四个大类板块。

- 使用行业月度收益率相关性定义距离，采用Kruskal算法构造最小生成树，聚类结果直观合理。

• 行业板块内超额收益相关性及历史表现差异明显，消费板块近三年表现最佳。

行业估值分析指标及趋势反转特征 [page::9][page::10][page::11]

• 选用PE作为主要估值指标，采用历史估值百分位做相对化处理，消除不同行业估值差异。

- 多数行业超额收益表现明显正自相关，尤其是一月自相关显著，反映行业轮动呈趋势特征。

• 趋势组合年化超额收益5.48%，信息比0.35，显示追高估值行业具备稳定收益；消费板块内部存在估值反转现象，反转策略年化收益6.49%。

量化行业估值轮动策略设计与回测 [page::13][page::14][page::17]

• 两种行业聚类方法：一是最小生成树（一级行业），二是动态相关性（约100个二级行业）选择20个关联行业修正估值。

- 策略构造基于估值趋势（高估趋势板块超配低估行业）和估值反转（低估反转板块超配低估行业）两策略混合。

• 动态相关性分类下混合策略年化多空超额收益13.3%，信息比0.83，显著优于单纯趋势策略。

- 策略分年度表现稳定，2017年为唯一年负收益年份。

量化策略表现图示与行业超配展示 [page::12][page::14][page::17][page::18]

• 估值趋势策略展现持续上涨趋势，超额收益显著。

• 聚类估值轮动多空策略回测，趋势+估值反转组合表现优异。

• 动态相关性下的估值轮动混合策略持续领先基准指数。

• 轮动策略年度超额收益分布，多数年份收益为正。

最新行业配置建议与风险提示 [page::19][page::30]

• 最新超配行业包括饲料Ⅱ、计算机设备Ⅱ、电力、白色家电及机场Ⅱ。

- 策略基于历史统计模型，极端市场环境存在失效风险。

行业聚类与估值轮动策略报告深度分析

---

1. 元数据与概览

报告名称：《行业聚类与估值轮动策略》
发布日期： 报告时间轴推断为2020年初（具体发文时间未见明确）
发布机构： 广发证券发展研究中心
主要作者及分析师： 史庆盛、罗军、安宁宁等团队成员
研究主题： 基于量化方法，重新构建行业轮动框架，重点聚焦行业聚类（重新划分行业）及估值轮动策略，探索A股行业内部估值轮动规律及趋势性特征，提升行业配置效果。

报告核心论点：

• 传统行业划分（主要基于产业链逻辑）的单一维度不足以捕捉行业间估值轮动规律，需要通过聚类分析重新划分行业，提升行业分类的统计特征相似性；

- 在新聚类框架下，结合行业估值的趋势特征和反转效应，构建混合型轮动策略，大幅提升行业配置的超额收益和信息比；

• 基于业绩实证，行业估值存在明显趋势性，行业间存在统计相关聚类，不同聚类方法对应不同的策略表现，并且二级行业的动态相关性更能捕捉行业特征，构建的轮动策略在全样本期间表现优异；

- 根据模型最新一期识别，当前推荐重点行业包括饲料Ⅱ、计算机设备Ⅱ、电力、白色家电及机场Ⅱ等[page::0,3,19]

---

2. 逐节深度解读

2.1 行业轮动框架简介

报告开篇强调，完整的行业轮动框架应覆盖宏观环境、行业景气度与行业微观变化。前五篇系列报告聚焦宏观事件和景气度，当前篇重点研究估值轮动。传统行业划分按产业链划分（上游能源、中游材料制造、下游消费及金融服务），而本文尝试采用量化聚类分析方法，重新划分行业以符合行业市场表现。估值分析的核心是捕捉行业估值均值回归及趋势变化，合理分类确保复杂市场中更准确的估值判断。行业估值多用PE指标，并以历史百分位数做相对处理，避免行业间的绝对估值差异干扰判断[page::3]

2.2 行业聚类方法

2.2.1 常见行业分类介绍

申万一级行业分28个，二级104个，传统行业划分主要依据：

• 主营业务领域（能源、制造、消费、TMT、金融等）；

- 行业周期与成长性（周期型、成长型、稳定型）；

• 产业链位置（上游、中游、下游）[page::4,5]

2.2.2 聚类方法

报告列举常见聚类方法：

• 划分聚类（K-means及变体）

- 层次聚类（自底向上合并或自顶向下拆分）

• 密度聚类

- 网格聚类
并特意重点介绍了基于层次聚类的最小生成树聚类法，最终采用Kruskal算法求最小生成树，将基于行业月度收益率的相关性作为距离度量，实现无环且连通的行业聚类结构，克服K-means对非凸形态聚类能力不足的问题，分类结构更直观、逻辑清晰[page::5,6,7]

2.2.3 行业聚类结果

通过最小生成树聚类，将申万一级28个行业粗略分为四大板块：

• 金融与周期（采掘、化工、钢铁、有色、银行等）

- 制造（家用电器、房地产、机械设备、汽车等）

• TMT（电子、计算机、传媒、通信）

- 消费（农林牧渔、食品饮料、纺织服装、医药生物、商业贸易、休闲服务、综合）

此分类形态符合行业逻辑划分且在收益率相关性上呈现明显负相关（金融周期与制造及消费为负相关，TMT和消费为正相关），显示这些板块之间存在风险分散及表现互补性[page::7,8,9]

图6直观展示四大板块2008-2020年间的超额收益表现，消费板块表现最优，其次为制造和TMT，金融周期板块显著落后。

---

2.3 行业估值趋势与反转探讨

2.3.1 估值指标及相对化处理

报告选择PE作为主要估值指标，指出不同板块绝对PE存在明显差异（军工、电子、高PE，银行地产低PE），绝对PE枯竭对配置意义不大。因此采用历史PE百分位对PE做相对处理，缩减行业间估值分歧，使估值分布更均衡，有利于捕捉行业均值回归及趋势变化[page::9,10]

图7显示个别行业绝对PE区间超过10倍以上差异，图8通过历史PE百分位处理显著收敛差异。

2.3.2 行业估值趋势与反转效应

以超额收益的时间序列自相关性为检验，发现大部分行业存在显著的1~3个月正自相关，即收益趋势明显，短期内涨势行业往往延续上涨（图9），确认行业轮动为趋势性主导。

构建基于PE高低的趋势/反转策略：

• 趋势组合：选择月度PE历史相对百分位最高的N个行业（N=5）

- 反转组合：选择月度PE历史相对百分位最低的N个行业

结果显示趋势策略年化超额收益5.48%，信息比0.35，胜率约58%，明显优于反转策略，验证A股行业估值更偏趋势性修复[page::11,12]

图10显示趋势策略累计收益优于反转组合。

进一步聚焦消费行业内部，发现行业内存在更显著的估值反转效应，年化超额收益6.49%，信息比0.35，胜率55%左右（表4，图11），体现细分行业范围内均值回归特征更明显。

---

2.4 基于行业聚类的估值轮动策略

2.4.1 策略设计

两种行业分类方法：

• 基于最小生成树的一级行业聚类（4大板块）

- 基于二级行业动态相关性，聚合相关性最高20个行业为组合，动态定义关联行业组合校正估值指标

策略逻辑：

• 以月度调仓，统计各板块（或动态分类）平均估值

- 选估值最高板块作为趋势板块，最低板块为反转板块

• 在趋势板块内，选择估值相对最低20%二级行业做超配

- 在反转板块内，选择估值相对最高20%二级行业做低配

交易成本双边千分之三，基准为相应等权行业指数。统计策略表现，包括多空组合超额收益、年化信息比和月度胜率[page::13,14]

2.4.2 实证结果

基于最小生成树（一级行业聚类）：

• 趋势策略多空年化超额收益5.6%，信息比0.27，月度胜率53%；

- 趋势加估值反转混合策略提升至8.6%年化超额，信息比0.41，月度胜率53.8%（表5，图12）

分年度来看策略表现稳定，但部分年份存在负收益（表6）[page::14,15]

基于动态相关性（二级行业）：

• 估值趋势策略年化超额3.11%，信息比0.33，月度胜率56%；

- 估值趋势加反转混合策略表现最佳，多空超额收益13.3%，信息比0.83，月度胜率62.9%，明显优于单一趋势策略（表9，图14）

• 近一年超配行业包括饲料Ⅱ、计算机设备Ⅱ、电力、白色家电、机场Ⅱ等（表11）

年度收益分布较为稳定，除2017年表现较弱外，其他年份均正收益，显示该策略具备较好的稳定性和持续性（表10,15）

---

3. 图表深度解析

3.1 图1：重构量化行业轮动框架（page 3）

描述了完整轮动框架的多维视角，宏观指标（GDP、PMI、货币政策）与行业指标共同驱动行业景气度，通过聚类重构行业结构和微观量化模型，最终构建估值分析、资金流向与羊群效应等多维策略模型。体现了模型设计思路的系统性和多层次性。

3.2 图5：行业最小生成树分类（page 7）

图中以图形节点呈现28个一级行业，边连接相关性较强的行业，图中四大聚类板块用虚线框圈出，形成金融周期、制造、TMT及消费四大清晰板块。该图清晰体现行业之间基于收益相关性的隶属关系，提供了传统产业链划分的统计学优化方案。

3.3 表1 & 表2：行业聚类结果与超额收益相关性矩阵（page 8）

表1罗列四大类别及所属行业明细，表2展示板块间超额收益相关性，结果显示金融周期与制造、消费间负相关，TMT与消费正相关。这一点暗示投资组合中“四类行业”具有分散风险的潜力。

3.4 图6：四大板块超额收益历史表现（page 9）

展示于2008-2020年期间四大板块的累计超额表现曲线，消费板块优异，金融周期明显弱势，制造与TMT中等位置。这是轮动策略构建的基线体现。

3.5 图7 & 图8：绝对PE与相对PE百分位（page 10）

图7显示不同行业之间存在显著PE估值差异，最高、最低PE行业差距超10倍，难以直接比较。图8通过历史PE百分位处理，缩小行业间估值分歧，提供相对估值标准，更适合轮动策略建立。

3.6 图9：行业超额收益N阶自相关（page 11）

大多行业均显示1个月自相关显著正值，趋势效应明显，说明上月表现良好行业，下一个月同样表现较好。此自相关特征支撑趋势策略的逻辑。

3.7 表3 & 图10：全行业估值趋势策略表现（page 11-12）

趋势组合年化超额5.48%，信息比0.351，优于反转组合，支持趋势为主策略。图10曲线中趋势组合累积回报持续上升，反转组合回报相对滞后。

3.8 表4 & 图11：消费行业内部估值反转策略（page 12-13）

反转策略在消费六细分行业有效，年化超额6.49%，显示同类行业内部估值存在更强的均值回复效应，反转策略仍有价值，提示不同聚类分辨率下估值特征不同。

3.9 表5-6 & 图12：基于最小生成树的板块级估值轮动策略（page 14-15）

趋势策略与趋势+反转混合策略效果袖珍，混合策略显著提升多空年化超额收益至8.6%，表现波动明显，某些年份回撤严重。

3.10 表7-10 & 图13-14：基于动态分类的二级行业趋势与混合策略（page 15-18）

动态分类的趋势策略和混合策略均优于静态分类，混合策略年化13.3%超额收益，信息比0.83，胜率63%。图14显示策略累积表现优异且穿越多个行情周期。

3.11 图15：策略年度超额收益分布（page 18）

为期十余年策略多空超额收益年度分布盘点，绝大多数年份为正，2017年略有回撤，反映市场结构与估值轮动规律的周期性变化风险。

---

4. 估值分析方法

报告采用估值分析为行业轮动策略核心。具体方法包括：

• 估值指标选用PE（市盈率），通过历史分位数相对化处理，避免绝对估值差异带来的误判；

- 行业聚类基于收益率相关性重构行业分组，既有传统静态最小生成树聚类，也有动态相关性构建二级行业关联组合；

• 设计趋势策略：买入估值历史分位较高（估值升高趋势）的行业，卖出估值分位较低行业，基于估值趋势继续扩张而非均值回归；

- 设计反转策略：细分板块内买入估值分位较低行业，卖出估值高行业，捕捉局部均值回复机会；

• 组合趋势与反转策略，以提升夏普率和策略稳定性。

组合策略的核心是利用行业之间的估值走势相关性和波动结构，捕获市场周期与结构调整中的行业轮动机会，基于动态相关性调整的行业估值进行配置而非盲目等权或被动跟踪。

---

5. 风险因素评估

报告明示风险点：

• 模型基于历史量化数据和统计学方法，依赖历史估值与收益关联规律，极端市场环境变化可能导致规律失效；

- 模型未必涵盖全部宏观或政策面驱动因素，某些独立事件可能短期干扰行业表现；

• 估值轮动策略中采用的估值指标和聚类结果存在参数设定的敏感性，可能导致策略表现波动；

- 市场环境如流动性、风格切换、政策导向变化都可能对策略构成系统性风险；

报告未详细说明对冲或缓释措施，一般此类策略需辅以动态风险管理和市场监测。

---

6. 批判性视角与细微差别

• 报告充分展现了量化建模与统计分析的严谨性，创新性地采用最小生成树及动态相关性聚类方法提升行业分类准确度，但策略依赖于历史相关性稳定性，若未来市场结构发生重大变化，策略效力可能大幅削弱；

- 估值趋势性强说明市场短期存在惯性和羊群效应，但长期追高估值与传统价值投资理念背离，策略可能承受高波动和风险回撤，报告仅略提波动率和月度胜率，缺少对最大回撤和其他风险指标的详细说明；

• 行业轮动受宏观周期、政策调控影响较大，基于单一量化因子的策略虽然适用性强，但可能掩盖微观基本面变化和突发事件影响，需结合其他多因子和判断；

- 聚类方法虽然提供精细分组，但二级行业动态相关性产生的组合较为复杂，实际操作中涉及大量行业判断和回归测试，可能导致过拟合风险。

• 策略在2017年出现负表现，值得关注对策略稳定性和市场极端波动的适应性调整空间。

---

7. 结论性综合

本报告对A股行业轮动策略进行了完整的量化体系重构，突破传统产业链划分，创新性使用基于最小生成树和动态相关性聚类方法重构行业类别，搭建符合统计特征相似性的行业聚类体系。结合系统地采用PE历史百分位相对估值，研究行业间估值的趋势性与反转效应。实证结果表明：

1. 行业估值趋势性明显，占主导地位，行业轮动表现多以趋势延续为主，反转效果局限于细分行业内部。

2. 基于四大板块聚类的策略年化超额收益5%-8%不等，而基于动态相关性的二级行业估值轮动混合策略年化收益显著提升至13.3%，信息比0.83，展现了策略的强大稳健性和市场适应性。

1. 多数年份实现超额收益，表明策略可穿越多个宏观经济周期和市场调整期，输出持续投资价值。

4. 最新一期策略推荐超配行业为饲料Ⅱ、计算机设备Ⅱ、电力、白色家电及机场Ⅱ，体现策略对当前市场热点的动态识别能力。

图表深度诠释了策略的设计框架（图1，2）、行业聚类效果（图5）、行业估值处理方式与趋势反转特征（图7-11），以及策略收益表现（图12-15），数据样本丰富，由Wind数据及广发证券研究中心提供技术支持，保证了研究的专业性和实用性。

整体来看，报告科学系统地构建了一套基于统计聚类和估值趋势分析的行业轮动框架，为A股投资者提供了一种结合市场行为特征的量化选股和行业配置方法，具有较强的理论价值和实际应用潜力。

---

备注：

所有结论均基于报告内容与数据，文中每处引用均标明原文页码。[page::0,3-19,30]

---

若需进一步解读报告内表格数据或策略参数可再行补充。

报告