行业板块多维聚类划分及逻辑调整 [page::5][page::6][page::7]

• 采用基于收益率、ROE和营收增速的K-Means和模糊C-均值聚类方法划分为周期上游、中游、下游、可选消费、一般消费、科技、金融七大板块。

- 结合主观逻辑调整，将钢铁纳入周期中游，白酒单独归属可选消费。

• 大类行业历史净值走势显示可选消费、科技板块表现突出，周期板块表现相对弱。

宏观状态量化识别及聚类模型应用 [page::8][page::9][page::26][page::27]

• 通过静态Hamming距离聚类将宏观状态分为四类，分别对应滞涨、过热、复苏和衰退四种宏观经济环境。

- 静态聚类下易过度选中历史强势板块，行业配置雷同性高，难体现周期轮动机会。

• 动态聚类结合过去五年宏观因子，动态分群后配置轮动板块，缓解历史依赖性，表现相对等权基准有小幅超额收益。

货币政策指数（MPI）与主成分降维提取经济数据特征 [page::13][page::14][page::15]

• 构建货币政策指数MPI，将多种货币政策工具统一衡量货币政策松紧度，MPI走势吻合中国宏观经济周期波动。

- 通过主成分分析提取上下游物价、工业景气、消费需求的共同因子，提炼经济数据的核心动态表现。

• 理解和量化经济周期中微观层面数据的统计特征，为周期状态识别提供依据。

基于“政策-经济”周期的宏观经济阶段划分及行业配置策略 [page::11][page::17][page::18]

• 定义“元亨利贞”四阶段，结合数据强弱及政策松紧，建立政策-经济周期量化识别模型，准确率超过54%，数据特征明显时误差低于30%。

- 归属四阶段对应优选行业板块组合，实现阶段性轮动：
- 元：金融、可选消费、科技；
- 亨：周期上游和中游、可选消费；
- 利：一般消费、科技、可选消费；
- 贞：金融、周期下游、一般消费。

• 该策略2016年至2020年样本外年化收益4.7%，超额4.3%，信息比率0.94。

动态宏观聚类模型与“政策-经济”周期模型交叉印证及策略优化 [page::19][page::20]

• 两个模型观点约70%时间吻合，重合配置对应的行业板块，分歧时采取等权配置，提升模型稳健性。

- 交叉印证策略表现显著提升，2016-2020年年化超额收益8%，信息比率1.23，最大回撤26.4%，月度胜率52%。

• 表明结合主观逻辑与量化聚类的策略具有更高的有效性和风险调整后收益。

量化方法与策略效果数据概览 [page::9][page::17][page::19][page::20]

| 策略 | 年化收益率 | 夏普比率 | 最大回撤 | 超额收益率 | 信息比率 | 月度胜率 |
|--------------------------|------------|----------|----------|------------|----------|----------|
| 静态宏观情境聚类策略 | 24.99% | 0.89 | 49.95% | - | - | - |
| 动态宏观情境聚类策略 | 15.62% | 0.60 | 45.75% | - | - | 58% |
| “政策-经济”周期策略 | 4.7% | 0.26 | 24.6% | 4.3% | 0.94 | 60.9% |
| 动态聚类策略 | 1.9% | 0.10 | 28.1% | 1.9% | 0.34 | 50% |
| 交叉印证后宏观轮动策略 | 8.2% | 0.42 | 26.4% | 8.0% | 1.23 | 52.2% |

金融工程报告深度分析与解构

报告标题： 量化模型与宏观逻辑的碰撞——行业轮动系列研究之宏观篇
发布日期： 2020年4月24日
机构： 光大证券研究所
分析师： 董天韵、刘均伟、谢超、周子彭
主题： 宏观经济状态识别与基于宏观视角的大类行业轮动策略构建与验证

---

一、元数据与概览

本报告聚焦于通过量化模型结合主观逻辑，识别宏观经济状态，进而指导行业轮动策略的构建。作者基于宏观经济、货币政策、通胀、流动性等宏观因子，结合统计学聚类技术和传统宏观周期理论，搭建了适用于中国资本市场的宏观视角下行业大类划分体系及轮动配置模型。报告首次尝试将“政策-经济”周期理论与量化模型深度融合，通过动态和静态聚类判别宏观状态，实现逻辑与数据的交叉验证。核心目标为增强行业轮动策略的稳定性和样本外表现。报告中presents两套轮动模型及其组合策略，显示交叉印证后的综合策略可实现2016年至2020年3月年化超额收益率约8%，信息比率高达1.23，突显策略的有效性与稳健性。报告风险提示明确指出模型依赖历史数据，且“政策-经济”周期分级带有主观判定倾向，存在失效风险。

---

二、逐节深度解读

1、识别宏观状态：量化与宏观逻辑的碰撞

• 核心问题与背景：

- 宏观变量（GDP增速、利率、物价等）对不同行业影响不同，导致行业轮动。把握宏观状态的变化是实现行业轮动的关键。
- 过去光大研究所构建了基于10项宏观指标的静态宏观情境聚类，但行业数量多、行业逻辑复杂，单纯量化难以体现行业的经济逻辑和主观投资逻辑，样本外有效性有限。

• 宏观情景识别的难点：

- 多行业数量庞杂，同类行业共享宏观逻辑，需要合理划分大类行业。
- 纯基于收益率聚类容易因历史优势行业长期被选择，缺乏经济波动逻辑支撑。

---

1.1、大类行业：多维聚类指导行业划分

• 背景与方法：

- 采用美林时钟理论框架分阶段看大类行业表现，划分板块便于宏观投资逻辑捕捉。
- 上游原材料（煤炭、有色、石油石化）、金融、科技板块划分明确，其他行业主观划分较难。
- 探索多维聚类，既用分段K-Means基于收益率和市场状态分类(表2)，也用模糊C-均值聚类结合ROE和营收增速。

• 关键数据与成果：

- 图2展现通过收益分段后的最小生成树连通图，明确了制造业居中，连接多行业需求端。
- 图3模糊C-均值结果体现出基本面层面的细分距离，反映行业间基本面相似度。
- 本报告基于聚类提出七大类行业划分（图4）：周期上游、周期中游、周期下游、可选消费、一般消费、科技、金融。
- 图5显示各板块收益率走势：可选消费与科技领先，周期性板块表现相对低迷。

• 意义：

- 这种多维度、多模型结合聚类，结合主观逻辑调整，形成具有经济意义和投资指导性的行业大类划分，为后续轮动模型提供了坚实基础。

---

1.2、量化聚类模型应用初探

1.2.1 静态聚类模型

• 模型介绍:

- 用静态层次聚类（基于10个宏观指标的高低，采用hamming距离）划分宏观经济四状态（滞涨、过热、复苏、衰退）。
- 各状态特征差异明显（图6-9），基于经济增长和通胀定义周期四阶段。

• 行业配置策略（表3）:

- 四状态均以科技、可选消费为核心，周期中下游多被忽视。

• 效果与局限:

- 策略表现优异（图10），但主要因历史数据挖掘，长期偏向强势板块，缺乏对周期波动的真实反映，样本外稳健性差。

1.2.2 动态聚类模型

• 改进: 用过去5年月度宏观因子进行动态聚类，4状态划分灵活，选取表现最佳3板块配置。

- 结果（表4，图11）:
- 配置更分散，缓解静态聚类的偏差，取得一定超额收益（年化1.9%超额），但缺乏经济逻辑支撑且方法黑箱。

• 总结: 量化模型挖掘虽有效，却无法解释背后宏观经济机制，且忽视主观认知的重要性，存在显著局限。

---

2、以中观验证宏观：主观复盘的量化应用

2.1 复盘“政策-经济”周期

• 结合经济增长和货币政策，构建“政策-经济”周期框架，将周期划分为四个阶段：

- 元（数据强、政策松）
- 亨（数据强、政策紧）
- 利（数据弱、政策紧）
- 贞（数据弱、政策松）

• 经济数据与政策存在互动，构成一个政策引导下的经济循环（图12、13）。
• 纯量化划分存在GDP波动小、数据披露滞后等难点（图14），投资者依赖多指标综合判断。

2.2 统计周期阶段特征

• 以货币政策指数MPI统一度量多类货币政策工具影响（表5，图15），科学量化政策松紧程度。

- 采用主成分分析方法提取上下游物价（图16）、工业景气与消费需求（图17）等中观多变量共同因子，缓解单指标波动扰动。

• 统计分析显示四阶段各指标均满足主观预期（表7），例如“元”阶段宏观经济指标正向上升，MPI处于低位。

2.3 量化识别周期阶段

• 以历史6年数据为样本，计算当前指标与四阶段特征的欧氏距离，选出最接近的状态。

- 准确率54%，在数据特征明显时（标准差高于0.6），准确率提升至70%以上（表8，图18）。

• 样本外测试显示模型判断稳定，最新两年表现更佳（表9）。

---

3、逻辑+统计交叉印证：年化超额8%

3.1 “政策-经济”周期板块轮动模型

• 每阶段配对优势行业板块（表10）：

- 元阶段偏好金融、可选消费、科技。
- 亨阶段偏好周期上游、中游、可选消费。
- 利阶段偏好一般消费、科技、可选消费。
- 贞阶段偏好金融、周期下游、一般消费。

• 样本外回测期2016-2020年3月，年化收益4.7%，超额4.3%，信息比率0.94，月度胜率60.9%（图19，表11）。

3.2 动态宏观聚类轮动模型

• 基于上述动态聚类，统计轮动表现，测试期年化1.9%，信息比率0.34，表现稍逊于“政策-经济”模型（图20，表12）。

3.3 两模型结合与交叉验证

• 两模型配置策略观点在约70%时间内高度一致（表13）。

- 当两模型观点一致时，宏观判断具备较强逻辑支撑，行业配置奏效；不一致时宏观状态并非主要行情驱动因子。

• 利用该特性，交叉验证合成策略中仅在观点一致时使用宏观模型，分歧时采用等权配置，显著提升策略表现。

- 综合策略年化收益8.2%，超额8%，信息比率1.23，月度胜率52.2%（图21，表14）。

---

4、风险提示

• 模型基于历史数据，无法保证未来持续有效，历史规律可能失效。

- “政策-经济”周期分级部分依赖主观判断，存在偏误风险。

---

三、图表深度解读

• 图1（美林时钟示意）：经典理论框架，经济增长与通胀水平结合决定周期阶段，指导不同板块表现预判。

- 图2（收益分段后最小生成树）：显示行业之间收益相关的紧密度，中游制造业成为连接上下游的枢纽，符合制造业主导型经济逻辑。

• 图3（ROE和营收同比模糊C-均值聚类距离矩阵）：具体行业间基于基本面的相似度，辅助支撑合理划分大类行业板块。

- 图4（板块划分结果）：结合聚类和主观逻辑形成七板块分类，展现板块内涵及层次关系。

• 图5（历史净值走势）：长期表现显示可选消费及科技板块优势明显，周期板块相对弱势。

- 图6-9（四类宏观聚类状态雷达图）：各状态下宏观因子分布差异显著，展现滞涨、过热、复苏、衰退特征。

• 图10（静态宏观情境聚类策略净值）：静态模型样本内表现优异，样本外表现相对波动大。

- 图11（动态宏观情境聚类策略净值）：动态模型表现稳健但收益和超额均低于静态模型。

• 图12-13（政策-经济周期四阶段及复盘）：形象展示经济与政策双维度划分周期阶段，历史复盘验证。

- 图14（GDP和CPI波动图）：近年总量指标波动减缓，周期特征减弱。

• 图15（中国货币政策指数MPI）：统一表征多维货币工具政策走向，与宏观史实高度符合。

- 图16-17（主成分经济指标走势）：分别体现上下游物价、工业景气及消费需求整体变化趋势，支持多角度观察经济动态。

• 图18（数据特征显著性与准确率）：显著在线性关系，验证模型判断在宏观变化明显时更可靠。

- 图19-21（轮动策略净值）：量化-逻辑结合策略凸显最高业绩，印证模型融合优势。

• 附图（行业聚类结构、各类聚类距离图、动态情境聚类分析等）：多图多维度支撑行业板块划分及宏观轮动模型。

---

四、估值分析

本报告核心为宏观状态识别与行业配置，未针对单一标的公司进行估值分析，故无DCF、市盈率等企业估值模型。量化方法主要以统计分类与策略回测为主。

---

五、风险因素评估

• 模型基于历史数据，假设历史宏观与行业表现关系稳定。宏观与行业的结构性变化会影响模型预测准确性，可能导致策略失效。

- “政策-经济”周期划分依赖专家主观判断，存在判断偏误风险，可能引致策略配置失误。

• 动态聚类模型的黑箱性质难以解释配置原理，增加策略理解风险。

- 数据滞后及宏观指标波动平缓可能减弱模型敏感性。

---

六、批判性视角与细微差别

• 报告一方面强调量化模型客观性，另一方面不可避免引入主观判断，如“政策-经济”周期的划分，存在一定平衡权衡的矛盾。

- 静态聚类模型显示样本内表现良好，但主观辨析认为其存在过度拟合风险，样本外稳定性存疑。

• 动态聚类模型虽然灵活，表现更为稳健，但缺乏投资逻辑，使得该模型难以被完全信赖。

- 报告推荐交叉验证融合两者策略，显著提升表现，体现对方法优缺点的深入反思与调和。

• 数据频率问题（季度GDP、月度物价等）与指标选取设计影响了阶段划分的精确性。

- 风险提示有限，未详细探讨外生黑天鹅事件及政策断裂风险。

---

七、结论性综合

本报告系统构建了宏观经济状态识别与大类行业轮动模型，实现了量化数据驱动与主观宏观周期逻辑的有机结合。报告以美林时钟及金融周期理论为理论框架，结合现代统计方法（K-Means聚类、模糊C-均值、主成分分析等），创新引入货币政策指数（MPI）统一表征货币政策。

通过多维度行业划分，划定七大类别，为行业轮动提供明确投资标的框架。静态宏观聚类显示模型潜在过拟合，动态宏观聚类增强了适应能力但缺乏逻辑解释。基于“政策-经济”周期的主观周期划分，经过量化指标验证，构建了可解释性强且预测准确率70%以上的周期识别模型。

基于四阶段配置的“政策-经济”板块轮动策略表现优异，测试期超额年化收益达4.3%。动态聚类策略表现相对较弱。两模型观点高度吻合时，交叉印证策略获得更高的年化超额近8%，信息比率达1.23，凸显量化与逻辑结合可显著增强策略稳定性和收益性。


报告中图表深刻展示了行业划分合理性、宏观周期判别以及不同轮动策略的净值表现。行业聚类图反映经济结构，中观指标及MPI体现了宏观政策与经济景气变化，策略净值图验证了策略有效性。

风险方面，模型依赖历史关系及部分主观判断，存在失效风险，提示策略使用时需谨慎。总体而言，本报告为宏观驱动型行业配置提供了完整且科学的研究路径，方法论具有较强的创新与实战指导价值，可为机构投资者进行宏观资产配置及行业轮动策略设计提供重要参考。[page::0,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30]

报告