马氏距离划分经济情景原理 [page::2][page::3][page::4]

• 采用马氏距离度量当前经济数据与历史各情景定义中心的距离，量化经济情景的概率分布。

- 三种情景定义为高增速、正常增速、低增速，基于CPI、PPI、国债收益率、PMI等9类经济指标，通过统计分布界定各情景对应的指标阈值。

• 通过指数函数计算情景概率，并归一化，反映经济现状及未来可能的发展方向。

不同经济情景下的行业涨幅预测方法 [page::8][page::9][page::10]

• 利用马氏距离计算月度经济情景概率，采用最大概率法进行数据分组并训练模型。

- 同步回归解释力度优于滞后回归，用经济情景对应的数值替代同步预测解释变量，解决了宏观数据滞后问题。

• 利用岭回归针对申万一级行业指数分情景建模，获得三组行业涨幅预测值，基于情景概率加权融合预测结果。

行业轮动组合构建流程与表现 [page::11][page::12][page::14][page::15]

|组合|时间区间|收益率|对比基准收益率|超额收益|
|-|-|-|-|-|
|行业轮动组合|2019-2022.09|119.38%|45.14%|+51.15%|

• 行业轮动组合等权配置预测涨幅排名前5的行业，整体表现优异，明显跑赢行业等权组合。

- 分情景同步预测模型显著优于滞后预测（区分经济情景与不区分经济情景两种），说明经济情景加权提升了预测准确性。

模型优势与改进方向 [page::16]

• 模型能捕捉不同经济背景下行业走势的差异，利用同步数据增强解释力。

- 存在历史统计规律依赖性，前瞻性不足；对解释变量敏感，且未针对不同行业特征做变量优化。

资深金融分析师对《在行业轮动中融入经济情景分析》研究报告的详尽解读报告

---

一、元数据与报告概览

报告标题： 《在行业轮动中融入经济情景分析》
作者： 张立宁（金融工程高级分析师）、杨国平（金融工程首席分析师）
发布机构： 华西证券研究所
发布日期： 2022年9月19日
报告性质： 证券研究报告（仅供机构投资者使用）
主题： 结合马氏距离经济情景划分方法，构建行业轮动策略，通过经济情景分析提高行业涨幅预测准确性，并验证其行业组合超额收益能力。

核心论点总结：
报告提出通过马氏距离划分经济情景（高增速、正常增速、低增速），并据此对各经济情景下行业的表现进行分场景建模回归与预测，从而提高行业涨幅预测效果，打造行业轮动组合。通过期望最大情景概率划分训练数据、采用同步预测手段，最终的行业轮动组合表现显著优于全部等权行业组合，显示模型的有效性。该策略能够区分经济环境变化对行业轮动的影响，强化了宏观经济数据对行业走势的解释力，提供了量化选股与行业轮动的新思路。

---

二、逐节深度解读

（一）引言与经济情景划分

• 章节摘要：

报告指出，不同行业在不同宏观经济情景下的驱动力迥异，传统均值-方差模型虽然覆盖所有可能场景但难于理解和精准估计。相对而言，情景分析采用有限类别概率划分（情景有限，概率明确），更为直观易用，但存在主观划分和概率量化难题。

• 推理依据：

参考Czasonis & Kritzman(2020)方法，报告引入马氏距离对多维经济变量构成的经济状态进行距离度量，利用统计量距离将状态划分为不同情景，并以距离计算概率，使情景划分具备量化依据。

• 重要观点：

若将经济情景对应数值和经济数据现值的马氏距离用指数函数转换，则距离越大概率越低，概率归一化后得到三种情景（高增速、正常增速、低增速）的发生概率。这样实现对于情景概率的客观量化，减少传统情景分析的主观成分。

---

（二）经济数据与情景界定

• 关键方法：

选择9类经济指标，如CPI、PPI、国债收益率及期限结构、制造业PMI、社会融资等，分类为同向或反向指标，根据历史滚动分布（剔除极端分位点），用中位数定义正常增长，+-1.5倍标准差定义高、低增速临界，构成情景划分。

• 表1解读（经济指标与经济情景）：

| 指标 | 方向 | 期末值 | 低增速 | 正常增速 | 高增速 |
|------------|------|--------|---------|----------|---------|
| CPI | 同向 | 2.50% | 0.71% | 0.95% | 1.19% |
| PPI | 同向 | 6.10% | 6.02% | 7.40% | 8.78% |
| 1年期国债 | 同向 | 1.95% | 2.29% | 2.32% | 2.36% |
| 利率期限差 | 反向 | 0.87% | 0.67% | 0.65% | 0.63% |
| 制造业PMI | 同向 | 50.20% | 50.10% | 50.50% | 50.90% |
| 社会融资当月同比 | 同向 | 39.67% | 2.36% | 11.62% | 20.88% |
| 社会融资累计同比 | 同向 | 18.43% | 0.96% | 7.15% | 13.33% |
| 新增人民币贷款同比 | 同向 | 32.55% | 2.26% | 5.05% | 7.84% |
| 贷款余额同比 | 同向 | 11.20% | 12.17% | 12.30% | 12.43% |

此表展示了将历史数据分割成代表三种经济增长情景的阈值。通过历史统计数据指定了各指标符合不同经济情景的具体取值区间，从而完成情景数值定义。数据均通过显著性检验证实与行业指数存在相关性，确保选用的经济指标合理支持模型回归[page::5]。

---

（三）马氏距离计算与经济情景概率转换

• 数学模型解读：

马氏距离计算公式
\[
d = (x - \mu)^T \Sigma^{-1} (x - \mu)
\]
其中\(x\)为经济情景下的经济数据定义向量，\(\mu\)为当前经济数据，\(\Sigma\)为协方差矩阵。此距离反映当前经济数据与情景定义之间的多维差异。

• 概率转换机制：

通过指数衰减函数 \(e^{-d/2}\) 将距离转化为未归一化概率值，距离越远，概率越低。归一化后得到三类经济情景的概率分布。该方法理解为经济数据存在“动量延续”现象，即经济走势往往持续某一状态，使得经济情景能够预测未来状态的概率，量化情景概率。

• 图表解读（图1，马氏距离散点图）：

图示中椭圆代表经济指标变量的协方差矩阵形成的等高线，点A和点B分别显示两个时刻的经济表现。距离椭圆中心越远，表明经济状态异常。该图形直观展示了马氏距离消除不同变量尺度及相关性的优势，说明马氏距离在识别宏观经济异常波动中的有效性[page::3,6]。

---

（四）经济情景分组建模与训练数据整理

• 分组方法：

使用各月经济数据计算对应3种经济情景概率，选择概率最大的情景作为该月经济情景类别，将经济数据和行业指数归入相应情景训练集。历史数据自2012年以来适用此分类，训练集数据随情景划分较传统更细，导致单类训练集较小。

• 策略调整：

为提高训练深度，2018年前仅划分情景不作预测，2019年起同时进行预测建模，保证训练和预测数据的合理长度及连续性。

• 图表解读（图2，经济数据分组流程）：

该流程图清晰描绘了从每期经济数据计算三种情景概率，取最大概率对应情景，最终形成不同情景独立训练集的步骤，确保模型训练与经济宏观状态同步[page::8]。

---

（五）同步回归 vs 滞后回归

• 分析论点：

报告强调行业走势更受“同期”经济数据变化影响，而非宏观数据公布滞后期的状态，因此采用同步预测逻辑，即用经济数据当期变化解释行业指数当期表现。

• 证据支持：

以沪深300月涨幅为例，分别用表1的9类经济数据做同步回归和滞后一期回归，计算解释力度(R²)。
- 同步回归R²=0.14
- 滞后回归R²=0.12
明显同步回归具备更高的拟合效果和解释力。

• 图3解读：

图中同步回归柱状显著高于滞后回归，直观显示经济数据当期价格对行业走势解释能力的优势，强化了采用同步回归的合理性，也为后续模型构建同步预测奠定基础[page::9]。

---

（六）同步预测的核心难点及解决方案

• 难点：

同步预测需要提前预测未来经济数据，这本身是一个挑战。

• 解决方案：

通过前文经济情景的概率和数值定义，经济情景作为经济数据的未来预测代理。利用动量延续假设，经济情景数值比单期简单动量更稳健地建立了对未来经济数据变化的“预测”，从而实现同步预测。

• 优势总结：

1. 经济情景数值基于历史分布，更能捕捉宏观经济本质和波动规律，比单一数据单期动量稳健。
2. 多场景建立不同的回归方程，后续预测结果加权，减少模型误差、避免单一预测的偏差，提高预测稳健性。

• 图表（无具体图表示意，报告末页无实图）：

该程序逻辑推动了对未来经济情景的量化同步预测设计，是本报告提出创新模型的重要环节[page::10]。

---

（七）行业轮动组合构造流程

• 建模标的及回归方法：

选择申万一级行业（剔除综合行业）作为建模对象。回归方法使用岭回归，防止多重共线性，保证模型稳健性。

• 建模与预测方法细节：

- 在高、正常、低三种情景下分别用对应的训练集数据进行同步回归建模，回归界定为T期行业涨幅依赖于T-1期（最新可用）经济数据和行业指数涨幅，避免未来漏泄。
- 用三类经济情景对应的经济数据作为解释变量，分别计算三种情景下行业指数涨幅预测。
- 采用经济情景概率对三种预测进行加权合成，得到最终行业涨幅预测值。
- 选出涨幅预测值排名前5的行业，执行等权投资组合。

• 图4解读（行业轮动组合构造流程图）：

详细步骤表现了训练集分类、建模、预测值计算，以及概率加权合成的完整策略架构，具备清晰可执行的量化模型流程，系统地将经济情景信息融入行业涨幅预测和组合构造[page::11,12]。

---

（八）行业轮动组合策略实证表现

• 业绩数据与对比：

2019年至2022年9月16日，行业轮动组合收益达119.38%，而同期申万一级全部行业等权组合仅上涨45.14%，超额收益51.15%。

• 图5解读（组合收益走势图）：

红色代表行业轮动组合累计收益，明显优于褐色的全部行业等权组合，同时蓝色超额收益逐步攀升，体现策略自2019年开始积极捕捉行业轮动带来的超额利润能力，是经济情景分析提升行业轮动预测的成功证明[page::14]。

---

（九）不同预测方法比较

• 结论：

采用分情景同步预测的行业组合表现明显优于两种滞后预测（含分情景与不分情景），显示同时考虑经济情景及同步回归能显著提升行业涨幅预测效果。

• 图6解读（不同预测模型收益对比图）：

图中红色曲线（分情景同步预测）始终跑赢两条滞后预测线，验证模型设计的有效性，表明分情景和同步预测两因素对行业轮动模型性能贡献突出[page::15]。

---

（十）模型优势与改进方向总结

• 优势：

- 经济情景区分让回归模型针对不同宏观环境的行业表现展开，增强预测准确性。
- 同步预测则更直接反映经济数据与行业走势的关联，提升解释力度。

• 改进点：

- 经济情景定义基于历史统计分布，缺乏对未来非历史行为的前瞻性预测能力，有风险。
- 对解释变量敏感，模型表现依赖所选宏观指标，指标选择或进一步区分可优化性能。
- 当前所有行业统一使用同一组解释变量，未来可根据行业特征定制指标集，挖掘个性化关联规律。

---

（十一）风险提示

• 报告明确提示模型和结论均基于历史统计规律，当历史规律断裂或宏观环境异常时，模型表现可能失效，用户应谨慎使用并结合其他分析方法和实时动态调整投资策略[page::17]。

---

三、图表深度解读

图1（马氏距离散点图）：展示经济指标两维度散点及其协方差椭圆，显示马氏距离计算如何综合考虑变量相关性和尺度差异，便于识别异常波动。图中的往外偏离椭圆中心的点即经济异常。

图2（经济数据分组流程图）：说明每期经济数据先计算三种情景概率，选最大者决定该期经济情景，归类后单独训练。这种拆分保证了模型在不同宏观环境下拟合更细致准确。

图3（同步回归与滞后回归R²对比柱状图）：同步回归解释力度更高，图表直观传达数据，支持预测方法切换为同步回归。

图4（行业轮动组合流程图）：贯穿从训练数据、回归方程、三个情景预测值到概率加权的路径，完整展现组合构建该量化策略的逻辑流程。

图5（行业轮动组合累积收益曲线）：行业轮动组合表现优异，积累显著超额收益，曲线平稳上扬，验证了经济情景分组预测在投资实践中的实效性。

图6（不同预测策略累积收益对比）：分情景同步预测曲线领先其他策略，突出新模型的优势。

---

四、估值分析

本报告主攻量化行业轮动策略构建及表现分析，不涉及个股估值，因此无专门估值方法讨论。策略关注宏观经济情景与行业指数涨幅的回归关系，重点是提升行业涨幅预测准确率及后续资产配置表现。

---

五、风险因素评估

• 历史统计规律假设风险： 经济情景划分依赖历史数据统计分布，若未来经济结构或金融市场机制发生质变，模型的稳健性和预测能力恐受影响。

- 解释变量选择风险： 经济指标选择直接影响模型解释力和预测效果，目前均采用固定9个同一组指标，未针对行业特性调整，存在“误检”风险。

• 同步预测假设风险： 依赖经济情景数值作为解释变量预测，实际上基于经济数据动量延续假设，假设失效可能导致预测失真。

报告未显示具体的风险缓释措施，投资者需结合多模型验证及动态调整策略，以应对潜在风险[page::16,17]。

---

六、审慎视角与细微差别

• 报告整体侧重历史统计规律，未充分考虑经济黑天鹅事件对情景划分的冲击，模型前瞻性不足。

- 情景划分和概率赋值方法虽具创新性，但依赖多维正态分布假设及对指标间相关性矩阵及协方差矩阵的稳定估计，若数据非正态或时间序列波动剧烈，结果可能偏差。

• 岭回归用于缓解多重共线性和维数灾难，效果显著，但不同正则化参数选择及模型稳定性需进一步说明。

- 对行业同构模型构建，忽略行业异质性，未来个性化回归变量选择或机器学习方法可能提升整体模型表现。

• 报告未提及外部冲击如政策风险、重大贸易摩擦等，可以视作后续模型拓展空间。

---

七、结论性综合

本报告系统介绍了结合马氏距离的经济情景划分方法，以量化手段全景定义宏观经济高、正常、低增速三类情景，并计算情景发生概率。通过经济情景概率确定训练集划分，针对三种情景分别构建同步回归模型，实现了对行业月度涨幅的情景预测，并进行概率加权得到最终预测结果。

基于此预测策略构造的行业轮动组合，在近三年实测中显著超越全部行业等权组合，实现超额收益超50%，证明模型在行业轮动中的有效性。同步预测优于滞后预测，分情景模型优于不分情景模型，量化证明了引入经济情景分析对行业涨幅预测的提升。

该模型创新地将宏观经济情景量化成经济指标分布下的马氏距离概率，从而实现情景概率的科学赋值，避免了传统情景分析的主观模糊性，提升了量化模型的严谨性和预测能力。通过岭回归方法复合多样经济指标，稳健拟合行业涨幅，进而构建行业轮动组合。

尽管模型基于历史规律，存在前瞻性的不足和对经济数据动量延续的依赖，仍显著优于传统方法，具有较强实务指导价值。未来模型可在行业差异化解释变量选择和非正态经济数据建模上进一步改进。整体而言，报告提出的经济情景分析融入行业轮动策略，提供了量化宏观轮动的可操作路径，具备先进性和实证有效性，值得关注和应用。

---

重要引用页码总结

[page::0,2,3,4,5,6,8,9,10,11,12,14,15,16,17]

---

报告结束。

报告