银行业绩与宏观经济强相关 [page::3][page::4]

• 银行单季度净利润同比增速与PMI相关系数达54.82%。

- 宏观经济企稳期银行指数表现显著优于大盘，存在超额收益。

• 利息净收入是银行收入核心，占比超70%，增速决定营业收入趋势。

银行业绩影响因素“量、价、质”分析 [page::5][page::6]

• 资产规模用金融机构人民币资金运用同比增速及M2同比增速替代，两者相关系数85.58%。

- 净息差与贷款基准利率相关系数高达82.15%，走势一致。

• 不良贷款率波动小，暂时未纳入择时模型。

银行业择时模型构建与测试 [page::7][page::8][page::9][page::10]

表 1：宏观数据滞后期数（月频）

| 宏观数据 | 滞后期 | 移动平均参数 |
|--------------------------|--------|--------------|
| 短期贷款利率 | 1 | 0 |
| PMI | 1 | 6 |
| 金融机构人民币资金运用合计 | 2 | 6 |
| M2同比 | 2 | 6 |

表 2：机器学习模型 X 集数据

| 类型 | 数据 |
|----------|--------------------------------------------------------------|
| 宏观基本类 | PMI-方向 金融机构人民币资金运用合计-方向 M2同比-方向 |
| 指数动量类 | 短期贷款利率-方向 行业指数1月动量 行业指数3月动量 行业指数6月动量 行业指数12月动量 |
| 大盘动量类 | Wind全A1月动量 Wind全3月动量 Wind全6月动量 Wind全12月动量 |

• 使用随机森林模型，基于2016年及以前数据训练，后续每年滚动更新训练集。

- Y值为申万银行指数月涨跌标签（月收益正为1，不正为0）。

• 测试期间（2017年1月至2020年3月）模型累计收益34.57%，年化收益9.56%，夏普比率0.48，最大回撤5.92%，显著优于买入持有策略。

表 3：策略评价指标对比

| 指标 | 择时策略 | 买入持有策略 |
|------------|----------|--------------|
| 累计收益 | 34.57% | 1.25% |
| 年度收益 | 9.56% | 0.38% |
| 年度波动 | 0.12 | 0.17 |
| 年化超额 | 9.21% | 0 |
| 最大回撤 | 5.92% | 24.31% |
| 夏普比率 | 0.48 | -0.22 |

货币政策与稳增长政策对银行股的影响分析 [page::10][page::11]

表 4：历届中央政治局会议日期及经济目标统计

• 稳增长政策后，银行股虽绝对收益不突出，但相对收益表现较好，配置价值提升。

- 均值统计显示稳增长发布后1个月内，银行股相对收益为正概率达到66.67%。
表 5：稳增长政策后不同时间的收益对比

| 日期 | 相对收益1月 | 相对收益2月 | 相对收益3月 | 绝对收益1月 | 绝对收益2月 | 绝对收益3月 |
|------------|-------------|-------------|-------------|-------------|-------------|-------------|
| 胜率 | 66.67% | 41.67% | 58.33% | 41.67% | 33.33% | 50.00% |

• 建议重点关注政策窗口期配置银行板块。 [page::11]

深度分析报告：《基本面量化研究之银行择时策略一 金融工程专题报告》

---

一、元数据与概览

• 报告标题： 基本面量化研究之银行择时策略一 金融工程专题报告

- 分析师及联系方式： 郝倞；电话022-23861600，邮箱 hao_liang@bhzq.com

• 发布机构： 渤海证券股份有限公司研究所

- 发布日期： 2020年5月12日

• 研究主题： 银行业择时策略，基于宏观经济数据与机器学习模型，探讨银行板块的择时逻辑与策略表现

核心论点与评级信息：
报告指出银行行业为顺周期性行业，其业绩广泛受宏观经济和货币政策影响。通过构建量（资产规模）、价（净息差）、质（不良贷款率）三个维度的宏观经济指标代理体系，并运用随机森林模型，开发银行板块择时策略。策略测试表明，该模型在2017-2020年期间表现显著优于买入持有，累计收益34.57%，年化收益9.56%。投资风险提示包括模型可能过度优化及失效风险。报告整体态度倾向于利用宏观定量指标结合机器学习模型进行银行板块择时，具有一定的实证基础和策略实践意义[page::0,3,9,10]。

---

二、章节逐段深度解读

1. 前言与行业背景（第3页）

• 关键信息： 银行业在沪深300和上证50中占相当大比重（分别约15%和25%），因此，银行业的投资表现直接影响主流指数。银行业作为货币政策传导实体经济的重要环节，受宏观经济周期影响显著。

- 逻辑和假设： 以总量宏观经济研究视角，银行利润表现对应的“量、价、质”因素与宏观指标高度相关，具备明确的择时逻辑。同时，不同货币政策下银行表现存在典型的周期性规律，为择时提供政策面声音[page::3]。

2. 银行业务简介（第3页）

• 核心论点： 银行营业收入由利息净收入、手续费及佣金收入和营业外收入构成，利息净收入占比超过70%，且其增速是推动营业收入增长的主要因素。

- 数据点解读： 图1显示2018-2019年不同银行类型利息净收入占比均超过70%；图2表明利息净收入增速与营业收入增速呈现较强相关，均为正向推动因子[page::3]。

• 结论： 择时重点应关注利息净收入相关业务，尤其是存贷业务，因其对银行利润的贡献最大，且与宏观经济直接挂钩。

3. 银行总量研究方法（第4-6页）

• 3.1 银行的顺周期性（第4页）

- 银行季度净利润同比增速与宏观PMI的相关系数为54.82%，显示银行利润高度同步于宏观景气循环。图3展现两者走势基本一致，体现银行业绩与制造业活动指数的正相关。
- 历史上申万银行指数在经济企稳向好阶段（2012年末-2013年初，2016年中-2018年末）表现出累计相对超额收益（图4与图5），验证了银行顺周期性的市场表现规律[page::4-5]。

• 3.2 影响银行收益的量、价、质（第5-6页）

- 量（资产规模）： 以金融机构人民币资金运用同比增速和M2同比增速作为代理，两者相关系数高达85.58%，代表银行管理规模扩张。图6揭示两者走势趋同，体现宏观货币供应与银行资产规模的紧密联系。
- 价（净息差）： 统计上市银行平均息差与贷款基准利率相关系数82.15%，两线趋势显著同步（图7），说明贷款利率调整直接传导至息差变动。
- 质（不良贷款率）： 尽管数据长期震荡不大，未发现其对择时有效性影响显著（图8），本报告暂时排除该指标在模型中的作用。
- 总结： PMI、金融机构资金运用增速、M2增速和贷款基准利率构成了银行业绩波动的关键宏观指标[page::5-6]。

4. 数据预处理及模型测试（第7-10页）

• 4.1 数据预处理（第7页）

- 根据宏观指标的发布时间及信息滞后期，设置不同的时间滞后（月频）和6个月移动平均平滑处理。对指标使用方向性变化而非绝对值，避免噪音干扰。例如，PMI方向以环比判断，其他指标以移动平均前后值判断方向。
- X集变量不仅含宏观方向变量（PMI、资金运用、M2、短期贷款利率），且包含行业指数及全市场指数多时段动量指标，综合宏观基本面与市场行为数据增强信号维度（表1与表2）[page::7].

• 4.2 模型介绍（第8页）

- 采用随机森林模型，这是一种基于多个决策树的集成学习方法，通过节点的随机属性选择提升模型泛化能力。随机森林实现了对变量非线性和交互复杂特征的捕捉，有利于充分挖掘宏观经济与市场指标的关联性。
- 训练集包含2016年及以前数据，之后每年更新确保模型适应环境变化（图9）[page::8].

• 4.3 模型测试（第9-10页）

- 测试区间为2017年1月至2020年3月，模型输出当月申万银行指数上涨或下跌的概率（图10）。灰色与黄色区域分别代表上涨和下跌预测概率，实际指数（蓝线）走势与预测概率大体吻合。
- 策略净值表现（图11）显示择时策略明显跑赢买入持有，规避了2018年初和2020年初显著调整，并捕捉到部分上涨行情。策略指标（表3）更进一步说明其优势：累计收益34.57%远超1.25%，年化收益9.56%高于0.38%，最大回撤仅5.92%，远低于24.31%，夏普比率0.48显著优于负值的买入持有策略，反映风险调整后收益水平优越[page::9,10].

• 4.4 随机种子设定（第10页）

- 由于样本较小，随机森林中随机种子对模型结果具有一定影响，强调模型结果的复现性需通过设定固定随机种子加以保证[page::10].

5. 稳增长政策分析（第10-11页）

• 背景介绍：

- 政府稳增长政策多伴随宽松货币政策。根据历年中央政治局会议经济目标划分为防通胀、调结构及稳增长。我国自2010年起经济目标呈现由防通胀转向调结构和稳增长为主的趋势。
- 经济目标选择具有一定主观判断，基于多位策略师观点形成共识[page::10].

• 银行股表现统计：

- 统计历次稳增长政策后的银行股绝对收益与相对收益（相对于Wind全A指数），发现绝对收益为正概率不高，但相对收益（优于大盘）为正概率较高（1月内达66.67%），说明稳增长政策后，银行股表现温和但具备一定配置价值，可从低配走向正常配置。
- 表4列出历届政治局会议及经济目标，表5具体展示稳增长政策实施后1-3个月的相对与绝对收益。

• 结论： 虽不见大幅上涨，但银行板块在稳增长阶段可被视为相对抗跌且具备轮动价值的板块[page::10-11].

6. 进一步研究及风险提示（第12页）

• 未来方向： 系统跟踪银行板块配置效果，开展其它行业的基本面量化研究，丰富整体量化策略库。

- 风险提示： 模型或存在过度拟合，未来可能失效，提示策略投资风险需谨慎识别[page::12].

---

三、图表深度解读

图1 & 图2（第3页）

• 利息净收入占营业收入比例稳定高于70%，表明利息净收入为银行收入主要来源。利息净收入增速直接影响营业收入增长，确认选取利息净收入作为核心观察对象的合理性。

- 两图结合突出银行收入结构的稳定性与利息净收入对总收入的驱动作用，为后续资金规模（量）与净息差（价）以及宏观变量关联提供了逻辑基础。

图3（第4页）

• 银行单季度净利润同比增速与PMI走势高度一致，相关系数54.82%表明银行利润与经济景气正相关。该图的历史时间覆盖了2008-2019年，呈现出经济周期波动中银行盈利的同步性。

- 此图支持利用PMI作为利润代理变量，辅助模型期望识别银行业绩周期性变化及市场表现。

图4 & 图5（第5页）

• 展示两个经济回升阶段（2012年11月-2013年2月，2016年8月-2018年12月）申万银行指数累计超额收益，蓝线为银行指数，红线为累计超额收益。

- 趋势表明宏观环境改善初期银行资产可能实现阶段性超额收益，暗示择时策略寻求介入时机的市场潜力。

图6（第5页）

• 资金运用同比增速与M2同比增速走势高度趋同，相关系数85.58%，相互验证其可作为银行规模变化的代理指标。两指标均呈下行趋势显示近年经济及资金环境趋缓，对银行资产规模扩张的压力明显。

图7（第6页）

• 上市银行息差均值与短期贷款基准利率走势贴近，相关系数82.15%，体现息差对贷款基准利率高度敏感。贷款利率下调对应息差缩窄，影响银行净利息收入水平。

图8（第6页）

• 上市银行不良贷款率均值呈现小幅波动趋势且长期保持在1.0%-1.5%区间。该指标波动不大且未表现出对板块择时显著影响的趋势，因此被排除在建模指标之外。

图9（第8页）

• 流程图展现数据从提取、预处理、划分训练集，到通过随机森林模型进行训练和输出结果的全过程。强调整体模型的定期更新机制。

图10 & 图11（第9页）

• 图10展示随机森林模型预测上涨和下跌概率与实际市场表现对比，大致轮廓吻合，显示模型具备一定预测效能。

- 图11净值曲线表明择时策略在同期显著跑赢买入持有，尤其在下跌行情中具备避险优势，验证了模型实用价值。

表3（第10页）

| 指标 | 择时策略 | 买入持有策略 |
|-------------|-----------|--------------|
| 累计收益 | 34.57% | 1.25% |
| 年度收益 | 9.56% | 0.38% |
| 年度波动 | 0.12 | 0.17 |
| 年化超额收益 | 9.21% | 0 |
| 最大回撤 | 5.92% | 24.31% |
| 夏普比率 | 0.48 | -0.22 |

• 表明策略在保持较低波动和回撤的同时，实现了显著的绝对和相对收益优势[page::10].

表4 & 表5（第11页）

• 表4详细列出往年中央政治局会议的日期及其对应的经济目标，涵盖稳增长、调结构、防通胀三类。

- 表5统计不同稳增长政策后的相对和绝对收益，显示尽管绝对收益不稳定，银行股相对收益的胜率及正收益概率较高。该数据为政策面与策略配置提供实证支持。

---

四、估值分析

本报告核心聚焦银行业择时策略的构建及测试，未设定或讨论具体的估值模型如DCF或市盈率倍数法等，重点在于通过宏观经济指标与随机森林预测模型形成择时信号。因此本次报告不涉及详细估值方法论，而是基于宏观指标实证和机器学习模型优劣评估。

---

五、风险因素评估

• 模型过度优化风险： 由于使用历史数据训练模型，可能存在数据过拟合，导致未来表现不及预期。报告指出模型应该定期更新以缓解该风险。

- 模型失效风险： 宏观环境、政策、市场结构或银行业本身发生变化可能导致模型特征失效，择时判断失误。

• 其他未明确披露风险： 由于只采用部分宏观指标，忽略不良贷款率等“质”指标潜在影响，模型可能低估信用风险影响。模型随时间效用可能下降，需动态监控和适时调整[page::0,12].

---

六、批判性视角与细微差别

• 宏观数据局限性： 报告聚焦PMI、M2、贷款利率等传统指标，虽相关性强但中短期存在一定时滞，且宏观数据可能受政策调控、统计口径等人造因素影响，影响模型预测的稳定性。

- 不良贷款率指标排除的合理性值得商榷： 虽无直接择时效用，但作为风险质量代表，长期不良率趋势可能影响银行股估值和投资偏好，排除可能忽视潜在风险积累。

• 训练样本量较小，模型稳定性依赖随机种子设定： 报告明确指出模型结果依赖初始随机种子。在样本不充分情况下，模型泛化能力不足，预测偏误可能较大。

- 稳增长政策效果复杂： 统计结果显示稳增长政策无法带来短期绝对涨幅，银行股的表现多为“相对优异”，提示稳增长政策期间配置策略应谨慎，避免盲目乐观。

• 报告未明确提及模型具体参数设置、训练细节、特征重要性分析，缺乏对模型内部机制透明性的阐释，限制了策略的可解释性和真实性检验[page::7,10-11,12].

---

七、结论性综合

本报告系统地阐述了银行业作为顺周期性行业的宏观经济关联性，通过选取与银行资产规模（资金运用和M2增速）、利润率指标（贷款利率与息差）和宏观景气指标（PMI）具有高相关性的宏观数据构成基本面量化择时框架。报告利用随机森林机器学习模型，结合多层次月度动量指标，实现对申万银行指数涨跌状态的预测，策略在2017-2020年展现出显著超过基准指数的收益能力，尤其体现在降低回撤和提升夏普比率方面，表现出较强的风险调整后绩效。

图表分析表明，利息净收入稳定占据银行收入的主导地位，进一步支撑以量价指标作为关键因子的模式设计。历次稳增长政策检验显示银行板块在政策放松后虽无爆发性上涨，但具备较好的相对表现，提示该策略在宏观政策轮动中具备一定参考价值。

风险提示强调模型过度拟合和潜在失效风险，提醒投资者关注模型动态验证和实时调整。具体的随机森林模型是较为合理且具备一定灵活性的非线性解释方法，但训练样本有限及随机种子敏感性要求策略用户保持审慎。

整体来看，报告提出的基于宏观经济指标的银行行业量化择时策略具有扎实的数据基础和可观的实验结果，为投资者提供了一条有效结合宏观经济与行业动量的投资路径，但也应关注策略的稳定性和适用边界，动态跟踪政策动向和宏观环境的变化尤为关键[page::0-12]。

---

参考文献与注明

• 全文引用标记格式为[page::页码]，如上文所示。

- 本分析仅依据报告内容，未注入非报文字面信息，力求客观中立且详尽清晰。

---

以上即《基本面量化研究之银行择时策略一 金融工程专题报告》的详细解析与综合性专业评述。

报告