普林格周期行业轮动表现及应用 [page::4]

• 普林格周期划分经济阶段和占优资产，周期六阶段明确股票与债券等资产配置规则。

- 2016年至今大类资产轮动策略年化收益21.67%，夏普比率1.75，最大回撤-6.38%。

• 应用于行业轮动，根据周期状态配置占优行业，2023年样本外回测多头超额收益11.3%。

- 表1显示普林格周期因子五分组回测统计，最高组年化收益率12.91%，夏普0.71。

宏观变量池与数据处理 [page::5][page::6]

| 宏观变量类型 | 说明 |
|--------------|-----------------------|
| 房地产开发投资完成额 | 累计同比 |
| CPI | 当月同比 |
| PPI | 当月同比 |
| 10年期国债收益率 | 差分及主观标记 |
| 信用利差 | 多时滞滞后领先变量 |
| 工业增加值 | 累计同比及差分标记 |

• 构建204个宏观变量标记含差分和主观标记及其领先滞后期，增加模型信息量，提升预测表现。

- 图4示例国债收益率的差分与主观标记处理。

逐步回归模型构建及行业超额收益预测 [page::6][page::7][page::8][page::9]

| 分组 | 年化收益率(%) | 最大回撤(%) | 夏普比率 | 年化超额(%) |
|--------|--------------|------------|---------|------------|
| 第1组 | 22.19 | 16.30 | 1.11 | 14.11 |
| 第2组 | 8.31 | 25.41 | 0.43 | 1.15 |
| 第3组 | 3.67 | 28.14 | 0.19 | -3.19 |
| 第4组 | 5.31 | 28.37 | 0.28 | -1.65 |
| 第5组 | -1.54 | 37.94 | -0.09 | -8.05 |

• 使用逐步回归，从204个宏观变量中筛选显著变量构建行业超额收益模型，控制变量数不超过5。

- 结合月度效应校正残差，构造稳定的预期收益率因子，模型回测显示多头年化超额14.11%，表现稳健。

逻辑回归分类模型与行业截面排名预测 [page::18][page::19][page::20]

| 分组 | 年化收益率(%) | 最大回撤(%) | 夏普比率 | 年化超额(%) |
|--------|--------------|------------|---------|------------|
| 第1组 | 17.38 | 18.24 | 0.89 | 13.53 |
| 第2组 | 3.69 | 21.55 | 0.21 | 0.28 |
| 第3组 | 5.74 | 27.11 | 0.33 | 2.27 |
| 第4组 | -1.56 | 36.57 | -0.09 | -4.80 |
| 第5组 | -6.07 | 44.84 | -0.35 | -9.16 |

• 将多行业回归拆解为行业两两配对的二分类问题，使用逻辑回归加L1惩罚进行模型拟合和变量选择。

- 通过对所有配对因子值加总获得行业因子值，分类模型超额收益表现接近逐步回归模型。

• 典型配对煤炭/传媒回归系数表显示CRB指数、M2等宏观变量在模型中作用显著。

- 参数敏感度分析显示模型在参数C=0.18, L=3时表现最佳，具有较好时变鲁棒性。

行业最新配置及风险提示 [page::15][page::26]

| 日期 | 行业1 | 行业2 | 行业3 | 行业4 | 行业5 |
|-------|---------|---------|---------|-----------|-----------|
| 202404| 食品饮料| 医药 | 传媒 | 非银行金融 | 有色金属 |
| 202405| 食品饮料| 计算机 | 国防军工| 传媒 | 通信 |

• 2024年4月行业组合实现超额行业等权收益0.4%，5月推荐调整为新组合。

- 风险方面需关注模型失效风险、2023年市场异常表现、全球政治不确定性及中国国内经济波动风险。

证券研究报告结构性详尽分析报告：宏观因子行业轮动体系 主观与量化结合新尝试

---

一、元数据与概览

• 报告标题：宏观因子行业轮动体系 主观与量化结合新尝试

- 作者：丁鲁明（中信建投证券），研究助理：付涵

• 发布机构：中信建投证券股份有限公司

- 发布日期：2024年5月7日

• 研究主题：基于宏观经济变量的行业轮动模型在中国A股市场的应用与回测，探索两大主流宏观变量指导行业配置策略，即周期划分（普林格周期）和拟合预测模型（回归与分类模型）。

核心论点/目标信息：

报告旨在构建并实证检验以宏观变量指导行业轮动的两种核心建模方法：

1. 利用普林格周期将经济周期划分为六个阶段，针对不同阶段占优行业配置资产；

2. 构造宏观变量与行业超额收益回归及配对分类模型，用宏观变量预测未来行业反应并动态构建多头组合。

实证结果表明，拟合预测型模型（回归和分类）在2019年以来均表现卓越，行业多头组合年化超额收益超过13%；普林格周期法回测也显示出稳健的业绩，样本外阶段（2023年2月以来）多头超额收益达11.3%。报告中也有针对模型参数敏感度和行业推荐的具体讨论，分析师展现对量化与主观标记结合的建模思路的高度认可。

---

二、逐节深度解读

2.1 引言与研究背景

• 核心观点：

- 宏观变量指导行业轮动研究主要有两种思路：基于经济周期划分（例如美林时钟）确定各阶段占优行业，以及通过回归模型构建行业超额收益与宏观变量的映射关系。
- 本报告以普林格周期模型替代传统经济周期划分，并扩大宏观变量采集范围，结合回归和分类方法探究宏观变量对行业超额收益的预测能力。

• 推理与论据：

- 文献回顾涵盖Greetham et al (2004)、Sauer（2019）、Wang et al（2020）等使用经济周期划分进行行业轮动的研究，以及Chong & Phillips（2015）、Gao & Ren（2015）、Y. Zhu（2020）等构建回归模型预测行业收益。
- 指出现有研究多基于少量宏观变量或特定模型，报告尝试宏观变量多维度、领先滞后变量和两种建模任务结构的创新结合。

• 关键假设：

- 宏观变量能有效解释行业间的收益差异；
- 经济周期及其划分能指导资产配置策略；
- 通过精细的变量筛选和模型设计可提升预测稳定性和收益超越市场基准的概率。[page::3]

2.2 普林格周期应用于行业轮动

• 普林格周期简介：

- 由美林时钟演化而来，使用先行指标（M1、M2同比）、同步指标（GDP同比、工业增加值同比）、滞后指标（PPI同比）共同划分经济周期为六个阶段。
- 每阶段确定占优资产类别，如阶段一债券，阶段二股票，阶段五商品及黄金等。

• 实证结果：

- 大类资产轮动策略2016年至2024年3月净值持续稳步提升，年化收益21.67%，夏普比率1.75，最大回撤6.38%。
- 行业超额收益5分组回测表明，多头组年化超额收益达5.44%，样本外阶段2023年2月以来超额收益11.3%，但分年收益存在波动，部分年份收益为负，如2021年为-15.53%。

• 图表解读：

- 图1展示六阶段划分特征、指标趋势及对应资产类别分配，逻辑清晰体现经济周期变化与资产配置切换关系。
- 图2表现净值持续成长，表明周期配置策略有效。
- 表1和表2详细呈现了回测统计结果及多头组分年表现，显示周期划分模型有一定周期敏感性和波动，但整体优于等权基准。

• 局限性分析：

- 该周期模型对宏观变量维度受限，单凭历史均值统计构造预期收益带入噪声，可能导致今年份表现不佳。
- 2023年经济状态快速切换，也令模型预测难度增加。

• 结论：

- 普林格周期在行业轮动中可提供基线超额收益，但存在稳定性不足问题，需要结合更多变量和方法提升模型前瞻性。[page::3-5]

2.3 行业超额收益-宏观变量回归建模实证

2.3.1 宏观变量处理

• 宏观变量池包含17个基础指标，涵盖房地产、CPI、PPI、GDP、货币供给(M1、M2)、工业增加值、信贷信用利率、股息率、市盈率倒数、波动率等。

- 变量经过两种处理：
1. 两个月差分符号标记(sign)的数值型变量；
2. 主观标记（根据宏观走势趋势主观判断上下），两种标记各带有3期领先和3期滞后，合计204个变量。

• 变量标记化用于减少噪声，强调趋势方向而非幅度。

- 图4以10年期国债收益率展示两种标记法的示例及其时间序列差异。

2.3.2 逐步回归变量筛选及模型拟合

• 回归目标为29个一级行业相对行业等权的超额收益率。

- 变量选择通过改良逐步回归完成，唯一变量入选以P值<0.1，避免同一变量不同滞后领先共线，限制最多5个变量入选。

• 变量选择引入时间窗口Q，增强时变鲁棒性，避免单月选择波动过大。

- 拟合采用分两步OLS：第一步用宏观变量拟合超额收益，第二步拟合残差的月度效应。

• 参数L表示拟合产物对目标月的平均，最终截面预测由过去L个月模型结果平均构建。

2.3.3 回测结果

• 参数选定为L=1，Q=6，基于2018年末至2024年3月月度数据。

- 五分组回测结果：
- 年化多头组超额收益14.11%，显著优于等权组合0%基准。
- 胜率61.9%，最大回撤16.3%。
- 分年均稳定录得正超额收益，2023年回撤较重但整体优异。

• 单独使用彻底可得数据版本回测（不含主观预判变量）超额收益大幅回落，年化多头超额4.72%，反映宏观变量预判能力关键。

- 图5至图7展示逐步回归变量筛选流程与净值表现。

• 表8/9详列了最新拟合变量与回归系数，关键宏观变量频繁出现，包括上证指数月波动率差分、M2差分、工业增加值差分、生猪价格等。

2.3.4 模型变量特征与行业因子解释

• 部分宏观变量如CRB现货指数、国债收益率差分、信贷利差均对部分行业超额收益有统计显著贡献。

- 变量领先滞后期跨度体现了宏观环境对行业影响的延迟效应。

• 变量普遍表明通胀、货币政策、商品价格等宏观走势对行业表现具有较强驱动作用。

---

2.4 参数敏感度分析

• 参数L（模型训练窗口长度）与Q（变量选择回看月数）两者影响回测收益表现。

- 选择L=6，Q=1的参数组合可以达到更优的平衡，既保证变量选择时变性与时效性。

• 分年视角发现2023年整体表现偏弱，主要由下半年回撤引起，可能宏观数据信号与市场反应脱节。

- 图8-12通过参数平原分析展示不同参数组合在2020-2024年间的超额收益波动。[page::6-17]

---

3.1 行业截面配对-宏观变量建模实证

• 识别回归模型拟合优度受限问题，提出将行业超额收益回归转化为成对行业相对强弱的分类问题，即两两行业配对之间超额收益符号预测。

- 29行业两两配对共406个分类任务，采用逻辑回归结合L1惩罚实现变量选择与模型拟合。

• 模型旨在通过预测行业对之间的优劣排名，最终加总配对得分形成整体行业因子。

- 优势在于转化任务降低建模难度，提高了变量筛选效果及模型泛化稳定性。

---

3.2 模型细节与数学表达

• 利用带L1惩罚的逻辑回归最大化二项似然函数并进行稀疏变量筛选，公式详述回归概率表达及正则化目标函数。

- 因子构造通过对历史3个月模型输出加总形成目标月份预测评分。

• 该分类框架内模型多头年化超额达到13.53%，表现接近回归模型。

- 该模型参数对超额收益表现稳健性较高，尤其惩罚参数C的选择关键，选择C=0.18，L=3。

• 图14展示模型净值曲线及相关统计指标，表11-12呈现详细回测数据和分年表现。

---

3.3 典型配对案例分析

• 以煤炭/传媒配对为例，模型参数详列CRB综合指数、PPI、CPI、生猪价格等宏观变量多重前后期作用。

- 表13展示单个配对回归系数，体现模型变量丰富且难以直观简单解释。

• 体现配对模型在个别行业对预测上的复杂性及多变量交互性。

---

3.4 配对模型参数敏感度分析

• 参数L,C对模型2020-2024的各年回测表现进行全面分析。

- 参数L变动对超额收益影响不显著，模型鲁棒性强。

• 参数C表现为小C值避免过拟合，保持模型简洁同时保证拟合质量。

- 图15-19分别呈现不同年份不同参数下的超额收益曲线，整体在非2023年表现良好。

---

4. 总结

• 两大主流宏观变量行业轮动建模在A股均取得显著正向超额收益，多头组合表现稳定。

- 拟合预测模型（线性回归与配对逻辑回归）在样本内拟合精度、超额收益均显著优于周期划分模型，但2023年表现两者均受挑战，周期划分模型在快速变点时更有优势。

• 报告创新性地采用了行业截面配对分类方法提供新的视角并获得良好实证结果，未来可探讨配对模型稀疏性及时间序列动量效应。

- 模型参数调优是提高稳定性关键，模型组合及宏观变量选择尤为重要。

• 推荐根据投资者对宏观预期准确性的信心及对模型解释性的偏好选择回归或分类模型。

- 2024年5月主流推荐行业包括食品饮料、计算机、国防军工、传媒和通信。

• 风险提示覆盖模型失效、历史不代表未来、宏观经济不确定性及国际局势等多方面，投资者仍需谨慎对待模型输出。 [page::24]

---

三、图表深度解读

图1-3：普林格周期

• 图1清晰展示周期6阶段特征、指标趋势（M2、GDP、PPI）及对应占优资产切换逻辑，帮助建构经济环境与资产配置的映射关系。

- 图2净值曲线呈现稳步增长趋势，说明周期作为宏观风格轮动工具有效提升资产收益。

• 图3统计各年份收益率、波动、最大回撤，数据反映稳定性良好，收益在大多数年份均为正。

- 结合文本，证明基于普林格周期的轮动策略在大类资产范围内有较强表现力。[page::4]

表1、2：普林格周期行业超额收益回测

• 表1展现五分组回测统计量，第一组行业年化收益12.91%，超额5.44%，调仓胜率58.73%，夏普比率0.71，说明周期定位对第一组行业选股及超额组合有积极贡献。

- 表2数据显示多头组分年超额收益波动，异常年份如2021年-15.53%，指示周期方法需要谨慎使用，或结合补充模型进行动态优化。[page::4-5]

表3、图4：宏观变量池及处理

• 表3罗列了17个宏观变量类别，包括货币、GDP、PPI、信贷、股息率、波动率等重要经济信号，体现宏观经济多维度状态。

- 图4以十年期国债收益率为例，展示两种标记方式处理波动趋势的可视化表现，说明变量预处理将连续变量趋势转为二元符号方便建模，兼顾趋势与噪声滤除。[page::6]

图5：逐步回归变量筛选流程

• 使用流程图详尽展示如何从204个变量筛选不超过5个关键变量，防止共线、控制模型显著性，保证模型解释力和稳定性，流程设计合理且符合金融时间序列建模逻辑。[page::8]

图6、表4-5：回归模型回测及统计

• 图6多头组业绩持续领先其他分组，展示回归模型出色的组合构建能力。

- 表4年化收益、高胜率、夏普比率体现回归模型的稳健性。

• 表5观测到回归模型近年来持续正超额，最大回撤低，风险调控较好。[page::9]

图7、表6-7：全历史可得宏观数据版本

• 相较前文主观带入变量，收入变量仅基于历史已公布宏观数据版本显著下降，回测收益从14.11%降至4.72%，表明宏观变量预测能力至关重要，主观和领先变量信息弥补模型短板。[page::10-11]

表8、9：模型拟合详细结果及变量频次统计

• 表8详细披露各行业关键宏观变量在回归中的系数，明显一些指标如M2差分、工业增加值差分、波动率等多行业通用。

- 表9统计变量被选中次数，彰显三大重要因子：波动率、M2、工业增长差分。

• 变量设计算法科学且合理，能提炼出显著解释变量提升模型性能。[page::11-15]

表10：2024年4-5月行业最新推荐

• 显示模型每月行业排名，4月以食品饮料、医药、传媒、非银金融、有色金属为主；5月推荐食品饮料、计算机、国防军工、传媒、通信，体现宏观逻辑贴合市场结构动态。[page::15]

图8-12：参数敏感度分析走势图（2020-2024）

• 展示不同Q,L参数组合下分年超额表现，强调参数调节对模型表现影响，2023年整体表现不佳较为突出。

- 说明模型需结合时段和参数灵活调整，L=6、Q=1组合兼顾拟合精度和时效性最佳。[page::16-17]

图14、表11-12：配对逻辑回归模型回测

• 图14曲线中多头组显示极佳的超额收益表现，稳健且领先于其他组。

- 表11呈现详细年化收益17.38%，年化波动率19.46%，夏普0.89，最大回撤18.24%，均为行业轮动模型中较佳表现。

• 表12分年收益稳定，2020年23.7%峰值，反映模型预测效果显著。[page::20]

表13：煤炭/传媒配对模型系数

• 细节展示煤炭相对于传媒的多种宏观变量的影响权重，CRB现货指数指标之类积极引导煤炭相对收益。

- 体现分类模型较多变量综合干预，解释难度加大，但能捕捉更丰富市场关系。[page::21]

图15-19：交叉参数敏感度分析（配对模型）

• 解析逻辑回归模型惩罚参数C及回溯窗口L对模型的分年表现影响。

- 结果表明参数C 0.18附近时模型表现优异且稳定，L参数影响不大。

• 验证配对模型对参数调整的鲁棒性和实用性。[page::22-23]

表14（月度效应）

• 明确各行业在12个月中的平均超额收益附带季节性，如银行1月正收益3.74%，而非银金融部分月份为负。

- 体现月度效应对残差拟合有积极贡献，说明短期交易时节性仍值得关注。[page::25]

---

四、估值分析

本报告的核心为宏观因子行业轮动建模，未进行公司层面的详细估值分析，亦未涉及现金流折现、企业价值倍数等传统估值方法，重点是行业级别超额收益预测与组合构建，因此无估值分析章节。

---

五、风险因素评估

风险分析部分概述了本报告模型和策略所面临的主要风险：

• 模型失效风险：由于宏观经济环境变化、宏观变量影响减弱或模型假设不再成立，预测可能失准；

- 历史规律循环断裂：历史表现不代表未来，市场新变量和新事件可能引起规律结构发生变化；

• 投资建议参考性质：模型输出仅为研究参考，不构成投资建议，需投资者结合自身状况独立决策；

- 地缘政治及宏观经济不确定性：海外冲突升级、美联储降息预期落空、中国经济增长不及预期等均可能带来市场极端波动；

• 宏观变量预测误差：尤其是模型包含未来宏观领先指标和主观变量，宏观预测误差可能影响模型准确性。

风险提示较为全面，提醒投资者在实际应用模型时务必谨慎对待潜在风险因素。[page::26]

---

六、批判性视角与细微差别

• 宏观变量标记化的优劣：使用趋势符号代替具体数值有助于减少噪音，但也可能丢失幅度信息，特别在极端行情下模型反应可能迟缓。

- 主观标记变量的时效性：主观标记虽能纠正部分数据偏差，但带来拐点捕获滞后问题，这可能导致预测失准，且依赖主观评估，增加模型不可控因素。

• 参数选择与模型复杂度平衡：分类模型虽表现稳定，但变量数量多，模型复杂度提升，降低解释性和操作透明度；回归模型更易解读但潜在过拟合风险更大。

- 宏观变量领先性的假设：模型I/O设计中假设宏观领先变量可用于未来收益预测，但这一假设在实际经济波动及数据时滞方面存在不确定性。

• 2023年模型表现皆遭遇挑战：两个模型在2023年普遍失效，反映当年宏观数据与市场反应严重背离，模型稳健性存在待改进空间。

- 样本外验证仍显不足：周期模型2023年前样本量不足，报告虽提供样本外2023年2月后回测，但其代表性和稳定性仍需未来进一步验证。

• 行业配对模型解释难度：尽管配对方法创新，但个别配对模型变量复杂，难以直观解读，可能影响实际投资时的信心和决策。

---

七、结论性综合

本报告系统性、创新性地探讨了宏观变量驱动的行业轮动在中国A股市场的应用。通过两大流派建模方法：

• 周期划分法（普林格周期）基于先行、同步、滞后宏观指标将经济周期细分为6阶段，精准捕捉经济状态，指导对应阶段行业配置，回测7年年化收益稳定在21.67%，样本外阶段（2023年2月起）多头超额达11.3%，为投资提供稳定周期判断工具。
• 拟合预测法通过扩充宏观变量维度与领先滞后信息，并使用逐步回归及配对逻辑回归两种模型，实证以宏观变量预测29个中信一级行业超额收益差异，构造多头组合。2019年至2024年期间，回归模型多头年化超额14.11%，配对逻辑回归模型多头年化超额13.53%，均表现出色且胜率超过60%。
• 模型优势在于结合大范围宏观变量、主观标记和领先指标，提升了宏观视角预测行业短期超额收益能力。
• 最新行业推荐显示食品饮料、计算机、国防军工、传媒、通信为核心配置方向，结合宏观判断具备投资价值。
• 参数敏感度分析确保了模型充分的时变鲁棒性，合理参数取值保障采用模型的稳定性和预测准确性。
• 风险视角清晰，警示模型存在失效可能、样本周期限制、地缘政治及宏观经济不确定的投资环境风险。
• 整体来看，报告将传统周期划分与现代量化预测框架有机融合，对于资产配置与行业轮动研究提供了系统且可操作的研究范式。
• 报告提供的数据详实，方法严谨，模型创新，结果透明，对策略研究和实际投资均具参考价值。

---

图表示例

• 图1普林格周期划分规律

- 图2普林格周期大类资产轮动净值

• 图14配对模型回测净值

- 图8至图12和图15至图19分别为参数敏感度分析图片见原文相应页码

---

综上，本文从宏观变量角度出发，系统构建了A股市场行业轮动量化投资框架，兼顾理论与实证，创新地提出了行业配对分类建模方式，表现稳健，具备可推广和实盘操作潜力，是国内行业策略研究的重要贡献。

[page::0,1,3-27]

报告