样本行业重构与代表性分析 [page::4][page::5][page::6]

• 重构样本行业覆盖市场总市值平均约84%，最低79%，行业数量稳定在35-39个。

- 行业内市值覆盖率明显高于数量覆盖率，分析师偏好覆盖大市值个股。

预期数据覆盖及行业景气度边际变化因子表现 [page::7][page::8][page::9][page::10][page::11]

• 覆盖数量较低（中位数低于28%），但市值覆盖中位数普遍超过52%，且保险、银行等行业覆盖率最高。

- 景气度边际变化因子分组测试显示，以市值加权法计算的因子表现优于整体法，且行业分组收益单调性强。

• 加入覆盖数量和市值约束后，因子单调性和超额收益显著提升，第1组月度次月平均绝对收益达2.06%。

景气度边际变化行业配置策略及组合表现 [page::12][page::13][page::14][page::15]

• 构建景气度边际变化TOP5行业组合，满仓年化收益24.07%，超额15.19%，夏普0.88。

- 仓位20%约束下收益基本保持，波动和回撤显著改善，提升组合稳定性。

• 组合表现稳定，月度超额胜率达67%，超额收益盈亏比1.13。

双景气股票组合构建与绩效 [page::16]

• 挑选高景气行业中的高景气个股，构建双景气股票组合。

- 年化收益29.21%，超额20.33%，夏普1.19，Calmar 0.74。

• 近5年超额稳定在25%以上，月度超额胜率64%，盈亏比1.24。

全市场景气 TOP 股票组合表现 [page::17][page::18][page::19]

• 直接筛选景气度边际变化前N个个股构建组合，N取10或20。

- 全市场景气TOP10组合年化收益35.98%，超额27.10%，夏普1.08，Calmar 0.66。

• 超额收益稳定且优于双景气组合，月度超额胜率60%，盈亏比1.60。

金融工程研究报告详尽分析报告

---

一、元数据与概览 (引言与报告概览)

• 报告标题： 《主动量化系列（一）:景气度边际变化在行业配置和选股上的应用》

- 作者及机构： 吴先兴、何青青，天风证券研究所

• 发布时间： 2022年12月21日

- 研究主题： 本文围绕基于分析师对上市公司业绩预测数据构建行业和个股景气度指标，重点探讨景气度的边际变化（即季度环比变化）如何在行业配置和选股策略中应用，从而指导投资决策。

• 核心论点与目标：

- 通过合成行业预期ROE增速因子作为景气度的量化指标，衡量行业和个股的景气边际变化。
- 利用该因子构建高景气度行业及个股组合，验证其投资有效性和超额收益。
- 探索三类主要量化策略：（1）行业配置策略（TOP5行业组合）;(2) 双景气股票组合（高景气行业中高景气个股）；(3)全市场景气TOP股票组合（无行业限制，选择景气度最高的个股）。

• 主要结论： 景气度边际变化因子能够有效指导行业配置和选股策略，市值加权法优于整体法，三类策略均能实现显著超额收益，且全市场景气TOP10股票组合表现最佳，具有较高稳定性和风险调整后收益水平。

---

二、逐节深度解读

2.1 引言及景气度定义章节

• 关键论点：

- 投资决策本质是择时与配置，配合微观主体差异性进行横截面投资分析。
- 景气度是企业经营状况与预期的综合反映，传统统计局定义结合经营现状和预期。
- ROE作为企业盈利能力的核心指标，ROE增速更适合衡量不同行业之间盈利提升的幅度，具有更强的中短期指导意义。
- 利用分析师业绩预期数据构建预期ROE增速，聚焦景气度的“边际变化”，即预期的季度环比差异，以此捕捉市场对未来变化的反应，更好反映股价的驱动逻辑。

• 逻辑与假设：

- 业绩预期包含了宏观政策、行业发展及公司层面信息，具备领先性。
- 市场交易主要基于预期和预期变化，边际变化被认为是核心驱动力。
- 关注相对景气度且弱化绝对值，提升策略的相对效能。

2.2 分析师预测数据覆盖率及样本行业构建

• 关键论点：

- 分析师预测报告覆盖主要集中在大市值股票，沪深300覆盖率高达80%以上，全市场40%-60%之间，存在明显的财报季效应。
- 行业覆盖遵循“行业代表性”与“覆盖全面性”的原则，通过重构涵盖30个最大的二级行业、一级行业内部主导二级行业及未覆盖的一级行业，最终构成35-39个样本行业，市场覆盖市值波动在79%-84%之间，代表性强。

• 数据说明：

- 图1显示预测覆盖月度均值时间序列，体现了覆盖的季节性变化。
- 图2-4说明样本行业构建方法及其覆盖有效性。

• 结论： 重构样本覆盖市场主体充分，可支持后续基于该样本行业的景气度构建和策略研究。

2.3 行业景气度指标构建方法

• 整体法： 计算行业中所有股票预期净利润总增量除以最新净资产总额绝对值，得到行业预期ROE增速。

- 市值加权法： 个股预期ROE增速乘以其流通市值权重再加权平均，过滤异常小市值股的波动。

• 两者差异： 整体法对小市值股异常表现敏感，市值加权法更稳定，权重随市值变化调整。

- 数学公式： 文中以公式形式详细给出，确保计算的科学严谨性。

2.4 基于景气度边际变化的行业配置策略

• 数据处理： 以季度为单位计算景气度的边际变化，剔除预测覆盖不足的股票（至少两家机构预测的股票）。

- 覆盖情况： 整体覆盖数量偏低，但覆盖市值比例较高，体现分析师偏好覆盖大市值公司，银行、保险、旅游休闲等行业覆盖比例最高。

• 因子分组与表现检验：

- 将行业按边际变化因子分为5-7组，组间按因子降序排序，分组表现验证因子有效性。
- 多重覆盖率约束下（数量≥20%，市值≥60%），因子分组的单调递减性显著提升。
- 市值加权法表现优于整体法，第一组行业的超额收益明显，高达1.07%月度超额收益，月度超额胜率达67%。

• 行业配置策略构建：

- 以月为调仓周期，剔除覆盖差或边际景气下降行业，选取边际景气最高前5行业等权配置。
- 策略年化收益达24.07%，超额15.19%，夏普比率0.88，Calmar 0.45，风险调整表现良好。

• 仓位约束考察：

- 增加行业仓位上限20%约束，组合收益变化不大，但波动率和最大回撤明显下降，表现更稳健。
- 体现约束有效缓解集中风险，提高收益的稳定性。

2.5 基于景气度边际变化的选股策略

• 双景气股票组合：

- 策略逻辑：在TOP5高景气行业中，筛选行业内景气边际变化最大的个股。
- 实行行业仓位上限20%，个股仓位上限4%。
- 回测表现：年化收益29.21%，超额20.33%，夏普比率1.19，Calmar 0.74，相较行业配置策略，有了显著的收益和风险调整表现提升。
- 特别是2019年以来，超额收益连续稳定在25%以上。

• 全市场景气TOP股票组合：

- 不强调行业限制，直接选取全市场景气度边际变化最强的TOP10或TOP20个股。
- 回测结果显示TOP10组合年化收益35.98%，超额超20%以上，夏普比率1.24，Calmar 0.90。
- 较双景气组合收益更高，但夏普比率稍有下降，波动略大。
- 其年超额收益的稳定性极高，特别是2019年以来表现突出。
- 日收益累计净值表现同样显著，说明策略在日频视角也较为有效。

---

三、图表深度解读

• 图1（分析师预测覆盖率）： 体现沪深300覆盖率最高，接近90%，中证500、中证1000及全市场覆盖率依次递减并且显著受财报季影响。此特征体现分析师覆盖重点集中于大盘股且财报季是预测报告高峰期。[page::4]
• 图3（样本行业市值占比）： 10年间样本行业市值占比稳定在80%以上，最低约79%，说明行业筛选具有很强的市场代表性，支持基于该样本构建景气指标且结果具有广泛代表意义。[page::5]
• 图5与图6（行业内预期数据覆盖数量与市值占比）： 覆盖数量远低于覆盖市值，数量中位数多在20%-40%，市值中位数超过50%，表明分析师倾向覆盖行业中的大市值个股，反映大市值公司信息对市场影响更大。[page::7,page::8]
• 图7（各行业覆盖情况）: 保险、银行、石油开采等传统大盘行业覆盖市值极高（90%以上），覆盖数量也相对较多；而如专用机械、房地产等行业覆盖率低，是潜在信息不足和预测不完整来源。[page::8]
• 图8-15（各分组因子表现）：

- 综合比较多种约束下整体法和市值加权法的分组表现，市值加权法普遍展现更好的因子单调性和投资回报，尤其是在叠加覆盖数量和市值约束下，第一组表现尤为突出，绝对收益和超额收益均有提升。
- 图14和图15显示同时约束覆盖数量和市值后，因子表现最为稳定且优异。
- 充分证实因子有效性及覆盖质量改善带来的模型表现提升。

• 图16（TOP5行业组合净值走势）： 市值加权法组合净值显著高于整体法及基准万得全A指数，特别是在2019年后表现强劲，体现策略的有效性和逐步完善的预测数据覆盖。[page::12]
• 图18-19（仓位约束前后比较）： 仓位限制虽未明显改变总收益，但显著降低组合波动及最大回撤，提升策略稳定性和抗风险能力，这符合实际投资中仓位管理的需求。[page::13,page::14]
• 图21（双景气股票组合净值）： 高景气行业和个股组合显著跑赢万得全A，且相对强弱指标稳步上升，体现该策略在选股层面的额外收益空间和更优的风险收益比。[page::16]
• 图22-23（全市场景气TOP股票组合净值与超额净值）： 不受行业限制的直接配置策略进一步提升了收益表现，组合净值和超额收益净值日积月累增长稳定，说明其策略对市场景气度捕捉精准，且做到持续超额。[page::17,page::18]

---

四、估值分析

• 本报告以侧重量化因子构建行业和股票组合策略为主，核心估值工具为景气度的“预期ROE增速”。

- 报告未采用传统估值模型（如DCF、市盈率倍数法等），而是通过收益率回测和超额收益指标衡量策略价值。

• 通过市值加权和整体法两种不同计算方式，在覆盖数据约束基础上，最终选择市值加权法因其风险控制和单调性表现更优，折射定价模型合理性。

- 无具体折现率、永续增长率等实体估值参数，此处“估值”更多体现为量化因子的投资表现和风险调整收益。

• 策略和模型评估包含夏普比率和Calmar比率等风险调整指标，表明衡量模型不仅关注绝对收益，也重视波动与最大回撤。

---

五、风险因素评估

• 报告明确提示风险：

- 模型失效风险： 量化模型基于历史数据回测，未来市场环境变化可能导致模型失灵。
- 市场环境突变： 突发政策、宏观经济调整、全球金融状况恶化等不可控因素均可能影响策略表现。

• 报告没有详细提出缓解策略，但通过仓位限制、覆盖率约束和多层筛选，已尝试降低数据缺失和极端风险对模型的影响。

- 风险明示客观，符合量化研究规范。

---

六、批判性视角与细微差别

• 数据覆盖偏向大市值： 分析师覆盖倾向大型股票，导致部分小盘或新兴行业景气度反映不足，模型可能低估这些区域潜力或风险。

- 行业重构标准选择： 以市值排序筛选30个二级行业后，部分一级行业直接纳入，可能忽略部分细分领域的微观景气变化，存在样本选择偏差潜在隐患。

• 整体法与市值加权法差异： 尽管市值加权法表现更好，但依然可能弱化小盘高成长股的贡献，多数策略基于大市值数据，限制策略对市场全景的捕捉。

- 仓位约束不足之处： 20%行业或4%个股仓位限制有助于分散风险，但实际操作中交易成本、流动性等影响未明确讨论，可能导致组合执行效益折损。

• 模型的前瞻性问题： 预测数据来自分析师集体预期，市场异象及黑天鹅事件仍难以预测，技术路径对异常事件敏感度未详细说明。

---

七、结论性综合

本报告通过构建业内首创的基于分析师预期盈利数据的“预期ROE增速”景气度指标，聚焦其季度环比边际变化，有效识别行业和个股的景气提升趋势，具有明显的投资指导价值。实证回测显示：

1. 样本行业覆盖市场代表性强，保障策略有效性。

2. 数据揭示分析师覆盖偏向大市值，体现策略对规模效应的依赖性。

1. 边际景气度变化因子在整体样本以及在覆盖质量约束下均表现良好，市值加权法优于整体法。

4. 基于该因子的行业TOP5组合实现显著超额收益，稳定且波动率/最大回撤控制良好。

1. 进一步聚焦行业内高景气个股的“双景气”组合提高了收益和风险调整表现。

6. 抛开行业限制的全市场景气TOP10股票组合收益和夏普比率均达到最高，表明行业景气度的个股分解在无约束情况下具有更强的选股能力。

1. 整体策略在不同市场环境和时间段表现稳健，特别是在2019年以来超额收益显著且稳定，反映分析师预测准确性和市场风格趋于成熟。

结合报告体系中详实的数据分析和图表揭示，景气度边际变化不仅是合理且有效的量化指标，也为实务中行业结构调整和精选个股提供了科学依据，具备较强的理论价值与实际落地潜力。

---

附：重点图表Markdown示例

• 报告图1示例（分析师覆盖率）

• 报告图16示例（景气度边际变化TOP5行业组合净值）

• 报告图21示例（双景气股票组合净值）

• 报告图23示例（全市场景气TOP10股票组合日超额累计净值）

---

综上所述，本报告以严格的方法体系和详尽的实证数据，展示了“景气度边际变化因子”作为行业与个股配置基准的有效性与创新性，为A股市场量化配置提供了坚实的理论与实务参考基础，值得关注与推广。

[page::0,1,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19]

报告