钢铁行业基本面与市值分布 [page::4]

• 钢铁行业分为板材、长材、特钢和铁矿石四大子行业。

- 板材市值最大，表现出大市值属性，长材、特钢和铁矿石市值接近。

• 板材和长材估值较低，特钢估值偏高，铁矿石市盈率为负，体现不同估值风格。

钢铁行业择时模型：宏观经济指标检验 [page::6][page::8][page::9]

• 选取流动性（M1同比）、经济增长（PMI）、利率三个维度指标。

- M1同比、M1同比-M2同比和PMI表现出较好的均值收益显著性和超额收益。

• 利率指标与行业走势相关性弱，不作为择时主因。

- 择时策略净值表现显示M1同比和PMI较强的领先指引作用。

钢铁行业择时模型：行业业绩指标检验 [page::10][page::11][page::12]

• 利润累计同比与行业指数同向波动，构建的择时策略实现明显超额收益。

- 主营业务收入同比对股价解释力较弱，择时效果不佳。

• 钢材表观消费量同比和产量同比作为间接指标表现较好。

- 综合择时模型采用M1同比、PMI、利润累计同比和表观消费量同比四指标，年化收益率达11%，最大回撤缩减明显。

钢铁子行业轮动模型：因子模型 [page::14][page::16]

• 采用动量、流动性、波动、价值、成长、盈利和杠杆七大类因子。

- 选取五个有效小类因子：短期反转（RSTRm1）、流动性（STOA）、低波动（VOL1）、成长（growthorqq3）和价值（CETOPBarra）。

• 通过打分法确定子行业配置，回测显示年化超额收益11.2%，最大回撤38.5%。

钢铁子行业轮动模型：主营产品价格驱动模型 [page::17][page::18]

• 基于扁平材（板材）、长材、特钢和铁矿石的价格涨跌幅排序构建轮动策略。

- 重视涨幅最高子行业及与最高值差距小于0.3%的其他子行业，等权配置。

• 策略年化超额收益约8.6%，最大回撤32.9%，稳定性低于因子模型。

钢铁子行业轮动综合模型及表现 [page::19]

• 因子模型打分与主营产品价格涨跌幅打分相结合，价格因子给予更高权重。

- 选择得分最高子行业，回测样本区间2010-2018年。

• 综合模型年化超额收益高达17.4%，最大回撤显著下降至14.9%，表现优于单一模型。

研究总结与后续方向 [page::20][page::21]

• 基本面量化策略通过择时和轮动大幅提升钢铁行业投资表现。

- 综合多因子与价格驱动模型效果最佳，风险指标明显改进。

• 后续研究拟引入回归预测模型，构建行业内多因子选股策略以深化因子挖掘。

钢铁行业择时及子行业轮动模型研究专项报告深度分析

---

1. 元数据与报告概览

• 报告标题： 《钢铁行业择时及子行业轮动模型研究――基本面量化系列专题之一》

- 分析师： 祝涛

• 发布机构： 渤海证券研究所

- 发布日期： 2018年7月13日

• 研究主题： 钢铁行业及其二级子行业（板材、长材、特钢、铁矿石）的择时和轮动策略模型构建

- 主要内容： 报告围绕钢铁行业的宏观经济和行业业绩基本面数据设计择时模型，同时开发了基于财务因子及主营产品价格波动的钢铁子行业轮动模型。通过量化分析，验证不同指标对行业指数和子行业超额收益的预测效能，并提出结合模型策略，提升年化收益并有效控制回撤风险。

• 核心观点：

- 钢铁行业产品同质性强、竞争激烈，适合使用自上而下的量化分析方法。
- 宏观经济指标（如M1同比、PMI）和行业业绩（如利润同比、钢材表观消费）是构建行业择时模型的关键。
- 子行业轮动模型可通过因子模型和主营产品价格驱动模型双轨并行，综合模型表现优异，年化超额收益达17.4%。
- 量化择时及轮动模型较单纯指数持有显著提升收益和降低风险，具有实际投资参考价值。

• 风险提示： 模型未来可能失效，投资需注意相关风险。

本报告系渤海证券研究所重点行业量化研究，提供系统的行业择时与子行业轮动解决方案，兼顾了理论与实证检验，其内容适合基金经理、量化研究员及钢铁行业投资者参考[page::0,20,21]。

---

2. 逐节深度解读

2.1 钢铁行业简介

• 行业位置及结构： 钢铁作为中游产业，涵盖上下游环节，上游为铁矿石、煤炭、有色金属、电力等原料，下游主要由基建、地产、汽车三大需求驱动。产业链呈由下游需求传导至上游原料的逻辑，体现出强烈的产业链联动效应。

- 行业特色： 产品同质性高，市场竞争激烈，CR5非常低，意味着前五大厂商市场份额较小，行业高度分散，适合采用宏观及量化策略进行分析。

• 子行业划分： 根据中信及申万行业指数及公司主营业务划分为板材、长材、特钢、铁矿石4个二级子行业。

- 子行业特征：
- 板材聚焦汽车、家电、造船（消费驱动强）。
- 长材主要用于基建、地产（投资驱动强）。
- 特钢对应制造业（机械、军工等）。
- 铁矿石为上述行业的上游原料。

• 规模与估值差异：

- 板材总市值最高，超过5000亿元，单只股票均值也较大。
- 长材、特钢及铁矿石市值均值处于百亿元级别。
- 估值方面，板材和长材TTM市盈率约8倍，特钢11倍，铁矿石市盈率为负，表明前两个子行业处于相对低估状态，后两个子行业估值偏高。

• 数据参考: 表1详列二级行业成分股，图1及图2分别展示市值及市盈率情况，直观反映子行业市值与估值分布[page::3,4,5]。

2.2 钢铁行业择时模型研究

2.2.1 宏观经济指标检验

• 选取指标：

- 流动性指标：M1同比、M2同比、M1同比-M2同比、M2同比-GDP同比。M1和M2为月度数据，包涵货币供应和活跃度；
- 经济增长指标：PMI（采购经理指数）、规模以上工业增加值同比；
- 利率指标：十年期国债利率及期限利差。

• 指标发布频率及调整： 例如M1数据存在滞后，上调后用于未来择时，GDP为季度数据，进行月度拆分。利率数据日度发布，按月末取值。

- 图表趋势观察：
- 流动性指标（M1同比及M1-M2同比）与钢铁指数走势正相关，但自2012年以后相关性减弱。
- 经济增长指标PMI及工业产值同比走势相似，且与钢铁指数正相关，PMI相关性略高。
- 利率指标表现出较弱且不稳定的相关性。

• 数据处理方法：

- 对指标做移动平均平滑（N=3），通过变动方向识别趋势。
- 使用相关性检验（Pearson）、收益均值T检验和超额收益检验评价指标效果。

• 结果总结（表3、图7）：

- M1同比、M1同比-M2同比和PMI的T检验t值约2，表现出较好的择时意义；
- 这些指标用于简易择时策略的年化超额收益均有显著表现，如M1同比策略年化超额收益4.96%。
- 利率指标及部分经济指标效果较弱。

• 图示支持：

- 图4至图7直观展示各指标与行业指数走势对比及净值表现，宏观经济指标择时净值曲线明显跑赢基准，验证其量化择时价值。

2.2.2 行业业绩指标检验

• 利润指标：

- 选择“黑色金属冶炼及压延加工业利润累计同比”，采用对数处理避免极端波动。
- 利润由负转正或回升视为买入信号，回落50%为卖出信号。
- 利润指标对行业指数的解释能力较好，择时策略净值表现优异。

• 主营业务收入指标：

- 历史表现与利润相较为不稳定，且择时策略跑输大盘指数，说明营收数据滞后或无法及时反映股价波动。

• 图示支持（图8-11）： 利润累计同比与行业指数走势高度同步，策略净值优于大盘；营收同比则呈现较多背离，策略性能较差。

2.2.3 其他业绩间接指标

• 指标包括钢材表观消费量同比、钢材产量同比、PPI黑色同比、大宗商品价格指数（钢铁类）。

- 数据经过与宏观经济指标相同的平滑及检验方法，回测区间2008-2018年。

• 关键结果（表4、图12）：

- 表观消费量同比及钢材产量同比为较有效指标，能提供一定的择时信号。
- PPI黑色同比及大宗商品价格指数表现一般，择时效果有限。

2.2.4 综合择时模型构建与表现

• 筛选出四个主要择时指标：M1同比、PMI、利润累计同比和钢材表观消费量同比。

- 策略逻辑：当月末若两项及以上指标发出利好信号，则下月建仓钢铁行业指数，否则空仓。

• 回测区间： 2008-2018年。

- 绩效表现（表5-6，图13）：
- 累计收益186.2%，行业指数亏损40.5%；年化收益11.0%，行业指数-5.0%。
- 最大回撤46.4%，显著低于大型市场指数及行业指数72.2%。
- 波动率下降（26.4% vs 35.7%）。
- 多数年份表现优于行业指数，策略稳健性和收益均优于被动持有。



---

3. 钢铁子行业轮动模型研究

3.1 因子模型

• 模型框架： 以多因子模型理念从个股层面财务、价量等维度数据出发构建子行业轮动。

- 因子分类（见表7-前段）： 动量、流动性、波动、价值、成长、盈利、杠杆七大类，内部划分多个小类因子，涵盖BARRA动量指标、市值、换手率、波动率、市盈率倒数、净资产收益率、净利润增长率、资产负债率等经典财务指标。

• 数据处理流程：

1. 数据对齐，避免未来数据泄露，按财报披露日更新且每月末统一更新因子值；
2. 去极值，采用中位数去极值防止异常值干扰；
3. 标准化，Z-Score处理，确保不同指标可比。

• 因子有效性验证：

- 计算四个子行业中每个小因子中位数，配置得分较高的两个子行业。
- 对比行业指数超额收益，筛选表现最佳的因子。

• 结果精选五大有效小因子：

- RSTRm1（1个月反转因子）
- STOA（年度换手率，流动性指标）
- VOL1（月度成交量波动率，低波动率）
- growthorqq3（三年营收增长率，成长因子）
- CETOPBarra（1/市盈率，价值因子）

• 轮动策略： 五个指标分别提取2个优质子行业得分叠加，选分值最高者配置。

- 表现：
- 样本期（2010-2018）策略年化超额收益11.2%，超额收益正收益概率61.2%。
- 超额收益部分年化波动率21.1%，最大回撤38.5%，稳定性较好。

• 图示支持（图14）： 净值曲线远超行业指数，且波动相对平缓。

• 局限性及展望： 财报因子存在一定滞后性，股价常会提前反映业绩变化，未来可挖掘领先指标完善模型，保证因子稳定有效。

3.2 主营产品价格驱动模型

• 模型依据： 钢铁盈利的关键驱动是价格走势，价格反映供需状态，且不同子行业产品价格波动幅度不同，价格排名可用作子行业轮动依据。

- 主营产品价格指数来源： 我的钢铁网发布，涵盖扁平材（板材）、长材、特钢、铁矿石，日度更新，极为及时。

• 策略： 每月末依据当月主营产品价格涨跌幅排序，选择涨幅排名第一（以及与第一名差距不大，<0.3%）的子行业进行次月配置，差值小的多子行业等权配置。

- 统计效果（表8-9）：
- 涨幅最高的子行业次月平均收益明显较高（1.42%），其次组和最低组明显偏低。
- 长材子行业次月收益稳定性高，其他子行业涨幅阈值提高时收益表现变差。

• 绩效表现（图15）：

- 月均超额收益约1.0%，年化8.6%，超额收益正收益概率56.7%。
- 波动率26.2%，最大回撤32.9%。

• 总结： 以价格驱动的模型效果明显，但稳定性略逊于财务因子模型。

3.3 综合模型

• 设计逻辑：

- 结合因子模型与主营产品价格模型，对主营产品价格涨幅赋予更高权重。
- 具体为主营产品涨幅第一名子行业得2分，第二、第三名为1分，加至因子模型得分中。
- 选择综合得分最高子行业进行月度配置，遇多头平分持仓。

• 表现：

- 样本期内策略月均超额收益1.54%，年化超额收益高达17.4%，超额收益正收益概率59.2%。
- 重大优势：最大回撤仅14.9%，明显优于单一模型，波动率22.5%，表现更稳健。

• 配置明细： 表10详细列出每月子行业具体配置，反映模型轮动逻辑动态。

- 图示验证（图16）： 净值表现显著优于行业指数及单模型，体现组合优势。



---

3. 估值分析

报告中未针对具体公司进行传统绝对估值如DCF或市盈率对比法的系统估值测算，而主要聚焦行业与子行业层面的择时和轮动模型及相对收益的提升。市盈率数据作为行业和子行业估值水平描述，在行业简介部分得到了基本体现（板材、长材低估，特钢、铁矿相对高估），构成择时模型选股的一个背景和参考。

---

4. 风险因素评估

• 模型失效风险： 报告明确提示择时及轮动模型基于历史数据规律，未来可能因行业环境变化、政策调整、市场结构变化或经济宏观波动导致模型失效。

- 财务数据滞后性风险： 子行业轮动因子模型受限于财务报告滞后性，可能无法及时反映行业景气变动。

• 市场结构变化： 行业竞争格局、供需关系变化，以及上市公司结构调整均可能影响模型因子表现稳定性。

- 数据完整性及更新风险： 宏观经济数据及指标滞后、修正等对模型时效性带来影响。

• 过度拟合风险： 多因子、多因子组合模型存在历史拟合过度风险，未来新环境表现无法保证。

报告未详细提出风险缓释策略，但建议结合实际运用中持续跟踪模型表现，调整策略参数和涵盖因子。

---

5. 审慎视角与细微差别

• 报告基于规则性择时策略，尚未深入探讨回归预测类模型，存在进一步优化空间。

- 因子模型中对财务指标数据的使用，存在一定滞后局限。需更多领先指标补充。

• 主营产品价格驱动模型依赖于价格波动幅度排序，可能忽略了价格绝对水平与周期阶段对盈利的影响。

- 子行业轮动策略的年份表现较好，但实操时可能遇到流动性、交易成本和因子稳定性问题，报告未披露该维度分析。

• 风险提示较简洁，未进行概率量化或缓解措施详述。整体采用稳健的描述，避免过度乐观。

- 指标相关性及策略表现的时间稳定性尚未详述，未来需关注模型在不同时期的表现差异。

基于报告内容，整体研究框架扎实，但适度留意模型动态调整和实操限制。

---

6. 结论性综合

本报告深度分析了钢铁行业的基本面量化择时与子行业轮动策略，核心结论如下：

• 行业基本面量化择时模型采用宏观经济指标（M1同比、PMI）与行业业绩指标（利润同比、钢材表观消费量同比），通过对这些指标的相关性、收益均值T检验和超额收益检验筛选，构建出有效的择时策略。

- 择时策略回测表现优异，累计收益率186.2%，远超行业指数的-40.5%，降低了波动率和最大回撤，表明基本面量化指标有效反映行业周期波动。

• 子行业轮动模型分为两个方向：

- 因子模型基于多因子（动量、价值、成长等）评分体系，选取最优因子构建子行业配置，年化超额收益11.2%，策略较为稳定，风险较低。
- 主营产品价格驱动模型则利用价格涨跌幅排序，反映供需变化对子行业轮动影响，年化超额收益8.6%，表现略逊因子模型但仍显著优于基准。

• 综合模型将以上两种模型优势结合，对主营产品价格赋予较高权重，实现月均1.54%的超额月收益（年化17.4%），并显著降低最大回撤至14.9%，大幅提升风险调整后表现。

- 模型验证结果中各图表和数据表现了该量化研究的科学性和投资实操价值。

综上，报告清晰地阐明了通过宏观与微观数据结合，利用规则化量化模型进行钢铁行业及其子行业择时、轮动的有效途径，具备较强的投资参考意义和指导价值。未来拓展可通过引入预测型模型、多因子选股、及进一步风险管理以提升模型稳定性和适应性。

---

参考关键图表复刻

• 行业市值分布（图1）

• 行业市盈率均值（图2）

• 宏观经济指标与行业指数走势对比（图4-6）

• 宏观经济指标择时策略净值表现（图7）

• 利润累计同比与行业指数走势（图8）与择时效果（图9）

• 其它业绩间接指标择时效果（图12）

• 钢铁行业择时综合模型净值表现（图13）

• 基于因子模型的子行业轮动策略净值表现（图14）

• 基于价格驱动模型的子行业轮动策略净值表现（图15）

• 基于综合模型的子行业轮动策略净值表现（图16）

---

结尾

该报告通过系统性地量化分析，结合宏观经济、行业基本面与财务微观数据，设计了钢铁行业有效的择时和子行业轮动模型。量化模型带来了明显的超额收益提升和风险降低，体现了量化基本面研究在周期性大宗商品行业中的潜力，具有较高的学术与实务价值。未来通过进一步丰富模型工具和持续跟踪，将提升其稳定性和适用范围。

[page::0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21]

报告