研究框架与行业拆分思路 [page::3]

• 以中信一级行业作为原始划分体系，结合个股收益和基本面分化度进行行业拆分和聚类。

- 拆分核心在于保持行业内部的低分化度（高内聚）及行业间的高分化度（低耦合）。

• 行业聚类通过蒙特卡洛模拟和最大生成树算法实现，构建行业关联全景。

个股收益分化度的多维刻画 [page::4][page::5]

• 采用多空累计收益、回归拟合优度与平均相关系数三种指标，多空累计收益侧重成长型行业，后两者多反映消费型行业。

- 模拟结果显示银行、非银金融和煤炭行业个股表现高度趋同，计算机、通信等成长股个股分化度大。

• 主题基金数量统计验证分化度差异，分化度高的行业适合主动管理，低分化行业适合指数化管理。

基本面分化度指标构建与行业差异 [page::7][page::8]

• 指标涵盖估值（PE、PB等）、盈利（ROE、ROA、ROIC、净利率、毛利率）与营运（负债率等）三大维度。

- 行业间不同指标分化度体现差异，如医药、食品饮料、非银金融表现出较高的基本面分化度。

• 成长类行业虽收益分化高，基本面分化度相对较低。

行业拆分原则与方案制定 [page::9][page::10]

• 选择将分化度较大的食品饮料拆分为酒类、饮料、食品三子行业，非银行金融拆分为证券、保险、多元金融。

- 剔除成长型行业短期不确定性及子行业市值不均衡问题，暂不拆分其他行业。

典型行业拆分实证分析 [page::11~15]

• 医药行业子行业走向高度趋同，收益分化低，不拆分，存在子行业基本面分化指导个股优选。

- 交通运输和有色金属拆分虽提升“高内聚”但破坏“低耦合”，权衡后不拆分。

• 食品饮料和非银金融子行业价格与基本面差异明显，确认拆分合理。

- 相关价格走势及基本面指标趋势图支持拆分方案。

拆分方案效果验证 [page::16][page::17]

• 拆分后行业内收益相关系数显著提高，收益同质性改善。

- 联合方差检验显示拆分后行业基本面同质性显著提升，尤其ROIC、毛利率指标。

• 新方案实现了更清晰的“高内聚、低耦合”。

行业聚类方法与结果 [page::18~21]

• 采用K-means聚类并通过1000次蒙特卡洛模拟统计同类概率，后用最大生成树算法剪枝形成行业网络。

- 聚类结果体现周期、消费、金融、成长、稳定五大风格。

• 五大风格下细分为八大主题板块，符合产业经济及市场认知，支持策略研究的宏观视角。

资本市场行业拆分与聚类研究深度解读报告分析

---

一、元数据与报告概览

• 报告标题： 金工研究/深度研究——行业拆分与聚类华泰中观基本面轮动系列之一

- 作者与团队： 林晓明、李聪、刘志成、王佳星（华泰证券研究所）

• 发布日期： 2020年3月3日

- 研究机构： 华泰证券研究所

• 研究主题： 以中信一级行业为基础，通过定量实证分析进行行业拆分与聚类，建立更加纯粹、合理的行业划分体系，为后续资本市场的基本面轮动研究确立统一且科学的研究对象。

核心论点：
本报告针对一级行业在个股基本面和收益特征上的分化问题，采用系统的统计方法和算法（蒙特卡洛模拟、最大生成树算法等）优化行业划分体制，推动形成具备“高内聚、低耦合”的细分行业体系和相应的行业聚类结构，确保投资者能够更精准地捕捉行业轮动及配置机会。最终提出将食品饮料拆分为酒类、饮料、食品三子行业，非银行金融拆分为证券、保险、多元金融三子行业，并将拆分后的33个行业聚类为五大风格与八大主题板块。

此报告为系列研究第一篇，定位基础而关键，旨在奠定行业研究的基石和方法论基础，力图提升行业划分准确性和实用性。[page::0,3,22]

---

二、逐节深度解读

2.1 行业拆分实证

2.1.1 拆分动因与原则

采用中信一级行业作为基准，发现部分一级行业内部收益和基本面存在较大分化，不适合继续沿用一级行业整体作为研究单元，有必要拆分以增强行业内个股的同质性和行业间的差异性（高内聚低耦合）。拆分需兼顾产业生命周期和市值占比，优先拆分处于成熟期、衰退期且市值均衡的行业。[page::0,4]

2.1.2 个股收益分化度刻画

• 三大指标：

- 多空累计收益（高说明分化大）
- 回归拟合优度R²（以1-R²计分化，越高分化越大）
- 行业内个股平均相关系数ρ（以1-ρ计分化，越高分化越大）

• 统计方法： 通过蒙特卡洛模拟随机考察区间（区间长度 > 750天，模拟1000次），避免短期噪音影响，得到更加稳健的行业收益分化排序。
• 实证结果：

- 高度趋同行业多为银行、非银行金融、煤炭、钢铁等金融及周期类。
- 分化较大行业则因指标差异有所区别：多空收益视角更多体现成长类（计算机、通信、电子、传媒），拟合优度和相关系数更强调消费类（食品饮料、家电等）。

• 配套验证： 主题基金分布显示主动管理基金偏好分化度高的消费、医药、TMT，反映分化指标的投资价值指引作用。[page::4,5,6]

2.1.3 基本面分化度刻画

分析估值（PE、PB）、盈利（ROE、ROA、ROIC、净利率、毛利率）、营运（资产负债率、周转率等）多维度财务指标同样采用蒙特卡洛模拟，依据行业成分股指标方差中位数反映内部分化。

• 结果亮点：

- 基本面分化在不同指标间差异明显，医药、有色金属、食品饮料等行业指标多呈高分化。
- 典型如食品饮料同时在收益和基本面层面分化均显著，且医药虽然收益分化不明显但基本面分化突出，揭示行业划分需综合考量多因子。
- 非银行金融ROIC、净利率指标高分化，显示该行业细化必要。[page::7,8]

2.1.4 拆分方案及筛选

• 拆分方法探讨：

- 方案一：基于个股相似度的聚类，能最大化内部同质性，但动态变化不利于跟踪和复现。
- 方案二：基于公开的二级行业拆分，稳定可跟踪，但不一定保证拆分后子行业内分化低。

• 选用方案二，结合生命周期、市值均衡及子行业分化度等因素筛选拆分对象。
• 实操中剔除成长型高分化短期行业拆分，选定拆分对象为食品饮料、非银行金融，并重点关注医药、有色金属、交通运输等行业的拆分必要性。[page::9,10]

2.1.5 典型行业拆分实证案例

• 医药虽基本面差异显著但收益表现较为趋同，子行业间轮动不明显，故不拆分。

- 交通运输和有色金属拆分虽提升内部纯粹性，但破坏低耦合关联性，权衡下暂不拆分。

• 食品饮料和非银行金融三子行业无论价格走势或基本面均显著分化，明确拆分需求。

- 图表展示了行业价格走势、相关系数、估值及盈利指标动态，直观体现拆分必要性。[page::11-15]

2.1.6 拆分效果定量评估

• 收益同质性检验： 新方案拆分后子行业内部个股收益相关系数显著高于拆分前行业整体表现，表明同质性改善。

- 基本面同质性检验： 采用联合方差检验，拆分方案下绝大多数财务指标方差均较拆分前显著降低，同质性提升，特别是ROIC、毛利率指标更明显。

• 说明拆分方案科学提升了行业纯粹性，有利于后续基本面轮动研究及策略设计。[page::16,17]

---

2.2 行业聚类实证

2.2.1 聚类方法与技术路线

• 使用基于距离的K-means算法（簇数固定为5，符合五大风格认知），通过1000次蒙特卡洛模拟稳健估计行业两两聚类概率。

- 采用最大生成树算法(基于最大权重边剪枝)，确保最终行业关联网络全连接且重点保留强关联边。

• 优点在于最大生成树能够避免仅依赖单次聚类结果的随机性，凝练出稳定且强连接的行业网络。

- 图表34清晰梳理这一流程。[page::18,19]

2.2.2 聚类结果与经济逻辑吻合性

• 最大权值边网络展示多个清晰行业簇：金融、成长、可选消费、必须消费、周期等风格，符合行业经济属性。

- 最大生成树全连通网络展示行业间内在关联链条：
- 左侧下游消费链块，从轻工制造到医药、食品连接到TMT，体现消费成长链；
- 右侧上游生产及周期链块，资源型行业与金融通过交通运输连接形成产业链，表现出行业间经济传导。
- 中游制造业桥梁作用明显，将上下游联结，形成现实产业链全景图。

• 距离视觉展示成长与金融、资源与必需消费两大类行业明显分化，印证说明行业间多维差异。[page::19,20,21]

---

三、图表深度解读

• 图表1（研究框架）高度概览研究流程，清楚传达从原始一级行业出发，进行基于价格与基本面的拆分，再基于蒙特卡洛与最大生成树算法进行聚类的一体化方法论设计。[page::3]
• 图表2（收益分化度刻画）详细阐释三个主要收益分化度指标及蒙特卡洛稳健模拟的设计，保证研究的科学统计基础。[page::4]
• 图表4（收益分化度排名）柱状图直观展示行业分化排序，揭示成长股如计算机、通信的多空收益分化高，而周期金融板块趋同，验证了前述逻辑。[page::5]
• 图表6（基本面分化度刻画）图解财务指标维度的多角度拆解与蒙特卡洛方案，保证行业间基本面分化度的严谨测度。[page::7]
• 图表9（行业初筛概览）列示每个二级行业的基本情况和拆分前提条件，配合文本说明筛选理由，直观体现拆分组合逻辑。[page::10]
• 图表10-29（多个行业子行业价格走势、相关系数及财务指标走向）通过时间序列表现子行业的收益和基本面动态，充分佐证拆分及不拆分决策的合理性。如医药虽基本面分化，收益趋同，决定不拆；食品饮料、非银行金融则双维度分化显著，明确拆分策略。[page::11-15]
• 图表30-32（拆分前后行业内外相关系数对比）展示行业拆分对收益同质性的提升效果，拆分策略获得量化验证，图形中拆分后行业内相关系数上升明显。[page::16]
• 图表33（联合方差检验结果）统计显示拆分后行业内财务指标联合方差明显下降，基本面同质性提升，F统计量多小于1，具体体现拆分优化效果。[page::17]
• 图表35-36（行业关联网络图）清晰反映基于最大权值边及最大生成树构建的行业联系与聚类结果，验证行业聚类符合产业经济预期，且行业间层次清晰。[page::19-20]
• 图表38（最终聚类结构）图示五大风格及八大主题板块分类，视觉化展现拆分并聚类后的行业布局，体现研究成果的系统完整。[page::21]

---

四、估值分析

本报告侧重于行业拆分与聚类方法论及实证基础，未涉及具体的公司估值或行业估值目标价，故无传统含现金流折现（DCF）、相对估值（P/E, EV/EBITDA）等估值模型及结果展示，估值部分主要体现在基于估值指标（PE、PB）参与的基本面分化分析，为行业拆分提供基础。[page::7-8]

---

五、风险因素评估

• 历史规律依赖性： 本报告模型和实证结论大量基于历史价格与财务数据特征提取，前提假设历史规律持续有效。但历史规律可能出现失效，特别在经济结构转型、政策环境变化或技术进步剧烈影响行业格局时，现行行业划分可能需调整。

- 产业生命周期变迁： 报告强调生命周期阶段对拆分策略的影响，提醒投资者警惕高成长行业内部竞争格局尚不稳定，拆分方案随时间动态变化的风险。

• 数据口径和静态假设局限： 行业划分基于特定的行业分类与财务数据，数据口径和统计模型的选择可能影响结论适用范围，需警惕模型参数敏感度及潜在数据偏误。

报告明确表示，这些风险可能导致行业拆分与聚类方案未来进行变动，提示用户充分考虑并动态调整研究策略。[page::0,22]

---

六、批判性视角与细微差别

• 模型的静态性质与动态不到位： 报告多次强调对成长型行业拆分的暂缓，体现对产业生命周期动态影响的认知，但模型本身不具备动态自适应能力，后续经济环境变化可能导致当前拆分与聚类失效，建议结合定期复核和动态调整策略。

- 拆分方案选择的折中性： 选用二级行业拆分方案虽提高透明且易跟踪，但仍难完全达成“高内聚、低耦合”，某些行业如交通运输、有色金属未拆体现了兼顾稳定性和实操性的折中，意味着行业划分永远具备主观调节成分。

• 方法论通用性与行业特征差异： 智能化聚类和蒙特卡洛模拟方法框架通用，但指标权重均一和选取可能未充分体现部分行业的特殊属性，未来可考虑引入更为行业特化的权重方案增强模型解释力。

- 样本选择与时间窗口对结果的影响： 虽采用蒙特卡洛模拟增加稳健性，但过往样本对未来适用性仍有限，应防范历史数据过拟合风险。

• 图表与数据细节透明度： 报告在技术细节展示上较为充分，但部分图表切片比例、区间选择未详细说明，外部复核时需注意数据再现性。

整体上，报告严谨、系统，主张基于数据事实决策，提及潜在不足，具备良好的科学研究态度。

---

七、结论性综合

本报告在行业拆分与聚类领域通过系统、科学的方法实现了多个方面的重要突破：

1. 科学拆分，确认细分行业结构： 通过蒙特卡洛模拟和多角度分化度刻画，结合生命周期及市值均衡原则，从初步划分的中信一级行业体系出发，精准识别分化显著的食品饮料及非银行金融行业进行拆分，明确拆分后的33个细分行业更能反映个股内在基本面和价格走势特征，显著提升行业划分的“高内聚、低耦合”特性。
2. 定量评估拆分成效： 利用行业内外收益相关系数及联合方差统计量，客观验证拆分方案后行业内同质性明显提高，行业间分化显著，奠定了后续行业基本面轮动研究的坚实数据基础。
3. 行业聚类构建完整产业链视角： 结合K-means算法及最大生成树算法，构建行业关联网络，最终将细分行业归纳为五大风格和八大主题板块，聚类结果与产业经济理论及投资实践经验高度一致，提供了符合经济逻辑且稳健的资本市场行业风格结构。
4. 图表数据提供全面支撑： 多维度、多时序的图表系统展示收益和基本面分化、拆分与不拆分行业的对比分析，以及聚类结果视觉化，使理论与数据充分结合，增强报告说服力。
5. 实用指导意义： 研究成果对于行业轮动投资策略设计、主题基金配置优化及宏观经济产业链影响研究具有重要借鉴意义，为合规理性投资提供系统基础与科学工具。

总体评价： 本报告严谨细致、逻辑清晰，统一了行业划分标准，突破了行业边界模糊与研究对象不纯的问题，成功构筑了基础的行业研究框架和方法论体系。其研究成果是后续基本面轮动系列的核心基石，兼具理论创新与实践指导价值，对于深化资本市场行业分析，高效捕捉产业变化及投资机会具有重要意义。[page::0-22]

---

参考摘录（部分）

• “基于拆分后的行业划分体系，采用蒙特卡洛模拟和最大生成树算法构建行业间关联网络，最终聚类成周期、消费、金融、成长、稳定五大风格，以及八大主题板块。”[page::0]
• “多空累计收益、回归拟合优度、平均相关系数三种视角刻画收益分化度”，“结合蒙特卡洛模拟，模拟1000次排序，保证稳健性。”[page::4]
• “收益分化度高的行业，成长性行业表现突出，消费类行业基本面分化明显。”[page::5,8]
• “拆分食品饮料为酒类、饮料、食品；非银行金融拆为证券、保险、多元金融；实证验证拆分后行业内相关系数和基本面趋同显著提升。”[page::14,15,16]
• “采用最大生成树算法剪枝，实现全连接行业网络，既去除远距离弱连接，又保留重要结构，实现精细行业聚类。”[page::18,19]
• “最终聚类结果五大风格：周期、消费、金融、成长、稳定。八大主题板块清晰映射产业链经济结构。”[page::20,21]

---

结语：此次华泰证券研究团队基于科学严谨的定量分析和行业实践，成功构建了更加合理、高效的中国资本市场行业划分与聚类体系，该体系将对产业研究、投资决策及风险控制带来实质性提升，值得资本市场参与者重点关注和参考。

报告