量化研究框架与策略体系介绍 [page::0][page::4][page::5]

• 海通量化研究分为相对收益策略、绝对收益策略（事件、统计及无风险套利）、行业基本面预测。

- 量化投资体系涵盖资产配置（宏观趋势及行业配置）、组合构建、风险管理，套利策略强化定价效率和机会捕捉。

GEYR股债投资周期模型与SWARCH短期择时模型 [page::6][page::7][page::8]

| 时间 | 模型预测 | 市场实际趋势 | 备注 |
|----------|---------|--------------|-----------------|
| 2006-2011| 多数时间上涨| 大部分时间匹配| 模型预测较准确，但部分失误期标红 |

• GEYR模型采用国债收益率与市盈率数据，经马尔科夫状态转换区分股债投资周期，当前股票投资概率为97%。

- 基于M2环比增速的SWARCH模型捕捉货币供应与市场趋势的领先关系，月度传递较强，2011年显著提示市场下跌。

BL行业配置模型表现和优化建议 [page::10][page::11]

• BL模型基于主动基金行业配置变动构建，08年至今累计涨幅54%，超基准约62%。

- 样本外验证准确率75%以上，单季度平均超额收益约5%。

• 当前推荐超配食品饮料（86%）和传播文化（14%）行业。

成长股选股模型构建及业绩回顾 [page::12][page::13][page::14]

• 主要指标包括历史股权报酬率（ROE）、一致预期的盈余成长率和预期市盈率。

- 模型在上涨市场表现优异，截至2011年10月累计超额收益114%，折合年化超额收益约25%。

• 调整频率与加权方式灵活，提高组合适应性。

全市场及行业内选股策略及效果 [page::14][page::15][page::16]

| 行业 | 策略月度收益(%) | 策略累计收益(%) | 策略夏普值 | 指数月度收益(%) | 指数累计收益(%) | 指数夏普值 |
|--------|----------------|-----------------|------------|-----------------|-----------------|------------|
| 商业贸易 | -6.72 | 1824.33 | 1.356 | -7.00 | 395.65 | 0.753 |
| 房地产 | -2.99 | 1111.69 | 0.991 | -8.24 | 262.66 | 0.517 |
| 化学工业 | -7.77 | 637.60 | 0.903 | -4.09 | 165.56 | 0.440 |

• 采用股票财务、估值和技术指标动态因子加权，结合相关性分析滚动回归，筛选短期最有效因子。

- 策略整体显著超越大盘和行业指数，夏普比率优势明显，相关性分析提升选股有效性。

• 多行业均出现选股策略相对强弱持续上升趋势，表明个性化行业内选股有效。

风险预测与结构分解模型 [page::19][page::20][page::21]

| 指标 | 2011-12预测值 | 历史均值(1998-2010) | 近期均值(近2年) | 备注 |
|--------------|---------------|---------------------|-----------------|--------------------------|
| 股票波动率 | 0.0609 | 0.0708 | 0.0587 | 采用MM-DCC模型，融入宏观变量 |
| 债券波动率 | 0.0038 | 0.0042 | 0.0033 | 预测误差优于传统模型 |
| 股债相关性 | -0.0082 | -0.301 | 0.162 | 风险分解显示市场风险占比约37% |

• 引入混频数据和宏观CPI变量，提升中期（一个月）波动率和相关性预测准确度。

- 市场、行业和个股层面风险结构具有显著可预测性，建议均衡配置，避免单一集中风险。

行业基本面预测示例：电力行业 [page::22][page::23][page::24][page::25]

• 利用主成分分析构建发电量、成本、毛利和毛利率的预测模型，结合领先指标权重进行中长期趋势外推。

- 领先期多达10-11个月，提升了行业基本面中期预判能力。

• 预测显示电力行业发电量和毛利增速将短期波动，整体行业基本面趋于平稳但无明显反转信号。

海通证券2011年度策略报告深度分析

---

1. 元数据与报告概览

• 报告标题：《年度策略报告》

- 发布机构：海通证券股份有限公司研究所

• 发布日期：2011年12月21日

- 作者：量化及衍生品研究团队，主要分析师包括吴先兴、丁鲁明、郑雅斌等

• 核心主题：海通证券的量化研究体系及其在资产配置、行业配置、选股策略、风险管理和行业基本面预测等领域的应用及最新成果，涵盖股票与债券资产的量化择时、行业配置模型、成长股与全市场及行业内选股策略、风险波动预测和行业基本面定量预测

核心论点与目标

报告浓缩了海通证券多年量化研究的成果，系统介绍了海通的量化投资体系，强调了：

• 资产配置层面：运用多模型从宏观经济和市场数据出发，捕捉投资周期与市场趋势，如GEYR模型和基于M2货币供应的SWARCH短期择时模型。

- 选股层面：通过成长股、全市场和行业内部多层次选股模型，实现持续超额收益。

• 行业配置：利用BL模型基于基金配置偏好和估值体系优选行业，能稳定获得高于市场基准的超额收益。

- 风险管理：提出多元波动预测（MM-DCC）模型和风险结构分解，为投资风险的度量和管理提供科学工具。

• 行业基本面预测：以电力等行业为例，运用量化模型提前预判行业基本面变化，实现对企业和行业的中长期把握。

报告综合运用统计学、数学及计算机模型，强调定量与定性相结合，通过系统框架和扎实的模型实证，为投资者提供理论基础与实际操作指导，具备较强的实践指导价值[page::0,4,5,6].

---

2. 逐章节深度解读

2.1 海通量化研究框架（第4-6页）

• 关键论点：海通建设了涵盖资产配置、套利策略、行业基本面预测三大模块的完整量化投资体系（如图1、2、3所示），体现了市场认知的客观化和系统化。

- 推理依据：通过数学和统计工具，量化研究能提升研究效率和结果的复制性；以数据驱动市场反应，辅助投资管理。

• 细节：资产配置包括宏观、中微观及市场情绪层面；套利策略涵盖事件驱动、统计套利、无风险套利；基本面预测利用统计模型模拟行业运行，为投资体系提供反馈数据。

- 图表解读：
- 图1显示量化投资体系从资产配置到行业和板块配置再到组合构建的流程，并辅以绩效考核和风险控制。
- 图2细化套利策略包括事件驱动、统计套利和无风险套利。
- 图3展示行业基本面预测逻辑的传导链条，从成本、毛利率、产量到利润总额。

• 该框架体现了对投资过程的全流程覆盖，以及模型应用于实时操作的能力[page::4,5,6].

2.2 资产配置篇（第6-9页）

2.2.1 GEYR模型（长期股债投资周期判断）

• 论点：基于国债收益与股市股利收益率的比值（GEYR）构建马尔科夫状态转换模型，能够区分股债投资不同时期与周期。

- 数据点：使用1998年1月至2010年4月的上证综指PE和7年期国债收益率数据，形成296个月度样本；识别2001年以来4个不同投资周期段。

• 预测：截至2011年11月，预测股票投资周期概率高达97%，说明当前大周期适合股票投资。

- 图4解读：显示GEYR状态转换及上证指数走势，印证模型有效捕捉市场大周期变化。

• 分析：基于PE的倒数和债券收益数据，GEYR综合考虑股债收益率，有助于投资者把握战略配置的时机。

- GEYR模型历史表现证明其能作为重要战略择时工具[page::6,7].

2.2.2 SWARCH模型（基于M2的月度择时模型）

• 逻辑：利用隐性变量研究宏观经济货币供应变动（M2）与股市月度趋势的转移概率，构建SWARCH模型。

- 成果：M2环比增速领先市场一个月，具有稳定预测市场趋势的能力，用于短期战术择时。

• 预测：2011年12月延续下跌态势，历史验证模型多次准确规避市场大跌，表明流动性对市况影响显著。

- 表1与表2：列示2006-2011年SWARCH模型月度预测与实际数据的对比，及M2不同增速假设下对市场走势的影响，均显示模型预测的较高精度和稳健性。

• 模型局限：对公布数据敏感，市场重视流动性指标后，模型参考价值会有所降低，但仍是有效辅助手段。

- 综合看法：结合GEYR的战略布局与SWARCH的战术择时，形成长短结合的资产配置策略。

• 报告更基于最新信息给出2300-2500点操作建议，体现模型实际应用价值[page::7,8,9].

2.3 行业及风格配置篇（第9-13页）

2.3.1 BL优化配置模型（基于基金配置变动）

• 核心观点：行业配置是介于大类资产配置和个股选择之间的重要维度，能缓解基金规模和流动性带来的困境。

- 方法论：从优秀基金的行业配置汲取主观观点，经贝叶斯-勒维特（BL）模型整合形成行业预期收益及风险调整下的优化组合。

• 模型表现：自2008年起，BL组合累计收益达54%，基准指数同期下跌8%，年化超额收益约15%。单季度超额收益均值约5%，准确率达75%。

- 图5-7解读：
- 图5展示多组风险超额收益参数下BL组合敏感性，显示模型稳健性。
- 图6累计收益指示BL组合显著跑赢基准。
- 图7单季度表现进一步体现持续超额收益及风险控制。

• 行业建议：2011年第四季度推荐食品饮料（86%）、传播文化（14%）超配，符合最新宏观及资本市场格局。

- BL模型具备强实操经验和业绩支持，为主动资产配置提供有效路径[page::9,10,11,12].

2.3.2 估值体系行业选择

• 方法：通过历史PE、PB均值与标准差估算行业估值处于高估、正常、低估状态，结合绝对估值与相对市值变动，进行综合分析。

- 重要发现：大多数行业处于估值低估区间，如机械、建材、金融、商业贸易等；通讯服务行业估值偏高，有风险提示。

• 表3-4分别给出绝对估值和相对估值状态，明确行业风险提示与投资机会。

- 结论：商贸行业绝对与相对估值均低，可重点关注估值修复潜力。

• 估值体系为行业配置提供量化风险与机会判别工具[page::11,12].

2.4 组合配置篇（第12-18页）

2.4.1 风格选股模型——成长股策略

• 目标：筛选处于产业生命周期成长期、兼具成长性和合理估值的优质公司。

- 指标：历史股权报酬率（ROE）、共识盈利成长预测及预期PE，是成长股模型核心筛选指标。

• 模型特性：上涨阶段超额收益明显，高Beta属性导致经济拐点阶段波动较大，但Alpha稳定正向。

- 表5阐述具体选股步骤，包括盈利预测存在性筛选、ROE前70%、预估成长率前35%、PE底部10%筛选。

• 图8-9：展示多种加权及调整频率的成长股策略与沪深300、上证综指的收益对比，过去两年超额累计收益114%，年化约25%。

- 策略说明：成长股模型更适合市场上涨阶段的激进型投资者，具有明确的选股标准和优秀的实际表现。

• 成长股策略为量化选股提供了有效的风格偏好框架[page::12,13,14].

2.4.2 全市场选股策略

• 目标：考虑行业异质性的同时，从全市场视角挖掘相关因子，提高选股覆盖范围。

- 方法：构建包含ROE、ROA、行业内估值、技术指标（MACD）等因子的因子库，通过相关性分析选取高相关指标并滚动调整权重及筛选标准。

• 表6、图10分析：全市场策略显著超额跑赢上证指数，夏普率大幅提升，且相对强弱指数稳步上升，体现策略稳定性和持续优异表现。

- 表7列明最新选股指标及均衡权重分配，围绕核心盈利及成长指标构建。

• 策略特色：滚动回归和因子动态调整让模型适应市场不同阶段，提高适应性和效果。

- 全市场选股策略补强了行业深耕，更普适并获得强劲收益[page::14,15].

2.4.3 行业内选股策略

• 逻辑：行业分化明显，通用选股难，行业定制化选股策略更有效。

- 方法：基于行业特征筛选盈利能力、偿债能力、资产运营及估值指标，并引入技术指标MACD，通过相关性分析挑选关键因子，实现行业内部综合评分和选股。

• 表8、图11-12、图17-18等数据支撑：行业内策略表现明显优于行业指数，夏普值提升，多行业选股策略持续有效，除了有色金属行业表现相对弱势。

- 具体行业案例：商业贸易、房地产、化学工业、公用事业等多个行业的策略业绩显著领先对应指数，体现差异化选股策略优势。

• 表9介绍了各行业关键选股指标和权重分配，精细调整实现最大化收益。

- 行业内选股强调个性化和精准性，是量化策略深入应用的重要方向[page::15,16,17,18].

2.5 风险度量篇（第19-21页）

2.5.1 风险波动预测模型（MM-DCC）

• 问题识别：主流多元波动率模型基于同频历史数据，缺乏对宏观经济因素和不同频率数据信息的融合，限制了长期波动预测能力。

- 模型创新：引入宏观变量（CPI）与混频信息整合，发展MM-DCC模型实现对未来一个月股票及债券市场波动率、股债相关性的更准确预测。

• 实证验证：2000-2010年市场及宏观数据拟合表现优于随机游走和最小二乘模型。

- 表10预测结果：2011年12月股市波动率预测为0.06085，债券波动率0.0038，股债相关性趋近于零（-0.008），为投资者提供重要参考。

• 风险建模采取多维度数据，增强风险管理针对月度资产配置的实用性[page::19].

2.5.2 沪深股市风险结构分解

• 意义：风险波动结构分析帮助投资者了解收益波动来源（市场性、行业性、个股性）及其变化趋势，指导资产配置策略和投资集中度。

- 数据：采用1998-2010年数据，分解显示市场风险占比约32%，行业9%，个股约52%，比例基本稳定，波动结构呈现显著自相关性。

• 预测：2011年12月市场风险占比提升至37%，行业风险降低，非系统性风险相对系统性风险比下降，提示市场结构风险变化。

- 图12展示：沪深股市不同风险成分比重随时间动态变化，波动明显。

• 应用建议：当前风险结构均衡，建议投资分散配置，不要过分偏重单一层次的风险敞口。

- 结构化风险分解是投资决策的量化基础，提升风险识别与控制水平[page::20,21].

2.6 行业基本面预测篇（第21-25页）

• 核心：行业经济指标（收入、成本、利润等）构成本质驱动力，基本面预测为投资决策提供前瞻性依据。

- 方法：从宏观经济、行业地位、供需关系、周期特征出发，选取行业先行指标，主成分分析建模预测行业核心财务指标走势。

• 实证：重点行业（电力、钢铁、水泥、煤炭）产量、成本、毛利、毛利率均被量化模型捕捉到较精确的先行信号，领先期最长达10-11个月。

- 结论：
- 发电量增速稳中有降，10%左右；
- 钢铁产量保持稳定，利润增速下行至明年一季度；
- 水泥产量及毛利预计持续回调至20%水平；
- 煤炭产量短期见底回升，但主要因水电下滑，非根本扭转；
- 中期经济增长继续承压，半年内无明显回升拐点。

• 电力行业案例分析（图13-19）：

- 市值占比下降但基本面营业收入等指标与上市公司高度相关；
- 发电量、成本、毛利等先行指标权重分布合理，模型拟合和预测与行业实际吻合度高；
- 预测曲线显示领先期效应明显，支持对行业中长期趋势的提前把握。

• 量化行业基本面预测补充并强化了传统定性分析，增强了预测的系统性和准确性[page::21,22,23,24,25].

---

3. 图表深度解读

报告中众多图表系统、详尽，为理解量化模型效果提供关键支撑：

• 图1-3（研究体系）直观呈现海通量化体系三大模块框架及相互关系，体现研究流程清晰。

- 图4（GEYR状态转换）揭示股债投资周期，验证了周期状态与市场表现的高度相关性，图中状态值的跳变对应股市涨跌拐点。

• 表1-2（SWARCH预测）模型月度趋势预测与实际对比，展示该资金流指标的领先特征及对市场的预测能力，模型误差分析和敏感性保证了预期稳定性。

- 图5-7（BL模型表现）重点突出行业资产配置的稳健性和实际超越基准的优异业绩，单期和累计收益均明显领先基准，验证模型的实用效果和高稳定性。

• 表3-4（行业估值）描述当前多个行业绝对与相对估值的状态，辅助投资判断行业潜在风险与机遇。

- 图8-9（成长股表现）清晰展现多加权选股模型长期跑赢市场基准，尤其是市值加权组合的累积收益脱颖而出。

• 表6、图10（全市场选股）通过收益率、夏普比率等量化指标和策略相对强弱曲线，凸显策略的稳定优越表现。

- 表8、图11-18（行业内选股）多个行业策略相比对应指数，月度收益、累计收益和夏普率优势突出，图形显示选股策略相对强弱不断刷新高点，除了有色金属行业外普遍有效。

• 表10、图12（风险模型预测与结构分解）定量呈现未来一个月的波动率及风险结构分布，精细到市场、行业及个股层面，指导风险控制。

- 图13-19（行业基本面预测）全面体现行业市值、部门主营收入、成本、利润等指标的领先性及相关性，通过多重领先期预测曲线，展现方法的预测能力与实际动态的高度吻合。

整体图表相辅文本，系统性增强论断可信度，且多采用实际市场及行业数据，确保研究结论实用且精准[page::4-25].

---

4. 估值分析

报告对行业和个股的估值分析主要基于：

• 行业估值水平：以历史PE和PB的均值与标准差为基准判断当前行业估值处于高估、低估或正常状态，通过位于均值上下1倍或2倍标准差的区间来进行风险提示，例如PE>均值+1std为高估，PE<均值-1std为低估，有助于捕捉行业的估值反转可能性。

- 相对估值：结合行业本身估值变化及其相对市场的走势，从绝对价值得失与市场定位两个维度综合判断。

• 选股估值：成长股模型兼顾历史财务绩效与预期市盈率，追求估值合理的成长性企业。

- 风险调整目标：BL行业配置通过优化收益风险比率在风险约束下寻找最优配比。

• 估值分析没有采用复杂DCF模型，而是依赖统计方法和市场公认的市盈率波动区间，符合大类资产和行业配置实际操作的需求，同时结合历史数据做参数和阈值设定，确保稳健性[page::11,12].

---

5. 风险因素分析

报告涉及的风险主要包括：

• 宏观经济及货币政策风险：货币紧缩周期对股市的负面影响显著，如M2增速变化直接传导至市场波动和趋势，策略推荐谨慎控制仓位。

- 市场波动结构变化风险：市场风险波动比例的上升可能导致整体风险加大，个股和行业风险相对下降但集中度提升，提醒投资者注意配置风险。

• 估值过高风险：部分行业（通讯服务等）估值偏高，存在估值修正风险。

- 行业基本面周期波动风险：核心行业的产量、毛利增速等趋缓，表明经济下行压力持续，后续盈利不确定性增大。

• 模型本身限制：SWARCH择时模型对M2数据敏感，数据口径变动导致短期预测存在误差；成长股策略高Beta，市场震荡时超额收益波动大。

缓解措施：

• 通过多模型的组合应用（长短周期结合，资产+行业+个股分层控制），分散风险。

- 动态调整行业配置基于估值和基本面变化。

• 采用前瞻的风险度量模型及时预判及调整仓位。

整体风险提示全面，考虑宏观、市场及微观多层面，策略给出了相应的仓位管理和审慎投资建议[page::7,19,20,21].

---

6. 审慎视角与细微差别

• 模型依赖与数据问题：部分模型对宏观指标如M2敏感，货币政策口径调整可能带来短期预测偏差，需持续校正。

- 成长期策略波动 ：成长股策略Beta较高，经济拐点震荡期容易反向波动，投资者须关注策略适用阶段，防止盲目追涨。

• 行业估值指标不完整 ：部分行业PE、PB数据缺失或不完整，可能影响估值判断的准确性。

- 策略表现行业差异：行业内选股策略虽整体优异，但有色金属行业效果弱于其他行业，提示策略适用性需根据行业特性调整。

• 风险模型中系统性风险占比较低，需关注未来因政策或者宏观冲击导致风险结构变动的潜在影响。

- 总体框架严谨，但仍需结合定性宏观政策判断和市场事件灵活调整，保持多模型验证和实证跟踪。

---

7. 结论性综合

海通证券2011年度策略报告系统阐述了其量化研究体系及核心模型，涵盖资产配置（GEYR、SWARCH）、行业配置（BL模型）、多层次选股（成长股、全市场、行业内）、风险预测及行业基本面量化预测。整个框架逻辑清晰、相互关联，模型实证扎实，且通过历史和最新市场数据验证其有效性。

主要发现包括：

• 策略持续优越表现：资产配置模型指出当前适合股票配置，中短期择时显示下跌趋势，提示谨慎操作；BL模型行业配置显著超额收益且稳定，成长股和全市场选股策略历史超额年化收益率均在20%以上，行业内选股策略夏普值明显优于指数。

- 风险管理先进：融合宏观经济与多频率市场数据的MM-DCC波动率预测模型和股市风险结构分解，为风险识别和资产配置决策提供科学准确的量化依据。

• 行业基本面预测助力投资判断：电力、钢铁、水泥、煤炭等重点行业的量化基本面预测展现出领先期特点，业绩趋势能提前把握，有助于投资者中长期布局。

- 图表数据充分支持论断，如GEYR状态识别与市场波动契合，BL模型的季度及累计超额收益，成长股和全市场策略的相对强度曲线，风险波动结构的时间演变等。

报告综合立场建议投资者结合多模型结果，控制仓位于中等水平，关注2300-2500点区间波动，适时调整资产配置。行业层面重点关注估值低估且基本面稳健的食品饮料、传播文化、商贸等行业，防范高估值行业风险。

海通量化研究体系展示了将定量科学严谨融合实际投资决策的典范，报告为机构投资者提供了全面、实操性强的投资参考，彰显了海通在量化策略领域的深厚实力和不断创新的能力[page::0-25].

---

重要图片示例

图1 海通量化研究体系



图4 GEYR基于马尔科夫机制转换下的状态区分



图6 专题报告后 BL 行业组合累计收益表现



图8 相对成长选股分步筛选指数与上证综指、沪深300指数绝对收益的比较



图10 指数与策略累计收益和相对强弱曲线



图12 1998/1—2011/03沪深股市波动率结构



图13 wind电力行业上市公司总市值及其市场总市值占比



图19 提高领先期后的预测结果



---

结语

该报告系统性介绍了海通在量化投资领域的成熟体系和领先模型，同时基于最新市场和宏观数据，结合风险控制和行业基本面预测，为机构投资者提供了科学、全面、动态的投资决策支持框架。其深厚的数据分析和精细模型设计，彰显了量化投资在中国资本市场的实用价值及海通证券的专业实力。

[page::0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25]

报告