• 周期得分生成器构建流程 [page::1][page::2]：

- 通过HP滤波与傅里叶变换判断24-96月中周期和0-24月短周期的状态。
- 同比数据生成周期方向得分，环比数据生成周期斜率得分，两者等权合成周期总得分。

• 六维宏观周期评分体系及综合周期得分构建 [page::2][page::3]：

- 景气度、通胀、盈利、库存周期同向共振，利率与信贷周期存在部分错位但整体共振。
- 综合周期得分为实体部门（景气度、通胀、盈利、库存）与金融部门（流动性、信贷）得分的等权合成。
- 综合得分与OECD综合领先指标和制造业PMI呈显著正相关，更平滑体现中周期变化。

• 基于宏观周期得分的21行业轮动策略设计与表现 [page::4]：

- 剔除金融、地产、服务业，仅选21个工业相关行业。
- 对应月度综合宏观周期得分正负分组，计算历史行业收益并加权计算调整收益。
- TOP4行业组合年化收益18.39%，显著优于行业均值8.19%。

• 行业中观周期得分构建方法及案例分析 [page::4][page::5][page::6][page::7][page::8]：

- 选取价格、营收、产成品存货三类指标标准化处理后输入周期得分生成器，得出行业中观周期得分。
- 钢铁行业中观周期得分（价格、营收、存货）与实际指标高度同步，能有效捕捉周期走势。




- 电子行业中观周期得分对价格和存货同样表现良好且领先，助力识别景气变动。

• 基于中观周期得分的行业轮动策略及表现 [page::8][page::9]：

- 按中观周期得分排序进行月度调仓组合配置，排前4行业年化收益14.17%，超额显著。

• 宏、中观复合周期驱动的行业轮动策略设计与回测 [page::9][page::10][page::11]：

- 精选行业组合：月末同时排名宏观与中观周期前1/3行业构成，平均配置。
- 优选行业组合：月末同时排名宏观与中观周期前1/2行业构成。
- 精选组合2013年以来年化收益率20.51%，优选组合14.89%，均显著超额行业均值。

• 模型失效阶段浅析与未来补充方向 [page::11][page::12]：

- 2015下半年因非基本面因素驱动行情导致失效。
- 2021年末市场交易提前反应周期变化，导致收益波动大。
- 2023年末市场基于错误共识操作，与宏观中观周期预期产生偏差。
- 后续将加大对海外周期、更多行业维度指标及短期交易因子信号的研究。

招商定量深度报告详尽分析 ——《宏、中观复合周期驱动下的行业择时与配置策略》

---

1. 元数据与报告概览

标题：宏、中观复合周期驱动下的行业择时与配置策略
作者及团队：招商定量任瞳团队
发布日期：2024年9月11日
发布机构：招商证券
报告主题：本报告核心围绕宏观及行业中观周期得分的构建，进而设计并验证行业轮动策略，探讨如何基于复合周期指标实现更优行业配置，提升投资回报率。

报告核心论点与目标

报告创新地提出了“周期得分生成器”，该工具融合同比与环比数据的周期状态及斜率信息，融合领先指标与扩散指标方法，生成一种兼具方向性和力度的周期评分体系。基于六维宏观经济数据（景气度、通胀、盈利、存货、利率、信贷）和行业价格、营收、存货等中观数据，构建了宏观周期得分与行业中观周期得分。
在此基础上，报告搭建了宏观周期轮动策略、中观周期轮动策略，以及结合两者信号的复合行业轮动策略，三个策略均表现优异：

• 宏观周期TOP行业组合2013年以来年化收益18.39%，超额收益10.20%；

- 行业中观周期TOP组合年化收益14.68%，超额6.49%；

• 复合策略“精选”和“优选”组合年化收益分别达到20.51%和14.89%，超额收益显著。

报告旨在揭示宏观和中观周期信号在行业配置中的实际应用价值及潜力，为投资者提供量化择时的有力工具。[page::0]

---

2. 逐节深度解读

2.1 周期得分生成器与宏观周期轮动策略

2.1.1 周期得分生成器构建与创新

报告首先延续了之前系列中对经济中周期的量化拆解方法，焦点在于通过筛选表现内生变动较强的数据（制造业PMI同比增速表示景气度、PPI同比表现通胀、企业产成品存货同比反映库存等），采用HP滤波与傅里叶变换提取核心周期波段，划分周期状态（顶部、底部、上升中期、下降中期）。

不足之处在于第一版模型未能考虑短周期及周期斜率，这两个维度在捕捉经济短期波动和趋势加速度上非常关键。报告创新性填补了此空白：

• 引入0-24个月的短周期状态判断，补充长期中周期（24-96个月）；

- 定量赋分，将不同周期状态数值化（顶部底部分值0，上升中期1，下降中期-1）；

• 环比数据贡献周期斜率得分，使用历史环比增长分位数映射[-1,1]，代表周期速度与力度。

同比数据生成“周期方向得分”，环比数据生成“周期斜率得分”，二者等权合成最终“周期得分”，经12个月移动平均技术处理降低波动性。该设计同时融合领先指标的周期提取与扩散指标的变化斜率信息，系统性强且具备一定前瞻性。

2.1.2 六维宏观周期得分构建

针对六个宏观维度，报告选择较为经典且代表性的指标：制造业PMI、PPI、工业产成品库存、工业利润总额、10年期国债收益率、人民币中长期贷款余额，分别构建景气度、通胀、存货、盈利、利率、信贷6个周期得分。

实证上发现，这六维周期得分整体领先于原始宏观数据走势，尤其是“实体部门”指标（景气度、通胀、盈利、存货）与“金融部门”指标（利率、信贷）之间虽有一定阶段性错位，但整体呈共振状态，反映宏观经济的复合周期特征。
综合宏观周期得分采用实体和金融部分各半加权合成，有效平衡两大模块的重要性。

基于该综合得分构建的周期判断具有较强的经济中周期特征：测算结果与OECD领先指标及制造业PMI均表现正相关，只不过周期得分更平滑，且不会对短暂外生冲击（比如2020年疫情）的波动作出剧烈响应，更加聚焦于中等周期经济趋势变化。

2.1.3 宏观周期行业轮动策略设计

策略核心步骤如下：

• 每月底更新综合宏观周期得分，判断当前周期是正（UP）还是负（DOWN）；

- 搜索历史经历相同正负周期的月份，统计对应行业收益率，使用半衰期加权（6个月半衰期）突出近期表现；

• 计算调整后的历史收益率，将行业按表现排序，选取排名靠前行业（如TOP4）进行均衡仓位投资。

行业范围限定为21个中信一级行业，剔除金融、房地产及服务业，因后续中观数据难以对标这些行业。
实证表现显示，TOP4组合年化收益18.39%，显著跑赢行业均值8.19%，最大回撤低于均值且表现稳健，验证宏观周期在历史相似阶段对行业表现的指导意义。[page::1][page::2][page::3][page::4]

2.2 行业中观周期得分构建及择时策略

2.2.1 行业中观周期得分构建

区域维度更细致，侧重行业本身的价格、营收、产成品存货三类指标，理由是其他潜在指标（零售、利润等）数据对标弱或者质量不佳。
具体做法是：

• 多指标标准化处理，区分月度、日周频率分别合成同比与环比数据；

- 将这些标准化合成数据输入周期得分生成器，得到各类周期得分（价格周期、营收周期、存货周期）；

• 最后对三类周期得分等权结合成行业中观周期得分。

这种多因子且分频率的结构保证了周期测度的全面性和时效性，为行业中观择时提供了数据支持，且对周期特征的捕捉较宏观指标更为敏捷。

2.2.2 行业中观周期择时案例分析

• 钢铁行业：

周期得分与实际价格、营收及产成品存货同比指标表现出较好的同步性和领先性。
关键调仓时点:
- 2018年上半年周期得分变负，规避了随后2年的钢铁下跌周期，逻辑对应供给侧改革产能出清及中美贸易摩擦的外部冲击；
- 2021年上半年正向信号明显，受产能置换、高质量发展周期启航及全球经济复苏影响，钢铁价格与收益双双提升。

策略净收益表现与市场走势高度相关，能够较好识别趋势阶段。[page::5][page::6][page::7]

• 电子行业：

以“计算机、通信和其他电子设备制造业”数据为基础，价格、营收、存货周期得分与实际同比数据高度同步。
两个关键观察点：
- 2019年周期得分转正，反映了被动去库存信号，与消费电子产品需求旺盛、5G普及带动的周期反转相吻合；
- 2021年底以来周期得分偏弱或负，显示消费电子进入存量时代，叠加供应链紧张景气度承压，但2023年下半年已有回温迹象。

在绝对收益和相对收益层面，该择时信号均表现可靠，周期得分曲线符合行业商业周期特征。[page::7][page::8]

2.2.3 行业中观周期驱动的行业轮动策略

基于行业中观周期得分，每月底排序选择排名靠前行业，剔除金融、地产和部分服务业，均衡配置。
尽管中观得分在部分行业效果不佳（如通信与计算机行业使用共同数据源），表现未呈现完美分层，但整体TOP组合仍维持超额收益，年化14.17%，明显优于行业均值7.56%。未来数据源扩充与指标优化将进一步提升精准度。[page::8][page::9]

2.3 宏、中观复合周期行业轮动策略

2.3.1 组合构建逻辑

通过截面同时判断宏观和中观周期排名，设定两种复合筛选策略：

• 精选行业组合：宏观与中观周期排名均处于前1/3（约7个）行业的交集，采取等权配置；

- 优选行业组合：宏观与中观周期排名均处于前1/2（约10个）行业的交集，采取等权配置；
当无行业符合严格条件时，精选组合回归行业等权基准。

2024年3月31日截面案例清晰呈现了交集行业的分布和对应分类。

2.3.2 复合组合表现

精选组合筛选更严，收益表现更佳，年化达到20.51%，最大回撤和波动率控制良好；优选组合稍低，为14.89%，仍显著优于行业均值。
两者均显著表现出宏观和行业周期共同驱动下的配置价值，提供实证上强有力的行业择时依据。[page::9][page::10][page::11]

---

3. 图表深度解读

图表1（周期状态判断方法流程示意）

展示周期得分生成分三步：指标筛选、HP滤波及傅里叶变换提取核心周期、周期状态判断（顶部、底部及趋势阶段）。此图形象说明对同比数据的中短周期分离处理，揭示技术路径。

图表2（周期得分生成器流程图）

清晰显示同比数据通过频谱图提取24-96个月（中周期）和0-24个月（短周期）状态，通过赋分及加权形成“周期方向得分”，环比数据计算历史分位映射形成“周期斜率得分”，二者结合构成最终“周期得分”。12个月移动平均展现平滑性。

图表3-7（六维周期得分与实际宏观数据对比）

多图联动展现各周期得分和对应宏观数据走势的领先与同步性，如PPI周期得分领先并较准确反映通胀预期，国债收益率周期得分与市场利率波动契合，盈利周期与工业利润同比同步，信贷周期得分和贷款余额同比波动关联紧密。综合图表现实体和金融周期错位但整体共振，打下综合周期得分加权基础。

图表8（宏观周期行业轮动流程公式详解）

步骤分明，从周期得分正负确认、历史同周期行业收益率选取与半衰权重处理，到行业得分排序决策清晰，体现方法论合理性和严谨性。

图表9（宏观周期策略收益表现）

TOP4行业组合年化超额明显，累计净值曲线稳定上行，图中策略与行业均值分化明显，体现较强策略有效性。

图表10-12（行业中观周期构建流程及选用具体指标展示）

图示标准化、频率合成量化细节，所选价、营收、存货指标体现深度行业数据库利用，奠定中观周期得分实证基础。

图表13-18（钢铁行业周期得分与实际指标对比及择时策略）

价格、营收、存货周期得分均在关键时点领先行业数据，结合消息面（产能置换、贸易战等）解析有效捕获周期转折。行业择时策略累计绝对收益与相对收益同步校验信号稳定性。

图表19-25（电子行业周期分析及择时效果）

电子行业周期得分虽指标单一但信号有效，绝对收益把握优异，2023年回暖趋势与指数走势高度对应，体现中观周期指标的行业适用性及潜力。

图表26-27（中观周期行业轮动与宏观/中观周期组合截面示例）

展示行业组合超额收益及策略筛选行业分布，空间直观、生动说明复合周期选股框架大幅提升配置效率。

图表30（“精选行业”组合失效阶段表现）

揭示2015、2021、2023年市场与模型断层实例，结合政策、市场情绪和外生冲击说明量化模型的局限及未来优化方向。

---

4. 估值分析

本报告的核心并非针对单一公司的基本面估值分析，而是在宏观与行业周期识别层面提出量化策略框架，故无传统DCF、PE、市销率等估值方法应用。通过构建“周期得分”并转化为行业轮动信号，其估值隐含逻辑在于捕捉周期性“概率加权的基本面改善预期”，驱动行业超额收益。周期得分等同于周期状态及斜率的加权，投资策略依赖于历史业绩回溯、时间权重半衰期机制确保动态响应能力。

---

5. 风险因素评估

报告明确预警：

• 模型失效风险：基于历史数据统计和建模，模型无法涵盖未来政策或市场环境巨大突变，若市场行为脱离基本面（如2015年牛市非基本面驱动阶段）、提前反映周期变化，或陷入错误共识（如2023年末石油石化），模型表现会受损；

- 数据限制：部分行业中观数据覆盖不足，尤其金融、地产、服务业，尚无法纳入体系；未来数据丰富性和完整性不足可能限制模型精度；

• 外生冲击及短期市场观点变动：周期得分偏向中周期趋势，难以捕捉短期外生冲击和情绪波动，需要引入交易型信号作为补充。

报告建议结合宏观判断及市场情绪辅助决策，及时调整配置以缓释模型失效风险。[page::0][page::11][page::12]

---

6. 审慎视角与细微差别

• 报告立足于周期量化和历史回测，偏重“趋势追踪与成分选择”，但无法完全排除历史行情中非理性或非周期因素干扰对模型的影响。

- 半衰权重设计固然考量了时间贴近性，但不同经济结构周期以及外部因素对行业影响可能不一致，且行业数据选取存在主观判断，对部分敏感行业可能忽视特定驱动力。

• 宏观与中观周期权重设定虽有一定逻辑，但实体与金融周期影响及其动态权重调整仍有待进一步验证。

- 部分行业中观周期仅用统一行业数据代表，易出现择时信号泛化而不精准的问题。报告已正视此不足并承诺后续丰富。

• 量化周期得分无法对极端黑天鹅事件进行有效预测，短期失效或策略反转风险依然存在。

- 报告在部分阶段模型失效原因分析充分，体现研究团队对模型限制的理性认知和科学态度。

---

7. 结论性综合

本报告通过创新的周期得分生成器将宏观经济六大维度及行业价格、营收、存货中观指标纳入统一周期分析框架，成功实现了对中等周期经济状况的量化判定及行业择时。报告结构清晰，数据丰富，指标设计严谨，实证分析详实。主要发现如下：

• 周期得分生成器：巧妙结合同比数据的长短周期分解和环比数据的斜率衡量，既融入领先指标动态又参考扩散指标结构，提升中周期信号识别质量。

- 宏观周期轮动：基于综合宏观周期得分，剔除金融地产服务后21行业构建轮动模型，策略年化收益18.39%，表现稳健优异，具备较强历史验证。

• 行业中观周期：通过价格、营收、产成品存货三个维度标准化加权，行业中观周期得分能够较好捕捉实际行业经济波动。钢铁和电子行业案例清晰证实信号领先行情且择时有效，策略年化收益14.68%。

- 复合周期组合：结合宏观与中观周期双重评分，分别筛选“精选行业”和“优选行业”组合，指导下的行业配置获得更高超额收益，精选组合年化收益20.51%，显著超过任何单一周期信号策略。

• 风险控制与局限认知：模型在特定非基本面主导的市场阶段会出现失效，报告分析了2015、2021、2023年等关键时间窗口，对失效原因进行深刻剖析，具备高度学术严谨性和实操警醒。

总体来看，报告构建的宏、中观复合周期行业轮动策略体系方法论先进、数据支撑充分、策略表现突出，可为机构投资者的行业配置提供高价值决策辅助工具。
未来方向包括海外市场应用拓展，行业指标体系丰富，非传统行业周期体系构建，以及与交易信号融合的短期冲击应对策略。风险提示明确，贯彻合规与透明承诺，报告兼具理论与实务双重价值。

---

总结提示

本报告通过多维数据融合、周期状态量化与动态赋分技术建立起高效的宏观与中观行业周期预判框架，基于系统性历史验证构筑强势轮动策略组合，可为中长期行业配置提供科学的择时依据，显著提升投资组合的风险调整收益水平，为量化投资领域贡献了极具创新性和实用价值的研究成果。[page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8][page::9][page::10][page::11][page::12]

报告