本报告主要就传统宏观基本面行业轮动模型中各行业受A 股历史较短、自身成长周期等因素所限，导致历史beta 属性不具有统计建模的稳健性问题进行了深入剖析和讨论，并在此基础上创新性地提出了以风格特征因子作为桥梁的全新自上而下行业轮动框架。回测显示，新框架模型历史表现优异，胜率超61%，年化超额收益高达11%。
将“行业风格”作为中介构建宏观基本面行业轮动模型是破局传统自上而下资产配置困境的方法之一。传统基于―自上而下宏观基本面信息‖构建行业轮动框架的前提假设是―未来情景可在历史中找寻统计意义上显著的相似性‖。但受制于A 股历史较短和各行业尚未稳健地进入成熟期，很多投资机会在历史上尚属首次，因此该前提假设很难成立。通过参考中外学术文献和以大小盘风格轮动的实证验证，我们认为在特定的经济、货币和信用周期下，风格特征（如成长/价值，动量/反转，高低beta 等）可能具有一定重复性。可作为连接宏观基本面指标与行业的桥梁。
以“行业风格因子”作为中介的宏观基本面行业轮动框架主要分为以下四个部分：
1.基本面指标构建：主要从刻画经济增长、通货膨胀、货币、信贷以及市场情绪五大维度优选指标。并针对任一宏观指标从指标所处历史中枢定位、指标超预期和指标边际变动三个维度对指标进行拆解，最终获得43 个宏观基本面指标。
2.行业风格体系构建：主要从因子显著性、稳定性、低相关性三个维度构建各类风格因子，最终选取估值、beta_1y、3 个月波动率、12 个月动量四个风格因子作为行业风格因子。
3.行业风格预判框架：宏观基本面数据频率低、样本少，直接使用机器学习易出现过拟合问题。我们采用―弱投票器‖理念，将预测目标（行业轮动）拆解为多个低相关的子目标（多风格研判），并针对各子目标动态优选最优变量集合来实现样本的多次重复利用。同时为了降低过拟合风险，将风格研判转化为二分类问题。采用等权投票打分方式，针对优选的多个基本面指标对特定风格进行研判。
4.行业组合优选：在经典Barra 模型基础上加以改进，测算各行业对于四个行业风格因子的暴露度，并基于对行业风格因子的多空研判，对各行业的暴露度进行符号调整（若看空，则将暴露度取负值），各行业针对四个行业风格经符号调整的暴露度之和记为行业最终得分。
模型显示2023 年5 月最新的风格研判为看多高估值、高beta、高波动，看空12 个月动量。同时映射到层面看多传媒、综合金融、电子、计算机、有色金属、建材、通信、非银。
风险提示：投资者需注意模型失效的风险。
查看资料
收藏
顶 
踩 
