金工深度研究：行业景气投资的顶层设计和落地方案

免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。金工华泰研究2023年金工华泰研究2023年9月14日│中国内地深度研究总结行业景气投资的已有工作，对顶层设计和落地方案进行深度思考华泰金工团队持续深耕行业基本面量化研究，形成了由宏观、中观、微观行业景气投资的顶层设计和落地方案linxiaoming@+(86)75582080134xute@+(86)1063211166研究员SACNo.S0570516010001SFCNo.BPY421研究员SACNo.S0570523050005三个视角组成的行业景气投资框架，结合多视角信息来提升对行业g/Δg判断的准确性和可靠性。本文对这块工作进行了总结。在研究过程中，我们发现景气投资并非“圣杯”，已找到三个原因可能导致景气投资失效：景气度因子阶段性失效、高景气被透支、市场主线较弱等。先前的研究主要使用行业指数进行回测，本文进一步设计了行业主题ETF推荐流程，对行业轮动策略进行落地。考虑单边千一的交易费用，2018-12-31至2023-08-31，ETF组合年化收益为31.45%，最大回撤为-27.37%。行业景气投资策略由宏观、中观、微观三个视角共4个景气度因子构成在宏观视角，我们建模的重心是从宏观到行业分子端和分母端的传导，基于国内宏观预期指数构建了宏观戴维斯双击因子。在中观视角，我们为每一个行业构建了中观基本面数据库，使用清洗筛选后的指标，对行业财务状况进行Nowcasting，构建了中观景气度因子。在微观视角，我们使用真实财报和预期财报数据构建了微观视角财务因子，结合北向资金加仓持续性和加仓幅度构建了微观视角北向因子。对三个视角共4个因子加权，得到综合景气度因子。不考虑交易费用，2016-04-30至2023-08-31，综合景气度前五名组合相对行业等权基准的年化超额收益为14.34%。景气投资失效可能原因：因子阶段性失效、高景气被透支、市场主线较弱使用归一化折损累计增益(NDCG)指标评价各景气度因子截面表现，结果发现2021年9月以来，部分因子可能因为使用过多出现阶段性失效。其应对方式是基于NDCG适当降低失效因子的权重、提升有效因子的权重。当股价涨得太贵或者太快的时候，景气投资也会面临超额回撤。其应对方式是引入估值和拥挤度指标，对交易风险进行日频监控。将景气投资策略每月超额收益和市场主线强弱指标一起对比统计，发现市场主线较弱不利于景气投资，解决思路是多策略配置或者分域建模。结合NDCG微调因子权重和日频监控交易风险，策略的年化超额收益进一步提升至16.22%。华泰证券研究所分析师名录基于行业景气投资的ETF组合4.03.53.02.52.00.520192020202120222023资料来源：Wind，华泰研究设计行业主题ETF推荐流程，对行业景气投资策略进行落地从2019年开始，行业主题ETF蓬勃发展，为行业轮动策略的落地提供了便利。我们基于行业指数和ETF的市场表现建立两者映射关系——在每个月月末，针对每个行业，综合考虑ETF和行业指数的相关性、ETF相对行业指数的alpha、ETF的流动性，推荐一只ETF作为行业指数的替代。考虑单边千一的交易费用，2018-12-31至2023-08-31，ETF组合的日跟踪误差为0.45%；年化收益为31.45%，最大回撤为-27.37%，表现略优于行业指数的回测效果。这是因为ETF推荐流程考虑了ETF相对行业指数的alpha，而且行业指数是价格指数，而ETF是存在分红机制的。风险提示：各视角模型均根据历史规律总结，历史规律可能失效，例如当景气趋势无法持续时，模型对行业景气度的判断就会出现偏差；行业景气投资有其适用的市场条件，无法保证在任何市场条件下均可取得超额收益；报告中涉及的具体行业不代表任何投资意见，请投资者谨慎、理性地看待。金工研究免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。本文研究导读 4宏观景气度：使用市场宏观预期捕捉戴维斯双击机会 6中观景气度：使用高频的产业链信息开展Nowcasting 9微观景气度：整合成分股信息来跟踪行业基本面变化 12微观视角财务因子 12微观视角北向因子 13综合景气度：宏观+中观+微观实现“全科生”的效果 16景气投资失效的可能原因及其应对方式 18可能原因一：部分因子阶段性失效 18可能原因二：高景气被透支 20行业估值：股价涨得太贵 20行业拥挤度：股价涨得太快 20策略引入交易风险日频监控 22可能原因三：市场主线较弱 22使用行业主题ETF落地行业景气投资 25参考文献 27风险提示 27图表1：上帝视角下g前五名组合长期表现 4图表2：上帝视角下Δg前五名组合长期表现 4图表3：华泰金工结合宏观、中观、微观等多视角信息来判断行业g和Δg状态 4图表4：华泰金工行业景气投资代表性研报总结 5图表5：使用合理拆分后的中信行业体系作为行业轮动策略回测标的 5图表6：行业宏观景气度的计算流程 6图表7：宏观因子构建方法总结 7图表8：国内宏观预期指数构建步骤：以增长为例 7图表9：宏观戴维斯双击因子分层测试净值曲线 7图表10：宏观戴维斯双击因子分层测试业绩表现 8图表11：行业中观景气度的计算流程 9图表12：2023-08-31全体行业净利TTM同比增速Nowcasting结果 10图表13：中观景气度因子分层测试净值曲线 图表14：中观景气度因子分层测试业绩表现 图表15：刻画微观景气度可以使用的财务数据 12图表16：构建微观视角财务因子选用的财务指标 12图表17：微观视角财务因子分层测试净值曲线 13图表18：微观视角财务因子分层测试业绩表现 13图表19：刻画微观景气度可以使用的机构行为数据 14图表20：加仓持续性示意图 14图表21：微观视角北向因子分层测试净值曲线 14图表22：微观视角北向因子分层测试业绩表现 15图表23：综合景气度因子多头组和空头组净值曲线 16图表24：综合景气度因子多头组和空头组业绩表现 16图表25：随机选取100组因子权重对应的净值曲线分布 17图表26：NDCG计算示意图 18图表27：各回测截面上4个景气度因子NDCG评价结果 19图表28：使用NDCG微调因子权重前后策略净值曲线 19图表29：使用NDCG微调因子权重前后策略业绩表现 20图表30：市净率分位数月频分层测试的相对于行业等权基准的净值比曲线 20图表31：使用门限测试评价拥挤度指标的有效性示意图 21图表32：刻画行业拥挤度最终使用的量价指标 21图表33：行业拥挤度得分与指数走势的关系：以煤炭行业为例 21图表34：进行交易风险日频监控前后策略净值曲线 22图表35：进行交易风险日频监控前后策略业绩表现 22图表36：景气投资策略超额收益季节效应分析 23图表37：市场主线强弱指标计算示意图 23图表38：未来一个月市场主线强弱预测结果：强主线月份共23个 24图表39：预测市场主线强的月份和其他月份景气投资策略表现 24图表40：行业主题ETF滚动推荐示例 25图表41：景气投资策略使用行业指数回测和使用行业主题ETF回测净值曲线（不考虑手续费） 26图表42：景气投资策略使用行业指数回测和使用行业主题ETF回测业绩表现（不考虑手续费） 26图表43：景气投资策略使用行业指数回测和使用行业主题ETF回测净值曲线（考虑手续费） 26图表44：景气投资策略使用行业指数回测和使用行业主题ETF回测业绩表现（考虑手续费） 26免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。做多ROE策略净值2420840做多ROE/全A（右轴）2004-12-312006-12-312008-12-312010-12-312012-12-312014-12-312016-12-312018-12-312020-12-312022-12-31做多ROE策略净值2420840做多ROE/全A（右轴）2004-12-312006-12-312008-12-312010-12-312012-12-312014-12-312016-12-312018-12-312020-12-312022-12-313.53.02.52.00.59630做多ΔROE/全A（右轴）做多ΔROE策略净值2004-12-312006-12-312008-12-312010-12-312012-12-312014-12-312016-12-312018-12-312020-12-312022-12-312.20.7行业轮动一直是国内权益市场的热门话题。金融工程方法学能够驾驭的行业轮动策略主要包括景气投资策略和量价投资策略。其中，景气投资策略基于对行业的盈利能力g及其一阶导Δg的判断，着重挖掘g>0/Δg>0的行业开展右侧投资，而规避g<0/Δg<0的行业。不妨做“上帝视角”测试：假设当季末就可以获得各行业ROE及其变化的最新值，每个季度选择g/Δg前五名行业构建组合，评价该组合的长期表现。结果表明，做多g和做多Δg都是长期跑赢大盘的策略。问题在于现实世界并不存在“上帝视角”，如何判断g和Δg？资料来源：Wind，华泰研究资料来源：Wind，华泰研究在过去五年多时间里，华泰金工团队持续深耕行业基本面量化研究，结合宏观、中观、微观等多视角信息，来提升对行业g和Δg判断的准确性和可靠性。资料来源：华泰研究宏观视角要解决的难题是建立动态的宏观-行业映射关系。之所以是动态的而非静态的，是因为行业所处生命周期变化叠加产业政策和事件冲击下，行业对不同宏观状态的适应能力在不断发生变化。历史上特定宏观状态下表现优异的行业，在未来相似宏观状态下不一定依旧表现亮眼。中观视角要解决的难题是从海量的行业中观数据中提取出当前对行业景气度影响最大的变量。一个完整的产业链至少包括上游原材料供需、下游产成品供需和行业内竞争状况，同样由于行业逻辑变化，不同时期影响行业景气度的关键变量也在变化。与宏观视角和中观视角不同，微观视角是一个自下而上的视角，从成分股的财报、预期、机构行为出发，来跟踪行业的景气度变化。我们撰写了数十篇深度研究报告，对上述三个视角的数学模型进行不断优化，最新的成果如下表所示。研究视角报告标题发布时间主要内容宏观视角《行业配置策略：高频宏观因子》2023-06-10尝试使用Factormimicking构建高频宏观因子，提出了行业层面动态投资时钟构想中观视角《行业配置策略：中观景气视角(2)》2022-07-18使用各行业产量、价格、销量、库存等基本面数据，对行业财务状况进行实时预测微观视角《行业配置策略：景气度视角》《析精剖微：机构拆解看北向资金》2020-11-052022-10-27从真实财报和分析师一致预期数据入手，精选指标构建微观视角行业景气打分体系对北向、两融、ETF等各类主力资金行为进行回测，北向资金行为更贴近景气投资资料来源：华泰研究在研究过程中，有两个问题尚未得到解决：1)顶层设计：景气投资并非“圣杯”，哪些原因可能导致景气投资失效？2)落地方案：现有的行业轮动策略均基于行业指数回测，如何进行落地？本文采用合理拆分后的中信行业体系作为行业轮动策略回测标的。其中，行业拆分的依据是一级行业市值较大且相关二级行业逻辑分化。不过，如果拆分后的行业无法完成建模工作，我们就不选择拆分。例如医药一级行业下的部分二级行业，由于中观数据缺乏，无法开展中观视角建模；再如电力设备及新能源一级行业下的新能源动力系统，上市时间相对较晚，无法开展足够长时间的回测。对于这两个一级行业，我们暂时都不拆分。图表5：使用合理拆分后的中信行业体系作为资料来源：Wind，华泰研究本文共包括三部分。第一部分将对宏观、中观、微观视角的最新成果进行回顾与总结，并提出融合了三个视角的综合景气度模型。第二部分将探讨景气投资失效的可能原因，包括景气度因子阶段性失效、高景气被透支、市场主线较弱等，并给出应对思路。第三部分将介绍行业主题ETF的推荐流程，设计景气投资策略的落地方案。为了建立宏观-行业映射关系，最容易想到的思路之一是通过统计和比较历史上不同宏观状态下各行业的表现，构建静态投资时钟模型。根据前期报告《行业配置策略：投资时钟视角》（2021-07-06）的经验，静态投资时钟模型的样本外表现并不稳定。首先，从宏观因素到行业表现的传导路径不直观和非线性，行业的股价表现还会受到除宏观以外其他因素的影响。其次，行业所处生命周期阶段不同，影响其盈利能力的宏观驱动力也会变化，把动态变化的行业固定在投资时钟某个静态象限，有“刻舟求剑”之嫌。针对第一个原因，我们的应对措施是把宏观因素到行业表现的传导路径拆分为两段——第一段是从宏观因素到各行业分子端和分母端的传导，第二段是从行业分子端和分母端到股价的传导，并且把宏观视角建模的重点放在第一段，然后再去评价第一段得到的因子在截面上对不同行业表现的区分度。因为相较于股价，宏观因素对资产分子端和分母端的影响更直接、更显著。针对第二个原因，我们采用滚动训练-预测的方式，在一定程度上能够捕捉行业逻辑的变化。于是，我们提出了如下图所示的宏观景气度模型，用各行业ROE_TTM季度差分作为行业分子端的代理指标，用各行业实时PB对数的季度差分作为行业分母端的代理指标，分别记作Δg和ΔPB。首先，取5年滚动窗口，其终点是距离考察截面最近的已发布财报。然后，通过多元线性稳健回归，建立滚动窗口内从宏观因子变化到Δg/ΔPB的映射关系。接着，使用距离考察截面最近的宏观因子，代入回归方程，得到考察截面上各行业Δg和ΔPB的预测值。最后，通过分段函数，用Δg和ΔPB的预测值构建戴维斯双击因子；相较于Δg，戴维斯双击因子突出了戴维斯双击机会和戴维斯双杀风险。宏观因子是宏观景气度模型重要的输入之一。在过去的研究中，我们采用不同的方法构建了不同含义、不同适用场景的宏观因子指数。从形式上来说，无论哪一种方法构建的宏观因子，都能够适应宏观景气度模型，并给出一组戴维斯双击因子。本研究采用基于自上而下FactorMimicking构建的国内宏观预期指数。更多建模细节详见前期报告《行业配置策资料来源：华泰研究资料来源：华泰研究资料来源：Wind，华泰研究回测区间取2016-04-30至2023-08-31；每月第一个交易日按照宏观戴维斯双击因子从高到低，将31个行业划分为6层，其中最后一层包含6个行业；每一层等权配置，按收盘价完成调仓；暂时不考虑交易费用。分层测试净值曲线和业绩表现如下：3.53.02.52.00.5第1层第2层第3层第4层第5层第6层2016-04-302016-10-312017-04-302017-10-312018-04-302018-10-312019-04-302019-10-312020-04-302020-10-312021-04-302021-10-312022-04-302022-10-312023-04-30资料来源：Wind，华泰研究按因子值从高到低年化收益年化波动夏普比率最大回撤卡玛比率12.82%22.45%0.57-32.17%0.40第2层0.76%19.38%0.04-38.07%0.02第3层-0.38%19.90%-0.02-32.67%-0.01第4层3.15%19.81%0.16-41.06%0.08第5层-1.66%19.38%-0.09-31.80%-0.05第6层0.76%19.38%0.04-38.07%0.02资料来源：Wind，华泰研究在中观视角，我们首先为每一个行业都构建了一个中观基本面数据库，包括上游原材料供需、下游商品的供需、行业内经营状况等相关指标，数据库规模视指标获取难易程度，从大几十到大几百不等。虽然相较于宏观和微观视角，中观视角的产业链信息更加高频、及时、相关，但因为数据结构相对不规则，不同行业的中观指标之间，如钢铁产量和煤炭价格，无法直接进行比较。对此，我们将财务指标作为可比“媒介”——先用中观指标预测行业财务状况，包括净利TTM同比增速、营收TTM同比增速、ROE_TTM环比变化，然后基于行业财务状况预测结果开展行业间比较。但我们不能直接用数据库中的全部指标去预测财务指标，因为低频预测是小样本任务，而数据库规模通常大于样本数，很可能造成模型过拟合。而且，不同时期决定行业景气度的主因在变化，有时候需求侧是主因，有时候供给侧是主因，并非所有中观指标同时对行业财务状况都有显著解释力。对此，我们仿照宏观视角滚动训练-预测的做法。不同的是，宏观视角所有行业都使用相同的宏观指标作为模型输入；而在中观视角，各行业都需要在滚动窗口内精选出适合建模的中观指标。同样取5年滚动窗口，其终点是距离考察截面最近的已发布财报。在滚动窗口里，我们首先对全体中观指标进行清洗，逐个分析其与真实财务指标之间的相关性和领先滞后性，并根据数据库规模，精选5至10个不等的中观指标来建立和财务指标之间的映射关系。在宏观视角，我们使用了多元线性稳健回归模型；在中观视角，考虑到中观指标之间相关性较高、部分中观指标存在尾部缺失值等问题，我们使用Nowcasting模型。Nowcasting模型最早被亚特兰大联储用于实时预测美国GDP[1]，我们用它来预测行业财务指标，两者的预测对象都是季频的，故方法上“依样画葫芦”即可。最后，我们基于g和Δg的逻辑，使用财务指标预测值构建了5个因子，并采用rank等权求均值的方式，合成中观景气度因子。需要注意的是，为了消除不同行业长期业绩中枢的差异、提升可比性，构建因子前需要先对滚动窗口期内财务指标的预测值序列进行zscore标准化。由于时序上是小样本，zscore采用减去中位数除以四分位距的方式进行。关于相关性和领先滞后性评价，我们同时使用了带参数的时差相关系数和非参数的DTW算法，以提升评价结果的可靠性；关于Nowcasting，我们提出了可扩展性更强、运算效率更高的Simple-Nowcasting模型。上述方法细节详见前期报告《行业配置策略：中观景气资料来源：华泰研究在财报真空期里，一旦中观指标有新一期的数值披露，通过Nowcasting模型就可以实时更新财务指标的预测结果。下图展示了2023-08-31全体行业净利TTM同比增速更新到了2023年6月份；子图中的红线是预测净利TTM同比增速，已经更新到了2023年8月份。各子图右轴的含义是净利TTM同比增速的绝对数值，这个数值要预测准确比较困难，因此我们在构建因子时更加注重业绩的相对位置(g)和业绩的边际变化(Δg)；各子图左轴的含义是净利TTM同比增速在5年滚动窗口中的z分位数。显然，中观景气模型是一位“偏科生”。就以电子和计算机为例，电子行业净利TTM同比增速的拟合优度显著好于计算机行业。可能原因有二：第一，与计算机行业相比，电子行业的中观指标可得性更好、数据库规模更大；第二，电子行业属于制造业，受到芯片等电子产品的库存周期影响，而计算机行业属于服务业，几乎不受到库存周期影响，景气趋势相对不易预测。与市场上主流的人工筛选中观指标相比，我们的模型的特色在于程序定期筛选指标。程序筛选指标的优势是客观、及时、可回测。程序能够用“同一根尺子”衡量不同的行业，而人难免会对自己熟悉的行业给予更高的关注度。程序能够相对及时地对行业逻辑变化做出应对，而人的精力难免有限。程序在每个截面上选指标时，只会利用不晚于该截面的信息对行业逻辑作判断，而人在回溯历史时容易引入未来信息，如“幸存者偏差”。当然，程序不可避免存在黑箱成分，可能会选出一些“匪夷所思”的指标。资料来源：Wind，CEIC，华泰研究回测区间同样取2016-04-30至2023-08-31；每月第一个交易日按照中观景气度因子从高到低，将31个行业划分为6层，其中最后一层包含6个行业；每一层等权配置，按收盘价完成调仓；暂时不考虑交易费用。分层测试净值曲线和业绩表现如下：3.02.52.00.5第1层第2层第3层第4层第5层第6层2016-04-302016-10-312017-04-302017-10-312018-04-302018-10-312019-04-302019-10-312020-04-302020-10-312021-04-302021-10-312022-04-302022-10-312023-04-30资料来源：Wind，华泰研究按因子值从高到低年化收益年化波动夏普比率最大回撤卡玛比率14.35%22.18%0.65-32.74%0.44第2层4.32%20.23%0.21-38.72%0.11第3层0.49%19.74%0.02-35.71%0.01第4层-3.90%19.59%-0.20-39.06%-0.10第5层0.19%19.43%0.01-32.22%0.01第6层0.96%19.30%0.05-37.62%0.03资料来源：Wind，华泰研究微观景气度：整合成分股信息来跟踪行业基本面变化微观视角财务因子在微观视角，我们从财务指标和机构行为出发，来跟踪行业景气度变化。其中，财务指标包括真实的和预期的财报指标，都是使用整体法从个股数据合成。前期报告《行业配置策略：景气度视角》（2020-11-05）通过单指标多空测试精选了15个财务指标。其中，对于行业Δg的刻画，我们结合了真实财务指标客观和预期财务指标及时的优点。虽然一致预期数据几乎每天都更新，但由于分析师难免会受到工作规则的约束和主观情绪的干扰，一致预期数据无法全面客观地反映行业实际Δg，所以需要真实财务指标的配合和验证。我们用业绩预告和业绩快报对正式财报进行弥补，以提升真实财务指标的及时性。此外，对于刻画偿债能力、营运能力的指标，我们主要使用正式财报数据进行计算；对于刻画行业关注度的指标，我们主要使用一致预期数据进行计算。由于不同行业财务指标的弹性有差异，其绝对数值在行业间无法直接比较。因此，我们只考虑各财务指标的变化方向，改善记+1分，恶化记-1分，15个财务指标等权相加，最终得到满分为±15分的微观视角财务因子。资料来源：Wind，华泰研究数据类型正式财报因子名称因子逻辑现金及现金等价物净增加额同比增速的环比变化偿债能力、营运能力与行业景气度息息相关已获利息倍数环比变化刻画这些能力的指标只能从正式财报获取资产负债率同比变化成本费用利润率TTM环比变化成本TTM基础存货周转率环比变化业绩预报+业绩快报+正式财报归母净利润同比增速环比上行的个股占比营业利润同比增速环比上行的个股占比营业收入同比增速环比上行的个股占比用更及时的真实业绩数据刻画Δg个股一致预期个股合成预期FY2净资产收益率的同比变化个股合成预期净利润CAGR的同比变化个股合成预期营业收入CAGR的同比变化个股合成预期息税前利润CAGR的同比变化净利润调高家数占比同比变化买入评级家数占比同比变化主营业务收入调高家数占比同比变化预期Δg更贴近主动投资者对成长能力的定义景气行业更容易得到分析师的关注资料来源：Wind，华泰研究回测区间同样取2016-04-30至2023-08-31；每月第一个交易日按照微观视角财务因子从高到低，将31个行业划分为6层，其中最后一层包含6个行业；每一层等权配置，按收盘价完成调仓；暂时不考虑交易费用。分层测试净值曲线和业绩表现如下：3.02.52.00.5第1层第2层第3层第4层第5层第6层2016-04-302016-10-312017-04-302017-10-312018-04-302018-10-312019-04-302019-10-312020-04-302020-10-312021-04-302021-10-312022-04-302022-10-312023-04-30资料来源：Wind，华泰研究按因子值从高到低年化收益年化波动夏普比率最大回撤卡玛比率9.60%21.42%0.45-26.91%0.36第2层7.55%20.69%0.36-32.22%0.23第3层-2.24%19.69%-0.11-41.20%-0.05第4层5.50%19.88%0.28-33.57%0.16第5层-1.07%18.98%-0.06-41.31%-0.03第6层-1.88%19.70%-0.10-43.06%-0.04资料来源：Wind，华泰研究微观视角北向因子我们主要从资金面去刻画机构行为，希望通过“抄聪明资金的作业”，如北向资金、两融投资者、ETF投资者、公募基金、产业资本等在过去一段时期内的加减仓行为，追逐“聪明资金”认可的景气行业。对此，我们曾发布过《行业配置策略：资金流向视角》（2021-指数增强》（2023-02-02）等深度报告。经过一段时间的样本外跟踪，发现北向资金的行为更贴合景气投资的理念。虽然我们是在月频尺度上构建北向因子，但如果只是简单地看各行业月度净流入或者持股市值比例的变化，会忽略日频的有用信息，尤其是对于北向资金加仓持续性的刻画。景气投资是一个低频低换手的策略，北向资金加仓某个行业越持续，越能代表北向资金看好这个行业。如果只是某天大幅加仓某个行业，例如当MSCI等海外被动指数调仓的时候，不一定能够真实反映北向资金对该行业景气度的认可。我们用北向资金持股市值比例作为代理变量，其分子是各行业陆股通成分股中北向资金所持有的市值，分母是各行业陆股通成分股的总流通市值之和。为了刻画北向资金加仓持续性，我们取最近60个沪深港通交易日的北向资金持股市值比例序列作为因变量，以对应的时间索引1,2,…,60为自变量，拟合时间趋势项。然后，对时间趋势项开展t检验；t值正得越多，表明加仓越具有持续性；t值负得越多，表明减仓越具有持续性。用t值还有一个好处，t值是无量纲的，消除了外资对不同行业的偏好。当然，在生意“细水长流”的基础上，没有人不喜欢更丰厚的获利。所以除了北向资金加仓持续性之外，我们还是会考虑北向资金加仓幅度。北向资金加仓幅度等于最新的持股市值比例除以最近60个沪深港通交易日持股市值比例的均值。最后，我们将北向资金加仓持续性和加仓幅度在截面上的rank，按照2:1的比例加总，得到微观视角北向因子。资料来源：Wind，华泰研究资料来源：华泰研究北向因子序列起始日期较晚，回测区间始于2016-12-31；每月第一个交易日按照微观视角北向因子从高到低，将31个行业划分为6层，其中最后一层包含6个行业；每一层等权配置，按收盘价完成调仓；暂时不考虑交易费用。分层测试净值曲线和业绩表现如下：2.52.00.5第1层第2层第3层第4层第5层第6层2016-12-302017-06-302017-12-312018-06-302018-12-312019-06-302019-12-312020-06-302020-12-312021-06-302021-12-312022-06-302022-12-312023-06-30资料来源：Wind，华泰研究按因子值从高到低年化收益年化波动夏普比率最大回撤卡玛比率12.01%20.52%0.59-29.39%0.41第2层1.14%20.24%0.06-36.55%0.03第3层-4.69%20.18%-0.23-43.58%-0.11第4层2.91%20.15%0.14-37.16%0.08第5层1.22%20.12%0.06-36.11%0.03第6层0.11%19.30%0.01-40.71%0.00资料来源：Wind，华泰研究综合景气度：宏观+中观+微观实现“全科生”的效果至此，我们构建了宏观戴维斯双击因子、中观景气度因子、微观视角财务因子、微观视角北向因子等4个从不同角度刻画行业景气度的因子。由于不同因子对不同行业的建模效果存在差异，例如医药等逆周期行业跟宏观视角的关系不大、计算机等服务业行业在中观视角的拟合度较低、钢铁等周期行业不太适合从微观视角择时等，我们进一步将这些“偏科生”组合成一名“全科生”。具体来说，考虑到中观视角的信息量最大，我们给予其50%的权重；其次是微观视角，我们分别给予财务因子和北向因子各15%的权重；宏观视角将得到20%的权重。我们按照上述权重，对4个景气度因子求和，得到综合景气度因子。后文将对权重的鲁棒性进行测试。回测区间同样取2016-04-30至2023-08-31，其中微观视角北向因子自2016-12-31才被纳入；每月第一个交易日取综合景气度因子前五名行业；每一层等权配置，按收盘价完成调仓；暂时不考虑交易费用。回测结果显示，综合景气度多头组长期能够跑赢行业等权基准，正的年化超额收益为14.34%；空头组长期跑输行业等权基准，负的年化超额收益为-4.89%。与行业等权基准相比，各景气度因子各自的年化超额收益在6%至12%，合成后年化超额收益却提升得相对有限。一个可能原因是景气度因子在截面上非单调、小样本。不妨设想一种比较极端的情景：某个行业在4个景气度因子中均处于第二层，那么这个行业的综合景气度大概率不会低，但由于4个因子的第二层表现都比较平庸，最终导致该行业表现一般。正因为是小样本，能够应对非单调性的机器学习方法受到了较大限制。不过在机器学习中，有一块研究领域——小样本学习[2]，或许是行业轮动策略努力的方向。4.03.53.02.52.01.51.00.5综合景气度前五名综合景气度后五名行业等权基准多头/基准2016-04-302016-10-312017-04-302017-10-312018-04-302018-10-312019-04-302019-10-312020-04-302020-10-312021-04-302021-10-312022-04-302022-10-312023-04-30资料来源：Wind，华泰研究组合名称年化收益年化波动夏普比率最大回撤卡玛比率超额胜率年化换手综合景气度前五名17.15%22.75%0.75-38.62%0.4459.09%单边3.5倍行业等权基准2.81%18.63%0.15-33.94%0.08--综合景气度后五名-2.08%19.35%-0.11-43.93%-0.0540.00%单边4.2倍资料来源：Wind，华泰研究为了验证因子权重的鲁棒性，这一小节将随机选取100组因子权重开展回测，考察业绩指标波动的范围。当然，这100组因子权重必须满足中观>微观>宏观的约束条件。为了实现有约束的重采样，随机抽取三个0到1之间的随机数x/y/z，对x+y+z+0.02、x+y+0.01、x进行归一化，作为中观、微观、宏观视角的权重。加上小量0.01既是为了实现严格的大于号，也是为了防止在归一化时出现除零错误。结果显示，随机实验的年化收益分布在12.12%和18.99%之间。其中，前文策略排在第12名。第5名录得17.85%，年化超额收益为15.04%；倒数第5名录得13.55%，年化超额收益为10.74%。这说明长期来看，行业景气投资有大于95%的概率可以取得大于10%的年化超额收益。尽管如此，我们也不难观察到，自2021年9月开始，景气投资策略相对于行业等权基准的净值比波动显著增加，说明景气投资策略面临着阶段性失效问题。下一部分将重点讨论为什么景气投资会失效。4.54.03.53.02.52.01.51.00.5随机实验净值范围前文策略2016-04-302016-07-312016-10-312017-01-312017-04-302017-07-312017-10-312018-01-312018-04-302018-07-312018-10-312019-01-312019-04-302019-07-312019-10-312020-01-312020-04-302020-07-312020-10-312021-01-312021-04-302021-07-312021-10-312022-01-312022-04-302022-07-312022-10-312023-01-312023-04-302023-07-31资料来源：Wind，华泰研究景气投资失效的可能原因及其应对方式为了寻找景气投资失效的可能原因，我们首先需要对景气投资策略各个截面上的表现进行定量评价。与量化投资常用的IC指标相比，我们认为归一化折损累计增益(NDCG)指标更适合行业轮动的场景。实践行业轮动的投资者通常会把目光聚焦于寻找未来表现可能最好的那一组行业，而高IC和能够找到表现最好的一组行业不是等价的。如以下场景依然可以取得较高的IC：第一组表现一般，第二组表现最好，第三组开始表现依次递减。但这样的场景中我们无法通过做多第一组获取超额收益；而对于行业轮动这一截面上非单调、小样本任务来说，上述例子并不鲜见。NDCG在评价因子有效性时，则会给予排名靠前的样本更高的关注度。计算NDCG与计算IC一样，每个截面上需要用到两条序列——t期的因子序列和t+1期的收益率序列。我们将因子序列转成行业的预测排名i，因子值越大，排名越靠前，如因子值最大的样本排名第1；将收益率序列转成行业的真实得分r，收益率所在分组越靠前，得分越高，如处于第一组的行业都得到5分。之所以处于同一组的行业不做更精细的得分区分，是因为在我们的策略里，处于第一组的行业会被一视同仁地买入，组内排序的差异并不会影响策略表现。首先，计算单行业DCG_i，公式如下；然后，将全体行业DCG_i相加得到DCG。DCG越大，表明因子越有效。DCGi=,DCG=∑iDCGi不难理解，一个行业真实得分越高，或者预测排名越靠前，对DCG的影响越大。像下图中的例子，真实得分最高的样本对最终DCG的贡献率大于50%。也就是说DCG在评价因子有效性的时候，给予了第一组行业的预测准确性更高的关注。当然，DCG的量级会受到行业数量和分组数量的影响。为了便于展示，我们还计算了理想状态下的DCG，即全体行业排名全部预测准确时的DCG，记作IDCG。NDCG等于DCG除以IDCG，越接近于1代表因子越有效。根据我们的经验，对于行业分六组的测试，NDCG=75%是良好水平。资料来源：华泰研究根据NDCG评价结果，自2021年9月开始，4个景气度因子NDCG之和突破300%的频率显著下降，这意味着景气投资的有效性下了一个台阶，背后可能是因为采用景气投资策略的投资者逐渐增加，通过景气投资获取超额收益的难度也逐渐增加。最早进入投资者视线的景气度因子是微观视角财务因子。早在2019年，我们就发布了相关研究，详见《景气度指标在行业配置中的应用》（2019-09-12）。截至今日，微观视角财务因子已经成为多数买方和卖方机构的标配。虽然因子构建的具体细节有所差异，但信息源都是真实财报和分析师研报。这可能是微观视角财务因子NDCG已连续一年小于75%的原因。不过，我们也认为部分因子的失效是阶段性的。一方面，股价长期背离基本面的可能性不大；另一方面，因子阶段性失效的背后是投资者在因子择时上的博弈。跟一个因子用的人多了会失效一样，一个因子被遗忘一段时间后可能又会重新有效。以微观视角北向因子为例，该因子在经历了2022年的低迷后，今年开始又贡献了正的超额收益。只不过由于景气投资的理念已深入人心，像2021年9月以前，几乎所有的景气度因子都能持续有效的日子或许已经一去不复返了。350%325%300%275%250%225%200%175%150%125%100% 75% 50% 25%0%中观景气度因子宏观景气度因子微观视角财务因子微观视角北向因子2016-042016-102017-042017-102018-042018-102019-042019-102020-042020-102021-042021-102022-042022-102023-04资料来源：Wind，华泰研究为了应对部分因子阶段性失效，我们可以基于因子评价结果对因子权重进行微调。具体来说，在截面t上，我们使用t-1期4个景气度因子的NDCG乘以前文给定的权重wfix，再进行归一化，就得到了t期4个景气度因子的权重。∑iwfix,i×NDCGiwnew,1=∑iwfix,i×NDCGi取相同的回测条件，经过因子权重微调，回测区间内的年化收益提升了0.79pct。不过仔细观察净值曲线发现，业绩提升主要发生在2021年9月之后。这是因为2021年9月之前因子阶段性失效的问题不严重，导致因子权重调整对策略表现的影响可以忽略不计；而此后，部分因子出现了阶段性失效，我们可以通过适当降低失效因子的权重、提升有效因子的权重，来提升策略的表现。4.03.53.02.52.01.51.00.5因子固定权重使用NDCG微调因子权重2016-04-302016-10-312017-04-302017-10-312018-04-302018-10-312019-04-302019-10-312020-04-302020-10-312021-04-302021-10-312022-04-302022-10-312023-04-30资料来源：Wind，华泰研究免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。是否使用NDCG年化收益年化波动夏普比率最大回撤卡玛比率超额胜率年化换手使用17.94%22.84%0.79-37.28%0.4861.36%单边3.6倍不使用17.15%22.75%0.75-38.62%0.4459.09%单边3.5倍资料来源：Wind，华泰研究行业估值：股价涨得太贵高景气也需要合理股价的配合，才有超额收益的空间。高景气被透支也是景气投资策略失效的可能原因之一，具体包括涨得太贵和涨得太快两种情况。是否涨得太贵用估值来衡量。我们使用各行业PB_LF滚动1000个交易日分位数作为估值的代理指标。虽然不同行业有各自的估值体系和适用的估值指标，但如果非要在众多估值指标中选一个，市净率对于不同行业商业逻辑、不同生命周期阶段的普适性较好。像PE就不太适合周期性行业，因为周期性行业的业绩高增速无法持续，业绩最好的时候往往PE是个位数；而我们对周期行性行业的投资恰恰应该在PE高时买进，PE低时卖出。更重要的是，行业所处生命周期阶段是在变化的，如早期具有成长性的行业经过一段时间发展可能变成了一个周期性行业，那么PE也从适用变得逐渐不适用。之所以使用PB_LF分位数而非实际数值，是为了降低不同行业估值体系的差异。我们使用估值因子对全体行业开展月频分层测试，除回测区间提早至2009-12-31外，其他回测条件与景气度因子分层测试相同。结果显示，最低估一层相对行业等权基准的净值比长期向下，说明低估不是买入行业的理由，可能是因为行业整体性的低估意味着行业基本面或许存在问题。第二，高估的行业需要规避。最高估一层相对行业等权基准的净值比波动较大，每一轮牛市的尾声以及自2021年9月以来，超额均出现了显著回撤。图表30：市净率分位数月频分层测试的相1.61.41.21.00.80.60.40.2最高估一层第二层第三层第四层第五层最低估一层2009-12-312010-06-302010-12-312011-06-302011-12-312012-06-302012-12-312013-06-302013-12-312014-06-302014-12-312015-06-302015-12-312016-06-302016-12-312017-06-302017-12-312018-06-302018-12-312019-06-302019-12-312020-06-302020-12-312021-06-302021-12-312022-06-302022-12-312023-06-30资料来源：Wind，华泰研究行业拥挤度：股价涨得太快是否涨得太快用拥挤度来衡量。交易拥挤往往发生在“击鼓传花”式的上涨中，呈现出短期涨幅巨大、换手率迅速升高等特点。伴随着股价上涨，一旦成交量跟不上，就表明持股者有可能找不到“接棒者”，接踵而至的就是踩踏式下跌，呈现出顶部反转的形态。鉴于此我们通常用量价数据来观察交易是否拥挤。那么，如何区分一个量价指标是趋势追踪指标还是顶部反转指标？免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。2009-12-312010-06-302010-12-312011-06-302011-12-312012-06-302012-12-312013-06-302013-12-312014-06-302014-12-312015-06-302015-12-312016-06-302016-12-312017-06-302017-12-312018-06-302018-12-312019-06-302019-12-312020-06-302020-12-312021-06-302021-12-312022-06-302022-12-312023-06-30门限测试是用来评价一个量价指标是否具备顶部反转特征的比较科学的方法。我们可以用量价指标的滚动分位数来定义“门限”。一个良好的顶部反转指标应当具备以下特征：门限值越大，未来下跌幅度越大。所以，门限测试进一步统计了不同门限值样本未来20日收益率的中位数——如果收益率中位数随着门限值的提高呈单调下降趋势，即呈现出顶部反转特征，说明这是一个良好的拥挤度指标。如下图所示，左图的门限测试结果符合拥挤度指标的标准，而右图则对应一个趋势追踪指标。2009-12-312010-06-302010-12-312011-06-302011-12-312012-06-302012-12-312013-06-302013-12-312014-06-302014-12-312015-06-302015-12-312016-06-302016-12-312017-06-302017-12-312018-06-302018-12-312019-06-302019-12-312020-06-302020-12-312021-06-302021-12-312022-06-302022-12-312023-06-30资料来源：华泰研究基于对海量量价指标的门限测试，我们最终精选了4个拥挤度指标，如下表所示。与更为复杂的量价指标相比，用标中的4个指标刻画拥挤度，比较符合主观交易的感受。计算指标时，不同的参数会影响最终的结果。为了提升模型的稳健性，凡是能够通过门限测试的参数都将被保留，例如我们保留了5个不同期限的流通市值换手率；当一半以上参数对应的滚动1250个交易日分位数达到95%时，我们认为该指标触发拥挤。一个指标触发拥挤因为门限测试统计的对象是未来20日收益率，所以提示拥挤相对股价见顶偏左侧，两者间隔通常在20个交易日内。以煤炭行业为例，2021-08-27连续两个交易日拥挤度达到4分，对应指数点位2547；2021-09-09股价见顶，对应指数点位为3254；2021-11-10拥挤度回落至0分，对应指数点位为2323，相较2021-08-27超跌约9%。行业拥挤度指标计算窗长触发拥挤标准超额收益净值乖离率*40/60/120有2个窗长滚动1250个交易日分位数达到95%阈值超额收益动量*20/40/60有2个窗长滚动1250个交易日分位数达到95%阈值流通市值换手率5/10/20/40/60有3个窗长滚动1250个交易日分位数达到95%阈值换手率乖离度120/250有1个窗长滚动1250个交易日分位数达到95%阈值*基准使用中证全指(000985.CSI)资料来源：Wind，华泰研究煤炭行业拥挤度得分（右轴）煤炭行业拥挤度得分（右轴）煤炭行业指数4350033000225002200011500010000资料来源：Wind，华泰研究免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。策略引入交易风险日频监控有了估值和拥挤度的“保驾护航”，投资者可根据自己的交易习惯和经验，选择合适的时机减仓。但即使有了定量工具，精准逃顶仍然是“幸运儿”，盈亏同源才是常态，想吃“鱼尾巴”就需要做好“鱼刺哽喉”的准备。我们给出了一套日频监控交易风险的方案：1)减仓规则：对于估值维度，若PB_LF滚动1000个交易日分位数≥90%，且属于最高估一层，记1分；对于拥挤度维度，满分是4分。两者相加，得到满分为5分的防守信号。若在连续5个交易日中，有2个交易日防守信号≥4分，表明该行业存在较高的交易风险，减仓一半，配置现金。假设现金的年化回报率为1%。2)接回规则：对于先前提示交易风险的行业，若防守信号回落至≤1分，表明交易风险解除，此时把先前减仓的一半仓位接回。我们将NDCG微调因子权重和日频监控交易风险的方案进行结合。回测结果显示，监控交易风险之后，年化收益进一步提升了1.09pct，最大回撤下降了6.10pct。考虑到上述减仓规则偏左侧，所以长期来看，放弃“鱼尾巴”的代价小于“鱼刺哽喉”的代价。4.03.53.02.52.01.51.00.5NDCG微调因子权重+不监控交易风险NDCG微调因子权重+监控交易风险2016-04-302016-10-312017-04-302017-10-312018-04-302018-10-312019-04-302019-10-312020-04-302020-10-312021-04-302021-10-312022-04-302022-10-312023-04-30资料来源：Wind，华泰研究是否监控交易风险年化收益年化波动夏普比率最大回撤卡玛比率超额胜率年化换手不监控17.94%22.84%0.79-37.28%0.4861.36%单边3.6倍监控19.03%21.84%0.87-31.18%0.6162.50%单边3.6倍资料来源：Wind，华泰研究至此，最终版本的行业景气投资策略已构建完毕，在2016-04-30至2023-08-31，年化收益录得19.03%，相比行业等权基准的年化超额收益是16.22%。我们进一步对该策略各月超额收益进行统计，结果发现策略在Q4的表现显著差于其他几个季度。这可能跟财报真空期有一定关系。在财报真空期中，因为没有及时的财务信息可供投资者参考，投资者倾向于利用另类信息去判断景气度，容易出现“雾里看花”的情况，市场难以形成对高景气行业的一致预期，最终导致市场主线较弱。除了财报真空期，像经济周期底部，投资者的预期偏向于高景气难以持续，同样可能会出现市场主线较弱的状况。所以，财报真空期是表象，市场主线弱是深层原因。为了验证上述猜想，我们构建了市场主线强弱指标。市场主线强弱指标的基本思想是尝试寻找在不同期限下收益率均靠前的行业，如果找得到，表明市场主线较强：1)在每个交易日，计算各行业指数5/10/20/40/60日收益率；2)截面上，计算各行业指数不同期限收益率的升序排名并归一化；如收益率最高的行业就是31/31，第二名是30/31，以此类推；免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。3)在每个交易日，计算各行业指数不同期限收益率归一化排名的均值，得到行业相对强弱指标；如某个行业在5个期限下的排名是30/31,25/31,22/31,18/31,25/31，则该行业的相对强弱指标等于24/31；4)截面上，取相对强弱指标前5名的行业，计算这5个行业相对强弱指标的均值，得到市场主线强弱指标；5)对日频的市场主线强弱指标开展指数移动平均(alpha=2/21)，取月末值。年\月1234567892016-----0.91%-1.37%-0.84%2.27%2.01%0.23%-0.02%-0.84%20172.01%0.57%-0.93%0.99%4.22%1.23%8.33%1.80%0.56%-1.66%0.37%-2.15%20180.58%1.63%-1.22%0.48%3.46%0.68%1.84%3.67%1.04%0.70%-0.42%2.78%20190.50%0.34%5.35%1.00%-0.66%1.58%2.07%2.73%-0.79%2.32%-1.51%-1.40%2020-1.23%2.70%5.94%2.10%-3.34%3.19%-0.80%0.04%-1.11%-0.06%1.90%6.63%20213.43%2.31%-0.66%5.40%3.21%3.59%12.46%11.29%-0.14%-4.01%-3.21%-2.37%20221.87%3.82%1.54%-1.84%4.34%-0.60%1.66%4.21%-1.05%0.19%-2.29%0.84%2023-1.67%-1.15%4.55%4.47%2.07%-0.75%-0.35%-0.73%----月度平均超额历年超额胜率季度平均超额0.79%1.46%2.08%1.80%1.55%0.94%3.05%3.16%0.08%-0.33%-0.74%0.50%71.43%71.43%85.71%85.71%1.44%57.14%57.14%85.71%85.71%62.50%62.50%1.42%62.50%62.50%62.50%62.50%87.50%87.50%2.18%42.86%42.86%57.14%57.14%28.57%28.57%-0.19%42.86%42.86%资料来源：Wind，华泰研究下图中，左图是市场主线最强的情况——按照市场主线强弱指标的计算步骤，对于31个行业来说，市场主线强度的理论最大值等于0.935。不过，左图的理想情况在实际投资中几乎不可能出现。于是，我们允许前五名行业在各期限收益率下，有平均不超过2名的误差，如右图所示。其市场主线强度不会低于0.871。这个数是强市场主线的阈值。我们根据当月月末市场主线强度是否大于阈值，来判断下月市场主线强弱。回测区间内共筛选出23个强市场主线月份，包括2020年底的消费行情、2021年中的周期行情、今年年初的TMT行情。这23个月中，景气投资策略取得了2.71%的月均超额收益和73.91%的月度超额胜率；在剩下的65个月中，景气投资策略只取得了0.72%的月均超额收益和58.46%的月度超额胜率。不难计算(23×2.71>65×0.72)，前者对策略累计收益的贡献大于后者，说明市场主线较弱确实不利于开展景气投资。可见行业景气投资并非“圣杯”。事实上，量化投资发展至今日，无论是资产配置、行业轮动、选券择时，都不易觅得一劳永逸的策略，留给市场的是诸如成长价值轮动等“世纪难题”。行业景气投资也注定成为并且仅仅是一个投资工具而已。为了应对市场主线较弱等情况，行业轮动的出路或许在于积极储备更多低相关的投资工具，如趋势追踪策略、困境反转策略、文本情感分析策略等，采用多策略配置或者分域建模的思路，来提升组合对不同市场风格的适应能力。资料来源：华泰研究免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。0.900.890.880.870.860.850.840.830.820.810.802016-042016-102017-042017-102018-042018-102019-042019-102020-042020-102021-042021-102022-042022-102023-04资料来源：Wind，华泰研究3.0%2.5%2.0%1.5%1.0%0.5%0.0%月均超额收益月度超额胜率（右轴）市场主线强的月份其他月份80%75%70%65%60%55%50%资料来源：Wind，华泰研究免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。从2019年开始，行业主题ETF蓬勃发展，为行业轮动策略的落地提供了便利。为了建立行业指数和场内ETF的映射关系，可以根据ETF名称主观对应，可以根据ETF成分股所属行业进行对应，也可以根据两者市场表现进行对应。本文选择第三种方法，这种方法计算简单且不会引入未来信息。在每个月月末，我们会搜集整理已上市的所有行业ETF、主题ETF、宽基ETF。针对每个行业，我们首先会计算全体ETF的以下三个评价指标：1)ETF和行业指数的相关性：计算最近半年ETF相对中证全指的超额收益率序列与行业指数相对中证全指的超额收益率序列，并计算两者的相关系数；2)ETF相对行业指数的alpha：最近半年ETF相对行业指数的信息比率；3)ETF流动性：近20个交易日ETF的日均成交额；然后，我们选取相关性≥0.6的ETF。如果相关性≥0.6的ETF多于5只，则只保留相关性前五名的ETF；如果存在相关性≥0.6的ETF但不足5只，则被选出来的ETF都被保留；如果不存在相关性≥0.6的ETF，则直接选取相关性最高的ETF作为推荐标的。针对前两种情况，我们进一步将相关性、alpha、流动性的排名按照20%:30%:50%的权重计算综合得分，选取得分最高的ETF作为推荐标的。资料来源：Wind，华泰研究考虑到2018年及更早期，多数行业没有合适的ETF，故回测区间始于2018-12-31。回测采用最终版本的行业景气投资策略，即NDCG微调因子权重和日频监控交易风险的方案相结合，被推荐ETF的权重严格按照被推荐行业的权重进行设置。如果有多个行业推荐了同一个ETF，例如石油石化和煤炭行业可能同时推荐能源ETF(159930)，那么多个行业的权重将累加到同一只ETF上；如果策略在月中触发加减仓信号，只进行权重调整，不重新执行ETF推荐流程。在不考虑手续费的情况下，ETF组合的日跟踪误差约为0.45%，基本能够实现行业指数的回测效果。从业绩表现上来看，ETF组合略优于行业指数的回测效果。这是因为ETF推荐流程考虑了ETF相对行业指数的alpha，而且行业指数是价格指数，而ETF是存在分红机制的。如果考虑单边千一的手续费，指数回测的版本年化收益将下降1.17pct，ETF回测的版本年化收益将下降1.54pct，下降幅度略高于指数回测的版本。这是因为相邻两个月，即使景气投资策略看好相同的行业，ETF推荐流程也可能选出不同的ETF，导致ETF组合的换手率略高于行业指数组合。免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。4.54.03.53.02.52.01.51.00.5使用行业指数回测使用行业主题ETF回测2018-12-312019-06-302019-12-312020-06-302020-12-312021-06-302021-12-312022-06-302022-12-312023-06-30资料来源：Wind，华泰研究回测始于2018-12-31年化收益年化波动夏普比率最大回撤卡玛比率年化换手使用行业指数回测30.39%22.92%1.33-31.18%0.97单边3.15倍使用行业主题ETF回测32.99%24.42%1.35-26.81%1.23单边4.09倍资料来源：Wind，华泰研究4.03.53.02.52.01.51.00.5使用行业指数回测使用行业主题ETF回测2018-12-312019-06-302019-12-312020-06-302020-12-312021-06-302021-12-312022-06-302022-12-312023-06-30资料来源：Wind，华泰研究回测始于2018-12-31年化收益年化波动夏普比率最大回撤卡玛比率年化换手使用行业指数回测29.22%22.90%1.28-31.49%0.93单边3.15倍使用行业主题ETF回测31.45%24.40%1.29-27.37%1.15单边4.09倍资料来源：Wind，华泰研究免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。[1]BokB.,CaratelliD.,GiannoneD.,etal.2018.Macroeconomicnowcastingandforecastingwithbigdata.AnnualReviewofEconomics,10:615-43.[2]SunQ.,LiuY.,ChuaT.,etal.2018.Meta-transferlearningforfew-shotlearning.arXiv:1812.02391v2.1)宏观、中观、微观视角模型均根据历史规律总结，历史规律可能失效，例如当景气趋势无法持续时，模型对行业景气度的判断就会出现偏差；2)行业景气投资有其适用的市场条件，无法保证在任何市场条件下均可取得超额收益；3)报告中涉及的具体行业不代表任何投资意见，请投资者谨慎、理性地看待。免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。分析师声明本人，林晓明、徐特，兹证明本报告所表达的观点准确地反映了分析师对标的证券或发行人的个人意见；彼以往、现在或未来并无就其研究报告所提供的具体建议或所表迖的意见直接或间接收取任何报酬。一般声明及披露本报告由华泰证券股份有限公司（已具备中国证监会批准的证券投资咨询业务资格，以下简称“本公司”）制作。本报告所载资料是仅供接收人的严格保密资料。本报告仅供本公司及其客户和其关联机构使用。本公司不因接收人收到本报告而视其为客户。本报告基于本公司认为可靠的、已公开的信息编制，但本公司及其关联机构(以下统称为“华泰”)对该等信息的准确性及完整性不作任何保证。本报告所载的意见、评估及预测仅反映报告发布当日的观点和判断。在不同时期，华泰可能会发出与本报告所载意见、评估及预测不一致的研究报告。同时，本报告所指的证券或投资标的的价格、价值及投资收入可能会波动。以往表现并不能指引未来，未来回报并不能得到保证，并存在损失本金的可能。华泰不保证本报告所含信息保持在最新状态。华泰对本报告所含信息可在不发出通知的情形下做出修改，投资者应当自行关注相应的更新或修改。本公司不是FINRA的注册会员，其研究分析师亦没有注册为FINRA的研究分析师/不具有FINRA分析师的注册资华泰力求报告内容客观、公正，但本报告所载的观点、结论和建议仅供参考