资讯

历史

科技

环境与自然

成长

游戏

财经

文学与艺术

美食

健康

家居

文化

情感

汽车

三农

军事

旅行

运动

教育

生活

星座命理

2024年行业轮动研究系列之一：“预期成长”因子，破解景气陷阱与低波迷局

创作时间:

作者:

@小白创作中心

2024年行业轮动研究系列之一：“预期成长”因子，破解景气陷阱与低波迷局

引用

来源

https://www.vzkoo.com/read/202410189aa0ea7a021284a373667f0d.html

在当前高质量稳增长时代，传统的分析师预期增长因子出现了显著回撤，这表明景气投资策略正面临新的挑战。本文深入分析了这一现象背后的原因，并提出了一套创新的预期成长因子重构方案，以破解"景气陷阱"和"低波迷局"。

1. 高质量稳增长时代下行业轮动新范式探究

1.1 传统分析师预期增长因子出现回撤

分析师预期成长类因子是基于分析师对行业或个股未来成长性预期的数据所构建的。这些因子通过量化分析师的预期，旨在更准确地刻画和捕捉市场中具有高成长潜力的标的。前人研究和实践经验普遍认为，这类因子在表征景气投资策略中具有显著的有效性。然而，2022 至 2023 年期间，该策略经历了显著的回撤，表明曾在 2021 年盛行的景气投资方法正面临逆风。

1.2 原始因子失效原因反思

分析师预期作为一类重要的另类因子，有别于传统财务因子和量价因子，分析师报告有非常丰富的 alpha 信息来源，盈利预测的背后可能是个股的竞争格局、供需结构、发展趋势等一系列非结构化信息，相比滞后披露的财务数据，其时效性也较佳，随着分析师覆盖率的提升，该类型因子表现在 2019-2021 年效果较佳。我们认为，近几年因子失效背后的原因值得深究，并且寻找迭代升级的方向。

1）景气陷阱：短期预期增速与股票回报的相关性在减弱。景气投资交易的是对实际基本面增速的预期情况，驱动力来自新的产业周期、创新周期以及渗透率变化。而过去两年经济周期和产业周期同时下行，导致高景气的行业数量明显变少，全行业盈利增速边际趋于缓慢，而新的产业机会整体仍处主题投资阶段（人工智能等），仅有少数如光模块等细分行业出现基本面的变化。

2）低波迷局：近年来市场波动性明显下降，对因子构建的传统算法设计可能存在干扰。疫情以来国内外宏观环境复杂多变，在“去地产化”背景下，GDP 中长期增长中枢下降，市场预期收益率走低，面临投资机会减少和交易情绪低迷，A 股资产价格波动率进入低位，风险偏好趋弱。相应地，我们观察到分析师对行业增速的预期波动的最小值也趋于 0，部分行业的预期增速变化出现极为缓慢的现象，这意味着传统算法可能无法适应市场的波动性变化，在漫长的出清周期中如何识别景气线索变得更难。

1.3 解决方案：重构预期成长因子

抓住第一性原理是穿越周期、获取持续收益的关键。第一性原理是指回归事物最根本的逻辑和原理，而在股票投资中，最根本的就是股票的收益来源。面对“景气陷阱”和“低波迷局”，我们对传统分析师预期因子进行了重构，一方面通过“时序标准加速化”刻画市场在预期增速中隐含的对长期估值的映射，另一方面设置自适应的预期波动，以适应市场的不同波动性特征，预期成长因子 Rank IC达到 8.24%，多空年化收益率 16.18%，夏普比率 131.40%，最大回撤 14.64%，多头组年化收益率 13.55%。

2.从分析师预期数据到景气投资（行业轮动）

2.1 分析师覆盖：对全市场主要盈利公司都进行了覆盖

经统计，分析师对 A 股的个数覆盖率为 51.8%，表明超过一半的公司被分析师覆盖；市值覆盖率高达 85.3%，意味着分析师主要集中在大市值公司上，从而更好地反映市场整体表现。在盈利覆盖方面，剔除负值后的覆盖率为 95.2%，而总盈利几乎全部覆盖，这表明分析师对市场盈利情况的把握较高。这种广泛的覆盖使得分析师预期数据能够提供潜在的 alpha。

从各行业覆盖率来看，整体差异较小。其中，金融和周期性行业的覆盖率较高，如银行业的覆盖率高达 88.1%，非银行金融和煤炭行业的覆盖率分别为 63.89%和 69.44%。这表明分析师对这些行业的关注度较高。相比之下，房地产和商贸零售等行业的覆盖率较低，分别为 36.11%和 40.19%。这些行业可能由于增长前景或市值规模等因素，覆盖率略低，但整体覆盖仍较为全面。

2.2 万得指数一致预测算法有待改进

2.2.1 万得指数一致预测算法概述

截止指定交易日，万得以个股近 180 天内报告数据为基础，计算个股最近预测年度（FY1）、次年（FY2）及最近预测年度后二年（FY3）的报告预测净利润平均值。以个股的年报实际披露日为界，当年盈利公布之日，当年数据会被（原）次年数据取代。FY1 常见走势是跳空高开，长期回落。

万得以分析师个股报告为起点，在有效期内算术平均报告预测值得到个股一致预期行业指数采则用整体法，即∑(成分股,个股一致预测指标)。

2.2.2 万得行业一致预测误差较大

我们注意到万得指数一致预测算法在某些方面还存在进一步完善的空间。问题 1：分析师指数一致预期 FY1 是否加入个股净利润 TTM 历史值补缺，对于分析师不覆盖的个股，wind 在计算指数一致预期时会使用历史净利润 TTM 补充。以钢铁行业为例，成分股求和和 WIND 指数预期相比在 FY1 出现了较多的出入。这将导致两个结果，一是让指数中的“预期”包含了滞后期的财报数据，二是后续在计算预期增速时，FY2、FY3 如果不相应进行处理，与 FY1 不匹配，则会造成计算指数预期的个股成分都不同，从而预期增速的结果出现异常。

问题 2：行业盈利年度切换日，与以个股的年报实际披露日为界不同，万得行业预测数据统一以 5 月 1 日为 FY 年度切换点，导致大部分个股切换时点滞后，行业一致预期相应滞后。

2.3 分析师盈利预测数据面临的问题

2.3.1 问题 1：分析师“报喜不报忧”，倾向于高估未来业绩

分析师预期存在结构性偏误，远期高估业绩，随着披露点的临近预测数据逐渐向真实盈利收敛。

2.3.2 问题 2：有些行业盈利容易估计，部分周期类行业盈利偏差极大

农林牧渔主要分为畜牧业、农产品加工 II，种植业比较小，其中主要是养猪，企业盈利主要受到猪肉价格波动影响，净利润预测的可靠性较低；白酒行业分析师关注度高，历史上一致预测净利润预测较为准确。

2.4 预期数据的精细结构与基础因子构建

2.4.1 对分析师一致预期数据进行自然年度识别

FY1、FY2、FY3 定义上是对未来一年、两年、三年的预测，但由于年报公布滞后，自然年度无法对齐，行业内个股发布年报前后顺序不同，逻辑上，对自然年度的识别匹配能够更好地进行行业层面的年度之间的景气度比较。

以自然年度（CY，Calendar Year）作为标记，通过发布历史年报的时间进行切换， CY0 由 FY1 和已实现并公布的业绩组成，CY1 由 FY2 和 FY1 组成，CY2 由 FY3 和 FY2 组成。

2.4.2 对分析师一致预期数据进行滚动年度计算

CY （Calendar Year）存在随时间信息收敛的问题，RY（Rolling Year）可以部分缓解信息收敛的问题，捕捉景气度的边际改善，比如当前时点是 3 月份且企业年报还未发布，此时上一财务年份已经结束且前 3 季度报告已公布，此时对于该年报的预测意义已经不大。

2.4.3 计算行业预期滚动增速因子

将日频一致预期数据进行降采样，取每月最后一个交易日数据构建月频指标，数值类型的一致预期指标通过整体法合成行业数据，比值类型的一致预期数据通过流通市值加权进行合成，并滚动计算增速。回测时间区间统一设定为 2015年 1 月 1日至 2024年 6 月 30日。行业信号为月频，一般在每月最后一个交易日生成信号，下月第一个交易日进行调仓。回测对象为中信一级行业 28 个行业（剔除金融和综合金融），分为 5 组，第 5 组为多头组，第 1 组为空头组。

回测结果显示，无论使用较上年变化还是较上季变化，归母净利润预期未来一年增速的投资组合在风险调整后的收益和表现方面优于预期的其他期间增速，显示出未来一年可能具有更强的盈利能力和更好的投资回报预期。

相比直接使用 wind 个股加总求和得到的 FY2/FY1 因子，分析师净利润滚动未来一年增速因子在 alpha 上有所提纯，同时期的多空收益较 wind 个股加总 FY2/FY1 的回撤较小，但 21 年 H2 之后出现了失效的情况，多空净值上升趋势明显变缓慢，23 年后回撤也明显变大。

3. “景气陷阱”的成因与应对方案

3.1 预期增速因子的表现存在明显的周期性

行业预期滚动增速因子的表现确实存在明显的周期性，在市场环境有利时，高预期增速的股票通常能够超额回报，因而景气投资策略表现优异。然而，景气投资并非在所有时段都能取得优势。在市场更偏向防御、高增速标的稀缺、流动性紧张的背景下，市场参与者更倾向于安全性和确定性，成长风格相对表现并不占优，行业预期滚动增速因子累计 IC 在 21 年 H2 以后走平甚至回撤。

4. “低波迷局”的成因与应对方案

回顾上一节对预期增速进行“时序标准加速化”的组合，虽然控制了对于成长风格的暴露，但 z（g）-归母净利润因子仍然在 22 年以来表现欠佳，多空收益出现停滞， z（g）-ROE 因子虽然多空收益还在缓慢上升，但有效性较之前明显下降。因此，本文将从其表现归因入手，进而挖掘模型阶段性失效的底层原因，再有的放矢地优化模型构建方式，使其成为能够适应新时期市场风格下的行业轮动模型。

4.1 挖掘模型阶段性失效的底层原因

4.1.1 预期差信号逻辑并未失效

首先考虑行业分析师预期增速差最大的行业这个逻辑是否失效。我们测试了不使用波动进行放缩之前的分析师预期差因子（即行业预期滚动增速减去过去 12个月的均值），结果表明，其逻辑依然有效，多空收益并未相较之前时期的因子表现有明显差异。因此，分析师预期差逻辑并未失效，当分析师预期行业未来滚动归母净利润和 ROE 相对一年过去行业均值高时，这些行业仍然能够显著跑赢低的行业，其 alpha 属性仍然存在。

4.1.2 多行业预期差调整趋于缓慢

其次，我们对 z（g）-归母净利润因子和 z（g）-ROE因子的多头组和空头组的超额收益走势进行分析。

从 z（g）-归母净利润因子和 z（g）-ROE因子的空头相对行业等权超额来看，均出现了走平的情况，说明因子在判断相对表现差的行业时的效果相较之前出现了明显偏误，并且这个偏误主要是由于波动率放缩效果造成的。

4.1.3 低波环境下空头组出现极端情况

经过统计，g滚动一年波动率分月所有行业的最小值不断趋于 0，呈现出分析师预期成长波动率显著下降的现象。当我们计算 z(g)时希望通过标准差合理放缩不同行业特性的预期增速，从而使得行业间可比，但也带来了“除数效应”的影响。除数效应指的是在计算比率或比例时，由于分母极端小而导致结果异常大的现象，这种情况通常会出现在一些特定的财务或经济分析中，当分母的值接近零或非常小时，即使分子保持正常或略有变化，最终的比率可能会产生极端的结果，显得比实际情况更加夸张。

以家电行业为例，回顾其被选入空头组的情况，2023 年 12 月-2024 年 2 月其滚动规模净利润增速处于全市场所有行业的前 50%，2024 年 1 月末的因子值更是居于前 25%，但却由于滚动 1 年内的标准差极小而持续被选入空头组（倒数六名）的行业。

4.2 设置自适应的预期波动

4.2.1 多行业预期成长波动率出现极端小

通信行业作为成长性行业，历史分析师预期成长波动率中枢在 8%左右，但目前趋近 0 且持续时间较长，机械行业历史波动率中枢在 4%左右，目前也出现了极端小的情况。

4.2.2 需要动态观测波动率

对于分母极端小的情况下，以避免因除数效应导致的错误结论，一个可行的方法是建立自适应的波动观测，避免短期波动过小导致的过度放大。对于基准的设置，需要体现行业之间的波动率差异以体现行业异质性，同时为避免引入更多参数，我们选择了行业自身的历史均值波动率作为基准。引入历史均值的过程类似于设置一个基准，告诉我们“在大多数情况下，这个指标的波动应该是多大”。当我们发现当前的标准差远低于这个历史均值时，就会把它适当“抬高”，使得它更接近历史上的正常水平。这样，计算出来的因子值不会因为短期波动过低而变得极端。