行业景气度模型优化及实证回测研究

行业景气度模型优化及实证回测研究

天相投顾对行业景气度模型进行了优化及实证回测研究。研究团队在原有模型的基础上，加入了量价指标、新增了打分方式，并计算了趋势修正项。通过相关性分析、IC测试及分层测试等统计方法验证了模型的有效性。最后，以沪深300指数为基准进行回测，结果显示该策略在实际市场中表现良好，具有较高的超额收益和一定的风险控制能力。

行业景气度量化测算模型回顾

在前期研究中，天相投顾使用上市公司财务数据、分析师预测数据和市场关注度数据，计算了33项与行业景气度相关的三级指标，并通过量化打分等权合并的方式得到了月度行业景气度得分。该景气度模型的构建思路见图表1，其中涉及的所有指标见图表2。

图表1：天相行业景气度量化测算模型构建回顾

图表2：天相行业景气度量化测算模型指标回顾

按照上述行业景气度指标构建方式，研究团队统计了28个月（2020年7月至2022年10月）月度频率下的行业景气度得分，并进行市场有效性检验、市场轮动检验和市场预测性检验。经测算发现，该指标可以较为有效地反映行业景气度的变化，且不同行业的景气度有效性及其领先指数周期均有不同。

行业景气度模型调整

在当前市场经济环境下，市场动态呈现出复杂多变的特征。因此，基于前期研究，研究团队对已有的行业景气度量化测算模型进行了以下优化与调整，以提升模型的科学性与适用性。

加入量价指标

量价指标不仅可以直观地反映市场交易量和价格的变化，还能够从侧面展现出每个行业的变化趋势。将量价数据与已有的财务数据、预测数据和关注度数据结合使用，可以构建一个更加全面和准确的综合指标。

因此，研究团队引入了量价数据作为行业景气度模型中的一级指标，并依据计算方式的不同，将量价指标划分为两类二级指标：基础指标和技术指标。基础指标是指，通过市场交易量和价格走势计算得到的基本统计数据，包括月收益率、月波动率和月换手率。技术指标则是指，基于量价数据衍生的一些分析指标，包括MACD、RSI和BIAS。

研究团队将量价数据的基础指标和技术指标按照1：1的比例选取6项作为三级行业景气度指标，按照方式四（以个股所属申万一级行业的流通市值为权重）汇总到行业。量价数据选取的行业景气度指标如图表3，指标计算公式详情参见附录。

图表3：量价数据景气度选取指标

新增打分方式

基于过往研究，在已有的同比打分、环比打分和正收益打分的基础上，研究团队引入了分位数打分法。分位数打分能够反映各行业在全市场中的相对位置，进而评估行业的发展潜力，从而为行业景气度评价提供了一个新的视角。以下为分位数打分的具体实施方式：

1. 处理逆向指标：如果指标是一个逆向指标，则添加负号后转为正向指标处理。
   X' = -X

2. 去极值和标准化：
   计算中位数Med(X)和绝对偏差中位数MAD(X)，并将偏离中位数超出5倍MAD的数据进行平滑处理。
   Med(X) = median(X)
   MAD(X) = median(|X - Med(X)|)
   去掉极值后，假设xi是平滑后数据中的第i个值，μ是数据的平均值，σ是数据的标准差，则标准化后的对应值zi的计算公式为：
   zi = (xi-μ)/σ

3. 计算分位数并打分：将标准化后的数据进行排序，计算其分位数。若数值小于或等于30%分位数，则记为-1分；若介于30%至70%分位数之间，则记为0分；若大于或等于70%分位数，则记为1分。
   假设将数据的30%分位数记为Q30，将数据的70%分位数记为Q70，那么景气度得分Si的计算公式为

景气度指标最终得分等于所有三级指标行业得分之和。研究团队认为，景气度指标得分的高低直接反映了行业未来发展的前景：得分越高，行业未来发展前景越好；得分越低，行业衰退的可能性越大。

趋势修正

在进行行业景气度测算的过程中，动量效应也是一个很重要的参考项。因此，为了衡量动量效应，研究团队在此引入了趋势修正项T。

趋势修正项T的计算方法如下：

1. 趋势判断
   对比当月的行业景气度得分与过去n个月的行业景气度得分，如果当月行业景气度得分高于其历史得分，这表明行业可能正在改善或保持良好的发展趋势，该历史时点的行业景气度趋势得分记为1；相反，如果当月行业景气度得分低于其历史得分，则将该历史时点的行业景气度趋势得分记为-1。
   假设Si是某行业的当月景气度得分，Si-n为该行业n个月前的历史景气度得分，则趋势得分Tn的计算公式为

2. 计算趋势修正项得分
   研究团队取了4个历史时点，分别为1个月、3个月、6个月和12个月，因此趋势修正项的范围在[-4,4]之间。如果某行业当月行业景气度得分比过去所有历史时点都高，那么趋势修正项为4，表明该行业整体趋势向上；相反，如果某行业当月行业景气度得分比过去所有历史时点都低，那么趋势修正项为-4，表明行业整体趋势向下。将4个历史时点的趋势得分Tn进行累加，就得到了总的趋势修正得分T。
   T = T1 + T3 + T6 + T12

3. 计算行业景气度综合得分
   设 S为所有三级指标汇总得到的行业景气度得分，T为4个历史时点的趋势修正项得分，则行业景气度指标的综合得分S综合可以通过以下公式计算：
   S综合 = S + T

趋势修正项作为衡量动量效应的关键指标，不仅可以有效识别市场的动态变化，还能帮助研究团队更准确地把握行业的当前状态，使行业景气度得分更加贴近行业的真实情况。

加入趋势修正项后的行业景气度综合得分，不仅可以在截面上反映不同行业在特定时点的相对排序，还可以在时序上揭示各个行业发展的动态轨迹。由此，研究团队获得了一个多维度的综合指标，来直观且全面地评估各个行业的景气度情况。

行业景气度得分分析

基于上述行业景气度的构建方式，研究团队按照申万一级行业进行分类，以月为单位，计算了各行业从2018年6月至2024年8月的景气度得分，结果如图表4所示：

图表4：各行业景气度结果统计

在分析图表4中的行业景气度得分与实际股价走势之间的关系时，研究团队发现某些行业的股价走势与其景气度得分并不总是保持一致。基于前期研究的结论，从行业景气度领先对应指数周期来看，不同的行业具有不同的滞后周期，市场需要时间来消化和分析新的信息，从而调整其对股价的预期。因此，景气度的实际变化可能会在一段时间后才反映在景气度得分上，这就导致了时间上的不匹配。

此外，考虑到行业内部的结构性问题、竞争格局的差异以及监管政策的影响，有很多行业特有的因素可能也不会立即在景气度得分中得到体现，但它们却能在短时间内对股价产生显著影响。

为了提高行业景气度指标预测的准确性，同时考虑到滞后周期以及每个行业内部的特殊性的问题，研究团队需要提前对行业进行筛选，选出那些景气度得分与股价走势具有正相关性的行业，再进行后续研究。

相关性分析

基于申万一级行业分类，研究团队将每个行业的上月末行业景气度得分和本月收益率一一对应，计算出皮尔逊相关系数来判断二者之间的线性相关关系，其中，相关系数超过0.3的视为正相关，低于-0.3的视为负相关，如果相关系数在-0.3至0.3区间内，则认为该行业的景气度得分与其月收益率之间不存在显著的相关性。也就是说，只有当皮尔逊相关系数超过0.3时，研究团队才认为行业景气度得分可以有效反映该行业的收益变化。

相关系数的计算公式如下：

在后续进行回测研究时，研究团队将滚动窗口设置为6个月，在每个月末滚动计算各行业的景气度得分与月收益率之间的皮尔逊相关系数，筛选出正相关的行业，并将其纳入当月的行业选择范围。

IC测试

在本节，研究团队将通过计算信息系数IC来评估行业景气度得分的有效性（IC序列及其分布见图表5），IC的均值越接近1，代表行业景气度得分对股价走势的预测能力越强。如果IC的均值大于0.03，那么可以将其视为有效因子。

经计算，IC的均值为0.059，且分布接近于正态分布，这表明行业景气度在大多数情况下能够正确预测行业收益的变动情况。也就是说，当行业景气度得分较高时，收益率倾向于上升；反之，当行业景气度得分较低时，收益率倾向于下降。

综上，研究团队认为行业景气度因子较为有效，通过行业景气度得分来调整不同行业的投资组合，可以获取高于市场的超额收益。

图表5：IC序列及其分布图

分层测试

为了进一步验证行业景气度因子的有效性，研究团队进行了分层测试：

首先，在每月末，先按行业景气度得分标准化，再进行分组；然后，根据分层数量确定每一层对应的分位数上界和分位数下界，并将每个标准化后的得分与每层分位数进行比较，根据值的大小将其归类到对应的层级；最后，根据分层结果计算不同景气度层级下的净值变化。当分层数量n的值取4时，分层测试的结果如图表6所示。

研究团队可以看出，不同的因子分位数呈现出了较为明显的分层效果，高分位数的投资组合在长时间跨度内的累积净值更高，这也进一步验证了行业景气度因子的有效性。

图表6：分层测试结果

策略回测

基于前期研究，研究团队已经验证了行业景气度因子对未来收益的预测能力，为了进一步探究其实际应用价值和在交易市场中的有效性，接下来研究团队将根据不同行业每月的景气度得分，构建投资组合，并进行回测，通过分析回测表现，来揭示因子在真实市场交易环境中的盈利能力。

回测参数设定

在执行回测之前，研究团队对以下参数进行了设定（如图表7所示）

图表7：回测参数设定

在本次回测中，研究团队使用了2019年1月至2024年8月期间所有的申万一级行业的行情数据，对比的基准指数为沪深300指数。

回测过程中，交易过程中产生的手续费按双边0.2%计算，印花税按照0.1%征收，以贴近实际交易环境中的真实成本。

调仓频率设置为每月一次，为避免使用未来数据，研究团队默认在每月末的最后一个交易日收盘后拿到所有的目标数据，然后依据策略进行仓位的计算和调整，实际成交时间为次月的第一个交易日。

权重配置采用等权方式，即每个选定的行业都有相同的权重，避免因主观判断导致的偏差。

在每个月末进行调仓时，研究团队依据以下规则进行行业的筛选：首先，在每个月末滚动计算各行业的景气度得分与月收益率之间的皮尔逊相关系数，筛选出正相关的行业，并将其纳入当月的行业选择范围；在此基础上，筛选出当月景气度得分大于0的行业，研究团队推测这些行业会在未来出现一定的增长迹象；最后，再进一步筛选出排名前3位的行业，表明这些行业在当期市场截面的表现也处于领先地位。

接下来，研究团队将依据上述设置的参数进行回测，来评估行业景气度得分因子在实际市场的表现，以及是否能够实现一定的收益。

回测结果分析

通过上述回测，研究团队得到了基于行业景气度因子构建的策略回测表现及其具体回测指标，包括总收益率、年化收益率、年化波动率、最大回撤、卡玛比率和夏普比率，回测表现如图表8所示，回测指标如图表9所示。

结合图表8和图表9可以看到，对于研究团队构建的策略，其整体收益的前期表现与沪深300指数较为相似，二者曲线几乎重合，但在2021年之后，随着市场风格的切换，策略的超额收益开始稳步上升，即便在整体市场表现不佳的大环境下，依然表现出一定的盈利能力。

综合来看，行业景气度因子在回测中展现出了良好的业绩，这表明行业景气度可以作为一项投资指标，用来指导投资决策，提高投资收益。

图表8：策略整体回测表现

同时，研究团队进一步统计了该策略和沪深300指数在整个回测区间的各项回测指标（见图表10）。从收益上看，沪深300指数在回测期间的总收益率为11.07%，年化收益率为1.94%，本策略总收益率为50.63%，年化收益率为7.79%，相比于基准有较高的超额收益。从其他风险和绩效指标上看，二者的年化波动率相似，但策略最大回撤小于沪深300指数，同时卡玛比率和夏普比率明显高于沪深300指数。

图表10：回测指标对比

基于以上数据，研究团队认为，使用行业景气度因子构建的多头策略在回测区间内的表现明显优于基准，说明该策略不仅能够通过捕捉行业景气度的变化，实现较高的收益，同时有一定的风险控制能力。

结论

基于前期研究，研究团队调整了行业景气度模型——加入量价指标、新增打分方式以及计算趋势修正项。在此基础上构建的行业景气度因子不仅在截面上反映了不同行业在特定时点的相对排序，而且在时序上可以揭示其发展的动态轨迹，这使得模型对各行业潜在增长动力的捕捉更为敏锐，对市场波动及周期性变化的响应也更加迅速。由此研究团队获得了一个多维度的综合指标，来直观且全面地评估各个行业的景气度情况。

对于调整后的模型，研究团队以月为单位，计算了31个申万一级行业从2018年6月至今的各月景气度得分，并通过相关性分析、IC测试及分层测试等统计分析，证实了行业景气度得分的有效性。

最后，研究团队以沪深300指数为基准进行回测，评估了基于行业景气度得分构建的策略在实际市场的表现。回测结果表明，该策略各项表现均明显优于基准指数，有较高的超额收益，且具有一定的风险控制能力。

综上所述，本研究认为，行业景气度因子具有一定的预测能力，能够帮助投资者识别出潜在的投资机会。然而，需要注意的是，任何因子都无法完全解释市场的复杂性，因此在实际应用中，投资者还应综合考虑多个方面，密切关注宏观经济环境、行业政策变动及其他可能影响模型性能的因素，谨慎选择投资组合。

数据说明

若无特殊说明，文中数据来源为：天相TXMRT®基金评价助手