◆摘要◆
在《行业轮动系列(1)：如何从微观结构探析行业轮动信息》中，我们主要以微观的角度，探索能有效预测未来行业间截面收益的指标。该篇报告，我们将延伸之前的研究成果，继续从微观、中观、宏观三个不同维度中探索能进一步深化行业轮动效果的信息，以及不同信息相互交互及运用的方式。
囊括更多维度的微观特征
从主流逻辑认知入手，从盈利、成长、营运效率、财务杠杆、机构情绪、资金情绪、量价技术这七大类型特征中寻找更多能够有效预测行业未来截面收益的细分指标，拓展微观特征的宽度与信息源。
构建纯微观行业轮动复合指标，IC均值13.24%，ICIR为0.54，IC大于0比例为69.6%。相应行业轮动组合年化收益16.7%，相对于全行业等权基准的超额年化收益9.3%，信息比率1.37，最大相对回撤10.5%，月度胜率62.2%。。
宏观环境影响微观特征有效性
从真实宏观状态与宏观数据在时间上的错配角度，本文分析不同的宏观收益来源，并以此提出量化行业轮动体系对于宏观数据场景的应用方式。我们构建宏观经济增长指数与宏观流动性指数，刻画宏观环境变换。并从逻辑与实证两个角度分析市场在给定宏观环境下，会相应怎样对待不同的微观特征，以及相应的如何影响到行业轮动模型对该微观特征的利用方式。
通过基于宏观场景对不同微观特征进行配权的方式，将宏观信息融入纯微观体系，构建的宏观-微观轮动复合指标IC均值14.90%，ICIR为0.59，IC大于0比例为68.9%。相应行业轮动组合年化收益18.0%，相对于全行业等权基准的超额年化收益10.6%，信息比率1.50，最大相对回撤10.6%，月度胜率64.4%。
灵活运用行业景气度观点
采用相关性筛选、数值状态化与截面标准差赋权的方式，克服中观景气度数据在行业轮动体系中景气度与股价收益不匹配、不同行业景气度不可比、景气度数据覆盖行业不全等难点。将中观信息融入微观-宏观模型，构成最终的行业轮动指标与模型。
最终行业轮动指标，IC均值15.34%，ICIR为0.61，IC大于0比例为73.3%。相应行业轮动组合年化收益21.4%，相对于全行业等权基准的超额年化收益13.8%，信息比率1.89，最大相对回撤8.7%，月度胜率68.1%。
最新观点：6月对于可选消费与周期板块内的行业更为看好
基于5月底的最新指标得分，模型6月看好：钢铁、消费者服务、石油石化、基础化工、汽车、家电。
◆正文◆
行业轮动：探索更多的研究思路
由于研究对象直观清晰、研究成果落地场景丰富，行业轮动一直是备受投资者关注的研究议题。目前也不乏一些颇有新意或成效的思路与模型，宽泛定义下，当下对于行业轮动的研究思路可以分为三种模式：
自上而下的宏观分析：通过逻辑分析确定不同宏观周期场景下利好的板块或行业，并根据当前的宏观场景判断，来配置相应的板块或行业。运用的主流宏观周期包括但不限于经济周期、金融周期、库存周期，以及统计聚类下的宏观周期。
关注行业的中观景气：通过行业自身特有的中观数据，评估行业的景气度。并基于景气度来确定是否配置该行业。
自下而上的微观统计：通过对行业自身量价信息，或者行业成分股的信息汇聚而成的行业得分进行统计测试，在测试结果显著且符合一定逻辑认知的情况下，探索出的行业轮动指标。
图表： 主流行业轮动研究的三个维度
资料来源：中金公司研究部
在之前《行业轮动系列(1)：如何从微观结构探析行业轮动信息》中，我们主要以微观的角度，探索能有效预测未来行业间截面收益的指标。该篇报告，我们将延伸之前的研究成果，继续从微观、中观、宏观三个不同维度中探索能进一步深化行业轮动效果的信息，以及不同信息相互交互及运用的方式。
微观：囊括多维微观特征
在该系列前序报告中，我们提出了将个股因子映射成行业得分的方法(具体方式可参见《行业轮动系列(1)：如何从微观结构探析行业轮动信息》或本文文末附录)，并探索了一些具有行业截面收益预测能力的指标。按照因子构建基础数据来源，我们将各行业因子分成了财务基本面、分析师行为、量价特征三大类。
本章节中，我们仍将延续之前的微观研究体系，继续探索更多维度的数据，并从逻辑角度而非数据角度对有效微观特征进行分类。
微观指标的拓展与分类
我们从主流逻辑认知入手，在以下七大类型特征中寻找能够有效预测行业未来截面收益的细分指标：盈利、成长、营运效率、财务杠杆、机构情绪、资金情绪、量价技术。虽然上述方面都是我们在评判上市公司或行业好坏的主流标准，但由于行业商业逻辑及盈利逻辑存在明显差异，在一些财务特征上直接比较并不合理。例如不同行业可能天然在盈利能力上、或成长幅度上不在同一个量级上，一些行业的数值一直远高于另一些行业。因此我们对一些财务特征的维度进行一定调整：不是直接比较它们财务特征本身，而是针对它们财务特征自身边际变化进行比较。
需要特别说明的是：后续构建并讨论的行业指标，均是通过个股数据映射的方式得到，而非直接通过行业数据计算。例如：换手率指标并非直接用行业指数的成交额与行业指数的市值计算得到，而是将所有成分股的换手率因子映射成行业得分的方式求得。
图表： 行业轮动中的7大类微观特征
资料来源：中金公司研究部
盈利改善预期
逻辑上盈利有边际改善的行业未来市场表现会更好。体现盈利改善最简单的方式是取财报中表征盈利的数据在时间序列上计算同比比值或差分。但由于市场投资者对盈利数据本身较为敏感且关注，而财报数据更新往往较为滞后，因此基于财报的盈利数据计算出来的盈利改善指标在行业轮动的效果上较为一般。
分析师预期数据在及时性上更为优秀，我们尝试用一致预期的盈利数据，来构造盈利改善预期指标：一致预期EPS变化率：3M，一致预期ROE变化率：3M。
图表： 盈利改善预期类型指标行业截面收益预测能力统计
资料来源：万得资讯、中金公司研究部
注：计算区间为2010-02-01至2021-05-31
成长趋势
成长能力是投资者选股逻辑中非常重要的一环。在行业挑选的过程中，成长能力稳定或具有加速成长能力的行业未来景气度更具保障，对投资者更有吸引力。因此我们利用以下成长类指标来表征行业的成长延续性及边际变化：营收同比增速：差分，提纯净利增速，净利润增速：标准分，业绩趋势因子。
图表： 成长趋势类型指标行业截面收益预测能力统计
资料来源：万得资讯、中金公司研究部
注：计算区间为2010-02-01至2021-05-31
营运效率改善
行业营运效率的提高有利于行业未来盈利水平的提升，因此若行业的营运效率有明显边际改善，其股价往往也会有显著提升。我们利用以下指标刻画行业营运效率的改善程度：资产周转率：差分，现金周转率：差分，公司治理因子，产能利用率提升。
图表： 营运效率改善类型指标行业截面收益预测能力统计
资料来源：万得资讯、中金公司研究部
注：计算区间为2010-02-01至2021-05-31
财务杠杆利用
在个股因子的维度，财务杠杆的上升或下降本身属于较为中性的现象。一方面，对于本身财务杠杆不高的公司，财务杠杆上升表征公司更好地利用财务杠杆扩大业务规模，此时财务杠杆上升属于正向指标；另一方面，有些财务杠杆本身就不低的公司，财务杠杆继续上升更可能引发投资者对于其偿债能力及现金流的担忧，此时财务杠杆上升属于负向指标。
而上升到行业维度，如果观察到行业整体处于上杠杆的阶段，更大概率是由于背后需求景气度上行，从而推动行业上杠杆。因此，在行业截面维度，财务杠杆利用程度边际上升属于正向因子。我们通过以下指标表征行业的财务杠杆利用程度及效率：资产负债率：差分，举债成本：差分。
图表： 财务杠杆利用类型指标行业截面收益预测能力统计
资料来源：万得资讯、中金公司研究部
注：计算区间为2010-02-01至2021-05-31
机构情绪
机构投资者在研究能力及各项资源上，相比其它投资者更具优势。因而他们的观点、情绪往往更具有领先指导意义。我们分别从卖方跟买方两个角度刻画机构情绪。卖方机构情绪我们用卖方分析师报告覆盖数量：3M刻画，买方机构情绪我们用持仓机构个数：对数来表征。
图表： 机构情绪类型指标行业截面收益预测能力统计
资料来源：万得资讯、中金公司研究部
注：计算区间为2010-02-01至2021-05-31
资金情绪
资金维度主要反映某一特定群体投资者通过其交易资金流动体现的情绪。例如北上资金体现了海外投资者的观点与偏好，融资融券资金体现了杠杆投资者的观点及偏好。我们分别用以下两个指标分别刻画相应的资金情绪：北上资金增量：1M，融资买入成交占比：1M。
值得注意的是，融资买入成交占比指标是一个非常显著的负向指标，也就是说如果某个行业上一个月内融资买入额占总成交额的比值越大，未来一个月的收益越糟。其逻辑是由于很多杠杆投资者的融资买入行为是基于特定短期投资机会驱动的，因此其融资买入的股份大概率会在其后一段时期内抛售，对相应行业股价造成下挫压力。
图表： 资金情绪类型指标行业截面收益预测能力统计
资料来源：万得资讯、中金公司研究部
注：计算区间为2010-02-01至2021-05-31
量价技术
技术分析类的指标尝试从市场交易特征的角度抽取有预测能力的信息。我们在此纳入主流的量价类指标测试：价格动量：12M，波动率：1M，换手率：1M，股息率。
从统计结果来看，量价技术类的指标对于行业未来截面收益的预测能力偏弱。股息率差分与12个月动量尚能体现出较不稳定的预测效果；波动率与换手率则完全不能用来对行业截面信息进行预测。
图表： 量价技术类型指标行业截面收益预测能力统计
资料来源：万得资讯、中金公司研究部
注：计算区间为2010-02-01至2021-05-31
纯微观模型：轮动效果出众，稳定性稍显不足
从上一节的测试可以看出，量价技术类的指标效果不佳。因此，在仅考虑微观层面的信息构建轮动模型，我们推荐除去量价技术，仅利用盈利改善预期、成长趋势、营运效率改善、财务杠杆利用、资金情绪、机构情绪这六个维度的信息。简单的通过大类内部细分指标等权，大类指标间再等权的复合方式构建微观复合指标。该指标IC均值13.24%，ICIR为0.54，IC大于0比例为69.6%。
图表： 微观复合指标月度IC序列
资料来源：万得资讯，中金公司研究部
将得分最高的前20%行业等权构建多头组合、得分最低的后20%行业等权作为空头组合。2010 年2月至2021 年5 月期间，多头组合年化收益16.7%，夏普比率0.73，最大回撤50.3%，月均双边换手率56%。相对于全行业等权基准的超额年化收益9.3%，信息比率1.37，最大相对回撤10.5%，月度胜率62.2%。
纯微观信息下的行业模型凭借着多样化的有效信息，在提高了整体预期信息含量的同时，也降低了单个维度信息下的风险，整体轮动效果出众。但从净值曲线能够看出，仅凭借微观信息，在2014年2季度、2018年后半年、以及今年(2021年)2月底到5月这段时期，模型仍有较显著的回撤。这些阶段均是市场牛熊切换或者风格发生大幅转变的阶段，此时微观特征未必能及时转变。因此在后面的章节中，我们将从宏观及中观的角度尝试缓解或弥补微观模型的这一现象。
图表： 微观复合指标行业轮动效果统计
资料来源：万得资讯，中金公司研究部
注：计算区间为2010-02-01至2021-05-31，基准为全中信一级行业等权等基
图表： 微观复合指标行业轮动模型净值
资料来源：万得资讯，中金公司研究部
注：计算区间为2010-02-01至2021-05-31，基准为全中信一级行业等权等基
宏观：宏观环境影响微观特征有效性
在上一章节中，针对各个不同微观特征预测能力的有效性及有效程度测试，均是在不对外部宏观环境进行区分的所有样本下进行的。同时微观模型也未运用到任何宏观层面的信息。为了进一步提高行业轮动模型的效果，除了继续深挖微观层面其它角落的信息这一方式以外，一个天然的想法是从微观以外的层面补充性价比更高的增量信息。
在本章节中，我们将从宏观角度纳入信息，并将其与微观信息结合，进一步充实我们的行业轮动模型。宏观逻辑是很多投资者采用自上而下的投资方式时，最先考虑分析的问题。我们在尝试将宏观信息纳入行业轮动模型之前，必须要考虑的问题是，宏观信息在量化行业轮动模型中，该怎么使用？
站在投资者的角度，我们先梳理一下宏观信息的收益来源。或者通俗地讲，当我们从宏观角度获得投资收益的时候，我们到底赚的是哪部分钱。
由于对宏观经济及流动性等概念涉及的空间较为广阔，往往包含了整个国家层面上的经济活动与资金流动，因此刻画它们的数据往往需要较长时间的统计周期。也正是因为这个原因，我们能很容易了解历史上的宏观环境，但很难准确了解当下时刻的宏观环境。也就是说实际的宏观状态与宏观状态的数据往往在时间上有较大的不匹配性：例如1季度的GDP往往在二季度才能有确切数据。根据实际宏观状体与获得宏观数据在时间上错配的不同阶段，我们可以把宏观角度的收益来源划为三个部分：
正确预判当前宏观状态而获得的收益：很多宏观周期投资的逻辑十分清晰，但逻辑的两端对应的是当下的宏观周期与适配的投资标的。因此获取该类收益最关键的难点在于需在不能拿到滞后的宏观指标数据的情况下判断当下真实的宏观环境。如果真的正确判断了当下的宏观状态，那么以此做出的投资决策将会给出丰厚奖赏。由于这种判断往往更多是基于对当前政策行为的解读，自身对宏观环境各个不同要素的理解与演化推理，对市场如何理解当下信息及可能做出的反应的预判等方面做出。因此目前量化方法在这个领域很难展开，或者说并没有相对优势。
市场对信息反应不足或不充分情况下赚取的动量收益：随着时间推移，各个宏观数据接连发布，此时之前投资者博弈的预期不断被证实或证伪，市场也会相应做出反应。由于市场并非强有效，在出现对新纳入的宏观信息反应不足或不充分时，市场投资者可以在此时赚取信息动量的收益。
确定宏观数据下市场行为特征带来的收益：当站在宏观数据基本已经公布完全，市场对于前期的真实宏观状态基本均已知晓的情况下。通过研究市场上投资者在确定宏观数据下的行为特征，来赚取相应收益。由于此时客观的数据均已可得，量化研究此时发挥的空间较大。
在明晰宏观角度的收益来源与相应的量化研究在其上的发挥空间。我们将目标放在第三类收益上，也就是通过研究在市场上滞后的宏观数据被所有投资者知晓的情况下，市场将会体现出什么样的特征，更详细地说，就是市场在给定宏观环境下，会相应怎样对待不同的微观特征，以及相应的如何影响到行业轮动模型对该微观特征的利用方式。
宏观环境的刻画：经济增长和流动性
对于宏观环境的刻画，我们考虑两个最重要的方面。一个是经济增长周期，一个是金融环境周期。我们通过相关宏观经济数据分别构建了用以描述经济增长或衰退的宏观经济增长指数，与描述宏观流动性宽松或收紧的宏观流动性指数(具体的构建方式这里不过多展开，感兴趣的读者可参考文末附录部分)。
图表： 宏观经济增长指数走势
资料来源：万得资讯、中金公司研究部
图表： 宏观流动性指数走势
资料来源：万得资讯、中金公司研究部
宏观环境影响微观特征的逻辑机制
在不同宏观信息下，市场投资者对不同微观特征的敏感程度不同，我们测试不同宏观场景下，各微观特征对行业未来截面收益的预测能力，考察其历史回测结果是否与逻辑较为相符。
宏观经济增长：
针对各微观特征，我们分析其在不同宏观经济场景下有效性强弱的逻辑与实证结果：
盈利改善预期类特征：从实证效果上看，盈利改善预期类的两个细分指标均在宏观经济增长的时期预测能力更强。但考虑到主观逻辑上，市场投资者对盈利改善的关注程度与经济增长还是衰退关系不大，且实证数据上两种场景下IC均值并未有特别显著的差异，保守考虑下，我们不会按经济增长状态区分盈利改善预期类指标的使用方式。
成长趋势类特征：逻辑上，当经济环境较好的时候，高成长的企业与行业能有更大舞台发挥高成长的作用，从而使得成长趋势类特征会在经济增长阶段更为有效。但实证结果却并未验证这一逻辑，4个细分成长特征指标中，除了业绩趋势指标在经济增长环境下有效性更强，其余指标反而在经济衰退阶段更有效。考虑到逻辑与实证结果的抵触，我们同样不会按经济增长状态区分盈利改善预期类指标的使用方式。
营运效率改善类特征：与成长趋势类特征的逻辑相似，在经济环境向上时，营运效率改善所隐含的未来业绩提升的效果会更为放大。从实证结果上看，4个营运效率改善细分指标均在经济增长阶段有较强的预测能力，因此在使用该类指标时，我们考虑在经济增长阶段加大该类指标的权重，而在经济衰退阶段效应调小其话语权。
财务杠杆利用类特征：财务杠杆类型的两个细分指标在逻辑上稍有差异。资产负债率上升所体现的加杠杆在经济增长环境下更为安全，因此逻辑上可能在经济增长阶段更为有效，不过从实证数据来看，该逻辑并未得到验证；另一方面，举债成本变动体现的是行业上杠杆或者融资的容易程度，逻辑上这种特质在经济下行阶段更为重要，实证数据也验证了这一点。举债成本变动指标在经济衰退阶段的预测能力显著高于经济增长阶段。因此我们考虑在经济衰退阶段加大举债成本变动指标的权重，而在经济增长阶段相应调低其话语权。
机构情绪类特征：主观视角上，并没有很直观的逻辑表明机构情绪是会在经济上行还是下行的时候更有效。从实证角度来看，卖方情绪也的确并未展示出不同经济情景下有何不同；但买方情绪却明显在经济增长阶段更为有效，我们猜测其可能的原因在于经济衰退阶段时，买方机构中的一些成员会将重心从权益资产转移到其它资产，如债券等，因此持仓机构个数此时的表征意义相对会有所减弱。
资金情绪类特征：资金情绪类特征的两个细分指标，北上资金增量与融资买入成交占比逻辑上其有效程度与经济状态关系不大。虽然融资买入成交占比指标从实证数据上看，似乎在经济衰退阶段明显有效性更高，但考虑到资金类数据的样本量均较小，仅从2015年才有有效数据，保守起见，我们暂时不会按经济增长状态区分资金情绪类指标的使用方式。
量价技术类特征：大部分量价技术类指标虽然整体预测效果较差，但在区分不同宏观场景后却能显露出一定预测能力。股息率差分指标在经济上行阶段较为有效，可以考虑在经济上行时，赋予该指标一定权重；12个月动量指标作为量价技术类型中整体效果最好的细分指标，从实证数据来看，有效性在经济下行阶段更优秀，而在经济上行中稍弱一些；1个月波动率指标的有效性则非常依赖经济状态，在经济上行时波动率更高的行业表现更突出，而经济下行时波动率较低的行业更好，这个现象也较为符合我们的主观认知，因此波动率指标可以考虑基于经济的运行方向来设置正负权重；换手率指标的市值数据也体现出，在经济下行时低换手指标的预测能力非常突出，但在经济上行时毫无作用，可以考虑仅在经济下行期间，给予低换手率指标一定权重。
图表： 各微观特征在不同宏观经济状态下的IC均值
资料来源：万得资讯、中金公司研究部
注：计算区间为2010-02-01至2021-05-31
宏观流动性：
同样对于不同宏观经济场景下各微观特征有效性的逻辑与实证结果，我们有如下分析：
盈利改善预期类特征：盈利改善预期特征的有效性与宏观流动性的变化没有逻辑上的联系，从实证数据上看也没有显著差异，因此我们将不会按宏观流动性状态区分盈利改善预期类指标的权重设置。
成长趋势类特征：与盈利改善预期类特征的情况类似，逻辑上成长趋势类指标的有效性与流动性松紧关系不大。虽然实证数据显示成长趋势类指标均在流动性放松阶段效果更好，但由于数值差异并不突出，保守起见，我们也不会按宏观流动性状态区分成长趋势类指标的权重设置。
营运效率改善类特征：逻辑上，流动性越宽松的环境下，营运效率高企传导到未来盈利上升的确定性越强，因此该类型指标往往在流动性放松阶段的有效性强于流动性紧缩阶段。从实证结果来看，除了资产负债率变动指标对流动性环境不敏感以外，其它3个细分指标数据均验证了该逻辑。故我们对这三个指标的权重设置会考虑在流动性放松阶段加大，而在流动性紧缩阶段降低。
财务杠杆利用类特征：财务杠杆利用类型指标的有效性逻辑上与宏观流动性会有较高相关性。无论是加杠杆本身，还是融资能力，均是在流动性紧缩阶段更能直观地反映出不同行业的能力差异。实证数据也进一步验证了该逻辑，因此我们考虑在流动性紧缩阶段加大财务杠杆利用类型指标的权重，而在流动性放松阶段相应调低该类指标的话语权。
机构情绪类特征：机构情绪类指标有效性逻辑上与宏观流动性并无关联，实证数据上也显示该类指标在不同流动性场景下预测能力基本一样，故我们不会按宏观流动性状态对机构情绪类指标的权重进行调整。
资金情绪类特征：资金情绪类特征的两个细分指标在流动性角度上逻辑会有所差异，北上资金增量本质上是外来资金，因此逻辑上与本土流动性状态并无关联，其有效性也不应受国内流动性影响；而融资买入成交占比所涉及的资金为国内资金，因此其有效性可能会受流动性状态影响，从实证数据来看，融资买入成交占比指标在流动性放松阶段有效性更强。
量价技术类特征：量价技术类指标在不同流动性场景下呈现出显著的预测能力差异。12月动量指标基本对流动性状态不敏感；而股息率变动在流动性放松阶段更为有效，但在流动性紧缩时期预测效果较弱；同样在流动性放松阶段，高波动的行业表现更为优秀，但在流动性紧缩时波动率指标完全失效；低换手率指标则是仅在流动性紧缩时呈现一定预测能力。基于上述分析，我们考虑根据相应的宏观流动性状态，阶段性地给予股息率变动、波动率、以及换手率指标一定权重。
图表： 各微观特征在不同宏观流动性状态下的IC均值
资料来源：万得资讯、中金公司研究部
注：计算区间为2010-02-01至2021-05-31
宏观+微观模型：轮动效果进一步提升
在纯微观模型中，我们实际上是采用了最简单的等权方式在全样本上对各微观特征进行配权。在我们从逻辑与实证角度分析了各微观特征在不同宏观场景下的有效性异同后，可以利用这些结论，对原来的微观模型进行拓展。基于宏观场景动态地对不同的微观特征指标进行配权，从而更有效地利用宏观与微观信息。
对于任意微观特征细分指标，其在任意时刻的指标权重计算方式如下：
1。 确定指标的基础权重：每个指标的基础权重较为固定，由所在大类特征内部的细分指标个数决定。如成长趋势大类指标内有4个细分指标，则每个成长趋势类细分指标的基础权重均为0.25。
2。 基于当前时刻的宏观指数确定所对应的配权乘数：我们对每个微观特征都设置的不同宏观场景(经济上行、经济下行、流动性上行、流动性下行)的配权乘数，根据当前时点宏观经济增长指数与宏观流动性指数的月度变化，判断宏观经济及流动性数据属于上行还是下行，从而进一步确定对应的配权乘数；
3。 计算调整后的权重：计算方式如下，
调整后权重 = 基础权重 ×(经济增长配权乘数+流动性配权乘数)
为了方便更直观地理解上述计算流程，我们以持仓机构个数：对数指标为例：首先该指标所在机构情绪大类共有2个细分指标，因此持仓机构个数指标的基础权重是1/2=0.5，如果这个月宏观经济增长指数月度变化为正，那么从下方配权调整表，我们可以确定经济增长配权乘数未0.75；同样的方式可以基于宏观流动性指数月度变化与下方配权调整表确定流动性配权乘数，不妨假设是流动性上行，则配权乘数为0.5；那么最终持仓机构个数指标在这个月的最终权重即为：0.5 ×(0.75+0.5)=0.625，也就是说相比原始权重，该指标在该月的宏观数据场景下稍微上调了其权重。
图表： 各微观特征不同宏观状态配权调整表
资料来源：中金公司研究部
上述配权调整表的数值设置主要参考我们在上一小节的分析与实证结果中不同宏观场景下指标IC值的差异性。整体上，我们对于近乎一半的细分指标，包括所有盈利改善预期类及成长趋势类指标，给它们的所有场景配权乘数都设为0.5，也就是实际上对于这些指标，它们的权重永远是固定的。而对于量价技术类指标，它们在不同宏观场景下的配权乘数则会有较大差异。
通过对所有细分指标值与调整后权重的乘积进行加总，得到微观+宏观模型的复合指标值。该指标IC均值14.90%，ICIR为0.59，IC大于0比例为68.9%。整体预测能力相比纯微观指标有明显提升。
图表： 微观+宏观复合指标月度IC序列
资料来源：万得资讯、中金公司研究部
按照微观+宏观综合得分大小排序，将得分最高的前20%行业等权构建多头组合、得分最低的后20%行业等权作为空头组合。2010 年2 月至2021 年5 月期间，多头组合年化收益18.0%，夏普比率0.78，最大回撤48.8%，月均双边换手率58%。相对于全行业等权基准的超额年化收益10.6%，信息比率1.50，最大相对回撤10.6%，月度胜率64.4%。
相比于纯微观模型，在融入宏观情景的信息后，整体轮动效果受益于新增量价信息的有效利用与不同时期各微观特征权重的动态调整，有了进一步提升。多空组合年化收益率上升近4ppt，超额净值的年化收益率上升幅度也超过1ppt。同时多空组合与超额净值的夏普比率与月度胜率也有明显提升。
从模型失效的角度，加入宏观信息后的确能够在一定程度上缓解微观模型在一些时期的失效程度。例如2014年2季度的相对回撤由纯微观模型的9.1%下降到现在的7.0%；2018年后半年的相对回撤由之前的8.5%下降到6.4%；但今年(2021年)2月底到5月这段时期的失效，宏观模型仍未带来改善，相对回撤幅度仍然在10.5%左右。
图表： 微观+宏观复合指标行业轮动效果统计
资料来源：万得资讯、中金公司研究部
注：计算区间为2010-02-01至2021-05-31，基准为全中信一级行业等权等基
图表： 微观+宏观行业轮动模型净值
资料来源：万得资讯、中金公司研究部
注：计算区间为2010-02-01至2021-05-31，基准为全中信一级行业等权等基
中观：灵活运用行业景气度观点
中观景气度的刻画：周期性行业相对可行
在上述微观与宏观数据的运用过程中，并没有显著针对行业逻辑或行业商业特征进行区分，而是站在一个较为整体的角度去探索不同数据的用法。而不同行业由于商业模式存在差异，因此行业中观景气度往往要利用各自不同的中观数据来刻画。
从商业模式的数据上来说，周期性行业与消费类行业相对较为直观。我们在近期发布的报告《基本面量化系列(5)：如何量化跟踪周期性行业景气度》中以实现行业盈利预测为研究目标，结合行业逻辑与相关性分析，对周期性行业进行了行业景气度指标的构建。
通过运用各类原材料价格、产量、运输成本、销量等行业中观数据，构建的包括石油石化、煤炭、有色、钢铁等周期行业的景气度指标，均能有效预测未来对应行业的盈利变化情况。对相关内容感兴趣的读者可以参考文末附录及报告《基本面量化系列(5)：如何量化跟踪周期性行业景气度》。
灵活运用行业中观景气度
虽然我们目前已有部分行业的景气度指标，但将它运用到行业轮动体系里仍有一些难点需要克服。
第一个方面是中观景气度虽然的确能很好地反映行业未来的整体盈利情况与景气程度，但高景气未必一定对应着股价上涨。行业指数的涨跌受多方面影响，除了行业的盈利及景气变化，还包括交易层面的预期与宏观方面的影响。
图表： 行业指数收益的影响因素
资料来源：中金公司研究部
第二个方面是，不同行业的景气度直接未必可比。由于每个行业的景气度更多关心的是自身时间序列上的景气程度，行业A景气度指标值与行业B景气度指标值对应的并不是同一个概念。并不能说行业A景气度指标值大于行业B景气度指标值，就说明行业A比行业B更景气。
第三个方面是，目前的体系下，我们仅有部分周期类行业有中观景气度得分数据，还有大部分行业并没有中观景气度数据，甚至不能保障以后每个行业的景气度一定能补全。因此在不能保障每个行业都有数据的情况，如果将中观景气度数据融入到行业轮动体系又不影响整体的稳定性也是需要解决的难点。
为了能够解决上述三个方面的问题，我们分别进行了以下操作：
1。 针对行业景气度与行业指数收益未必对应的问题，我们通过测试筛选出其指数收益一定程度上受行业景气程度或者盈利水平影响较大的行业。
2。 针对行业景气度之间不可比的问题，我们在行业轮动体系中仅考虑行业景气的极端情况，即对任意行业的景气度得分，我们会将其划分为三种状态，景气得分处于可达到的最高值时的极端景气，景气得分处于可达到的最低值时的极端不景气，以及其它时候的中间水平景气。所有极端景气均标1，中间水平景气标0，极端不景气标-1。通过得分状态化来避免不同行业景气度得分之间的比较。
3。 针对部分行业景气度信息融入已有行业轮动体系的问题，我们采用原得分(微观+宏观复合得分)在截面上的标准差作为中观得分的量级，将截面标准差与中观景气状态(1,0或-1)相乘后与原得分相加，构成了我们最终的复合指标得分。
宏观+中观+微观模型：轮动稳定性更上层楼
通过上述的方法将行业中观景气度信息加入到微观+宏观模型中，得到最终宏观+中观+微观模型的复合指标值。该指标IC均值15.34%，ICIR为0.61，IC大于0比例为73.3%。整体预测能力与稳定性相比微观+宏观模型更上层楼。
图表： 最终复合指标月度IC序列
资料来源：万得资讯、中金公司研究部
按照最终的行业综合得分大小排序，将得分最高的前20%行业等权构建多头组合、得分最低的后20%行业等权作为空头组合。2010 年2 月至2021 年5 月期间，多头组合年化收益21.4%，夏普比率0.89，最大回撤47.4%，月均双边换手率57%。相对于全行业等权基准的超额年化收益13.8%，信息比率1.89，最大相对回撤8.7%，月度胜率68.1%。
图表： 最终行业轮动模型净值
资料来源：万得资讯、中金公司研究部
注：计算区间为2010-02-01至2021-05-31，基准为全中信一级行业等权等基
图表： 最终复合指标行业轮动效果统计
资料来源：万得资讯、中金公司研究部
注：计算区间为2010-02-01至2021-05-31，基准为全中信一级行业等权等基
分年度的表现，轮动模型在2010年到2021年共12个自然年度里均能跑赢行业等权基准。其中在2011年、2017年与2020年的轮动表现最佳，信息比率均在3以上；2014年的轮动效果较差，相对收益仅不到1%。而相对最大回撤发生在2015年，达8.7%，其余年份的相对最大回撤基本均控制在6%以内。2021年前5个月模型稳定性偏弱，年化跟踪误差超过10%。
图表： 最终行业轮动模型逐年表现统计数据
资料来源：万得资讯、中金公司研究部
注：2010年计算样本始自2010-02-01,2021年计算样本截至2021-05-31，基准为全中信一级行业等权基准
行业轮动模型整体表现随着纳入的信息由纯微观特征，到加入宏观数据情景，再到加入中观景气度逐步提高。行业组合的年化收益从最初的16.7%，上升至21.4%；相对年化收益由9.3%升至13.8%；信息比率由最初的1.37上升至1.89；相对最大回撤则由之前的10.5%下降到8.7%；月度胜率也由62.2%升值68.1%。无论是收益大小还是风险控制均有显著提升。
从模型失效的角度，结合了宏观、中观、微观3个维度信息的模型在稳定性上大幅提升。例如2014年2季度的相对回撤由最初纯微观模型的9.1%下降到现在的5.0%；2018年后半年的相对回撤由之前的8.5%下降到5.4%；但今年(2021年)2月底到5月这段时期的相对回撤由之前的10.5%左右下降到现在的5.3%。
图表： 多种行业轮动模型效果对比
资料来源：万得资讯、中金公司研究部
注：计算区间为2010-02-01至2021-05-31，基准为全中信一级行业等权等基
总结 & 最新观点
总结
本文主要探讨了行业轮动体系下对于微观、微观、中观三个不同维度的信息的利用方式，并构建相应行业轮动模型。结论如下：
更多维度的微观特征：
从主流逻辑认知入手，从盈利、成长、营运效率、财务杠杆、机构情绪、资金情绪、量价技术这七大类型特征中寻找更多能够有效预测行业未来截面收益的细分指标，拓展微观特征的宽度与信息源。
构建纯微观行业轮动复合指标，IC均值13.24%，ICIR为0.54，IC大于0比例为69.6%。相应行业轮动组合年化收益16.7%，相对于全行业等权基准的超额年化收益9.3%，信息比率1.37，最大相对回撤10.5%，月度胜率62.2%。
宏观数据场景的应用：
从真实宏观状态与宏观数据在时间上的错配角度，分析不同的宏观收益来源，并以此提出量化行业轮动体系对于宏观数据场景的应用方式。
通过构建宏观经济增长指数与宏观流动性指数，刻画宏观环境变换。并从逻辑与实证两个角度分析市场在给定宏观环境下，会相应怎样对待不同的微观特征，以及相应的如何影响到行业轮动模型对该微观特征的利用方式。
通过基于宏观场景对不同微观特征进行配权的方式，将宏观信息融入纯微观体系，构建的宏观-微观轮动复合指标IC均值14.90%，ICIR为0.59，IC大于0比例为68.9%。相应行业轮动组合年化收益18.0%，相对于全行业等权基准的超额年化收益10.6%，信息比率1.50，最大相对回撤10.6%，月度胜率64.4%。
灵活运用中观景气度信息：
分析师行为数据具有更为前瞻性的行业预测能力。分析师一致预期EPS的上调，以及分析师群体的高关注热度，均能一定程度表征行业的高景气度。一致预期EPS变化率指标具有高达8.2%的IC均值与0.42的ICIR。分析师行为类型指标特征为预测能力强，换手率尚可。两个细分指标IC均值均在7%以上，换手率整体在双边60%到70%左右。
最新观点：6月看好钢铁、消费者服务、石油石化、基础化工、汽车、家电
根据5月底的模型得分，我们对行业的最新观点如下：
6月看好行业：钢铁、消费者服务、石油石化、基础化工、汽车、家电。
6月低配行业：综合金融、房地产、非银行金融、电力及公用事业、建筑、农林牧渔。
整体上从行业属性来看，模型对于可选消费及周期板块较为看好，而对于金融地产板块的观点较为悲观。
风险提示：本篇报告中的测试结果均基于模型与历史数据。历史数据存在不被重复验证的可能，模型存在过拟合的风险。本报告不对模型样本外的轮动收益表现作任何保证。
（文章来源：中金公司）
(责任编辑：DF010)
郑重声明：东方财富网发布此信息的目的在于传播更多信息，与本站立场无关。【免责声明】本文仅代表作者本人观点，与本站无关。本站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。
热门头条：
[财经]习近平：靠创新实现更好发展
[股票]三大活水将持续为A股市场“充值”
[基金]深圳：推出深市股票股指期货
[全球]本周启动！美国25州提前结束发放救济金
[美股]通胀阴云笼罩难撼美联储立场
[港股]新茶饮凭啥打动“Z世代”消费者
[期货]新纪元期货暂停经纪业务新开户
[黄金]专家：黄金或将狂飙至2万美元
[外汇]中国5月外储重回3.2万亿美元
[新股]奈雪的茶打上市第一枪：新式茶饮狂奔
