国盛量化 | 行业配置模型的顶端优化

（以下内容从国盛证券《国盛量化 | 行业配置模型的顶端优化》研报附件原文摘录）
　　文：国盛金融工程团队 联系人：刘富兵/段伟良/杨晔 报告探讨的问题 模型回顾：行业景气模型的样本外表现喜忧参半。行业景气模型样本外跟踪以来，行业轮动模型多头年化收益16.4%，超额年化15.6%，表现较为优异，但也创造了历史最大回撤，达到-11.9%。考虑到我们行业配置体系中风险预警模块的缺失，本篇报告着重于讨论行业情绪预警指数的构建以及行业配置模型的顶端优化。 指标构建：行业情绪预警指数构建与应用。参考海内外情绪指标的构建思路，我们搭建了行业情绪指标库，并利用合成指数的思路构建了行业情绪预警指数，用于观测市场尾部风险。经测试，该指标可以有效识别当前情绪过热的强势行业，能降低约3%的回撤，并且可以规避一些大幅回撤的极端情况。 应用效果：行业配置的两个方案和顶端优化。 1）行业景气模型的顶端优化：规避高拥挤。景气度为核心，进攻性强，需要拥挤度提示风险来保护。我们根据行业情绪指数对行业景气模型进行顶端优化，剔除多头中的高拥挤行业，并在策略可能失效时分散持仓降低风险偏好。 2) 行业趋势模型的顶端优化：规避低景气。顺着市场趋势走，思路简单易复制，持有体验感强。我们根据景气度对行业趋势模型进行顶端优化，剔除多头中的低景气行业，并在策略可能失效时分散持仓降低风险偏好。 3）行业配置体系的多模型思维。简单将指标复合并不能提升策略收益，反而可能陷入“高景气-好趋势-低拥挤”的不可能三角！行业景气模型和趋势模型入场时机、收益来源等有一定差异，此时应具备多模型思维：简单并行是不错的选择。简单并行后多头年化超额18.4%，信息比率1.90，超额最大回撤仅-3.5%，月度胜率达到75%。可见并行并没有侵蚀两者的收益，反而提高了稳定性，起到了1+1>2的效果。叠加PB-ROE选股后，策略年化超额超过20%，信息比率达到2.20。 最新行业配置主线：1）受益于通胀的上游周期、新旧能源；2）受益于稳增长的金融；3）受益于疫情扭转的消费。 风险提示：模型根据历史数据构建，未来存在失效可能。 一、模型回顾：行业景气模型的跟踪与思考 1.1 行业景气模型的样本外跟踪：喜优参半 在中观行业配置系列的第一篇报告中，我们参考PMI指数的编制思路提出了一种衡量行业景气度的新方法 ：利用分析师预期数据，定期统计上调盈利预测的机构占比，根据扩散指数方法编制分析师景气指数，用于及时跟踪宽基指数、风格和行业的景气度。然后我们将景气度和趋势指标进行复合打分，希望找到基本面改善，趋势共振的行业，计算公式如下： 模型年化超额12.7%，信息比率1.30。自样本外跟踪以来，模型绝对收益率13.8%，超额收益率18.4%，表现较为优异。但我们也注意到，模型自去年9月至今年1月，超额回撤达到-11.9%，创造了历史最大回撤幅度。所谓涨跌同源，上涨和下跌往往背后的逻辑往往是一致的，我们在追逐高景气行业的同时，也可能会遭受行业景气不及预期或者市场交易反应过度等原因造成的亏损。 考虑到传统行业轮动偏离基准较大的问题，我们使用组合优化方法构建了更为稳健的行业景气模型。自样本外跟踪以来，模型绝对收益率5.6%，超额收益率8.8%，最大回撤-5.7%。尽管使用组合优化控制了相对回撤，但超额表现也变得略显平庸，正所谓有得必有失。 1.2、行业配置框架的系统化思考 在我们与客户路演交流和复盘的过程中，深深体会到了研究与投资之间的距离，众多的投资管理人也为我们提供了有价值的想法和建议。借此机会，我们整理了目前模型遇到了一些问题以及我们的思考： 1）模型没有风险预警模块：没有将拥挤度相关指标纳入行业配置模型，造成的结果模型进攻性强，容易买到一些交易过热的行业； 2）模型没有考虑估值指标：没有将估值指标纳入行业配置模型，导致市场在出现风格切换，比如不追逐高景气，反过来追逐低估值时候容易表现不佳； 3）如何与现有的模型进行融合？我们之前有趋势-拥挤度的行业轮动模型，更有很多行业专门的基本面量化报告，如何有效地将多模型进行结合？ 4） …… 正如我们前期报告《资产配置的研究路线思考：从量化走向系统化》所述，现在的量化研究不再是传统的简单指标回测，而是一个搭建系统化投研体系的过程。这可能就是一个不断挖坑然后填坑的过程，我们唯一能做的就是日拱一卒努力把系统搭建好！这里我们整合了一下现有的研究框架与成果，构建了行业配置体系图谱，希望能够后面系列报告中，将框架空缺部分一一完善，以飨读者。 因此，本篇报告主要解决两个问题： 1）在现有拥挤度指标的基础上，探讨一下行业风险预警模块的研究，希望尽可能规避一些交易过热的行业，做一下行业配置模型的顶端优化； 2）对现有的两个行业轮动模型的优缺点进行分析和讨论，尽可能最大化使用好两套方案，并最终结合两个方案综合性给出行业配置建议。 二、指标构建：行业风险预警模块初探 2.1、行业情绪预警指数：市场温度计 市场情绪指标，主要是用来感知市场的交易情绪是否过热，是股票市场的温度计，与拥挤度属于同一个范畴。一般而言，资产价格在基本面改善预期下，形成上涨的趋势后，会加快资金的涌入，这时候容易发生交易过于拥挤的情况。而市场过度拥挤的时候，往往是资产价格上涨的尾声，正所谓水能载舟亦能覆舟。因此，我们更倾向于不参与拥挤交易，人多的地方不要去，把市场情绪指标作为一个左侧的退场信号。 其实无论是学术界还是业界，投资者情绪的研究在海内外都已经非常热门，我们这里整理了部分海内外学者们对投资者情绪的研究成果，见下表。 根据上表整理的情况，直接情绪指数主要是根据投资者的问卷调查，目前在国内较难实现；间接情绪指数主要通过市场交易数据和公司行为数据，具备较高的可行性。此外我们这里更加关心的是细分行业的市场情绪。因此间接情绪指数的方法更加适用，我们这里整理了一些市场行为的相关指标库，如下表。 然后，我们参考我们之前报告《行业轮动的三个标尺》中拥挤度指标的构建方法，根据细分行业个股的市场交易行为，自下而上的构建情绪指标。一般而言，指数的编制思路无非三种：扩散指数、合成指数和主成分分析法。因为行业情绪触发到极端位置才有参考价值，所以不适宜采用扩散指数，主成分分析法存在参数不稳定的情况，因此我们这里采用合成指数。整个指标构建流程化如下： 1）个股映射到行业：提取行业的所有成分股，剔除上市不满一年、ST、涨跌停等不满足交易条件的股票，等权平均剩下成分股过去3个月的情绪指标（换手率、波动率、beta等），作为行业整体的情绪指标； 2）行业相对值计算：对行业情绪指标进行时序上的平滑处理，然后计算其与全部行业平均值的比例； 3）时序标准化处理：根据过去6年的滚动窗口，将行业情绪指标进行zscore处理，这一步的目的是为了不同行业之间的情绪指标具有可比性； 4）截面等权合成：采用合成指数的思路，对选取的行业情绪指标的zscore进行算数平均处理，作为该行业最终的情绪指标； 经过测试，我们对原有指标进行了一定的扩展，提升了预警效果的稳定性，选取的指标包括：过去三个月换手率、（时序/Barra）波动率、beta值，指标具体的计算方法如下表。考虑到Barra波动率使用过去1年窗口计算，这里在波动率内部采取的权重为时间倒序加权，时序为0.8，Barra为0.2。 2.2、行业情绪预警指数的有效性检验 本小节我们对行业情绪预警指数进行有效性检验。我们设计行业情绪预警指数的初衷是尽可能地规避未来可能会下跌的行业，因此我们的检验方法包括：横截面IC值检验，时间序列信号出现后的行业表现。 2.2.1、横截面：IC值检验 这里我们分别统计了三大类指标及合成指标的IC值、中位数及胜率等，发现在全样本下，IC均值并无明显规律，IC中位数为-0.014，且胜率不高。那是不是意味着行业情绪指标失效了呢？其实不然，我们设计情绪指标的初衷是尽可能规避掉前期上涨导致市场情绪过热的行业。值得注意的是，这里面有个先决条件是前期上涨较多的行业。众所周知，在行业基本面改善趋势形成的时候，往往市场情绪也会高涨，这时候市场情绪对资产价格起到了正向的推动作用。因此，直接观察情绪指标与下一期行业收益的相关性不是很科学。 这里我们设计了一个指标：行业趋势与行业情绪的相关性。理论上，当两者相关性高的时候，代表当前趋势较好的行业可能存在情绪过热的情况，行业后续可能上涨动能不足。我们对这个指标做了扩展窗口的分位数处理，发现当相关性较高（大于80/90%）的时候，IC值明显为负，并且胜率较高。这意味着当前期热门行业存在情绪过热的时候，这些行业需要规避，情绪指标的有效性得到了较大的提升！ 这让我们更深刻地理解了行业情绪指标存在的价值。它可能无法直接给出不看好的行业，它能够帮我们规避掉后续可能大幅回撤的热门行业。这解释了为什么趋势拥挤度策略能够跑赢简单趋势策略。如下图，简单的行业趋势策略年化6.5%，但最大回撤达到-17.4%，但是趋势+拥挤度策略的年化超额达到11.6%，最大回撤仅-6.2%。 2.2.2、时间序列：信号出现后的行业表现 这里，我们也从时间序列上探讨了行业情绪指标的有效性，主要观察其信号出现后行业的超额收益和最大回撤的幅度。这里我们定义情绪指标大于1/2倍标准差为该行业情绪过热，其中return_m_stdn代表情绪指标大于n倍标准差后m个月该行业的超额收益，drawdown_m_stdn代表绪指标大于n倍标准差后m个月该行业的超额最大回撤，空值代表该行业在历史上未出现大于2倍标准差的情况。 首先，超额收益的统计结果如下图所示。平均来看，行业情绪过热信号出现后平均超额收益为负，情绪指标超过2倍标准差后的三个月的平均超额收益为-4%。行业层面，情绪指标在消费、金融和稳定板块效果较好，成长和周期板块提示效果一般。 其次，最大回撤的统计结果如下图所示。平均来看，行业情绪过热信号出现后的超额收益最大回撤基本超过历史平均，情绪指标超过2倍标准差后的三个月的平均最大回撤为-11%，全样本平均为-8%。行业层面，情绪指标在大部分行业回撤的提示效果都还不错。 我们也展示了全部行业情绪指标和后3个月超额收益最大回撤的散点图，如果用情绪指标超过1倍标准差定义为情绪过热，可以看到历史上行业未来一/三个月出现较大最大回撤的样本里，有70%出现在该行业情绪过热后。也就是说，行业情绪指标可以帮我们尽可能规避一些行业的大幅回撤，风险提示效果还不错。 三、应用效果：行业配置的两个方案及顶端优化 下面我们主要介绍现有行业指标的应用：行业配置的两个方案及顶端优化。首先，我们对行业景气模型进行了顶端优化，主要为了规避高拥挤的行业；其次，我们对趋势-拥挤度模型也做了顶端优化，主要为了规避低景气的行业；最后，我们对行业配置体系做了一定的思考：两类模型的收益来源是什么？如何实现1+1>2的融合效果？ 3.1、行业景气模型的顶端优化：规避高拥挤 首先，我们对原有行业景气模型所用到的指标进行了一定的扩充。这里我们修正后的模型所用指标简单介绍如下，主要增加的指标有如下三类： 1）分析师景气度层面：在原有分析师景气指数及其zscore的基础上，我们计算了行业ROE_FTTM预测值的机构加权平均，并在过去一年做标准化处理，使得不同行业之间可比。这样我们的景气度既能反映行业ROE方向的预测，也能反映ROE值上调的幅度； 2）历史景气度层面：考虑了单季度ROE（考虑业绩快报与预告），单季度净利润增速和单季度营收增速层面的信息，具体做法是对行业财务数据做一定平滑后取环比，然后等权打分； 3）拥挤度层面：采用第二章的行业情绪预警指数，不做过多赘述。 一开始我们的做法比较传统，将这些指标等权打分来选取景气高、趋势好和拥挤低的行业，但我们发现这样做复合打分反而会降低原始景气度趋势指标复合的效果。其实我们认为市场定价还是比较准确的，想要同时获得景气高、趋势好和拥挤低的行业比较困难，其实我们想要的可能是景气高、趋势好和交易不那么拥挤的行业。具体而言，基于“高景气+强趋势”的行业景气模型细节如下： 1）多头筛选：月底根据景气度(历史+分析师)、趋势选前五的行业，作为行业底仓； 2）拥挤度剔除：行业底仓中剔除拥挤度在前1/4的行业，剩下的行业等权配置； 3）值得注意的是，如果剩下不足3个行业，则说明高景气行业大多数交易比较拥挤。我们建议采取保守策略：将拥挤度前1/4的行业剔除，在剩下的行业（约20个）中根据景气度趋势复合指标选取前n个行业（n根据风险偏好决定，此处n=7）。 这样做的好处在于，既保留了原始策略能够选取高景气行业的优点，又融入了行业交易层面的信息。只要该信息能够尽可能提示交易风险，就会进一步提升模型的收益，因此我们将这一修正称为行业景气模型的顶端优化。修正后策略在原有景气度趋势策略的基础上得到进一步的增强，策略多头年化26.2%，基准年化9.4%，策略年化超额16.1%，信息比率1.62，超额最大回撤为-4.0%，增强效果明显。 此外，我们也测试了该策略对n的参数敏感性。这里我们对比了n=3,5,7,9四种情况下，策略的年化超额收益，发现对参数敏感度一般，年化超额收益在15%到17%之间，超额最大回撤在-4%到-7%(n=3)之间。也就是说，在行业高景气&低拥挤难以取舍的市场环境下，取前1/3不怎么拥挤的行业等权配置，持仓尽可能分散，可以取得比较稳定的超额收益。 考虑到实际投资中比较基准不是行业等权，并且为了有效控制行业模型的换手率和持仓集中度，我们也对上述模型做了组合优化。具体而言，我们设定需要优化的变量为行业配置策略的行业权重，目标函数为组合预期收益，限制条件包括： 1）跟踪误差：控制年化跟踪误差小于m； 2）行业偏离：行业偏离基准小于n； 3）权重上下限：控制权重上限为x，仓位满仓； 4）拥挤度预警：拥挤度前1/4的行业相比于基准的权重低配50%以上。 然后，我们每个月底以滚动的方式，利用过去252个交易日行业指数相对基准的超额收益率计算协方差矩阵，乘以权重作为未来跟踪误差的预测。这里的基准是winda，通过个股流通市值加权得到。组合优化的目标函数和约束的公式如下： 具体跟踪误差和行业偏离参数的设置跟我们的风险偏好有关。如3.1所述，前面行业轮动模型在剔除高拥挤度后，如果小于3个行业则意味着行业景气打分可能陷入高景气-好趋势-低拥挤的不可能三角。我们这里采取类似的思路： 1）在每个月底，根据景气度趋势复合指标选取前五行业作为底仓，定义拥挤度前1/4为高拥挤度，将高拥挤行业剔除； 2）若行业底池数量>=3，则意味着高景气的行业没那么拥挤，尽可能调高风险偏好：设置年化跟踪误差m=0.2，行业偏离基准n=0.3，权重上限x为0.35； 3）若行业底池数量<3，则意味着高景气的行业比较拥挤，尽可能降低风险偏好：设置年化跟踪误差m=0.1，行业偏离基准n=0.1，权重上限x为0.25； 经测试，策略多头年化27.1%，超额年化18.7%，信息比率1.84，超额最大回撤-5.8%，换手单边年化5.5倍，月度胜率68%。近期来看，行业配置底池数量维持在7-8个左右，在市场波动较大的情况下持仓比较分散，回撤也得到了良好的控制。 3.2、行业趋势模型的顶端优化：规避低景气 在第二章，我们利用市场交易信息构建了行业的情绪指数，发现可以规避前期趋势好但是情绪过热的行业，能够有效降低行业动量策略的回撤。早在前期报告《行业轮动的三个标尺》中，我们就基于简单的趋势-拥挤度指标在行业轮动上取得还不错的效果，年化超额11%，回撤仅-6%。 但上述模型的缺陷在于没有充分考虑基本面层面的信息，如果持有的行业仅是短期炒作形成的好趋势和低拥挤，那么没有基本面的支撑估值终究会向下回撤。为了进一步丰富我们的量化行业配置体系，我们也简单讨论一下如何对行业趋势模型做顶端优化，思路也很简单，就是规避低景气行业。具体而言，我们的思路如下： 1）在每个调仓的时点，根据趋势-拥挤度打分选取前五的行业作为行业底池； 2）再根据景气度指标（历史、分析师）对行业进行排名，选取后1/4的行业作为基本面较差的行业池子； 3）在初筛行业池子中剔除基本面较差的行业，对剩下的行业进行等权配置。若行业不足3个则根据趋势-拥挤度的综合信号补齐； 修正后策略在原有基础上得到进一步的增强，策略多头年化26.7%，基准年化10.4%，策略年化超额15.2%，信息比率1.56，超额最大回撤为-5.6%。原趋势拥挤度策略年化超额11.6%，信息比率1.25，超额最大回撤为-6.2%，增强效果明显。 1）跟踪误差：控制年化跟踪误差小于m； 2）行业偏离：行业偏离基准小于n； 3）权重上下限：控制权重上限为x，仓位满仓； 4）景气度预警：景气度（历史+分析师）后1/3的行业模型低配50%以上。 与3.1类似，趋势拥挤度前五行业剔除低景气度后，如果小于3个意味着行业趋势打分可能陷入强趋势-低拥挤-高景气的不可能三角。我们这里采取类似的思路： 1）在每个月底，根据趋势拥挤度复合指标选取前五行业作为底仓，定义景气度后1/4为低景气，将这些行业剔除； 2）若行业底池数量>=3，则意味着趋势好的行业景气度还可以，尽可能调高风险偏好：设置年化跟踪误差m=0.2，行业偏离基准n=0.25，权重上限x为0.35； 3）若行业底池数量<3，则意味着趋势好的行业景气度比较差，尽可能降低风险偏好：设置年化跟踪误差m=0.1，行业偏离基准n=0.15，权重上限x为0.25； 经测试，组合优化后策略多头年化26.1%，超额年化17.8%，信息比率1.59，超额最大回撤-5.3%，换手单边年化5.2倍，月度胜率64%，策略表现还不错。 3.3、行业配置体系的系统化思考：具备多模型思维 那我们应该如何利用这两个模型使其效用最大化呢？其实海外名人给了我们答案，著名投资人查理·芒格和《模型思维》的作者斯科特·佩奇都对多模型思维推崇之至。本节我们将介绍行业配置体系走向系统化的思考：我们必须具备多模型思维！ “要想成为一个有智慧的人，你必须拥有多个模型。” ——查理·芒格 首先抛出一个问题：无论行业景气还是行业趋势模型，其实都用到了景气度、趋势和拥挤度三方面的信息，那为啥不直接构建一个综合的模型，选出高景气、好趋势和低拥挤的行业呢？其实这个笔者有做过尝试，比如根据三大类指标等权打分形成复合指标来选择行业，但发现反而不如两两复合的效果。这引起了我们的思考：为啥三个大类因子复合后反而丢失了因子本身具备的alpha？那退而求其次，我们应该怎样将两个模型融合，实现1+1>2的效果呢？ 其实背后可能的原因就是我们在前面组合优化处提到的不可能三角：我们认为，很难长期存在高景气，好趋势和低拥挤的行业，如果强行复合可能会陷入高景气-好趋势-低拥挤的行业不可能三角。根据我们复盘发现，强行复合三个维度容易选到一些比较平庸的行业，比如景气度趋势拥挤度排名都在10名左右，但是综合排名较高，这样模型就容易丢掉其原始的信息。 下面我们从主要参与者、禀赋约束、进场时机、收益来源与空间的角度做了一下对比，供大家参考。总结来看，行业景气模型进场时机偏左，会在估值层面亏一小部分钱，但是赔率较高，收益空间也相应更大，以时间换空间，更像是“以我为主”的市场定价者；行业趋势模型进场时机偏右，出现趋势性机会后才开始布局，胜率较高，持有体验更佳，更像是“以他为主”的市场跟随者。 不仅如此，这两个模型在逻辑和统计上存在一定的互补作用。逻辑上看，行业趋势模型失效的逻辑在于市场基于政策/基本面进行风格切换，而此时行业景气模型可以一定程度上把握住这类机会，比如4月底推荐了汽车和新能源的配置机会，因此可以起到互补作用；统计上看，我们计算了两个模型横截面打分的相关性，时序上均值仅为22%，有时候会负相关，这为后面的多策略并行提供了基础。 那我们该如何更好利用这两个模型呢？其实策略简单并行就是一个很不错的方案：两策略各分配50%权重同时运行，月度再平衡，最后将两者仓位合并作为策略最终收益。简单并行后策略多头年化26.7%，超额年化18.4%，信息比率1.90，超额最大回撤-3.5%，换手单边年化5.3倍，月度胜率75%。可见简单平均并没有侵蚀两者的收益，反而提高了信息比率和胜率，降低了回撤，起到了1+1>2的效果。 最终我们7月的行业配置建议为：基础化工23%，有色金属21%，食品饮料14%，石油石化11%，银行10%，电力设备与新能源9%，电力及公用事业7%，农林牧渔6%。其中较大的边际变化为：主要增加了化工产业链（化工、石化）、电新产业链（有色、电新）和消费（食品饮料）的配置比例，降低了银行的配置比例，煤炭和汽车拥挤度上升较快被模型调出，我们建议可以考虑逢高减仓。 3.4、景气度投资实践：行业配置Beta+选股Alpha 考虑到部分一级行业暂无可投资ETF，我们将行业景气模型也落实到选股层面。具体而言，我们先根据行业配置模型确定行业权重，然后根据PB-ROE模型选取行业内估值性价比高的股票（前40%），按流通市值和PB-ROE打分加权。 2013年至今，行业景气度选股模型多头年化32.7%，超额年化24.6%，信息比率2.20，月度超额最大回撤-4.1%，月度胜率78%，表现较为优异。2022年6月策略超额收益率0.8%，年初至今策略超额16.7%。2022年6月策略超额收益率0.8%，年初至今策略超额16.7%。模型7月最新推荐重仓股如下： 四、应用工具：行业打分图谱和最新观点 最后我们将景气度-趋势-拥挤度的信息集成到一个可视化的图表中，用于感知近期市场的配置主线，结合基本面量化体系的主观行业观点，7月配置主线如下： 1) 受益于通胀的上游周期、新旧能源：化工、石油石化、电力、有色、电新等，供给端受约束，海外通胀常态化下长期受益，可以超配； 2) 受益于稳增长的大金融：银行、地产等大金融板块，政策预期拖底，建议标配； 3) 受益于疫情扭转的消费：食品饮料、农林牧渔、家电等，基本面有望反转，左侧布局。 风险提示：以上结论均基于历史数据和统计模型的测算，如果未来市场环境发生明显改变，不排除模型失效的可能性。 本文节选自国盛证券研究所于2022年7月8日发布的报告《中观行业配置系列二：行业配置模型的顶端优化》，具体内容请详见相关报告。 段伟良 S0680518080001 duanweiliang@gszq.com 刘富兵 S0680518030007 liufubing@gszq.com 杨晔 yangye3657@gszq.com 特别声明：《证券期货投资者适当性管理办法》于2017年7月1日起正式实施。通过微信形式制作的本资料仅面向国盛证券客户中的专业投资者。请勿对本资料进行任何形式的转发。若您非国盛证券客户中的专业投资者，为保证服务质量、控制投资风险，请取消关注，请勿订阅、接受或使用本资料中的任何信息。因本订阅号难以设置访问权限，若给您造成不便，烦请谅解！感谢您给予的理解和配合。 重要声明：本订阅号是国盛证券金融工程团队设立的。本订阅号不是国盛金融工程团队研究报告的发布平台。本订阅号所载的信息仅面向专业投资机构，仅供在新媒体背景下研究观点的及时交流。本订阅号所载的信息均摘编自国盛证券研究所已经发布的研究报告或者系对已发布报告的后续解读，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。本资料仅代表报告发布当日的判断，相关的分析意见及推测可在不发出通知的情形下做出更改，读者参考时还须及时跟踪后续最新的研究进展。 本资料不构成对具体证券在具体价位、具体时点、具体市场表现的判断或投资建议，不能够等同于指导具体投资的操作性意见，普通的个人投资者若使用本资料，有可能会因缺乏解读服务而对报告中的关键假设、评级、目标价等内容产生理解上的歧义，进而造成投资损失。因此个人投资者还须寻求专业投资顾问的指导。本资料仅供参考之用，接收人不应单纯依靠本资料的信息而取代自身的独立判断，应自主作出投资决策并自行承担投资风险。 版权所有，未经许可禁止转载或传播。

点此查看微信公众号原文全部内容>>

大部分微信公众号研报本站已有pdf详细完整版：https://www.wkzk.com/report/（可搜索研报标题关键词或机构名称查询原报告）