【华泰金工林晓明团队】行业配置策略:中观景气视角(1)——中观行业景气度系列之三
（以下内容从华泰证券《【华泰金工林晓明团队】行业配置策略:中观景气视角(1)——中观行业景气度系列之三》研报附件原文摘录）
林晓明 S0570516010001 SFC No. BPY421 研究员 徐 特 S0570121050032 联系人 报告发布时间：2022年1月19日 摘要 构建了16个中信行业的中观行业景气度和中观景气度轮动策略 本文是中观行业景气度系列研究第三篇报告。首先，构建了石油石化、煤炭、有色金属、钢铁、基础化工、建材、机械、电力设备及新能源、国防军工、汽车、家电、酒类、食品、饮料、房地产、电子等16个中信行业的指标库，进行程序化清洗、评价和筛选，使用Nowcasting模型进行单行业ROE景气指数和营收景气指数建模。然后，各行业选择6个景气度代理指标，构建中观景气度打分体系，开展行业轮动。2016-12-30至2022-01-17，相对于16个行业等权组合，中观景气组合超额年化13.09%，超额胜率65.6%；宏观+中观景气组合超额年化19.43%，超额胜率70.5%。 设计了行业指标库清洗、评价和筛选的程序化处理流程 基于产业链结构和中观逻辑，我们为每个中信行业构建了指标库。从指标库到Nowcasting，中间还需要对指标库进行清洗、评价和筛选。指标清洗过程将指标库划分为三类指标：总量类、价格类、同比类/比率类，针对各类指标的特点，分别设计了一套预处理程序。指标评价过程选择行业营收增速或ROE_TTM同比为参照，计算R2、时差相关系数、月均DTW距离等定量指标，兼顾指标有效序列长度、领先滞后性、发布频率和延迟情况，计算各指标综合得分。指标筛选过程按综合得分从高到底，选取给定数量的非重复指标，作为最终的景气度代理指标池。 进一步改进Nowcasting模型的简化求解方法，提升模型收敛性 每年一季报和三季报发布后，重新下载完整指标库，开展清洗、评价和筛选；在后续的半年中，对最终确定的代理指标进行更新，进行Nowcasting建模。前期报告《中观景气度之上游资源/中游材料》（2021-10-14）提出了Nowcasting模型的简化求解方法，大幅提升了模型运算效率和可解释性。以此为“小循环”，在其之外进一步套一个可以使模型收敛的“大循环”。模型收敛的必要条件是全体代理指标两两之间显著相关。我们把可以收敛的Nowcasting简化求解方法命名为Simple-Nowcasting，把建模结果命名为华泰XX行业ROE景气指数和华泰XX行业营收景气指数。 中观数据应用于行业轮动有效，宏观和中观视角起到“1+1>2”的效果 针对16个中信行业，从各自的景气度代理指标池中选取6个指标，构建中观景气度打分体系；指标环比上行记作1分，单行业中观景气度满分是6分。每月末，不带未来信息地进行指标预处理，选取中观景气度最高（若出现平分，比较边际变化）的3个行业进行配置。2016-12-30至2022-01-17，中观景气组合年化收益23.52%，夏普比1.05，卡玛比1.18，相对于行业等权组合超额年化13.09%，超额胜率65.6%，验证了中观数据用于行业轮动的有效性；进一步将宏观景气度与中观景气度等权相加，超额年化提升至19.43%，超额胜率提升至70.5%，起到“1+1>2”的效果。 风险提示：模型根据历史规律总结，历史规律可能失效。报告中涉及到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。 报告正文 本文研究导读 中观行业景气度系列研究已发布两篇报告。第一篇报告《中观行业景气度：Nowcasting初探》（2021-09-26）复现了美联储的Nowcasting模型，为整个系列研究确立了“行业指标库构建→代理指标评价筛选→中观景气度指数生成”的方法学；第二篇报告《中观景气度之上游资源/中游材料》（2021-10-14）对Nowcasting模型进行了合理的简化，并针对上游资源和中游材料板块的6个周期行业进行建模，结果显示，利用中观数据能够较为及时准确地预测周期行业的ROE变化方向。 中观视角是行业景气度框架中时效性较强、信息量较大的一环。如果能够克服中观数据品类繁杂、口径不一的困难，中观视角便能够对相对成熟的宏观视角、微观视角和资金面视角形成有益的补充。 本文在前两篇报告的基础上，进一步做了如下工作： 1)中观行业景气度建模覆盖的行业数量提升至16个，数据库规模有所扩大； 2)各行业指标库的清洗、评价和筛选过程实现完全程序化； 3)进一步改进简化后的Nowcasting模型(Simple-Nowcasting)，收敛性显著改善； 4)在已经覆盖的16个行业中开展行业轮动，验证中观数据的有效性。 本研究继续使用中信行业体系，其中，食品饮料行业和非银金融行业按照前期报告《确立研究对象，行业拆分与聚类》（2020-03-03）的方式进行了拆分。 本文的第一部分将详细介绍行业数据库的构建、清洗、评价和筛选过程，尤其是程序化的清洗、评价和筛选过程；第二部分将回顾Nowcasting模型的主要原理，着重介绍简化求解方法；第三部分将展示已覆盖的16个行业最新的中观景气度建模结果；第四部分将在已覆盖的16个行业中开展行业轮动，既包括纯中观视角的策略，也包括宏观-中观视角耦合的策略，以验证中观数据应用于行业轮动的有效性。 行业指标库构建、清洗、评价和筛选 行业指标库主观构建 行业指标库构建采用主观的方式完成：首先梳理了行业的产业链结构，然后从上游原材料供求、下游商品的供求、行业内经营状况、行业外宏观环境等四个方面入手，从Wind数据库寻找与行业景气度存在逻辑联系的指标。对产业链结构感兴趣的读者可以参考前期报告《中观景气度之上游资源/中游材料》（2021-10-14），该报告对6个周期行业的指标库构建过程有较为详细的解释，其他行业类似。 需要强调的是，本文在前期报告数据库的基础上，对数据库进一步扩充，新增了国家统计局口径的行业财务指标——基于营业收入、营业成本、利润总额、资产、负债等财务指标，可以进一步计算毛利率、净资产营业利润率等指标。虽然国家统计局口径的行业分类与中信行业分类无法一一对应，且国家统计局调查的企业与中信行业成分股也不一致，但是国家统计局口径的行业财务指标是月度发布，时效性优于上市公司定期财务报表，因而对整个行业的景气度判断依然具有价值。 下表总结了已覆盖的16个中信行业对应国家统计局口径的行业名称，及其截至本报告发布日的指标库规模： 行业指标库程序化清洗 不同的指标来自不同的部门，拥有不同的口径。为了能够实现程序自动化，我们把全部指标划分为以下三类： 1)总量类指标：总量类指标的长期趋势较周期循环更显著，且大部分总量类指标都会受到季节性因素的干扰，例如CPI和PPI存在长期向上的趋势，是典型的总量类指标。 2)价格类指标：价格类指标的周期循环较长期趋势更显著，名字中通常带有“价”，只有少数价格类指标需要根据含义确定，如南华期货指数；由于价格是交易出来的，加上国家对主要大宗商品的价格管制，比起交易情绪带来的噪声，季节项一般不显著，猪肉价格是特例。 3)同比类指标/比率类指标：部分指标无法下载到总量口径，故只能退而求其次使用同比口径，例如部分行业的PPI同比数据。比率类数据属于复合指标，一部分可以直接下载，另一部分可用总量、价格类指标合成。与总量类、价格类指标相比，同比类、比率类指标都有信息损失。 针对总量类指标，预处理的主要目的是消除季节性因素和长期趋势项，只保留能够刻画周期性波动的循环项。其中，季节性因素可能包括春节效应，更多是源于个别月份的系统性偏差。例如，受到银行信贷额度发放节奏的影响，新增社融在每季度初系统性偏高、在每季度末系统性偏低。 对于逻辑上与开工天数相关的总量类指标，我们通过比例因子法近似消除春节效应，然后再用X11或X13方法消除月度的系统性偏差。有读者可能会困惑为什么不能直接求同比来消除季节性。令指标Y=T*C*S*I（T是趋势项，C是循环项，S是季节项，I是不规则项），只有当St=St-1的时候，通过求同比才能够把季节性因素彻底消除。显然这个假设过强。况且，如果同比能够彻底消除季节性因素的话，那么中国人民银行和美联储也没必要花巨大精力研发X11、X13等季节性调整方法了。 我们采用高参HP滤波消除长期趋势项。HP滤波优化以下目标函数：第一项的含义是让趋势项尽可能接近原始序列，第二项的含义是让趋势项尽可能分离彻底。这两项是相互制衡的关系，通过系数λ来调节。 对于总量类指标，HP滤波的目标是消除趋势项，为了让趋势项尽可能分离，λ需要取一个较大的数——月度数据的经验值是14400。对于价格类、同比类、比率类指标，HP滤波的目标是消除更高频的噪声，同时不能让平滑后的序列“面目全非”，所以λ应该取一个较小的数，使序列得到平滑的同时，尽可能接近原始序列——对于绝大多数指标，λ=1都是一个不错的选择。 上述流程同样适用于宏观指标的处理。在三大类指标中，总量类数据的预处理过程最为复杂。下图以工业增加值:定基指数为例，展示了总量类指标预处理的完整流程： 行业指标库定量评价和筛选 中观行业景气度研究的定位是对发布滞后的行业财务指标进行预判。我们首先要确定以什么财务指标为“锚”，然后选择与财务指标相关度较高、序列较长的指标进行建模。 关注度最高的财务指标是净利同比。然而，由于基数效应（例如净利润从-1亿扭亏为盈为+10亿，净利同比为+1000%），净利同比数据波动较大，难以建模。退而求其次，选择营收增速（修正了2021Q1、Q2、Q3的低基数效应）或ROE_TTM同比（整体法计算滚动4个季度的ROE后，作同比差分）作为财务参照，刻画行业的成长和盈利能力。 指标评价分为4个步骤： 1)取有效序列长度大于42个月（一个基钦周期）的指标； 2)在错位±4期范围内，以财务参照为自变量(通过线性插值变为月频序列)，以行业指标为因变量，开展一元线性回归；观察R2最大时的回归系数beta的符号(代表行业指标与财务参照之间的逻辑方向)，同时剔除最大R2小于10%的指标； 3)若beta为负，对行业指标乘以-1取反；在错位±4期范围内计算时差相关系数；当时差相关系数最大时，对应的错位期数就是行业指标相对于财务参照的领先期数，同时剔除最大时差相关系数小于0.3的指标； 4)若beta为负，对行业指标乘以-1取反；计算行业指标和财务参照之间的月均动态时间弯曲(Dynamic Time Warping, DTW)距离，剔除月均DTW距离大于0.6的指标。 其中，DTW距离与欧氏距离不同。欧氏距离将两条曲线按时间轴刻度匹配；DTW距离将两条曲线按照形状进行匹配，同时弥补了时差相关系数易受极端波动干扰的缺点。DTW距离运用动态规划思想进行计算。设序列A=[a1,a2, ... ,at]，序列B=[b1,b2, ... ,bt]，在开展z-score标准化之后，两者之间的DTW距离之和D(t,t)可采用下式递推计算： 为了加速计算过程，我们采用Fast_DTW算法限制搜索范围|i-j|≤3。考虑到不同的行业指标序列长度不同，将DTW距离除以指标序列的长度，得到月均DTW距离。月均DTW距离的数学含义是：两条序列之间的差异相当于序列自身标准差的多少倍，数值越小，表明两条序列形状越相似。 经过指标评价步骤，部分无法满足建模需求的指标已被剔除，指标库规模虽有所降低，但仍大于目标的代理指标数。对于仍然保留的指标，我们通过计算综合得分，对其进行进一步筛选。综合得分的计算包括两部分： 1)以下三项之和：最大R2的升序排名、最大时差相关系数的升序排名、月均DTW距离的降序排名，并将最小值设为0分、最大值设为300分，其余指标得分等比例缩放； 2)惩罚序列长度不足的指标：若最长指标有效序列的长度为T，其余指标长度不足T的部分，每缺一期扣1分； 3)惩罚领先滞后期数偏离理想状况的指标：最理想的领先期数是3期（由于错位范围限制在±4期，领先4期实则为至少领先4期，指标领先性过强有可能导致配置信号过于左侧）；各指标领先滞后期数与领先3期之间，每差1期，扣5分； 4)惩罚发布滞后的月频指标：对于延迟一期发布的月频指标，扣5分，使得类似含义的指标能够优先选到日频或周频指标。 指标筛选按照综合得分从高到低，遍历经过评价步骤的指标库，选取给定数量的非重复指标（Wind上存在代码不同、实则为同一指标的情况；对此，采用相关系数≥0.99来识别重复指标），作为最终的景气度代理指标池。 Simple-Nowcasting模型 数学原理 Nowcasting的含义是对尚未发布的“现在时”状态进行预测。Nowcasting模型的核心是动态因子模型（Dynamic Factor Model, DFM）。本研究采用的DFM模型结构包括隐含状态方程、隐含因子状态转移方程和特质因子状态转移方程。 隐含状态方程左侧的yti是第i个中观景气度代理指标的历史序列；方程右侧的ft是中观景气度指数，因为无法观测，所以被称作隐含因子；bi是第i个代理指标在景气度指数上的暴露；eti是第i个代理指标无法被景气度解释的部分，故被称作特质因子。由于指标延迟发布，部分指标的序列尾部可能还没有发布值，故用0-1变量标记指标wti尾部缺失情况，缺失值样本不参与参数估计。注意：由于在指标预处理的时候，除了序列尾部缺失值外，前部和内部缺失值都进行了填充，因此隐含状态方程只需应对序列尾部缺失值即可。 隐含状态方程本质是降维方程，n个景气度代理指标降维到1个景气度指数，其经济学含义为景气度代理指标是行业景气度的低维映射，行业景气度是不同代理指标的系统性驱动力，即经济变量的同源性。 隐含因子状态转移方程和特质因子状态转移方程都用AR(2)过程刻画隐含因子（景气度指数）和各代理指标特质因子的内生变化，从而赋予DFM线性外推、处理缺失值的能力。 状态转移方程假设影响代理指标的系统性驱动力和非系统性驱动力都是内生的，即行业周期的内生性。短到“鸡周期”“猪周期”、库存周期（基钦周期），长到产能周期（朱拉格周期）、房地产周期（库兹涅茨周期），大部分行业或多或少受到行业自身生命周期的内生驱动。当a12+4a2<0时，AR(2)过程能够刻画景气度指数的周期性波动。 简化求解 由于只有隐含状态方程左侧的景气度代理指标序列是已知的，待估计参数{ft,bi,a,hi}都是未知的，所以不能用最小二乘法、极大似然估计等常规方法直接求解。在本系列的开篇报告《中观行业景气度：Nowcasting初探》（2021-09-26）中，简要介绍了美联储使用EM算法估计DFM未知参数的流程： 1)注意到隐含状态方程的本质是降维方程，不难联想到主成分分析（PCA）的第一主成分也是一系列变量的降维，因此美联储的第一步是对全体代理指标进行PCA，用第一主成分初始化景气度指数；由于指标序列存在缺失值，PCA不能对缺失值进行，故在PCA之前，美联储选择用最近的有效值进行填充； 2)美联储的第二步是将全体待估计参数划分为ft和{bi,a,hi}；首先固定ft，用极大似然估计法估计{bi,a,hi}，即M步；然后固定{bi,a,hi}，用卡尔曼滤波估计ft，即E步；重复M步和E步，最后ft将会收敛至全局最优。 在实操中发现：极大似然估计和卡尔曼滤波涉及大量的矩阵求逆操作，由于计算机舍入误差的原因，理论上的全局最优很难达到；其次，由于数据本身有较多噪声，EM算法的结果与PCA做初始化的结果差异不大，表明复杂的EM算法有“杀鸡用牛刀”之嫌。 所以在第二篇报告《中观景气度之上游资源/中游材料》(2021-10-14)中，我们提出了一种简化求解方法。不过，当时的简化方法并没有考虑模型的收敛性。对此，我们将前期报告中提出的简化方法作为“小循环”，在“小循环”之外再套上一个使模型最终可以收敛的“大循环”。本文将这种可以收敛的简化求解方法称作Simple-Nowcasting。 Simple-Nowcasting第一步的基本思想与美联储一样，用代理指标的第一主成分初始化景气度指数。不同的是，暂时不对含有缺失值的截面进行PCA。因此，初始化后的序列长度由序列长度最短的指标决定。以下图为例，初始化的景气度指数只有截至t-3期的数值。 景气度指数初始化后，进入“大循环”。“大循环”通过反复调用“小循环”，在填充缺失值的同时，不断修正拟合结果，直到景气度指数不再发生变化： 1)运行“小循环”，得到完整的景气度指数序列； 2)对于实际存在未发布指标的截面，将对应截面景气度指数的Nowcasting值还原为缺失值，作为“小循环”的起点，重新运行“小循环”； 3)重复步骤2，直到相邻小循环得到的景气度指数不再发生变化。 将带有缺失值的景气度指数序列输入“小循环”： 1)使用最小二乘法（OLS）估计各代理指标在景气度指数上的暴露，并计算残差；回归只能使用截至t-3期的样本，得到的特质因子序列也只有截至t-3期的数值。 2)使用OLS拟合景气度指数和各指标特质因子的AR(2)过程，得到自回归系数。 3)将AR(2)过程线性外推一期，得到t-2期的景气度指数和各指标特质因子的预测值；对于t-2期数值尚未发布的指标，利用景气度指数预测值乘以该指标的暴露，再加上该指标特质因子预测值，就可以得到指标t-2期的预测值。 4)用指标t-2期的预测值填充t-2期的缺失值，于是t-2期全体指标都有数值，可以一并参与PCA，得到截至t-2期的景气度指数； 5)重复上述步骤，直到能够得到截至t期的完整的景气度指数序列。 不难发现，Simple-Nowcasting的思想也是在第一主成分的基础上微调，与美联储的做法可谓“殊途同归”；求解同样使用EM算法——E步用PCA估计ft，M步用OLS估计{bi,a,hi}。那么，Simple-Nowcasting必然收敛吗？ 这里我们不引入复杂的数学证明，考虑一种比较极端的情况。假设有两个指标y1和y2，两者不相关。那么，y1和y2的相关系数矩阵就是单位阵，其两个特征值都为1。根据主成分的定义，第一主成分和第二主成分的贡献率均为50%。这就让DFM“困惑”了——究竟用第一主成分还是用第二主成分来表征景气度？于是，在“大循环”的过程中，景气度指数的结果可能会在第一主成分和第二主成分之间反复跳跃，无法收敛。 所以，模型收敛的一个必要条件是：全体代理指标两两之间显著相关。在很多模型中，变量之间的高相关性是特征工程的一大忌讳，但是对于Simple-Nowcasting模型，变量高相关性反而是优势。而且，每个代理指标只反映了景气度的一个侧面，会受到不同程度噪声的干扰。显著相关的指标数目越多，其公共部分——真正被行业景气度驱动的部分能够被提取得更纯粹。在本研究中，行业指标库定量评价和筛选过程以ROE_TTM同比或营收增速为“锚”，最终确定的代理指标都和财务参照指标有较高的相关性，使得代理指标之间存在显著的间接相关性。因此，全体代理指标之间应显著相关的必要条件得到满足。 16个中信行业中观景气度建模结果 由于行业逻辑在发生变化，加上部分代理指标可能会停止更新，因此需要定期对行业指标库重新进行评价和筛选。不过，重新评价和筛选的频率不宜太高。一方面，财务指标更新频率较低，若财务参照指标序列不变，则最终确定的代理指标池也不会变；另一方面，行业指标库规模较大，每次下载和清洗需花费较多的流量和算力。我们建议在每年一季报和三季报发布后，重新下载完整指标库，开展清洗、评价和筛选；在后续的半年中，我们只对最终确定的代理指标池进行更新和建模。因为指标库构建充分考虑了中观逻辑，所以不再对定量得到的代理指标池作主观评价。 针对每一个行业，我们会分别对ROE_TTM同比和营收增速进行建模，得到的景气度指数分别称作“华泰XX行业ROE景气指数”和“华泰XX行业营收景气指数”。 我们以2013Q4至2021Q3的ROE_TTM同比或营收增速为参照，选取各行业中观景气度代理指标，使用2013-12-31至2021-12-31代理指标已发布序列进行中观景气度建模。下文将以电子行业为例，展示重要的中间结果；其他行业只展示最终建模结果。 电子行业（CI005025.WI） 电子行业主要包括消费电子、半导体、光学光电、元器件等子产业链。作为制造业，电子行业的盈利能力易受到通胀的影响；作为成长风格行业，电子行业的营运能力易受到宏观流动性的影响。电子行业指标库的构建主要从上述子产业链及宏观因素入手。 石油石化行业（CI005001.WI） 煤炭行业（CI005002.WI） 有色金属行业（CI005003.WI） 钢铁行业（CI005005.WI） 基础化工行业（CI005006.WI） 建材行业（CI005008.WI） 机械行业（CI005010.WI） 电力设备及新能源行业（CI005011.WI） 国防军工行业（CI005012.WI） 汽车行业（CI005013.WI） 家电行业（CI005016.WI） 酒类行业（CI005156.WI） 饮料行业（CI005822.WI） 食品行业（CI005823.WI） 房地产行业（CI005023.WI） 16个中信行业的中观景气度轮动策略 基于中观视角开展行业轮动是一个难题。一方面，不同行业选取了不同的代理指标开展中观景气度建模；另一方面，Nowcasting得到的景气度指数的具体数值没有数学含义。这两个原因影响了中观景气度指数在行业之间的可比性。读者可能会担忧，中观视角的研究成果是否更适合用于单行业买卖机会（偏重配置）的判断。 为了验证中观数据也能够应用于行业轮动，我们对16个已经覆盖的中信行业，各选取6个综合得分处于前列的中观景气度代理指标，如后文两张表所示。其中，第一个表格涉及行业的代理指标以ROE_TTM同比作为参照；第二个表格涉及行业的代理指标以营收增速作为参照（营收增速修正了2021Q1至2021Q3的低基数效应）。我们采用打分法来构建16个中信行业的景气度轮动策略。 纯中观策略视角 每个月末日历日，根据指标的延迟期数，只截取截至该截面可真实获得的指标序列，避免引入未来信息，并按照给定的预处理步骤进行清洗。然后，计算各指标的环比变化，环比上行记为1分，否则记为0分；若当期指标没有新发布数据（如固定资产投资完成额指标1月没有发布值），则沿用上期得分；每个行业中观景气度得分满分是6分。若出现平分的情况，则进一步比较景气度得分的月度边际变化（当有新的景气行业出现的时候，可能会分流原先景气行业中的部分资金），最终的计算公式如下： 回测区间为2016-12-30至2022-01-17，每月最后一个日历日发出调仓信号，次月第一个交易日调仓。暂不考虑手续费。每次调仓选中观景气度得分最高的3个行业。 回测显示，中观景气组合的年化收益、夏普比率、卡玛比率等业绩指标全面优于行业等权组合；其中，超额年化收益为13.09%，超额胜率为65.6%，表明应用中观数据做行业轮动是有效的。 宏观+中观视角策略 在自上而下的行业景气度研究中，除了中观视角，前期报告《行业配置策略：投资时钟视角》（2021-07-06）和《未来宏观环境更看好TMT板块》（2021-12-25）对宏观行业景气度进行了研究。这一小节拟将宏观景气度和微观景气度融合，得到综合景气度，使用综合景气度开展行业轮动，考察宏观景气度和中观景气度能否产生“1+1>2”的效果。 在宏观视角，我们沿用前期报告构建的由增长、通胀、信用、货币等四个维度组成的华泰金工-宏观因子指数。取历史30个月为滚动窗口，以宏观因子环比变化为自变量，以同期行业指数收益率为因变量，开展一元线性回归，计算窗口期内行业指数在宏观因子上的暴露系数。滚动窗口内的暴露系数在一定程度上能够捕捉动态的宏观-行业映射关系。 针对各维度宏观因子，将行业按暴露高低划分为6层。若宏观观点为看多因子，则给予受益于因子上行的暴露最高的一层5分，给予受累于因子下行的暴露最低的一层0分，其余几层分别为4、3、2、1分；若宏观观点为看空因子，同理；若无法给出宏观观点，则全体行业均赋2.5分。宏观观点的预测采用因子动量法和相位判断法的融合信号。宏观因子合成与观点预测等方法学细节详见《行业配置策略：投资时钟视角》（2021-07-06）。将四个维度的得分加总，就得到了各行业的宏观景气度得分。类似地，若出现平分的情况，则进一步比较景气度得分的月度边际变化，最终的计算公式如下： 宏观景气度满分为20分，除以20归一化；中观景气度满分为6分，除以6归一化。将归一化后的宏观景气度得分和中观景气度得分等权相加，就得到综合景气度得分： 回测区间为2016-12-30至2022-01-17，每月最后一个日历日发出调仓信号，次月第一个交易日调仓。暂不考虑手续费。每次调仓选综合景气度得分最高的3个行业。 回测显示，综合景气组合的年化收益、夏普比率、卡玛比率等业绩指标，在中观景气组合的基础上进一步得到提升，相对于行业等权组合的超额年化收益提升至19.43%，超额胜率提升至70.5%，相对于宏观景气组合的最大回撤下降13.11pct，发挥出了宏观视角高赔率和中观视角高胜率、低回撤的优势，起到“1+1>2”的效果。 本研究的主要成果有两项： 1)使用Simple-Nowcasting模型，构建了16个中信行业的ROE景气指数和营收景气指数，帮助投资者预判行业的增收增利状况； 2)通过中观景气度打分体系，构建了16个中信行业的轮动策略，验证了中观数据用于行业轮动的有效性，验证了宏观视角和中观视角能起到“1+1>2”的效果。 风险提示 1.模型根据历史规律总结，历史规律可能失效。 2.报告中涉及到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。 免责声明与评级说明 公众平台免责声明 本公众平台不是华泰证券股份有限公司（以下简称“华泰证券”）研究所官方订阅平台。相关观点或信息请以华泰证券官方公众平台为准。根据《证券期货投资者适当性管理办法》的相关要求，本公众号内容仅面向华泰证券客户中的专业投资者，请勿对本公众号内容进行任何形式的转发。若您并非华泰证券客户中的专业投资者，请取消关注本公众号，不再订阅、接收或使用本公众号中的内容。因本公众号难以设置访问权限，若给您造成不便，烦请谅解！本公众号旨在沟通研究信息，交流研究经验，华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。 本公众号研究报告有关内容摘编自已经发布的研究报告的，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。如需了解详细内容，请具体参见华泰证券所发布的完整版报告。 本公众号内容基于作者认为可靠的、已公开的信息编制，但作者对该等信息的准确性及完整性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。 在任何情况下，本公众号中的信息或所表述的意见均不构成对客户私人投资建议。订阅人不应单独依靠本订阅号中的信息而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。普通投资者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。 本公众号版权仅为华泰证券股份有限公司所有，未经公司书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。本公司具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。 林晓明 执业证书编号：S0570516010001 华泰金工深度报告一览 金融周期系列研究（资产配置） 【华泰金工林晓明团队】2020年中国市场量化资产配置年度观点——周期归来、机会重生，顾短也兼长20200121 【华泰金工林晓明团队】量化资产配置2020年度观点——小周期争明日，大周期赢未来20200116 【华泰金工林晓明团队】风险预算模型如何度量风险更有效-改进风险度量方式稳定提升风险模型表现的方法 【华泰金工林晓明团队】周期双底存不确定性宜防守待趋势——短周期底部拐头机会渐增，待趋势明朗把握或更大20191022 【华泰金工林晓明团队】二十年一轮回的黄金投资大周期——黄金的三周期定价逻辑与组合配置、投资机会分析20190826 【华泰金工林晓明团队】如何有效判断真正的周期拐点？——定量测度实际周期长度提升市场拐点判准概率 【华泰金工林晓明团队】基钦周期的长度会缩短吗？——20190506 【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（下） 【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（上） 【华泰金工林晓明团队】周期轮动下的BL资产配置策略 【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究 【华泰金工林晓明团队】市场拐点的判断方法 【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略报告（上） 【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（四）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（三）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（二）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（一）——华泰金工周期系列研究 【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索 【华泰金工林晓明团队】市场周期的量化分解 【华泰金工林晓明团队】周期研究对大类资产的预测观点 【华泰金工林晓明团队】金融经济系统周期的确定（下）——华泰金工周期系列研究 【华泰金工林晓明团队】金融经济系统周期的确定（上）——华泰金工周期系列研究 【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列 行业指数频谱分析及配置模型：市场的周期分析系列之三 【华泰金工林晓明团队】市场的频率——市场轮回，周期重生 【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探 周期起源 【华泰金工林晓明团队】金融经济周期的耗散结构观——华泰周期起源系列研究之十 【华泰金工林晓明团队】经济系统中有序市场结构的进化——华泰周期起源系列研究报告之九 【华泰金工林晓明团队】企业间力的产生、传播和作用效果——华泰周期起源系列研究之八 【华泰金工林晓明团队】耦合振子同步的藏本模型——华泰周期起源系列研究之七 【华泰金工林晓明团队】周期在供应链管理模型的实证——华泰周期起源系列研究之六 【华泰金工林晓明团队】不确定性与缓冲机制——华泰周期起源系列研究报告之五 【华泰金工林晓明团队】周期是矛盾双方稳定共存的结果——华泰周期起源系列研究之四 【华泰金工林晓明团队】周期是不确定性条件下的稳态——华泰周期起源系列研究之三 【华泰金工林晓明团队】周期趋同现象的动力学系统模型——华泰周期起源系列研究之二 【华泰金工林晓明团队】从微观同步到宏观周期——华泰周期起源系列研究报告之一 FOF与金融创新产品 【华泰金工林晓明团队】养老目标基金的中国市场开发流程--目标日期基金与目标风险基金产品设计研究 【华泰金工】生命周期基金Glide Path开发实例——华泰FOF与金融创新产品系列研究报告之一 因子周期（因子择时） 【华泰金工林晓明团队】市值因子收益与经济结构的关系——华泰因子周期研究系列之三 【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二 【华泰金工林晓明团队】因子收益率的周期性研究初探 择时 【华泰金工林晓明团队】波动率与换手率构造牛熊指标——华泰金工量化择时系列 【华泰金工林晓明团队】A股市场低开现象研究 【华泰金工林晓明团队】华泰风险收益一致性择时模型 【华泰金工林晓明团队】技术指标与周期量价择时模型的结合 【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的应用 中观基本面轮动 【华泰金工林晓明团队】行业配置落地：指数增强篇——华泰中观基本面轮动系列之十 【华泰金工林晓明团队】行业配置策略：拥挤度视角——华泰中观基本面轮动系列之九 【华泰金工林晓明团队】行业配置策略：景气度视角——华泰中观基本面轮动系列之八 【华泰金工林晓明团队】行业配置策略：趋势追踪视角——华泰中观基本面轮动系列之七 【华泰金工林晓明团队】行业配置策略：宏观因子视角——华泰中观基本面轮动系列之六 【华泰金工林晓明团队】行业全景画像：投入产出表视角——华泰中观基本面轮动系列之五 【华泰金工林晓明团队】行业全景画像：改进杜邦拆解视角——华泰中观基本面轮动系列之四 【华泰金工林晓明团队】行业全景画像：风格因子视角 ——华泰中观基本面轮动系列之三 【华泰金工林晓明团队】行业全景画像：宏观因子视角 ——华泰中观基本面轮动系列之二 【华泰金工林晓明团队】确立研究对象：行业拆分与聚类——华泰中观基本面轮动系列之一 行业轮动 【华泰金工林晓明团队】不同协方差估计方法对比分析（二）——华泰行业轮动系列报告之十三 【华泰金工林晓明团队】拥挤度指标在行业配置中的应用——华泰行业轮动系列报告之十二 【华泰金工林晓明团队】基于投入产出表的产业链分析 ——华泰行业轮动系列报告之十一 【华泰金工林晓明团队】不同协方差估计方法对比分析——华泰行业轮动系列报告之十 【华泰金工林晓明团队】景气度指标在行业配置中的应用——华泰行业轮动系列报告之九 【华泰金工林晓明团队】再探周期视角下的资产轮动——华泰行业轮动系列报告之八 【华泰金工林晓明团队】“华泰周期轮动”基金组合改进版——华泰行业轮动系列报告之七 【华泰金工林晓明团队】“华泰周期轮动”基金组合构建——华泰行业轮动系列之六 【华泰金工林晓明团队】估值因子在行业配置中的应用——华泰行业轮动系列报告之五 【华泰金工林晓明团队】动量增强因子在行业配置中的应用——华泰行业轮动系列报告之四 【华泰金工林晓明团队】财务质量因子在行业配置中的应用——华泰行业轮动系列报告之三 【华泰金工林晓明团队】周期视角下的行业轮动实证分析——华泰行业轮动系列之二 【华泰金工林晓明团队】基于通用回归模型的行业轮动策略——华泰行业轮动系列之一 Smartbeta 【华泰金工林晓明团队】重剑无锋：低波动 Smart Beta——华泰 Smart Beta 系列之四 【华泰金工林晓明团队】投资优质股票：红利类Smart Beta——华泰Smart Beta系列之三 【华泰金工林晓明团队】博观约取：价值和成长Smart Beta——华泰Smart Beta系列之二 【华泰金工林晓明团队】Smart Beta：乘风破浪趁此时——华泰Smart Beta系列之一 【华泰金工林晓明团队】Smartbeta在资产配置中的优势——华泰金工Smartbeta专题研究之一 多因子选股 【华泰金工林晓明团队】华泰单因子测试之历史分位数因子——华泰多因子系列之十三 【华泰金工林晓明团队】桑土之防：结构化多因子风险模型——华泰多因子系列之十二 【华泰金工林晓明团队】华泰单因子测试之海量技术因子——华泰多因子系列之十一 【华泰金工林晓明团队】因子合成方法实证分析 ——华泰多因子系列之十 【华泰金工林晓明团队】华泰单因子测试之一致预期因子 ——华泰多因子系列之九 【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八 【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七 【华泰金工林晓明团队】华泰单因子测试之波动率类因子——华泰多因子系列之六 【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五 【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四 【华泰金工林晓明团队】华泰单因子测试之成长类因子——华泰多因子系列之三 【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二 【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一 【华泰金工林晓明团队】五因子模型A股实证研究 【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二 人工智能 【华泰金工林晓明团队】深度卷积GAN实证——华泰人工智能系列之四十四 【华泰金工林晓明团队】因子观点融入机器学习——华泰人工智能系列之四十三 【华泰金工林晓明团队】图神经网络选股与Qlib实践——华泰人工智能系列之四十二 【华泰金工林晓明团队】基于BERT的分析师研报情感因子——华泰人工智能系列之四十一 【华泰金工林晓明团队】微软AI量化投资平台Qlib体验——华泰人工智能系列之四十 【华泰金工林晓明团队】周频量价选股模型的组合优化实证——华泰人工智能系列之三十九 【华泰金工林晓明团队】WGAN生成：从单资产到多资产——华泰人工智能系列之三十八 【华泰金工林晓明团队】舆情因子和BERT情感分类模型——华泰人工智能系列之三十七 【华泰金工林晓明团队】相对生成对抗网络RGAN实证——华泰人工智能系列之三十六 【华泰金工林晓明团队】WGAN应用于金融时间序列生成——华泰人工智能系列之三十五 【华泰金工林晓明团队】再探AlphaNet：结构和特征优化——华泰人工智能系列之三十四 【华泰金工林晓明团队】数据模式探索：无监督学习案例——华泰人工智能系列之三十三 【华泰金工林晓明团队】AlphaNet：因子挖掘神经网络——华泰人工智能系列之三十二 【华泰金工林晓明团队】生成对抗网络GAN初探——华泰人工智能系列之三十一 【华泰金工林晓明团队】从关联到逻辑：因果推断初探——华泰人工智能系列之三十 【华泰金工林晓明团队】另类标签和集成学习——华泰人工智能系列之二十九 【华泰金工林晓明团队】基于量价的人工智能选股体系概览——华泰人工智能系列之二十八 【华泰金工林晓明团队】揭开机器学习模型的“黑箱” ——华泰人工智能系列之二十七 【华泰金工林晓明团队】遗传规划在CTA信号挖掘中的应用——华泰人工智能系列之二十六 【华泰金工林晓明团队】市场弱有效性检验与择时战场选择——华泰人工智能系列之二十五 【华泰金工林晓明团队】投石问路：技术分析可靠否？——华泰人工智能系列之二十四 【华泰金工林晓明团队】再探基于遗传规划的选股因子挖掘——华泰人工智能系列之二十三 【华泰金工林晓明团队】基于CSCV框架的回测过拟合概率——华泰人工智能系列之二十二 【华泰金工林晓明团队】基于遗传规划的选股因子挖掘——华泰人工智能系列之二十一 【华泰金工林晓明团队】必然中的偶然：机器学习中的随机数——华泰人工智能系列之二十 【华泰金工林晓明团队】偶然中的必然：重采样技术检验过拟合——华泰人工智能系列之十九 【华泰金工林晓明团队】机器学习选股模型的调仓频率实证——华泰人工智能系列之十八 【华泰金工林晓明团队】人工智能选股之数据标注方法实证——华泰人工智能系列之十七 【华泰金工林晓明团队】再论时序交叉验证对抗过拟合——华泰人工智能系列之十六 【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五 【华泰金工林晓明团队】对抗过拟合：从时序交叉验证谈起 【华泰金工林晓明团队】人工智能选股之损失函数的改进——华泰人工智能系列之十三 【华泰金工林晓明团队】人工智能选股之特征选择——华泰人工智能系列之十二 【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一 【华泰金工林晓明团队】宏观周期指标应用于随机森林选股——华泰人工智能系列之十 【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九 【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八 【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七 【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六 【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五 【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四 【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三 【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二 指数增强基金分析 【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位分析专题报告 【华泰金工林晓明团队】酌古御今：指数增强基金收益分析 【华泰金工林晓明团队】基于回归法的基金持股仓位测算 【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证 基本面选股 【华泰金工林晓明团队】华泰价值选股之相对市盈率港股模型——相对市盈率港股通模型实证研究 【华泰金工林晓明团队】华泰价值选股之FFScore模型 【华泰金工林晓明团队】相对市盈率选股模型A股市场实证研究 【华泰金工林晓明团队】华泰价值选股之现金流因子研究——现金流因子选股策略实证研究 【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究 【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究 基金定投 【华泰金工林晓明团队】大成旗下基金2018定投策略研究 【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四 【华泰金工林晓明团队】基金定投3—马科维茨有效性检验 【华泰金工林晓明团队】基金定投2—投资标的与时机的选择方法 【华泰金工林晓明团队】基金定投1—分析方法与理论基础 基金评价 【华泰金工林晓明团队】基金评价及筛选全流程研究框架——股票型与债券型基金多种维度定量与定性评价法 【华泰金工林晓明团队】基金选股择时能力的定量分析法——我国公募基金大多具有较强选股能力 【华泰金工林晓明团队】基金业绩持续性的规律与策略构建——采用有效影响因子筛选出持续性较好的绩优基金 ETF季度盘点 【华泰金工林晓明团队】2021Q2中国ETF市场盘点回顾 【华泰金工林晓明团队】2021Q1中国ETF市场盘点回顾 【华泰金工林晓明团队】2020Q4中国ETF市场全景回顾——总规模创新高，行业主题类ETF渐成市场新主角20210112 【华泰金工林晓明团队】2020年三季度中国ETF市场回顾——产品百花齐放、投资者结构日渐成熟，规模创新高20201021 【华泰金工林晓明团队】ETF产品细分差异化或成突围之道——2020二季度中国ETF市场全景回顾盘点与展望20200803 【华泰金工林晓明团队】ETF规模数量大涨品类不断丰富——2020一季度中国ETF市场全景回顾盘点 其它 【华泰金工林晓明团队】A股市场及行业的农历月份效应——月份效应之二 A股市场及行业的月份效应——详解历史数据中的隐藏法则
林晓明 S0570516010001 SFC No. BPY421 研究员 徐 特 S0570121050032 联系人 报告发布时间：2022年1月19日 摘要 构建了16个中信行业的中观行业景气度和中观景气度轮动策略 本文是中观行业景气度系列研究第三篇报告。首先，构建了石油石化、煤炭、有色金属、钢铁、基础化工、建材、机械、电力设备及新能源、国防军工、汽车、家电、酒类、食品、饮料、房地产、电子等16个中信行业的指标库，进行程序化清洗、评价和筛选，使用Nowcasting模型进行单行业ROE景气指数和营收景气指数建模。然后，各行业选择6个景气度代理指标，构建中观景气度打分体系，开展行业轮动。2016-12-30至2022-01-17，相对于16个行业等权组合，中观景气组合超额年化13.09%，超额胜率65.6%；宏观+中观景气组合超额年化19.43%，超额胜率70.5%。 设计了行业指标库清洗、评价和筛选的程序化处理流程 基于产业链结构和中观逻辑，我们为每个中信行业构建了指标库。从指标库到Nowcasting，中间还需要对指标库进行清洗、评价和筛选。指标清洗过程将指标库划分为三类指标：总量类、价格类、同比类/比率类，针对各类指标的特点，分别设计了一套预处理程序。指标评价过程选择行业营收增速或ROE_TTM同比为参照，计算R2、时差相关系数、月均DTW距离等定量指标，兼顾指标有效序列长度、领先滞后性、发布频率和延迟情况，计算各指标综合得分。指标筛选过程按综合得分从高到底，选取给定数量的非重复指标，作为最终的景气度代理指标池。 进一步改进Nowcasting模型的简化求解方法，提升模型收敛性 每年一季报和三季报发布后，重新下载完整指标库，开展清洗、评价和筛选；在后续的半年中，对最终确定的代理指标进行更新，进行Nowcasting建模。前期报告《中观景气度之上游资源/中游材料》（2021-10-14）提出了Nowcasting模型的简化求解方法，大幅提升了模型运算效率和可解释性。以此为“小循环”，在其之外进一步套一个可以使模型收敛的“大循环”。模型收敛的必要条件是全体代理指标两两之间显著相关。我们把可以收敛的Nowcasting简化求解方法命名为Simple-Nowcasting，把建模结果命名为华泰XX行业ROE景气指数和华泰XX行业营收景气指数。 中观数据应用于行业轮动有效，宏观和中观视角起到“1+1>2”的效果 针对16个中信行业，从各自的景气度代理指标池中选取6个指标，构建中观景气度打分体系；指标环比上行记作1分，单行业中观景气度满分是6分。每月末，不带未来信息地进行指标预处理，选取中观景气度最高（若出现平分，比较边际变化）的3个行业进行配置。2016-12-30至2022-01-17，中观景气组合年化收益23.52%，夏普比1.05，卡玛比1.18，相对于行业等权组合超额年化13.09%，超额胜率65.6%，验证了中观数据用于行业轮动的有效性；进一步将宏观景气度与中观景气度等权相加，超额年化提升至19.43%，超额胜率提升至70.5%，起到“1+1>2”的效果。 风险提示：模型根据历史规律总结，历史规律可能失效。报告中涉及到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。 报告正文 本文研究导读 中观行业景气度系列研究已发布两篇报告。第一篇报告《中观行业景气度：Nowcasting初探》（2021-09-26）复现了美联储的Nowcasting模型，为整个系列研究确立了“行业指标库构建→代理指标评价筛选→中观景气度指数生成”的方法学；第二篇报告《中观景气度之上游资源/中游材料》（2021-10-14）对Nowcasting模型进行了合理的简化，并针对上游资源和中游材料板块的6个周期行业进行建模，结果显示，利用中观数据能够较为及时准确地预测周期行业的ROE变化方向。 中观视角是行业景气度框架中时效性较强、信息量较大的一环。如果能够克服中观数据品类繁杂、口径不一的困难，中观视角便能够对相对成熟的宏观视角、微观视角和资金面视角形成有益的补充。 本文在前两篇报告的基础上，进一步做了如下工作： 1)中观行业景气度建模覆盖的行业数量提升至16个，数据库规模有所扩大； 2)各行业指标库的清洗、评价和筛选过程实现完全程序化； 3)进一步改进简化后的Nowcasting模型(Simple-Nowcasting)，收敛性显著改善； 4)在已经覆盖的16个行业中开展行业轮动，验证中观数据的有效性。 本研究继续使用中信行业体系，其中，食品饮料行业和非银金融行业按照前期报告《确立研究对象，行业拆分与聚类》（2020-03-03）的方式进行了拆分。 本文的第一部分将详细介绍行业数据库的构建、清洗、评价和筛选过程，尤其是程序化的清洗、评价和筛选过程；第二部分将回顾Nowcasting模型的主要原理，着重介绍简化求解方法；第三部分将展示已覆盖的16个行业最新的中观景气度建模结果；第四部分将在已覆盖的16个行业中开展行业轮动，既包括纯中观视角的策略，也包括宏观-中观视角耦合的策略，以验证中观数据应用于行业轮动的有效性。 行业指标库构建、清洗、评价和筛选 行业指标库主观构建 行业指标库构建采用主观的方式完成：首先梳理了行业的产业链结构，然后从上游原材料供求、下游商品的供求、行业内经营状况、行业外宏观环境等四个方面入手，从Wind数据库寻找与行业景气度存在逻辑联系的指标。对产业链结构感兴趣的读者可以参考前期报告《中观景气度之上游资源/中游材料》（2021-10-14），该报告对6个周期行业的指标库构建过程有较为详细的解释，其他行业类似。 需要强调的是，本文在前期报告数据库的基础上，对数据库进一步扩充，新增了国家统计局口径的行业财务指标——基于营业收入、营业成本、利润总额、资产、负债等财务指标，可以进一步计算毛利率、净资产营业利润率等指标。虽然国家统计局口径的行业分类与中信行业分类无法一一对应，且国家统计局调查的企业与中信行业成分股也不一致，但是国家统计局口径的行业财务指标是月度发布，时效性优于上市公司定期财务报表，因而对整个行业的景气度判断依然具有价值。 下表总结了已覆盖的16个中信行业对应国家统计局口径的行业名称，及其截至本报告发布日的指标库规模： 行业指标库程序化清洗 不同的指标来自不同的部门，拥有不同的口径。为了能够实现程序自动化，我们把全部指标划分为以下三类： 1)总量类指标：总量类指标的长期趋势较周期循环更显著，且大部分总量类指标都会受到季节性因素的干扰，例如CPI和PPI存在长期向上的趋势，是典型的总量类指标。 2)价格类指标：价格类指标的周期循环较长期趋势更显著，名字中通常带有“价”，只有少数价格类指标需要根据含义确定，如南华期货指数；由于价格是交易出来的，加上国家对主要大宗商品的价格管制，比起交易情绪带来的噪声，季节项一般不显著，猪肉价格是特例。 3)同比类指标/比率类指标：部分指标无法下载到总量口径，故只能退而求其次使用同比口径，例如部分行业的PPI同比数据。比率类数据属于复合指标，一部分可以直接下载，另一部分可用总量、价格类指标合成。与总量类、价格类指标相比，同比类、比率类指标都有信息损失。 针对总量类指标，预处理的主要目的是消除季节性因素和长期趋势项，只保留能够刻画周期性波动的循环项。其中，季节性因素可能包括春节效应，更多是源于个别月份的系统性偏差。例如，受到银行信贷额度发放节奏的影响，新增社融在每季度初系统性偏高、在每季度末系统性偏低。 对于逻辑上与开工天数相关的总量类指标，我们通过比例因子法近似消除春节效应，然后再用X11或X13方法消除月度的系统性偏差。有读者可能会困惑为什么不能直接求同比来消除季节性。令指标Y=T*C*S*I（T是趋势项，C是循环项，S是季节项，I是不规则项），只有当St=St-1的时候，通过求同比才能够把季节性因素彻底消除。显然这个假设过强。况且，如果同比能够彻底消除季节性因素的话，那么中国人民银行和美联储也没必要花巨大精力研发X11、X13等季节性调整方法了。 我们采用高参HP滤波消除长期趋势项。HP滤波优化以下目标函数：第一项的含义是让趋势项尽可能接近原始序列，第二项的含义是让趋势项尽可能分离彻底。这两项是相互制衡的关系，通过系数λ来调节。 对于总量类指标，HP滤波的目标是消除趋势项，为了让趋势项尽可能分离，λ需要取一个较大的数——月度数据的经验值是14400。对于价格类、同比类、比率类指标，HP滤波的目标是消除更高频的噪声，同时不能让平滑后的序列“面目全非”，所以λ应该取一个较小的数，使序列得到平滑的同时，尽可能接近原始序列——对于绝大多数指标，λ=1都是一个不错的选择。 上述流程同样适用于宏观指标的处理。在三大类指标中，总量类数据的预处理过程最为复杂。下图以工业增加值:定基指数为例，展示了总量类指标预处理的完整流程： 行业指标库定量评价和筛选 中观行业景气度研究的定位是对发布滞后的行业财务指标进行预判。我们首先要确定以什么财务指标为“锚”，然后选择与财务指标相关度较高、序列较长的指标进行建模。 关注度最高的财务指标是净利同比。然而，由于基数效应（例如净利润从-1亿扭亏为盈为+10亿，净利同比为+1000%），净利同比数据波动较大，难以建模。退而求其次，选择营收增速（修正了2021Q1、Q2、Q3的低基数效应）或ROE_TTM同比（整体法计算滚动4个季度的ROE后，作同比差分）作为财务参照，刻画行业的成长和盈利能力。 指标评价分为4个步骤： 1)取有效序列长度大于42个月（一个基钦周期）的指标； 2)在错位±4期范围内，以财务参照为自变量(通过线性插值变为月频序列)，以行业指标为因变量，开展一元线性回归；观察R2最大时的回归系数beta的符号(代表行业指标与财务参照之间的逻辑方向)，同时剔除最大R2小于10%的指标； 3)若beta为负，对行业指标乘以-1取反；在错位±4期范围内计算时差相关系数；当时差相关系数最大时，对应的错位期数就是行业指标相对于财务参照的领先期数，同时剔除最大时差相关系数小于0.3的指标； 4)若beta为负，对行业指标乘以-1取反；计算行业指标和财务参照之间的月均动态时间弯曲(Dynamic Time Warping, DTW)距离，剔除月均DTW距离大于0.6的指标。 其中，DTW距离与欧氏距离不同。欧氏距离将两条曲线按时间轴刻度匹配；DTW距离将两条曲线按照形状进行匹配，同时弥补了时差相关系数易受极端波动干扰的缺点。DTW距离运用动态规划思想进行计算。设序列A=[a1,a2, ... ,at]，序列B=[b1,b2, ... ,bt]，在开展z-score标准化之后，两者之间的DTW距离之和D(t,t)可采用下式递推计算： 为了加速计算过程，我们采用Fast_DTW算法限制搜索范围|i-j|≤3。考虑到不同的行业指标序列长度不同，将DTW距离除以指标序列的长度，得到月均DTW距离。月均DTW距离的数学含义是：两条序列之间的差异相当于序列自身标准差的多少倍，数值越小，表明两条序列形状越相似。 经过指标评价步骤，部分无法满足建模需求的指标已被剔除，指标库规模虽有所降低，但仍大于目标的代理指标数。对于仍然保留的指标，我们通过计算综合得分，对其进行进一步筛选。综合得分的计算包括两部分： 1)以下三项之和：最大R2的升序排名、最大时差相关系数的升序排名、月均DTW距离的降序排名，并将最小值设为0分、最大值设为300分，其余指标得分等比例缩放； 2)惩罚序列长度不足的指标：若最长指标有效序列的长度为T，其余指标长度不足T的部分，每缺一期扣1分； 3)惩罚领先滞后期数偏离理想状况的指标：最理想的领先期数是3期（由于错位范围限制在±4期，领先4期实则为至少领先4期，指标领先性过强有可能导致配置信号过于左侧）；各指标领先滞后期数与领先3期之间，每差1期，扣5分； 4)惩罚发布滞后的月频指标：对于延迟一期发布的月频指标，扣5分，使得类似含义的指标能够优先选到日频或周频指标。 指标筛选按照综合得分从高到低，遍历经过评价步骤的指标库，选取给定数量的非重复指标（Wind上存在代码不同、实则为同一指标的情况；对此，采用相关系数≥0.99来识别重复指标），作为最终的景气度代理指标池。 Simple-Nowcasting模型 数学原理 Nowcasting的含义是对尚未发布的“现在时”状态进行预测。Nowcasting模型的核心是动态因子模型（Dynamic Factor Model, DFM）。本研究采用的DFM模型结构包括隐含状态方程、隐含因子状态转移方程和特质因子状态转移方程。 隐含状态方程左侧的yti是第i个中观景气度代理指标的历史序列；方程右侧的ft是中观景气度指数，因为无法观测，所以被称作隐含因子；bi是第i个代理指标在景气度指数上的暴露；eti是第i个代理指标无法被景气度解释的部分，故被称作特质因子。由于指标延迟发布，部分指标的序列尾部可能还没有发布值，故用0-1变量标记指标wti尾部缺失情况，缺失值样本不参与参数估计。注意：由于在指标预处理的时候，除了序列尾部缺失值外，前部和内部缺失值都进行了填充，因此隐含状态方程只需应对序列尾部缺失值即可。 隐含状态方程本质是降维方程，n个景气度代理指标降维到1个景气度指数，其经济学含义为景气度代理指标是行业景气度的低维映射，行业景气度是不同代理指标的系统性驱动力，即经济变量的同源性。 隐含因子状态转移方程和特质因子状态转移方程都用AR(2)过程刻画隐含因子（景气度指数）和各代理指标特质因子的内生变化，从而赋予DFM线性外推、处理缺失值的能力。 状态转移方程假设影响代理指标的系统性驱动力和非系统性驱动力都是内生的，即行业周期的内生性。短到“鸡周期”“猪周期”、库存周期（基钦周期），长到产能周期（朱拉格周期）、房地产周期（库兹涅茨周期），大部分行业或多或少受到行业自身生命周期的内生驱动。当a12+4a2<0时，AR(2)过程能够刻画景气度指数的周期性波动。 简化求解 由于只有隐含状态方程左侧的景气度代理指标序列是已知的，待估计参数{ft,bi,a,hi}都是未知的，所以不能用最小二乘法、极大似然估计等常规方法直接求解。在本系列的开篇报告《中观行业景气度：Nowcasting初探》（2021-09-26）中，简要介绍了美联储使用EM算法估计DFM未知参数的流程： 1)注意到隐含状态方程的本质是降维方程，不难联想到主成分分析（PCA）的第一主成分也是一系列变量的降维，因此美联储的第一步是对全体代理指标进行PCA，用第一主成分初始化景气度指数；由于指标序列存在缺失值，PCA不能对缺失值进行，故在PCA之前，美联储选择用最近的有效值进行填充； 2)美联储的第二步是将全体待估计参数划分为ft和{bi,a,hi}；首先固定ft，用极大似然估计法估计{bi,a,hi}，即M步；然后固定{bi,a,hi}，用卡尔曼滤波估计ft，即E步；重复M步和E步，最后ft将会收敛至全局最优。 在实操中发现：极大似然估计和卡尔曼滤波涉及大量的矩阵求逆操作，由于计算机舍入误差的原因，理论上的全局最优很难达到；其次，由于数据本身有较多噪声，EM算法的结果与PCA做初始化的结果差异不大，表明复杂的EM算法有“杀鸡用牛刀”之嫌。 所以在第二篇报告《中观景气度之上游资源/中游材料》(2021-10-14)中，我们提出了一种简化求解方法。不过，当时的简化方法并没有考虑模型的收敛性。对此，我们将前期报告中提出的简化方法作为“小循环”，在“小循环”之外再套上一个使模型最终可以收敛的“大循环”。本文将这种可以收敛的简化求解方法称作Simple-Nowcasting。 Simple-Nowcasting第一步的基本思想与美联储一样，用代理指标的第一主成分初始化景气度指数。不同的是，暂时不对含有缺失值的截面进行PCA。因此，初始化后的序列长度由序列长度最短的指标决定。以下图为例，初始化的景气度指数只有截至t-3期的数值。 景气度指数初始化后，进入“大循环”。“大循环”通过反复调用“小循环”，在填充缺失值的同时，不断修正拟合结果，直到景气度指数不再发生变化： 1)运行“小循环”，得到完整的景气度指数序列； 2)对于实际存在未发布指标的截面，将对应截面景气度指数的Nowcasting值还原为缺失值，作为“小循环”的起点，重新运行“小循环”； 3)重复步骤2，直到相邻小循环得到的景气度指数不再发生变化。 将带有缺失值的景气度指数序列输入“小循环”： 1)使用最小二乘法（OLS）估计各代理指标在景气度指数上的暴露，并计算残差；回归只能使用截至t-3期的样本，得到的特质因子序列也只有截至t-3期的数值。 2)使用OLS拟合景气度指数和各指标特质因子的AR(2)过程，得到自回归系数。 3)将AR(2)过程线性外推一期，得到t-2期的景气度指数和各指标特质因子的预测值；对于t-2期数值尚未发布的指标，利用景气度指数预测值乘以该指标的暴露，再加上该指标特质因子预测值，就可以得到指标t-2期的预测值。 4)用指标t-2期的预测值填充t-2期的缺失值，于是t-2期全体指标都有数值，可以一并参与PCA，得到截至t-2期的景气度指数； 5)重复上述步骤，直到能够得到截至t期的完整的景气度指数序列。 不难发现，Simple-Nowcasting的思想也是在第一主成分的基础上微调，与美联储的做法可谓“殊途同归”；求解同样使用EM算法——E步用PCA估计ft，M步用OLS估计{bi,a,hi}。那么，Simple-Nowcasting必然收敛吗？ 这里我们不引入复杂的数学证明，考虑一种比较极端的情况。假设有两个指标y1和y2，两者不相关。那么，y1和y2的相关系数矩阵就是单位阵，其两个特征值都为1。根据主成分的定义，第一主成分和第二主成分的贡献率均为50%。这就让DFM“困惑”了——究竟用第一主成分还是用第二主成分来表征景气度？于是，在“大循环”的过程中，景气度指数的结果可能会在第一主成分和第二主成分之间反复跳跃，无法收敛。 所以，模型收敛的一个必要条件是：全体代理指标两两之间显著相关。在很多模型中，变量之间的高相关性是特征工程的一大忌讳，但是对于Simple-Nowcasting模型，变量高相关性反而是优势。而且，每个代理指标只反映了景气度的一个侧面，会受到不同程度噪声的干扰。显著相关的指标数目越多，其公共部分——真正被行业景气度驱动的部分能够被提取得更纯粹。在本研究中，行业指标库定量评价和筛选过程以ROE_TTM同比或营收增速为“锚”，最终确定的代理指标都和财务参照指标有较高的相关性，使得代理指标之间存在显著的间接相关性。因此，全体代理指标之间应显著相关的必要条件得到满足。 16个中信行业中观景气度建模结果 由于行业逻辑在发生变化，加上部分代理指标可能会停止更新，因此需要定期对行业指标库重新进行评价和筛选。不过，重新评价和筛选的频率不宜太高。一方面，财务指标更新频率较低，若财务参照指标序列不变，则最终确定的代理指标池也不会变；另一方面，行业指标库规模较大，每次下载和清洗需花费较多的流量和算力。我们建议在每年一季报和三季报发布后，重新下载完整指标库，开展清洗、评价和筛选；在后续的半年中，我们只对最终确定的代理指标池进行更新和建模。因为指标库构建充分考虑了中观逻辑，所以不再对定量得到的代理指标池作主观评价。 针对每一个行业，我们会分别对ROE_TTM同比和营收增速进行建模，得到的景气度指数分别称作“华泰XX行业ROE景气指数”和“华泰XX行业营收景气指数”。 我们以2013Q4至2021Q3的ROE_TTM同比或营收增速为参照，选取各行业中观景气度代理指标，使用2013-12-31至2021-12-31代理指标已发布序列进行中观景气度建模。下文将以电子行业为例，展示重要的中间结果；其他行业只展示最终建模结果。 电子行业（CI005025.WI） 电子行业主要包括消费电子、半导体、光学光电、元器件等子产业链。作为制造业，电子行业的盈利能力易受到通胀的影响；作为成长风格行业，电子行业的营运能力易受到宏观流动性的影响。电子行业指标库的构建主要从上述子产业链及宏观因素入手。 石油石化行业（CI005001.WI） 煤炭行业（CI005002.WI） 有色金属行业（CI005003.WI） 钢铁行业（CI005005.WI） 基础化工行业（CI005006.WI） 建材行业（CI005008.WI） 机械行业（CI005010.WI） 电力设备及新能源行业（CI005011.WI） 国防军工行业（CI005012.WI） 汽车行业（CI005013.WI） 家电行业（CI005016.WI） 酒类行业（CI005156.WI） 饮料行业（CI005822.WI） 食品行业（CI005823.WI） 房地产行业（CI005023.WI） 16个中信行业的中观景气度轮动策略 基于中观视角开展行业轮动是一个难题。一方面，不同行业选取了不同的代理指标开展中观景气度建模；另一方面，Nowcasting得到的景气度指数的具体数值没有数学含义。这两个原因影响了中观景气度指数在行业之间的可比性。读者可能会担忧，中观视角的研究成果是否更适合用于单行业买卖机会（偏重配置）的判断。 为了验证中观数据也能够应用于行业轮动，我们对16个已经覆盖的中信行业，各选取6个综合得分处于前列的中观景气度代理指标，如后文两张表所示。其中，第一个表格涉及行业的代理指标以ROE_TTM同比作为参照；第二个表格涉及行业的代理指标以营收增速作为参照（营收增速修正了2021Q1至2021Q3的低基数效应）。我们采用打分法来构建16个中信行业的景气度轮动策略。 纯中观策略视角 每个月末日历日，根据指标的延迟期数，只截取截至该截面可真实获得的指标序列，避免引入未来信息，并按照给定的预处理步骤进行清洗。然后，计算各指标的环比变化，环比上行记为1分，否则记为0分；若当期指标没有新发布数据（如固定资产投资完成额指标1月没有发布值），则沿用上期得分；每个行业中观景气度得分满分是6分。若出现平分的情况，则进一步比较景气度得分的月度边际变化（当有新的景气行业出现的时候，可能会分流原先景气行业中的部分资金），最终的计算公式如下： 回测区间为2016-12-30至2022-01-17，每月最后一个日历日发出调仓信号，次月第一个交易日调仓。暂不考虑手续费。每次调仓选中观景气度得分最高的3个行业。 回测显示，中观景气组合的年化收益、夏普比率、卡玛比率等业绩指标全面优于行业等权组合；其中，超额年化收益为13.09%，超额胜率为65.6%，表明应用中观数据做行业轮动是有效的。 宏观+中观视角策略 在自上而下的行业景气度研究中，除了中观视角，前期报告《行业配置策略：投资时钟视角》（2021-07-06）和《未来宏观环境更看好TMT板块》（2021-12-25）对宏观行业景气度进行了研究。这一小节拟将宏观景气度和微观景气度融合，得到综合景气度，使用综合景气度开展行业轮动，考察宏观景气度和中观景气度能否产生“1+1>2”的效果。 在宏观视角，我们沿用前期报告构建的由增长、通胀、信用、货币等四个维度组成的华泰金工-宏观因子指数。取历史30个月为滚动窗口，以宏观因子环比变化为自变量，以同期行业指数收益率为因变量，开展一元线性回归，计算窗口期内行业指数在宏观因子上的暴露系数。滚动窗口内的暴露系数在一定程度上能够捕捉动态的宏观-行业映射关系。 针对各维度宏观因子，将行业按暴露高低划分为6层。若宏观观点为看多因子，则给予受益于因子上行的暴露最高的一层5分，给予受累于因子下行的暴露最低的一层0分，其余几层分别为4、3、2、1分；若宏观观点为看空因子，同理；若无法给出宏观观点，则全体行业均赋2.5分。宏观观点的预测采用因子动量法和相位判断法的融合信号。宏观因子合成与观点预测等方法学细节详见《行业配置策略：投资时钟视角》（2021-07-06）。将四个维度的得分加总，就得到了各行业的宏观景气度得分。类似地，若出现平分的情况，则进一步比较景气度得分的月度边际变化，最终的计算公式如下： 宏观景气度满分为20分，除以20归一化；中观景气度满分为6分，除以6归一化。将归一化后的宏观景气度得分和中观景气度得分等权相加，就得到综合景气度得分： 回测区间为2016-12-30至2022-01-17，每月最后一个日历日发出调仓信号，次月第一个交易日调仓。暂不考虑手续费。每次调仓选综合景气度得分最高的3个行业。 回测显示，综合景气组合的年化收益、夏普比率、卡玛比率等业绩指标，在中观景气组合的基础上进一步得到提升，相对于行业等权组合的超额年化收益提升至19.43%，超额胜率提升至70.5%，相对于宏观景气组合的最大回撤下降13.11pct，发挥出了宏观视角高赔率和中观视角高胜率、低回撤的优势，起到“1+1>2”的效果。 本研究的主要成果有两项： 1)使用Simple-Nowcasting模型，构建了16个中信行业的ROE景气指数和营收景气指数，帮助投资者预判行业的增收增利状况； 2)通过中观景气度打分体系，构建了16个中信行业的轮动策略，验证了中观数据用于行业轮动的有效性，验证了宏观视角和中观视角能起到“1+1>2”的效果。 风险提示 1.模型根据历史规律总结，历史规律可能失效。 2.报告中涉及到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。 免责声明与评级说明 公众平台免责声明 本公众平台不是华泰证券股份有限公司（以下简称“华泰证券”）研究所官方订阅平台。相关观点或信息请以华泰证券官方公众平台为准。根据《证券期货投资者适当性管理办法》的相关要求，本公众号内容仅面向华泰证券客户中的专业投资者，请勿对本公众号内容进行任何形式的转发。若您并非华泰证券客户中的专业投资者，请取消关注本公众号，不再订阅、接收或使用本公众号中的内容。因本公众号难以设置访问权限，若给您造成不便，烦请谅解！本公众号旨在沟通研究信息，交流研究经验，华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。 本公众号研究报告有关内容摘编自已经发布的研究报告的，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。如需了解详细内容，请具体参见华泰证券所发布的完整版报告。 本公众号内容基于作者认为可靠的、已公开的信息编制，但作者对该等信息的准确性及完整性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。 在任何情况下，本公众号中的信息或所表述的意见均不构成对客户私人投资建议。订阅人不应单独依靠本订阅号中的信息而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。普通投资者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。 本公众号版权仅为华泰证券股份有限公司所有，未经公司书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。本公司具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。 林晓明 执业证书编号：S0570516010001 华泰金工深度报告一览 金融周期系列研究（资产配置） 【华泰金工林晓明团队】2020年中国市场量化资产配置年度观点——周期归来、机会重生，顾短也兼长20200121 【华泰金工林晓明团队】量化资产配置2020年度观点——小周期争明日，大周期赢未来20200116 【华泰金工林晓明团队】风险预算模型如何度量风险更有效-改进风险度量方式稳定提升风险模型表现的方法 【华泰金工林晓明团队】周期双底存不确定性宜防守待趋势——短周期底部拐头机会渐增，待趋势明朗把握或更大20191022 【华泰金工林晓明团队】二十年一轮回的黄金投资大周期——黄金的三周期定价逻辑与组合配置、投资机会分析20190826 【华泰金工林晓明团队】如何有效判断真正的周期拐点？——定量测度实际周期长度提升市场拐点判准概率 【华泰金工林晓明团队】基钦周期的长度会缩短吗？——20190506 【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（下） 【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（上） 【华泰金工林晓明团队】周期轮动下的BL资产配置策略 【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究 【华泰金工林晓明团队】市场拐点的判断方法 【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略报告（上） 【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（四）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（三）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（二）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（一）——华泰金工周期系列研究 【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索 【华泰金工林晓明团队】市场周期的量化分解 【华泰金工林晓明团队】周期研究对大类资产的预测观点 【华泰金工林晓明团队】金融经济系统周期的确定（下）——华泰金工周期系列研究 【华泰金工林晓明团队】金融经济系统周期的确定（上）——华泰金工周期系列研究 【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列 行业指数频谱分析及配置模型：市场的周期分析系列之三 【华泰金工林晓明团队】市场的频率——市场轮回，周期重生 【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探 周期起源 【华泰金工林晓明团队】金融经济周期的耗散结构观——华泰周期起源系列研究之十 【华泰金工林晓明团队】经济系统中有序市场结构的进化——华泰周期起源系列研究报告之九 【华泰金工林晓明团队】企业间力的产生、传播和作用效果——华泰周期起源系列研究之八 【华泰金工林晓明团队】耦合振子同步的藏本模型——华泰周期起源系列研究之七 【华泰金工林晓明团队】周期在供应链管理模型的实证——华泰周期起源系列研究之六 【华泰金工林晓明团队】不确定性与缓冲机制——华泰周期起源系列研究报告之五 【华泰金工林晓明团队】周期是矛盾双方稳定共存的结果——华泰周期起源系列研究之四 【华泰金工林晓明团队】周期是不确定性条件下的稳态——华泰周期起源系列研究之三 【华泰金工林晓明团队】周期趋同现象的动力学系统模型——华泰周期起源系列研究之二 【华泰金工林晓明团队】从微观同步到宏观周期——华泰周期起源系列研究报告之一 FOF与金融创新产品 【华泰金工林晓明团队】养老目标基金的中国市场开发流程--目标日期基金与目标风险基金产品设计研究 【华泰金工】生命周期基金Glide Path开发实例——华泰FOF与金融创新产品系列研究报告之一 因子周期（因子择时） 【华泰金工林晓明团队】市值因子收益与经济结构的关系——华泰因子周期研究系列之三 【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二 【华泰金工林晓明团队】因子收益率的周期性研究初探 择时 【华泰金工林晓明团队】波动率与换手率构造牛熊指标——华泰金工量化择时系列 【华泰金工林晓明团队】A股市场低开现象研究 【华泰金工林晓明团队】华泰风险收益一致性择时模型 【华泰金工林晓明团队】技术指标与周期量价择时模型的结合 【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的应用 中观基本面轮动 【华泰金工林晓明团队】行业配置落地：指数增强篇——华泰中观基本面轮动系列之十 【华泰金工林晓明团队】行业配置策略：拥挤度视角——华泰中观基本面轮动系列之九 【华泰金工林晓明团队】行业配置策略：景气度视角——华泰中观基本面轮动系列之八 【华泰金工林晓明团队】行业配置策略：趋势追踪视角——华泰中观基本面轮动系列之七 【华泰金工林晓明团队】行业配置策略：宏观因子视角——华泰中观基本面轮动系列之六 【华泰金工林晓明团队】行业全景画像：投入产出表视角——华泰中观基本面轮动系列之五 【华泰金工林晓明团队】行业全景画像：改进杜邦拆解视角——华泰中观基本面轮动系列之四 【华泰金工林晓明团队】行业全景画像：风格因子视角 ——华泰中观基本面轮动系列之三 【华泰金工林晓明团队】行业全景画像：宏观因子视角 ——华泰中观基本面轮动系列之二 【华泰金工林晓明团队】确立研究对象：行业拆分与聚类——华泰中观基本面轮动系列之一 行业轮动 【华泰金工林晓明团队】不同协方差估计方法对比分析（二）——华泰行业轮动系列报告之十三 【华泰金工林晓明团队】拥挤度指标在行业配置中的应用——华泰行业轮动系列报告之十二 【华泰金工林晓明团队】基于投入产出表的产业链分析 ——华泰行业轮动系列报告之十一 【华泰金工林晓明团队】不同协方差估计方法对比分析——华泰行业轮动系列报告之十 【华泰金工林晓明团队】景气度指标在行业配置中的应用——华泰行业轮动系列报告之九 【华泰金工林晓明团队】再探周期视角下的资产轮动——华泰行业轮动系列报告之八 【华泰金工林晓明团队】“华泰周期轮动”基金组合改进版——华泰行业轮动系列报告之七 【华泰金工林晓明团队】“华泰周期轮动”基金组合构建——华泰行业轮动系列之六 【华泰金工林晓明团队】估值因子在行业配置中的应用——华泰行业轮动系列报告之五 【华泰金工林晓明团队】动量增强因子在行业配置中的应用——华泰行业轮动系列报告之四 【华泰金工林晓明团队】财务质量因子在行业配置中的应用——华泰行业轮动系列报告之三 【华泰金工林晓明团队】周期视角下的行业轮动实证分析——华泰行业轮动系列之二 【华泰金工林晓明团队】基于通用回归模型的行业轮动策略——华泰行业轮动系列之一 Smartbeta 【华泰金工林晓明团队】重剑无锋：低波动 Smart Beta——华泰 Smart Beta 系列之四 【华泰金工林晓明团队】投资优质股票：红利类Smart Beta——华泰Smart Beta系列之三 【华泰金工林晓明团队】博观约取：价值和成长Smart Beta——华泰Smart Beta系列之二 【华泰金工林晓明团队】Smart Beta：乘风破浪趁此时——华泰Smart Beta系列之一 【华泰金工林晓明团队】Smartbeta在资产配置中的优势——华泰金工Smartbeta专题研究之一 多因子选股 【华泰金工林晓明团队】华泰单因子测试之历史分位数因子——华泰多因子系列之十三 【华泰金工林晓明团队】桑土之防：结构化多因子风险模型——华泰多因子系列之十二 【华泰金工林晓明团队】华泰单因子测试之海量技术因子——华泰多因子系列之十一 【华泰金工林晓明团队】因子合成方法实证分析 ——华泰多因子系列之十 【华泰金工林晓明团队】华泰单因子测试之一致预期因子 ——华泰多因子系列之九 【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八 【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七 【华泰金工林晓明团队】华泰单因子测试之波动率类因子——华泰多因子系列之六 【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五 【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四 【华泰金工林晓明团队】华泰单因子测试之成长类因子——华泰多因子系列之三 【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二 【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一 【华泰金工林晓明团队】五因子模型A股实证研究 【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二 人工智能 【华泰金工林晓明团队】深度卷积GAN实证——华泰人工智能系列之四十四 【华泰金工林晓明团队】因子观点融入机器学习——华泰人工智能系列之四十三 【华泰金工林晓明团队】图神经网络选股与Qlib实践——华泰人工智能系列之四十二 【华泰金工林晓明团队】基于BERT的分析师研报情感因子——华泰人工智能系列之四十一 【华泰金工林晓明团队】微软AI量化投资平台Qlib体验——华泰人工智能系列之四十 【华泰金工林晓明团队】周频量价选股模型的组合优化实证——华泰人工智能系列之三十九 【华泰金工林晓明团队】WGAN生成：从单资产到多资产——华泰人工智能系列之三十八 【华泰金工林晓明团队】舆情因子和BERT情感分类模型——华泰人工智能系列之三十七 【华泰金工林晓明团队】相对生成对抗网络RGAN实证——华泰人工智能系列之三十六 【华泰金工林晓明团队】WGAN应用于金融时间序列生成——华泰人工智能系列之三十五 【华泰金工林晓明团队】再探AlphaNet：结构和特征优化——华泰人工智能系列之三十四 【华泰金工林晓明团队】数据模式探索：无监督学习案例——华泰人工智能系列之三十三 【华泰金工林晓明团队】AlphaNet：因子挖掘神经网络——华泰人工智能系列之三十二 【华泰金工林晓明团队】生成对抗网络GAN初探——华泰人工智能系列之三十一 【华泰金工林晓明团队】从关联到逻辑：因果推断初探——华泰人工智能系列之三十 【华泰金工林晓明团队】另类标签和集成学习——华泰人工智能系列之二十九 【华泰金工林晓明团队】基于量价的人工智能选股体系概览——华泰人工智能系列之二十八 【华泰金工林晓明团队】揭开机器学习模型的“黑箱” ——华泰人工智能系列之二十七 【华泰金工林晓明团队】遗传规划在CTA信号挖掘中的应用——华泰人工智能系列之二十六 【华泰金工林晓明团队】市场弱有效性检验与择时战场选择——华泰人工智能系列之二十五 【华泰金工林晓明团队】投石问路：技术分析可靠否？——华泰人工智能系列之二十四 【华泰金工林晓明团队】再探基于遗传规划的选股因子挖掘——华泰人工智能系列之二十三 【华泰金工林晓明团队】基于CSCV框架的回测过拟合概率——华泰人工智能系列之二十二 【华泰金工林晓明团队】基于遗传规划的选股因子挖掘——华泰人工智能系列之二十一 【华泰金工林晓明团队】必然中的偶然：机器学习中的随机数——华泰人工智能系列之二十 【华泰金工林晓明团队】偶然中的必然：重采样技术检验过拟合——华泰人工智能系列之十九 【华泰金工林晓明团队】机器学习选股模型的调仓频率实证——华泰人工智能系列之十八 【华泰金工林晓明团队】人工智能选股之数据标注方法实证——华泰人工智能系列之十七 【华泰金工林晓明团队】再论时序交叉验证对抗过拟合——华泰人工智能系列之十六 【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五 【华泰金工林晓明团队】对抗过拟合：从时序交叉验证谈起 【华泰金工林晓明团队】人工智能选股之损失函数的改进——华泰人工智能系列之十三 【华泰金工林晓明团队】人工智能选股之特征选择——华泰人工智能系列之十二 【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一 【华泰金工林晓明团队】宏观周期指标应用于随机森林选股——华泰人工智能系列之十 【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九 【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八 【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七 【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六 【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五 【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四 【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三 【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二 指数增强基金分析 【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位分析专题报告 【华泰金工林晓明团队】酌古御今：指数增强基金收益分析 【华泰金工林晓明团队】基于回归法的基金持股仓位测算 【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证 基本面选股 【华泰金工林晓明团队】华泰价值选股之相对市盈率港股模型——相对市盈率港股通模型实证研究 【华泰金工林晓明团队】华泰价值选股之FFScore模型 【华泰金工林晓明团队】相对市盈率选股模型A股市场实证研究 【华泰金工林晓明团队】华泰价值选股之现金流因子研究——现金流因子选股策略实证研究 【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究 【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究 基金定投 【华泰金工林晓明团队】大成旗下基金2018定投策略研究 【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四 【华泰金工林晓明团队】基金定投3—马科维茨有效性检验 【华泰金工林晓明团队】基金定投2—投资标的与时机的选择方法 【华泰金工林晓明团队】基金定投1—分析方法与理论基础 基金评价 【华泰金工林晓明团队】基金评价及筛选全流程研究框架——股票型与债券型基金多种维度定量与定性评价法 【华泰金工林晓明团队】基金选股择时能力的定量分析法——我国公募基金大多具有较强选股能力 【华泰金工林晓明团队】基金业绩持续性的规律与策略构建——采用有效影响因子筛选出持续性较好的绩优基金 ETF季度盘点 【华泰金工林晓明团队】2021Q2中国ETF市场盘点回顾 【华泰金工林晓明团队】2021Q1中国ETF市场盘点回顾 【华泰金工林晓明团队】2020Q4中国ETF市场全景回顾——总规模创新高，行业主题类ETF渐成市场新主角20210112 【华泰金工林晓明团队】2020年三季度中国ETF市场回顾——产品百花齐放、投资者结构日渐成熟，规模创新高20201021 【华泰金工林晓明团队】ETF产品细分差异化或成突围之道——2020二季度中国ETF市场全景回顾盘点与展望20200803 【华泰金工林晓明团队】ETF规模数量大涨品类不断丰富——2020一季度中国ETF市场全景回顾盘点 其它 【华泰金工林晓明团队】A股市场及行业的农历月份效应——月份效应之二 A股市场及行业的月份效应——详解历史数据中的隐藏法则
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）
郑重声明：悟空智库网发布此信息的目的在于传播更多信息，与本站立场无关，不构成任何投资建议。
