本报告基于普林格周期和宏观变量构建行业轮动模型,通过逐步回归和逻辑回归两种量化方法,深入挖掘宏观因子对A股29个一级行业超额收益的预测能力。实证结果显示,基于周期划分的行业集中配置策略与拟合预测模型均能显著获得超额收益,多头年化超额收益分别超过5%和14%,且模型具有较强的稳定性和解释性,提供了宏观与微观结合的有效投资框架。
普林格周期划分经济阶段,结合先行、同步及滞后指标(M1、M2、GDP同比、PPI同比等),将经济分为六阶段,适配现代货币政策环境,反映资产和股票风格的阶段性优劣表现。基于周期划分的大类资产轮动策略近7年年化收益达21.67%,夏普比率1.75,最大回撤-6.38%。
宏观变量处理覆盖17类基础指标,经过差分、主观标记及领先滞后处理扩展至204个特征,标志变量形式忠实反映趋势变化,减弱幅度波动噪声对建模影响,典型代表为十年期国债收益率处理示例。
逐步回归+OLS线性回归方案针对行业超额收益建模,从204个候选宏观变量中筛选至多5个,避免多重共线性且保证变量显著性,提升模型时变鲁棒性。构建了回归因子,L=1、Q=6参数设定下,多头组年化超额收益达14.11%,最大回撤16.3%,夏普比率1.11,2023年多头仍维持正超额收益,模型具较好稳定性和解释性。
| 分组 | 年化收益率% | 年化波动率% | 最大回撤% | 夏普比率 | 卡玛比率 | 超额胜率% | 年化超额% |
|---|---|---|---|---|---|---|---|
| 第1组 | 22.19 | 20.01 | 16.30 | 1.11 | 1.36 | 61.90 | 14.11 |
| 第2组 | 8.31 | 19.39 | 25.41 | 0.43 | 0.33 | 50.79 | 1.15 |
| 第3组 | 3.67 | 19.51 | 28.14 | 0.19 | 0.13 | 42.86 | -3.19 |
| 第4组 | 5.31 | 19.30 | 28.37 | 0.28 | 0.19 | 50.79 | -1.65 |
| 第5组 | -1.54 | 17.76 | 37.94 | -0.09 | -0.04 | 38.10 | -8.05 |
| 等权 | 7.08 | 18.00 | 26.13 | 0.39 | 0.27 | 0.00 | 0.00 |
逻辑回归+L1惩罚项基于行业配对相对超额收益符号构建分类模型,处理29个行业间406个配对,简化回归为更可控分类任务,提升模型拟合效率与泛化能力。参数设定C=0.18,L=3,模型综合考虑过去3个月训练结果,五分组回测多头年化超额13.53%,夏普比率0.89。2023年下半年的回撤表明对宏观变量预期表现仍有挑战。
| 分组 | 年化收益率% | 年化波动率% | 最大回撤% | 夏普比率 | 卡玛比率 | 超额胜率% | 年化超额% |
|---|---|---|---|---|---|---|---|
| 第1组 | 17.38 | 19.46 | 18.24 | 0.89 | 0.95 | 61.40 | 13.53 |
| 第2组 | 3.69 | 17.37 | 21.55 | 0.21 | 0.17 | 52.63 | 0.28 |
| 第3组 | 5.74 | 17.47 | 27.11 | 0.33 | 0.21 | 52.63 | 2.27 |
| 第4组 | -1.56 | 18.10 | 36.57 | -0.09 | -0.04 | 49.12 | -4.80 |
| 第5组 | -6.07 | 17.55 | 44.84 | -0.35 | -0.14 | 40.35 | -9.16 |
| 等权 | 3.40 | 16.37 | 26.13 | 0.21 | 0.13 | 52.63 | 0.00 |
2024年4月、5月行业推荐(基于回归模型)集中于食品饮料、医药、传媒、计算机、国防军工等,组合超额行业等权收益率4月达到0.4%。
报告指出,周期划分模型更具稳定且能及时捕捉经济状态切换,拟合预测模型在2023年表现波动较大。建议投资者根据对宏观预期的信心和对模型解释性的需求选择回归或分类建模方案。
报告最后展望依托行业配对的新建模框架,可继续探究配对稀疏结构及时序动量效应,丰富宏观因子与行业轮动交叉研究。
核心论点:报告提出并实证了两大类基于宏观因子的行业轮动模型:
报告显示,周期划分策略年化超额收益为5.44%,样本外期间表现优异;而基于回归与分类的模型,尤其是逐步回归和带L1惩罚的逻辑回归,分别实现了14.11%和13.53%的超额收益,展现了较好的策略稳定性和解释性。
总体来看,报告强调主观经验与量化方法的结合,依据不同投资者的需求推荐分别侧重周期划分法或回归预测法,为行业轮动投资提供系统化量化框架。
图表解读:
图4展示了“中债国债到期收益率:10年”的原始数据与两种标记处理对比,红线为主观标记,蓝线为差分标记,显示了将连续指标提炼为趋势标签的处理框架,便于模型识别经济走势特征。
模型表现:
图5为逐步回归变量筛选流程图,详细展示了模型自变量的筛选逻辑,以保证每个入选变量的统计显著性与差异性。
图6为该模型带入宏观数据后的回测净值增长曲线,清晰呈现时间序列上的增长和波动特征。
表4-5展示了逐步回归模型的主要回测统计数据与分年超额收益的表现。
图14呈现该逻辑回归模型的累计收益净值曲线,突出多头超额净值的稳定增长。
表11-12为该模型的详细统计数据及年度超额收益。
本报告主要聚焦于基于宏观因子的行业轮动策略构建与实证表现分析,不涉及传统意义上的企业估值模型(如DCF、市盈率等)估值评估,核心关注点为行业超额收益预测因子的构造及选股配置建议。
估值部分体现在通过模型预测的行业相对强弱及超额收益,指导行业配置权重,因而估值方法是量化模型回归和分类的拟合能力与预测准确度,而非具体公司估值。
对于回归模型,关键输入包括丰富的宏观变量(204个标记变量)、变量筛选机制(逐步回归),而逻辑回归模型应用L1正则化实现变量稀疏选择,成为两个方案的核心估值“参数”。
报告明确风险提示如下:
整体风险控制机制以上述预警为主,报告未详细部署具体缓解策略,强调需结合市场动态灵活调整策略。
本报告系统地构建和测试了基于宏观因子的行业轮动模型,揭示了宏观经济周期及丰富宏观数据对行业超额收益的驱动力。通过普林格周期划分,策略实现了稳健的年化超额收益5.44%,在样本外期间表现更佳,说明周期划分法虽简单但有效。
同时,两种基于宏观变量的预测模型呈现更高的超额收益,逐步回归模型多头年化14.11%,逻辑回归模型达到13.53%,均体现了宏观变量细粒度处理和回归/分类建模能够提升行业超额收益预测的精细度和稳定性。逻辑回归通过将行业超额收益回归转化为配对分类任务,降低模型复杂度,利于变量选择与解释。
宏观变量通过差分和主观标记的统一处理,拓宽了预测因子视角,凸显M2、工业增加值、上证指数波动率等关键因子的使用频率与预测重要性。
行业回测和推荐结果具体且具实用价值,指明食品饮料、医药、传媒、计算机、国防军工等为当前及未来阶段的重点行业,结合宏观周期变化灵活调整,有助于投资者构建动态调整的行业配置策略。
风险提示明确提示模型失效与外部冲击可能性,强调任何模型需配合风险管理及灵活调整。
整体而言,报告体现了主观宏观周期理论与量化多变量模型的良好结合,为A股行业轮动提供了严谨科学且具体可行的建模策略,适合专业机构投资者作为参考框架。
宏观因子行业轮动体系——主观与量化结合新尝试.pdf