报告通过量化模型揭示银行业绩三大核心影响因子:净息差、不良率和资产规模,并基于宏观代理因子进行建模预测。研究发现2019年净息差预计下行,不良率上升,资产规模预计增长。构建银行择时配置时钟表明当前处于净息差下降且不良率上升区间,建议低配银行。此外,不良率因子在经济下行阶段具有超额收益潜力,净息差因子与传统因子负相关,结合使用可显著提升组合夏普比率并降低最大回撤 。
| 年份 | 企业利润增速(%) | 经济状态 | 不良率低收益(%) | 不良率高收益(%) | 不良率低-高(%) |
|---|---|---|---|---|---|
| 2011 | 12.8 | 经济变差 | -9.2 | -0.6 | -8.6 |
| 2012 | -5.8 | 经济变差 | 20.9 | 5.7 | 15.2 |
| 2014 | 3.4 | 经济变差 | 72.3 | 70.8 | 1.5 |
| 2015 | -6.7 | 经济变差 | 19.4 | -4.0 | 23.3 |
| 2018 | 19.1 | 经济变差 | -5.0 | -19.1 | 14.1 |
净息差因子长期表现中等,且与传统因子(BP、EP_FY1)负相关。
因子等权组合显著提升夏普比率: 从1.2提升至1.7,最大回撤降至5%。 | 因子名称 | 年化收益率 | 波动率 | 夏普比率 | 最大回撤 | 收益回撤比 | |-----------|------------|--------|----------|----------|------------| | BP | 14.0% | 11.1% | 1.3 | -14% | 1.0 | | EP_FY1 | 14.5% | 12.0% | 1.2 | -11% | 1.3 | | 净息差因子 | 3.6% | 8.0% | 0.5 | -12% | 0.4 | | 综合组合 | 10.6% | 6.3% | 1.7 | -5% | 2.3 |
净息差因子与传统因子互补,有助分散组合风险。
报告标题:《银行行业基本面量化——择时与选股》
分析师:段伟良(执业证书编号:S0680518080001)、刘富兵(执业证书编号:S0680518030007)
发布机构:国盛证券研究所
发布日期:约2019年中(结合报告所述2019年预测,推断)
研究主题:银行行业基本面核心影响因子定量分析,构建银行业绩预测模型,结合核心因子开展银行板块择时及个股选股研究。
核心论点及目标:
报告针对银行业绩表现,提出三大核心业绩变量——净息差、不良率及资产规模,认为它们分别对应银行的“价”“质”“量”三个维度。围绕这三大核心因子,报告分别基于宏观及行业数据进行建模预测,给出2019年净息差下行、不良率上升、资产规模(贷款新增)增长的判断,并基于这三大因子构建银行行业配置时钟及独特的选股因子。择时模型当前处于净息差下降且不良率上升的“不利”象限,选股模型推荐低不良率、高净息差银行组合,强调净息差因子与传统估值因子负相关,引入净息差因子后,组合夏普比率明显提升,风险(最大回撤)降低。整体立足于运用量化模型提高银行板块的投资效率,同时提示历史规律未必完全适用于未来。
报告首先对银行收入拆分出三大主要来源:
边际贡献角度(图表3)显示,利息净收入对营业收入的同比增长贡献最大,举例2011年工商银行20个百分点增长即来自利息净收入,明确收入端边际变动以利息净收入为主。
银行支出主要包括:
结合绝对量和边际贡献看,资产减值损失主导银行利润波动,需重点关注不良贷款及其影响因素。
由收入端资产规模和净息差决定利息净收入,支出端资产减值损失主要受不良率影响,故报告将资产规模(量)、净息差(价)、不良率(质)作为银行业绩的三大核心因子。这三项指标虽可从财报获取,但数据滞后,故本文探讨如何利用宏观及行业高频数据建立预测模型以提前把握银行业绩走势。[图表7]
净息差=利息净收入/生息资产,构成业务包括存贷业务、债券投资、同业业务及存放央行。实际研究中,重点只考虑存贷利差及债券收益率,因同业业务和存放央行占比较小,影响有限。[图表8]
存贷利差是影响净息差的最重要变量。研究选取“一年期短贷款利率-活期存款利率”作为代理。历史数据显示二者走势高度一致,央行加息时存贷利差上升带动净息差上升,反之下行。但随着2015年后放开存款利率上限,存贷利差和净息差的同步性减弱,传统基准利率驱动失效。[图表9]
宏观通胀变量(实际CPI-目标CPI) 作为央行货币政策代理。数据表明当实际CPI超过政策目标时,央行加息或提高准备金率,货币紧缩压制通胀,进而影响利率和净息差。该指标领先银行净息差约一个季度,能较好说明净息差走势。[图表10-12]
国债收益率是银行债券投资收益率的重要领先指标。以十年期国债到期收益率代表,经测试领先银行实际债券收益率约一年,间接影响净息差。[图表14-15]
利率市场化推进(2013年放开贷款利率上限,2015年放开存款利率上限)导致银行间竞争激烈,净息差中枢整体下降,此政策作为哑变量纳入模型控制上移抑制因素。[图表16]
净息差预测模型
以上述三个宏观因子构建回归模型,R²约0.73,模型在样本内拟合度较好。回归系数显示,通胀因子正向影响净息差,利率市场化因子负向拉低净息差,债券收益率正向影响净息差。基于此模型预测2019年银行行业净息差仍处于下行阶段。[图表18-19]
不良率重要性
银行作为高财务杠杆行业,微小不良率变动对利润影响巨大。以工商银行为例,权益乘数约12倍,资产减值损失占净利润比重高达40%以上,说明不良贷款直接拖累银行盈利能力。[图表20-21]
企业盈利与不良率关系非线性
工业企业利润增速与银行不良率间存在非线性、非单一影响关系。报告指出企业盈利下滑不必然导致不良率上升,盈利反而提升时期不良率亦可能上升。显示其他因素亦关键,单纯盈利指标无法准确预测不良率走势。[图表22]
核心驱动因素:企业利润增速VS新增贷款增速
报告发现“不良率走势由企业利润增速与新增贷款增速共同决定”:
资产规模代理为新增人民币贷款增速,呈现与货币政策高度相关性。在货币宽松如降准周期时,贷款增速上升。当前处于降准周期,预测贷款增速继续上升,资产规模扩张将对银行盈利产生积极影响。[图表24]
历史数据显示银行相对沪深300的超额收益绝对值大,部分年份有15%以上超额收益,银行行业具备择时投资价值。[图表25]
然而季度频度分析显示银行相对沪深300季度超额收益震荡较大,与前三大基础因子缓慢变化明显不符,暗示银行不适合做中短期(季频)择时,因核心因子变化偏慢,市场短期波动受其他因素驱动较大。[图表26]
银行配置时钟模型
基于净息差和不良率构建配置时钟,分为四象限:
✔ 净息差↑ + 不良率↓:利好,宜超配。
✘ 净息差↓ + 不良率↑:利空,宜低配。
其他两象限表现介于两者之间。
历年验证显示2011、2012、2018年净息差上升+不良率下降时银行获得正超额收益,2015年处于相反象限超额收益为负。结合预测,当前(2019)处于净息差下降+不良率上升象限,建议低配银行。[图表27-28]
不良率因子
按不良率将银行分三组,经济环境变差(企业利润下滑)时,不良率低的银行股显著跑赢不良率高的银行股。逻辑为经济差时投资者关注风险、不良率低银行更受青睐,产生超额收益。当前处于经济变差阶段,推荐配置低不良率银行股。[表格29]
净息差因子
长期看,净息差高组银行能获得一定超额收益,但幅度有限和不稳定。净息差与传统银行选股因子(BP、EP_FY1)负相关,通过将净息差因子与传统因子等权组合,夏普比率由1.2提升至1.7,最大回撤由14%降至5%,显示净息差因子的风险缓释和组合优化价值明显。[图表30-34]
报告并未详述银行整体估值方法,但强调和传统多因子组合结合提升选股效率,暗示估值依赖于基本面预测与多因子量化框架。建议关注以下风险:
报告对风险有明确提示,但未提供具体缓解策略。
需注意:
本报告系统梳理并定量解析了银行业绩变动的量价质三大核心因素:资产规模(量)、净息差(价)、不良率(质),建构精准的宏观驱动因子模型,实现对银行业绩的前瞻性动态预测。通过将净息差、不良率及资产规模三大因子与宏观经济变量有效结合,报告基于2019年数据预测银行净息差将持续下行,不良率有所上升,资产规模保持扩张态势。基于此,银行择时策略建议当前低配银行板块。
报告提出并验证了基于净息差和不良率的银行择时配置时钟,并结合经济周期实证分析确认不良率因子在经济下行时具备显著选股优势,净息差因子长期可带来超额收益且与传统因子负相关,联合组合使用能够在提升收益的同时有效降低风险、减少波动,实现夏普比率明显提升至1.7,最大回撤缩减至5%。该量化策略为银行板块投资提供了科学的择时与选股工具,兼顾基本面驱动与风险控制。
图表洞察:
总体来看,报告构建了扎实的量化框架,结合宏观政策和行业特性,配合历史数据与统计模型,提出针对性强、可执行性高的银行投资决策建议,兼顾预测精准度与实用性。再次强调,模型基于历史数据,未来宏观环境变化仍是重要风险,应持续动态跟进调整。
引用报告页码详注于各部分,所有核心结论及图表均来自国盛证券发布之《银行行业基本面量化——择时与选股》专题报告。
如需进一步对特定章节或图表细节进行更深入分析,欢迎提出。
量化专题报告:银行行业基本面量化 择时与选股.pdf