报告基于经济、通胀、货币和信用四大类30余宏观因子,构建红利指数择时策略,实现年化17.49%收益及波动率和最大回撤显著降低。结合AI机器学习选股在中证红利成分股中构建增强策略,年化超额收益达8.36%。最终将择时+选股策略与固收资产结合,形成固收+策略,年化收益7.21%,夏普比率2.10,风险收益表现优异。策略整体体现红利风格在弱市抗跌与稳健收益中的优势
| 因子类别 | 代表因子 | 数据处理 | 滚动窗口(月) | 年化收益率 | 最大回撤 | 夏普比率 |
|---|---|---|---|---|---|---|
| 经济增长 | 消费者信心指数 | 原始数据 | 60 | 12.63% | -28.72% | 0.74 |
| PPI-CPI剪刀差 | HP滤波 | 96 | 11.51% | -25.55% | 0.69 | |
| 货币流动性 | 逆回购R007差额 | 原始数据 | 84 | 10.30% | -14.75% | 0.78 |
| 策略 | 年化收益率 | 年化波动率 | 夏普比率 | 最大回撤 |
|---|---|---|---|---|
| 选股策略 | 18.83% | 21.64% | 0.87 | 38.52% |
| 择时策略 | 14.35% | 15.16% | 0.95 | 25.28% |
| 选股+择时策略 | 20.71% | 15.98% | 1.30 | 18.07% |
| 固收+策略 | 7.21% | 3.43% | 2.10 | 4.93% |
报告标题:基于红利风格择时+红利股优选构建的固收+策略
分析师:高智威、王小康,国金证券研究所
发布日期:2024年6月(报告涵盖时间至2024年6月)
研究对象:红利股票策略、宏观事件择时策略及固收+策略构建
邮箱联系方式:gaozhiw@gjzq.com.cn, wangxiaokang@gjzq.com.cn, xukunsheng@gjzq.com.cn
本报告由国金证券金融工程组高智威、王小康分析师团队完成,重点聚焦基于红利股的多层次策略构建,包括宏观事件动态择时、红利股票AI选股以及结合固收产品的资产配置策略。报告展现了多策略融合提升收益和波动控制的潜力,核心观点在于红利股因其稳定分红及抗跌特性,能够在弱势股市中为投资者提供更稳健的回报。
主要结论指标包括:
利率下行背景下,股市表现疲软。红利股因分红稳定,抗波动能力较强,尤其在市场弱势期更为抗跌。图表1显示自2005年以来中证红利全收益指数对比万得全A指数,红利股表现更稳健、持续跑赢大盘,尤其在震荡和下降周期中更具优势。
政策推动方面,"新国九条"强化对上市公司现金分红的监管,现金分红指标达不到会面临ST风险,红利股因此被形成政策护城河,风险更低,更受投资者青睐(图表2)。
红利指数体系多样,主要包括中证红利指数、红利低波100及红利低波指数,分别以市值、分红连续性及波动率筛选和加权,特点不同。中证红利指数市值分布均匀,分红因子暴露较高,是红利风格的纯粹代表(图表3至5)。, 4, 5]
报告详细描述了宏观事件因子构建流程,涵盖数据选用、预处理、事件生成、筛选及择时策略组合四部分。数据涵盖经济、通胀、货币和信用30余个变量,如PMI、发电量、国债利差、SHIBOR等。数据统一采用月频率处理,缺失值采用过去12个月一阶差分中位数填充,滤波采用单向HP滤波避免未来数据泄露(图表6-7)。
事件构建分为均线变动、突破中位数、同向连续变动三种,构建27种事件类型,利用收益率胜率和开仓波动调整收益率评估筛选,动态剔除失效事件(图表8-9)。最终选择出表现优良的10个宏观因子,分为经济增长和货币流动性两大类(图表10)。
择时策略基于上述精选宏观因子,通过动态仓位调整控制仓位,避免长时间空仓,兼顾风险与收益。
典型因子表现:
根据大类因子得分,将两个大类因子信号加权平均得出最终仓位信号,仓位仅为0%或100%,以减少因过多空仓导致的行情错失风险。该流程通过择时仓位决策逻辑图清晰展现(图表22)。报告分析显示该策略在控制风险的同时保持收益稳定,体现出选择大类因子和多指标融合的重要性。, 13]
中证红利指数市值分布均匀,规模覆盖从中小到大型股,行业集中在银行、煤炭、运输等周期板块(图表29-31)。因子暴露显示其估值低、规模大、分红比例高,适合用作红利选股基准。
在中证红利股票池中测试成长、质量、估值、一致预期等传统因子,发现单因子多空超额收益3%-13%不等,最大回撤均有一定幅度(约20%),稳定性不足。将多个有效传统因子等权合成使IC均值增加至6.32%,年化超额收益提升至15.42%,但回撤仍较大,说明单纯传统因子组合存在波动风险(图表32-34)。
采用GBDT和NN两类先进机器学习模型融合训练,分别针对非时序和时序变化信息进行优化,特征库包括Alpha158和Qlib等271个特征。由于特征频率不同,采用分别训练策略,大幅提升预测效果(图表35-36)。
全A回测结果显示,经因子中性化处理后IC均值高达13.8%,多头年化超额收益19.02%,最大回撤低至2.02%,表现较单一模型更稳定(图表37-38)。在红利股票池表现亦优异,IC约10.8%,多头年化超额12.14%,最大回撤10.55%(图表39-40)。
基于等权买入因子排名前十股票构建的红利股优选策略,扣除双边千四成本后年化超额收益8.36%,跟踪误差11.91%,信息比率0.70,突出收益和波动控制的良好平衡(图表41-42)。持仓风格体现了红利与估值因子暴露,行业集中于周期板块(图表43-45)。
将择时策略与AI红利选股策略结合,动态调整股票仓位,保持选股权重不变,手续费双边千四。
综合策略净值表现明显优于单独任一策略,年化收益20.71%,波动15.98%,最大回撤18.07%,夏普比率高达1.30,兼具高收益与低风险特性(图表46-47)。
引入固收产品后,限定股票仓位最高20%,其余为中长债指数配置,形成固收+策略。该策略平滑波动,最高夏普比2.10,年化收益7.21%,最大回撤仅4.93%,风险回撤属性显著优化(图表48-49)。
综上,该报提出策略框架充分利用宏观择时控制仓位波动,利用AI选股提升超额收益,结合固收资产进一步降低波动和回撤,实现适合当前市场环境的稳健固收+投资方案。
本报告并未显示具体公司估值测算,而侧重组合及指数策略层面构建,估值部分通过因子贡献和机器学习模型预测回报实现替代。机器学习模型通过大量特征和训练标签预测个股收益,隐式估值权重经最优组合确定。择时策略基于月频指数及宏观利差、产能等指标的历史关系,对权益仓位进行动态估值调整。整体策略无传统DCF或PE倍数显式估值,更多注重动态多因子风格偏好与风险控制。
报告中更关注策略绩效数据指标(多头超额收益、IC值、最大回撤、夏普比率),从绩效表现反映组合价值及风险回报水平。
报告揭示主要风险包括:
总体报告偏重策略绩效展示,缺少对模型敏感性及市场极端情形的深入压力测试,可作为未来研究方向。
本报告围绕“基于红利风格择时+红利股优选构建的固收+策略”核心议题,深入探讨了以红利股为基础的多元策略体系:
综上,报告提出的基于红利风格的择时+AI选股+固收组合策略架构,兼具收益增长与风险控制优势,是适应当前及未来市场环境下固收+领域的重要创新路径。其稳健的业绩表现和灵活的动态调整机制,为投资者构建风险可控、超额回报的组合策略提供了坚实依据和实践参考。
引用页码归纳:, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22]
以上为报告的详尽分析解读,旨在帮助投资者理解本策略的投资逻辑、表现优劣、风险特征及实际应用价值。
Beta猎手系列之十一:基于红利风格择时加红利股优选构建的固收加策略.pdf