行业轮动与权益型FOF组合构建——金融工程专题报告

分析师 /张青（执业证书编号：S0890516100001）
研究助理 / 贾依廷

行业轮动与行业配置是二级市场投资一个经久不衰的话题。具体至公募FOF策略的构建，一个直观的思路与方法是直接投资于行业指数型基金。然而，这一方法存在的问题是：首先，目前发行的公募指数型基金品种并不丰富，且有众多指数基金的规模较小，直接投资于这些标的显然存在流动性问题。其次，收益与风险是成正比的。倘若能捕捉到行业热点，自然行业轮动模型能十分显著增厚组合收益，但倘若模型失效，也必然对组合净值带来较大侵蚀，也即在公募FOF的构建中，直接投资于某一行业主题，其潜在风险逻辑上是要大于直接投资于权益主动管理型基金的，因为主动管理型基金在行业配置上往往是分散配置的。如何平衡收益与风险呢？一个潜在的思路是把行业轮动模型的结论作为基金筛选或基金配置的一个额外指标，而最终配置的标的依旧是主动管理型基金。这一思路是否可行？如何实现？我们对此进行探讨。

1. 公募基金行业配置分布
要实现公募基金筛选配置与行业轮动模型的融合，需要从公募基金的行业持仓分析入手。这里存在的问题是行业分类应采用细分行业还是大类行业。采用细分行业的好处是可以更加细致的监测与把握行业轮动规律，但其问题是策略难以落地。因为我们主要利用公募的季报持仓信息（半年报、年报信息虽然会披露全部持仓，但要滞后2个月，信息时效性差），而季报仅披露前10大重仓股，倘若采用过细的行业分类，可能会导致在众多细分行业上无公募配置信息可用。此外，行业划分过细，也可能会导致行业轮动模型的换手率过高，加大换仓成本。鉴于此，我们考虑采用大类行业分类。中信证券行业类别分类体系将全部A股划分成了8个行业，行业覆盖数量尚可，采用基金重仓股信息，可以确保在这8个行业上均有配置，故我们采用这一行业分类体系。
为了将行业轮动模型运用至主动管理型基金的筛选配置，需要首先构建出一个备选基金池，具体如下表。

由于要利用基金的季报持仓数据，我们于每年的1月末、4月末、7月末及10月末（该时点可以确保基金季报已披露完毕）更新备选基金池。我们选取了2012年1月~2018年12月的基金季报持仓数据进行分析。从下表可以看出，8个行业中，公募基金普遍在消费、金融地产以及科技三大行业中的配比较高，平均占比均在20%以上，其中在金融行业上，有基金历史上某期配置的比例一度高达60.5%。相较之下，公募基金在资源能源、交通运输的上配置比例，各期各基金平均配置不足5%。这一现象的造成，我们认为原因可能有二：一是金融地产、消费、科技行业本身A股市值较大，故公募基金在这些行业上配比较高；二是这几个行业，尤其是消费行业长期表现优异，相较之下，资源能源、交通运输等行业长期表现一般，这也一定程度造成了基金对这些行业的低配。

2. 大类行业轮动模型构建
实现行业轮动模型与公募基金筛选配置融合的关键与核心，是开发适合的行业轮动模型。首先，这一模型涉及的行业数量不能过多，故我们采用了中信行业组合的分类方法，行业数量为8个；其次，行业轮动模型的换仓时点必须要与公募基金季报披露时点保持一致，因为当融合时要利用到公募基金季报持仓的数据，我们选择每年的1月、4月、7月、10月底作为换仓时点，另考虑到我们的行业轮动模型会采用行业景气度因子，而行业景气度因子涉及财务指标，必须要等到财务数据发布完毕，即4月、8月及10月底三个时点，故当我们把多个行业轮动指标整合至一起时，实际上的换仓时点有5个，即1月、4月、7月、8月及10月底，特此说明。换仓手续费率我们设定为单边千分之三。
测试方法为分档统计法，将八个大类行业根据因子打分划分为四档，主要统计IC值，计算每期行业的因子排序与下期收益排序的相关系数，衡量因子的有效性；IR（IC均值/IC标准差），综合衡量因子的预测水平与稳定性；以及多空组合累计收益率差值。具体观察指标如下所示:

考虑到换仓频率较低，该行业轮动模型本质上是一个中长期决策系统，故在选用的因子上，应更多偏重于基本面因子，我们选用行业景气度与行业估值这两大核心因子，分别从行业的成长性与价值角度预估计其后市行情。另外选择中长期动量因子与波动率因子作为模型的辅助因子，二者与行业基本面因子的相关性低，可覆盖基本面因子缺失的方面，在基本面因子失效时或许会对模型有一定的支撑作用。
2.1. 行业景气度因子
行业景气度因子主要根据上市公司财报计算所得。上年年报与当年1季报的最后披露时间均截止为4月底，中报最后披露截止时间为8月底，3季报截止时间为10月底，故我们选用每年的1季报、中报、3季度数据计算行业景气度指标。
2.1.1. 财务指标因子
我们在财务指标因子上选择营业收入累计同比、净利润累计同比与ROE同比三个指标进行测试，这三个指标经常被用来衡量某个行业的成长性，行业成长性越好，越能引发资金关注，逻辑上未来股价的表现越强。

首先来看营业收入累计同比因子，从IC值来看，该因子IC为正的比例仅为40.91%，远低于50%；但IC均值却大于0，正IC均值高于其他因子，可以认为该因子稳定性不好，多数情况下会失效，但是有效情况下预测效果非常好，较低的IR值也印证了这一观点。虽然多空组合累计收益率差、相对于其他指数的超额收益来看，第一档优于第五档，但是考虑到因子失效的概率太高，故合并时暂不考虑将该因子加入。
净利润累计同比因子相对于营业收入累计同比因子表现较好，从IC值来看，该因子有效的概率到达了63%，IC均值为正，同时IR指标高于营业收入累计同比，因子有效的稳定性较好；同时，因子的换手率均值为33%，说明并未长期集中在某个行业上。虽然相对万得全A指数的累计收益率为负，但7年累计收益率仅略低3%，故该因子是可用的。ROE同比因子与净利润累计同比因子类似，且有效性与稳定性更高。
综上，我们将净利润累计同比与ROE同比指标进行等权合并，可以发现合并指标有效性达到了72.73%，稳定性也较高，同时多空组合累计收益率与相对指数的超额收益全部为正。

2.1.2. 财务指标衍生因子
行业景气度层面，我们先考虑了一些代表行业成长性的同比原始指标，代表了市场上行业间横向对比的绝对成长水平，那么如果从行业自身的纵向比较来看呢？我们重新测试了上述指标的环比因子，衡量的是行业纵向角度，相对于自身历史的成长水平变动如何。我们倾向于认为当某个行业相对于自身前期的成长性有所提升时，代表了该行业将迎来上升期，后市会有一定行情出现，因此，我们采用与2.1.1相同的方法，测试了营业收入同比增速的环比变动、净利润同比增速环比变动与ROE同比增速环比变动的因子表现情况。
先来看营业收入增速环比因子，虽然因子的有效性达到55%，但是IC均值为负，表明当因子有效时，预测效果表现一般；从累计收益来看，多空组合累计收益率为负，同时相对于各指数的所有超额收益均为负，故该因子并不能作为预测未来行业趋势的有效因子。另外两个因子净利润增速环比与ROE同比的环比则表现好很多，有效性分别达到了77%与64%，同时多空组合累计收益率为正且相对于各指数均有超额收益率，因此这两个因子均是有效的。
将上述两个有效因子进行合并，虽然合并后因子的有效性，即IC为正的比例达到了68%，且各项超额收益均为正值，但是对比净利润增速环比指标，我们发现单因子的有效性为77%，且超额收益也远高于合并因子，仅IR指标略低于合并因子，因此，我们认为净利润增速环比指标过于强势，加入的其他指标削减了其有效性，在相关性比较高的情况下，合并指标的意义不大，因此对于财务指标衍生因子，仅采用净利润增速环比这一个指标。

将行业景气度的两类因子进行等权合并。从合并结果来看，综合因子的有效性为73%，略低于衍生指标77%的有效性，但IR指标代表的预测稳定性有所提升，且换手率有所降低，超额收益也有大幅提升，因此，合并后的因子是有效的。合并因子多空组合累计收益率差指标的缺实是由于行业分档时，可能前几档有分数重叠的情况导致某期最后一档未选中行业，从而该指标为空值。从净值图上能够发现，财务指标原始因子在2014与2015年表现较好，弥补了衍生因子对同期行情应对的不足；而2016、2017年衍生因子的表现则较好，二者实现了互补。

2.2. 估值因子
另外一个比较重要的基本面因子就是估值因子了。前期我们在申万28个行业的配置中，以月度为间隔对估值因子进行过测试，结果发现在月度频率上，估值因子的表现并不理想，更多的是股价的动量效应在起作用，那么将细分行业更改为大类行业，将月度间隔改为季度后，估值因子对行业配置的效果又将如何呢？从理论上来讲，估值因子主要期待的是市场价格低于内在价值后的均值回复行情，但价格的修复可能需要比较长的过程，因此我们前期在月频基础上的测试会失效，但是季频结果还未可知。为此，我们分别对PE与PB因子进行了测试，指标生成方法为采用过去五年的周频估值数据，计算历史分位数。根据分位数大小，由低到高将行业划分为1-4共四档进行测试，分位数越小说明行业估值越低，逻辑上未来行业的股价表现越好。由于最后的行业配置观点将根据基金重仓持股配置于主动管理型基金，因此，我们将调仓频率设定为每年的1、4、7、10月月末，即基金季报发布后调仓。随后的因子都将采用这一调仓日期进行测试。
从回测结果来看，以季度间隔的测试结果要远好于月频结果。先来看PE指标，该指标虽然IC为正的比例仅为50%，但IC均值却大于零，说明在IC为正的时候，该因子的预测能力较强；相比于前期的行业景气度因子，IR稳定性较低；但从超额收益来看，相对于各指数均有超额正收益，故PE指标是有效的。PB因子则要差很多，首先有效性不足50%，且IC均值为负，相对于指数的超额收益大部分为负。因此，估值因子我们仅选用PE因子。
虽然估值因子的整体效果弱于行业景气度因子，但是二者的出发点不同，相关性较低，对不同行情会有一定的互补作用，因此将其均纳入我们的模型体系中。

2.3. 动量因子
虽然行业景气与行业估值是我们构建中长期行业轮动模型的主要参考依据，但是，现实中的行业轮动有时又往往会脱离基本面因素，为进一步完善模型，我们考虑再纳入两个偏市场层面的因子：动量效应与波动率。这两个因子无论在多因子选股领域，还是偏短线的行业轮动模型构建中，均有着重要作用，且从构建逻辑上看是从市场与交易层面出发的，与基本面因子并不完全相关，从而可以起到互补的作用。
不同于行业景气度因子与估值因子，动量因子作为纯市场因子通常来说短期更为有效，这在我们前期的月频行业配置中也得到了验证，那么中长期动量是否有可取之处呢，由于要预测接下来一个季度的行业与表现，因此我们分别选择1个季度、2个季度与4个季度的时间窗口观察动量因子的表现。每期将行业动量因子由高到底进行排序，划分为4组进行测试。
观察测试结果可以发现，单独的动量因子表现均欠佳，当超额收益较高时，因子的有效性较低；而当因子有效性超过50%时，整体的收益情况又不容乐观。因此我们直接将各动量因子进行合并，可以发现合并后的动量因子虽然在有效性，即IC为正的比例略低于50%，但平均IC为正值，且收益得到明显改善。虽然整体来看因子的可用性不及前面的基本面因子，但由于与基本面因子并不完全相关，从提升组合的稳健性角度看，动量因子不失为一个不错的选择。

2.4. 波动率因子
低波因子也是较为有效的市场因子。低波动率往往代表着低风险，低风险更容易受长期机构投资者青睐，在弱市环境下，市场往往会给予低风险行业和个股确定性溢价。考虑我们前期开发的月频行业配置模型中，一年期的低波因子较为有效，因此我们将其用于季频调仓的大类行业配置中进行测试。每期，将各行业按照波动率因子由低到高进行排序，划分为4组进行测试。
从回测结果来看，因子的有效性较高，IC为正的比例达到了69%；平均IC大于零，因子组合累计收益率秩IC达到了100%；此外，从收益情况来看，相对于各指数均有明显的超额正收益。因此，该波动率因子是有效的。从净值图来看，该因子在2016、2017年表现均较好，好于其他多数因子，但是2018年有明显的下跌趋势，跌幅超过用于衡量业绩表现的三个市场宽基指数。

2.5. 因子合成
从单因子测试来看，我们经过筛选与合并，最终确定了以行业景气度、估值因子为主，动量与波动率因子为辅的因子集合。主要是考虑到该模型的换仓时间为季度频率，长期来看基本面因子将是主导行情的最主要因素。但是，不可否认在不同市场不同的因子可能会失效或者发挥显著功效，如2017年只有低波因子表现较好，其他因子均表现一般。但是同样的，18年低波因子面临远高于指数的跌幅，而其他因子虽也呈下跌趋势，但情况要略好。因此按照前述的合并理念进行合并，可能会达不到单因子在某些期的超高收益，但同样也会避免单因子在某些期间的显著下跌。
从合并结果看，模型净值相对于各指数来看均有超额收益，且相对于各指数的年胜率均达到了50%以上。

3. 基于行业轮动模型的权益FOF策略构建
模型构建完成后，我们尝试将行业轮动模型融合至主动管理型基金的筛选或配置中。主要思路有二：一是将行业轮动模型每期生成的结果做一个指标用于基金筛选，我们称之为指标筛选法。具体做法为：首先根据行业轮动模型生成每期8个行业的综合因子排序，并赋予分值，按照由低到高的顺序依次给予1~8分；然后，我们根据单个基金的季报行业配置在8个行业上的权重，对分值进行加权，生成行业配置的综合打分，并将该分值作为一个基金筛选指标，测评其绩效。二是将行业轮动模型每期生成的结果用于基金的权重配置，我们称之为权重调整法。具体做法为：首先随机筛选出一组基金，然后根据我们构建的行业轮动模型，每个对8个行业进行排序，按照由低到高给予1~8分，并结合各个基金在行业配置上的权重进行综合打分，最后对分值归一化处理作为该组基金的权重配置。
3.1. 指标筛选法
指标筛选法将行业配置观点作为一个指标用于基金筛选，备选基金池如第一部分所列。测试方法为每期按照基金的行业因子打分排序，划分为5档进行测试。从回测结果来看，IC为正的比例为53%，IC均值与IR较小，说明该因子是有效的，但是存在一定的不稳定性，多空组合累计收益率差为4.4%，说明第一档组合表现优于第五组。因此，将行业观点作为指标用于基金筛选的方法是有效的。

3.2. 权重调整法
为了测试权重调整方法的有效性，我们构建两个组合进行对比，一个为随机筛选的包含10只基金的等权组合；另一个为对这10只基金做行业打分后，按照分值归一化生成的权重构成组合。如果加入行业打分的组合在年度胜率和累计收益率上均大概率优于等权组合，则说明将行业轮动观点通过权重调整法融入基金配置是有效的。
挑选一组测试结果对比来看，加入行业配置观点后，累计收益由45.43%提升至66.74%；最大回撤仅由49.6%扩大至50.5%，同时calmar比率得到了较大提升。从历年收益率来看，从2012年到2018年，7年间有5年获得了超额收益。故加入行业配置观点调整权重后的组合是优于原始组合的。
重复上述操作进行多组对比实验，观察每组实验的历年胜率与累计收益率情况。基于时间关系我们没有进行大规模模拟实验，仅在简单重复100次后对数据进行了统计，从统计结果来看，历年收益率胜率大于50%的概率为70%，其中胜率中位数为57.14%；加入行业观点组合具有超额收益的比例为58%，其中超额收益率中位数为1.11%。

影响超额收益获取的原因来自很多方面，首先是生成观点的行业配置模型本身存在误差，影响了超额收益的获取；其次是有些情况下基金配置的重仓股可能并不能完全代表该行业的走势，如同刚好选中了好行业中的较差个股与选中了较差行业中的绩优股都会对结果造成影响。虽然有诸多干扰因素，但从两种方法的测试结果来看，指标筛选法和权重调整法都是有效的。这一研究结论可看做是中观行业轮动与微观基金筛选配置融合的一点尝试吧。