【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

摘要
本文基于经济周期和流动性周期下的资产轮动规律构建了定量配置体系
本文梳理了经济周期和流动性周期视角下的资产轮动规律，并基于此构建了相应的定量配置体系，主要工作包括：1、梳理经济周期和流动性周期的代理指标，采用主成分合成的方式进行降维，得到表征经济周期和流动性周期走势的合成指标。2、根据合成后的经济周期和流动性周期走势，梳理不同宏观状态下的资产表现，得到周期视角下的投资时钟。3、结合投资时钟和风险预算模型，构建自上而下的定量配置体系。在股债回测场景下（08年1月至19年6月），基于趋势外推法构建的策略年化收益率9.87%，夏普比1.94；引入黄金资产后，年化收益率提升到10.13%，夏普比提升到2。

纷繁复杂的基本面观测指标如何降维：经济周期和流动性周期的视角
基本面是高维、抽象的系统状态，只能通过低维观测变量来感知，那么纷繁复杂的指标体系中，核心影响变量是什么？从DDM模型出发，价格影响机制可分解为分子端（股利分红，受实体景气度影响，也即经济周期）和分母端（折现率，受资金宽裕度影响，也即流动性周期）。本文采用CRB综合现货指数对数同比序列、PPI、CPI、十年国债收益率、社融存量同比作为经济周期代理指标；采用一年国债收益率、M1、M2、M1-M2作为宏观流动性代理指标。通过PCA合成经济周期和宏观流动性走势，后者减去前者（对实体的支持）后就是金融市场流动性（也即本文流动性周期所指）。

投资时钟构建：经济周期和流动性周期视角下的资产轮动规律
基于合成后的经济周期和流动性周期走势，梳理不同宏观状态下的大类资产表现，结果表明：1、经济周期下行且流动性宽松时，债券表现最好，股票有阶段性机会，商品偏弱；2、经济周期上行且流动性宽松时，股票表现最好，商品次之，债券偏弱，主要是持有的机会成本高；3、经济周期上行且流动性收紧时，景气度一般仍有韧性，股票、商品类进攻资产表现较好，债券表现最差；4、经济周期下行且流动性收紧时，是股票资产表现最差的时候，传统商品类资产也表现不佳，此时宜采用债券加黄金的避险配置组合，尤其是黄金，在该阶段进可攻、退可守，是较优的配置标的。

定量配置体系构建：结合资产投资时钟和风险预算模型
得到经济周期和流动性周期视角下的投资时钟后，结合风险预算模型，构建自上而下的定量配置体系：1、宏观择时，基于代理指标合成经济周期和流动性周期，判断当前宏观状态，确定大类资产间的风险预算配比；2、中观配置，根据投资时钟判断当前宏观状态下股票（不同板块）、债券（不同久期）、商品（不同品种）内部应该配置哪些细分资产，进行预算再分配，也即将分配给大类资产的预算等分给被选中的细分资产；3、组合优化，将所有资产的风险预算归一化，基于优化模型求解权重，构建投资组合。

两种实证策略：相位判断法（左侧预判）和趋势外推法（右侧跟随）
为了模拟历史交易场景，避免使用未来信息，在滚动预测时我们实证了两种方法：相位判断法和趋势外推法，前者基于指标的最新相位和环比变化判断是否发生趋势转向，有一定的左侧预判效果；后者则是基于局部加权回归算法进行趋势外推，是典型的右侧跟随方案。在传统的股债回测场景下（2008年至今），相位判断法年化收益率9.55%，夏普比1.92，月度胜率77.54%；趋势外推法年化收益率9.87%，夏普比1.94，月度胜率77.54%。引入黄金资产后，相位预测法的表现有所下滑；而趋势外推法的表现有所增强，年化收益率从9.87%提升至10.13%，夏普比率从1.94提升至2。

风险提示：模型基于历史规律总结，有失效可能。市场出现超预期波动，导致拥挤交易。投资时钟是基于资产的区间累计收益所统计，与短期价格表现或有出入。

本文研究导读
我们说的基本面到底是什么？怎么去刻画基本面的走势？

对于投资者而言，普遍认同的一个逻辑是：基本面决定了股票市场的长期走势。那么，到底什么是基本面？宏观研究员会认为经济指标的涨跌反映了基本面，行业研究员会认为企业的开工、订单、库存反映了基本面，投资交易员会认为金融资产价格的波动反映了基本面，大家说的到底是同一个东西吗？

我们认为，所谓的基本面，其实是金融经济体这个复杂系统的内生状态，它具有高维、抽象的特征，无法被精准测度，只能通过各类观测指标去感知。所以无论是实体部门的产出、通胀水平，还是政府、央行的逆周期调节手段，无论是宏观经济指标的涨跌，还是金融资产价格的波动，都只是我们观测基本面的一个视角，但并非基本面本身。

在梳理基本面这个系统状态与各类低维观测指标的关系时，我们始终秉持以下核心认知：

金融资产价格的走势也是一种基本面指标，相比于宏观经济指标更加高频、实时，而且是交易所得，干扰成本更大，是非常重要的观测变量。传统的自上而下研究中，总是把宏观指标和资产价格分割开来，试图在两者之间得到某种稳定的、线性的逻辑映射。而我们认为资产价格本身也是系统状态在低维视角下的投影，与宏观指标具有“同源异象”性，是同一个事物在不同维度的反映，并不存在逻辑上的因果关系。

所有观测指标都会受到系统状态的影响，但会由于观测视角的差异，导致相位上出现领先滞后关系。就像地球上不同经纬度的城市，感受到的四季变换节奏是不一样的，但背后的内生驱动力都是地球的公转周期。对应到经济基本面，一个典型的景气度循环可能是“基本面有下行压力→宽松的货币政策和积极的财政政策推出→需求回暖，库存下行→企业开工率提升、产能扩充→物价上行、经济过热→流动性收紧、利率上行→基本面降温→企业去产能、需求回落→基本面有下行压力”，其中每个环节都是在特定时点对系统状态的刻画，逻辑上虽有领先滞后关系，但都携带了同样的系统信息。

没有任何一个观测指标能完全代表基本面。系统的周期波动是通过一系列观测变量的活动来传递和扩散的，任何单一观测变量的波动都不足以代表系统的整体波动。由于系统复杂且噪音巨大，试图建立某个指标与基本面的单调映射关系是不可取的，我们只能综合各个观测变量的走势，以及它们之间的逻辑关系（领先滞后关系）来共同推断系统状态。

纷繁复杂的基本面观测指标中，核心影响变量是什么？如何去降维？

既然基本面是高维、抽象的系统状态，只能通过各类低维观测变量来感知，那么在纷繁复杂的宏观指标和资产价格体系中，核心影响变量是什么？又如何将海量的观测指标归类、降维，进而推断系统状态呢？这就需要引入资产定价的视角。

DDM模型的核心在于分子端与分母端的拆解：
1. 分子端跟企业盈利挂钩，理论上企业盈利水平越高，分红能力越强。而企业盈利主要受实体经济景气度变化的影响，也即投资者常说的经济周期。
2. 分母端跟无风险利率和风险溢价相关，其中，风险溢价难以定量刻画，暂不考虑；而无风险利率主要受资金充裕程度的影响，也即投资者常说的流动性周期。

不同公司、行业的盈利水平对实体经济景气度变化的弹性不一样，同时对流动性松紧的敏感程度也不一样。在经济周期和流动性周期的交错扩张、收缩下，各行业受自身盈利变动和整体流动性环境的叠加影响，呈现出交叉轮动的特征。

需要强调，经济周期和流动性周期都是我们去观测基本面这个系统状态的特定视角，它们之间并非相互独立的关系，而是同受系统状态影响，只不过相位上存在领先滞后关系：比如流动性环境的宽松往往发生在经济周期下行后半段，经济增长有失速风险时；而流动性的收紧往往出现在经济周期上行后半段，经济增长有过热风险时。两者相位上的领先滞后导致经济周期和流动性周期交错涨跌，进而引发资产间的轮动。本文正是要挖掘经济周期和流动性周期视角下的资产轮动规律，进而构建定量配置模型。

本文主要工作

综上所述，后文中我们将从如下几个方面展开研究：
1. 梳理经济周期和流动性周期的代理指标，采用主成分合成（PCA）的方式进行降维，得到表征经济周期和流动性周期走势的合成指标。
2. 根据合成后的经济周期和流动性周期走势，梳理不同宏观状态下的资产表现，得到周期视角下的投资时钟。
3. 结合风险预算模型构建自上而下的定量配置体系，实证投资时钟的表现。

经济周期与流动性周期的合成方式
代理指标如何筛选：追本溯源，周期驱动

在纷繁复杂的宏观指标和资产价格体系中，分别选择哪些指标来表征经济周期和流动性周期？我们考虑如下：

代理指标需具备显著的周期驱动规律。不失一般性，任何资产价格或宏观指标的走势都可以分解为三个维度：长期趋势项、周期波动项、短期噪音项。其中，长期趋势项主要跟整个经济体的人口规模、科技发展水平相关，在投资决策的时间长度内，基本可以看作是静态变量；短期噪音项主要指特殊事件带来的短期冲击，比如战争、自然灾害等，由于噪音项没有规律可循，同样难以提供稳健的增量信息；因此，对投资决策最有帮助的就是周期波动项，这是我们筛选代理指标时的首要条件。那么，如何去判断某个指标的周期驱动规律是否显著呢？在过去三年“华泰金工周期系列”研究中，我们已经通过傅里叶变换、联合谱估计等信号处理算法证明了各个低维观测变量的周期波动项都受到系统级别三周期的驱动，分别对应42个月的基钦周期、100个月的朱格拉周期和200个月的库兹涅茨周期。一方面，可以考察观测变量的频谱图在三个周期附近的能量聚焦现象；另一方面也可以利用三个系统周期对观测变量的回归拟合优度来衡量周期驱动规律是否显著。

代理指标需满足易得、完备的要求。出于构建定量配置模型的考虑：一方面，代理指标需具备固定的公布频率和稳定的公布时延，保证定期调仓时总能获取到实时的观测值；另一方面，代理指标需要有足够长的历史数据，同时不能有缺失值，虽然缺失值可以通过插值算法填充，但实证结果表明，在滚动预测时，策略表现对插值算法的选取有一定的敏感性。在上述两层约束下，大多数宏观指标都不满足代理指标的要求，但我们认为，所有观测指标都携带了同样的系统信息，合成经济周期或流动性周期时并非引入越多的指标越好，当引入指标过多时，增量信息有限，反而会带入更多噪声，而且会降低可理解性。

综上所述，经济周期和流动性周期的合成逻辑如下：1、全球金融经济体是一个统一的、相互关联的整体，这个统一的整体在运动的过程中是有规律的，体现为三个系统级别周期的波动；2、各种宏观变量和资产价格都是系统状态在低维视角下的投影，但会由于观测视角的差异，导致相位上出现领先滞后关系；3、从DDM资产定价的视角，可以将纷繁复杂的指标体系分类为经济周期（表征实体景气程度）和流动性周期（表征资金宽裕程度）两类，筛选满足条件的代理指标并进行主成分合成，可以指导资产配置。

经济周期如何合成：自然资源与信贷资源的视角

代理指标的筛选结果

经济周期用于表征实体景气程度，它决定了企业的整体盈利水平，影响DDM模型分子端。本文主要从自然资源和信贷资源的视角刻画经济周期。

当实体经济景气程度探底回升时，消费逐渐回暖，企业倾向于扩充产能，必然对自然资源和信贷资源的需求提升，进而带动物价上涨，利率上行；反之，当实体经济景气程度触顶回落时，企业为规避风险会主动减产，对自然资源和信贷资源的需求降低，进而引发物价回落，利率下行。所以，自然资源需求和信贷资源需求的扩张、收缩能有效反映实体经济景气程度的波动。

综上，经济周期代理指标的筛选结果如下：
1. 自然资源中，采用CRB综合现货指数的对数同比序列、PPI、CPI表征价；而大多数表征量的指标，比如发电量、耗煤量、主要工业品产量等，都包含较大的噪音和季节性扰动，周期规律不明显，同时也缺失年初数据，为建模预测带来不便，所以这里舍弃了量的维度。
2. 信贷资源中，采用中债十年期国债到期收益率表征价，因为长端利率与基本面走势更相关，毕竟企业借贷资金中，长久期的贷款往往和产能建设相关，短久期的贷款则多用于补充营运资金或偿还负债；采用社会融资规模存量同比增速表征量，它衡量了整个实体经济从金融体系中借到的钱。需要说明，央行公布的社融存量数据中，在2016年前只有季度数据和年度数据，16年后才有月度数据，本文通过（当月社融存量规模=上月社融存量规模+当月新增社融规模）来倒推得到月频数据，并计算存量规模同比增速，与其他指标统一口径。

代理指标周期特性分析

基于华泰金工周期系列研究方法验证代理指标是否具备显著的周期驱动规律，主要关注两个维度：1、代理指标的频谱图在三个系统级别周期（42个月的基钦周期、100个月的朱格拉周期和200个月的库兹涅茨周期）附近是否有显著的能量聚焦现象，实证结果表明，5个代理指标在基钦周期附近的能量谱峰分别为40个月、40个月、43个月、39个月、40个月，偏差较小，而中、长周期附近的谱峰偏差较大，主要是因为历史样本长度有限，导致谱峰提取出现偏差；2、基于高斯滤波工具抽取三个周期序列，对原始指标作回归分析，考察拟合优度是否足够高，结果表明，5个代理变量的拟合优度都达到50%以上，说明各个代理指标确实受到系统级别三周期的驱动。

经济周期合成结果

得到经济周期代理指标集合后，通过如下步骤进行合成：1、对齐所有指标起始时间，本例中社融存量同比数据的起始时间最晚，2003年1月开始有效；2、对所有指标进行3个月滚动平均，抑制噪音干扰；3、统一方向（将原始值乘以指标方向）、去趋势、标准化，将各指标口径可比化；4、主成分合成，提取第一主成分作为最终的经济周期走势。

实证结果表明，社融指标有一定的领先性，十年国债收益率适中，CRB、PPI、CPI则相对滞后。合成后的经济周期趋势较为明朗，而且在大的拐点附近，能有效结合多个代理指标的走势，降低误判风险。对比合成后的经济周期和中观层面的库存、企业盈利指标走势，趋势也较为类似，从侧面说明了合成结果的正确性。

由于社融存量同比数据从03年1月开始有效，经过滞后一期以及3个月滚动平均处理后，实际有效日期从03年4月开始。对经济周期历史走势进行阶段划分，结果表明：后面四轮周期持续时间（上行+下行）分别为41个月、39个月、42个月、40个月，与基钦周期长度较为一致；而第一轮周期由于并不完整，缺乏参考性，因为从PPI、CPI、十年国债的历史走势来看，经济周期应该在02年初就已经探底回升了，只不过在2003年上半年受“非典”影响出现过阶段性回落。

流动性周期如何合成：金融市场流动性的视角

代理指标筛选结果

一般而言，流动性衡量的是整个经济体中的资金宽裕程度，从来源上讲，主要取决于央行的基础货币发行和商业银行的信用创造；从去向上讲，既要服务于实体部门的经营活动，又要服务于金融市场的资产配置，也即满足如下公式：
宏观流动性＝实体经济流动性＋金融市场流动性
从投资的角度，金融市场流动性直接影响到DDM模型分子端的折现率，是我们考察的主要对象，后文如无特殊说明，流动性周期都是指金融市场流动性。

对于宏观流动性，代理指标筛选逻辑如下：
1. 价的维度，采用1年期国债到期收益率，因为短端利率与货币政策更为相关，它表征了资金的获取成本，当利率越高时，资金获取成本更高，流动性越紧张，所以该指标的涨跌和流动性环境的松紧是反向的。
2. 量的维度，采用最常用的M1同比、M2同比、M1-M2来表征货币供给量。其中，M1包含流通中的现金（也即M0）以及单位活期存款；M2是在M1的基础上加入个人存款和单位定期存款；而M1-M2则一定程度上衡量了单位定期存款活期化的部分，而活期存款可以随时支取，流动性更高，所以该差额指标也能反映流动性的松紧。

通过主成分合成可以得到宏观流动性的走势，而实体经济流动性则采用前文合成的经济周期指标来表征，逻辑如下：经济周期上行时，实体经济投资有利可图，资产生息率高，所以资金倾向于脱虚入实；经济周期下行时，实体经济盈利水平低下，投资回报比低，银行惜贷，资金就容易在金融体系内空转，也即脱实入虚。最后，用宏观流动性减去实体经济流动性（也即经济周期合成指标），得到最终的金融市场流动性。

代理指标周期特性分析

考察宏观流动性代理指标的周期驱动特征：1、从频谱图来看，4个代理指标在基钦周期附近的能量谱峰分别为39个月、39个月、40个月、38个月，偏差相对较小，而中、长周期附近的谱峰偏差较大，同样是因为历史样本长度有限，导致谱峰提取出现偏差；2、从三周期回归拟合优度来看，4个代理变量的拟合优度都达到40%以上，相比于经济周期代理指标有一定的下滑，但在金融领域仍然是较高的拟合度。

流动性周期合成结果

流动性周期合成步骤：1、对齐指标起始时间；2、对所有指标进行3个月滚动平均，抑制噪声干扰；3、统一方向（也即将指标原始值乘以指标方向），然后去趋势，标准化，将所有指标口径可比化；4、主成分合成，提取第一主成分作为宏观流动性；5、将宏观流动性减去合成后的经济周期，作为最终的流动性周期。

观察流动性周期合成结果，和原始代理指标最大的区别在于：2012年至2014年期间，所有代理指标都处于震荡走势，趋势并不明朗，说明总的宏观流动性并未出现大幅波动，而合成后的流动性周期（宏观流动性减去经济周期）出现明显的震荡上行走势，这是因为08年次贷危机中，全球政府联合起来采用了强有力的刺激政策，虽然短期内扭转了经济的急剧下滑趋势，但实体部门也因此积累了过高的债务和过剩的产能，导致经济增长乏力，投资回报比低，资金脱实入虚，金融市场流动性不断趋于宽松。

在金融机构信贷收支表中，人民币资金运用项目包括：各项贷款、有价证券及投资、黄金占款、外汇占款以及在国际金融机构资产。其中，有价证券及投资衡量了金融机构持有的非金融机构的证券，主要包括国债、信用债和股权投资，一定程度上反映了金融市场的流动性水平。对比发现，流动性周期和有价证券及投资同比增速的走势在09年以后较为同步，这也从侧面说了流动性周期合成的正确性。

对流动性周期历史走势进行阶段划分，04年12月以前的周期不完整，不具代表性。04年底开始一共经历了4轮完整的流动性循环（宽松+收紧），每轮周期的持续时间分别为45个月、36个月、32个月、55个月，虽然波动较大，但均值（42个月）与基钦周期的长度吻合，说明流动性周期和经济周期并非相互独立的关系，都受到系统周期状态的影响。目前正处于18年底以来的第五轮流动性周期宽松阶段。

宏观状态如何划分：经济周期和流动性周期两个维度，四种状态

合成经济周期和流动性周期走势后，即可用于宏观状态划分。由于合成指标时已经进行标准化处理，所以指标绝对值不具备经济含义，只能根据方向上的变化衍生出4种状态：
1. 经济周期上行（景气度提升），流动性周期上行（流动性宽松）。
2. 经济周期上行（景气度提升），流动性周期下行（流动性收紧）。
3. 经济周期下行（景气度下降），流动性周期上行（流动性宽松）。
4. 经济周期下行（景气度下降），流动性周期下行（流动性收紧）。

观察两个合成指标的走势，流动性周期相比于经济周期有一定的领先性，所以一轮完整的循环路径如下：1、经济周期下行，政府采用积极的财政政策和宽松的货币政策托底，流动性环境开始改善；2、流动性的改善逐渐生效，经济周期探底回升；3、实体经济景气度持续向好，物价不断上行，经济体呈现出过热迹象，财政政策和货币政策逐渐转向，流动性开始紧张；4、流动性收紧的影响开始显现，实体经济景气度触顶回落。回顾03年9月以来的走势，宏观状态一直沿着该规律演进，并未出现回滚或者跳变的现象。

经济周期和流动性周期视角下的资产轮动规律
本章将根据合成后的经济周期和流动性周期走势，梳理不同宏观状态下的资产表现，得到周期视角下的投资时钟，标的资产如下：
1. 大类资产层面，分别采用万得全A、中债-新综合净价指数、南华商品指数表征股票、债券、商品资产。
2. 细类资产层面，股票内部采用不同板块，包括金融、周期、消费、成长；债券内部采用不同久期，包括中债-新综合净价(1年以下)指数、中债-新综合净价(1-3年)指数、中债-新综合净价(3-5年)指数、中债-新综合净价(5-7年)指数、中债-新综合净价(7-10年)指数；商品内部采用不同品种，包括南华工业品指数、南华农产品指数、南华金属指数、南华能化指数、SGE黄金9999。

大类资产投资时钟：股、债、商资产间的轮动规律

分别采用万得全A、中债-新综合净价指数、南华商品指数表征股、债、商资产，对比经济周期、流动性周期与资产价格的走势，结果表明：
1. 经济周期和流动性周期对于股票资产都有显著的正向影响。历次大的牛市行情要么是受景气度上行驱动（典型如06~07年），要么是受流动性宽松驱动（典型如09年、14~15年）；当经济周期和流动性周期都处于下行趋势时，股票市场往往表现较差（典型如18年）。
2. 经济周期对于债券资产有显著的负向影响，而流动性周期对债券资产有显著的正向影响。当景气度下行、流动性宽松时债券资产表现较好；而当景气度上行、流动性收紧时，债券资产往往表现不佳。
3. 经济周期对于商品资产有显著的正向影响，当景气度上行时，需求回暖，商品资产价格上行，而景气度下行时，需求疲软，商品资产价格走弱。相对背离的是12年8月到13年底，经济周期出现短暂的景气度回升，但商品资产并未走出趋势性行情，这是因为长周期仍然处于下行趋势。流动性周期对商品资产没有显著影响，流动性宽松时，商品资产也可能走弱，比如14~15年；反之，流动性收紧时，商品资产也可能走出趋势性行情，比如07年、10年。总体而言，商品资产的表现受实体经济景气度变化更明显。

分别按照经济周期和流动性周期进行历史阶段划分，统计每个阶段下三大类资产的区间累计收益，以及整个历史区间内特定状态下的累计收益，由于南华商品指数的起始日期为2004年6月，所以这里从04年7月开始统计，结果表明：
1. 经济周期上行时，股票和商品类进攻资产表现较好，债券类避险资产往往是负收益；经济周期下行时，债券类避险资产表现较好，股票和商品类进攻资产相对较弱，比较例外的是14年1月至16年1月，在流动性宽松的大环境下，股票也录得较高收益。
2. 流动性周期宽松时，股票和债券表现较好，因为国内金融市场中，股票和债券仍然是资产配置的大头，直接受益于流动性宽松带来的估值提升；而流动性收紧时，股票和债券表现不佳。整体而言，商品资产受流动性周期的影响不显著。

结合经济周期和流动性周期的走势进行历史阶段划分，统计每个阶段下三大类资产的区间累计收益，以及整个历史区间内特定状态下的累计收益，结果表明：
1. 股票资产在经济周期上行且流动性宽松时表现最好，因为同时受益于盈利回升和估值溢价；当经济周期上行且流动性收紧，或经济周期下行且流动性宽松时，股票资产也存在阶段性行情，只是胜率和涨幅不如两个周期共振时；当经济周期下行且流动性收紧时，往往是股票资产表现最差的时候。
2. 债券资产在经济周期下行时表现较好，因为景气度的下行会影响投资者风险偏好，避险配置需求提升导致债券资产受到青睐，而当经济周期上行时，债券资产往往收益为负；在同样的经济周期状态下，流动性宽松时的债券表现要好于流动性收紧时。
3. 商品资产在经济周期上行时表现较好，经济周期下行时表现较差，因为商品资产的需求和实体经济景气度相关，传导逻辑直接清晰；在同样的经济周期状态下，流动性宽松与否与商品资产的相对强弱并未呈现出线性映射关系。

综上，经济周期和流动性周期视角下的大类资产投资时钟如下（按顺时针方向轮动）：
1. 经济周期下行且流动性宽松时，债券表现最好，股票有阶段性机会，商品较弱。
2. 经济周期上行且流动性宽松时，股票最优，商品次之，债券偏弱（机会成本高）。
3. 经济周期上行且流动性收紧时，股票、商品类进攻资产表现较好，债券较差。
4. 经济周期下行且流动性收紧时，宜配置债券避险，股票和商品都表现较差。

股票资产投资时钟：不同板块间的轮动规律

华泰金工周期系列研究中曾基于k-means算法将剔除综合、国防军工后的申万一级行业聚类成周期上游、周期中游、周期下游、大金融、消费、成长六大板块。如果将周期上、中、下游进一步聚合，则全市场分为周期、金融、消费、成长四大板块，板块内采用等权方式构建板块指数。本节内容主要研究经济周期和流动性周期视角下，板块间的轮动规律。

按照经济周期进行历史阶段划分，统计每个阶段下四大板块的区间累计收益，以及整个历史区间内特定状态下的累计收益，结果表明：
1. 当经济周期上行时，企业盈利回暖，板块间多呈现普涨现象（2004年6月至9月由于数据不全，不具备参考性）。从全局累计收益来看，消费（主要是可选消费）、周期、金融的表现较好，因为它们的业绩弹性更大。
2. 当经济周期下行时，企业盈利回落，板块间多呈现普跌现象。相对例外的就是14年1月至16年1月，当时的主导因素是流动性泛滥，各大板块也录得较高收益。从全局累计收益来看，金融和消费（主要是必须消费）板块相对抗跌。

按照流动性周期进行历史阶段划分，统计每个阶段下四大板块的区间累计收益，以及整个历史区间内特定状态下的累计收益，结果表明：
1. 当流动性趋于宽松时，在估值提升的驱动逻辑下，各个板块都录得较高收益，其中，金融板块弹性最大，消费、成长板块次之，周期板块相对偏弱。
2. 当流动性趋于紧张时，估值收缩，各板块呈现出普跌走势。相较而言，消费板块对流动性收紧的敏感程度最低，跌幅最小。

结合经济周期和流动性周期进行历史阶段划分，统计每个阶段下四大板块的区间累计收益，以及整个历史区间内特定状态下的累计收益，结果表明：
1. 当经济周期上行且流动性宽松时，各板块同时受益于盈利回升与估值扩张，往往呈现出普涨格局，其中金融和周期板块的弹性最大。
2. 当经济周期上行且流动性收紧时，各板块不同阶段表现有涨有跌，多呈现出结构性行情。从全局累计收益来看，消费板块表现一枝独秀，周期和成长也录得较高收益，但是成长板块的超额收益主要来源于13年6月至12月，其他几次样本区间，周期板块的表现都更好。
3. 当经济周期下行且流动性宽松时，各板块不同阶段表现有涨有跌，整体弱于两个周期共振时。从全局累计收益来看，金融板块最优，成长板块次之。
4. 当经济周期下行且流动性收紧时，宏观环境最不利于股票资产，配置任何板块都难以对冲尾部风险。从避险的角度，消费板块和金融板块多为大盘蓝筹股，经营稳定，现金流充沛，容易成为下行行情下投资者抱团取暖的标的，表现相对抗跌。

综上，经济周期和流动性周期视角下的股票资产投资时钟如下（按顺时针方向轮动）：
1. 当经济周期下行且流动性宽松时，一般处于实体经济探底期，折现率的降低有助于提升投资者风险偏好，此时股票市场往往存在阶段性机会，配置中应牢牢把握流动性宽松这个主导因素。按照DDM模型，把周期、消费、成长板块的股利现金流折现，那么成长股未来的现金流相比当前要大的多，所以久期相对较长；周期股未来成长相对有限，久期较短；而消费板块的现金流随着时间变化相对平稳，久期居中。显然，当折现率下行时，长久期的成长股现值提升最明显，弹性相对较大。而风险偏好提升时，金融板块也经常录得较高收益。
2. 当经济周期上行且流动性宽松时，各大板块同时受益于盈利回升和估值扩张，往往呈现出普涨格局，此时宜配置弹性最大的板块，包括对景气度上行弹性最大的周期板块，以及对流动性宽松弹性最大的金融板块。
3. 当经济周期上行且流动性收紧时，实体景气度仍有韧性，但是折现率提升导致金融资产估值承压，所以股票市场一般是结构性行情，最典型的就是16年下半年至17年底的二八分化行情。在这个宏观状态下，周期板块一般盈利仍处于高位，而消费板块现金流较为稳定，对于流动性的收紧相对不敏感，是相对较优的资产。
4. 当经济周期下行且流动性收紧时，盈利下滑，估值收缩，整个股票市场是表现最差的时候，此时配置以避险为主。从历史上看，消费板块和金融板块多为大盘蓝筹股，经营稳定，现金流充沛，容易成为下行行情下投资者抱团取暖的标的，表现相对抗跌。

债券资产投资时钟：不同久期间的轮动规律

分别采用中债-新综合净价（1年以下）指数、中债-新综合净价（1-3年）指数、中债-新综合净价（3-5年）指数、中债-新综合净价（5-7年）指数、中债-新综合净价（7-10年）指数代表不同久期的债券品种，研究经济周期和流动性周期视角下的债券资产轮动规律，结果表明：
1. 经济周期上行时，信贷需求回升，带动利率上行，债券价格下跌，而且是久期越长的债跌幅越大；经济周期下行时，利率下行，避险配置需求提升，债券资产往往表现较好，而且是久期越长，涨幅越大。
2. 流动性周期的松紧也与债券资产表现呈现出显著的正向关系，而且长久期的债弹性更大，也即流动性宽松时涨幅更大，流动性收紧时跌幅也最大，因为本金越往后兑付，对折现率的变化越敏感。
3. 结合经济周期和流动性周期的走势进行梳理，可以发现经济周期起到主导作用，决定了债券资产的涨跌，而流动性周期更多的是决定债券资产的相对强弱，也即同样的经济周期状态下，流动性宽松时的债券表现要好于流动性收紧时。

综上，经济周期和流动性周期视角下的债券资产投资时钟如下（按顺时针方向轮动）：
1. 经济周期下行且流动性宽松时，最利好债券的宏观场景，长久期债弹性更大。
2. 经济周期上行且流动性宽松时，不同久期之间的分化没有显著规律，但从本文配置体系出发，我们建议配置长久期债，原因有二：1、流动性宽松环境下，长久期债有阶段性行情，可以博取弹性收益；2、该宏观状态最利好股票资产，而后文将基于风险预算模型进行权重分配，长久期债波动较大，同样的风险预算比例下股票的权重更高。
3. 经济周期上行且流动性收紧时，最利空债券的宏观场景，短久期债相对抗跌。
4. 经济周期下行且流动性收紧时，经济周期起到主导作用，长久期的债表现更好。

商品资产投资时钟：不同品种间的轮动规律

采用南华工业品指数、南华农产品指数、南华金属指数、南华能化指数、SGE黄金9999代表不同品种的商品资产，研究其在经济周期和流动性周期视角下的轮动规律，结果表明：
1. 经济周期对商品资产的表现起着决定性作用，当经济周期上行时，各大品种整体呈普涨态势，其中金属和工业品弹性较大；当经济周期下行时，黄金表现一枝独秀，具备较高的避险配置价值。
2. 流动性周期的松紧与商品资产的表现并不存在显著的线性映射关系，主要是因为国内金融市场中，股票和债券仍然是资产配置的大头，流动性宽松对商品资产的溢出效应不是很显著。

综上，经济周期和流动性周期视角下的商品资产投资时钟如下（按顺时针方向轮动）：
1. 经济周期下行且流动性宽松时，实体经济景气度仍然处于衰退阶段，此时不宜配置传统商品资产，而黄金一方面具备避险属性，另一方面与多数资产的相关性低，引入组合有助于改善风险收益特征，具备一定的配置价值。
2. 经济周期上行且流动性宽松时，景气度复苏，商品需求回暖，此时宜配置高弹性品种，从历史规律看，工业品和金属表现较好。
3. 经济周期上行且流动性收紧时，景气度仍有韧性，商品资产价格仍然维持在高位，而且流动性收紧对商品资产的影响并不大，配置上延续工业品和金属的搭配。
4. 经济周期下行且流动性收紧时，也是权益资产表现最差的时候，此时黄金的避险配置属性凸显，是进可攻、退可守的品种。

经济周期和流动性周期视角下的资产配置模型
模型构建：投资时钟到定量配置体系的映射

总结前文工作，首先我们从逻辑层面出发筛选了表征经济周期和流动性周期的代理指标，
并基于主成分合成方法进行降维，其中：
1. 经济周期维度，采用CRB、PPI、CPI表征自然资源需求，采用十年期国债到期收益率和社会融资规模存量同比表征信贷资源需求。代理指标中既包含资产价格序列，又包含宏观经济指标，较好的刻画了实体经济景气程度的变化。
2. 流动性周期维度，主要指金融市场流动性，它是从宏观流动性中剔除掉对实体经济的支持后，剩余的部分。宏观流动性代理指标主要选择了表征价的一年期国债到期收益率，表征量的M1、M2、M1-M2；而宏观流动性对实体经济的支持直接采用经济周期合成结果进行表征，换言之，用宏观流动性合成结果减去经济周期合成结果，就是金融市场流动性周期的走势。需要强调，本文中所提到的流动性周期都是指狭义的金融市场流动性周期。

得到经济周期和流动性周期的合成结果之后，可以对历史走势进行阶段划分，并梳理每个宏观状态下股、债、商大类资产，以及细分资产的表现，得到周期视角下的投资时钟：
1. 当经济周期上行且流动性周期上行时，股票最优，商品次之，债券较弱（主要是持有的机会成本高）；股票资产内部宜配置弹性最大的周期、金融板块；债券资产内部久期上的分化规律不明显，可以配置长久期债，其波动更大，同样的风险预算设置下，能变相提升股票的权重；商品资产内部适合配置弹性大的金属和工业品。
2. 当经济周期上行且流动性周期下行时，景气度一般仍有韧性，股票和商品类进攻资产的表现尚可，债券资产最弱；股票资产内部可以配置周期（受益于景气度上行）、消费（对流动性收紧不敏感）；债券资产内部适合配置短久期的债，相对抗跌；商品资产内部继续配置高弹性的金属和工业品。
3. 当经济周期下行且流动性周期上行时，最适合配置债券，股票往往也具有阶段性机会，传统商品资产则表现较弱。股票资产内部适合配置对流动性敏感的金融、成长板块；债券内部适合配置弹性大的长久期债（7~10年）；商品资产内部宜配置黄金。
4. 经济周期下行且流动性收紧时，股票和商品类进攻资产表现较差，宜配置债券避险。股票资产内部配置现金流稳定，具备避险属性的金融和消费板块；债券资产内部配置长久期债（7~10年）；商品资产内部的黄金在该阶段进可攻、退可守，具备较高的配置价值。

最终，我们构建的经济周期和流动性周期视角下的资产配置体系如下，自上而下分为3层：
1. 宏观择时，基于代理指标合成经济周期和流动性周期，判断当前宏观状态，确定大类资产间的风险预算分配比例（记为E：B：C）。如果不需要配置某个大类资产，只需要将分配给该资产的风险预算设置为0即可。
2. 中观配置，根据前文梳理得到的投资时钟，判断当前宏观状态下应该配置哪些细分资产，进行预算再分配，也即将分配给大类资产的预算等分给被选中的细分资产。以经济周期上行且流动性周期上行为例，股票资产内部配置的是周期板块和金融板块，两者的预算分别为E/2；债券资产内部配置的是长久期债，预算为B；商品资产内部配置的是南华金属指数和南华工业品指数，预算分别为C/2。
3. 组合优化，将所有资产的风险预算归一化，基于CCD法或牛顿法（算法原理和实现参见报告《“华泰周期轮动”基金组合改进版》，20190514）求解，得到目标资产权重，进而构建投资组合，显然，组合中各个资产贡献的风险占比满足我们预设的风险预算配比。

在构建定量配置模型时，还有两点需要说明：
1. 为了模拟历史交易场景，避免使用未来信息，在每个截面处，只能根据代理指标的历史数据进行合成，根据合成后的经济周期、流动性周期走势判断当前宏观状态，进而构建投资组合。后文提供了两种预测方法：相位判断法和趋势外推法，前者尝试了一种基于周期进行择时的新思路，有一定的左侧预判效果；后者则是基于常规的平滑算法进行趋势外推，是典型的右侧跟随方案。
2. 在前文进行投资时钟梳理时，债券资产采用的中债-新综合净价系列指数（不包含票息收益），涨跌方向更清晰，能更直观的反映宏观状态对债券走势的影响。而后文进行组合构建时，采用的是中债-新综合财富系列指数（包含票息收益），因为票息收益也是投资收益的一种。最终的底层资产包括：
a) 股票：基于申万一级行业指数聚类成周期、金融、消费、成长四大板块，板块内基于收益率等权的方式构建板块指数。
b) 债券：中债-新综合财富（1年以下）指数、中债-新综合财富（1-3年）指数、中债-新综合财富（3-5年）指数、中债-新综合财富（5-7年）指数、中债-新综合财富（7-10年）指数。
c) 商品：南华工业品指数、南华农产品指数、南华金属指数、南华能化指数、SGE黄金9999。

相位判断法：左侧预判，提前布局

在华泰金工周期系列研究中，往往是通过周期三因子回归拟合的方式预测指标未来走势，而从合成后的经济周期、流动性周期频谱图来看，基钦周期（42个月）能量成分仍然是显著的，但中、长周期由于样本长度有限，谱峰不是很显著，所以后文主要基于基钦周期进行宏观择时。从全局滤波结果来看，目前经济周期仍然处于下行趋势，而流动性周期则已经探底回升。

相位判断法的处理流程如下：1、在每个截面处，获取代理指标历史数据，进行主成分合成，得到经济周期和流动性周期走势；2、基于高斯滤波算法从合成指标中提取42个月的基钦周期序列，达到提纯、去噪的效果；3、计算基钦周期序列最新相位，结合经济周期和流动性周期指标的近期走势，判断当前宏观状态。

实证时有两处细节需要说明：1、主成分合成时，是基于截面处能得到的所有历史信息，避免指标的短期波动对合成权重造成太大干扰；2、高斯滤波提取相位时，只用到截面处往前50个月的历史样本，如果引入所有的历史数据，周期状态容易受到极端样本区间的干扰，导致预测方向对当前走势不再敏感，出现钝化。

由于周期滤波信号是通过数学手段获取的理想正弦波，而原始指标的上升、下降持续时间并不对称，而且每一轮周期的持续时间也并非精确的42个月，而是在这附近波动。如果直接将周期滤波信号的上行（对应相位180°到360°）、下行（对应相位0°到180°）等价为经济周期、流动性周期的扩张、收缩，则容易产生误判，而且灵活度低，误差会累积。基于此，我们提出了一种新的择时方法：
1. 当最新相位处于150°至210°区间时，进入底部拐点区域，如果指标当期值环比上升，则正式确认趋势扭转，反之则延续前一刻看空观点；如果相位越过210°后指标仍未出现环比上升，则强制转换为看多。
2. 当最新相位处于330°到360°或者0°到30°区间时，进入顶部拐点区域，如果指标当期值环比下降，则正式确认趋势扭转，反之延续前一刻看多观点；如果相位越过30°后指标仍未出现环比下行，则强制转换为看空。
3. 对比原方案（相位处于0~180°就认为指标下行，180~360°就认为指标上行），新方案在顶底点附近留出了灵活调整的空间，而且兼顾了指标近一期的真实走势，稳健性更好。按照一轮周期42个月计，顶底点附近各预留了1/6个周期的时间，正好是7个月，这对于指标真实拐点的提前、滞后就不那么敏感了。

实证结果表明，相位判断法的预测结果较为平滑，不会出现方向上的频繁跳变，而且该方法有一定的左侧效应，比如17年4月底预测经济周期将拐头下行，比实际的高点领先了9个月。最新的滚动预测观点显示：经济周期已于19年4月底拐头上行，而流动性周期则于18年2月底开始拐头上行。

趋势外推法：右侧跟随，有的放矢

趋势外推法是基于宏观动量思路进行滚动预测，处理步骤如下：1、在每个截面处，获取代理指标历史数据，进行主成分合成，得到经济周期和流动性周期走势；2、采用局部加权回归法（Lowess）对合成指标进行平滑处理；3、基于平滑后最新数据的环比变化方向预测指标走势。

建模过程中有两处细节需要说明：1、由于局部加权回归法本就是一种平滑算法，为保留尽可能详细的拐点信息，在进行主成分合成前不再对代理指标进行3个月平滑处理；2、进行截面预测时，为避免使用未来信息，实际上只利用了历史数据进行加权回归。

实证结果表明，趋势外推法在15年之后较好的跟随了原始指标的走势，几乎与肉眼划分结果同步，而15年之前该方法的拐点预测较为滞后，往往在真实拐点发生后一段时间才会发出信号，比如09年10月底流动性周期拐头下行，5个月后模型才发出信号。同时注意到，趋势外推法在指标趋势不明朗时容易出现误判，比如13至14年，各代理指标震荡反复，导致合成后的预测方向出现频繁跳变。最新滚动预测观点显示：经济周期自18年2月底拐头后就一直处于下行趋势，而流动性周期则于19年1月底开始看多。

周期视角下的资产配置策略实证分析：股票＋债券

由于国内金融市场中，股票、债券仍然是资产配置的大头，尤其是在FOF组合构建中，股票型基金和债券型基金占据了主导地位。所以本节内容主要针对仅包含股、债资产的场景进行回测，组合构建流程如下：
1. 在每个月末，根据相位判断法或趋势外推法获取当前的宏观状态，给股票、债券分配不同的预算：当经济周期和流动性周期共振上行时，是股票资产表现最好的时候，设置股债预算配比为20:1；当经济周期和流动性周期的走势背离时，股票存在结构性机会，设置股债预算配比为10:1；当经济周期和流动性周期共振下行时，是股票资产表现最差的时候，设置股债预算配比为1:1。
2. 基于经济周期和流动性周期视角下的投资时钟进行预算再分配，首先选择当前宏观状态下适合配置的细分资产，然后将分配给大类资产的预算等分给被选中的细分资产。
3. 将各资产风险预算归一化，基于CCD法或牛顿法求解资产权重，构建投资组合，该组合中各个资产贡献的贡献满足预设的风险配比。

后文中，回测参数统一设置如下：
1. 回测区间：2008年1月1日至2019年6月28日。
2. 底层资产：股票资产为周期、金融、消费、成长四大板块，债券资产为中债-新综合财富(1年以下)指数，表征短久期债，以及中债-新综合财富(7~10年)指数，表征长久期债。
3. 组合构建：在每月末计算新的组合持仓，下月初以收盘价调仓。

首先考察策略净值回测结果：相位判断法的累计收益率177.17%，年化收益率9.55%，年化波动率4.98%，夏普比率1.92，最大回撤-8.86%，收益为正的月份占比77.54%；趋势外推法的累计收益率186.57%，年化收益率9.87%，年化波动率5.09%，夏普比率1.94，最大回撤-8.86%，月度胜率77.54%。两者表现整体上差异不大，都有比较稳健的收益获取能力，但结构上有所分化：16年之前相位预测法表现更好，16年之后趋势外推法表现更好。这主要是因为18年2月底，相位判断法预测流动性周期将拐头上行，进而放大了股票上的风险敞口，导致净值出现较大回撤。实际上，18年2月后，表征价的一年期国债收益率确实出现松动，但表征量的M1，M2则仍然处于收紧态势，事后才能看出这次拐点是一次误判。

从持仓明细来看，两个策略的股票平均持仓均不到15%，最高持仓52.78%，说明该策略仍然是一个以债券为主的配置体系，只不过在宏观环境利好于权益资产时会主动放大股票的风险敞口，博取弹性收益。同样可以看到，在16年以前，相位判断法的股票仓位增减更及时，而16年以后表现不如趋势外推法，尤其是18年下行行情下股票仓位偏重。

考察两个策略在回测区间内的收益明细：
1. 从年度收益看，两个策略每年的收益均为正数，其中，趋势外推法的年度收益表现更稳健，只有16年的收益低于3%（2.97%）；而相位判断法在16年至18年的收益均不到3%，主要还是因为相位判断法在16年以后的拐点判断过于提前所致。
2. 从月度收益看，两个策略收益为正的月份占比均为77.37%，最常连续下跌月份数是3，最高单月回报也同为6.42%，但最低单月回报上，趋势外推法（-4.32%）好于相位预测法（-5.07%）。

进一步，设置锁定期为1年（252个交易日），考察两个策略的滚动收益获取能力，结果显示：在所有2543个样本中，相位判断法获得正收益的样本占比94.89%，最高收益53.04%，最低收益-3.22%，平均收益10.15%；趋势外推法获得正收益的样本占比99.25%，最高收益58.65%，最低收益-3.64%，平均收益10.94%。整体而言，两个策略均具备相对稳健的长期收益获取能力，只有极少数入场点下，策略收益为负。相较而言，趋势外推法在正收益占比、平均收益上显著领先，最低收益上弱于相位判断法。

最后，考察加入手续费后的策略表现，交易成本统一设置为双边千分之五，结果显示：相位判断法的年化收益率从9.55%下降到8.96%，降幅0.59%；趋势外推法的年化收益率从9.87%下降到9.12%，降幅0.75%。整体而言，两个策略对于手续费均不敏感，这是因为整个回测区间内，相位判断法对宏观状态的预测仅出现16次变更，平均8.5个月发一次信号；而趋势外推法也仅变更了22次，平均6个月发一次信号，交易磨损有限。

周期视角下的资产配置策略实证分析：股票＋债券＋黄金

在商品资产中，传统的金属、工业品、能化品均是典型的进攻类资产，与经济周期的涨跌比较同步，和股票资产的相关性较高，从实证结果来看，引入这类品种难以进一步提升策略表现。而黄金资产和股票、债券的相关性低，引入后能改善整个组合的风险收益特征，而且在经济周期和流动性周期共振下行的极端市场环境下，黄金进可攻、退可守，是一个非常好的避险配置标的。综上，本节在前文股债配置体系的基础上，进一步引入黄金资产进行回测。组合构建原理如下，和前文的核心区别是：当经济周期和流动性周期共振下行时，不再配置股票资产，而是采用债券+黄金的搭配。

对比引入黄金前后的策略净值走势：相位预测法的表现有所下滑，主要原因是17年中开始配置黄金，错失了股票市场的上涨行情；而趋势外推法的表现有所提升，年化收益率从9.87%提升至10.13%，波动率从5.09%下降到5.08%，夏普比率从1.94提升至2，从持仓明细可以看到，在18年经济周期和流动性周期共振下行的市场环境下，策略配置了较多黄金资产，规避了股票市场的单边下行走势，取得了良好的避险配置效果。

对比引入黄金资产前后策略的月度收益和锁定期滚动收益，同样发现相位预测法表现有所下滑，而趋势外推法则有进一步提升：
1. 从年度收益看，在主配黄金资产的18年，该策略录得9.6%的收益，相比于引入黄金资产前的6.91%，提升2.69%；11年的收益也由3.54%提升至4.39%。
2. 从锁定期收益看，策略获得正收益的样本占比保持不变，仍然为99.25%，而平均收益则由10.94%提升至11.16%，涨幅0.22%。

综合前文各类测试场景，可以发现趋势外推法的表现要略好于相位判断法，直接原因是16年以后趋势外推法对于拐点的判断更加精准，更深层次的原因则是合成后的经济周期和流动性周期趋势较为明朗，适用于宏观动量类方法。但相位判断法的优势在于有一定的左侧领先性，而且对于指标的震荡走势不那么敏感，只有当相位运行到顶部、底部区域时才会打开开关，判断是否发生趋势扭转，其他时间不受指标的短期波动影响。所以两个方法可以相互印证，综合比较。

模型最新持仓推荐

按照2019年6月底的合成结果，两个模型的最新持仓推荐如下：
1. 相位判断法认为当前处于经济周期和流动性周期共振上行的状态，所以股债商的预算分配为20:1:0。股票内部看好周期和金融，债券内部配置长久期债，最终得到优化后的权重分配如下：周期板块（6.00%）、金融板块（6.73%）、长久期债（87.27%）。
2. 趋势外推法认为当前处于经济周期下行、流动性周期上行的状态，所以股债商的预算分配为10:1:0。股票内部看好金融和成长，债券内部看好长久期债，最终得到优化后的权重分配如下：金融板块（6.14%）、成长板块（4.56%）、长久期债（89.30%）。

风险提示：模型基于历史规律总结，有失效可能。市场出现超预期波动，导致拥挤交易。投资时钟是基于资产的区间累计收益所统计，与短期价格表现或有出入。

免责声明
本公众平台不是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】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

FOF与金融创新产品
【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】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

行业轮动
【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】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】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】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

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