投资者关注在行业轮动中的应用.docxVIP

结构化市场下 结构化市场下的高关注度 尽管最近几年机构管理规模攀升，但由于中国证券市场上的投资者以中小投资者为主，以往多次经历“疯狂-过热-恐慌-暴跌”，这种股市的异常波动是由于非理性投资者情绪波动所产生的效应，在全球股市普遍存在，由于这种投资者非理性情绪的影响效应往往超过宏观和微观经济层面各种因素的影响，受到了业界和学者的广泛关注。 在我们《增量关注度因子和投资有限关注》的报告中，详细阐释了在做多机制和做空机制不完全对称的市场，由于投资者的有限注意能力，非理性买入的可能性会大于非理性卖出的可能性，这就有可能导致高关注度的股票在短期内出现非理性溢价，在未来会有向真实价值回归的趋势。并且构建了增量关注度因子，相比较于原有的因子，增量关注度因子的整体选股能力均有所改善。 近 3 年来，在大环境为结构性市场的背景下，消费板块、新能源板块陆续成为公认的较拥挤赛道，并且有较多的机构资金曾经或者当下仍重仓这两个赛道。但是阶段性的会出现较短周期的其他行业轮动，比如去年年末到今年年初的传媒、今年春节之后一段时间的金融地产等。 上述这些突然受到关注的行业，若能在合适的时点布局，不失为低拥挤下赛道下的配置良策。与“拥挤度”的概念有所不同，投资者关注度更加倾向于投资者情绪和筹码的“增量”，而拥挤度则反映了投资者情绪和筹码的“存量”。比如，在 2021 年底的时候，交易最为拥挤的是新能源车板块(存量)，而当时最受关注的则是“元宇宙”等热门概念加持下的传媒(增量)。 高拥挤行业的特点是高交易热情同时高估值；而高关注行业的特点是高交易热情但是低估值。 个股关注度指 个股关注度指标与行业关注度指标的构建 我们先计算个股关注度指标，然后再合成行业关注度指标。 个股一段时间的换手率、成交量、成交金额，充分反映了在市场中，基于每个股票，投资者对待股票的交易热情是不同的。个股的成交量大，换手率高则代表该段时间，投资者对该股票的投资热情高涨，反之则表明投资者对该股票投资热情比较低落。 这些指标可以很好衡量个股在市场上的受到投资者的青睐程度，但这些指标之间具有很强的相关性，如成交量大的股票往往换手率高以及成交金额大等。因此，本文采用 Baker 等（2006）所采用的主成分分析法（PCA）来构建情绪指标，主成分分析法能够很好的消除变量之间重叠信息，并最大限度的保留指标中有关情绪的有效信息，从而让指标度量个股关注更加准确。 为了能更好地反应高关注而非高拥挤的特点，在下述公式中，我们加入了市盈率（TTM）的倒数，来对估值作出相应的要求和调整，选出高交易热情但是低估值的行业。 ????????????,???1 = ??1??????????????????,???1 + ??2??????????????,???1 + ??3??????????????,???1 + ??4??????,???1 其中，????????????,???1代表个股??在?? ? 1日的投资者关注程度； ??????????????????,???1代表个股??在 ?? ? 1日的换手率；??????????????,???1代表个股??在 ?? ? 1日的交易量； ??????????????,???1代表个股??在 ?? ? 1日的成交金额。 ??????,???1代表个股??在 ?? ? 1日的市盈率 （TTM）的倒数；??1到??4是各个指标的贡献系数。 在做 PCA 过程中，若直接采用全样本的方式可能会存在问题。若采用全样本的方式成立，前提的假设是所有的数据是独立同分布（Independent Identically Distribution）的。独立是指样本之间不存在相关性，从一条样本无法推知另一条样本的取值；同分布是指包括训练集和验证集在内的全部样本需取自同一分布。当样本是时间序列时，数据随时间演进的过程生成，可能包含周期性、过去和未来数据间相互关系等信息，并不满足交叉验证中数据独立同分布的基本假设。 在非独立同分布的金融时序上直接做 PCA 则可能引入未来信息，模型的外推能力会大打折扣。为了避免这样的问题，为了避免这样的情况发生，我们选择 12 个月的数据长度来计算 PCA，并且按照每月进行滚动。每次 PCA 计算得到的主成分，我们选择这 12 个月中最后一个月的数据作为因子暴露度数据，也就是说，每次计算当月主成分的时候， 我们只用过去一年的数据进行计算，避免引入未来信息。 图 1 滚动计算 PCA 提取主成分的示意图 资料来源：量化团队整理 考虑到不同类型数据的量纲不同，我们在 PCA 步骤之前对各指标做了标准化处理。 行业层面关注度指标计算 上述我们已经计算的日频的个股关注度指标，行业层面则取历史时点上行业成分股关注度指标的中位数作为行业的关注度。 截面日期第