“景气”四维比较框架：行业配置如何避免“景气失灵”.docxVIP

我们的行业比较框架与市场上相比有何不同？ “景气+估值”传统框架和景气预期框架是目前市场上流行的两种行业比较框架： 传统框架“景气+估值”从经典 DDM 模型出发，兼顾分子端景气及分母端估值的变动，而该框架也有其弊端：框架刻画的“景气”更多来自研究者基于中微观历史数据的线性外推，忽视了市场整体的预期调整； 景气预期框架强调并进一步挖掘了对行业预期相关指标的应用，但其缺陷在于将市场表现等同于行业的高景气，忽略了包括内外部资金流动性、投资者结构等在内的基本面以外的因素对股价造成的影响。 对于部分行业，即使在景气程度较高的情况下，流动性对其市场行情仍造成较为显著的冲击。外部资金流动性方面，如 21 年 8-9 月海外流动性收紧阶段，对海外流动性较敏感的电子行业受此冲击下行，相对万得全A 跌12%；内部流动性方面，计算机属于典型的流动性敏感行业，在 20 年内部流动性收紧阶段，计算机股价相对市场下行，20 年 9 月至 11 月较万得全A 跌 11%。 图1.21 年 8-9 月美元上行阶段电子行业股价下行 图2.20 年 9-11 月内部流动性收紧阶段计算机股价下行 110  美元指数（右） 电子（中信） 万得全A  94.5  105  Shibor:一个月（%）（右） 计算机（中信） 万得全A  2.8 105 94 100  2.7 100 95 90 85  93.5 93 92.5 92  95 90 85 80 2020/9/1 2020/9/15 2020/9/29 2020/10/13 2020/10/27 2020/11/10 2020/11/24  2.6 2.5 2.4 2.3 ， ， 资金筹码方面，交易拥挤度和“惯性”趋势也不容忽视。交易过热导致的筹码拥挤，可能是调整的前奏。例如 20 年疫情冲击下医疗器械成热门赛道，7 月该行业 850 天日度换手率百分位维持在 95%之上的天数占比 70%，8 月起股价波动下行，相对万得全A 跌幅达 9%。“惯性”趋势方面，市场表现涨势相对平缓，持续性也更为持久，具体在资金交易上“动能”越强。如 20 年 4 月至 6 月初，商贸零售和 医药行业的整体涨幅几乎一致，而商贸零售在 5 月涨势相较上个月更加“陡峭”， 相比之下医药的股价走势较为平缓。随后至 6 月底，医药延续原有涨势，而商贸零售在交易“放量”后拐头向下，被医药板块反超。 图3.20 年 7 月医疗器械出现交易拥挤，下月股价回调 图4.20 年Q2 商贸零售涨势相对“线性”，“惯性”更强 105 100 95 90 85 80  上月换手率历史850天百分位 医疗器械 万得全A 100% 95% 90% 85% 80% 75% 70% 65% 60%  140 130 120 110 100 90 80  万得全A（右） 商贸零售（中信） 医药（中信） ， ， 基于 DDM 模型，我们从景气出发，结合流动性、估值和资金筹码（交易拥挤度和趋势）三方位对筛选出的景气行业予以择优，建立了新的四维行业比较模型框架。相较于传统框架“景气+估值”，我们改进了对于“预期”的考虑：在测算行业景气度时，我们进一步关注了预期调高的情况，削减了对于“景气”判断的主观性；相较于景气预期框架，我们将内外部资金流动性、投资者结构因素纳入考量，对受流动性或交易拥挤冲击、上行动力欠佳的高景气行业予以剔除。 模型始于景气行业的筛选，之后考虑行业的流动性敏感程度、行业估值情况和资金筹码，予以择优。具体而言，我们划分出部分内外部流动性敏感行业，构建了景气度、估值、交易拥挤度、趋势四项指标。流程上， 首先筛选出景气度指标为正的行业； 其次，考虑行业对内外部流动性的敏感度，在流动性变动情况下因流动性敏感受冲击较大的行业将被剔除； 随后考虑行业的估值情况，对高估值的行业予以剔除，此时得到非高估值的经流动性调整后的景气行业； 随后考虑行业的交易拥挤程度，对出现交易拥挤的行业予以剔除，此时得到非高估值、非交易拥挤的经流动性调整后的景气行业； 设定合理的行业数量门槛参数λ，在筛出行业数目较少（不足该值）的情况下，上一阶段所得的行业为当月持仓行业；在筛出行业数目较多（超过该值）的情况下做进一步筛选：筛除趋势指标数值排名在λ位之后的行业，得到最终的持仓行业组合。组合中的行业持仓权重相等。 我们的模型为月频调仓：根据上月末观测到的各项指标数值，在月初首个交易日开盘买入、在月末收盘卖出。为全面衡量模型效果，我们计算了行业组合相对于全 A、沪深 300 和股票型基金作为基准时的胜率和赔率。 图5.景气度修正行业比较模型框架 数据来源： 从结果来看，四维框架