建投量化：中长期看好科技及消费板块 可布局相关基金

　原标题：2021年金融工程年度展望——传统因子日趋拥挤，与时俱进专注创新

　　来源：鲁明量化全视角

　　核心结论

　　上市公司视角下的2020年前三季度财务表现分解及未来展望：销售净利率带动上市公司的ROE于2020Q3开始回升，预测ROE的上升将至少持续到2021Q2

　　上市公司的ROE于2020Q2见底，2020Q3回升，主要是销售净利率带动ROE上行，预测四季度ROE继续上行。周期定位方面，当前处于全球康波周期萧条，中国人口周期下行，复苏于2016年的产能周期和复苏于2019Q4的库存周期，因新冠疫情及隔离措施一季度二次探底、二季度重新回升。

　　量化视角下行业比较与展望：看多银行、地产和建材，看空农林牧渔

　　1、银行：预测银行的风险调整净息差跟随十年期国债利率回升，预测2020Q4为1.33%，2020三季报风险调整净息差为1.29%。预测银行的ROE处于逐步下行过程，预测2020Q4的ROE为9.35%，2020三季报ROE（TTM）为9.69%；

　　2、房地产：由于我国25-55岁人口数量于2018年见顶后开始下行，长期利空房地产；短周期来看，房价同比上行、M2同比上行、首套房贷利率下行，目前维持做多房地产行业。

　　3、农林牧渔：能繁母猪存栏量从2019年10月开始提升，根据生猪繁育规律，生猪出栏量从2020年8月提升，供给增加带来猪价下跌和农林牧渔行业整体ROE下降，预测生猪价格将下跌到2022年的15元上下。玉米，需求端受益于生猪存栏增加，供给端由于厄尔尼诺现象今年大概率单产下降，价格将持续提升。

　　4、建材：水泥价格领先水泥制造行业超额收益3个月，玻璃成本价差领先玻璃制造行业超额收益5-6个月，预计水泥制造和玻璃制造将持续跑赢万得全A指数

　　多因子整体历史跟踪：盈利因子整体表现稳定，能带来长期的多空收益。2020年以来盈利因子表现十分稳定，多空收益仍旧亮眼；成长因子历史上表现稳定，基本保持着向上的趋势，即成长性越好的股票，其收益表现更好，2020年以来成长因子整体仍就表现强劲；财务因子中，管理费用比率和销售费用比率因子表现相对稳定，历史上一直保持着正的多空收益。2020年以来，管理费用比率因子表现效果不佳，多空收益不明显。每股净资产因子仍旧多空收益显着；估值和规模因子中PB和PE因子相对稳定，但自2010年底以来震荡明显，2020年以来，估值因子持续回撤，表现出现较大反转，市值因子表现平平；六大类因子中，市场因子表现最好。不过值得注意的是，2020年以来，多个市场因子的表现平平，多空收益走平，向上斜率明显降低。

　　人工智能算法中XGBOOST算的的应用：我们对中证500指数和沪深300指数建立Xgboost指数增强模型。模型构建是采用Xgboost分类算法，模型的参数选取除树深度设置为3以及树数目为50外，其余大多采用默认，特征选取了我们常用的包括基本面及技术面的47个因子，标签是指数成分股按照截面下月收益排序后等分为5组的组别标签，过去4年的数据拟合模型，来预期未来1年的收益，在对基础策略优化的情况下，中证500指数增强策略年化超额收益10%，信息比率1.4，跟踪误差7.2%，2016年以来最大回撤7.8%；沪深300指数增强策略年化超额收益4.6%，信息比率0.70，2016年以来最大回撤22%。

　　分析师预期选股组合表现优异，预期修正组合样本外收益近60%

　　分析师预期修正选股组合从2019年7月开始样本外跟踪，截至2020年10月底，累计绝对收益59%，累计超额收益29%，样本外跟踪15个月只有1个月超额收益为负，月度胜率93%，回撤为-2.75%，样本外表现非常优秀。分析师超预期20组合经过历史样本内回测和样本外跟踪（自2019年9月30日开始样本外跟踪），从2009年4月至2020年（截至10月底）10年时间，组合年化收益26.24%，相对中证500指数的年化超额收益为20.12%，相对沪深300指数的年化超额收益为18.74%。组合每年相比中证500指数基本均有超额收益。最近两年由于新股上市较多，分析师数据覆盖度逐渐走低，因此有分析师覆盖的股票基本集中于市值相对较大并受市场关注度较高的股票，这也是相关分析师类策略表现较好的原因。

　　高频类因子表现优秀，因子多空年化收益最高27%

　　总共6个高频选股因子，具体回测时间为最近10年，样本池为全市场，月频调仓。VOI1和MPB做了市值和行业中性化处理，VOI2和OIR没做。VOI1因子IC均值-2.74%，年化IR-1.62，年化多空收益12.45%，夏普比率1.69。VOI2因子IC均值-3.35%，年化多空收益14.73%，夏普比率1.87。OIR因子IC均值-3.7%，年化多空收益16.05%。MPB因子IC均值-5.23%，年化IR为-2.68，年化多空收益达到21.24%，夏普比率高达2.68。另外对于高频流动性因子 和，两个因子都做了市值和行业中性化处理。因子IC均值6.56%，年化IR2.64，年化多空收益24.32%，夏普比率2.44。因子IC均值6.89%，年化IR2.76，年化多空收益26.58%，夏普比率2.71。从多头效果来看，这些高频因子的多头效果都比空头效果要显着。多头效果方面，2014年底和2017年风格大切换还是出现一定小幅度的回撤，但相比其他量价类因子回撤要小，其余时间表现均非常优秀。

　　指数增强策略跟踪效果：目前我们在跟踪的多因子模型共有一个，表现如下：

　　因子轮动下的500增强策略，年化超额收益11.02%。信息比率1.54；今年以来超额收益18%。

　　权益型FOF最近推荐组合

　　筛选选出成立满一年，且最新规模大于2亿的主动型权益基金。对于规模基金组合，按规模分成三类。使用净值回归方法判定基金所属风格后，对于每类基金组合，根据基金的风格稳定性、超额收益大小及稳定性优选基金构造组合。所选基金业绩表现好且具有稳定性。

　　中长期看好科技及消费板块，可布局相关基金

　　当前全球正处于第五次康德拉季耶夫周期的衰退向萧条的过渡期，本轮库存周期上升阶段进入中后程，按照以往的规律，康波萧条期结束之前，利率都会维持低位。而降息周期中受益的资产始终包含科技板块。因此我们长期看好以TMT为代表的科技行业，包括电子、通信、计算机、传媒等行业。而参照上世纪70年代日本进入老龄化之后，消费及以医药行业的盈利改善，同样长期看好食品饮料和医药行业。短期来看，受益于地产销售提升，盈利改善背景下，家电行业同样具有阶段性机会。相关推荐基金名单详见正文。

　　风险提示：模型为历史数据，存在失效可能。

　　　　报告正文

　　一、上市公司视角下的2020年财务分解及未来展望

　　我们可以通过业绩预警数据，计算上市公司的景气度；定义上市公司景气度为业绩预告中“预增”、“续盈”、“略增”和“扭亏”的整体占比，反映上市公司中业绩好转的比例。历史上看，当整体财报加总的盈利能力好转或恶化时，景气度会同向变化，基本上是同步指标，但因为业绩预警数据相对财报披露时间更早，所以可以作为跟踪指标，提前了解上市公司的盈利能力概况。

　　　　景气向上的公司占比自2017Q4持续下降到2019Q3，2019Q4景气度有所回升，2020Q1因新冠疫情和相应的隔离措施景气度大幅下行到37.20%，2020Q2景气度开始回升到43.99%，2020Q3景气度继续回升到50.27%，从目前已经披露有效业绩预告信息的591家公司来看，2020Q4景气度略微回落。

　　　　二、量化视角下的行业比较与展望

　　行业基本面量化，基于行业研究员的研究和理解，梳理行业特有的的主要逻辑链、关键变量和投资主线，发挥金融工程在数据分析、程序编写和模型建立方面的优势，建立量化模型，使得行业配置的推荐更加科学化、系统化。对于价值投资者来说，可以从量化的角度去理解一个行业的主要逻辑链，甚至启发他们将自己的投资逻辑设计成量化模型，辅助决策；对于量化投资者来说，可以提高对行业特有基本面信息（如关键指标、行业特有逻辑链）的认识，以便设计量化交易策略的时候吧行业的一些基本面信息、指标加入到模型中。

　　2.1

　　银行

　　银行的业务，按生意的本质可以分为信贷业务、中间业务、投资业务和其它业务。信贷业务占比最高，贡献70.22%的营业收入；中间业务次之，贡献20.22%的营业收入。对于信贷业务，主要从“量、价、质”三个角度来分析，“量”即商业银行的总资产规模及其增速，“价”为净息差，“质”为贷款减值损失，我们用风险调整净息差（净息差-信用成本）指标来综合考虑“价”和“质”。从银行和实体企业利润表之间的勾稽关系来看，银行贷款是对实体的债权，实体企业财务费用中的利息支出和手续费支出分别对应银行的利息净收入和非利息收入；只要企业未倒闭，就需要向银行按时足额支付本息，财务费用波动相对净利润波动要小；当企业净利润长期为负时，就存在破产和违约可能，银行发生贷款本金损失的概率加大，需要计提信用减值损失或资产减值损失。实体企业的盈利能力影响银行的盈利能力，而银行的盈利能力影响其信贷规模并进而影响货币供给。

　　　　2.2

　　房地产

　　房地产周期表现为房地产业在经济运行过程中交替出现扩张与收缩的阶段。房地产的开发周期主要包括：拿地-开工-施工-预售-竣工-交付等，一般需要2-3年左右的时间，远高于传统商品的生产销售周期，而销售单价之高与消费频次之低，均与行业的特殊性息息相关。交付房屋后，购房者在入住前装修装饰，并进行购置家电、家具、建材等衍生消费行为，最终完成房屋的入住，而房企则在实现销售回款后进行新项目的投资和开发，形成一轮完整的房地产周期。（关于房地产行业的详细研究请参考深度报告《中国房地产行业择时与选股策略研究初探》（2020/04/09））。

　　　　房地产产业链狭义上指与房地产开发流程相关，与住房建设、配套和服务等方向有关的关联产业；房地产产业链广义上包括房地产和被房地产拉动的水泥、机械、建筑、家电、家具等产业，对宏观经济影响重大。

　　　　2.3

　　农林牧渔

　　农林牧渔细分子行业众多，包括：养殖（畜养殖、禽养殖、水产养殖）、饲料（水产料、畜禽料）、种子（玉米种子、水稻种子、辣椒种子）、果蔬饮料（番茄酱、苹果、葡萄干）、一般农产品加工（棉花、白糖、粮油加工）和捕捞（远洋捕捞）等。农业产业链为，从农产品原材料（种子、种植）到饲料生产，从饲料生产到动物养殖，从动物养殖到加工及流通和销售。其中主要子板块构成为畜禽养殖业和饲料行业，与生猪产业链有非常高的关联。（关于农林牧渔行业的详细研究请参考深度报告《农林牧渔行业基本面量化择时策略》（2020/07/06））。

　　　　我国玉米自给率为79.15%，玉米库消比领先玉米价格1年，相关性为-0.64；玉米库销比从2015年开始持续下行，玉米价格从2016年开始持续提升。

　　　　2.4

　　建材

　　建材行业和地产行业密切相关，地产新开工到竣工对建材的需求依次为：1）水泥，贯穿开工和施工环节，主要作为粘合剂；2）防水：一直以来，地下防水环节约占防水材料需求的70%（和新开工相关），墙面及屋顶防水（施工接近竣工环节相关），厨卫防水（竣工）；2）管材：贯穿施工环节（PVC管）、竣工（PVC管）；3）玻璃：安装窗户；4）外墙保温&涂料：一般先做外墙保温，再做外墙涂料，竣工前几个月进行；5）内墙涂料、瓷砖、板材：装修环节（竣工）。

　　　　水泥行业的ROE、销售净利率、总资产周转率和毛利率与水泥价格的相关性分别为0.94、0.93、0.86和0.82，所以跟踪水泥行业盈利情况的关键是跟踪水泥价格。我们基于水泥价格对水泥制造行业择时。

　　　　三、多因子选股视角再开拓

　　2020年以来，随着北上资金的加速流入，市场风格继续维持指数优于个股的特征，也为传统的低频量化选股带来了新的挑战。我们在今年来，从多个角度尝试进一步拓展我们的多因子选股体系和框架。不仅完成了相应因子库和体系的更新，同时也在研究领域深入挖掘，成果斐然，主要成果如下：一是对传统因子的不断跟踪，继续跟踪效果较好的传统因子；二是基于我们深耕的分析师预期数据，从超预期与预期调整两个角度对选股策略进行了进一步优化和跟踪，跟踪效果较为显着；三是从最新的微观市场结构高频因子视角构建逻辑清晰的新因子，使其适用于最新的市场环境；五是在机器学习领域进一步挖掘，以XGBOOST作为基础探讨机器学习方法的效果。最后，也展示了目前我们团队在跟踪的中证500指数增强模型，在今年这些模型仍旧能够获得稳定的超额收益。

　　3.1

　　多因子整体历史跟踪

　　3.1.1

　　市值等权下的因子多空收益累计表现

　　　　市值等权下的盈利因子整体表现稳定，能带来长期的多空收益。但在2007年上半年、2011年上半年有较大回撤。

　　　　市值等权下的成长因子历史上表现稳定，基本保持着向上的趋势，即成长性越好的股票，其收益表现更好。成长因子只在2006年表现平平，但回撤很小。

　　3.2

　　分析师预期因子新成果及历史跟踪

　　3.2.1

　　分析师预期修正选股策略

　　证券分析师由于对某个行业研究较为深入，与所研究行业的上市公司联系较紧密，其掌握的行业和个股信息通常比其他人要多，分析师预期数据已成为投资者重要的信息来源。分析师预期修正意为在一个时间段内，分析师或机构对之前预测值的调整。预期调整有一定的趋势性，当新信息出现时，有些分析师会运用该信息领先自己的同行对自己的预期进行调整，最后往往会伴随着其他分析师对自己的预测进行同向的调整。在这一过程中，预期均值会伴随修正趋势进行变动。具体表现为前一期预期均值的调整往往会带动后一期预期均值继续往同向调整。分析师预期修正的调整对下一月的分析师预期值有着同向的影响。其中，预期EPS、预期净利润的上调和下调均有较强的趋势性，因此我们选取这两个指标作为后续模型的候选股因子。

　　实际上，我们可以进一步将预期的上调细分为两个阶段：在上调第一个阶段，称为P1阶段，只有少部分分析师对自己的预期值做出上调，大部分分析师并没做出预期调整，这样可以观察到预期均值出现上升，而分析师间预期的分歧度也开始上升，我们以离散程度（预期标准差）来衡量分歧度，即预期离散程度开始上升；而在上调第二个阶段，称为P2阶段，其他分析师也会逐渐上调自己的预期，最终所有的分析师预期将会接近一个值，即我们可以观察到预期均值出现上升，而预期离散程度则出现下降。同样，我们可以根据分析师的均值和离散度进一步将预期的下调细分为两个阶段P3（分析师均值下降，离散程度上升）和P4（分析师均值下降，离散程度下降）阶段，具体如下图所示：

　　　　经过检测，我们发现上调第一个阶段（P1阶段）的股票未来一个月表现最好。最后我们采用多指标叠加选股的方法，将预期EPS FY1、EPS FY2、预期净利润FY1三个分析师预期指标进行叠加选股，即将三个分析师预期指标均处于P1阶段的股票取交集作为我们的推荐组合——分析师预期修正选股组合，具体可以参考报告《分析师预期修正动量效应选股策略》。

　　经过历史样本内回测和样本外跟踪（自2019年7月31日开始样本外跟踪），2009年7月31日至2020年10月31日，组合累计绝对收益629%，相对中证全指累计超额收益438%，年化超额收益16.1%，超额收益夏普比率1.74，超额收益最大回撤10.8%。

　　　　3.2.2

　　分析师超预期因子选股策略

　　首先我们需要计算精确到单季度的净利润超预期幅度ESP因子，具体定义如下：

　　ESP  =（单季度实际净利润-单季度预期净利润）/ABS（单季度预期净利润）

　　假设分析师对单季度的增速预测和其年度增速预测一样，我们可以得到以下季度分析师预测值分解算法如图5，具体可以参考报告《分析师超预期因子选股策略》。

　　然后我们通过条件选股的方法，具体选股流程如下：每月底根据EP_TTM和过去一个月收益率两个风格因子限定样本池（即选择低估值超跌股票），然后选取净利润超预期幅度最大（ESP因子值最大）的20只股票，构建我们的超预期20组合。其中样本池踢掉了停牌、上市半年之内新股、ST和当天涨跌停的股票，另外我们每期会考虑停复牌情况固定选取20只股票（即假设这个月底有4只停牌股票，则另外选取16只股票），这个组合我们称为分析师超预期20组合。

　　经过历史样本内回测和样本外跟踪（自2019年9月30日开始样本外跟踪），从2009年4月至2020年（截至10月底）10年时间，组合年化收益26.24%，相对中证500指数的年化超额收益为20.12%，相对沪深300指数的年化超额收益为18.74%。组合每年相比中证500指数基本均有超额收益，每年超额收益最大回撤只有7.4%，夏普比率达1.65。分析师超预期20组合相对中证500指数的超额收益净值如图6，最近十年的超额收益净值基本上稳定向上：

　　　　3.3

　　高频类因子新成果及历史跟踪

　　3.3.1

　　高频量价选股因子初探

　　　　3.3.2

　　买卖报单流动性因子构建

　　流动性在金融市场中扮演着重要的作用，影响着市场效率和股票价格；在市场的微观结构中，流动性的重要程度尤为凸显。因而流动性是在对股票定价的一个重要因素。在本研究中，我们将根据报单数据分别建立买单流动性因子和卖单流动性因子。

　　通过交易者是提供还是需求流动性，我们可以将交易者分为流动性的提供者和流动性的需求者。具体来说，当交易者并不急于交易，或是认为价格还会向有利于自己的方向变动时，交易者不愿意付出相应的交易成本，接受对向的现有报单；而是会提交限价交易委托，增加买单或卖单报单量，为市场提供了流动性。而当交易者认为对向的报单价格合适，想要立即执行交易时，交易者会提交市价交易委托，付出一定的交易成本，在对向现有报单的报单价格上执行交易。从上述分析可以看到，流动性的本质即为立即交易（市价交易）与延时交易（限价交易）之间交易成本的差距；特别是资金量较大时，该差异尤为明显。当立即交易相对于延时交易的交易成本为0时，说明市场是完美流动的；而交易成本高时，说明流动性差。

　　因而我们将建立因子来估计该交易成本，来衡量流动性。如上所述，我们将用市价交易成本与限价交易成本之间差值百分比来衡量交易成本。对于限价交易成本，由于交易并未发生，因而我们将假设买卖双方各付一半的交易费用，即用买一报单价格与卖一报单价格的均值M作为限价交易成本。

　　　　然后我们采用和之前报告同样的转换流程把高频因子转为我们常用的月度低频选股因子。最后我们对2个高频买卖报单流动性因子进行单因子分析。具体回测时间为最近10年（2010年1月-2020年4月），样本池为全市场，月频调仓。两个因子都做了市值和行业中性化处理。因子IC均值6.56%，年化IR2.64，年化多空收益24.32%，夏普比率2.44。因子IC均值6.89%，年化IR2.76，年化多空收益26.58%，夏普比率2.71，总体选股效果是所有因子里最好的。下面是MCI_B因子的效果，因子IC均值6.89%，年化IR2.76，年化多空收益26.58%，夏普比率2.71，总体选股效果非常不错。

　　　　3.4

　　人工智能算法再探索——XGBOOST算法的应用

　　3.4.1

　　xgboost算法原理简介

　　Xgboost算法由陈天奇博士及其团队开发，是大规模并行boosted tree的工具，也是目前性能最佳的开源boosted tree工具库。由于其高效的性能及能在分布式环境下部署，Xgboost在各类数据科学比赛（如Kaggle）中大获异彩。在下面的介绍中，我们将详细地介绍与推导Xgboost的算法思路。

　　首先，我们定义最后要优化的目标函数：

　　　　我们可以看到，上式引入了函数的二阶导信息。由于前t-1 棵树的预测分数与y的残差对目标函数优化不影响，可以直接去掉。简化目标函数为：

　　　　3.4.2

　　中证500增强模型

　　　　我们在中证500指数数据集上采取相同的特征工程。数据集时间为2007年初至2019年年底，我们同样在以4：1的比例划分训练集与测试集的基础上构建Xgboost选股模型。在每一期选取成分股中的部分股票，等权构成组合，以全部成分股等权收益作为基准。

　　因子数据预处理与前面全A股处理一致，包括按照下月收益率对把截面股票等分为10类，从小到大依次打上0到9的标签，如下月收益率最高的10%股票标签为9，下月收益率最低的10%股票标签为0。在训练集上拟合模型后，对测试集的股票预测其下月收益率所属的收益类别，并按类别计算收益率。每一类仅选取其中预测概率最大的前20只股票构成对应类的组合。

　　　　3.5

　　多因子模型上半年跟踪效果

　　目前我们在跟踪的多因子模型共有一个，是基于因子轮动思路出发的中证500增强策略。在中期报告中，我们将其表现进行回溯与展示：

　　　　四、FOF及基金整体配置方案展望

　　4.1

　　宽基赛道筛选FOF

　　4.1.1

　　不同宽基精选基金组合表现

　　我们将基金池选定为：国内基金市场上，成立满一年且最近报告期规模大于2亿的主动管理型权益类基金（包括：普通股票型基金、偏股混合型基金、灵活配置混合型基金、平衡混合型基金）。

　　将市场按照规模拆分成大盘、中盘和小盘三类，并将相应的比较基准设定为：沪深300（000300.SH）、中证500（000905.SH）、中证1000（000852.SH）指数，并基于此筛选规模基金组合。根据我们的基金量化筛选模型，将在每月末筛选出预期未来表现良好（相对基准指数）的基金组合。

　　由于股票型基金的持仓规则在2015年8月发生过变化（根据2013年4月公布的《公开募集证券投资基金投资基金运作管理办法（征求意见稿）》规定，已发行股票型基金的基金仓位将调整为80%，并最迟由于2015年8月8日前调整完毕），导致当年相当比例基金类型和权益持仓比例发生较大变化。因此，我们考察该策略自2015年12月31日以来的表现。

　　对于沪深300型基金精选组合，自2015-12-31以来，该组合累计收益100.87%，累计超额收益62.35%；对于中证500型基金精选组合，自2015-12-31以来，该组合累计收益71.35%，累计超额收益112.58%；对于中证1000型基金精选组合，自2015-12-31以来，该组合累计收益80.69%，累计超额收益144.74%。

　　　　4.1.2

　　不同风格基金精选组合名单（2021年上半年）

　　不同宽基指数基金精选组合名单如下：

　　　　4.2

　　主题及热点行业基金筛选

　　4.2.1

　　基于长周期视角及短期盈利热点的行业选择

　　根据雅各布·范·杜因、陈漓高、周金涛等人对康氏周期的划分，我们正处于第五次康德拉季耶夫周期的衰退向萧条的过渡期。该时期的特征为创新红利衰减导致总需求降低，生产疲软，消费被动支撑经济增长，商业活动不可避免的进入红海竞争之中。本轮萧条一方面是由于上一轮的科技红利对于整个经济效益的渗透作用达到边际极限，无法进一步产生拉动作用，同时也是全球的人口进入老龄化的过程，从而带来需求不振，两者共同叠加的康波萧条期，预计整个康波萧条的持续时间还有5年左右。

　　　　而从库存周期角度，对于中国经济和美国经济而言，当前各自处于库存周期的中段，整个上行期将维持半年到一年左右。此外，全球仍在经历可能是百年一遇的疫情，从已经确认的数据上来看，这轮疫情对中国的一季度和美国的二季度经济造成了深度冲击。

　　目前全球经济正受到这三个力量的综合影响，具体来看，中国疫后经济持续修复，但边际速度放缓，美国及欧洲经济改善动力同样略显乏力。尽管疫苗推出在即，由于种种原因，全球疫情可能也难以快速同步清除，在这一背景下，不排除本轮库存周期上升高点提前出现的可能性。因此，未来全球经济整体仍将表现出重心下移。

　　　　4.2.2

　　推荐行业基金筛选名单