行业配置研究系列04：如何使用业绩预告和业绩快报改进景气度行业轮动模型

行业配置研究框架。证券市场受基本面、技术面、资金面和情绪面等多重因素共同影响，我们通过定量分析建模研究行业板块基本面、技术面、资金面和情绪面等多维度边际变化，优先配置行业景气度边际改善、机构资金持续净流入、市场微观结构健康、行业负面情绪较少的行业板块。我们借鉴股票多因子模型研究框架，采用可用于行业配置的行业多因子研究流程建模。 基于正式财报的行业景气度模型回顾。我们按照月度调仓频率重构基于正式财报的行业景气度模型，回顾其在行业配置中的表现：2010年6月以来多头组合年化收益率为14.35%，相对市场基准超额年化收益率为8.44%，信息比率为1.06。 业绩预告与业绩快报发布分析。从三种报表的发布时间分布、覆盖率、时效性、准确度方面考虑，业绩预告和业绩快报都可以对正式财报形成有效补充：从报告期覆盖率来看，业绩预告快报的年报覆盖率为76.19%，半年报覆盖率为56.79%；从财报月度覆盖率来看，超过60%的年报业绩预告在1月份披露，超过53%的半年报业绩预告在7月份披露；从净利润偏离度区间分布上看，业绩预告快报净利润预测虽存在一定程度高估，但整体准确度仍然较高。 基于预告、快报和正式财报的行业景气度模型。我们在正式财报基础上引入业绩预告和业绩快报类因子，通过单因子测试和因子IC值相关性分析新增了归母净利润2单季同比增长率和归母净利润2TTM同比增长率环比增量等三个因子参与复合因子合成。改进后的行业景气度模型相较原模型具有更好的行业配置能力：2010年6月以来多头组合年化收益率由14.35%提升为15.72%，相对市场基准超额年化收益率由8.44%提升为9.80%，信息比率由1.06提升为1.23。 基于三种报表的景气度模型最新持仓。行业景气度模型2022年5月底多头组合为：煤炭、交通运输、有色金属、国防军工、医药。截至2022年6月10日，2022年以来行业景气度模型多头组合收益率为-4.11%，相对市场基准的超额收益率为6.88%。 风险提示：量化模型基于历史数据构建，而历史规律存在失效风险。 我们在行业配置研究系列第一篇报告《如何通过景气度构建行业轮动策略》中，借鉴股票多因子研究框架，利用公司正式财报数据合成行业财务因子，研究行业景气度因子在行业配置中的应用。最终研究结果表明，行业景气度复合因子具有较好的行业配置能力，但受限于公司正式财报披露时间限制，组合仅在每年4月底、8月底、10月底调仓，调仓频率较低，特别是三季报和一季报之间时间跨度较大，组合调仓时效性不够。 本篇报告我们在正式财报的基础上加入业绩预告和业绩快报，提升信息及时性和调仓频率，通过研究并测试业绩预告快报类因子表现改进行业景气度复合因子在行业配置中的应用。 1.行业配置研究框架 1.1.行业配置研究框架 我们认为证券市场是一个复杂系统，受基本面、技术面、资金面和情绪面等多重因素共同影响，不同时期影响市场运行的主导因素不一定相同，主要因素和次要因素在一定条件下可以相互转换。行业板块在基本面、技术面、资金面和情绪面等各维度可能出现共振，也存在相互约束的情形。我们通过定量分析多维度建模，研究各行业板块的基本面、技术面、资金面和情绪面等多维度的边际变化，优先配置行业景气度边际改善、机构资金持续净流入、市场微观结构健康、行业负面情绪较少的行业板块。同时由于各行业板块在基本面、技术面、资金面和情绪面等维度持续变化，行业配置组合也会动态调整。 图1：行业配置研究框架 我们借鉴股票多因子研究流程，单独研究基本面、资金面、技术面和情绪面行业配置模型，然后通过复合因子加权的方法构造完整的行业轮动模型。本篇报告我们在正式财报的基础上加入业绩预告和业绩快报，改进行业景气度复合因子在行业配置中的应用。 1.2.行业多因子研究流程 我们参考股票多因子模型研究方法论，将市场上所有上市公司依据所属行业分类（中信一级行业分类）划分为不同行业类别的公司集合，采用整体法将每个行业视为一家囊括所有同行业公司的集团公司，利用行业整体的财务、资金与量价等指标构造行业配置因子，探索有效的行业配置模型。 行业多因子研究流程包括基础数据处理、行业因子合成、单因子测试、复合因子合成等步骤。 图2：行业多因子研究流程 1.2.1.基础数据处理 由行业内个股数据计算行业因子，一般有两种方式。一种是整体法，基于行业自身或行业成分股财务基本面、微观结构技术面、资金流向等数据，合成行业层面用于行业因子计算的基础数据。比如，在行业轮动第一篇报告《如何基于景气度构建行业轮动策略》中，我们基于公司资产负债表、利润表、现金流量表采用整体法合成所属行业整体的财务基本面数据。 对于采用整体法的财务数据基础数据处理需注意： 1)用于行业数据合成的成分股数据时点需保持一致，当成分股最新数据所属报告期不一致时需有统一合理的数据对齐规则（如以财报数量、公司市值占比较大，数据较新者为准）； 2)行业基本面数据需有经济含义，对于某些行业不适用的数据需特殊处理（比如用行业均值或中位数填充）； 3)缺失数据处理应以合理性为处理原则。 另一种方式是加权法，直接使用行业内个股因子加权合成行业因子。这类数据的特点是在个股上覆盖度不高、而且数据发布时间也不一致，时间上很难对齐，不太适合使用整体法。对于这类数据，基础的数据处理工作主要是先计算个股因子，方便之后采用行业内成分股因子加权（比如自由流通市值加权等）合成所属行业的因子。比如，在行业轮动第二篇报告《如何基于PEAD超预期因子构建行业轮动策略》中，我们基于公司超预期数据、分析师一致预期等数据采用加权法合成所属行业整体的超预期数据。 采用整体法方式的优点是，统一在财报截止时点或者月底计算行业因子，保证了数据的一致性；缺点是牺牲了财务数据的及时性。 采用加权方式的优点是，可以实现每天计算行业因子，保证了数据使用的及时性；缺点是牺牲了数据的一致性。 1.2.2.行业因子合成 对于整体法，我们基于基础数据处理后的行业数据，计算可用于行业比较的行业因子数据。比如，通过不同报告期行业整体的收入与利润数据，计算行业整体的收入与利润增长率因子。计算行业因子计算需注意：1.行业因子在不同行业间需具有可比性； 2.行业因子需要考虑行业数据季节性变化规律，对于存在季节性变化的数据采用单季或完整年度数据同比计算； 3.行业不同时期前后比较时，应保证用于行业合成的公司前后一致以保证可比性。 对于加权法，计算行业因子计算需注意： 1.计算得到每只股票的因子后，行业因子使用行业内成分股自由流通市值加权计算。测算发现，市值加权优于等权。 2.当某只股票某个因子缺失时，考虑使用该行业的中值或均值替代。 3.不对个股因子进行市值行业中性化处理。市值行业中性化处理仅适用于选股，不适用选行业。 1.2.3.单因子测试 我们通过单因子IC测试与分组回测测试行业单因子收益预测的有效性与稳定性。 1.因子IC测试 我们计算T期因子值与T+1期行业收益率的Pearson相关系数（RawIC），同时计算因子T期因子值排序与T+1期行业收益率的Spearman相关系数（RankIC）。因子的IC值是指第T期的因子值（因子中性化处理后残差）x⃗与T+1期的股票收益r的相关系数——Pearson相关系数，公式表示为： t t+1 IC= corr(x⃗, r ) t t t+1 此外，可以计算秩相关系数——Spearman相关系数，使用两个变量的位次计算，是与因子分布无关的，公式表示为： ),rank(r )) IC = corr(rank(x⃗ rank,t t t+1 可以通过以下指标评价因子效果： a)b)c)d) IC值的均值——因子显著性； ICIR比率（IC均值/标准差）——因子有效性； IC序列T值（IC均值*sqrt(样本数-1)/IC标准差）——因子显著性； IC值的胜率（因子值与IC值同向的截面数占比）。 2.因子分组测试 因子分组测试是根据因子值打分排序分多组测试各组组合累计净值表现，我们采用6组定期调仓的方法进行测试（每组含5个中信一级行业）。 因子多空测试是分组测试中第一组与第六组多空强弱表现，多空测试与分组测试可以一并进行。 我们可以从多个维度考察分组测试效果：a) 分组测试结果是否具备单调性，即各分组累计净值表现与其排序是否具有一致性，分组测试结果单调性越高越好； b) 分组多空收益表现，即考察第一组和第六组累计净值相对强弱表现及其最大回撤； c) 多头组合相对市场基准表现，即考察第一组与市场基准指数相对强弱及其最大回撤。 因子分组测试主要考察以下绩效指标：a) 分组测试的累计收益率、最大回撤等； b)c) 多头组合的年化收益率、年化波动率、SHARP比率、最大回撤等； 多头组合相对市场基准的超额年化收益率、超额年化波动率、信息比率、超额最大回撤等。 因子分组测试采用定期调仓的方式进行回测，在本篇报告中我们在每月月底进行组合调仓操作。我们采用中信一级行业指数合成市场基准指数，基准指数组合与分组测试同步调整持仓。 1.2.4.复合因子合成 基于单因子测试结果，我们筛选单因子IC测试与分组测试表现较好的因子作为备选因子，经由因子IC值相关性分析选出相关性较弱、收益率较高且具有经济学含义的因子合成行业复合因子。 我们采用单因子等权相加的方法合成复合因子，即将候选单因子通过去极值、标准化、截取等方式进行标准化处理，然后通过等权相加的方式合成行业复合因子。 复合因子的测试方法与单因子测试相同，可以通过因子IC测试与分组回测测试复合因子收益预测的有效性与稳定性。复合因子测试时需关注多头组合的年化收益率、SHARP比率、最大回撤，以及多头组合相对市场基准的年化超额收益率、信息比率和超额最大回撤。 2.基于正式财报的行业景气度模型回顾 我们在行业配置研究系列第一篇报告《如何通过景气度构建行业轮动策略》中，借鉴股票多因子研究框架，利用公司正式财报数据合成行业财务因子，研究行业景气度因子在行业配置中的应用。最终研究结果表明，行业景气度复合因子具有较好的行业配置能力，但受限于公司正式财报披露时间限制，组合仅在每年4月底、8月底、10月底调仓，调仓时效性不够。本篇报告我们在正式财报的基础上加入业绩预告和业绩快报，调仓频率提升为月度调仓，改进行业景气度复合因子在行业配置中的应用。为方便后续比较，我们按照月度调仓频率重构基于正式财报的行业景气度模型，回顾其在行业配置中的应用。 2.1.行业财务因子分类测试 我们采用整体法通过行业成分股正式财报数据合成行业整体财务因子，构建了三类行业财务因子：财务质量、盈利能力与成长能力因子。财务质量因子主要体现行业整体负债程度、对上下游议价能力、应收账款与存货周转率等经营质量高低，共设计有22个具体财务质量因子。盈利能力因子主要体现行业整体毛利率、核心利润率、资产收益率、费用管理水平等盈利水平高低，共设计有28个具体盈利能力因子。成长能力因子主要体现行业整体收入、利润、经营净现金流、预收款等环比/同比增长率或增速变化，共设计有31个成长能力因子。 图3：行业财务因子分类 在构建具体的行业财务因子时需注意： 1.行业因子在不同行业间需具有可比性，我们对于不同类型的行业因子采用不同的构建方法，比如：采用环比增量或同比增量构建财务质量和盈利能力两类因子；采用环比增长率、同比增长率或同比增长率环比增量构建成长能力因子； 2.行业因子需要考虑行业数据季节性变化规律，对于存在季节性变化的数据采用单季或完整年度数据同比计算； 3.行业不同时期前后比较时，应保证用于行业合成的公司前后一致以保证可比性。 报告数据类型有报告期末、累计、 TTM 和单季4种：“报告期末”一般适用于报告期末资产负债表最新快照数据；“累计”指年初至报告期累计数据，一般适用于利润表、现金流量表等流量数据；“ TTM ”指当前报告期往前推3个季度包含4个季度跨度一年的报告数据，一般