量化择时研究系列02：行业指数如何择时：通过估值、流动性和拥挤度构建量化择时策略

行业指数量化择时研究框架。我们从微观结构角度引入市场流动性与交易拥挤度指标，通过与指数估值结合，研究行业指数低估或高估状态下流动性与拥挤度等微观结构的边际变化，可以更加准确地刻画行业指数的底部与顶部特征。 行业指数估值模型。行业估值因子包括行业指数PB、PE、PBPE以及股权风险溢价，我们通过计算估值因子所处历史分位数水平的方法来构建行业估值因子。2011年以来估值模型行业多空组合平均年化收益率为12.40%，市场多空组合年化收益率为12.68%。 市场流动性模型。市场流动性因子包括买入冲击成本、卖出冲击成本、上涨流动性指数以及下跌流动性指数。整体看来，市场流动性因子底部择时的准确度与效果相较顶部择时更为显著。买卖冲击成本所处分位数低于10%时，未来50日行业指数上涨概率超65%，平均涨幅分别为5.82%和6.49%。2011年以来应用流动性的估值模型行业多空组合平均年化收益率为15.05%，市场多空组合年化收益率为16.67%。 交易拥挤度模型。拥挤度是一种顶部择时类避险因子，可以与估值流动性模型有效互补。我们从微观结构、波动率、流动性、相关性等多维度构建拥挤度因子，应用动量均线系统改进后，相较常规拥挤度因子能够更好地规避行业指数交易拥挤下跌风险。2011年以来行业拥挤度复合模型年化收益率为10.59%。 行业指数量化择时模型合成与应用。应用估值、流动性与拥挤度的量化择时模型能够较为准确地捕捉行业指数底部与顶部特征，同时能够有效规避交易拥挤下跌风险。2011年以来行业多空组合平均年化收益率为18.59%，平均超额年化收益率为15.66%；市场多空组合年化收益率为20.54%，超额年化收益率为17.02%，SHARP比率为1.41，绝对收益年胜率（收涨）为92%。最近一年市场流动性模型分别捕捉了计算机、机械、国防军工、医药19.57%、18.15%、12.70%、10.70%底部反弹收益；2023年样本外跟踪，交易拥挤度模型分别规避了消费者服务、有色金属、电力设备及新能源与汽车16.87%、3.62%、5.49%、7.29%下跌幅度。 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。 “有效市场”不是静止的状态，而是动态的过程，意味着在时间跨度上需要择时。本篇报告我们运用证券研究的2+1思维，从微观结构角度引入市场流动性与交易拥挤度模型，研究估值模型、市场流动性模型以及交易拥挤度模型在行业指数择时中的作用。研究结果表明：应用估值、流动性与拥挤度的量化择时模型能够较为准确地捕捉行业指数底部与顶部特征，同时能够有效规避行业交易拥挤下跌风险。2011年以来行业多空组合平均年化收益率为18.59%，平均超额年化收益率为15.66%； 市场多空组合年化收益率为20.54%，超额年化收益率为17.02%。 1.行业指数量化择时研究框架 1.1.行业指数量化择时研究框架 证券市场估值与情绪存在极端悲观与极端乐观之间的周期往复运动，我们可以从微观结构角度解释市场的周期变化： 1.在市场持续、大幅下行时，随着悲观者持续抛出筹码、乐观者资金总量和资金成本优势逐步积累，市场风险实际上随着估值快速下降。 随着市场多空力量对比逐渐反转，此时持有资金的投资者都是潜在购买者，业绩、政策或资金任一方面的边际改善都可能成为市场反弹修复的催化剂。 2.在市场持续、大幅上行时，随着乐观者持续购进筹码、悲观者筹码总量和筹码成本优势逐步积累，市场风险实际上随着估值快速上升。 随着市场多空力量对比逐渐反转，此时持有筹码的投资者都是潜在抛出者，业绩、政策或资金任一方面不及预期都可能成为市场快速下行的导火索。 图1：行业指数量化择时研究框架 证券市场的底部与顶部是交易出来的，采用常规的估值方法很难准确判断。我们从微观结构角度引入市场流动性与交易拥挤度指标，通过与指数估值结合，研究行业指数低估或高估状态下流动性与拥挤度等微观结构的边际变化，可以更加准确地刻画行业指数的底部与顶部特征：1.在行业估值极低且中长期均线处于上升趋势时，此时指数存在估值修复动能，此种情形可视为行业指数底部信号（即多头信号）；在行业估值极高且中长期均线处于下行趋势时，此时指数存在估值回归动能，此种情形可视为行业指数顶部信号（即空头信号）。 2.在行业指数出现流动性恐慌时，指数买卖冲击成本极高、上涨与下跌流动性指数极低，此时指数买卖双方流动性极度匮乏，给指数提供流动性所获的流动性补偿较高，此种情形可视为行业指数底部信号（即多头信号）。 3.通过微观结构、波动率、流动性、相关性、收益率分布特征等多维度跟踪行业指数交易拥挤状态，当相关指标触发交易拥挤阈值且动量均线系统确认时视为行业指数阶段顶部。 本篇报告我们以中信一级行业指数为例，从行业估值、市场流动性与交易拥挤度等维度识别行业指数底部与顶部特征，通过单模型测试与多模型复合研究相关择时模型在行业指数择时中的作用。 1.2.行业指数量化择时研究流程 量化择时研究流程包括基础数据处理、模型因子计算、模型测试以及复合模型合成等步骤： 1.基础数据处理：构建行业指数估值、市场流动性与交易拥挤度模型需要行业指数及其成分股的行情、财务、股本以及LEVEL2订单簿数据。在考虑数据质量的基础上需要尽量保证基础数据时间长度。 2.模型因子计算：行业指数估值与市场流动性因子均采用整体法，利用成分股自由流通市值加权的方法构建；拥挤度因子中除个股分化指标外均采用指数行情数据计算。 3.模型测试：模型因子计算后，需分析多头与空头信号的胜率与收益情况，并对不同参数与影响区间进行参数敏感性分析；筛选出有效的因子构建多空组合，并进行历史回测与绩效分析。 4.复合模型合成：通过单模型测试构建行业指数估值、市场流动性与交易拥挤度模型后，通过模型多空信号复合的方法构建量化择时复合模型并测试模型效果。 图2：行业指数量化择时研究流程 量化择时研究中需注意： 1.择时因子需要具有逻辑性，且要注意适用范围。比如，市场存在周期性低估与高估现象，估值因子可以用来刻画市场代表性比较好的宽基指数估值水位的高低，但不同行业间差异较大，估值因子对行业指数是否适用需要经过测试验证。 2.择时因子需要具有均值回复性。比如，不同的牛熊周期行业估值绝对水平不一定相同，行业估值不一定能够均值回复。这种情况我们可以计算当前行业估值在最近一个市场牛熊周期所处历史分位数水平作为估值因子。 2.行业指数估值模型 行业指数估值类因子主要包括行业指数PB、PE、PBPE以及股权风险溢价等。原始估值因子均值回复性较差，我们通过计算估值因子所处历史分位数水平的方法来构建行业指数估值择时因子，通过因子测试与合成研究估值模型在行业指数择时中的应用。 2.1.行业估值因子分类与构建 2.1.1.行业估值因子分类 1.行业指数PB估值 行业指数PB估值，指指数成分股市值之和与股东权益之和的比值，可以用来衡量行业指数整体估值水平高低，高PB代表行业估值较高，低PB代表行业估值较低。 2.行业指数PE估值 行业指数PE估值，指指数成分股市值之和与归母净利润之和的比值，可以用来衡量行业指数整体估值水平高低，高PE代表行业估值较高，低PE代表行业估值较低。 3.行业指数PBPE估值 行业指数PBPE估值分位数，指行业指数PB估值分位数与PE估值分位数的几何平均数，可以用来衡量行业指数整体估值水平高低，高PBPE代表行业估值较高，低PBPE代表行业估值较低。 4.行业指数股权风险溢价 行业指数股权风险溢价，指行业指数PE的倒数与10年期国债收益率之差，可以用来衡量行业指数整体估值水平高低，高股权风险溢价代表指数风险溢价较高、行业估值较低，低股权风险溢价代表指数风险溢价较低、行业估值较高。 2.1.2.行业估值因子构建 我们计算行业指数估值因子值在历史数据中所处分位数水平，通过与设定阈值比较，判断是否触发多头或空头信号。具体构建方法如下： 1.由于估值因子值较为平稳，计算窗口长度统一设置为1天。 2.计算行业估值因子值在历史数据中所处的分位数水平。具体方法如下： 1）历史区间长度设定为5年，涵盖一个完整的牛熊周期； 2）历史分位数底部阈值统一设定为10%、8%、5%和3%，因子值低于指定阈值后触发多头信号；历史分位数顶部阈值统一设定为90%、92%、95%和97%，因子值超过指定阈值后触发空头信号； 3）计算估值因子历史分位数时，因子值从小到大排序，因子值越小、所处历史分位数越低，代表市场估值越低；因子值越大、所处历史分位数越高，代表市场估值越高。 3.行业底部/顶部判断：将行业估值因子所处历史分位数与设定阈值比较，如果低于底部阈值则触发多头信号，如果超过顶部阈值则触发空头信号。 通过上述方法构建行业估值因子，当行业估值因子值低于历史分位数底部阈值或超过历史分位数顶部阈值时，触发多头或空头信号。 表1：行业估值因子构建方法 2.2.行业估值因子测试 我们采用胜率与收益统计、参数敏感性测试等方法测试行业估值因子在指数择时中的作用，分底部信号和顶部信号测试。 1.底部信号测试：我们统计行业估值因子所处历史分位数低于历史分位数底部阈值时，未来60交易日、90交易日行业指数收益率均值、胜率以及信号触发次数。胜率越高代表触发底部信号后一段时间指数收涨的概率越大；收益率越高代表触发多头信号后一段时间指数上涨幅度越大，说明估值因子底部择时效果越显著；触发次数越高代表触发多头信号越频繁。 2.顶部信号测试：我们统计行业估值因子所处历史分位数达到历史分位数顶部阈值时，未来60交易日、90交易日行业指数收益率均值、胜率以及信号触发次数。胜率越高代表触发顶部信号后一段时间指数收跌的概率越大；负向收益率越高代表触发空头信号后一段时间指数下跌幅度越大，说明估值因子顶部择时效果越显著；触发次数越高代表触发空头信号越频繁。 整体看来，行业估值因子指数择时的准确度与效果整体较为显著，但噪音信号较多： 1.从胜率与收益率角度分析，估值因子底部与顶部择时的准确度与效果较好，其中顶部择时效果更好。其中PBPE估值所处分位数达到95%时，未来60日和90日指数下跌的概率均超过75%，指数平均下跌幅度分别为11.96%和15.35%；PB估值所处历史分位数低于5%时，未来60日和90日指数上涨的概率均超过58%，指数平均上涨幅度分别为4.61%和6.47%。 2.从触发次数角度分析，我们统计90日胜率超过55%的因子，发现触发信号次数多在100到500次之间，集中分布于市场底部或顶部区域。其中PBPE估值所处分位数达到95%时，顶部信号触发次数为94，说明顶部信号较为集中；PB估值所处历史分位数低于5%时，底部信号触发次数为467，说明底部信号较多，信号分布可能较为分散。 图3：行业估值因子择时准确度与效果整体较为显著 分板块看来，周期、金融板块顶部择时效果较为显著，消费、医药板块底部择时效果较为显著，科技板块择时效果整体较差： 1.周期与金融板块顶部择时效果较好。其中周期板块PBPE估值所处分位数达到95%时，未来60日和90日指数下跌的概率均超过85%，指数平均下跌幅度分别为18.47%和24.91%；金融板块PB估值所处分位数达到95%时，未来60日和90日指数下跌的概率均超过73%，指数平均下跌幅度分别为9.85%和19.05%。 2.消费与医药板块底部择时效果较好。其中消费板块PB估值所处历史分位数低于5%时，未来60日和90日指数上涨的概率均超过75%，指数平均上涨幅度分别为8.69%和12.27%；医药板块PB估值所处历史分位数低于8%时，未来60日和90日指数上涨的概率均超过69%，指数平均上涨幅度分别为7.96%和9.25%。 3.科技板块择时效果整体较差。科技板块PBPE估值所处分位数达到95%时，未来60日和90日指数下跌概率超70%，但指数平均下跌幅度仅8%左右；科技板块PBPE估值所处历史分位数低于5%时，未来60日和9