重新审视信贷周期：年初至今的结果

先若 朱* | 股权助理+1 (212) 778-8742 | xzhu@jefferies.com丹尼尔·里佐 * | 股权分析师(212) 336-6284 | drizzo@jefferies.com姜蕾 * | 股权助理+1 (212) 284-1714 | cjiang@jefferies.com劳伦斯·亚历山大* | 股权分析师(212) 284-2553 | lalexander@jefferies.comKevin Estok * | 股权助理(212) 778-8516 | kestok@jefferies.com ..摘要来源：彭博，FactSet，Jefferies在本表中，我们展示了模型在回测中的准确性和性能指标。一个注意事项和一个要点。注意事项是，多分类模型应该与25%的随机选择正确类别的概率进行基准测试。要点是，我们的样本外结果可以说是保守的，因为它们是在一个受限的子集上训练的，而我们的验证测试方式意味着模型没有从我们用来选择和训练最终模型时所使用的洗牌中获益。在此图表中，我们展示了三种不同的方法用于比较。在左侧，我们展示了标普500和标普1500化工指数的历史表现如何根据收益率曲线的阶段而变化，并以周为单位进行衡量。在中间，我们展示了标普500和标普1500化工指数的20年复合年均增长率进行对比。在右侧，我们展示了我们两种轮动策略的周度和月度版本的回测结果。请参阅本报告第53至57页的重要披露信息。本报告仅供捷富瑞客户阅读。禁止未经授权的传播。表1 - 预测模型“全天候”策略业绩概览CAGR：所有天气策略 .请参阅本报告第53至57页的重要披露信息。本报告仅供捷富瑞客户阅读。禁止未经授权的传播。 .背景：4种收益率曲线环境牛平式：收益率曲线下跌。长期利率下跌速度比短期快，通常在美联储宽松政策且市场认为政策行动的净效应将是需求减弱和通胀降低。这通常是债券替代品(低波动和高股息收益率因素）。通常发生在经济衰退之前。•牛市加剧：收益率曲线上升。短期利率下降速度比长期快，通常是在美联储宽松政策时，市场认为政策行动将转化为更强的需求和通货膨胀上升。这通常是对成长和动量因素的利好环境。•通常在衰退开始时发生，因为信贷市场开始预期政策行动以支持重置并开始新的商业周期。•收益率曲线陡峭化：收益率曲线上升。当短期利率上升速度超过长期利率时，通常在美联储收紧货币政策时发生，但净政策效果预计仍将导致更强需求和通货膨胀上升。这通常对价值股是良好环境。这种情况通常发生在市场•期望美联储对此加速的经济发展采取“踩刹车”的措施。我们的宏观模型通常严重依赖收益率曲线（美联储是否预期放缓经济）、信用利差（是企业压力显现的迹象）、油价（作为衡量全球增长的代表，同时也是区域化工套利和消费者刺激或冲击的信号），以及货币（当全球增长前景恶化时，美元会走强）。最近我们被问及这是如何转化为更经典的债券市场周期的。利率市场状况通常根据短期利率和长期利率的相对变动分为四类：熊市压平：收益率曲线下降。当长期利率上升速度快于短期时，通常在美联储收紧货币政策时，净政策效果预期仍将导致需求疲软和通胀较低。这往往对价值和动量因素都构成有利环境。这通常发生在美联储刚开始收紧货币政策时——因此通常在经济增速高于趋势或接近峰值利用率时发生。请参阅本报告第53至57页的重要披露信息。本报告仅供捷富瑞客户阅读。禁止未经授权的传播。 除非另有说明，所有结果均基于周度时间序列。在下图表和章节中，我们使用以下术语，可能导致一些细微差别：为了这项研究，我们使用以下定义来划分历史时期：术语说明下表展示了信贷周期的这四个阶段中，不同行业和资产的投资持有期回报。外样数据：用于评估性能且与模型训练过程隔离的数据。二元全天候策略：在化学板块熊市加剧时买入，否则买入整个市场。关键成果多类别：适用于我们4周期轮换策略的多类别分类模型；二分类：适用于我们2周期轮换策略的二分类模型。信号周期：仅指循环信号为正时的周期；完整周期：无论循环信号是正是负，指整个周期。所有天气策略信号周期包括熊陡峭化和熊平滑化周期；二元所有天气策略信号周期包括熊陡峭化周期。样本内数据：用于训练模型的数据——我们用它来指定当回测策略时，模型是在数据的大部分上训练，然后在剩余部分上进行评估。当展示我们的最终模型时，我们也使用这个术语——该模型是在所有数据上训练的，因为这些预测基本上假设未来将具有与过去20年相同的性能分布。•牛市陡峭化：2年期国债收益率下降 & 10年期 - 2年期国债收益率利差扩大•公牛 flattening：10年期国债收益率下降 & 10年期 - 2年期国债收益率利差收窄•熊市加剧：10年期国债收益率上升 & 10年期-2年期国债收益率利差扩大•熊市打压：2年期国债收益率上升 & 10年期 - 2年期国债收益率利差下降全天候策略：在熊市变陡时买入化工板块，在熊市变缓时买入整个市场，在牛市变缓时买入TLT，在牛市变陡时买入黄金。熊/牛市平滑/变陡情景：信号为正时买入标普500/明晟全球指数，否则清仓并持有货币市场无风险利率现金。在历史部分，我们假设使用的是100%准确率的模型。然后我们还展示了基于我们的分类模型性能的情景。请参阅本报告第53至57页的重要披露信息。本报告仅供捷富瑞客户阅读。禁止未经授权的传播。他们证实了我们的理论，即在熊市陡峭周期中，随着类似的波动性，美国（标普）和全球（MSCI）股票市场表现最佳，其次是熊市平坦周期。通过NTM市盈率变化和% NTM每股收益变化的回报分解，表明在熊市陡峭期间，估值扩张推动了表现，而在熊市平坦期间，业绩预期修订至关重要。在这四个阶段中，平均股息率没有显著差异，但在熊市平坦和牛市陡峭期间，股息相对于国债的利差倾向于扩大。每周：所有数据均按周频率计算，再平衡频率为每周；每月：所有数据均按月频率计算，再平衡频率为每月。 5 ...请参阅本报告第53至57页的重要披露信息。本报告仅供捷富瑞客户阅读。禁止未经授权的传播。 .请参阅本报告第53至57页的重要披露信息。本报告仅供捷富瑞客户阅读。禁止未经授权的传播。从宏观叙事或模式来看，在熊市趋平期间，化学倍数往往会扩张，无论在绝对值还是相对于材料板块，即使每股收益增长往往滞后。在牛市趋平期间，市盈率压缩往往会超过每股收益增长的抵消。在熊市趋陡期间，倍数扩张占主导，而在牛市趋陡期间，倍数往往变化较小，同时盈利令人失望。 .请参阅本报告第53至57页的重要披露信息。本报告仅供捷富瑞客户阅读。禁止未经授权的传播。 .请参阅本报告第53至57页的重要披露信息。本报告仅供捷富瑞客户阅读。禁止未经授权的传播。 .在股息收益率和利差方面，在所有4个周期中，不同行业表现相当一致。从高到低排名为：标普材料、标普化工、标普工业和标普500。请参阅本报告第53至57页的重要披露信息。本报告仅供捷富瑞客户阅读。禁止未经授权的传播。 .请参阅本报告第53至57页的重要披露信息。本报告仅供捷富瑞客户阅读。禁止未经授权的传播。 .请参阅本报告第53至57页的重要披露信息。本报告仅供捷富瑞客户阅读。禁止未经授权的传播。 .请参阅本报告第53至57页的重要披露信息。本报告仅供捷富瑞客户阅读。禁止未经授权的传播。 .首先我们呈现历史数据——即假设对每周何时进行轮换的预测是100%准确的。历史表现基于上述发现，我们设计了4周期与2周期行业与资产轮动策略（“全天候”策略）。对于4周期轮动，我们在熊市加剧时测试买入本地（标普化工）或全球（MSCI化工）市场化工板块，在熊市趋缓时买入宽基股票市场（标普500/MSCI全球），在牛市趋缓时买入TLT（即iShares 20+年国债ETF），在牛市加剧时买入黄金。在二元模型中，我们简单测试在熊市加剧时买入本地（标普化工）或全球（MSCI化工）股票市场化工板块，其余时间买入整个市场。请参阅本报告第53至57页的重要披露信息。本报告仅供捷富瑞客户阅读。禁止未经授权的传播。 14 ..美联储体系下的稳定性我们还测试了这些方法是否在美联储不同政策体系下都能提供稳定的回报。因此我们对比了全球金融危机前后的时期，当时量化宽松（QE）/量化紧缩（QT）成为重要的政策工具。最终结果：按周计算，收益率曲线不同阶段的相对表现排名是稳定的。然而按月计算，则并非如此。这突显了我们观点中的一个主题——即基于最近请参阅本报告第53至57页的重要披露信息。本报告仅供捷富瑞客户阅读。禁止未经授权的传播。 15 .10-15年可能会形成随着时间的推移而失败的模式，因为政策体制会发生变化，尤其是由于频繁的全球危机、缓慢的趋势增长和美联储量化宽松政策的结合是一种异常。请参阅本报告第53至57页的重要披露信息。本报告仅供捷富瑞客户阅读。禁止未经授权的传播。 16 .请参阅本报告第53至57页的重要披露信息。本报告仅供捷富瑞客户阅读。禁止未经授权的传播。 .请参阅本报告第53至57页的重要披露信息。本报告仅供捷富瑞客户阅读。禁止未经授权的传播。 ..我们测试了分类模型来预测下周和下个月的收益率曲线阶段。表2 - 过渡概率矩阵来源：FactSet，Jefferies预测模型转换概率这个转移矩阵给我们一个直观的看法，即在当前周期下，转移到其他周期的概率是多少。然而，下一个周期的概率不一定遵循历史模式，而是受多种因素影响。输入：我们使用了包括宏观经济指标、利率衍生品市场指标在内的滞后特征来反映市场趋势，以及技术指标。总共有50多个特征，为了避免过拟合，实施了特征工程和降维。请参阅本报告第53至57页的重要披露信息。本报告仅供捷富瑞客户阅读。禁止未经授权的传播。 19 .表3 - 每周多类模型性能来源：FactSet，Jefferies以下是我们的4个情景模型的最终性能。样本外性能显示了所有4个策略的模型都优于基准（多分类为25%，二分类为50%），并且月度预测结果更好，因为月度数据噪声较少。为了提高模型的鲁棒性和泛化能力，我们的模型中应用了K折交叉验证或嵌套交叉验证、L2正则化和dropout及早停（用于深度学习神经网络）。集成方法：使用所有模型的预测结果，我们进行了样本外测试，并将平衡精度、精确度以及F1得分作为新的综合得分进行整合。然后选择得分最高的模型作为最终模型。深度学习模型可以通过其特有的步长结构作为输入、Transformer中的多头注意力机制以及LSTM中的遗忘门控机制来捕捉循环的时间依赖性。传统线性模型能够捕捉收益率曲线与上述特征之间的线性关系，并且由于其简单性，过拟合问题不太可能发生。模型：我们实现了6个模型，包括2个线性模型LDA（Latent Dirichlet Allocation）与逻辑回归，2个机器学习模型随机森林与XGBoost（eXtreme Gradient Boosting），以及2个深度学习神经网络LSTM（Long Short-Term Memory）和Transformer。数据处理：我们选择了近20年的数据，进行了80-20的训练-测试分割。考虑到数据集相对较小且数据对窗口选择敏感，在训练集中采用K折交叉验证或嵌套交叉验证来生成验证集，以增强模型的泛化能力。在测试集中，70%的随机数据用于模型选择步骤中的样本外性能评估，其余30%的随机数据用于评估最终性能（模型选择之后），以减少数据泄露。机器学习模型能够捕捉更复杂和non-linear的关系。随机森林有助于降低我们预测的总体方差，而XGBoost有助于降低我们预测的偏差。请参阅本报告第53至57页的重要披露信息。本报告仅供捷富瑞客户阅读。禁止未经授权的传播。.来源：FactSet，Jefferies ..20来源：FactSet，Jefferies表6 - 月度二进制模型性能表5 - 每月多分类模型性能表4-每周二进制模型性能来源：FactSet，Jefferies ..回测结果下方回测结果按S&P/MSCI、周度/月度再平衡、多类别（4周期轮动）/二元（2周期轮动），以及样本内/样本外排序。所有