报告要点
A股行业轮动现象明显
A股市场年度领涨的行业呈现显著的切换效应，行业是A股市场最大的风险收益源之一，把握行业的轮动效应能够为投资策略贡献极高的收益。
行业涨跌呈现明显的集聚效应
行业的涨跌呈现明显的板块集聚性，因此行业的轮动可以进行分层，区分为板块的轮动效应与板块内行业轮动效应。依据行业收益率进行分层，依据不同的逻辑进行择时。
不同板块对现金流与折现率的敏感度（beta）差异大
金融现金流beta显著高于平均水平，而折现率beta几乎为0；
周期板块则呈现较高的现金流beta，同时折现率beta也显著大于0；
成长板块相对其他板块而言，现金流beta最低，而折现率beta最高；
消费板块，相对其他板块，现金流beta、折现率beta与市场平均水平相当。
依据现金流（经济景气程度）与折现率（市场资金成本）的敏感度的差异性构建板块配置轮盘
现金流上行，折现率下行（经济上行，资金成本下行）：金融、周期
现金流上行，折现率上行（经济上行，资金成本上行）：金融、消费
现金流下行，折现率上行（经济下行，资金成本上行）：消费
现金流下行，折现率下行（经济下行，资金成本下行）：成长、消费
板块配置轮盘历史回测表现优异
现金流与折现率本质上反应的是经济的景气程度与资金成本，因此，我们从这两个维度分别为现金流与折现率寻找代理变量，从而识别不同时间点上现金流与折现率的趋势性。并依据识别的趋势，构建板块轮动策略。获得11.79%的年化收益，超额胜率达到了65%，今年以来（截至9月底）策略超额收益15.59%，9个月胜率100%，表现极为出色。
前言
在A股市场的多因子模型中，行业与大小盘风格，是最大的两个风险因子。为了规避行业和风格的风险，大部分的多因子策略选择了行业和市值中性化，以追求超额收益的稳定性。但是，在资本市场中，风险和收益永远是同源的，行业与风格的风险越大，意味着准确判断行业与风格能够给我们带来的收益也就越大。
关于风格择时的探讨，在我们风格轮动策略的系列报告中，分别从宏观和资金面等维度对大小盘进行了择时，取得了很好的效果。从本篇报告开始，我们想对行业轮动策略进行研究，试图构建高胜率的行业轮动策略。
行业特征
1
A股行业轮动现象明显
图1中，我们统计了2005年-2018年各个中信一级行业年度涨跌幅，可以看到，A股市场年度领涨的行业呈现显著的切换效应，延续两年领涨的概率极低。表1中统计的当年排名前6的行业，下一年平均排名的结果也可以看到，排名前六的行业在下一年表现几乎都在所有行业中的后50%，所以A股市场的行业轮动现象十分明显，在A股市场构建行业轮动策略极具价值。
2
行业涨跌呈现集聚性
不仅A股市场行业的轮动效应明显，行业收益的集聚性也很明显。图2中，我们统计了中信29个行业月度收益率的相关性，我们可以看到周期类、消费类行业组的收益率内部相关性特别高，呈现明显的行业收益集聚性，银行与非银行业相关性也明显高于与其他行业的相关性，成长板块的行业内部相关性也较高。同板块的行业会呈现同涨同跌的态势。
3
行业轮动框架：板块alpha与行业alpha
虽然A股行业轮动特点明显，但是板块内部行业的收益相关系非常高，因此，行业的收益来源就可以解释为两部分，一部分来自板块的整体收益，另一部分来自于单一行业超额板块的超额收益。行业的轮动应当区分成两个层面，板块alpha与行业alpha。板块alpha体现在不同的市场环境下，大类板块间的切换，一般需要用偏宏观维度的逻辑进行解释；而行业alpha体现在同板块内部受到行业自身中观层面（盈利、估值等）或行业事件性机会冲击（政策、新闻等）后，相对板块的超额收益。
因此，行业轮动应当区分为两步来做，首先对板块进行择时，再对板块内部的行业进行择时。本篇报告首先从板块择时维度出发，构建板块轮动模型，获取板块alpha。后续我们将在各板块内部的行业上进一步构建行业择时模型，两者组合构建成为完整的A股行业轮动框架。
行业聚类
从上一部分的分析中，我们可以看到，A股存在明显的行业轮动，行业收益也存在着明显的板块集聚性，因此，我们可以对行业的收益率进行聚类分析，对各行业进行板块的划分。对划分后的板块构建板块轮动策略。
中信行业分类共计29个行业，图2中，我们对这29个行业2005年以来的月收益率的相关性进行了统计。
通过相关系数矩阵，我们可以发现，综合行业与不同板块类型的行业均有较高的相关性，这与其行业属性的不明确性有关，因此在下面的聚类分析中剔除了综合行业。
国防军工和食品饮料与其他各行业的相关性较低。国防军工的行业属性从逻辑上也不容易对其进行划分，而且其占比较小，因此，国防军工行业也从聚类分析中进行了剔除。
而食品饮料行业占比权重较高，不能进行简单的剔除，食品饮料行业与其他行业相关性低的最主要原因是，白酒行业与食品和其他饮料的行业属性存在一定的差异性。表2中可以看到，白酒行业与食品和其他饮料的相关系数明显低于食品与其他饮料的相关系数。因此，我们在进行聚类分析时，将食品饮料行业进行了拆分，区分为白酒、其他饮料和食品三个二级子行业，加入到其他26个一级行业中，进行聚类分析。
1
聚类分析
本报告采用层次聚类法对各行业的收益率进行聚类分析。
层次聚类法：先计算样本之间的距离（欧氏距离）。每次将距离最近的点合并到同一个类。然后，再计算类与类之间的距离（最长距离法），将距离最近的类合并为一个大类。不停的合并，直到合成了一个类。
从图3中的聚类分析中，我们将27个一级行业以及3个食品饮料的二级行业，分成为三大类：周期，消费、成长，在周期中，我们根据其行业属性逻辑，将银行、非银、房地产作为周期内的大金融板块，单独区分出来。 其中基础化工分类与逻辑出现较大的差异，根据行业属性将其划归为周期类。由此将所有行业界定成为四个板块：大金融、周期、消费、成长。
在表3中，我们将所有行业分类成为了四大板块，统计了根据各行业流通市值加权后四大板块历史的收益情况，以及四大板块之间的相关性。可以看到从2005年以来，总体表现最好的两个板块为金融与消费，周期板块08年以后表现较为疲软，成长板块14、15年表现出彩，板块间的轮转与分化较为明显。
Two Beta模型
板块现金流与折现率beta
在本报告中，我们用计算得到的个股的现金流beta与折现率beta，来统计不同板块的现金流与折现率beta，以及相对于市场平均水平的相对现金流折现率beta。
我们可以看到：
1、 金融与周期板块的现金流beta明显高于消费与成长，也显著高于平均水平。这就意味着在现金流上行阶段，金融与周期板块表现较为出色；
2、 金融板块折现率beta几乎为0，这意味着金融板块几乎不受到折现率上行下行影响，因此金融板块无论折现率上行下行，只要在现金流上行时，表现较为出色。；
3、 周期板块则呈现较高的现金流beta，同时折现率beta也显著大于0，因此周期板块在现金流上行，折现率下行时，表现较为出色；
4、 成长板块相对其他板块而言，现金流beta最低，而折现率beta最高，因此在现金流下行，折现率上行时候，相对其他板块表现更为出色；
5、 消费板块，相对其他板块，现金流beta、折现率beta与市场平均水平相当，相对而言，消费板块受到两者影响较小，因此除了现金流上行，折现率下行，对所有版块均有利的市场环境下，不建议配置消费板块外，其他环境下均有配置价值。
板块配置轮盘
在上文中，我们分析了各个板块的现金流与折现率beta，并对各板块受到现金流与折现率影响的敏感度进行了分析，得到了对应现金流上行下行情形下各板块的表现情况。但是现金流与折现率两个概念从DDM模型衍生而来，是两个比较抽象的指标。我们想在经济理论中找到与之相对应的概念来对其进行具象化的描述。
对应而言，本报告中现金流与折现率，是从DDM模型拆解而来，从经济意义上看，全市场的现金流与折现率，反映的即是经济景气程度与市场资金成本。因此，在周期轮转的过程中，随着资金成本下降（折现率下行），刺激经济上行（现金流上行），周期类板块在经济拐头上行时表现较为出色；经济持续上行至过热（现金流上行），市场资金成本开始上升（折现率上行），金融板块表现较强，随着CPI上行，消费板块也开始显现优势；随着经济由盛转衰（现金流下行），而资金成本持续上升，进一步推高通胀，消费板块格外强势；经济下行（现金流下行），为刺激经济，央行降息（折现率下行），资金成本敏感类板块，如成长板块表现强势。
基于周期理论得到的结论与我们上文中现金流beta与折现率beta的结果一致。根据上文中各板块的现金流与折现率beta的分析并结合经济周期理论，我们依据现金流与折现率的上行下行，将市场环境区分为四大状态，并在四大状态下，给出最为适宜配置的板块。
1、现金流上行，折现率下行（经济上行，资金成本下行）
2、现金流上行，折现率上行（经济上行，资金成本上行）
3、现金流下行，折现率上行（经济下行，资金成本上行）
4、现金流下行，折现率下行（经济下行，资金成本下行）
如下我们将四种状态的切换与各状态下配置的建议，构建成如下轮动轮盘：
为了应用我们的板块配置轮盘，我们需要寻找能够代理现金流与折现率方向性的指标。在《天风金工风格轮动策略之三——溢价追本溯源：现金流与折现率》报告中，我们曾经采用ROE与国债利率分别作为现金流与折现率的代理变量，在本报告中，我们对代理变量进行了拓展。
现金流与折现率代理变量
在上文中，我们将板块的轮动原因归结到了现金流与折现率两个维度，本部分中，我们对这两个维度的代理变量进行了探讨，希望能够更加全面地对现金流与折现率的趋势性进行描述。
1
代理变量
根据上文的分析，现金流与折现率分别代表着经济景气程度与市场资金成本，因此我们列举了与这两者相关的经济变量，如下表。
其中，PMI类指标、工业增加值、CPI均做一期滞后处理。
2
趋势识别
首先我们需要对代理变量的上行下行进行区分，指标趋势性的识别最常用的方式即均线法，通过观察指标与过去一段时间均线的关系来判断指标的上行下行趋势。
当代理变量>代理变量6个月均线时，定义为上行趋势。
当代理变量<代理变量6个月均线时，定义为下行趋势。
以PMI为例。当PMI在6个月均线上方时，定义PMI处于上行趋势，而当PMI在6个月均线下方时，定义PMI处于下行趋势。但是我们会发现，通过均线虽然能够对趋势进行识别，但是很容易受到指标小幅波动的影响。这也提醒我们，单一的经济变量可能存在短期的小幅波动，如果仅凭单一变量来识别现金流与折现率的趋势性，容易会产生较多的误判。因此，我们采用多指标共同验证的方式来对现金流与折现率的趋势性进行识别。
依据趋势判断的标准，判断代理变量处于上行还是下行趋势，上行趋势代理变量的趋势值记为1，下行趋势代理变量的趋势值记为-1。
当所有现金流趋势值之和大于0时，现金流趋势记为上行；
当所有现金流趋势值之和小于0时，现金流趋势记为下行；
当所有折现率趋势值之和大于0时，折现率趋势记为上行；
当所有折现率趋势值之和小于0时，折现率趋势记为下行；
当趋势值之和等于0时，现金流、折现率趋势与上一期保持一致。
图8与图9中，展示了通过多重指标验证后的现金流与折现率趋势图，趋势阴影在横轴上方时，代表指标趋势上行，阴影在横轴下方时，代表指标趋势下行。可以看到，现金流与折现率的趋势性虽然还有一定的小幅波动存在，但是比单一指标的稳定性已经提高了很多。
图10中，是根据现金流与折现率的趋势性划分的板块轮盘，蓝色柱子代表着当月建议配置金融与周期板块，红色柱子代表当月建议配置金融与消费板块，灰色柱子代表当月建议配置成长与消费板块，黄色柱子代表当月建议配置消费板块。
从2008年10月-2018年10月，配置建议共计变化44次，年均4.4次，配置建议换手率较低，稳定性较高。
在下一部分中，我们将依据板块配置轮盘的配置建议，回测其历史表现。
板块轮动策略
我们得到了判断现金流与折现率上行下行趋势，依据板块配置轮盘的结论，我们在对应的趋势情形下配置对应的板块，从而构建板块轮动策略，回测历史上板块轮动轮盘的表现。
回测框架：
1、回测标的为构建的周期、金融、消费、成长四个板块收益率；
2、调仓频率为月频；
3、板块等权持有；
4、业绩基准为万得全A。
我们可以看到，板块轮动策略在历史上表现出色，年化收益11.79%，超额胜率达到了65%，2011年、2014年表现不佳，其中11年处于经济过热转向下行，在上半年我们的模型提前切换到了消费板块，错过了金融板块的相对收益。14年大部分的负贡献来自于12月份单月的金融板块突然行情的漏判。近几年策略表现优异，今年以来（截至9月底）策略超额收益15.59%，9个月胜率100%，表现极为出色。策略历史较高的胜率也证明了，板块轮盘的有效性是值得肯定的。依据最新的数据（9月底），当前现金流处于下行趋势，折现率处于上行趋势，因此根据板块轮盘，推荐消费板块。
总结
行业做为最大的风险收益源之一，构建优秀的择时策略极具价值。
通过历史行业收益的表现可以看到，A股行业轮动现象明显，而且行业涨跌呈现集聚性。因此，我们将行业轮动分层来构建策略，首先将收益率相近的行业聚类成为板块，构建板块间的轮动策略，然后在板块内部对各行业进行择时。
本报告将Two beta模型应用于板块的轮动策略上，通过对板块收益率的分析，发现不同板块的现金流beta与折现率beta呈现明显的差异性：
1、 金融现金流beta显著高于平均水平，而折现率beta几乎为0；
2、 周期板块则呈现较高的现金流beta，同时折现率beta也显著大于0；
3、 成长板块相对其他板块而言，现金流beta最低，而折现率beta最高；
4、 消费板块，相对其他板块，现金流beta、折现率beta与市场平均水平相当。
因此，我们根据现金流（经济景气程度）与折现率（市场资金成本）的趋势划分不同的情景，在不同情景下配置对应的板块，构建板块配置轮盘。
1、 现金流上行，折现率下行：金融、周期
2、 现金流上行，折现率上行：金融、消费
3、 现金流下行，折现率上行：消费
4、 现金流下行，折现率下行：成长、消费
现金流与折现率本质上反应的是经济的景气程度与资金成本，因此，我们从这两个维度分别为现金流与折现率寻找代理变量，从而识别不同时间点上现金流与折现率的趋势性。并依据识别的趋势，构建板块轮动策略。获得11.79%的年化收益，超额胜率达到了65%，今年以来（截至9月底）策略超额收益15.59%，9个月胜率100%，表现极为出色。
参考文献
1、积极型资产配置指南——经济周期分析与六阶段投资时钟.D. 马丁 J. 普林格
2、Campbell J Y, Vuolteenaho T. Bad Beta, Good Beta[J]. American Economic Review, 2004, 94(5):1249-1275.
3、Campbell J Y, Shiller R J. The Dividend-Price Ratio and Expectations of Future Dividends and Discount Factors[J]. Social Science Electronic Publishing, 1988, 1(3):195-228.
4、Campbell J Y, Shiller R J. Stock Prices, Earnings, and Expected Dividends[J]. Journal of Finance, 1988, 43(3):661-676.
5、Campbell J Y. A Variance Decomposition for Stock Returns[J]. Economic Journal, 1991, 101(405):157-179.
相关报告
天风金工风格轮动策略之三——溢价追本溯源：现金流与折现率
2018-10-11 《》2018-08-03 《》2018-06-19 《》2018-06-15 《》2018-06-05 《》2018-05-08 《》2018-04-19 《》2018-04-10 《》2018-04-10 《》2018-03-22 《》2018-03-05 《》2018-02-09 《》 2018-02-08 《》2018-02-05 《金融工程：》 2018-01-22 《》2017-12-12 《》2017-11-28 《》2017-11-17 《》2017-10-30 《》2017-10-24 《金融工程：基于动态风险控制的组合优化模型》2017-09-21 《》 2017-09-18 2017-09-04 《金融工程：MHKQ因子择时模型在A股中的应用》 201 《金融工程：专题报告二十三-自适应收益预测模型下的组合优化策略》 2017-08- 《金融工程：FOF专题研究（四）：景顺长城沪深300增强指数型基金》 2017-08- 《金融工程：专题报告二十一-买卖压力失衡——利用高频数据拓展盘口数据》 2017-08-01 《金融工程：FOF 专题研究（三）：华泰柏瑞量化A偏股混合型基金》 2017-07-24 《金融工程：专题报告十九-半衰IC加权在多因子选股中的应用》 2017-07-22 《金融工程：FOF专题研究（二）：国泰估值优势偏股混合型基金》 2017-07-17 《金融工程：专题报告-私募EB正股的投资机会》 2017-07-11 《金融工程：FOF专题研究（一）：银华中小盘精选偏股混合型基金》 2017-07-06 《金融工程：中期策略会纪要1：天风金工“四位一体”仓位管理体系》 2017-06-27 《金融工程：专题报告-国债期货组合趋势策略：以损定量,顺势加仓》 2017-06-19 《金融工程：专题报告-戴维斯双击》 2017-06-12 《金融工程：专题报告-反转现象的选择性交易策略》 2017-06-01 《金融工程：专题报告-国债期货展期价差交易》 2017-05-25 《金融工程：专题报告-基于高管增持事件的投资策略》 2017-05-14 《金融工程：专题报告-2017年6月沪深重点指数样本股调整预测》 2017-05-06 《金融工程：专题报告-预知业绩能有多少超额收益？》 2017-04-16 《金融工程：专题报告-策略的趋势过滤》 2017-03-22 《金融工程：专题报告-日间趋势策略初探》 2017-03-10 《金融工程：专题报告-基于自适应破发回复的定增选股策略》 2017-03-09 《金融工程：专题报告-定增节点收益全解析》 2017-03-06 《金融工程：专题报告-潜伏ST摘帽》 2017-03-06 《金融工程：专题报告-量化CTA策略概述》 2017-02-14 《金融工程：专题报告-潜伏业绩预增》 2017-02-13关注我们
风险提示：经济指标的有效性可能会发生变化，对模型结果产生影响
《天风证券-金工专题报告：基于现金流与折现率的板块轮动策略 2018-10-18》
2018年10月18日
陈奕 SAC 执业证书编号： S111051708000
