>> 中信建投-金融工程深度·2023年投資策略報告：用量化體系應對市場不確定性-221215
| 上傳日期： |
2022/12/16 |
大?。?/td>
| 4544KB |
| 格式： |
pdf 共42頁 |
來源： |
中信建投 |
| 評級： |
-- |
作者： |
丁魯明,段瀟儒 |
| 下載權(quán)限： |
此報告為加密報告，僅限高級會員查看 |
|
|
核心結(jié)論
預計A股整體重心顯著上移
2022年多輪疫情沖擊以來，中國經(jīng)濟已經(jīng)處于長期趨勢線以下，近期疫情政策調(diào)整后，產(chǎn)出缺口有望逐步回補。2023年中國經(jīng)濟處于投資時鐘里的復蘇期，通脹矛盾有限，同時外需壓力較大，貨幣政策對內(nèi)需回暖可能有更高的容忍度，預計維持中性偏寬松。從基本面來看，雖然外需壓力較大，但房地產(chǎn)政策調(diào)整與債務出清類似于2014年底，內(nèi)需經(jīng)濟企穩(wěn)后有望帶動指數(shù)重心顯著上移。
對比32年前的日美經(jīng)濟剪刀差后的美國獨立行情，其關(guān)鍵是其美國經(jīng)濟早于全球貿(mào)易見底，貨幣政策則多持續(xù)了12個月且后續(xù)也延續(xù)了寬松利率，與當前中國政策相似，類似于90年代的市場分化可能重現(xiàn)，A股或在全球衰退中走出獨立行情。從相對估值來看，2022Q3-Q4股債比價接近2019年初，股票相對債券具有較高性價比。
量化視角下的多體系行業(yè)跟蹤
宏觀因子方面，我們選擇了多維度的宏觀指標，對每個行業(yè)采用逐步回歸法構(gòu)建模型進行預測，按照預測值選前3行業(yè)的組合，2018年1月到2022年11月累計超額147%，年化超額20%。
行業(yè)基本面方面，通過梳理行業(yè)邏輯，篩選重要指標，選擇其中和行業(yè)ROE、超額收益都具有高相關(guān)的指標構(gòu)造單行業(yè)量化基本面擇時策略，各行業(yè)的多空年化收益率均高于12%。
財務指標方面，基于正式財報信息構(gòu)建行業(yè)財務指標，測試表明盈利和成長能力相關(guān)指標及其邊際變化對行業(yè)的選擇有參考意義。我們構(gòu)造的復合財務因子，第一分組年化超額收益7.16%，夏普比率0.33。
分析師預期方面，以未來2個自然季度的ROE為目標，計算的行業(yè)成分股預期ROE上調(diào)比例、行業(yè)ROE變化值因子，超額收益率超過5%，夏普比率接近0.3。
基金資金流方面，基于有約束的半衰加權(quán)Lasso約束回歸對股票型基金進行倉位估算，并基于此構(gòu)造動量策略，使用過去半年至過去一個月板塊變動最大的板塊構(gòu)造持有一個月的多頭。策略從2011年至今年化超額收益率8.39%。
因子表現(xiàn)分化，風格切換顯著
2022年因子表現(xiàn)機遇與挑戰(zhàn)共存。從因子表現(xiàn)來看，市值類因子表現(xiàn)依舊穩(wěn)定，基本面類（包括成長，價值等）因子相較于過去兩年發(fā)生類明顯的風格切換，高成長類因子表現(xiàn)逐漸減弱，低估值類因子表現(xiàn)有所增強。過去一年，整體市場發(fā)生了三次比較明顯的風格切換，分別是3月，6月以及11月，導致整體因子的波動加劇。
公募指增產(chǎn)品跟蹤——發(fā)力中證1000
存續(xù)的指數(shù)增強ETF產(chǎn)品共201只，1615.43億元，滬深300，中證500和中證1000幾類指增產(chǎn)品平均倉位分別為92.38%，90.74%和90.05%。不同基準指增產(chǎn)品今年以來勝率均超過80%，其中中證1000指數(shù)增強產(chǎn)品均跑贏基準，平均和中位超額均最高。中證500平均超額2.58%，競爭差異更大；滬深300超額中位最小。
不懼市場風格快速切換，建投500增強平穩(wěn)上行。
我們構(gòu)建的中信建投中證500指數(shù)增強策略從2011年1月1日到2022年12月11日累計絕對收益1090%，相對中證500累計超額849%，年化超額20.6%，其中2022年在市場風格輪動較為頻繁的背景下，取得絕對收益-6.4%，超額收益11.24%，表現(xiàn)較為優(yōu)異。
光伏Alpha+Beta屬性突出，行業(yè)選股表現(xiàn)亮眼
光伏行業(yè)擁有卓越的Beta和Alpha屬性。從2018年1月1日至2022年6月，光伏設備(申萬)指數(shù)累計漲幅292%，在125個申萬二級行業(yè)指數(shù)中排名第一，比行業(yè)平均收益率8.86%高出283%。不僅如此，光伏行業(yè)的Alpha也異常顯著，行業(yè)內(nèi)個股分化明顯。通過行業(yè)內(nèi)因子選股的方法，能夠獲得超越指數(shù)的alpha收益
前瞻性挖掘個股信息，機構(gòu)調(diào)研事件選股策略表現(xiàn)優(yōu)異。
我們構(gòu)建的機構(gòu)調(diào)研事件選股策略從2016年1月到2022年7月31日，40天持有期組合累計收益259%，累計超額281%，年化超額中證50022.5%，月度勝率63%，IR 0.70。40天持有期組合在2021年市場復雜的風格輪動下表現(xiàn)優(yōu)異，絕對收益83%超額收益59%。
利用深度學習模型Deeplob從訂單簿挖掘高頻alpha
DeepLOB是基于CNN和LSTM結(jié)構(gòu)的深度學習網(wǎng)絡，用于預測限價訂單簿的價格運動。DeepLOB網(wǎng)絡在設計時，充分考慮了限價訂單簿的數(shù)據(jù)結(jié)構(gòu)與卷積神經(jīng)網(wǎng)絡之間的關(guān)系，能夠挖掘出深層的訂單簿特征。將模型應用于股票和可轉(zhuǎn)債高頻預測，能夠取得顯著的收益。
基于AutoML-Zero的因子挖掘框架AlphaZero
近幾年機器學習發(fā)展迅速，以AutoML為代表的特征工程以及模型搭建也早以在工業(yè)界實現(xiàn)了廣泛應用。將Google Brain團隊提出的AutoML-Zero模型應用與因子挖掘領域，結(jié)合實際情況對模型做了相應的改進，構(gòu)建了AlphaZero框架。通過結(jié)合中高頻數(shù)據(jù)以及基本算子，利用正則化進化算法，能夠進化出表現(xiàn)非常顯著的個體因子。不僅能夠應用于批量因子生成，還可以將其應用于現(xiàn)有因子的改進。
六維度行業(yè)輪動模型對外跟蹤以來超額收益率11.47%
根據(jù)自上而下，結(jié)合宏觀、量化基本面、財務因子、分析師預期、機構(gòu)偏好、量價技術(shù)和資金流等維度，我們構(gòu)建了六維度綜合行業(yè)
|
|
