基于行業輪動策略的多因子選股模型及投資效果實證研究

羅琎

(貴州財經大學 貴州貴陽 550025)

在證券市場中，各行業的輪動現象是否存在仍然被廣泛討論著。根據在經濟周期各時期，各行業的收益表現不同，可將它們分為周期性行業和非周期性行業。行業輪動策略假定，在經濟擴張時期，周期性行業表現良好，而在經濟收縮時期，非周期性行業表現更佳。柯原、鄭雙陽從行業的產業鏈條和傳導機制方面解釋了行業輪動存在的原理[1]。一般來說，基本材料或商品行業會比消費品行業的反應更加敏捷。在國內的研究中，行業板塊現象的存在基本達成了共識，劉強認為，這與我國與西方國家不同的市場特征、投資者結構和心理特征有關。在相同的政策下，投資者會做出一致的投資決策，這就引起了各行業的股票市場出現輪動效應[2]。黃河提出，我國的經濟周期劃分與央行的貨幣政策關系密切[3]。尚煜等研究者認為股票市場中各個行業表現的輪動和經濟周期波動緊密相連[4]。朱秋分、盧二坡經過測算得出結論，我國金融周期和經濟周期的變化均存在非對稱性特征[5]。周亮通過研究2007 年1 月至2017 年11 月的股市和貨幣政策的月度數據，設計出了贏家-輸家組合的行業輪動策略[6]。我國已有不少學者運用行業輪動策略對行業輪動現象進行實證分析。張鑫通過實證分析得出受宏觀經濟影響農林牧漁和醫藥生物兩個行業板塊有輪動現象[7]。周彩節認為基于關聯規則研究我國股票市場中行業輪動現象可預測未來表現強勢的行業[8]。

我國對行業輪動策略的研究尚不深入，現存實證分析中，沒有與市面上現有的基金收益對比，沒能真正衡量行業輪動策略在我國市場上運用的可行性。綜合以上分析，該文將運用聚寬量化投資平臺，與Python相結合，將中證全指里的股票作為股票池，根據經濟周期的不同階段，選取一定數量股票進行投資。并將其與市場平均收益進行對比，從而實現行業輪動策略的評估。

1 行業輪動模型實證檢驗

1.1 經濟與行業周期的劃分

1.1.1 經濟周期劃分

一般來說，M1 和M2 的增長率相對變化可以用來解釋宏觀環境的經濟運行狀態。該文選擇M1與M2增速的差值作為劃分經濟周期的依據，當M1的增速大于M2 時，經濟處于擴張時期；反之，經濟處于緊縮階段。當指標大于零時，代表貨幣擴張期，反之代表貨幣緊縮期。該文選取2013 年1 月至2019 年2 月的樣本數據，根據樣本期間M1 與M2 增長率的差值（設m為M1 與M2 增長率的差值），將樣本期間劃分為8 個擴張和收縮的階段。各階段的時間起始點和所對應經濟狀態結果如下。

第一階段（2013 年1 月至2013 年7 月），m＜0，經濟收縮；第二階段（2013年8月至2014年3月），m＞0，經濟擴張；第三階段（2014 年4 月至2014 年10 月），m＜0，經濟收縮；第四階段（2014年11月至2015年12月），m＞0，經濟擴張；第五階段（2016年1月至2016年9月），m＜0，經濟收縮；第六階段（2016 年10 月至2017 年8 月），m＞0，經濟擴張；第七階段（2017年9月至2018年9月），m＜0，經濟收縮；第八階段（2018 年10 月至2019 年2 月），m＞0，經濟擴張。

1.1.2 行業周期性劃分。

根據CAPM 模型結論，該文對各行業的指數數據進行回歸，得到了它們相對于市場的Beta值，從而判斷它們的系統性風險大小。當行業的Beta值大于1時為周期性行業，當Beta 值小于1 時為非周期性行業。2013年底，申銀萬國證券股份有限公司發布的最新版一級行業分類標準中共設立了28 個一級行業。為了確定這28 個行業的周期性，該文以滬深300 指數作為市場基準，選取2013—2019 年行業數據，使用Eviews軟件做回歸分析，分別得到了它們的Beta值，以作為行業周期性的劃分依據。根據計算結果，農林牧漁、食品飲料、輕工制造、醫藥生物、公用事業、交通運輸、商業貿易、餐飲旅游、綜合、計算機、傳媒、銀行為非周期性行業，采掘、化工、鋼鐵、有色金屬、電子元器件、家用電器、紡織服裝、房地產、建筑材料、建筑裝飾、電氣設備、國防軍工、通信、非銀金融、汽車、機械設備為周期性行業。

1.2 行業輪動效應的實證檢驗

1.2.1 數據處理

該節根據前文中對經濟周期的劃分，將不同類型的行業在對應經濟階段的表現計算匯總，得到了最終行業收益的對比。結果如表1所示。

表1 各階段周期性和非周期性行業表現

1.2.2 結果分析

通過表1結果可知，在經濟收縮階段，非周期性行業的收益普遍高于周期性行業，勝率為75%。這說明在經濟收縮時，非周期性行業確有風險防御的能力。在經濟擴張階段，周期性行業的收益均高于非周期性行業，這說明，周期性行業隨著經濟情況的好轉，復蘇的速度比非周期性行業快，這時，投資與周期性行業會得到更高的收益。

2 多因子選股模型及其實證檢驗

2.1 多因子選股模型原理——市值解釋因子選股模型

與單因子模型相對應，多因子選股模型在選擇股票的過程中，考慮的不單是影響股價走勢的一個因子，而是使用多個能顯著而有效地對股價的走勢產生影響的因子，利用數量化思想建立了一個選股模型。在整個選股的過程中，當股票滿足選股模型的條件時，買入股票，當不滿足時，賣出股票。對比單因子選股模型，多因子選股模型更加穩定，因為它克服了單因子模型中可持續性差的缺點。單因子模型選股面窄，選股方式不夠科學，但在多因子選股過程中，不同市場條件下，總有一些因子發揮效應，從而有效避免以上的不足。該文選取市值解釋因子模型來進行選股投資，以下是該模型的相關介紹。

2005年馬修羅德斯等多名教授合著的論文中，股票市值按照如下因子模型進行分解[9]。

其中，IND為行業虛擬變量矩陣，m為個股的市值的對數，b為股票的凈資產的對數，NI為公司凈利潤。為了區分凈利潤的正負，增加了一個代表正負的虛擬變量I，當且僅當凈利潤為負時，這個虛擬變量的值為1，并且取凈利潤絕對值的對數作為自變量。LEV為公司的財務杠桿（負債比上資產）。對股票利用此模型進行回歸后發現，擬合優度超過了80%，也就是說，這個因子模型可以被認為是有效的。

2012 年查爾斯教授及其博士生珍妮特發表的論文中，發現上市公司的市值與其市盈率、凈資產以及開發支出密不可分，選取開發支出水平高的公司進行回歸后，得出的擬合優度可以達到94%[10]。

其中，a0為虛擬變量矩陣，RD為研發支出的對數，b為股票的凈資產的對數，O為組織資本的對數，PE為市盈率。

由上述內容可知，某時間點上的股票市值可以由多個因素來解釋。按照多因子策略的基本思想，將多個因子作為自變量，進行對截面上市值的回歸，若求得的殘差值越小，說明股票市值向下偏離其理論值程度越高，也就意味著該股票未來上漲的趨勢越明顯。該文綜合考量后，選擇了公司財務杠桿、營業收入增長率、行業虛擬變量、對數凈利潤、對數研發支出，以及對數凈資產等財務指標作為市值解釋因子的自變量。在回歸方法上，選用了傳統的多元線性回歸。

其中，m為股票市值的對數，IND為行業虛擬變量矩陣，b為個股的對數凈資產，NI為公司凈利潤，I為虛擬變量。為了區分凈利潤的正負，增加了一個代表正負的虛擬變量I，當且僅當凈利潤為負時，這個虛擬變量的值為1，并且取凈利潤絕對值的對數作為自變量。LEV為公司的杠桿率（負債比上資產），g為營業收入的增長率，RD為研發支出的對數（若沒有則默認為0）。

2.2 多因子選股模型實證檢驗

該文選取市值解釋因子模型來進行選股投資，對從聚寬數據庫中調取出的數據進行多元回歸，使用申萬一級行業劃分作為行業虛擬變量矩陣，選擇2013年1月至2019年2月作為回測時間，將中證全指中的申萬一級的所有股票作為股票池進行回歸，并將回歸得到的結果用到當日的股票上，計算預測值與真實值之間的差距（殘差），按照殘差從小到大的順序對股票進行排序，每10 個交易日進行一次調倉，每次調倉時買入（或繼續持有）因子排名在前十位的股票，若股票的排名偏離這個區間，則賣出。利用向量回歸，得到的2013年1月到2019年2月市值解釋因子模型與市場收益的對比如圖1所示。

圖1 市值解釋因子模型收益概述

由此策略的回測報告可以看出，經市值因子篩選后的股票收益率表現較好，在長期均超過了基準收益率。在回測區間內，因子選股構建出的投資組合以65.8%的概率戰勝了市場基準，均值差為141.912，標準差為95.365，而對應指數的標準差為26.697。由此可見，多因子選股模型在回測區間總體表現良好，但是其標準差超過了市場總體水平，說明使用單純的因子選股模式，投資風險較大。

3 行業輪動多因子選股模型及其實證檢驗

3.1 行業輪動多因子選股模型原理

在該文中，行業輪動多因子選股模型是將行業輪動策略與前文的市值解釋因子選股模型結合起來。據國內外的相關研究成果以及前文中的實證可以得知，證券市場上的確存在著行業輪動現象。所以，可以根據當前經濟狀況的不同，進而利用因子模型，對不同周期性質的股票池進行選股。具體為：當經濟環境處于收縮階段時對非周期性行業里的股票進行市值解釋因子模型選股，來買入或持有；而經濟擴張時期，對周期性行業的股票進行因子模型選股。這樣得到的投資組合與經濟所處階段相對應，在基本面上符合投資邏輯。

3.2 行業輪動多因子選股模型的實證檢驗

3.2.1 策略簡介

下面將以行業輪動模型為基礎，對中證全指的所有股票進行投資回測。以2013年1月到2019年2月為回測時間，貨幣周期擴張時，對周期性行業進行因子選股投資；緊縮時，對非周期行業進行投資。在每個周期階段，按照前文因子選股的模式進行投資。由于周期更替與財報發布時間不一致，特以10個交易日為調倉周期，每次對公司財務指標進行回歸，得出預測的市值m，將其與實際值進行對比，求得殘差。按照殘差由小到大進行排序，將排名前十的股票買入或繼續持有，將不在這個區間的股票賣出。

3.2.2 檢驗過程

將2013年1月到2019年2月的因子模型回測結果與市場基準收益相對比，得到的結果如圖2所示。

圖2 兩模型收益對比

第一階段行業輪動三因子選股模型收益率明顯高于基準，有較好的市場表現，策略投資組合收益率戰勝指數的概率為69.0%，策略收益為17.49%，市場收益率為-12.13%。第二階段行業輪動三因子選股模型收益率明顯高于基準，有較好的市場表現，策略投資組合收益率戰勝指數的概率為73.8%，策略收益為37.18%，市場收益率為1.98%。第三階段行業輪動三因子選股模型收益率明顯高于基準，有較好的市場表現，策略投資組合收益率戰勝指數的概率為82.6%，策略收益為39.76%，市場收益率為19.03%。第四階段行業輪動三因子選股模型收益率明顯高于基準，有較好的市場表現，策略投資組合收益率戰勝指數的概率為54.7%，策略收益為5.33%，市場收益率為-15.10%。第五階段行業輪動三因子選股模型收益率明顯高于基準，有較好的市場表現，策略投資組合收益率戰勝指數的概率為74.6%，策略收益為75.91%，市場收益率為23.24%。第六階段行業輪動三因子選股模型收益率明顯高于基準，有較好的市場表現，策略投資組合收益率戰勝指數的概率為71.8%，策略收益為18.80%，市場收益率為11.85%。第七階段行業輪動三因子選股模型雖然為負值，但是損失程度小于市場平均，說明該策略有良好的風險回避能力，策略投資組合收益率戰勝指數的概率為51.8%，策略收益為-16.05%，市場收益率為-21.91%。第八階段行業輪動三因子選股模型收益率明顯高于基準，有較好的市場表現，策略投資組合收益率戰勝指數的概率為65.5%，策略收益為14.69%，市場收益率為4.24%。

3.2.3 結果分析

由圖2中行業輪動多因子選股模型運行結果和參照基準的收益率趨勢對比可得，模型的收益在整體上都要高于市場基準收益。這說明模型的投資效果要好于市場標準。

3.2.4 與多因子選股模型結果對比

多因子模型策略與基于行業輪動的因子模型策略收益對比如圖3所示。由圖3可以看出，基于行業輪動的因子模型收益要高于純因子模型。對比分析行業輪動市值解釋因子選股模型和多因子選股模型運行結果的均值、標準差和戰勝滬深300指數基準的概率，進一步說明了行業輪動市值解釋因子選股模型的運行效果，具體如下：行業輪動市值解釋因子選股模型的投資收益要明顯好于多因子選股模型及市場基準，其戰勝市場的概率為78.9%，高于多因子選股模型的65.8%勝率。此外，行業輪動多因子選股模型的標準差為48.728，比多因子選股模型的95.365 要低得多。這就說明，行業輪動市值解釋因子選股模型不但可以獲得更高的投資收益，而且投資過程更加穩定。以行業周期效應作為考慮要素的多因子選股模型的投資表現要好于單純的多因子選股模型，這一實證結果符合該文預期的假設。

圖3 兩模型收益對比

4 結語

該文以當前的相關研究成果為基礎，創造性地將經濟周期、行業周期劃分和市值解釋因子選股模型結合起來構建了行業輪動市值解釋因子選股模型。經過實證檢驗，證明了行業輪動多因子選股模型的投資表現要優于單純的多因子選股模型，從戰勝滬深300 指數的概率、累計收益率和收益標準差等角度，均可得以行業輪動作為基礎的因子選股模型可以得到高于單純的市值解釋因子選股模型的收益。該文最后將市值解釋因子模型選股的執行，與經濟周期變換邏輯相結合，將基本面與技術面的投資策略融合起來，最后得出的結果顯示，行業輪動多因子選股模型以78.9%的概率戰勝了市場基準。將市值解釋因子選股模型與行業輪動因子選股模型的運行結果進行對比發現，考慮了行業周期交替的行業輪動因子模型的市場表現要好于單純的多因子模型，其收益率要遠高于后者。此外，前者的收益波動率要小于后者，這說明使用行業輪動多因子模型在獲得較高收益的同時，還可以規避風險，提高投資組合的穩定性。綜合考慮兩者在整個歷史回測的表現可得，行業輪動多因子選股模型的投資效果最好。