文：国盛金融工程团队
联系人：刘富兵/杨晔
行业配置在偏股基金增强中的应用
问题：为什么要从行业配置视角做股基增强？对比常见宽基指数，偏股基金指数是一个更好的Beta选择，简单采用重仓股进行模拟，跟踪误差仅4%。此外我们将偏股基金收益进行拆解，发现历史上行业配置贡献不错，但近两年表现不佳，因此想通过这一视角做增强。
行业配置信号在偏股基金增强中的应用。
情景1：多因子选股为核心，行业偏离小于5%。我们在传统指数增强框架的基础上改动两个地方：1）目标函数端：最大化个股alpha的同时，最大化组合行业Beta信号；2）行业敞口端：行业暴露约束从1%放开到5%。经过测试，年化超额能提升2-3%，信息比率达到1.79，近两年明显改善。从收益分解结果看，行业偏离小于5%不会侵蚀个股Alpha收益，进一步放开行业暴露后会明显侵蚀收益，放大波动。
情景2：行业配置为核心，适当放松跟踪误差约束。若想进一步放开行业敞口，需在行业配置权重基础上进行因子增强。最终的效果是用选股策略对纯行业Beta配置做增强，大概6-7成仓位实施行业配置模型，3-4成仓位全市场选股提升策略稳定性，超额收益达到20.5%，信息比率上升至2.31。从收益分解结果看，实现行业Beta和个股Alpha的兼顾，并且起到了明显的对冲效果，超额收益相关性为-36%。
为什么行业偏离导致Alpha衰减？行业Beta和个股Alpha负相关？因为行业配置叠加选股策略在行业上有所偏离，因此会缩小选股域，或者选到因子有效性较差的行业，导致alpha收益有所衰减。但是行业的偏离会带来一定的行业择时收益，并且主要集中在周期和金融板块，弥补了选股策略在这两类板块上因子有效性不足的问题，拓展了收益来源。
沪深300增强上效果比中证500要好。300增强上做适当行业偏离后，超额收益同样能提升2-3%左右，500上效果不太明显。但超额收益在时间上分布有较大差异，行业偏离后近3年表现占优。最终我们测试了行业中性和偏离的并行策略（1:1分仓），发现300和500都能显著提升信息比率，降低跟踪误差和回撤。
其他重要讨论。若想进一步提升超额收益弹性，可在超预期中做一定行业偏离后，超额收益上升至35%，同时跟踪误差超过15%；若想改善价值类策略近些年超额收益的表现，可对价值策略做行业配置，超额收益提升5%，并且绝对回撤仅-24.2%，夏普比率超过1，从归因看风格收益有显著改善，有规避价值陷阱效果。应用于股债混合策略后，策略年化收益达到8.4%，最大回撤-2.7%，收益回撤比达到3.1。
最终我们对行业配置在偏股基金增强中的几种应用场景进行总结，提供四个股票组合和三种ETF组合供各位投资者参考。风险提示：模型根据历史数据规律总结，未来存在失效的风险。引言：近些年市场投资者对偏股基金指数的关注日益增加，传统的做法主要是通过多因子选股或者适当因子暴露来实现，本文提供另外一种视角：通过行业配置来实现股基增强，并讨论其在不同类型产品中的应用思路。
一、本期话题：当前行业配置模型指向金融和消费
两个问题：第一，为什么要选择偏股基金指数作为基准进行增强？第二，为什么要从行业配置视角出发做增强？
1.1、为什么选择偏股基金指数作为基准进行增强？
近些年，由于公募基金整体规模的爆发性增长，公募偏股型基金指数受到了市场的广泛关注。如下图所示，我们对比了常见宽基指数（中证800，中证全指）和偏股基金（wind偏股，中证股基）的收益净值曲线。可以发现，无论是wind偏股还是中证股基，2007年至今相比于常见宽基指数是有明显超额收益的，年化超过3%。我们认为在当下个股alpha还有挖掘空间的A股市场，偏股基金指数是一种较好的Beta选择。
这里首先我们采用一个简单的方法对偏股基金指数进行模拟测试：
1）根据基金季度披露的前十大重仓股数据，将全部偏股混合型基金看作一个整体，计算基金重仓股数占个股流通股比例，非重仓股记为0；
2）将个股的基金重仓持股比例乘以披露当日的流通市值，得到基金整体重仓市值，将其作为权重加权平均计算收益，每季度披露日调整一次基金样本和调仓权重。
如下图所示，按上述简易方法模拟出来的净值与中证股基进行对比，2012年至今策略年化跟踪误差仅为3.8%，年化超额收益为0.7%，基本能够做到跟踪复制。而将基准换成Wind股基指数后，策略年化跟踪误差为5.5%，年化超额收益为-1.2%，跟踪误差较大，因此后续我们将选取中证股基（930950.CSI）作为我们研究的基准。
关于对偏股基金指数做增强的研究已十分丰富，基本上是以多因子选股框架为基础，从基金重仓股中优选个股实现。但随着当前基本面Alpha因子超额收益的衰减，。大家开始尝试对此类策略进行优化，例如优选基金来提升基准表现、优选因子来增加个股alpha、适当放开因子暴露赚一些风格的收益等。这里我们提出另外一种思路：从行业配置视角去做股基增强。
以中证800作为基准，我们对中证股基的收益拆解成：风格、行业和alpha三个部分。历史上行业配置和个股alpha的贡献差不多，12年至今年化超额分别为3.8%和3.6%，行业配置还略高一些。但是从20年底至今，个股alpha贡献的超额收益达到12.4%，而行业配置贡献仅为1.9%，风格配置贡献-12.4%，行业没能覆盖掉风格配置的亏损。
也就是说，近两年公募基金整体的选股能力并没有衰减，但是行业配置能力却大打折扣，这也是仅两年偏股基金超额收益收窄的主要原因。因此我们认为，若能提升公募基金的行业配置收益，补其弱环，能大大提升股基增强策略的表现。
考虑到行业配置策略尾部风险的问题，我们做了一些蒙特卡洛模拟测试，定义5%的极端超额回撤为策略的尾部风险，展示了行业配置策略的收益风险特征来供各位投资者参考。
因为前期报告构建的景气度趋势因子的IC值为12%，波动率为20%，所以我们随机生成一个正态分布的IC值序列，使得其均值为12%，波动率为20%。然后根据每一期的IC值x，生成一个行业的打分因子，使得其和下一期行业收益的相关性为在[x-2%,x+2%]范围内，每一期根据这一信号选前五行业进行配置，月度调仓。
如下右图所示，模拟100次策略回测后，我们展示年化超额和超额最大回撤的散点图，可以看到年化超额在5%-20%之间，均值为13%，收益表现还可以。但尾部风险确实较大，超额最大回撤的均值在-11%，尾部回撤风险在-18%附近，也就意味着行业配置策略可能会有5%的可能性超额回撤超过18%。
因此，针对尾部风险的问题，我们需要寻找一些改进的方案。这里我们尝试了三种思路：
① 增加选取行业个数，降低行业偏离程度。这里我们展示选取5、7、9和11个行业个数的模拟测试结果，可以看到增加行业个数后策略最大回撤明显降低，收益回撤比改善，但相应地超额收益也会降低；其中，若想维持10%以上超额收益，配置7-9个行业较为合适，策略尾部风险的超额回撤大约在-15%附近，收益回撤比在1.5附近；若对风险控制非常严苛，配置10多个行业，超额收益维持在9.8%，尾部风险在-12%附近，收益回撤比达到1.7。
② 规避高拥挤（高波动）行业。因为我们构建的拥挤度因子与行业下一期最大回撤的IC值为14%，波动率为20%，基于此随机生成一个正态分布的随机数序列，生成行业拥挤度因子，在每一期在选取的行业中剔除拥挤度前1/4的行业，月度调仓。下图为选取7和9个行业个数的两组对照试验结果，规避高拥挤行业有效降低最大回撤均值，收益回撤比显著改善，年化超额收益提升2-3%，超额回撤降低1-2%，收益回撤比超过2，策略尾部风险约在-13%（选7个）和-10%（选9个）。
关于行业配置体系，我们还是沿用已有的景气度-趋势-拥挤度的思路，以这一框架为例探讨行业配置做股基增强的可行性。目前策略的落地包括了以上的改进思路，比如规避高拥挤，在景气行业比较拥挤的时候分散持仓等。。行业配置战胜主动股基的方法有很多，比如通过行业ETF配置，在指数增强策略中放开行业暴露的敞口，偏主动量化思路的先选行业再优选个股等等，这一块研究的难点在于行业配置Beta和个股alpha的平衡。本篇报告我们会重点讨论策略构建和应用场景，以偏股基金增强为例，重点探讨行业配置在指数增强中的应用场景和注意事项，努力寻找在该考核目标下行业配置Beta和个股alpha的相对平衡。
2.1、行业Beta配置有效性的讨论
这里我们首先研究在不要任何个股Alpha的前提下，现有行业Beta信号在偏股基金增强中的效果。为了保证行业指数和偏股指数这个基准可比，我们将行业成分股限制在公募重仓股中。然后基于第一章节模拟偏股基金指数时得到的个股权重，重新构建行业内重仓股指数，即每个月底按照行业内个股的基金重仓持股比例乘以当日流通市值，得到基金整体重仓市值，将其作为权重加权平均计算行业内重仓股收益，月度调仓，每季度披露日调整一次基金样本和调仓权重。下面我们展示2012年至今，各个中信一级行业内重仓股指数相比原始一级行业的历史超额表现。可以看到，有20个行业的重仓股指数跑赢了原始的行业指数，仅有8个行业跑输，其中大部分是金融和消费板块。这也说明了公募基金整体在大部分行业均具备较强的alpha能力，但是在金融和消费欠佳。然后，我们将行业内重仓股指数作为可投资标的，代替中信一级行业做行业轮动测试。具体而言，我们设定需要优化的变量为行业配置策略的行业权重w，目标函数为组合预期收益𝑤𝑇𝑓𝑎，其中𝑓𝑎为行业景气度和趋势指标的综合打分信号，该指标越高越好，限制条件包括：
4）拥挤度预警：拥挤度前1/4的行业相比于基准的权重低配50%以上。
然后，我们每个月底以滚动的方式，利用过去252个交易日行业指数相对基准的超额收益率计算协方差矩阵，乘以权重作为未来跟踪误差的预测。这里的基准是中证偏股基金指数，权重按照第一章所述模拟得到。组合优化的目标函数和约束的公式如下：
max 𝑤𝑇𝑓𝑎
s.t. 𝑤𝑇Σ𝑤 < 𝑡𝑟𝑎𝑐𝑘𝑖𝑛𝑔 𝑒𝑟𝑟𝑜𝑟
0 ≤ w ≤ x
max|𝑤𝐻 − 𝑤𝑖| < 𝑛
∑w = 1
此外沿用之前的思路，如果行业配置陷入困境时（剔除高拥挤后，行业数量较少），这个时候高景气的行业交易比较拥挤，获取超额收益的难度较大，我们建议降低风险偏好，进行分散持仓，具体参数细节如下： 1） 若景气度排名前1/4的行业中少于一半处于高拥挤，尽可能调高风险偏好集中持仓：设置年化跟踪误差m=0.15，权重上限x为0.3，行业偏离0.25； 2） 若景气度排名前1/4的行业中超过一半处于高拥挤，尽可能降低风险偏好分散持仓：设置年化跟踪误差m=0.08，权重上限x为0.2，行业偏离0.125；如下左图所示，策略2013年初至今多头年化24.0%，超额年化14.8%，跟踪误差10.3%，信息比率1.43，超额最大回撤-8.4%，年化单边换手4.8倍。效果还可以，但是回撤略大，例如在2019年3月到2020年3月超额回撤8%，持续长达1年，这个阶段偏股指数基准表现较好。考虑到偏股基金指数相比于常见宽基更加集中在赛道行业中，比如食品饮料、新能源、医药和电子等，最近几年尤甚，这四大行业权重之和接近60%。为了更好的控制跟踪误差，我们考虑对权重行业加以限制，这里尝试对每个月底权重占比大于8%的行业，约束其配置的下限不低于其权重的50%。举个例子，最新一期食品饮料的行业权重为16%，哪怕我们这一期不看好食品饮料，也需要将其配置的比例超过8%。修正后结果如下右图所示，策略多头年化23.4%，超额年化14.2%，跟踪误差9.4%，信息比率1.50，月度超额最大回撤-6.3%，年化单边换手4.3倍。虽然全样本来看超额收益有所降低，但是回撤和换手更低，超额收益更加稳定，并且在2019年3月到2020年3月策略表现更加稳健，实现了9%的超额收益，相比于原始策略改善幅度明显。然后，我们在行业Beta配置得到的行业权重基础上，每一期通过因子选取选取多头前50%的个股，测试以下行业配置Beta+个股Alpha的选股效果。下面我们继续展示几类典型的Alpha因子的应用效果，包括估值、盈利、质量、成长和分析师预期等，也包括几个综合的大类因子（价值型、成长型和均衡型），具体选取的因子列表和结果如下： 1） 叠加质量类因子表现最为稳健，跟踪误差最小，信息比率达到1.63，超额最大回撤仅-5.8%； 2） 叠加盈余惊喜类因子超额收益最佳，达到17.4%，但是超额回撤也相应较大，达到-10.0%； 3） 叠加价值类因子超额收益相对一般，但是绝对收益回撤最优，仅-30.6%，体现了一定的安全边际； 4） 叠加成长类因子表现相对一般，我们猜测可能是因为成长因子需要精选多头，这里选取比例仅50%，难以发挥成长因子的优势。基于此，我们测试了选取前1/3个股的情况，超额收益能接近20.0%，信息比率1.45，在单个大类因子中超额收益最佳，验证了我们的猜测。 5） 叠加综合类因子，比如价值、成长和均衡，整体表现优于单因子，其中价值型绝对收益表现最佳，收益回撤比接近1，后续我们会在固收+的应用场景中对该策略进行深入讨论；均衡型和成长型策略超额表现较好，后续我们会在指数增强和主动量化策略的应用场景中进行深入讨论。
可以看到，纯行业Beta配置在偏股基金股票池上可以获得约10%超额收益，但回撤也在-10%附近，并且信息比率不高。与传统选股策略相比，不具备吸引力。叠加选股因子后效果都还可以，相比于原始行业策略有2%-4%的增强效果。但跟踪误差普遍较大，基本超过11%。也就是说，我们通常想到的行业轮动+因子选股收益端回测来看表现还不错，但是风险端存在波动较大的问题。如何控制选股策略的跟踪误差我们会在下面指数增强场景中进行深入讨论。
2.2、行业配置信号在指数增强类策略中的应用 下面我们以偏股基金增强场景为例，探讨行业配置信号在指数增强类策略中的应用。具体而言，包括两类：1）以多因子选股为核心，行业小幅偏离，在不怎么增加跟踪误差的基础上，预期超额收益提升1-2%；2）以行业配置为核心，行业大幅偏离，一部分仓位全市场选股增强策略稳定性，跟踪误差约束在10%以内，预期年化超额收益超过10%。传统的指数增强策略一般是注重行业和风格的中性，不会去主动暴露行业和风格的风险。由于最近几年偏股基金整体关注度提升，以偏股基金指数作为基准的增强产品开始盛行。为了具有一定代表性，我们先测试一个常见的股基增强策略，因子基本选用比较常见的alpha因子，包括质量、成长、情绪和动量等，跟踪误差控制在6%以内，个股和行业偏离均为0.01，市值偏离不超过0.1倍标准差。因子选取列表和组合优化公式如下：如下图可以看到，历史上表现还可以，年化超额达到8.4%，跟踪误差5.8%。但是最近两年表现一般，2021年超额2.2%，2022年超额-2.3%。也就是说，近几年常见的alpha选股因子在基金重仓股票池中基本失效，策略表现比较一般。2.2.2、情景1：指数增强框架如何实现行业小幅偏离?
第一章我们有提到行业轮动策略做一定的改进处理后，根据模拟测试年化超额收益约为10%到15%，超额最大回撤约为-5%到-12%，风险处于可控范围。考虑到近些年选股Alpha策略收益获取难度越来越大，因此大家也开始关心能否适当地暴露一些行业来博得一个更高的收益弹性。但是这类想法最大的担忧就在于组合的风险是否可控，跟踪误差会不会过大，以及个股alpha和行业Beta能否有效结合。本小节，我们具体讨论一下这些问题。
行业配置纳入指数增强比较常见的思路为：在个股的alpha因子上做一些行业偏离的调整，同时适当放开行业暴露的限制。此处alpha因子与上一小节测试的因子一致，具体组合优化的公式如下：
其中，β为行业调整幅度，计量单位为N倍标准差，一般可取1或者2。Sign为行业偏离信号，若个股所属行业打分位于前1/3则为1，位于后1/3则为-1，中间则为0。σ为个股因子α的标准差，每个月单独计算。行业暴露的上限和下限需要适当放开，此处设为5%。风格暴露的限制不变。
这样设计的目的在于把看好行业的个股的alpha打分加上β倍标准差，因为原始因子已经做过市值行业中性化，所以加完后该行业所有个股的均值会右移，更容易被组合优化模型选中。跟踪误差仍然控制在5%以内。如下图所示，行业偏离5%后，2013年至今策略年化超额11.5%，年化跟踪误差6.4%，信息比率1.79，月度超额最大回撤-5.3%，原始策略年化8.4%，大概能改善2-3%。2021年原始策略超额2.2%，2022年策略超额-2.3%，行业偏离后分别达到9.1%和-0.3%，近两年改善较为明显。
这里我们分别展示行业偏离在3%、5%、8%和10%的结果，跟踪误差分别控制为5%和8%以内。如下图所示，基本上做行业偏离后能够改善原有中性策略的结果，大概超额收益端增强2-3%，跟踪误差也会增加到6-7%，信息比率增加到1.5以上。其中，超额收益和信息比率在行业偏离设置在5%时达到最优，超过5%后明显衰减。放开跟踪误差的话，超额收益会有所增加，但是跟踪误差也会增加到7%左右。
此外，我们还对原始策略和做行业偏离的收益归因进行了对比，观察超额收益的改善有多少是由行业贡献的，做偏离后是否会影响个股alpha的表现。如下图所示，指数增强策略做行业偏离后，会侵蚀Alpha收益，随着行业偏离度放大，个股alpha带来的超额收益在下降；在行业偏离5%的时候，Alpha收益衰减不明显，与行业中性的结果差异不大；但行业偏离达到8%及以上后，Alpha收益衰减比较明显。
因此我们可以得出结论：行业可做适当偏离，但不宜太大，比如可以控制在5%以内，否则会侵蚀个股alpha收益；跟踪误差设置可根据风险偏好决定，一般5%以内比较合适。行业配置和跟踪误差控制5%以内时，超额收益相比行业中性能提升2%-3%，信息比率从1.45提升到1.79。
2.2.3、情景2：如何实现较大行业偏离的指数增强策略？
以上做法以传统多因子选股为核心，要求行业偏离幅度小于5%，否则会影响策略的超额收益表现。如果我们想放开行业偏离约束，同时跟踪误差也不要太大，应该怎么做呢？这里我们提供另一种以行业配置为核心的指数增强方案。
具体逻辑是以行业配置模型得到的行业权重为基础，重新对个股做组合优化，略微放松跟踪误差但不要超过10%，然后行业配置的偏离程度基于行业配置策略的权重做适当偏离。期望在行业配置的基础上，配点其他行业高Alpha的个股。举个例子，比如本期对通信行业配置权重为20%，偏离幅度为5%，则本期通信行业的配置范围为15%-25%。假如本期选7个行业，并且都配置下限的话，策略会有35%的仓位配到其他行业的个股，自动实现分仓的效果。这样的好处在于能够有效控制跟踪误差，减少对行业配置策略的依赖性，并且能够选到一些因子打分比较高，但是不在本期配置行业的个股。具体公式如下，其中cons_ind代表行业配置模型得到的行业权重，z代表偏离幅度，这里取5%。
这里我们对比了两种结果。第一个是原始行业配置叠加选股因子，不做任何组合优化的行业景气选股策略；第二个是上述组合优化模型得到的策略。第一个相当于最简单朴素的行业轮动叠加选股做法，第二个是在朴素办法基础上通过选股优化的方案。
具体结果如下，原始策略跟踪误差为13.0%，信息比率为1.70，超额回撤为-9.1%，超额回撤比为2.42。对个股做组合优化后，跟踪误差下降到8.9%，信息比率提升到2.31，超额回撤降低到为-6.0%，超额回撤比提升到3.45。可以看到组合优化后，信息比率得到显著提升，超额收益表现更加稳定。
此外，我们也展示了原始行业景气选股策略与做组合优化后的收益归因，可以看到： 1） 原始策略，行业收益和Alpha收益相关性为-23.8%；重新对个股做组合优化后，行业收益和Alpha相关性为-36.0%。也就是说，行业配置的Beta收益和选股Alpha收益起到一定的对冲效果，能更好抵御市场风险； 2） 在行业配置权重基础上，对个股重新做组合优化后行业Beta收益衰减有限，但是个股Alpha收益得到明显改善，不再仅依赖行业收益的表现，具体原因是因为有3-4成仓位的选股宽度扩大到了全市场选股。而如1）所述，行业Beta收益与Alpha收益有对冲效果，因此能有效提升策略稳定性；因此，如果追求策略逻辑的简单清晰，行业配置与选股直接采取分仓的形式即可；如果对策略的跟踪误差比较重视，可以尝试在行业配置权重的基础上做组合优化，这相当于采取了一个更优的基准。这两种思路一定程度上都能兼顾行业配置Beta和因子选股Alpha的平衡，使得组合实现“两条腿走路”。我们应该怎么理解这一现象呢？其实这里我们从数据处理的步骤上可以尝试分析。因为传统指数增强策略比较依赖因子做完行业中性化后，行业内排序与未来收益的相关性，而因子在行业上的暴露这一信息在数据处理过程中直接滤掉了。而把行业信号纳入指数增强模型，实际上就是把之前我们滤掉的因子行业暴露以行业信号的形式加入模型，这里有点数据再加工利用的感觉。2.2.4、讨论：为什么行业偏离后Alpha会衰减？行业Beta和个股Alpha收益负相关？ 1）为什么行业偏离放大后，Alpha收益会有所衰减，波动会放大？ 2）为什么行业Beta和个股Alpha收益负相关，能起到对冲效果？针对第一个问题，我们对比2.2.2小节中行业中性和行业偏离10%的结果。首先，我们观察两种情形下配置行业的个数。如下左图所示，原始行业中性策略每期配置的行业个数约为26个，而行业偏离10%后每期配置的行业个数约为17个，由于超配幅度变大后配置的行业范围变窄，从而带来选股池的缩小。我们测试了在缩小后的选股池中因子的多空收益，可以看到明显弱于原始行业中性的选股池。因此，行业配置比例偏高后，由于行业和选股池缩窄，因子有效性明显下降。
另外，对策略不同行业的Alpha归因可以发现，如下左图所示，行业中性和偏离两种情景下，都是在偏成长的板块获得了较高的alpha收益，在偏金融周期板块获得较低的alpha收益。其中，Alpha衰减的主要原因有两点：1）在成长行业里选取股票个数较多，导致alpha收益下降，比如医药、电子和传媒等；2）在非银和消费者服务等行业中选取股票个数较多导致alpha负贡献。具体观察消费者服务的持仓明细，如右下图可以看到，行业偏离后持股个数波动较大。并且行业偏离后，alpha衰减主要出现在超配选取股票个数较多的时候。由此可以发现，增加选取股票数量会导致alpha在行业内有效性得到明显下降。针对第二个问题，我们观察2.2.3小节中组合优化后行业配置模型的收益归因。这里我们对比了该策略在各个行业上获取的Beta收益和Alpha收益，可以看到：1）策略主要在成长和消费两个板块获得明显alpha收益，比如电子、医药、计算机和商贸零售等；2）策略主要在周期、金融和成长三个板块获得明显Beta收益，比如煤炭、钢铁、非银、军工和传媒等。也就是说，行业配置叠加alpha后的策略在不同行业赚取的收益方式有较大差异，在盈利有爆发性和持续性的成长和消费板块通过选股获取alpha收益，在盈利比较有周期性的周期和金融板块通过择时获取行业Beta收益。
此外，我们还统计了各个行业Beta和Alpha收益的时序相关性，可以看到基本上策略在周期板块相关性显著为负，成长板块相关性在0轴附近。这也就是策略的行业Beta收益与个股Alpha收益相关性为负，能起到对冲效果的主要原因。
综上所述，因为行业配置叠加选股策略在行业上有所偏离，因此会缩小选股域，或者选到因子有效性较差的行业，导致alpha收益有所衰减。但是行业的偏离会带来一定的行业择时收益，并且主要集中在周期和金融板块，弥补了选股策略在这两个行业上因子有效性不足的问题，拓展了收益来源，起到了一定的对冲效果。
2.2.5、扩展：行业配置信号在沪深300和中证500上的应用效果考虑到目前量化产品主要还是布局沪深300和中证500的指数增强，我们这里测试了行业配置信号在这两个常见宽基指数上的应用效果。由于目前该类产品通常情况下对跟踪误差约束较为严格，我们这里仅尝试上述第一种行业偏离方法。具体参数设置和2.2.2一致，行业和风格偏离约束在5%，个股偏离约束在3%，跟踪误差约束5%，下图展示了300和500上行业中性和行业偏离指数增强策略的效果对比。如下图所示，原始沪深300行业中性的指数增强策略，2013年至今年化超额10.7%，跟踪误差5.5%，信息比率1.93，超额回撤-7.3%。做5%的行业偏离后，年化超额为14.3%，跟踪误差5.8%，信息比率2.48，超额回撤-6.8%。与偏股基金增强类似，做适当行业偏离可以提升2-3%左右超额收益，并且能够显著提升信息比率。
此外，我们观察到两种300指数增强策略收益分布的时间有较大差异，例如行业中性策略2020年之前相对占优，行业偏离策略2021年后相对占优，年化超额多贡献约3-4%。我们尝试将两个策略并行（1:1分仓），发现可以进一步提升策略的稳定性，年化超额12.5%，跟踪误差5.1%，信息比率2.47，超额回撤-4.7%，信息比率、跟踪误差和超额回撤均得到明显改善，超额收益更加稳定。
中证500上的增强效果，如下图所示。原始行业中性的指数增强策略，2013年至今年化超额12.1%，跟踪误差4.6%，信息比率2.61，超额回撤-5.3%。做5%的行业偏离后，年化超额为13.3%，跟踪误差5.1%，信息比率2.62，超额回撤-5.4%。与上述不同，500上的增强效果没那么明显，超额提升1%，但是信息比率几乎不变。
但同样地，我们观察到超额收益分布的时间有较大差异，例如行业中性策略2020年之前相对占优，行业偏离策略2021年后相对占优，年化超额多贡献约3%。我们也尝试将两个策略并行（1:1分仓），发现可以进一步提升策略的稳定性，年化超额12.7%，跟踪误差4.3%，信息比率2.94，超额回撤-4.9%，信息比率和超额回撤均得到一定提升。
至于为何300上行业偏离的效果要比500上要好，这个现象其实也可以理解，因为300的行业权重更加集中，做对行业配置对超额的影响较大；而500的行业权重比较分散，行业配置对超额的影响较小。因此，在300增强中我们可能相对要更加重视行业配置策略，500增强中更加重视选股因子有效性。本章节我们对行业配置在偏股基金增强中应用做了一些更为深入的探讨，包括不做跟踪误差约束，结合主动量化选股策略进行偏股基金增强以及利用ETF进行增强。
3.1、讨论 1：主动量化产品可适当放开行业暴露，增加选股策略收益来源本小节我们以偏股增强为例，讨论行业配置策略在主动量化产品上的应用。前文有提到，行业偏离比例和跟踪误差适当放开后，行业配置策略的超额表现才会有所提升。因此，相比于在指数增强中的应用，我们更看好行业配置在主动量化产品中的应用前景。
3.1.1、传统超预期策略与行业景气策略收益来源不同传统的主动量化策略，主要是在多因子选股的基础上，以某种投资理念为基础，适当暴露一些风格，放开一些跟踪误差的限制，期望在风格和Alpha上获得双重收益，策略类型包括PB-ROE、成长、业绩超预期等。由于量化研究者将个股降维到因子，所以研究对象是这些因子和衍生出的策略，对行业的认知有所欠缺，策略的行业权重是基于因子暴露随机而定的，如果遇到比较极端的行业轮动行情，因子选股策略容易比较被动。而行业配置模型所解决的就是通过一系列指标去对当前行业进行一些刻画，适当地对行业进行一定的超低配去赚取行业的收益，通过一定的优化手段控制风险，理论上来讲我们可以为选股策略增加一部分收益来源，更能抵御市场的风险。但考虑到有些投资者可能担心行业景气配置策略与超预期策略的高相关性，毕竟都是利用分析师上调盈利预测作为投资逻辑实现的，这里我们将两类策略进行比较。选股策略选取我们团队之前的超预期类相关策略（业绩超预期、券商金股和PEAD.notice），然后对比上述行业景气选股策略和超预期类策略的收益来源的差异以及结合后的效果。如下图所示，13年至今超预期策略年化超额19.7%，行业景气策略年化超额22.1%，长期超额收益表现都还不错。但两类策略确实存在一定的相关性，超额收益的相关性达到26%，验证了我们的担心，那这是不是说明这两类策略比较相似呢？
其实不然，超额收益的相关性高只是结果，我们需要深入去探讨其背后的收益来源。这里我们将两个策略相对基准做收益拆解，如下图所示： 1）超预期策略的超额主要由选股alpha贡献，行业略有贡献，风格收益波动较大；
2）而行业景气策略的超额主要由行业Beta贡献，选股收益贡献波动较大，风格收益的波动得到明显降低。由此可得，超预期策略比较依赖热门个股的alpha机会，但容易受风格波动的影响，而行业景气策略比较依赖盈利改善行业的Beta机会，并且一定程度上实现了风格收益的均衡。这比较符合策略的原生逻辑，并且两者收益来源差异较大，有进一步结合的可行性。
3.1.2、对超预期策略做行业配置能进一步提升收益弹性下面我们尝试对超预期策略做行业偏离，主要步骤如下： 1） 行业配置建议：根据行业偏离程度，每个月底得到行业配置权重； 2） 选股组合构建：根据超预期策略的持仓（原始三个策略共选取150只个股），得到选取行业内的股票组合； 3） 权重配置：用行业选股组合代替行业指数，行业内个股总权重为行业配置模型所得权重，行业内股票按照基金持仓比例加权。这里我们对比原始超预期、行业中性、行业偏离5%、行业偏离20%的结果。原始超预期是公募重仓股中超预期策略筛选出来的150个股票，按照基金持仓比例加权，下同；行业中性是按照基准的行业权重来配置这150个股票；行业偏离5%和20%是按照行业配置模型（行业暴露敞口5%和20%）的行业权重来配置这150个股票。如下图所示，行业偏离达到5%时，2013年至今策略绝对收益32.3%，超额收益22.7%，信息比率1.73，超额回撤-7.2%，超额回撤比3.14；行业偏离达到20%时，2013年至今策略绝对收益45.6%，超额收益35.0%，信息比率2.05，超额回撤-8.5%，超额回撤比4.11。可以看到，对超预期策略做行业中性后，能大幅提升策略稳定性，超额最大回撤和超额回撤比显著改善。行业偏离程度达到20%后，能大幅提升策略超额收益到35.0%，但相应地跟踪误差也会放大到17.1%。这比较适用于主动量化产品，持仓个股数量大约为30-50只，收益弹性足够强，充分暴露高成长风格，实际投资中可以再对持仓个股的基本面深入挖掘，提升其盈利兑现的概率。
此外，我们还对不同行业偏离程度下的超预期策略做收益归因，可以观察到如下现象： 1） 在行业偏离幅度不大时，超预期策略的Alpha收益还能保持稳定；但行业偏离放大后，Alpha收益的波动开始变大，原因是超预期因子并不是全行业都十分有效； 2） 行业偏离5%时，行业收益和Alpha收益相关性为-8.3%；行业偏离20%时，行业收益和Alpha相关性为-24.6%。也就是说，行业配置的Beta收益和选股Alpha收益起到一定的对冲效果，能更好抵御市场风险； 3） 做行业偏离能显著改善风格收益表现。深入探讨背后逻辑：行业配置与超预期策略结合后，在配置公募热门行业超预期个股的基础上，再去寻找冷门行业困境反转的机会，可兼顾策略的进攻与防守，某种意义上实现了风格上的景气轮动。
3.2、讨论2：固收+产品因考核绝对收益，应重视行业配置+价值型策略相比于主动量化产品，固收+类量化产品更加重视组合的安全边际和策略的绝对收益表现，同时兼顾策略的超额收益稳定性。因此固收+股票端会对价值类策略更为关注，个股上也会暴露低估值、高盈利等风格。本节我们探讨行业配置在价值类策略中的应用。
首先，我们展示下传统价值类策略近些年的表现以及探讨其背后的原因。这里我们采取两个经典的价值类因子peg和PB-ROE进行等权合成，其中peg是通过个股PE_TTM除以分析师未来两年复合净利润增速预期得到，PB-ROE是通过PB对ROE做回归（按照PE中枢分域）取其残差因子。然后，每个月根据等权合成后的综合价值因子，从公募重仓股中选取前10%，保证行业中性，按照基金持股比例加权计算收益。可以看到，历史上价值类策略超额收益表现还行，但过去几年超额波动较大，2017年-2021年出现明显回撤，2021年之后有所好转。再观察盈利和估值因子的表现，会发现同样的结论。因此，价值类策略长期超额收益表现尚佳，但是短期容易收到风格收益波动的影响，从而拖累策略表现。3.2.2、行业偏离能同时改善价值类策略的绝对/相对收益表现与超预期类策略类似，下面我们尝试对价值类策略做行业偏离，观察原始行业中性（选取前10%）、行业偏离5%（选取前20%）、行业偏离20%（选取前1/3）的结果。不同行业偏离度下个股选取比例有所区别，这是为了保证股票数量差不多在100-200只，充分分散风险的同时使得组合具备一定可比性。
如上图所示，行业偏离达到5%时，2013年至今策略绝对收益22.3%，超额收益13.2%，夏普比率0.83，信息比率1.21，超额回撤-10.0%，绝对回撤-27.4%；行业偏离达到20%时，策略绝对收益28.6%，超额收益18.7%，夏普比率1.07，信息比率1.45，超额回撤-6.8%，绝对回撤-24.2%。可以看到，对价值型策略做行业偏离后，能同时改善策略的绝对和相对收益表现；行业偏离程度达到20%后，能大幅降低策略绝对收益和相对收益的最大回撤，绝对收益最大回撤仅-24%，夏普比率超过1。这比较适用于固收+股票端，持仓个股数量大约为100-200只，暴露低估值，安全边际高，实际投资中可以再对持仓个股的基本面深入挖掘，降低其落入“估值陷阱”的概率。
此外，我们还对不同行业偏离程度下的价值策略做收益分解，可以观察到如下现象：
1）在行业偏离幅度不大时，价值型策略的Alpha收益还能保持为正，但行业偏离放大后，Alpha收益的波动开始变大，原因是价值因子并不是全行业都十分有效；
2）行业偏离5%时，行业收益和Alpha收益相关性为-21%；行业偏离20%时，行业收益和Alpha相关性为-16%。也就是说，行业配置的Beta收益和选股Alpha收益起到一定的对冲效果，能更好抵御市场风险。
3）做行业偏离能显著改善风格收益表现。再深入探讨背后逻辑：价值策略做行业偏离后，在盈利有望改善的行业中选取估值性价比高的公司，一定程度上解决了原始价值策略中“当前盈利不能代表未来”这一问题，规避掉一部分价值陷阱，具备较强的逻辑支撑，某种意义上也是实现了风格的景气轮动。
这里我们简单测试一下行业配置叠加选股在固收+策略上的应用效果。在我们前期的专题报告《稳定型行业基本面量化——择时与选股》中，我们提出了可以基于稳定行业股息率模型构建股债混合策略：在股息率大于十年期国债收益率时做多股票，仓位逐步提升至20%，否则空仓股票，全部配置债券。这里我们用行业配置叠加选股策略代替沪深300，希望提升策略的夏普比率。具体构建细节如下： 1) 配置标的：股票（行业配置叠加选股策略） + 中债-国债总财富(7-10年)指数； 2) 股票仓位：股息率-10Y bond > 0，开仓信号为1，否则为0。信号求MA5，对应股票仓位[0%, 20%]，剩余仓位配置债券指数；如下图所示，策略13年至今年化收益率约为8.4%，最大回撤-2.7%，夏普比率1.91，收益回撤比达到3.1，在原有策略基础上年化收益（5.8%）和最大回撤（-3.5%）均有明显提升，年化波动增加不多。若考虑交易成本，策略年化单边换手7倍左右，按照千3手续费，仓位13%，一年交易产生的亏损在0.27%左右，费后年化收益仍可以在8%左右，策略整体效果还不错。
若叠加超预期类策略，策略整体表现更强（年化收益8.7%），持仓个股会更加集中，绝对收益更集中在2021年之前，2021年后叠加价值类策略更优。对于没有绝对价值&成长偏好的投资者来说，可以两个策略并行使用，会使得组合收益更加稳健，抵消价值/成长风格轮动带来的影响。
在前期的专题报告《行业ETF配置的解决方案》中，我们以中证800为基准，定期选取景气度改善、趋势确认并且拥挤度不高的行业ETF进行配置，样本池是初筛之后的50只行业ETF，样本外跟踪下来效果还算稳定，年化超额15%。在路演的过程中，许多投资者和我们提出了一个很有价值的问题：可否将行业ETF配置的策略基准换成偏股基金指数？从逻辑上来讲，由于ETF成分股和偏股基金指数更相似，因此它更适合作为行业ETF配置的基准。这里我们继续沿用这一思路在偏股基金指数上进行尝试，测试是否可以通过行业ETF对偏股基金指数稳健增强和轮动增强，其中稳健增强行业偏离约束不超过5%，轮动增强行业偏离约束不超过15%。根据第一章节所述，偏股基金指数相比800年化有3%的个股alpha收益，这里我们担心利用行业ETF做配置会损失掉这部分个股alpha，因此在用行业ETF做增强之前，想要先测试一下能否通过行业ETF配置来复制跟踪偏股基金指数。这里提供两种思路： 1） 简单模拟：直接根据行业配置比例去配置相应行业的ETF，例如2023年1月底计算得到食品饮料行业权重为15%，我们ETF池子中有两个ETF属于食品饮料行业，那各配置7.5%，以此类推； 2） 组合优化模拟：通过组合优化方法求解行业ETF配置比例，最小化跟踪误差，控制行业偏离程度小于2%，没有ETF跟踪的行业偏离程度小于5%，以及ETF权重偏离第一种方法的结果不要太多，上下限分别设置为[0.5x,1.5x]，其中x为简单模拟法计算得到的ETF权重，避免配置集中在行业内某只ETF上。此外在目标函数上也可以加入最大化行业打分因子，这样偏离某个行业的话也会带来一定的alpha。组合优化公式如下：模拟结果如下，简单模拟下基本已经可以达到还不错的效果，2012年底至今年化跟踪误差为4.0%，组合优化后年化跟踪误差为3.7%，有一定改善效果。此外，ETF模拟的结果相比中证股基都略有超额，年化超额分别为2.0%和1.5%，但是2015年后其实行业ETF配置策略相比于基准基本跑平，复制效果较好。这说明偏股基金整体相比于同行业ETF并没有带来显著的alpha收益，由于ETF更低的费率和更透明的持仓，从长期看行业ETF的配置价值更加凸显。
如果在此基础上延申一下，在目标函数中加入最大化行业打分因子，这样偏离某个行业的话也会带来一定的alpha，其实也相当于在比较严格地控制行业偏离和单个ETF偏离的基础上，把跟踪误差作为惩罚项放到目标函数中，具体公式如下：
其中，δ为风险厌恶惩罚项。这里我们分别展示行业偏离在2%、3%、4%和5%的结果。基本上行业略作偏离可以获得3%-5%的超额收益，并且跟踪误差也能控制在6%以内，其中信息比率在行业偏离设置在3%-5%时相对较好，是这种行业偏离水平下相对比较舒适的偏离范围，在行业偏离为0.04时达到1.05。
这种做法适合在重视跟踪误差的基础上，对行业适当做偏离来获得3-5%的超额收益，比较偏配置思路。如果希望获得更高的收益弹性，则需要按照轮动的思路来做，放开一点关于行业偏离和单个ETF上限的限制，下面我们在3.3.2小节进行尝试。与《行业ETF配置的解决方案》中介绍的方法类似，我们将行业ETF配置应用到偏股基金增强中。策略具体的思路是定期选取景气度趋势综合打分比较高的行业，低配拥挤度比较高的行业。具体而言，我们设定需要优化的变量为行业ETF配置策略的权重w，目标函数为组合预期收益𝑤𝑇𝑓𝑎，其中𝑓𝑎为前文给出的景气度和趋势类指标的综合打分信号，该指标越高越好。限制条件包括： 1）跟踪误差：控制年化跟踪误差小于m；
2）行业偏离：行业偏离基准小于n；
3）权重上下限：控制权重上限为x，仓位满仓；
4）拥挤度预警：拥挤度前1/4的行业，控制持仓上限。值得注意的是，由于ETF之间不像一级行业具有互斥属性，即ETF的成分股可能会在多个行业上有暴露，因此我们需要先计算单个ETF在各个一级行业上的暴露矩阵，然后根据权重求解出整个ETF组合在一级行业上的暴露，从而达到控制行业暴露的效果。然后，我们每个月底以滚动的方式，利用过去252个交易日行业指数相对基准的超额收益率计算协方差矩阵，乘以权重作为未来跟踪误差的预测。这里的基准是中证偏股基金指数，权重按照第一章所述模拟得到。组合优化的目标函数和约束的公式如下：max 𝑤𝑇𝑓𝑎
s.t. 𝑤𝑇Σ𝑤 < 𝑡𝑟𝑎𝑐𝑘𝑖𝑛𝑔 𝑒𝑟𝑟𝑜𝑟
0 ≤ w ≤ x
此外沿用之前的思路，如果行业ETF配置陷入困境时（剔除高拥挤后，底池数量较少），这个时候高景气的行业交易比较拥挤，获取超额收益的难度较大，我们建议降低风险偏好，进行分散持仓，具体参数细节如下： 1）若景气度排名前1/4的ETF中少于一半处于高拥挤，尽可能调高风险偏好：设置年化跟踪误差m=0.15，权重上限x为0.2，行业偏离0.15； 2）若景气度排名前1/4的ETF中超过一半处于高拥挤，尽可能降低风险偏好：设置年化跟踪误差m=0.08，权重上限x为0.15，行业偏离0.1；如下左图所示，策略多头年化18.5%，超额年化9.4%，跟踪误差8.5%，信息比率1.11，月度超额最大回撤-8.3%，效果还可以。这是比较偏轮动思路的做法，行业偏离会相对大一些，超额收益和回撤也会相应放大。
但考虑到偏股基金指数相比于中证800的行业更加集中在赛道行业中，比如食品饮料、新能源、医药和电子等，最近几年尤甚，这四大行业权重之和接近60%。为了更好的控制跟踪误差，我们必须对权重行业加以限制，这里尝试对每个月底权重占比大于8%的行业，约束其配置的下限不低于其权重的50%。举个例子，最新一期食品饮料的行业权重为16%，哪怕我们这一期不看好食品饮料，也需要将其配置的比例超过8%。对权重行业的配置下限进行约束后，策略的信息比率得到较大改善。如上右图所示，策略多头年化17.8%，超额年化9.1%，跟踪误差6.7%，信息比率1.35，月度超额最大回撤-7.0%。在没有怎么损失超额收益的情况下，提升了信息比率，降低了跟踪误差和回撤。由此看来，在偏股基金指数增强中，约束权重行业不失为一个合适的选择。
最后总结一下，关于行业配置战胜偏股基金指数，本篇报告测试了选股和ETF两种落地方式。选股层面，我们提供三种可行应用场景的讨论：指数增强、主动量化和固收+股票端。目前我们打算提供四个股票组合，关于策略特点、行业偏离范围、核心逻辑和目标收益风险，我们总结为如下表格供各位投资者参考。
ETF层面，我们提供三种不同风险偏好和行业偏离程度的方案：稳健复制型、配置思路增强型和轮动思路增强型。关于各个方案的逻辑、侧重点、适用范围和效果，我们总结为如下表格供各位投资者参考。
1. 国盛证券-量化分析报告：行业轮动的三个标尺-20200614.2. 国盛证券-量化专题报告：分析师行业景气指数构建与应用-20211215.3. 国盛证券-量化专题报告：行业配置模型的顶端优化-20220708.4. 国盛证券-量化专题报告：行业 ETF 配置的解决方案-20221224.5. 国盛证券-量化专题报告：稳定型行业基本面量化-20200719.风险提示：模型根据历史数据规律总结，未来存在失效的风险。
本文节选自国盛证券研究所于2023年7月14日发布的报告《中观行业配置系列四：行业配置在偏股基金增强中的应用》，具体内容请详见相关报告。
刘富兵 S0680518030007 [email protected]
杨晔 S0680523070002 [email protected]
特别声明：《证券期货投资者适当性管理办法》于2017年7月1日起正式实施。通过微信形式制作的本资料仅面向国盛证券客户中的专业投资者。请勿对本资料进行任何形式的转发。若您非国盛证券客户中的专业投资者，为保证服务质量、控制投资风险，请取消关注，请勿订阅、接受或使用本资料中的任何信息。因本订阅号难以设置访问权限，若给您造成不便，烦请谅解！感谢您给予的理解和配合。
重要声明：本订阅号是国盛证券金融工程团队设立的。本订阅号不是国盛金融工程团队研究报告的发布平台。本订阅号所载的信息仅面向专业投资机构，仅供在新媒体背景下研究观点的及时交流。本订阅号所载的信息均摘编自国盛证券研究所已经发布的研究报告或者系对已发布报告的后续解读，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。本资料仅代表报告发布当日的判断，相关的分析意见及推测可在不发出通知的情形下做出更改，读者参考时还须及时跟踪后续最新的研究进展。
本资料不构成对具体证券在具体价位、具体时点、具体市场表现的判断或投资建议，不能够等同于指导具体投资的操作性意见，普通的个人投资者若使用本资料，有可能会因缺乏解读服务而对报告中的关键假设、评级、目标价等内容产生理解上的歧义，进而造成投资损失。因此个人投资者还须寻求专业投资顾问的指导。本资料仅供参考之用，接收人不应单纯依靠本资料的信息而取代自身的独立判断，应自主作出投资决策并自行承担投资风险。
版权所有，未经许可禁止转载或传播。
本篇文章来源于微信公众号: 留富兵法
