基本面量化系列专题之一：钢铁行业择时及子行业轮动模型研究-20180713-渤海证券-25页-1mb

钢铁行业择时及子行业轮动模型研究总结

核心内容

本文是关于钢铁行业基本面量化研究的初步探索，主要分析了钢铁行业的择时模型与子行业轮动模型，旨在通过量化方法提高行业及子行业投资的收益表现。

钢铁行业简介

• 钢铁行业是宏观经济中的中游行业，上游包括铁矿石、煤炭、有色金属、电力等，下游以基建、房地产、汽车为主。
• 行业竞争度高，产品同质性强，适合自上而下的分析。
• 钢铁行业被划分为四个二级子行业：板材、长材、特钢、铁矿石。
• 各子行业市值属性差异较大，其中板材总市值超过5000亿元，而长材、特钢、铁矿石市值均值在百亿元左右。
• 从估值来看，板材和长材市盈率较低（约8倍），而特钢市盈率较高（约11倍），铁矿石市盈率为负。

钢铁行业择时模型研究

宏观经济指标检验

• 选取了8个宏观经济指标，包括流动性、经济增长、利率水平。
• M1同比、PMI、黑色金属冶炼及压延加工业利润累计同比、钢材表观消费量同比被最终选为择时模型的指标。
• 经过相关性检验、收益均值T检验、超额收益检验，这些指标在一定程度上可以解释股价变化。
• 与行业指数相比，择时策略表现更优，年化收益率提升至11.0%，最大回撤和波动率明显降低。

行业业绩指标检验

• 选取了6个与行业业绩相关的指标，包括利润、收入、产量、价格等。
• 利润累计同比与行业指数走势较为一致，且在多数时间同向运动，被选为有效的择时指标。
• 钢材表观消费量同比和钢材产量同比也被认为是有效的择时指标。
• PPI黑色同比和大宗商品价格指数对股价的解释能力较弱。

择时综合模型

• 结合宏观经济指标和行业业绩指标，构建了择时综合模型。
• 回测样本区间为2008年1月至2018年3月。
• 与单纯持有行业指数相比，择时综合模型表现更优，年化收益率达11.0%，最大回撤为46.4%，波动率为26.4%。

钢铁子行业轮动模型研究

因子模型

• 构建了基于个股财务和价量数据的子行业轮动模型。
• 选取了动量、流动性、波动、价值、成长、盈利、营运等七个大类因子。
• 选出的五个有效因子包括：RSTR_m1（反转）、STOA（流动性）、VOL_1（低波动率）、growth_or_qq_3（成长）、CETOP-Barra（价值）。
• 基于因子模型的子行业轮动策略，月超额收益均值为1.10%，年化超额收益为11.2%，波动率为21.1%，最大回撤为38.5%。

主营产品价格驱动模型

• 基于各子行业主营产品价格的变化幅度构建轮动策略。
• 价格选取我的钢铁网发布的综合价格指数。
• 长材在价格涨幅超过一定阈值时表现较为稳定，板材、特钢、铁矿石次月收益则会变差。
• 基于价格驱动模型的子行业轮动策略，月超额收益均值为1.0%，年化超额收益为8.6%，波动率为26.2%，最大回撤为32.9%。

综合模型

• 结合因子模型和价格驱动模型，构建综合轮动策略。
• 对主营产品价格因子赋予更高权重，价格涨幅最高的子行业记2分，次之记1分。
• 综合模型表现优于因子模型，月超额收益均值为1.54%，年化超额收益为17.4%，波动率为22.5%，最大回撤为14.9%。
• 综合模型在样本期内表现稳定，各月子行业配置如表所示。

主要观点

• 钢铁行业是典型的强周期行业，受宏观经济影响较大，因此择时策略具有重要意义。
• 通过宏观经济指标和行业业绩指标构建的择时模型能够有效提升行业投资收益。
• 子行业轮动模型中，因子模型和价格驱动模型均能产生约10%的年化超额收益，但因子模型稳定性更好。
• 综合模型结合了因子模型和价格驱动模型的优势，表现更优，且风险控制更好。

关键信息

• 择时模型选取了M1同比、PMI、黑色金属冶炼及压延加工业利润累计同比、钢材表观消费量同比作为核心指标。
• 子行业轮动模型包括因子模型和主营产品价格驱动模型，其中因子模型表现更稳定。
• 综合模型通过价格因子加权和因子模型打分相结合，提高了轮动策略的收益和稳定性。
• 后续研究可扩展至回归预测模型和多因子选股模型。
• 风险提示：未来模型可能失效，需持续跟踪和优化。

风险提示

• 模型可能因市场环境变化而失效，需持续跟踪和调整。
• 因子模型依赖财务数据，存在一定的滞后性。
• 价格驱动模型受市场情绪影响较大，需注意市场波动风险。

后续研究方向

1. 从回归预测模型的角度进一步分析因子的有效性。
2. 构建行业内多因子选股模型，提升投资策略的复杂性和准确性。

模型表现对比