2023年投资策略专题 “景气+”四维比较框架分析

1 我们的行业比较框架与市场上相比有何不同？

“景气+估值”传统框架和景气预期框架是目前市场上流行的两种行业比较框架： （1）传统框架“景气+估值”从经典 DDM 模型出发，兼顾分子端景气及分母端估 值的变动，而该框架也有其弊端：框架刻画的“景气”更多来自研究者基于中微 观历史数据的线性外推，忽视了市场整体的预期调整； （2）景气预期框架强调并进一步挖掘了对行业预期相关指标的应用，但其缺陷在 于将市场表现等同于行业的高景气，忽略了包括内外部资金流动性、投资者结构 等在内的基本面以外的因素对股价造成的影响。 对于部分行业，即使在景气程度较高的情况下，流动性对其市场行情仍造成较为 显著的冲击。外部资金流动性方面，如 21 年 8-9 月海外流动性收紧阶段，对海外 流动性较敏感的电子行业受此冲击下行，相对万得全A跌 12%；内部流动性方面， 计算机属于典型的流动性敏感行业，在 20 年内部流动性收紧阶段，计算机股价相 对市场下行，20 年 9 月至 11 月较万得全 A 跌 11%。

资金筹码方面，交易拥挤度和“惯性”趋势也不容忽视。交易过热导致的筹码拥 挤，可能是调整的前奏。例如 20 年疫情冲击下医疗器械成热门赛道，7 月该行业 850 天日度换手率百分位维持在 95%之上的天数占比 70%，8 月起股价波动下行， 相对万得全 A 跌幅达 9%。“惯性”趋势方面，市场表现涨势相对平缓，持续性也 更为持久，具体在资金交易上“动能”越强。如 20 年 4 月至 6 月初，商贸零售和 医药行业的整体涨幅几乎一致，而商贸零售在 5 月涨势相较上个月更加“陡峭”， 相比之下医药的股价走势较为平缓。随后至 6 月底，医药延续原有涨势，而商贸 零售在交易“放量”后拐头向下，被医药板块反超。

基于 DDM 模型，我们从景气出发，结合流动性、估值和资金筹码（交易拥挤度 和趋势）三方位对筛选出的景气行业予以择优，建立了新的四维行业比较模型框 架。相较于传统框架“景气+估值”，我们改进了对于“预期”的考虑：在测算行 业景气度时，我们进一步关注了预期调高的情况，削减了对于“景气”判断的主 观性；相较于景气预期框架，我们将内外部资金流动性、投资者结构因素纳入考 量，对受流动性或交易拥挤冲击、上行动力欠佳的高景气行业予以剔除。 模型始于景气行业的筛选，之后考虑行业的流动性敏感程度、行业估值情况和资 金筹码，予以择优。具体而言，我们划分出部分内外部流动性敏感行业，构建了 景气度、估值、交易拥挤度、趋势四项指标。流程上，

(资料图)

（1）首先筛选出景气度指标为正的行业； （2）其次，考虑行业对内外部流动性的敏感度，在流动性变动情况下因流动性敏 感受冲击较大的行业将被剔除； （3）随后考虑行业的估值情况，对高估值的行业予以剔除，此时得到非高估值的 经流动性调整后的景气行业； （4）随后考虑行业的交易拥挤程度，对出现交易拥挤的行业予以剔除，此时得到 非高估值、非交易拥挤的经流动性调整后的景气行业； （5）设定合理的行业数量门槛参数λ，在筛出行业数目较少（不足该值）的情况 下，上一阶段所得的行业为当月持仓行业；在筛出行业数目较多（超过该值）的 情况下做进一步筛选：筛除趋势指标数值排名在λ位之后的行业，得到最终的持仓 行业组合。组合中的行业持仓权重相等。

我们的模型为月频调仓：根据上月末观测到的各项指标数值，在月初首个交易日 开盘买入、在月末收盘卖出。为全面衡量模型效果，我们计算了行业组合相对于 全 A、沪深 300 和股票型基金作为基准时的胜率和赔率。

从结果来看，四维框架下的行业组合在准确性、收益率以及回撤等方面均有不错 的表现：

1、收益率角度来看，一级行业组合自 16 年以来的年化收益约 13%，相对全 A、 沪深 300 以及股票型基金的超额收益分别为 12%、9%、11%。相对于此前仅用景 气维度的组合收益率提升了 6 个百分点。

2、一级行业由于分类较为粗略，指标效用有所欠佳。我们对行业分类进行下沉， 二级行业组合表现显著优于一级行业组合，同期年化收益 15%，相对全 A 的超额 收益约 14%、相对沪深 300 超额约 12%、相对股票型基金超额约 13%。对比此前 仅用景气维度的二级行业组合收益率均提升了 9 个百分点左右。

3、行业下沉对于组合胜率也有明显改善。16 年至今，二级行业组合始终能跑赢 全 A，相对于沪深 300 和股票型基金也在大部分时间有超额收益。将模型的胜率 结果进一步拆解至月度视角后，二级行业组合相对全 A 的 12 月滚动胜率始终在 60-80%。

4、市场出现大幅调整时，行业组合在保证收益率的情况下，也能有效控制回撤。 例如 22 年至今，二级行业组合仅 4 个月跑输全 A，相对全 A、沪深 300 和股票型 基金超额收益分别 15%、16%、20%。组合最大回撤为 14%，显著小于全 A 的 24%、 沪深 300 的 27%、股票型基金的 23%。

5、市场风格轮动加速时，行业组合能够敏锐的捕捉到切换，具备择时能力。例如 行业组合在 22 年 5-6 月纳入了白酒等消费类行业；6-7 月囊括了同期市场领涨的 风电光伏、乘用车；11 月起新增了酒店餐饮及休闲，与同期市场的消费复苏较为 一致；12 月包括领涨市场的医院；23 年 1 月推荐了工业信息化等数字经济行业。

2 四维行业比较框架：始于景气，三方面修正

2.1 四维行业比较框架的基石：景气维度

2.1.1 客观财务数据+主观预期变化是衡量景气度的核心抓手

我们认为基于客观财报和主观预期两个角度刻画的盈利和成长水平，能够有效反 应行业的“景气”。对于前者而言，财报数据反应的虽是历史情况，但对于景气仍 有指示意义，尤其是环比变动一定程度上对于未来景气趋势有参考价值。我们选 取销售净利率、ROE 和营收增速分别来衡量行业的盈利和成长性。对于后者，股 价的变动本质上是预期的变化。但由于市场预测数据与实际情况可能存在较大误 差，我们选取行业内净利润预期调高的公司数量占比的变化。仅考虑业绩变化方 向，而非变化幅度，来衡量行业景气度的预期变化。

在构建景气度指标时，我们只考虑数据变动方向，以此降低主观预测误差。例如， 当具体指标出现环比改善时记为 1、恶化时记为-1。每个行业的当月景气度即为上 月末观测到的上述四项指标之和，即-4 至 4 区间内的整数。我们选出当月景气度 环比改善，即四项指标之和大于 0 的行业将进入下一轮流动性修正。

2.1.2 基于景气维度的二级行业组合在大部分时间能够获得超额收益

拉长时间来看，仅基于景气维度的一级、二级行业组合均能够跑赢全 A、沪深 300 以及股票型基金。2016 年至 2023 年 2 月，一级和二级行业组合年化收益分别为 7%、6%，两者相对全 A 超额收益约 6%、相对沪深 300 超额约 3%、相对股票型 基金超额约 5%。 历年视角下，二级行业组合的表现较优，原因可能在于景气指标在行业下沉后能 够更加灵敏、有效。具体到历年表现，一级行业组合自 2016 年以来仅 20、21 和 22 年能够跑赢沪深 300，仅 17、20 和 22 年能够跑赢全 A。相比而言，二级行业 组合仅 17、18 年未跑赢沪深 300，仅 21 年未跑赢全 A，其他时间基本能较基准 获得超额收益。

2.2 对景气维度的三方修正——流动性、估值及资金筹码

2.2.1 流动性维度：利率和汇率波动，对于内外资定价权不同的行业影响不一

我们在去年提出的“内外部流动性框架”基础上对其进行细化，应用至行业比较 模型。结合 21 年以来表现，内外流动性框架完美诠释国内定价部分的与市场联 动、独立行情：内外双紧，市场普跌；内外双松，市场普涨；内松外紧，中证 1000 等内资定价的显著优于陆股通等外资定价。（详见 2022 年 6 月 29 日《A 股独立性 的逻辑与展望--全球资金流动时钟》）。 首先考虑外部流动性敏感的行业。我们认为食品饮料、银行和非银金融、医药生 物、家电、房地产等外资持股较高的行业，以电子、计算机行业等为代表的较受 外资关注的成长型行业受外部流动性影响较大。

据此，对于任一行业，存在四种分类可能，当内外流动性变动时，我们对其做如 下处理：（1）对内外流动性皆部敏感的行业，我们始终保留；（2）仅对外部流动 性敏感的行业，当且仅当外部流动性收紧时，对其予以剔除；（3）仅对内部流动 性敏感的行业，当且仅当内部流动性收紧时，对其予以剔除；（4）对内外部流动 性皆敏感，当且仅当内外部流动性齐收紧时，对其予以剔除。

流动性调整在资金波动较大的背景下，能够有效提升组合收益。例如 21、22 年海 外联储加息、国内信用环境波动频繁，一级行业组合在流动性修正后，收益由处 理前的 6%、18%提升至 13%、19%。二级行业组合同期的收益也由 6%、-15%提 升至 14%、-2%。此外，我们还观察到 16 年美元走强的阶段流动性调整也对模型 结果起到了一定的提升作用，行业组合全年收益由-6%提升至-1%。

2.2.2 估值维度：剔除高估值板块能够有效提升行业组合的胜率和赔率

考虑到 PE 对于周期等行业存在失效的问题，我们选取 PB 和 PS 评估各行业的估 值情况。具体来看，我们于月末观测到行业的 PB、PS，计算二者在过去 48 个月 内的百分位，并得到二者百分位的等权均值；若某行业所得均值大于 95%，认定 该月该行业处于高估值，次月行业高估值情况有较高概率延续，因此在次月初调 仓时将该行业剔除。若行业相关数值有所缺失，我们对其予以保留。

估值维度更类似于起到“风控”的作用。以 16 年和 21 年为例，二级行业组合在 进行估值修正后，获得了 3%、4%的收益率提升，相较一级行业 16、21 年仅使行 业组合收益提升 1%，提升效果较明显。

2.2.3 资金筹码维度：拥挤度“预警”，趋势“加油”

我们从交易拥挤度和股价“惯性”趋势两方面来考虑资金筹码对于行业的影响， 对模型做进一步修正。

拥挤度：日度换手率和日度收益率峰度（60 交易日）

换手率刻画了每日交易的活跃程度，换手率越高，交易越活跃，极高值情况则可 能意味着交易拥挤；日度收益率峰度刻画了日度收益率集中的情况，交易峰度越 小，日度收益率分散程度越高，即波动越大，拥挤度也越高。

20 年以来赛道投资容易出现交易过热，拥挤度修正对于收益有不同程度提升。20 年 Q1-Q2 以 TMT 为代表的景气行业、21 年 Q3-Q4 以煤炭等周期行业及新能源等 为代表的景气行业出现交易拥挤，观察到拥挤度指标在该时间段内使得行业组合 收益率进一步提升。剔除高拥挤行业后，一级行业组合在 20、21 年的收益由 47%、 14%提升至 50%、22%。

趋势方面旨在选出具备较强上涨“惯性”的行业，即在历史一段时间内涨幅较高， 股价走势更平稳、连续性较强的行业。据此，我们使用近 1 月和近 3 月涨幅排名 的加权平均。对于 3 月涨幅同样高的两个行业 1 和 2，若行业 1 在近一月的涨幅 在一定程度上稍低于 2，则在一般情况下，行业 1 的股价走势相对更具线性特征， 也就是所谓的“连续性”；满足一定条件时，则行业 1 可获得更高的 1 个月趋势指 标权重，从而有可能获取比 2 更高的趋势指标数值。

需要注意的是，由于历年基本面情况差异较大，高景气或景气向上的行业数量不 一，仅当流动性、估值、拥挤度调整后的所余景气行业数量大于 10（一级行业） 或 30（二级行业）时，使用趋势指标对行业做进一步筛选。 当行业整体高景气时，考虑通过趋势筛选景气行业对收益贡献较显著。如 20 及 21 年，使用趋势指标使得一级行业组合收益相对拥挤度处理分别提升 10%、33%。 一级行业组合下，资金筹码指标仅在经流动性和估值处理后的景气行业数目超出 10 时使用；16Q2-18 年 Q1、20 年 Q3-21 年 Q3 行业整体景气程度较高，在使用投 资者结构指标调整后，60%的月份收益有不同程度提升，其中 21 年 8 月资金筹码 方面的处理为行业组合带来高至 15%的收益提升。

与一级行业组合结果相似，当样本为二级行业时，观察到行业整体高景气的 情况下，筛选高“惯性”行业可以有效拉动行业组合的收益率：17、20、21 年 该指标的纳入分别使模型行业组合提升 14%、14%、8%。在 16-23 年行业整 体较景气、经流动性和估值调整后景气行业数量超过 30 的月份中，71%的月 份收益在使用趋势指标调整后有不同程度提升，单月提升收益率最高于 21 年 1 月达 6%。

3 四维行业比较框架能够有效弥补“景气缺陷”

3.1 一级行业组合过去 3 年相对于基准的超额均在 25%以上

从收益率来看，一级行业组合 16 年-23 年 2 月年化收益 13%，相对万得全 A 超 额 12%、相对沪深 300 全收益超额 9%、相对股票型基金超额 11%。相对于此前 仅用景气维度的组合收益率分别提升了 6 个百分点。其中 20 至 22 年三年模型筛 选行业跑赢基准 25%以上；2022 年在全年股市震荡下行、沪深 300 全收益下跌 20%的背景下，模型适时捕捉到市场风格的切换，实现了相对全 A、沪深 300 和 股票型基金 43%-45%的超额收益。

胜率角度，四维框架相对于仅使用景气维度而言，前者能够提高行业组合收益率、 跑赢基准的概率，但一级行业组合胜率仍有待提高。四维修正后的一级行业组合 在年度胜率上改善不佳，2016 年至今仍只有 3 年跑赢全 A 和沪深 300。进一步拆 解至月度视角，一级行业组合的 12 月滚动收益率跑赢全 A 的概率中枢在 50%左 右。

3.2 二级行业组合自 16 年起均跑赢全 A，年化超额 10%以上

一级行业由于分类较为粗略，指标效用有所欠佳。我们对行业分类进行下沉，二 级行业组合表现显著优于一级行业组合。收益率来看，二级行业组合 16 年至 23 年 2 月年化收益 15%，相对全 A 的超额收益约 14%、相对沪深 300 超额约 12%、 相对股票型基金超额约 13%。对比此前仅用景气维度的组合收益率均提升了 9 个 百分点左右。

胜率角度，行业下沉后指标作用更为明显。16 年至今，二级行业组合始终能跑赢 全 A，相对于沪深 300 和股票型基金也在大部分时间有超额收益。将模型的胜率 结果进一步拆解至月度视角后，二级行业组合相对全 A 的 12 月滚动胜率始终在 60-80%以内，跑赢全 A 的概率中枢在 70%左右，跑赢沪深 300 的概率中枢在 60% 左右。三方修正后，二级行业组合相对万得全 A、沪深 300、股票型基金胜率提升 了 9%、6%、5%。

4 市场大波动下，行业组合净值回撤小，且能捕捉风 格切换

4.1 2022 年至 2023 年 2 月行业组合结果复盘

4.1.1 行业组合在 22 年市场大幅调整中表现稳健，最大回撤仅 15%

22年以来尽管市场持续走弱，但一级行业组合收益高达31%，相对全A超额46%、 沪深 300 超额 47%、股票型基金超额 50%。 月度层面上，22 年来的推荐持仓一级行业回报稳定，（1）胜率角度来看，22 年一 级行业组合相对万得全 A、沪深 300、股票型基金胜率 83%，22 年至今仅 3 个月跑输全 A。（2）22 年行业组合夏普比率达 0.9，同期全 A 夏普比率仅为-0.9；22 年 至今间行业组合最大回撤为 15%，远低于沪深 300 的 27%。

二级行业组合的同期收益率约-0.6%，相对全 A、沪深 300 和股票型基金超额收 益分别 15%、16%、20%。 月度层面上，22 年来的推荐持仓二级行业组合也表现稳健。（1）胜率角度来看， 22 年至今仅 4 个月跑输全 A。（2）二级行业组合夏普比率达 0.02，同期全 A 夏普 比率为-0.6；最大回撤为 14%，小于全 A 的 24%、沪深 300 的 27%、股票型基 金的 23%。

4.1.2 行业组合能够敏锐的捕捉到风格切换，也具备对后市大势判断

一级行业组合变动情况与同期市场风格相吻合，且较为及时地捕捉到了市场的风 格切换时点。去年 1-4 月推荐的行业以周期为主，与当时市场行情契合，其 2-3 月 包含了领涨的煤炭行业；5-10 月推荐行业中新增了通信和电新，与同期市场的成 长行情相一致；11 月起行业转为包括消费者服务、电力和公用事业等在内的经济 和消费复苏相关行业，也与市场同期行情较为吻合。

相较一级行业，模型筛选的二级行业可以精准捕捉到更为细分的行业，如 22 年 5- 6 月的二级行业组合囊括了白酒等消费类行业；6-7 月囊括了同期市场领涨的风电 光伏、乘用车；11 月起新增了酒店餐饮及休闲，与同期市场的消费复苏较为一致； 12 月包括领涨的医院；23 年 1 月推荐了工业信息化等数字经济行业。由于模型未 严格控制推荐持仓行业数量，还可以观察到模型推荐的二级行业数量与股市整体 走势一致：股市上行阶段模型推荐持仓行业数量走高，反之则减少。

4.2 2023 年 4 月持仓推荐

3 月行业组合累计收益 1.3%，较全 A 超额 2.1%、沪深 300 超额 1.7%、股票型基 金超额 2.6%。当月组合领涨的三个行业为【光通信】（+21%）、【运营商】（+8%）、 【铁路设备】（+2%）。 4 月行业组合新增 13 个行业，对 4 月市场更乐观，新增行业多为顺周期的消费、 高端制造品种，具体来看：

新增 13 个行业，分别为：周期行业【轮胎、民爆】、大消费行业【教育服务、 酒店餐饮及休闲】、医药行业【线下药店、医院】、以及高端制造【行业仪器 仪表、半导体设备】、电新【乘用车零部件、锂电池、光伏制造、工业自动化】、 数字经济【金融信息化】。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）

关键词：