2023年量化专题报告：行业配置在偏股基金增强中的应用

一、问题：为什么要从行业配置视角做股基增强？

本章我们探讨两个问题：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。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。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作为我们研究的基准。

1.2、为什么要从行业配置视角做增强？

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。

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。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。

二、行业配置在偏股基金增强中的应用

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???? ，其中??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： 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 的行业相比于基准的权重低配 50%以上。

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%。

2.2.1、传统指数增强策略近两年表现一般

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：

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，?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。????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。?为个 股因子?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?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。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。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。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？

本小节我们讨论上述两个现象：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。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，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，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%，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。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。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。

三、其他一些重要的讨论

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。 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： 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； 1） 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； 2） 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。 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。

3.2.1、传统价值类策略近几年超额收益不够稳定

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。

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。

3.3、讨论3：行业ETF配置战胜偏股基金指数

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%。

3.3.1、如何通过行业ETF做稳健增强？

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。

3.3.2、如何通过行业ETF做轮动增强？

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????，其中??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：

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： 3） 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； 4） 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； 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。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。

四、总结：行业配置应用场景的梳理与汇总

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。

（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。）