2024年捕捉长期趋势叠加短期风险预警的红利行情研判

如何观察不同阶段的红利风险

红利行情复盘

长周期时间，红利相对于市场存在一定的超额优势。直观的对比中证红利和中证全指的年化收益，可以发现统计区间（2011/8/15至2024/4/3）内超70%的年份均为红利指数更加占优。 此段红利行情自2021年年初开始一直持续至今，区间长度超三年。 红利行情演绎至今其背后的博弈和矛盾也在不断呈现。

红利风格思考

自2021年2月以来红利相较于市场的超额净值不断走高，红利风格自此开启了较长周期的占优状态。在当前市场无主线的行情下，资金不断开始关注和青睐权益市场中更具备防御属性的红利资产。到目前位置我们认为红利风格相较于市场的优势已经持续逾3年，市场对于红利资产观点的矛盾不断凸显。从宏观经济背景出发，经济状态往往和投资的进攻与防守属性存在一定的关联度，经济数据没有明显起伏状态的市场环境下资金会更加关注防御类策略，权益市场中红利类资产是较好的选择。拥挤度的视角出发，我们认为无论是偏股基金对于高股息个券的重仓程度还是高股息个券成交额占市场的比重都可见自2021年至今的上行趋势，普遍认为红利呈现出了拥挤，高拥挤度往往会给该类风格带来一些剧烈的波动。由此我们认为红利风格的主要矛盾是在于市场无主线的特征以及没有明显起伏的经济数据或指向红利风格的延续，但较高的拥挤度以及前期累计较高的超额或面临高波动与大回撤带来担忧。

红利指数

从红利投资的矛盾分析来看，我们认为红利风格的判断可以同步构建一个自上而下多维度的观测体系。上层的特征捕捉市场对于防御类红利投资的观点。下沉的市场结构变化与红利资产的特征变化作为大趋势下的局部风险预警。 上层视角我们在宏观指标中关注经济状态、流动性状态、国际流动性，用来根据趋势捕捉红利资产的投资机会。 中观的市场特征则可以根据红利投资的拥挤状态，高景气状态资产的密度等兼顾红利的趋势与预警。 下沉至红利资产微观结构的变化则可以作为预示短期回调的有效指标。

上层宏观经济数据捕捉红利投资机会

我们选择我国制造业PMI值作为经济总量的刻画指标，根据下图我们发现经济状态和红利风格相悖，经济向好景气的时候往往红利相对市场优势见弱 。这是由于经济向好时，偏景气的投资逻辑能够创造更高的收益，红利资产偏重防御属性，相较市场会存在明显的劣势。反之，经济总量收缩时，红利资产较其他权益类投资而言更加抗跌。因此PMI的趋势和红利相对市场的超额走势间呈现出相反的趋势。 最新一期（20240331）我国制造业PMI为50.8，为近期相对高点。

M2-M1剪刀差的变化表征宏观流动性的变动方向，往往和未来的经济预期也存在着关联。 M2同比高于M1同比时，M2-M1剪刀差走阔，流动性偏紧，防御的红利类资产相较市场存在优势。当M2 同比低于M1 同比，剪刀差收窄，流动性相对宽松，表征着市场预期有所改善，红利投资相较于市场而言优势收敛。 下图为宏观流动性（M2-M1）和中证红利行情的走势对比。2017年开始至今，中证红利相对中证全指的超额净值和M2-M1呈现出明显的趋同性。最新一期（20240331）流动性数据2024年4月12日发布，M2-M1为7.2，上期（20240229）指标为7.5，剪刀差收窄，红利资产相较于市场而言优势收敛。但着眼于长周期的趋势来看，最近的波动并不能说明M2-M1自2021年年初至今的上行趋势已发生明确转变。

市场特征可以兼顾趋势与局部的预警

我们选用红利成交占比和红利被偏股基金重仓程度两类红利拥挤度指标来刻画红利行情和拥挤状态之间的关系。 在拥挤度方面我们发现其并非可以作为一个有效的预警信号，而是捕捉红利趋势的很好的指标。两个拥挤度指标不断上行时意味着红利投资机会较好，也更会受到资金的追逐，此过程中可见超额累积，两者同向变动，因此更宜作为捕捉趋势的指标。而拥挤度出现回落后才见红利超额出现拐点。 当前红利成交占比、被重仓程度均非高点，因此在拥挤度方面无需过度预警。

股息率的计算可以改写为“股息率= 每股分红/股价 = 每股分红/(市盈率*每股收益) = 分红比率/市盈率” 。 我们认为股息率较高的市场环境往往比较利好红利资产，根据上式可以发现市场股息率的提升受两方面驱动，分红比例的提高和PE的下行。三要素的不同变动方向的组合下可以看到一些红利相较于市场收益的特征。 按月拆解股息率、分红比例和市盈率，分域评估次月红利相对市场的超额收益统计特征，“股息率下行、分红比例上行、市盈率上行”象限内样本平均红利超额有所回撤， “股息率下行、分红比例下行、市盈率下行”象限内样本平均红利超额显著。“股息率下行、分红比例上行、市盈率上行”中虽股息率下行，但分红比例的上调一定程度上有利于红利投资。不过我们根据上述公式可以发现该形态意味着市场市盈率上行程度大于分红比例的上调，而市场价格走势往往伴随上行而呈上升趋势，红利难以在此类市场环境下创造超额收益，因此象限状态下我们要规避红利投资。

红利资产的微观变化蕴含风险信息

红利成份的动量形态同样也比红利指数的动量数据蕴含更多信息。我们计算中证红利成 份股10日和20日的超额动量，并关注红利成分股超额动量同向变动和差异化变动的情 况。 我们发现超短期的（10日）超额动量在经历了极高和极低状态后往往会带来一定的超 额回撤，说明短期的剧烈涨幅缺乏持续性，而短期的大幅下跌带来恐慌，因此在短期发 生大幅涨跌需警惕未来短期的红利超额回撤。 而从短期（20日）超额动量气泡图中可以看出，当红利成分股动量出现分化时，即市 场对红利的分歧度提升，或为红利预警信号。

不同红利的强化路径

各红利指数业绩对比

我们将主流的一些红利指数，如上证红利、中证红利，以及叠加各个风格的“红利+”指 数如红利质量、红利增长和红利低波相对于中证全指的业绩进行对比，可以发现在2013、 2015-2017、2019-2020以及全区间内，红利质量的超额年化收益均相对占优。而叠加 了低波因子的红利低波指数，与纯红利指数如上证红利和中证红利的走势相近，且在大部 分时间内均优于纯红利指数。红利增长指数整体上较难看出明显的优劣区间。

由于纯红利指数与红利质量指数的业绩区间互补这一特征，在后续的分析中，我们将红利 风格区间分为利于纯红利指数和利于红利质量指数的两大类区间，分别进行指数增强处理。

不同红利指数中各年份因子有效性汇总

根据在各指数成份股内各因子的三分组数据，我们对每年各指数的有效因子进行了简单汇总。可以看到，在纯红利成份股中，2019年后估值因子逐渐失效，波动、动量和基本面因子有效持续时间较长；在红利质量成份股中，各因子三分组都有明显的区分度，但部分因子如基本面因子的作用方向反转。该现象在逻辑上也有很好的佐证：（1）红利质量指数在构建时已经注重了质量，因此基本面因子对它失效；近几年红利质量的估值水平较高，因此估值因子对它是较为有效的驱动。（2）传统红利的估值水平较低，因此低估值的增强对纯红利较弱，而基本面在一定程度上是对纯红利的很好增强。（3）波动因子在各红利指数中都是一个较为有效的因子。

纯红利指数增强：单因子增强

将因子分为两大类：红利特征类因子和其他特征因子。红利特征类因子包括股息率因子和分红 比例因子，其他特征因子包括估值因子（BTOP和pbroe因子）、波动因子、动量因子、基本 面因子（PCF和ROE）。其中，分红比例因子对红利类指数均有正向驱动，而其他特征因子 对不同的红利指数驱动程度不一，需要进行进一步筛选。

我们在中证红利成份股内，对单因子进行打分筛选出每期30只股票，构建出单因子增强组合。 并对各单因子增强组合的业绩进行比较，可以发现在中证红利成份股内：（1）包括BTOP和 pbroe在内的估值因子有效程度均较低，尤其是在2020年后，几乎完全失效；（2）分红比例 相对于股息率因子的驱动程度较强；（3）其他因子中，波动因子和基本面（ROE）因子较为 有效，PCF因子的有效程度较低，动量因子虽然有效但逻辑性不强，其增强方式为去头去尾保 留中间部分。

红利质量指数增强：去尾法取交集

不同于成份股每期为100只的中证红利指数，红利质量成份股每期只有50只，在较少的成份 股内等权打分法的可实现程度不高。因此，我们采用去尾法对红利质量指数进行增强，即对 筛选出的波动因子、估值（pbroe）因子和分红比例因子分别进行去尾，即在50只成份股中 去掉尾部选取40只，再对三组单因子增强组取交集，最终得到红利质量去尾增强策略。该策 略每期成份股均稳定在30只左右。

由于红利质量的成份股数据期从2020年5月31日开始，我们将其增强策略的净值进行拼接展 示。在2020年至2024年，红利质量去尾增强的年化超额和信息比率相对于单因子增强策略 均有提高且较为稳定，该增强策略是有效的。

红利择时增强方案

自上而下全面的择时体系

我们从宏观特征、市场特征和微观特征出发，得到抓住市场大趋势和捕捉预警信号大小两个视角，每月计算一个综合打分，并根据打分得到两类策略——红利择时策略和红利择时增强策略，构建出全方面多维度的红利择时体系。 其中，三类特征具体包括：（1）宏观特征：PMI、M1-M2、十年期美债，均刻画市场大趋势；（2）市场特征：红利成交占比、偏股基金红利持仓占比、行业景气度、股息率拆解。前两个因子刻画的是红利市场的拥挤度，即大趋势，后两个因子刻画的是预警信号；（3）微观特征：超额10日动量、20日波动和估值因子，均属于预警信号。 综合市场趋势和红利预警信号得到综合打分后，针对两种情况构建红利择时体系：（1）当市场利好红利时选择中证红利，不利好红利时选择中证全指，构建红利择时策略；（2）当市场利好红利时选择中证红利增强，不利好红利时选择红利质量增强，构建红利择时增强策略。

宏观指标出发做出多空判断

我们筛选出包括PMI、M1-M2以及十年期美债在内的三个有效的宏观特征指标， 分别将其在滚动过去六个月的数据窗口内做比较作为趋势的判断，根据相关性方 向贴上是否利于红利的标签。利于红利的标签为1，不利于红利的标签为-1。再将 三个宏观特征因子打分加和并判断正负负向，得到最终的宏观特征指标。右图为 宏观因子打分与红利相对中证全指超额净值走势对比图，宏观打分模型可以大致 捕捉到出红利利好和利空的区间。

将宏观特征标签与中证红利超额收益进行对比，可以大致划分为三个利好或不利 好红利的区间：（1）2017年1月31日至2019年1月31日，红利超额上行，区间收 益率为35.94%；（2）2019年1月31日至2021年1月31日，红利超额下行，区间 收益率为-26.78%；（3）2021年1月31日2024年3月31日，红利超额上行，区 间收益率为74.42%。2017年之前中证红利相对于中证全指没有明显超额，因此 不纳入区间划分。

报告节选：

（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。）