1、 敬请参阅最后一页特别声明-1-证券研究报告 2018 年 2 月 27 日 金融工程 基于业绩趋势的行业轮动模型 金融工程深度 在报告多维度寻找高增长公司业绩链选股策略报告中，我们提出了从速度、加速度两个纬度刻画公司业绩变化趋势的业绩趋势选股模型。本报告延续该思路，尝试把业绩趋势模型应用在行业上，并叠加动量、RSRS 技术指标，构建了基于业绩趋势的行业轮动模型。业绩高增长行业业绩高增长行业具有显著超额收益具有显著超额收益。我们运用行业整体法和中位数法两种方式刻画行业业绩，在两种刻画方式下，中信三级行业内，业绩高增长的行业具有显著超额收益。但由于财报数据公布的滞后性，公告后再介入的收益将显著削
2、弱。因此需要通过预测未来大概率高增长的行业以获取业绩增长的超额收益。业绩趋势模型能够有效筛选出下期大概率高增长的行业，分组收益表现较业绩趋势模型能够有效筛选出下期大概率高增长的行业，分组收益表现较好好。在行业整体法和中位数法两种行业业绩的刻画方式下，业绩趋势模型筛选的高增长行业组合，对下期业绩高增长的预测准确度均超过 47%，且高增长行业组合收益表现优异。应用预告数据将带来样本偏差，应用预告数据将带来样本偏差，不适用于行业轮动模型不适用于行业轮动模型。由于在预告截止日前发布业绩预告的公司，往往业绩发生了大幅变动，应用预告数据将使得行业内公司的样本偏向业绩大幅波动的公司，这样的样本偏差不利于对行
3、业业绩的刻画。应用扣除非经常性损益的归母净利润可提升业绩趋势模型的有效性应用扣除非经常性损益的归母净利润可提升业绩趋势模型的有效性。扣除非经常性损益的归母净利润更能体现上市公司主营业务的经营情况，因此，应用扣除经常性损益的归母净利润将使得业绩趋势模型更好地捕捉公司主营业务的发展趋势，进而有利于中位数法对行业业绩的刻画。应警惕高增长行业中，上一月涨幅较高的行业和应警惕高增长行业中，上一月涨幅较高的行业和 RSRS 指标值较低的行指标值较低的行业业。鉴于业绩趋势行业轮动模型的调仓周期较长（季度），可以在高增长行业组合中运用动量、技术指标（RSRS）进一步精选，通过避免持有前期涨幅过高、技术形态大概
4、率看跌的行业来提高组合表现。测算表明：高增长行业组合中，上一月涨幅前 20%的行业以及 RSRS 指标值较低的行业组合收益表现均显著弱于其它各组。叠加技术指标后，基于业绩趋势的行业轮动策略表现优异。叠加技术指标后，基于业绩趋势的行业轮动策略表现优异。叠加技术指标后，最终形成的行业轮动策略在回测期内，年化收益达 32.7%，年化超额收益13.8%，信息比率达1.89，月度胜率达66.7%。该策略在样本外表现同样同样亮眼，2016、2017 年度信息比率分别为1.35、1.87，月度胜率分别为66.7%、58.3%。风险提示：风险提示：本文测试结果均基于通过历史数据建立的模型，随着市场环境发生变化
5、，模型存在失效风险。分析师 刘均伟 (执业证书编号：S0930517040001)021-22169151 联系人 古翔 021-22169325 相关研究 基于阻力支撑相对强弱（RSRS）的市场择时 技术择时系列报告之一 RSRS 择时及行业轮动 技术择时系列报告之二 多维度寻找高增长公司 业绩链选股策略报告 2018-02-27 金融工程 敬请参阅最后一页特别声明-2-证券研究报告 目目 录录 1、基于业绩趋势的行业轮动模型基本逻辑.5 1.1、两种方法刻画行业业绩增速.5 1.2、高增长行业具有明显超额收益.5 1.3、公告后高增长行业组合超额收益大打折扣.7 2、业绩趋势模型捕捉高增长
6、行业.8 2.1、业绩趋势模型简介.8 2.2、行业整体法：业绩趋势模型能有效避免业绩反转的行业.9 2.3、中位数法：扣除非经常性损益能增强模型的有效性.13 2.4、小结：基于业绩趋势的行业轮动模型年化收益达 29.1%.16 3、结合技术指标精选短期最具投资价值的行业.17 3.1、RSRS 模型和动量指标介绍.17 3.2、动量：上一月涨幅较高的行业需谨慎.18 3.3、RSRS：低 RSRS 值的行业值得警惕.19 3.4、结合技术指标后最终策略年化收益率达 32.7%.20 4、模型最新持仓行业名单.21 5、风险提示.21 万得资讯2018-02-27 金融工程 敬请参阅最后一页
7、特别声明-3-证券研究报告 图图目录目录 图 1：中信一级行业分组年化收益表现（整体法）.6 图 2：中信一级行业分组年化收益表现（中位数法）.6 图 3：中信二级行业分组年化收益表现（整体法）.6 图 4：中信二级行业分组年化收益表现（中位数法）.6 图 5：中信三级行业分组年化收益表现（整体法）.7 图 6：中信三级行业分组年化收益表现（中位数法）.7 图 7：不同参数下业绩趋势模型分组年化收益表现（整体法）.10 图 8：不同参数下业绩趋势模型分组信息比率表现（整体法）.10 图 9：不同参数下业绩趋势模型第 9 组行业下期增速落入各组的比例分布（整体法）.11 图 10：业绩趋势模型
8、9 组行业下期落入业绩增速各组的比例分布（整体法）.12 图 11：不同参数下业绩趋势模型分组年化收益表现（中位数法）.14 图 12：不同参数下业绩趋势模型分组信息比率表现（中位数法）.14 图 13：不同参数下业绩趋势模型第 9 组行业下期增速落入各组的比例分布（中位数法）.14 图 14：业绩趋势模型 9 组行业下期落入业绩增速各组的比例分布（中位数法）.15 图 15：高增长行业组合依据动量分组信息比率表现.18 图 16：结合技术指标后，最终策略净值走势.20 2018-02-27 金融工程 敬请参阅最后一页特别声明-4-证券研究报告 表表目录目录 表 1：业绩公告时间相对滞后.7
9、表 2：不同调仓时点下，中信三级行业依据业绩增速分组的收益表现统计（整体法）.8 表 3：不同调仓时点下，中信三级行业依据业绩增速分组的收益表现统计（中位数法）.8 表 4：依据业绩趋势指标分组.9 表 5：中信三级行业依据业绩趋势模型分组的收益表现统计（整体法）.11 表 6：业绩公告截止日与预案截止日对比.12 表 7：预告数据替代最新一期公告数据后，中信三级行业依据业绩趋势模型分组的收益表现统计（整体法）.13 表 8：以扣非归母净利润为业绩指标，中信三级行业依据业绩趋势模型分组的收益表现统计（整体法）.13 表 9：中信三级行业依据业绩趋势模型分组的收益表现统计（中位数法）.15 表
10、10：预告数据替代最新一期公告数据后，中信三级行业依据业绩趋势模型分组的收益表现统计（中位数法）16 表 11：以扣非归母净利润为业绩指标，中信三级行业依据业绩趋势模型分组的收益表现统计（中位数法）.16 表 12：中信三级行业依据业绩趋势模型分组的历年收益表现统计（整体法，N 取 10）.17 表 13：不同参数下，RSRS 指标最低一组的信息比率.19 表 14：不同参数下，RSRS 指标第二组的信息比率.19 表 15：不同参数下，RSRS 指标最高一组的信息比率.20 表 16：结合技术指标后，最终模型历年收益表现统计.21 表 17：模型最近三期行业持仓名单.21 2018-02-2
11、7 金融工程 敬请参阅最后一页特别声明-5-证券研究报告 公司业绩的增长往往是股票价格上涨的重要支撑，而当行业内公司同时表现出明显的业绩增长时，也表明该细分行业迎来了发展的机遇，那么此时正是投资该行业极佳的时机。本篇报告从业绩的角度，通过寻找未来大概率业绩增长的行业，捕捉迎来发展机遇的行业的超额收益；同时，叠加技术指标，精选短期内更具投资价值的行业，以供投资者参考。1、基于业绩趋势的行业轮动模型基本逻辑基于业绩趋势的行业轮动模型基本逻辑 本报告从业绩的角度筛选具有投资机会的行业，那么，首先面临的三大基本问题是：如何刻画行业业绩增速？业绩增速高的行业是否存在超额收益？何时为最佳投资机会？本部分内
12、容便致力于回答以上三个基本问题。1.1、两种方法刻画两种方法刻画行业业绩增速行业业绩增速 行业不同于上市公司，其业绩表现无法直接从定期财务报表获取，但必然与行业内上市公司的业绩表现具有极强的相关性。因此，刻画行业业绩增速,需从行业内上市公司的业绩表现出发进行考虑，本报告主要考虑以下两种方法：行业整体法行业整体法：将行业内上市公司的业绩加总作为行业的整体业绩，行业业绩增速即为行业整体业绩的变化情况。用这种方法刻画行业业绩，需注意剔除行业内新增（或减少）上市公司的影响。中位数中位数法法：分别计算行业内上市公司的业绩增速，再以各上市公司业绩增速的统计量作为行业业绩增速的代理变量，本研究在测算过程中，
13、采用较为稳定的中位数中位数。1.2、高增长行业具有明显超额收益高增长行业具有明显超额收益 市场上对上市公司所属行业进行了多种维度的划分，根据划分行业的细致程度可以分为一级行业、二级行业、三级行业，其中，一级行业的划分较为粗略，行业类别较少；二级、三级行业则是在一级行业的基础上，进一步细分的行业领域。本研究采用中信行业分类体系。那么，业绩增速较高的行业是否具有超额收益呢？我们依据行业业绩增速将所有行业分成 5 组，比较各组的年化超额收益情况（1 组为业绩增速最低一组；5 组为业绩增速最高一组），具体测算方式如下：业绩增速：TTM 归母净利润相对于上季 TTM 归母净利润的增长率 行业业绩的刻画：
14、行业整体法和中位数法 分组：依据行业业绩增速将所有行业分成五组 调仓时间：当季初、当季末、下季末 当季初：领先于业绩释放 当季末：同步于业绩释放 下季末：滞后于业绩释放 回测期：2009 年 1 月 1 日至 2018 年 1 月 31 日 2018-02-27 金融工程 敬请参阅最后一页特别声明-6-证券研究报告 结果如图 1-图 6 所示，可得出以下结论：业绩高增长行业具有明显的超额收益业绩高增长行业具有明显的超额收益。无论是以行业整体法还是以中位数法刻画的行业业绩增速，各级行业分类中，均为行业增速较高组合年化收益表现更佳。相比之下，一级行业的分组区分度没有那么明显一级行业的分组区分度没有
15、那么明显；二二级行业的分组单调性不佳级行业的分组单调性不佳，这主要是因为行业业绩增速刻画的是行业整体的业绩增长趋势，而一级行业分类过于宽泛，行业内上市公司的业绩增速不一，难以刻画整个行业的共同特征。业绩释放期业绩释放期是高增速行业的最佳投资时段是高增速行业的最佳投资时段。在中信三级行业中，依据不同换仓时点下，各组年化收益的表现，可以发现：当季末换仓时，依据业绩增速分组的区分度明显提高，而这一持仓时段恰恰是处于公司的业绩释放期。说明业绩释放期，行业业绩对指数的支撑是最强的。细分行业细分行业中，中，高增长高增长行业行业指数上涨的指数上涨的延续性更强延续性更强。对比中信一、二级行业，三级行业分组表现
16、的另一个特点是：不论换仓时点为当季初、当季末、下季末，业绩增速最高一组的表现均强于其他各组，说明细分行业中，高增速行业指数上涨的延续性更强。图图 1：中信一级行业分组年化收益表现（整体法）：中信一级行业分组年化收益表现（整体法）图图 2：中信一级行业分组年化收益表现（：中信一级行业分组年化收益表现（中位数法中位数法）0%5%10%15%20%25%当季初当季末下季末1组2组3组4组5组 0%5%10%15%20%25%当季初当季末下季末1组2组3组4组5组 资料来源：Wind，光大证券研究所（回测期：2009.1.1-2018.1.31）资料来源：Wind，光大证券研究所（回测期：2009.1
17、.1-2018.1.31）图图 3：中信二级行业分组年化收益表现（整体法）：中信二级行业分组年化收益表现（整体法）图图 4：中信二级行业分组年化收益表现（：中信二级行业分组年化收益表现（中位数法中位数法）0%5%10%15%20%25%当季初当季末下季末1组2组3组4组5组 0%5%10%15%20%25%当季初当季末下季末1组2组3组4组5组 资料来源：Wind，光大证券研究所（回测期：2009.1.1-2018.1.31）资料来源：Wind，光大证券研究所（回测期：2009.1.1-2018.1.31）2018-02-27 金融工程 敬请参阅最后一页特别声明-7-证券研究报告 图图 5：中
18、信三级行业分组年化收益表现（整体法）：中信三级行业分组年化收益表现（整体法）图图 6：中信：中信三级行业分组年化收益表现（三级行业分组年化收益表现（中位数法中位数法）0%5%10%15%20%25%30%当季初当季末下季末1组2组3组4组5组 0%5%10%15%20%25%30%当季初当季末下季末1组2组3组4组5组 资料来源：Wind，光大证券研究所（回测期：2009.1.1-2018.1.31）资料来源：Wind，光大证券研究所（回测期：2009.1.1-2018.1.31）1.3、公告后高增长行业公告后高增长行业组合组合超额收益大打折扣超额收益大打折扣 虽然在当季末换仓，业绩高增长行业
19、具有显著的超额收益，且分组收益单调性极佳。但是，由于公告数据的滞后性，我们无法在当季末立即捕捉业绩高增长的行业。表表 1：业绩公告时间相对滞后：业绩公告时间相对滞后 定期报告定期报告 报告期报告期 截截止日期止日期 最长滞后时间最长滞后时间 一季报 1 月-3 月 4 月 30 日 1 个月 中报 1 月-6 月 8 月 31 日 2 个月 三季报 6 月-9 月 10 月 31 日 1 个月 年报 1 月-12 月 次年 4 月 30 日 4 个月 资料来源：光大证券研究所 假设我们在上市公司业绩公告完成后，再用同样的方式对中信三级行业进行分组测试，此时换仓时间如下：一季报：4 月 30 日
20、次一交易日 半年报：8 月 31 日次一交易日 三季报：10 月 31 日次一交易日 由于年报截止日与一季报截止日重叠，我们无法依据年报业绩进行调仓，一年仅调仓三次，其分组表现如下表所示。公告后，业绩高增长行业组合依然具有超额收益公告后，业绩高增长行业组合依然具有超额收益。无论是用整体法还是用中位数法刻画行业业绩，公告后调仓的情况下，依据业绩增速分组的年化收益依然存在明显单调性，业绩增速最高一组年化收益表现最佳。公告后调仓，高增长的超额收益大打折扣公告后调仓，高增长的超额收益大打折扣。无论用行业整体法还是用中位数法刻画的行业业绩，相比当季末调仓，公告后进行调仓的高增长行业年化收益均显著下滑，其
21、中，中位数法刻画下，高增长一组年化收益下滑了 3.6 个百分点；行业整体法刻画下，高增长一组年化收益下滑了1.4 个百分点。2018-02-27 金融工程 敬请参阅最后一页特别声明-8-证券研究报告 表表 2：不同调仓时点下不同调仓时点下，中信三级行业依据业绩增速分组的收益表现统计中信三级行业依据业绩增速分组的收益表现统计（整体法）（整体法）当季末调仓当季末调仓 公告后调仓公告后调仓 组别 1 2 3 4 5 1 2 3 4 5 年化收益率 8.0%13.4%19.3%21.1%25.0%11.7%14.5%16.8%17.9%23.6%年化波动率 30.7%29.3%28.5%29.5%30
22、.2%30.5%29.8%28.8%29.5%30.2%年化超额收益-7.1%-2.8%2.0%3.8%7.4%-3.9%-1.7%0.0%1.1%6.2%相对波动率 5.1%3.7%3.9%4.2%4.6%4.9%4.0%3.9%4.2%4.7%信息比率-1.38-0.75 0.51 0.90 1.62 -0.81-0.42-0.01 0.26 1.32 最大回撤率-58.2%-54.0%-52.1%-53.5%-52.6%-56.4%-54.4%-53.0%-55.2%-52.8%月度胜率 33.0%41.3%49.5%60.6%61.5%45.0%45.0%41.3%53.2%64.2%
23、资料来源：Wind，光大证券研究所（注：回测期为 2009 年 1 月 1 日至 2018 年 1 月 31 日；基准为全行业等权指数）表表 3：不同调仓时点下不同调仓时点下，中信三级行业依据业绩增速分组的收益表现统计中信三级行业依据业绩增速分组的收益表现统计（中位数法中位数法）当季末调仓当季末调仓 公告后调仓公告后调仓 组别 1 2 3 4 5 1 2 3 4 5 年化收益率 7.3%16.0%18.0%19.8%25.5%10.3%17.0%15.1%20.3%21.9%年化波动率 30.5%29.3%29.4%29.5%29.6%30.3%30.1%29.3%29.6%29.5%年化超额
24、收益-7.7%-0.6%1.2%2.8%7.6%-5.2%0.5%-1.3%3.2%4.5%相对波动率 5.2%3.9%3.6%3.9%4.6%5.2%4.1%3.6%3.9%4.8%信息比率-1.48-0.15 0.33 0.70 1.68 -1.01 0.12-0.37 0.80 0.95 最大回撤率-58.7%-52.7%-53.8%-53.4%-51.9%-56.0%-54.2%-55.4%-54.7%-51.4%月度胜率 32.1%50.5%50.5%60.6%66.1%38.5%45.0%47.7%57.8%58.7%资料来源：Wind，光大证券研究所（注：回测期为 2009 年
25、1 月 1 日至 2018 年 1 月 31 日；基准为全行业等权指数）综上所述，我们可以运用行业内公司业绩数据，通过行业整体法和中位数法刻画行业整体业绩；在中信三级行业中，业绩高增长的行业具有显著超额收益；并且，在业绩释放期，高增长行业组合的收益表现尤佳。但是，公告后持有高增长行业组合，其超额收益将受到较大挤压。因此，我们将考虑应用模型预测业绩大概率高增长的行业，在中信三级行业分类中，构建季度频率的行业轮动模型。2、业绩趋势模型捕捉高增长行业业绩趋势模型捕捉高增长行业 经过以上分析，我们已发现中信三级行业分类下，业绩高增长行业在业绩释放期具有显著超额收益，我们需要通过预测下期大概率高增长行业
26、以捕捉这部分收益。本部分我们将尝试运用在报告多维度寻找高增长公司业绩链选股策略中提出的业绩趋势模型预测期大概率实现业绩高增长的行业，构建基于业绩趋势的行业轮动模型。2.1、业绩趋势模型简介业绩趋势模型简介 业绩趋势模型的本质是寻找处于业绩加速增长状态的公司（或行业），我们认为这一类公司（或行业）后续将大概率延续业绩增长的趋势。这一模型对下期业绩高增长公司的预测能力较强，所选出来的高增长组合中，有接近一半的公司下期实现业绩的高增长，并且能够有效避免筛选到业绩大幅下滑的公司。2018-02-27 金融工程 敬请参阅最后一页特别声明-9-证券研究报告 该模型从两个维度刻画业绩的增长趋势：业绩增长速度
27、和业绩增长加速度，具体构建方式如下：业绩增长速度：TTM 归母净利润相对于上一季度 TTM 归母净利润增长率 业绩增长加速度：利用连续 N 个季度的单季归母净利润，对期数的二次方程进行回归，取二次项系数作为业绩增长加速度的代理变量。回归公式如下：(1)其中，Netprofit 为单季度归母净利润，t 为报告期数，为业绩增长加速度的代理变量。实际上，这一公式刻画的是业绩的抛物线形态，大于 0说明开口向上；值越大说明开口越窄。我们先利用业绩增长速度指标将行业分成 3 组，再依据业绩增长加速度指标在各子集合中各分均分 3 组，共计 9 组，具体分组方式如下表所示。其中，第 1 组为业绩增长速度低、业
28、绩增长的加速度也低的股票，预期未来业绩表现短期内也难有起色；而第 9 组为业绩增长速度高、业绩增长加速度也较高的股票，表明这部分行业业绩具有加速增长的趋势，值得重点关注。表表 4：依据业绩趋势指标分组：依据业绩趋势指标分组 业绩增长加速度业绩增长加速度 低 中 高 业绩业绩 增长增长 速度速度 低 1 2 3 中 4 5 6 高 7 8 9 资料来源：光大证券研究所 后续研究中，我们将分别运用行业整体法和中位数法两种方式刻画行业业绩，应用业绩趋势模型筛选高增长行业。2.2、行业整体行业整体法法：业绩趋势模型能有效避免业绩反转的：业绩趋势模型能有效避免业绩反转的行业行业 本小节我们将运用行业整体
29、法刻画行业业绩，测试业绩趋势模型对高增长行业的选取效果，分成三个模块：首先，进行参数 N 的敏感性测试，观察基础模型对行业筛选的效果；其次，尝试第一种变化用预告数据代替最新一期公告数据，以降低公告数据滞后性；再次，尝试第二种变化用扣除非经常性损益的归母净利润作为业绩的代理变量，以剔除公司非主营收入的影响。2.2.1、基本模型基本模型 业绩趋势模型的指标计算涉及到一个参数 N，即：用多少期的归母净利润回归计算业绩增长加速度指标。我们首先需要对这一参数进行敏感性测试，主要从两个角度对行业筛选效果进行研判：1）依据业绩趋势模型分组收益表现的单调性；2）第 9 组股票下期业绩落入高增长的比例。首先，我
30、们关注业绩趋势模型分组的收益表现：2018-02-27 金融工程 敬请参阅最后一页特别声明-10-证券研究报告 回归期超过一年时，业绩趋势模型回归期超过一年时，业绩趋势模型均有较好的行业筛选能力，参数敏感均有较好的行业筛选能力，参数敏感性较弱性较弱。N 大于 4 时，第 9 组行业组合的年化收益率与信息比率均显著优于其它各组，说明业绩增长加速度指标，需要超过一年时间跨度的业绩数据，才能更好刻画业绩趋势。N 取取 10 时，时，高增长行业组合表现最佳高增长行业组合表现最佳。虽然无论从年化收益还是信息比率的角度看，N 取 10 时业绩趋势模型筛选的高增长行业组合表现都是最好的，其不足之处在于业绩增
31、长加速度维度的单调性略有欠缺。相比之下，N 取 8 时，且在业绩增长速度和业绩增长加速度两个维度上都表现出较好的单调性，但分组收益的区分度不如前者。图图 7：不同参数下业绩趋势模型分组年化收益表现：不同参数下业绩趋势模型分组年化收益表现（整（整体法）体法）图图 8：不同参数下业绩趋势模型分组信息比率表现：不同参数下业绩趋势模型分组信息比率表现（整（整体法）体法）0%5%10%15%20%25%30%35%N=4N=6N=8N=10N=12123456789 -1.5-1.0-0.5 0.0 0.5 1.0 1.5 2.0 N=4N=6N=8N=10N=12123456789 资料来源：Wind
32、，光大证券研究所（回测期：2009.1.1-2018.1.31）资料来源：Wind，光大证券研究所（回测期：2009.1.1-2018.1.31）其次，我们观察不同参数下，业绩趋势模型筛选出的行业组合下期业绩增速表现，即：对未来业绩的预测性。具体测算方法如下：依据业绩趋势模型分组，取第 9 组行业组合 对全行业依据下期业绩增速分成 9 组（分别标为一组至九组），观察业绩趋势模型选取出来的第 9 组行业组合在一组至九组的比例分布，落入八、九组的概率越高，说明模型预测能力越好。结果如下图所示，可以得出如下结论：回归期低于一年时，业绩趋势模型对下期业绩的预测能力显著较弱回归期低于一年时，业绩趋势模型
33、对下期业绩的预测能力显著较弱。这与前面分组收益表现的结果相互印证，说明业绩趋势模型指标计算需要超过一年的回归期，才具有足够的预测能力。业绩趋势模型对未来的预测能力较为稳定业绩趋势模型对未来的预测能力较为稳定。其中，N 取 8 时，业绩趋势模型筛选出来的行业组合下期业绩落入高增长区域（八、九组）的比例最高；N 取 10 时，第 9 组行业下期业绩落入高增长区域（八、九组）的比例略低于前者，但分布比例依然保持了相同趋势：集中于高增长区域。2018-02-27 金融工程 敬请参阅最后一页特别声明-11-证券研究报告 图图 9：不同参数下业绩趋势模型第：不同参数下业绩趋势模型第 9 组行业下期增速落入
34、各组的比例分布组行业下期增速落入各组的比例分布（整（整体法）体法）0%5%10%15%20%25%30%35%N=4N=6N=8N=10N=12一组二组三组四组五组六组七组八组九组 资料来源：Wind，光大证券研究所 经过以上分析，我们最终选择 N=10 作为后续研究中业绩趋势模型的参数。在此，我们重点关注 N 取 10 时，业绩趋势模型各组的收益表现和所筛选高增长组合下期业绩增速表现。选用的比较基准（对照组）是用线性外推的思路得出的高增长组合，即：依据当期业绩增速分 9 组，取当期业绩增速最高一组行业。业绩趋势模型业绩趋势模型 9 组行业组合风险较低，信息比率表现好组行业组合风险较低，信息比
35、率表现好。对比业绩趋势模型 9 组和对照组收益表现，不难发现，业绩趋势模型在收益和风险方面均略优于对照组，信息比率提升明显。业绩趋势模型对未来业绩的预测能力较强，能有效规避业绩反转的风业绩趋势模型对未来业绩的预测能力较强，能有效规避业绩反转的风险险。相比对照组，业绩趋势模型第 9 组行业组合下期业绩落入低增速组（一、二组）的比例明显下降，仅 8.4%（对照组为 15.6%），落入高增速组（八、九组）的比例达 47.4%。表表 5：中信三级行业依据业绩趋势模型中信三级行业依据业绩趋势模型分组的收益表现统计分组的收益表现统计（整体法）（整体法）1 2 3 4 5 6 7 8 9 对照组对照组 年化
36、收益率 8.4%13.3%15.2%14.9%18.8%16.2%16.5%19.8%29.1%23.1%年化波动率 30.3%30.6%30.4%29.7%29.3%28.5%30.3%30.8%29.9%30.9%年化超额收益-6.9%-2.6%-1.0%-1.5%1.7%-0.7%0.0%3.0%10.7%5.9%相对波动率 5.7%5.5%5.5%5.4%4.9%5.4%5.8%5.7%6.0%6.5%信息比率-1.20-0.46-0.18-0.29 0.35-0.13 0.01 0.53 1.78 0.91 最大回撤率-54.9%-55.1%-57.3%-54.8%-52.4%-54
37、.5%-54.6%-54.2%-52.7%-54.5%月度胜率 44.0%43.1%46.8%37.6%49.5%50.5%46.8%55.0%71.6%57.8%资料来源：Wind，光大证券研究所（注：回测期为 2009 年 1 月 1 日至 2018 年 1 月 31 日；基准为全行业等权指数）2018-02-27 金融工程 敬请参阅最后一页特别声明-12-证券研究报告 图图 10：业绩趋势模型：业绩趋势模型 9 组行业下期落入业绩增速各组的比例分布（整体法）组行业下期落入业绩增速各组的比例分布（整体法）0%5%10%15%20%25%30%35%40%一组二组三组四组五组六组七组八组九组
38、业绩趋势模型对照组 资料来源：Wind，光大证券研究所 2.2.2、变化变化 1：预告数据替代最新一期公告数据：预告数据替代最新一期公告数据 在前面的模型中，我们使用的均是上市公司的业绩公告数据。此时，我们的换仓日期只能设为定期报告的截止日，相对滞后一些。但如果我们用预告数据替代最新一期的公告数据，那我们便可以将换仓日提前至预案截止日（交易所规定：业绩发生大幅波动的上市公司必须在预案截止日前公布业绩预告）。表表 6：业绩公告截止日与预案截止日对比：业绩公告截止日与预案截止日对比 定期报告定期报告 业绩公告截止日业绩公告截止日 业绩预案截止日业绩预案截止日 提前时间提前时间 一季报 4 月 30
39、 日 4 月 15 日 半个月 中报 8 月 31 日 7 月 15 日 一个半月 三季报 10 月 31 日 10 月 15 日 半个月 年报 次年 4 月 30 日 次年 1 月 31 日 三个月 资料来源：光大证券研究所 其中，由于一季报计算业绩趋势指标时，需用到上年年报数据，因此不能提前至业绩预案截止日，其余报告期均可提前。但是，运用业绩预告数据势必会导致一定的样本偏差，即：我们用以刻画行业业绩的上市公司将变为行业内部分业绩大幅波动的公司。这样的样本偏差会如何影响模型的效果呢？我们通过分组收益表现进行观察，如下表所示（对照组为用预告数据替代最新一期公告数据后，运用线性外推的思路获得的高
40、增长组合）。由业绩预告数据产生的样本偏差极大地削弱了模型对行业业绩的刻画由业绩预告数据产生的样本偏差极大地削弱了模型对行业业绩的刻画能力能力，极大地降低了模型的有效性极大地降低了模型的有效性。用业绩预告数据替代公告数据后，业绩趋势模型的分组单调性在两个维度上均显著下滑，所筛选出来的高增长组合收益表现明显削弱，信息比率仅 0.34；同时，对照组的收益表现也有明显下滑，说明预告数据不适用于对行业业绩的刻画。2018-02-27 金融工程 敬请参阅最后一页特别声明-13-证券研究报告 表表 7：预告数据替代最新一期公告数据后预告数据替代最新一期公告数据后，中信三级行业依据业绩趋势模型分组的收益表现统
41、计中信三级行业依据业绩趋势模型分组的收益表现统计（整体法）（整体法）1 2 3 4 5 6 7 8 9 对对照组照组 年化收益率 10.6%14.2%12.2%20.4%16.2%19.0%17.3%24.8%18.7%18.1%年化波动率 30.4%31.0%30.1%30.7%30.5%30.0%30.0%30.8%29.6%30.0%年化超额收益-4.9%-1.8%-3.7%3.5%-0.2%2.2%0.7%7.3%1.7%1.3%相对波动率 5.3%6.6%5.4%6.0%5.5%5.5%5.5%5.8%5.2%5.7%信息比率-0.93-0.27-0.69 0.59-0.03 0.3
42、9 0.13 1.26 0.34 0.23 最大回撤率-56.2%-55.6%-56.1%-57.2%-52.5%-59.0%-53.6%-53.5%-51.7%-50.3%月度胜率 36.7%37.6%42.2%54.1%45.0%49.5%49.5%62.4%47.7%52.3%资料来源：Wind，光大证券研究所（注：回测期为 2009 年 1 月 1 日至 2018 年 1 月 31 日；基准为全行业等权指数）2.2.3、变化变化 2：以扣除非经常性损益的归母净利润刻画业绩：以扣除非经常性损益的归母净利润刻画业绩 在前面的分析中，我们均以归母净利润作为上市公司经营业绩的代理指标，进而通过
43、行业整体法刻画行业业绩。但是，归母净利润中包含了上市公司非经常性损益的影响，而这一部分收益并非可持续增长的利润来源。因此，我们尝试扣除非经常损益的影响，以扣非归母净利润作为上市公司业绩的代理指标，再利用业绩趋势模型筛选高增长行业。（对照组为以扣除非经常性损益的归母净利润刻画业绩的情况下，运用线性外推的思路获得的高增长行业组合）。扣除非经常性损益后，模型扣除非经常性损益后，模型表现差异不大表现差异不大。在扣除非经常性损益后，业绩趋势模型第 9 组行业组合的信息比率变化不大，但对照组的表现得到显著提升。说明在运用行业整体法刻画行业业绩的情况下，非经常性损益对业绩趋势模型的影响较小，而对于线性简单线
44、性外推的方法影响较大。这也进一步说明业绩趋势模型的稳定性较好。表表 8：以：以扣非归母净利润为业绩指标扣非归母净利润为业绩指标，中信三级行业依据业绩趋势模型分组的收益表现统计中信三级行业依据业绩趋势模型分组的收益表现统计（整体法）（整体法）1 2 3 4 5 6 7 8 9 对照组对照组 年化收益率 9.3%11.8%14.1%13.6%19.4%18.1%16.7%20.7%28.6%27.4%年化波动率 30.7%30.3%30.2%29.5%28.7%28.8%30.5%30.8%30.2%31.2%年化超额收益-6.0%-4.0%-2.0%-2.6%2.1%1.0%0.3%3.8%10
45、.4%9.6%相对波动率 5.9%5.5%5.4%5.3%5.4%5.2%5.5%6.2%6.1%7.0%信息比率-1.02-0.72-0.37-0.49 0.38 0.20 0.05 0.61 1.71 1.38 最大回撤率-53.9%-55.9%-58.1%-55.3%-49.9%-54.7%-53.7%-55.0%-53.3%-52.7%月度胜率 37.6%43.1%45.0%40.4%48.6%56.9%52.3%61.5%69.7%66.1%资料来源：Wind，光大证券研究所（注：回测期为 2009 年 1 月 1 日至 2018 年 1 月 31 日；基准为全行业等权指数）2.3、
46、中位数法中位数法：扣除非经常性损益能增强模型的有效性：扣除非经常性损益能增强模型的有效性 本小节我们将运用中位数法刻画行业业绩，测试业绩趋势模型对高增长行业的选取效果，依然分成基本模型、应用预期数据、应用扣非归母净利润三个模块。2.3.1、基本模型基本模型 与前述研究思路相同，我们从分组收益表现和对下期业绩的预测能力两个角度测试参数敏感性，如下图所示：2018-02-27 金融工程 敬请参阅最后一页特别声明-14-证券研究报告 N 取取 10 时，高增长行业组合表现最优时，高增长行业组合表现最优。无论从年化收益还是从信息比率角度看，N 取 10 时，业绩趋势模型 9 组表现均是最优的，信息比率
47、达 1.34，年化收益率达 26.7%。同时，在两维度上的单调性表现也极佳，据有较强的行业筛选能力。图图 11：不同参数下业绩趋势模型分组年化收益表现（：不同参数下业绩趋势模型分组年化收益表现（中中位数法位数法）图图 12：不同参数下业绩趋势模型分组信息比率表现（：不同参数下业绩趋势模型分组信息比率表现（中中位数法位数法）0%5%10%15%20%25%30%N=4N=6N=8N=10N=12123456789 -1.5-1.0-0.5 0.0 0.5 1.0 1.5 N=4N=6N=8N=10N=12123456789 资料来源：Wind，光大证券研究所（回测期：2009.1.1-2018.
48、1.31）资料来源：Wind,光大证券研究所（回测期：2009.1.1-2018.1.31）N 取取 10 时，高增长组合下期落入业绩高增长区域的概率较大时，高增长组合下期落入业绩高增长区域的概率较大。当 N 大于 4 时，业绩趋势模型均具有较好的预测能力，N 取 8-12 范围内，第 9组行业下期业绩落入高增长区域（八、九组）的概率较为接近，N 取 10时，下期业绩高增长的比例最高，达 48.6%。图图 13：不同参数下业绩趋势模型第：不同参数下业绩趋势模型第 9 组行业下期增速落入各组的比例分布组行业下期增速落入各组的比例分布（中位数法中位数法）0%5%10%15%20%25%30%35%
49、N=4N=6N=8N=10N=12一组二组三组四组五组六组七组八组九组 资料来源：Wind，光大证券研究所 综上所述，我们在后续研究中，将选取 N=10 为业绩趋势模型参数。我们重点关注 N 取 10 时，业绩趋势模型第 9 组行业组合的收益表现，对照组依然为线性外推思路选取的高增长行业，即：按当期业绩增速分 9 组，取业绩增速最高一组。2018-02-27 金融工程 敬请参阅最后一页特别声明-15-证券研究报告 业绩趋势模型业绩趋势模型高增长行业组合收益表现高增长行业组合收益表现具有具有明显优势明显优势。业绩趋势模型 9组年化收益达 26.8%，信息比率达 1.34，均显著好于对照组表现。同
50、时，从对下期业绩的预测能力来看，业绩趋势模型筛选出来的第 9 组行业落入低增速组依然低于对照组，在避免选取业绩反转行业方面保持了优势。表表 9：中信三级行业依据业绩趋势模型分组的收益表现统计中信三级行业依据业绩趋势模型分组的收益表现统计（中位数法中位数法）1 2 3 4 5 6 7 8 9 对照组对照组 年化收益率 7.9%13.7%15.3%13.4%18.1%19.0%17.3%20.7%26.8%22.2%年化波动率 30.8%30.9%29.5%30.0%29.5%30.0%29.5%29.8%29.8%29.9%年化超额收益-7.3%-2.2%-1.2%-2.7%1.2%2.1%0.
