量化｜风格重估值轮动，行为看修复主线：2022年下半年投资策略

（原标题：量化｜风格重估值轮动，行为看修复主线：2022年下半年投资策略）

来源：金融界

作者：中信证券

量化｜风格重估值轮动，行为看修复主线：2022年下半年投资策略

2022年以来，市场经历了连续回调和止跌企稳，前后两阶段从行业和风格都表现出显著的反转特征。当前市场总体基本面预期已企稳，高盈利、高成长组合的估值溢价已显著下降，但主线基本面风格尚未形成，预计估值等带有反转属性因子相对占优，且可从分析师、上市公司行为等角度挖掘业绩修复线索。衍生品方面，运行指标显示5月后市场情绪显著回暖，且对冲成本总体处于合理区间。量化投资发展方面，一是财富管理时代量化体系需要为业务赋能，对方法论在系统化、直观化等方面提出新的要求；二是AI技术的应用要强调算法可解释性，可关注图神经网络的应用。

▍市场回顾：预期企稳，结构反转。

1）基本面预期企稳，主要宽基指数止跌反弹。今年1月1日至4月26日期间，主要宽基指数跌幅多数超过20％，4月27日以来，随着滚动12月一致预期净利润增长率企稳，主要宽基指数均止跌反弹。

2）行业表现反转特征显著，仅煤炭行业在两阶段保持强势。行业指数的相对走势在市场下跌和反弹阶段展现出显著的反转特征，军工、电新、汽车行业下跌和反弹幅度均较高，而银行、房地产相对稳定，仅煤炭行业在两阶段都保持强势。

▍基本面风格：主线尚未形成，估值及轮动类策略占优。

1）基本面与估值因子的跷跷板效应仍然显著。4月26日以前，价值、红利风格表现优异，成长类因子表现相对较弱；4月27日以后，均出现了反转。

2）高盈利、高成长个股的溢价水平已降低，但趋势性风格主线机会或难形成。通过对PB和ROE构建回归方程，可测算风险中性假设下市场给予高盈利的估值溢价（成长风格同理），结果显示非线性系数项目前处于2017年以来22％分位数水平，表明高盈利股票溢价已显著降低。

3）估值及轮动类因子或相对占优。虽然低估值板块的基本面预期始终较为平稳，表现占优，但也难形成趋势性风格主线。

▍行为类策略：以行为为前瞻，挖掘业绩修复线索。

1）分析师盈利预测上调幅度高的个股表现较优。以近1个月分析师调整盈利预测的个股为样本池，按调整幅度中位数选取上调幅度排名靠前的50只股票构建组合，2022年以来相对中证500指数实现9.9％超额收益。

2）基于成长偏离度进行行业景气轮动。基于行业预期成长性刻画其业绩趋势，并优选估值合理的行业构建行业景气轮动模型。2022年以来，相对中证全指实现11.5％超额收益。

3）股权激励行权条件指引上市公司的业绩预期。2022年以来，基于股权激励的事件驱动策略相对中证500指数实现1.1％超额收益。

▍金融衍生品：情绪偏谨慎，但对冲成本仍处合理区间。

股指期货：1）股指期货多空分歧加大，对冲需求上升。2022年5月后，持仓量逐步回落，贴水收敛，同时多空持仓比快速提升，总体表明市场的空头需求减弱同时集中度下降，市场情绪有所好转。2）股指期货对冲开仓成本同比显著降低。2022年1月至5月，IH、IF和IC主力合约的日均年化开仓损益分别是-2.02％、-5.47％和-6.75％，较去年同期显著降低；

ETF期权：1）场内期权隐含波动率振幅加大，5月后市场情绪边际回暖。截至2022年6月3日，50ETF期权和沪市300ETF期权的隐含波动率分别为20.0％和21.2％。隐含波动率曲线形态总体偏谨慎，但5月后已出现反转迹象。2）期权对冲成本处于合理水平，灵活构建期权对冲组合可有效控制回撤。2022年以来，买入“平值-剩余30天到期”认沽期权的对冲成本较2021年有所增加，日均年化成本为26.28％（50ETF期权）和27.72％（沪市300ETF期权）。市场下跌时可买入认沽期权、同时卖出虚值程度更大的认沽期权来构建put spread组合在实现对冲的同时节省成本。

▍量化投资发展前瞻之一：当量化投资遇到财富管理。

1）财富管理时代下的量化投研。量化投研在资产管理中实现的是特定约束条件下的效用最优化，而在财富管理中，则需要从客户需求出发，根据客户的风险收益向客户提供一揽子服务，需要满足系统化、平台化，场景化，直观化和可迭代等多种要求。

2）因子离散化风险模型：兼具解释力和直观性的模型体系。通过对各因子进行离散化并转化为哑变量形式来构建多因子模型，可便于市场驱动因素分析以及组合的绩效归因。

▍量化投资前沿发展之二：AI技术应用中建议关注图神经网络与算法可解释性。

1）股票关系建模：图神经网络。图神经网络是一种基于图结构的神经网络，可实现对供应链关系、相关关系、概念关系等多种股票关系的建模，以弥补传统模型仅进行单资产分析的不足。

2）模型设计与理解：提升可解释性。提升可解释性的一种方法是在模型设计时引入先验知识，将信号本身的特点考虑在内进行设计，比如Preferred Networks公司与野村资管提出了波动率不变性与分形不变性的结构用以针对性学习不变性特征。另一种方法是借助经济金融的逻辑来理解算法的结果，比如Two Sigma公司采用高斯混合模型对市场状态划分后，发现其符合经济逻辑下的危机、稳定、脆弱、通胀四种状态的特征。

▍风险因素：

模型风险；市场预期大幅变化；宏观及产业政策出现重大变化。