繁體
  • 简体中文
  • 繁體中文

熱門資訊> 正文

華泰 | 金工:紅利因子擇時與2025Q1行業ETF投資建議

2025-01-09 07:36

  炒股就看金麒麟分析師研報,權威,專業,及時,全面,助您挖掘潛力主題機會!

(來源:華泰證券研究所)

本文從三個視角論述了2025Q1紅利類資產的配置機會,並建議關注紅利低波ETF、銀行ETF、證券保險ETF、交運ETF。理由一:紅利因子趨勢擇時模型結合宏觀指標和自身趨勢構建雙均線系統,當前發出看多信號。理由二:全球經濟周期或拐頭進入防守區間,美國等發達國家的需求或減弱,內需有望成為中國經濟發力點,國內低利率的環境或維持,紅利類資產因其高股息率性價比凸顯。理由三:在月度行業輪動模型和周度行業輪動模型的排行榜中,銀行、非銀行金融、交通運輸等三個紅利類行業得分均靠前。

視角一:紅利因子趨勢擇時模型當前發出看多信號

在中證紅利指數的樣本空間內,通過過去三年平均現金股息率的十分組,構建了紅利因子收益率和紅利因子淨值序列。紅利因子淨值長期走勢温和,適合採用趨勢模型進行擇時。除了紅利因子自身走勢外,我們還精選了銀行間市場成交量和期限利差這兩個能夠刻畫國內「資產荒」程度的宏觀指標。前者與紅利因子走勢正相關,后者與紅利因子走勢負相關。我們採用多組雙均線系統對三者進行打分,當總分為正時開倉、當總分為負時清倉,平均開倉間隔2至3個月,調倉頻率較低。開倉閾值較為魯棒,不管取值如何,擇時策略都能夠跑贏基準。當前信號是看多。

視角二:國內低利率環境利好紅利類資產

基於全球典型的股票、利率、商品、外匯的同比序列,我們構建了全球經濟周期模型。2025Q1全球經濟周期模型或拐頭進入防守區間,在不同風格的A股資產中,紅利類資產的防守屬性相對較強,因此我們建議進一步提高其在A股配置中的佔比。根據歷史經驗,在經濟周期防守區間內,美國等發達國家的需求或減弱,內需有望成為中國經濟發力點,國內流動性環境或繼續維持寬松。加上國內宏觀因子見底回升尚需時日,利率還有一定的下行空間,紅利類資產因其高股息率性價比凸顯。

視角三:行業輪動模型排行榜中紅利類行業得分靠前

銀行、非銀行金融、交通運輸等三個行業出現在月度行業輪動模型的最新推薦信號中。上季度AI周度行業輪動模型小幅跑贏基準,在經歷10月超額回撤后,11月以來超額收益持續修復。最新信號中,銀行和非銀行金融分別佔據兩個AI子模型的榜首。上季度公募主動型基金因追漲成長風格,在行業輪動層面取得了負超額,主動型基金各行業配置比例的變化對2025Q1的參考意義有限。綜上所述,行業輪動模型當前更看好紅利類行業。

風險提示:報告涉及的模型均根據歷史規律總結,歷史規律可能失效,如當市場不相信景氣趨勢可持續時,行業景氣度對股價就不一定有正向影響;報告涉及的模型均有其適用的市場條件,無法保證在任何市場條件下均可取得正超額收益,如AI行業輪動模型在市場主線較弱的條件下表現更佳;報告涉及的具體行業不代表任何投資意見,請投資者謹慎、理性地看待。

紅利因子趨勢擇時模型當前發出看多信號

我們首先參考中證紅利指數的樣本空間來計算紅利因子:

1) 取中證全指指數全體成分股,剔除上市時間不足63個交易日、ST、*ST的個股;

2) 取上述個股中過去250個交易日內日均總市值和日均成交金額均在前80%的個股;

3) 保留過去三年連續現金分紅且過去一年股利支付率均>0且<1的個股;

4) 將上述個股按照過去三年平均現金股息率從高到低排序,分為十組;

5) 第一組個股的當日收益率的均值減去第十組個股的當日收益率的均值,就是紅利因子的日收益率序列;將起點設置為1,對(1+因子日收益率)進行累乘,能夠進一步得到紅利因子淨值。

不難發現紅利因子淨值走勢較為温和,鮮有急漲急跌,所以對於紅利因子更適合從趨勢入手開展擇時。趨勢指標既包括資產自身的趨勢和宏觀環境的趨勢。對於后者,我們主要從自上而下邏輯出發,精選了期限利差(Wind代碼S0059749-S0059744)和銀行間市場成交量(Wind代碼M0041739)兩個指標。首先,這兩個指標都是日頻指標,基本能夠滿足定量研究「大數定律」的要求。其次,紅利資產受益於「資產荒」的環境,而這兩個指標在一定程度上能夠指示「資產荒」的程度——若銀行間市場成交量呈放大趨勢,説明資金在銀行間市場空轉,找不到投資出路;反觀若期限利差呈走闊趨勢,説明「借短買長」的長期投資開始有利可圖。因此,銀行間市場成交量放大利好紅利資產,期限利差走闊利空紅利資產。

我們採用雙均線模型來識別紅利因子自身趨勢和兩個宏觀指標的趨勢。爲了應對指標噪聲和降低參數敏感性,我們選取多組雙均線參數——短均線窗長範圍設置為1/5/10/15/20,長均線窗長範圍設置為5/10/15/20/30/40/60/90/120/180/250,其中長均線窗長必須大於短均線窗長,共計11+10+9+8+7=45組參數。每個交易日,對於紅利因子淨值和銀行間市場成交量,統計這45組參數的「金叉」比例;對於期限利差,統計這45組參數的「死叉」比例。爲了避免在震盪市中頻繁地開倉和清倉,上述比例的閾值需要適當偏離0.50。具體來説,當該比例≥0.55時,記作+1分;該比例≤0.45時,記作-1分;其他情況記作0。於是三個指標得分之和在-3和+3之間。當得分之和首次≥+1時,開倉紅利因子;當得分之和回落至-1及以下時,清倉紅利因子。

回測區間為2017-01-10至2025-01-03,基準是起始淨值歸一化的紅利因子淨值。回測結果顯示,趨勢擇時顯著優於基準,年化收益提升了5.64 pct,最大回撤降低了9.42 pct。回測區間內開倉共計37次,平均開倉間隔為52個交易日,調倉頻率較低。

當然,我們也可以把回測對象改成中證紅利指數。如果直接對中證紅利指數開展擇時,可能會受到A股大盤的干擾。對此,我們設擇時基準為「50%中證紅利+50%中證全指」。當得分之和首次≥+1時,滿倉中證紅利指數;當得分之和回落至-1及以下時,滿倉中證全指指數;其余情況維持基準。回測結果顯示,在中證紅利場景下,趨勢擇時同樣顯著優於基準,年化收益提升了4.72 pct,最大回撤降低了4.03 pct。

開倉閾值是一個重要的參數。對此,我們在紅利因子趨勢擇時的場景下,開展了參數敏感性分析,我們將開倉閾值從0.55依次提升至0.60/0.65/0.70/0.75/0.80。結果顯示,當閾值等於0.60/0.65/0.70/0.75時,回測表現均比閾值等於0.55時要好,而且開倉次數也進一步下降,表明開倉閾值較為魯棒。

國內低利率環境利好紅利類資產

在《全球大類資產配置的三層次邏輯及對宏觀基本面量化的思考》(2024-11-29)等多篇前期報告中,或多或少都提及過全球經濟周期模型。簡單來説,首先對全球典型的股票、利率、商品、外匯的同比序列開展主成分分析,然后對股、債、商、匯第一主成分序列之和依次開展傅里葉變換、42/100/200個月的高斯濾波、逆傅里葉變換,並外推三個月,就能得到如圖表10所示的三周期擬合曲線。

2025Q1全球經濟周期或拐頭進入防守區間,像前期報告《全球大類資產配置的三層次邏輯及對宏觀基本面量化的思考》構建的全球資產配置策略,開始逐步減倉進攻資產、加倉防守資產;紅利低波ETF作為A股中具有一定防守屬性的資產,在A股配置中的佔比也有所提升。在全球經濟周期防守區間內,美國等發達國家的需求或減弱,可能會導致中國的出口面臨一定壓力。在這種情況下,內需有望成為中國經濟的發力點,國內流動性環境或繼續維持寬松,紅利類資產因其高股息率顯得更有性價比。

從中國宏觀因子來看,增長、信用、通脹因子見底回升尚需時日,貨幣因子也仍在下行趨勢中。所以我們判斷利率還有一定的下行空間,利好紅利類資產。

行業輪動模型排行榜中紅利類行業得分靠前

2024Q4月度行業輪動模型跑輸行業等權基準6.91%

華泰金工月度行業輪動模型從因子定價模型出發。行業表現可以被拆分為由市場Beta和風格Beta所解釋的部分以及殘差。針對Beta部分,前期報告《行業景氣投資的頂層設計和落地方案》(2023-09-14)結合宏觀、中觀、微觀三個視角來捕捉行業盈利能力g和盈利能力邊際變化Δg均大於零的機會,構建了景氣趨勢子策略。殘差部分是無法被市場Beta和風格Beta所解釋的部分,可能藴含着如技術進步、政策支持等行業專屬信息。前期報告《行業殘差動量定價能力初探》(2024-02-05)採用技術分析來捕捉行業專屬信息的異動,構建了殘差動量子策略。從統計學原理來説,Beta部分和殘差部分是不相關的,實證中兩個子策略的長期相關性也較低。最終,我們把兩個子策略按信號進行等權融合,每月推薦五個行業等權配置。回測程序使用每月第一個交易日各行業指數的收盤價完成調倉和淨值計算。

上季度AI周度行業輪動模型跑贏行業等權基準0.14%

華泰金工AI周度行業輪動模型由兩個子模型構成——全頻段量價端到端模型和雙目標遺傳規劃模型。其中,全頻段量價端到端模型基於GRU搭建,同時輸入個股的日頻、周頻、月頻量價數據以及使用分鍾線和Level2數據構建的高頻因子,預測個股未來10個交易日收益率,作為日頻選股因子。然后,對日頻選股因子開展市值中性化,但爲了保留行業輪動信息,不能做行業中性化。接着,根據各行業指數成分股的流通市值,將日頻選股因子合成為日頻行業得分。最后,對日頻行業得分進行span=5的指數移動平均,以降低策略換手率,取每周最后一個有效值作為周頻行業得分。

雙目標遺傳規劃策略則是採用遺傳規劃的思路直接對行業指數的量價數據進行挖掘,而不再涉及先訓練選股模型再合成為行業得分的步驟。與傳統的單目標遺傳規劃相比,雙目標遺傳規劃同時將|IC|和NDCG@k作為因子評價指標,在NSGA-II算法的加持下,能夠挖掘出兼具單調性和多頭組表現的行業輪動備選因子。雙目標遺傳規劃在不增加時間複雜度的前提下,實現了等同於執行數十次單目標遺傳規劃的效果,大幅提升了因子多樣性。對於挖掘得到的備選因子,我們結合貪心策略和方差膨脹係數,將共線性較弱的因子合成為日頻行業得分。最后,同樣對日頻行業得分進行span=5的指數移動平均,取每周最后一個有效值作為周頻行業得分。

上述兩個子模型的輸入和原理各不相同,長期來看具有低相關性,因此本文展示的最終版模型將持有兩個子模型的多頭組各半倉、周度再平衡。回測程序使用每周第一個交易日各行業指數的均價完成調倉和淨值計算。有關模型的更多細節詳見前期報告《雙目標遺傳規劃應用於行業輪動》(2024-05-20)。

上季度主動型基金預計因行業輪動獲得-0.37%的累計超額收益

除了上述長期跟蹤的行業輪動模型之外,我們也會跟蹤公募主動型基金參與行業輪動的情況。我們主要基於普通股票型基金和偏股混合型基金每日披露的淨值,採用Lasso估算出各只基金的行業配置比例,並以各只基金的管理規模為權重進行加總。迴歸時,我們將基金季報中的個股持倉明細、證監會行業分佈等信息作為約束條件,以降低多重共線性的影響、提升預測精度,詳見前期報告《基金個股倉位測算與偏股混指數增強》(2023-02-02)。

我們每周都會對主動型基金的行業配置比例進行估算。對於一個行業來説,當周配置比例變化乘以當周收益率,就是該行業貢獻的周度超額收益;將周度超額收益按複利法進行加總,就可以計算出考察區間內該行業貢獻的累計超額收益。

1) 報告涉及的模型均根據歷史規律總結,歷史規律可能失效,如當市場不相信景氣趨勢可持續時,行業景氣度對股價就不一定有正向影響;

2) 報告涉及的模型均有其適用的市場條件,無法保證在任何市場條件下均可取得正超額收益,如AI行業輪動模型在市場主線較弱的條件下表現更佳;

3) 報告涉及的具體行業不代表任何投資意見,請投資者謹慎、理性地看待。

研報:《紅利因子擇時與2025Q1行業ETF投資建議——ETF智投研究系列之三》2024年1月7日

林曉明 分析師 S0570516010001 | BPY421

徐特 分析師 S0570523050005

韓永蔚 分析師 S0570524050002

劉依葦 分析師 S0570521090002 | BSU078

孫浩然 聯繫人 S0570124070018

盧炯 聯繫人 S0570123070272

風險及免責提示:以上內容僅代表作者的個人立場和觀點,不代表華盛的任何立場,華盛亦無法證實上述內容的真實性、準確性和原創性。投資者在做出任何投資決定前,應結合自身情況,考慮投資產品的風險。必要時,請諮詢專業投資顧問的意見。華盛不提供任何投資建議,對此亦不做任何承諾和保證。