博鱼体育板块重构下的行业分层轮动——天风金工行业轮动系列报告之三原有的板块划分类别较少，板块内部的分化较大，不能够完全对应不同经济环境下板块的表现，应当对板块划分进一步细化，构建新的板块分类。基于行业聚类结果与行业内相关性分析，将现有行业分为金融、周期上游、周期中游、周期下游、稳定、消费、成长7个板块，板块划分更好地体现了板块间的真实差异性。

　　以一级行业构建行业多因子模型，行业数量较少，因子IC稳定性较弱，行业多因子模型将行业层级拓展至二级行业，显著提高了因子ICIR，IC稳定性得以提升。

　　基于重新构建7板块的现金流与折现率beta，确定不同的经济环境下应当配置的轮盘，构建新的板块配置轮盘，据此构建的板块轮动策略，作为行业第一层面的轮动依据。

　　将重构的板块配置轮盘与拓展至二级行业的行业多因子模型结合，构建新的行业分层轮动模型，每年均能战胜基准指数，年化超额收益9.17%，信息比达到了1.8056，超额wind全A胜率达到了76.47%。

　　在天风金工行业轮动系列报告一、二中，我们构建了一套将自上而下与自下而上相结合的行业分层轮动模型，将板块轮动策略与板块内行业轮动策略进行了逻辑方法上的区分。

　　板块轮动策略，采用更加宏观的维度来分析板块之间轮转的原因，运用TWO-BETA模型，从现金流与折现率两个角度解释板块收益变化的原因，从而以这两个维度出发博鱼体育登录入口，判断不同的经济环境下，应当配置什么板块。

　　行业轮动策略，采用了行业多因子模型，以行业微观的盈利、估值、资金等方面来判断同板块内部子行业的相对强弱。

　　在将板块轮动与行业轮动相结合之后，构建得到了行业分层轮动模型，模型表现出色，随着研究的深入，我们发掘了几个模型改进的方向：

　　1、板块划分类别较少，板块内部的分化较大，不能够完全对应不同经济环境下板块的表现，应当对板块划分进一步细化，构建新的板块分类；

　　2、以一级行业构建行业多因子模型，行业数量较少，因子IC稳定性较弱，适当拓展行业分类以提高多因子标的数量，提高收益预测稳定性。

　　在《天风金工行业轮动系列报告之一——基于现金流与折现率的板块轮动策略》中，我们采用层次聚类法对行业进行分类，然而实践中发现，一级行业内不同行业的属性也会存在巨大的差异，在系列一中，我们将食品饮料行业进行了拆分，在本文中，对其他的一级行业也进行了同样的分析，以求更加明确地为这些行业进行分类。

　　为了对一级行业进行拆分，本文统计了一级行业内部二级行业的相关系数，由于行业相比个股，与大盘相关性更高，从而导致行业间的收益率相关性较高。为了准确分析各行业之间相关性的高低，本文采用行业超额收益率的相关系数来描述各行业间的相关性。

　　通过对电力及公用事业和通信两个一级行业内部二级行业之间相关性的分析可以看到，电力及公用事业中的两个子行业发电及电网与环保及公用事业相关性极低，两者在行业属性上存在一定的差异性，有分拆的价值。而通信行业中，这一现象更加明显，电信运营与其他两个子行业间相关性甚至为负，因此通信行业也具有拆分的价值。

　　据此，我们在对行业进行分类时，对电力及公用事业、通信和食品饮料三个行业均进行了拆分，以这三个行业的二级行业补充进原有的一级行业分类中，进行行业的板块聚类。

　　基于《天风金工行业轮动系列报告之一——基于现金流与折现率的板块轮动策略》与上述的分析，本文对电力及公用事业、通信和食品饮料三个行业均进行了拆分，以这三个行业的二级行业补充进原有的一级行业分类中，进行行业的板块聚类。

　　与《天风金工行业轮动系列报告之一——基于现金流与折现率的板块轮动策略》中相同，本文也对综合和国防军工两个行业属性较不明确的行业进行了剔除，共计对32个中信一二级行业进行聚类分析。

　　首先，我们对所述行业统计其两两间相关系数，可以看到，行业收益率呈现集聚效应，而我们所分拆的几个行业白酒、发电及电网、环保及公用事业、电信运营与其所在的板块相关性相比与同一级行业明显更低。因此有对这几个子行业的板块分类重新进行调整的必要性。

　　在《天风金工行业轮动系列报告之一——基于现金流与折现率的板块轮动策略》中，我们采用了层次聚类的方式对行业进行了分类，然而统计上的聚类方式对于所选窗口期、收益率计算方法和行业的分类等均较为敏感，本文也尝试了Kmeans等方式来对行业进行聚类分析，发现统计上的行业聚类分析仅能够提供一定的参考，严格的划分仍需要结合的实际经验划分。下图中，我们对所有行业进行Kmeans（k=2）聚类分析，可将市场上大类的行业区分成两个部分，可以看到红色聚类中大部分为周期类行业，而青色聚类中大多为消费与成长行业。

　　可以看到，我们所划分的白酒、发电及电网、环保及公用事业、电信运营几个子类行业均与同一级行业内子行业处于了不同的大类，因此这几个子类行业的细分拆解是有价值的。

　　结合聚类的结果和相关性的热力图，结合实际经验与市场上宏观策略研究的结果，我们将行业划分为如下的板块。

　　对所有分类的行业按其流通市值进行加权后，即可得到各板块历史收益率，如下。可以看到从05年以来，表现最为出色的板块是周期下游、金融与消费博鱼体育登录入口，稳定板块相对而言波动较小，长期均没有明显的行情，周期性较弱。这与《天风金工行业轮动系列报告之一——基于现金流与折现率的板块轮动策略》报告中周期板块长期走弱的现象，做了很好的补充，周期板块内部也存在着较大的分化，周期上游与中游板块近些年表现不佳，而周期下游板块则表现出色，因此周期板块内部也存在极大的轮动收益空间。

　　在下文中，我们根据如下的板块分类，重构了板块轮动策略，同时在这样的板块分类内部进行行业分层轮动。

　　借鉴《天风金工风格轮动策略之三——溢价追本溯源：现金流与折现率》中的two-beta模型，同样从DDM模型出发，，从现金流与折现率，即经济景气程度与市场资金成本两个维度来探究板块轮动的核心驱动因素。（详细的推导过程参见报告《天风金工风格轮动策略之三——溢价追本溯源：现金流与折现率》）

　　在《天风金工风格轮动策略之三——溢价追本溯源：现金流与折现率》这篇报告中，我们探讨了不同风格类型的股票相对现金流与折现率的敏感度的差异性，在本报告中，我们对不同板块的股票相对现金流与折现率的敏感度的差异性进行了研究，期望从这两个维度对不同板块股票收益率的差异进行解释。

　　通过上文板块的重构，结合现金流与折现率beta的计算方式，我们得到如下板块现金流折现率beta结果。

　　可以看到金融、周期上游、周期中游对于现金流，也就是经济的景气程度敏感度较高，而稳定、周期下游、消费、成长板块则相对敏感度较低。因此在现金流上行时，应当配置金融、周期上游、周期中游，现金流下行时应当配置稳定、周期下游、消费、成长。

　　在现金流上行环境中，金融、周期上游、中游三个板块对于折现率的敏感度也存在较大差异，金融板块折现率beta为负，即折现率的上行有利于金融板块。因此在现金流上行，折现率上行时，配置金融板块，现金流上行，折现率下行时，配置周期上游、周期下游板块。

　　在现金流下行环境中，成长板块折现率beta显著高于周期下游与稳定板块，因此成长板块应当在现金流下行，折现率下行时进行配置。而稳定和周期下游适宜在现金流下行，折现率上行环境中配置，消费板块折现率居中，在折现率上行下行中均有配置价值。

　　在《天风金工行业轮动系列报告之一——基于现金流与折现率的板块轮动策略》中，我们曾采用多个维度的经济景气指标和利率指标来判断现金流与折现率的趋势性，然而指标过于繁复，也缺乏明确的经济意义。而在《天风金工风格轮动策略之三——溢价追本溯源：现金流与折现率》我们曾经采用ROE与国债利率作为代理变量，不过ROE指标相对偏滞后，需要寻找更加领先的经济指标。

　　现金流指标我们采用专题报告《FICC 系列研究专题（一）： 如何抑制宏观信息“过拟合”？ ——宏观数据的去噪、降维及应用》中的天风制造业活动指数（TFMAI）同比指数作为代理变量。可以看到，天风制造业指数对全市场的ROE水平有明显的领先作用。

　　而在折现率维度，我们采用更加贴近实际债券交易中无风险利率指标，国开债10年到期收益率，作为折现率的代理变量。未来在折现率这方面会投入更加深入的研究，敬请期待。

　　据此，我们依据天风制造业活动指数和国开债10年到期收益率来判断当前现金流与折现率的趋势性，并根据板块配置轮盘，确定各个阶段配置的板块，得到板块轮动策略的结果。

　　首先，本文根据天风制造业活动指数和国开债10年到期收益率来判断当前现金流与折现率的趋势性。其中：

　　1、天风制造业活动指数采用滞后一期处理，保证数据可得，当月数据不存在时，沿用上期，当期同比数据高于前期同比数据时，记为上行，当期同比数据低于前期同比数据时，记为下行；

　　2、国开债10年到期收益率用六个月均线进行平滑处理，当前值高于六个月均线时，记为上行，当前值低于六个月均线时，记为下行。

　　从回测结果可以看到，板块轮动策略表现出色，仅14年12月份和16年出现了一定的回撤，其他年份表现出色，年化超额基准10%，胜率达到60.58%。

　　本文沿用《天风金工行业轮动系列报告之二——行业分层轮动模型》中行业多因子模型，将其拓展至细分的二级行业。

　　下表为本文采用的因子博鱼体育登录入口，因子的ICIR明显高于一级行业的因子ICIR。行业因子的复合仍然采用等权加和方式复合。

　　3、板块间以板块流通市值为权重基准，根据板块轮动策略结果超配对应板块权重，超配板块在原有权重上增加一倍权重，所有板块再进行权重归一化；

　　从回测的结果中，可以看到，策略表现极为出色，每年均能战胜基准指数，年化超额收益9.17%，信息比达到了1.8056，超额wind全A胜率达到了76.47%。

　　风险提示：1、经济环境的突发事件性冲击对模型产生影响。2、多因子模型因子有效性延续性假设失效