【方正金工|曹春晓团队】风格估值溢价和分析师视角下的Beta选择—行业轮动系列研究之二

本文来自方正证券研究所于2024年8月8日发布的报告《风格估值溢价和分析师视角下的Beta选择—行业轮动系列研究之二》，欲了解具体内容，请阅读报告原文，分析师：曹春晓 S1220522030005，联系人：陈泽鹏。

摘要

自2022年以来，市场风格对相关行业和个股收益的影响日益显著。我们认为不同风格在不同时间段具有显著估值溢价，这是过去两年影响相关行业轮动策略表现的重要原因。本文对风格周期估值溢价与分析师视角下的风格切换进行研究。

1、风格估值和钟摆效应

收益率收敛于EPS变化：在一个完整的成长和价值周期内，如果将股价拆分为每股收益（EPS）和估值两部分，最终收益率会收敛于EPS的增长。风格周期带来的估值端溢价终将随着风格的切换回到合理水平。

2、“预期惯性”与“估值变化”

预期惯性因子逻辑与行业轮动表现：“预期惯性”因子逻辑在于通过寻找加速上修业绩预期、减速下修业绩预期的标的，获得估值提升带来的组合收益。合成的行业轮动因子在回测区间内月频调仓的IC均值为6.74%，年化ICIR为1.13，多空策略的年化收益率为9.7%，信息比率为1.02，收益主要集中在多头头寸，多头超额较为稳定。

3、分析师视角下的行业与风格轮动

行业轮动：根据分析师报告中出现的行业词构建词频因子word_fre_indu。因子回测时间段IC均值为2.25%，多空年化收益为4.9%。在2021年及之前，word_fre_indu因子表现出色，之后出现显著回撤，与主动权益基金表现相关性较大。

风格轮动：根据分析师报告中出现的风格词语构建词频因子，分别构建“成长价值”、“大小盘”风格轮动因子。因子表现提示性较强，一般处于切换后偏右侧的时点，风格轮动择时偏向右侧，动量暴露明显。

4、风格、行业轮动框架：从宏观到微观

我们认为行业轮动整体框架离不开自上而下的风格判断，并与自下而上结合。我们首先通过总量分析师的词频分析，判断当前的市场风格偏好。如果当前偏好成长，我们选择风险偏好较高的“真知灼见”因子与动量因子构建行业轮动策略；如果当前偏好价值，我们选择风险偏好较低，对估值更加敏感的“预期惯性”因子与动量因子构建行业轮动策略。策略在回测区间内能够获得6.9%的年化收益，5.8%的超额收益，相对超额最大回撤仅7.9%，信息比率0.83，稳定性较好。最新2024年8月推荐的风格为大盘价值风格，整体分析师市场情绪偏乐观，具体推荐行业为煤炭、非银金融、电力设备、家用电器、建筑装饰。 

本报告基于历史数据分析，历史规律未来可能存在失效的风险；市场可能发生超预期变化；各驱动因子受环境影响可能存在阶段性失效的风险。

1 引言

自2022年以来，市场风格对相关行业和个股的影响日益显著。从2022年至2023年，小盘股表现突出，市场资金涌入小盘股，避风港效应使得小盘股相对于大盘股的超额收益十分显著。然而，2023年底至2024年1月，“风格抱团”解体后的小盘股遭遇流动性危机，相对超额收益回落至2022年中的水平；与此同时，成长与价值风格的表现差异明显。成长风格自2019年开始走强，并持续到2021年底。随后，以新能源、电子和医药为代表的成长行业开始出现回撤，成长风格不断走弱。

随着A股市场alpha收益的逐渐减弱，把握主要的beta收益变得越来越重要。我们认为市场上的主要beta可分为两大类：一类是以成长价值和大小市值为代表的风格收益，另一类是行业收益，这两者之间存在较为紧密的联系。

2022-2023年，市场上主流的行业轮动模型均明显失效，我们进行了以下分析：

1）景气度与估值：我们认为景气度因子在2022年由一个偏alpha因子转向beta化，主要是因为2021年景气度、分析师类因子开始被市场熟知，加上特殊行情和背景，导致景气度因子在2021年底拥挤度达到历史巅峰。高景气度行业、股票的估值也同时在2021年底达到顶峰，随后两年都在持续消化估值，热钱撤离，股价走弱。

2）模型鲁棒性较差：我们认为过去的行业轮动模型更多依赖于个股因子，自下而上合成行业信号。这类方法是传统量化多因子模型的强项，能够自下而上紧跟行业内的股票信号。然而，这种模型方式很容易出现过拟合，鲁棒性较差。2014-2021年回测区间，模型只需要把握住三类信号：景气度、交易和动量，就能获得不错的历史回测表现，但未来驱动行业和股票涨跌的信息可能来源于其他因素，这也是一定程度上解释了行业轮动策略失效的原因。我们认为行业轮动策略的收益更多来源于对经济、市场风格和行业基本面的理解。

3)缺乏自上而下视角：近年来许多行业的涨跌并非源于基本面的边际改善或恶化，而是受到市场风险偏好变化带来的相关风格、行业估值波动。因此，捕捉市场风格切换区间将是顺势而为、增厚收益的关键。

2 风格周期溢价

2.1 景气度因子：估值端的盈亏同源

随着景气度因子在2020-2021年的高光表现，它在行业轮动框架和策略中占据了越来越重要的地位。2021年，市场疯狂追捧新能源和半导体等高成长行业，同时提升业绩、估值预期，实现“戴维斯双击”，表现为当年的景气度因子异常有效。在团队分析师的系列报告中，我们提出了三个因子：“AFR”因子、“真知灼见”因子和“预期惯性”因子。它们的逻辑分别基于“每位分析师预期的独特性”、“分析师预期调整的动量暴露”和“估值变化与上修速度”之间的关系。我们首先针对“AFR”因子，自下而上合成行业信号，进行行业轮动测试。

图1至图4展示了AFR因子在行业轮动上的表现。可以看到，多头超额收益曲线在2021年陡峭上升，但在2021年9月新能源第一次抱团解体后开始回撤，随后在2022年11月之前几乎持平，然后迅速回撤。从行业选择上看，我们发现回撤期间多头组贡献负向超额较多的行业大致分为两类：

1）新能源为代表的高景气、成长行业：

2021年景气度策略表现出色的一个重要原因是高成长、高景气行业的估值迅速提升，成为全年的交易主线。然而，2021年底后，市场风格逐渐从“高成长、高景气”转向均衡，再到价值，这种风格偏好转变导致市场对风险资产的预期偏好下降，对成长速度的要求提高，甚至要求同样的业绩加速度以维持估值。在之前的报告《超预期陷阱与估值动态及“预期惯性”因子构建》中，我们论证了业绩加速度和估值之间的关系，发现估值变化长期与业绩加速度线性相关。尽管2021年后市场分析师仍在上修以新能源为首的高景气行业的业绩预期，但上修速度不及前两年，导致估值下修。

2）顺周期行业：

重大宏观事件下，市场预期再次领先于分析师群体。具体来说，我们发现市场针对“顺周期”的预期在过去两年一直走在分析师之前。例如，交通运输、食品饮料等行业在2022年上半年表现较好，而分析师群体直到2022年底才逐步上修相关行业的业绩预期，反映了“利好兑现”的场景。

毫无疑问，这两类行业其实表征了两种估值提升的场景。一是产业趋势下对未来业绩高增速的预期给予的高估值；二是博弈宏观事件的转变带来的基本面和经营现金流的修复，从而带来估值提升。中短期来看，估值提升代表了市场情绪方向，能够赚取情绪钱。但从长期来看，股价收益率将收敛于净利润增长，回归基本面。短期的估值拔升在未来一定会带来估值的均值回归。

从AFR行业轮动因子的多头组超额表现可以看到，多头超额的拔升包含了风格和行业偏好带来的超额提升。然而，随着市场风险偏好下降和业绩预期消化，这些估值在最近两年也不断下降。即风格一旦发生切换，与风格有内在联系的相关因子会受到其影响，且因子中性化并不完全解决其内在联系。景气度因子直到今年才回归到一个较为正常的水平。因此，风格时点带来的估值溢价越来越需要被纳入投资者的投资框架中。

2.2 风格估值和钟摆效应

根据国证成长与国证价值指数、巨潮大盘与巨潮小盘指数的相对走势测算，从2012年初至今，市场已经经历了两次显著的成长-价值风格切换和两次显著的大盘-小盘风格切换。每次切换都带来了相关风格和行业估值的显著变化，这种变化更多是由市场情绪所驱动，与长期基本面没有太紧密的联系。

股价 = EPS * 估值

每次风格切换和成长行业兑现业绩时，估值都会重归理性。在一个完整的成长和价值周期内，如果将股价拆分为每股收益（EPS）和估值两部分，最终收益率会收敛于EPS的增长。风格周期带来的估值溢价终将随着风格的切换回到合理水平。

根据主要板块市净率（PB）变化，我们可以清晰地观察到市场的周期性特征。在市场处于弱势行情时，金融板块的估值明显上升，而消费板块和中游制造板块的估值则受到抑制。反之，当市场表现较为强劲时，顺周期板块和科技板块的估值会显著提升，金融板块表现相对较弱。这种周期性波动的规律性在市场中表现得较为明显，形成了持续的循环特征，周而复始。

我们认为收益率受到估值的影响，而估值作为一个高度敏感且波动的因素，反映了市场的周期偏好、情绪和预期。然而，从长期来看，估值的偏移最终将会收敛至合理水平。我们选择了两个完整的成长和价值周期，观察期间指数收益率与所有者权益变动比率之间的关系。结果显示，用所有者权益变动来解释涨跌幅的R²较高，并且呈现线性正相关。这表明市场的涨跌幅最终会回归基本面，重归理性，在完整周期下估值皆会均值回归。

2.3 “预期惯性”与“估值变化”

如前两小节所述，估值既是一把双刃剑，也是周期的钟摆。景气度行业轮动因子失效的重要原因在于估值的波动。当股价受到市场情绪的“戴维斯双击”时，估值因子成为因子表现、股价表现的重要助推器。然而，当市场风格发生切换，周期的钟摆朝反方向摆动时，估值因子则会成为股价表现的阻力。这种估值的双重作用在不同市场周期中展现出显著的影响力，因此如何利用市场情绪热点，助推估值提升或者抑制估值，是投资者可以思考的方向。

在我们之前发布的研究报告《超预期陷阱与估值动态及“预期惯性”因子构建》我们提出了“预期惯性”因子，在过去两年表现持续有效，逻辑是该通过找到加速上修业绩预期、减速下修业绩预期的标的，获得估值提升带来的组合收益；或者减速上修业绩预期，加速下修业绩预期带来的组合损失。

如图19所示，为各行业历史收益率统计，可以发现市场总是围绕着基本面和估值变化影响收益率。2022年领涨的煤炭是由于煤价上涨带来的业绩预期提升；而交运和社服行业则是预期宏观事件后的基本面修复，从而带来的估值提升。2023年领涨的通讯行业是由于AI产业爆发带来的基本面和估值的“戴维斯双击”，家电行业则是由于出海业绩获得认可，而其他如煤炭、石油石化和公用事业等行业则更多是由于价值风格强势带来的估值提升。2024年市场格局与2023年大致相似，价值行业估值得到显著提升，市场在寻找确定性机会，风险偏好处于历史低位。

如果能根据“预期惯性”因子自下而上去合成行业轮动因子，在周频上进行回测，我们明显可以发现多头超额的稳定性得到了显著的提高，相对于月频调仓回测超额稳定性上更强，多空年化收益率由9.7%提升到12%，最大回撤由-10.97%提升到了-8.65%,信息比率由1.02提升到1.23，ICIR由1.13提升到1.2。

可以看到估值变化逻辑下的行业轮动因子，在2022年风格切换时能避免选择高估值、高增速的成长景气行业。相较于景气度因子追求EPS端的变化，“预期惯性”因子更多追求估值端的变化，选择估值可能获得提升的行业;2023年也选择了通讯传媒等行业。在2024年选择了家电、汽车、TMT和煤炭行业，表现较好。

如图表10-13所示，回测区间内的IC均值为6.74%，年化ICIR为1.13，多空策略的年化收益率为9.7%，信息比率为1.02，收益主要集中在多头头寸。与普通景气度因子相比，该因子具有以下特点：整体成长风格暴露较弱，更依赖于预期差导致的估值波动。多头超额收益曲线并未出现大范围回撤，多空策略的最大回撤仅为10.97%，远低于一般的景气度因子。相比之下，我们以AFR因子自下而上构建的行业轮动因子的多空策略最大回撤达到了36.86%，因子的IC均值为5.7%，ICIR仅为0.77。

基于以上近两年的行业表现复盘及我们从“预期惯性”行业轮动策略结果上大致得到一些结论：

1）以分析师预期数据为基础构建的行业轮动策略，是一种自下而上的行业轮动策略，即通常需要业绩预期变动来推动行业轮动策略标的的变化。然而，回顾这三年各个行业的表现，会发现自上而下的风格驱动的估值溢价更加显著。

2）自上而下判断必要性得到提升，当只关注基本面变化，自下而上的行业轮动策略很容易忽略市场的情绪，风格偏好。2021年成长抱团的解体过程中，对相关新能源企业来说还是持续上修业绩预期、但结果是其抱团阶段的行业、风格估值溢价早就透支了未来上涨的空间，出现了基本面变动和估值方向的错配。

3 分析师视角下的行业与风格轮动

如我们在第二节所述，风格估值周期始终存在，周而复始。自上而下判断风格对于应对近两年的行情变得尤为重要。然而，传统的分析师预期类策略往往聚焦于个股的盈利预测，通过从个股盈利预测明细中提取相关特征并构建个股因子，最终得到行业轮动信号。然而2021年后的行情更多是由自上而下的风格驱动，再传递到行业和个股。因此更好的beta判断变得必要。市场上的风格判断和风格交易中，总量分析师往往具备更多的信息量，这显著区别于个股分析师。本节中，我们选取总量分析师的文本作为出发点，以构建相关的行业轮动和风格轮动信号。

3.1 行业轮动

针对分析师关注度比较高的行业，分析师一般会在报告里推荐、且报告里相关行业文字出现频率较高。所以我们首先针对各个行业在文字报告出现的频率进行统计，以此作为行业轮动因子。

word_fre_indu 因子回测时间段IC均值为2.25%，多空年化收益为4.9%，我们可以看到在2021年及之前word_fre_indu 因子表现出色，多头超额曲线十分稳定，但其实应该考虑到策略分析师所关注的行业更多是与主动权益基金重仓行业重合，造成该因子表现和主动权益基金表现高度重合，特别是因为总量报告里包含相当多跟踪报告，里面覆盖了公募基金所关注、重仓的行业，整体风格偏向成长，因为成长需要更多的基本面更新。但是2021年后整体市场风格偏向价值，基本面变化较少，导致该因子在2021年后显著回撤。

3.2 风格轮动

除了行业上的推荐信号外，我们认为分析师在风格判断上的信息更为重要。宏观、策略和金融工程分析师通过每天的路演观点，能够获取市场对各种风格的反馈，结合自身的经验判断，从而做出风格判断。通过计算分析师报告中出现“成长”或“价值”、“大盘”与“小盘”、“上涨”与“下跌”等词语的频率，我们可以得到一些分析师风格判断的信号。假设分析师能够充分接触市场上各种类型的投资者，那么当分析师在报告中越频繁提到某一类风格时，这意味着分析师群体逐渐看好这一风格。相反，如果某类风格在分析师报告中出现的频率越来越低，那么大概率这类风格不再受到分析师群体的青睐。为验证这种假设，我们测试了文本分析在判断风格上的能力。通过对分析师报告进行文本分析，我们能够提取出相关的风格信号，进而判断市场的风格偏好。这种方法不仅可以实时反映市场对不同风格的关注程度，还可以为我们的投资策略提供重要的参考依据。

3.2.1 成长价值风格轮动

为了更准确地捕捉分析师在风格判断上的信息，我们在每月月底统计当月分析师报告中提到“成长”和“价值”的频次，并计算两者的相对占比。基于我们观察到的报告中提及“成长”或“价值”的频次存在天然偏好，例如，“价值”可能会因为不同的语境而频繁出现，因此仅仅依赖频次可能会造成偏差。为了克服这一问题，我们决定关注这些频次的边际变化。具体指标的计算方法如下： 

如上述所示，具体指标的计算步骤如下：首先，计算当月总量报告中提及“价值”频次占所有提及“成长”和“价值”频次的比例。其次，计算相对于历史3年平均值的超出部分，得到growth value factor。我们认为，通过减去历史平均值的方式，可以消除一些固定效应，即分析师报告中提及“成长”或“价值”，但与风格无关的内容。同时，边际变化更能反映市场对于“成长”或“价值”风格的认可度。通过回溯分析，我们发现一轮完整的风格周期约为5-6年，因此我们选择3年作为回看历史平均值的周期，这样从逻辑上更为合理。

根据图表24中内容所示，growth value factor在2021年底出现一段均衡行情指示，实际上此期间相关景气度行业其实经历过一次大跌，反弹，最后下跌的过程。该指标在2022年10月以后彻底看好价值风格。我们认为风格轮动是一个较长的时间周期，所以不需要将参数设置的过于敏感，只要能把握住大的趋势即可。

3.2.2 大小盘风格轮动

我们通过尝试最简单的统计方式，统计“大盘”和“小盘”的词频数，探索相关指标是否有风格择时能力。具体的计算方式如下

根据图表25，我们可以看到相关指标2017年明显的指向大盘行情，在此之后处于接近市值风格均衡状态下，紧接着2021年再转向小盘风格。最近一个时点我们可以关注到2024年4月风格轮动指标才重新转向大盘，存在一定滞后性。

3.2.3 绝对收益择时

我们通过尝试最简单的统计方式，统计“上涨”和“下跌”的词频数，探索相关指标是否有绝对收益的择时能力。具体的计算方式如下

根据图表26，我们可以看到相关指标2019年2月开始指向乐观，积极做多，直到2022年该指标开始指向负面，因为描述上涨的词汇越来越少、下跌越来越多，市场情绪越来越负面。直到2024年3月，分析师群体乐观做多的情绪再一次出现。从周期来看，目前应该在底部徘徊。但不可否认的是，粗糙的统计方式有一定程度有动量的暴露，所以更精细化提取分析师观点可能需要大模型、文本分析算法的帮助。

3.2.4 分析师的风格、行业选择特点

从成长价值风格轮动、大小盘风格轮动、以及绝对择时上，我们发现统计词频构造出来的轮动指标大概有以下特点：

1）风格轮动择时偏向右侧，动量暴露明显：从分析师的报告词频边际变化来看，我们发现整体择时结果偏向右侧，前瞻性较弱。这种现象可能与指标构建方法和分析师群体的职业习惯有关。当市场风格偏好出现松动迹象甚至是短时间回撤时，分析师群体的第一反应是提供观点并阐述逻辑。因此，简单统计词频的方法无法辨别在风格出现切换迹象时分析师群体的观点。通常分析师会在市场风格切换的第一阶段结束后开始在报告中讨论新风格的形成，并减少对前一轮风格的描述。

2）周期拐点判断性较强：尽管上述指标无法提供较为左侧、前瞻性强的意见，但它们能够在周期拐点出现后及时给予风格判断的参考，并提示相关风格的切换。从本质上讲，我们认为整体总量分析师的观点是公募基金观点的反馈，这可以理解为所有风格的形成源自于市场的一致预期。

3）是否有前瞻性观点的分析师？我们人工复盘了近五年的分析师风格观点，发现有少部分分析师能够在风格切换前一个季度在报告上给予一定程度的提示，这部分观点符合我们所说的前瞻性。大多数分析师则会在风格相对优势回撤后，第一时间给予风格切换的确认，在报告上给出较为右侧明确的答案。

4 风格、行业轮动框架：从宏观到微观

在前面三节中，我们详细阐述了风格估值对行业估值的影响。我们发现，不同风险偏好下的市场会显著影响相关行业的定价，并且这种影响具有明显的周期性特征。此外，即使根据词频构建的风格判断略偏右侧，但在出现明显拐点时，依然能够发出有效信号，帮助我们判断当前的市场风格。通过总量分析师的自上而下风格判断和行业分析师的个股预期因子，我们重新构建了一个新的行业轮动框架。在风格影响显著的市场环境中，这一框架能够实现更加稳定的超额收益。

如图表28所示，我们首先通过总量分析师的词频分析，判断当前的市场风格偏好。如果判断结果显示当前市场为成长型行情，我们将提升策略的整体风险偏好，选择“真知灼见”因子自下而上合成行业轮动信号，并结合行业动量信号生成目标行业；另一方面，如果判断结果显示当前市场为价值型行情，我们会首先排除估值最高的行业，因为在价值风格占优时，市场情绪通常会抑制高估值行业的表现，所以我们剔除部分估值最高的行业。在此基础上，我们使用“预期惯性”因子来合成行业轮动信号。与“真知灼见”因子相比，“预期惯性”因子在超预期因子上增强了对估值的敏感度，提供了更高的安全边际。最后，我们结合动量因子，得出当前的推荐行业。

如图表29所示，加入风格考虑后的行业轮动策略在近三年内并没有出现巨大的回撤，在2023年及之后的表现较好。我们认为，与传统的行业轮动策略相比，更加需要考虑市场对风格的偏好。因为在“高景气”行业变得十分稀缺的情况下，低风险偏好的市场更多关注的是如何规避风险，以及防止对过去“高景气”行业的估值急剧下降。

在图表30中可以看到，这样的行业轮动策略在风格切换的年份，超额收益表现相对一般。这是因为我们依赖的风格切换指标具有一定的滞后性，无法在第一时间完成风格切换以获取超额收益。然而，即使在这种偏右侧的风格选择下，我们在其他年份依然能够获得较为可观的超额收益，并且没有发生大幅回撤，尤其是在近两年的表现非常突出。最新2024年8月推荐的风格为大盘价值风格，整体分析师市场情绪偏乐观，具体推荐行业为煤炭、非银金融、电力设备、家用电器、建筑装饰。

5 总结

我们发现不同风格周期下对相关因子的估值有着比较大的影响，我们选择了两个完整的成长和价值周期，观察期间指数收益率与所有者权益变动比率之间的关系。我们发现所有者权益变动来解释涨跌幅的R²较高，且呈现线性正相关。这表明市场的涨跌幅最终会回归基本面，重归理性，完整周期下估值皆会均值回归。根据主要板块市净率（PB）变化，我们可以清晰地观察到市场的周期性特征。在市场处于弱势行情时，金融板块的估值明显上升，而消费板块和中游制造板块的估值则受到抑制。反之，当市场表现较为强劲时，顺周期板块和科技板块的估值会显著提升，金融板块表现相对较弱。这种周期性波动的规律性在市场中表现得较为明显，形成了持续的循环特征，周而复始。

以预期惯性因子合成行业轮动信号，比较稳定，在回测区间内的IC均值为6.74%，年化ICIR为1.13，多空策略的年化收益率为9.7%，信息比率为1.02，收益主要集中在多头。与普通景气度因子相比，该因子具有以下特点：整体成长风格暴露较弱，更依赖于预期差导致的估值波动。多头超额收益曲线并未出现大范围回撤，多空策略的最大回撤仅为10.97%。

我们根据分析师报告里出现的行业词构建词频因子word_fre_indu 因子进行行业轮动测试，回测时间段IC均值为2.25%，多空年化收益为4.9%，在2021年及之前word_fre_indu 因子表现出色，之后出现显著回撤，与主动权益基金表现相关性较大。我们根据分析师报告里出现的风格词语构建词频因子，分别构建“成长价值”，“大小盘”风格轮动因子，因子表现提示性较强，一般处于切换后偏右侧的时点，风格轮动择时偏向右侧，动量暴露明显。

我们认为行业轮动整体框架离不开自上而下的风格判断，并与自下而上结合。我们首先通过总量分析师的词频分析，判断当前的市场风格偏好，如果当前偏好成长的话我们选择风险偏好较高的“真知灼见”因子与动量因子构建行业轮动策略，如果当前偏好价值的话我们选择风险偏好较低，对估值更加敏感的“预期惯性”因子与动量因子构建行业轮动策略。策略在回测区间能够获得6.9%的年化收益，5.8%的超额收益，相对超额最大回撤仅7.9%，信息比率0.83，稳定性较好。

6 风险提示

本报告基于历史数据分析，历史规律未来可能存在失效的风险；市场可能发生超预期变化；各驱动因子受环境影响可能存在阶段性失效的风险。