导读
1、2017年以来，市场风格出现转换。市值、反转、估值等多个强势因子有效性大幅度降低，而其中以ROE为代表的盈利风格因子一改颓势，表现优异。我们认为这主要由于：1）ROE因子属防御性因子，可提供回撤保护；2）外资行为模式影响加剧，价值投资、长期持股理念认可度提升。
2、然而风格的强势往往是阶段性的，因此本文借助于宏观指标趋势状态预测，寻求ROE因子动态配置思路。文中主要解决了以下问题：1）宏观指标序列趋势状态划分；2）不同趋势状态下ROE因子的表现；3）如何预测宏观指标趋势状态并进行ROE因子动态配置。
3、本文从11个维度选取35个宏观指标，并以局部极值为基础将宏观指标划分为三组（6个）状态。我们测试了ROE因子在不同状态下的表现，并根据:1) 筛选有效信号；2）剔除稀疏信号；3）剔除低胜率信号这三个步骤得到了针对ROE因子择时配置的核心信号列表。文章依据核心信号列表获取风格信号构建ROE_完美因子，其表现相对原始因子大幅提升！
4、考虑到可交易性，我们进一步在对宏观指标趋势状态进行预测的基础上，提出了ROE因子的动态配置策略。基于我们设计的宏观序列趋势状态预测方法所构建的ROE_可交易因子：IC均值从原始的0.70%提升到了择时后的4.51%，年化ICIR从0.17提升至1.25；五分位多空组合年化收益率从-1.61%提升至13.80%，最大回撤也从57%降至27%。我们非常建议投资者使用ROE因子时参考上述动态择时模型给出的配置建议！
5、最新观点：根据宏观趋势预测模型，最新一期共有10个指标触发信号，采用求和法汇总可得复合信号值为-1，即九月看好低ROE股票组合。
风险提示：报告中的结果均通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。
1、引言
1.1
风格转换加剧，盈利因子一改颓势
2017年以来，市场风格转换。市值、估值、反转等强势因子出现大幅度回撤。而以ROE为代表的盈利风格因子一改颓势，其表现引发众多关注。
业界对近年来ROE因子有效性的提升也给出了一些解释：
1）ROE因子属防御性因子，可提供回撤保护：近年来，市场波动较大。高ROE因子防御性特征明显，在市场震荡时可提供回撤保护，因此受到投资者青睐。
2）受外资行为模式影响，价值投资、长期持股等理念认可度提升：近年来，受陆港通和A股纳入MSCI指数体系等事件影响，海外增量资金大举入市，使A股生态结构发生了显著变化。如图表2所示，2019年北向资金全年净买入额达3517.43亿元，创互联互通后的新高。外资的持续流入，使得投资者对标的基本面的关注度明显提升，整个市场对长期投资、价值投资等理念的认可度也在增加。机构化、国际化将是未来A股市场进一步发展的重要方向，我们预计以ROE为代表的反映企业基本面的因子也将持续受到投资者的重点关注。
1.2
因子失效风险仍在
那么ROE因子是否能够一直持续有效呢？一般来说，风格的强势往往是阶段性的。如图表3所示，历史上长期有效的低估值因子，在最近两年持续下挫；始于2008年的小市值风格强势表现，也在2017年以30%以上的回撤而终结。所以我们有理由相信，ROE因子的表现，也必然会随着宏观经济、市场状态的变化而不断发生改变。本文将立足于此，通过整合宏观经济及部分市场变量，建立ROE因子择时模型，降低投资于该因子的回撤风险，并为投资者利用ROE因子提供有效的择时意见。
1.3
ROE因子择时研究思路
目前，已有不少学者对宏观经济和风格表现的关系进行了大量的研究，总得来看，常见研究方法可分为以下两种：
1）样本统计法：使用历史宏观状态与风格表现数据，总结出相关规律，并基于历史规律进行风格配置，如“因子投资时钟”方法。
2）模型预测法：采用数学模型（线性回归、机器学习等）拟合宏观数据和因子表现之间的关系，并基于此作出后续预测。
在报告《基于机器学习方法的A股市值风格轮动研究》中，我们采用机器学习模型对市值风格表现和外生变量之间的关系进行了拟合并进行预测。该模型虽说表现十分优秀，但也存在着一些无法对模型决策作出合适解释的情况。针对ROE这个更偏基本面的因子，本文将以样本统计法作为出发点，力求能够建立起宏观变量与因子收益之间更为直接明确的联系，在保持良好的预测能力的同时也兼顾更好的可解释性。
传统的“因子投资时钟”类方法一般是使用少数变量将市场划分为若干状态，并计算不同状态下的因子表现。然而，真实世界中的宏观状态往往是极其复杂的，采用少数变量进行切分的解释力和准确率较低。因此，本文提出了一套新的宏观趋势划分体系，使用多变量对宏观经济状态进行刻画，在保证可解释力的同时提升模型准确率。
趋势预测在宏观经济基本分析中占据重要地位。GDP同比上升还是下降？货币宽松能否持续？类似问题一直是宏观经济研究中的重要议题。本文借助于趋势预测，寻求ROE因子动态配置思路。文中主要解决了以下问题：
1、宏观序列趋势状态划分方式；
2、宏观序列不同趋势状态下ROE因子的表现；
3、如何根据宏观序列趋势状态进行ROE因子的择时配置。
2、自上而下构建宏观指标体系
2.1
宏观指标选择
宏观经济序列众多，如何进行挑选显得尤为重要。本文采用自上而下的方法，首先确定宏观变量核心维度，其次在各维度中选择代表性变量，最终形成宏观指标库。如图表4所示，本文确定11个核心维度。
针对各维度，我们遵循以下两个原则选择相关变量：
1）可追溯：Wind宏观经济数据库中变量开始时间在2005年1月之前；
2）代表性：选取被广泛认知且采用的指标。
综上，我们构建如图表5所示的35个变量构成宏观指标库。
2.2
宏观指标预处理
宏观数据需要经过一定的预处理，具体步骤如下：
1）滞后处理：宏观经济序列往往在次月中旬左右公布，因此本文统一将宏观经济序列按其公布日期滞后处理；
2）缺失值填补：部分宏观数据存在缺失值，本文采用向后填充方法对缺失值进行填补；
3）频率变化：日频数据取月底值转变为月度数据。
2.3
趋势状态定义
对于宏观经济序列的趋势状态划分有着不同的方法，本文的划分方法以局部极值为基础。这里首先给出局部极值点的定义：对于给定的某个宏观指标，若其样本序列中的某个点为前后12个月的最大值，则称之为局部极大值；若其为前后12个月的最小值，则称之为局部极小值。
基于上述极值点的定义，我们提取并定义了宏观序列的三组（共六个）趋势状态：
1）上升与下降：对于某个样本点来说，若其处于局部极小值到局部极大值之间，则称之为上升；若其处于局部极大值到局部极小值之间，则称之为下降；
2）峰值后与谷值后：局部极值的出现可能会对后续市场造成一定影响，因此我们将宏观序列局部极值之后的6个月也作为单独的状态去考察。具体的，将局部极大值之后6个月划分为峰值后，将局部极小值之后6个月划分为谷值后；
3）高点与低点：若某点处于过去12个月均值加一倍标准差以上，我们将此点之后的一个月标记为高点，即我们在序列向上突破均值加一倍标准差以后一个月激发高点状态。同样的，若某点处于过去12个月均值减一倍标准差以下，我们将此点之后的一个月标记为低点，即我们在序列向下突破均值减一倍标准差以后一个月激发低点状态。事实上，这种方法可能会错过序列的突发情况，然而其优势在于高点和低点的判断依赖于过去信息，因此无需对此状态的预测进行过多考虑。
3、宏观指标趋势与ROE因子表现
3.1
因子处理
3.2
宏观指标不同趋势状态下因子表现
上文给出了宏观指标序列的趋势状态划分方式与因子表现的代理变量，下面我们测试在各宏观序列的不同趋势状态下ROE因子的平均历史表现。
本文以IC的历史均值对不同状态下的因子表现进行评价，统计2005.1-2020.8月ROE因子在各宏观指标的不同趋势状态下的IC均值。以工业增加值：当月同比为例，我们可以得到图表13中各个状态下的ROE因子表现(其他宏观指标的详细测试结果请参见附录1)。
3.3
筛选核心信号
通过以上步骤，我们可以得到35个宏观指标不同趋势状态下ROE因子的表现。但事实上并不是每个宏观指标在每个状态下都具有显著区分ROE因子表现的能力，而且纳入过多指标往往会降低信噪比，损害模型的稳定性。因此本文提出下述筛选流程，以便我们挑选出历史上对ROE因子表现有区分能力的核心指标及其相应的状态。我们最终的筛选对象其实是「指标，状态」的二元组合，这里称之为信号。理论上讲，一共存在35 *6=210个可供我们挑选的信号。我们的筛选过程分为以下3步：
第一步：筛选有效信号
在理想状态下，我们希望因子表现在同组状态下能够拥有显著的差异。因此，在筛选第一步，我们先选择出在其对立状态下ROE因子IC均值呈现异号的信号。同时考虑到显著性的要求，我们设定对立状态的IC均值绝对值相加要大于3%。
第二步：剔除稀疏信号
部分指标-状态组合出现频率较低，并没有很好的代表性。我们要求历史上出现次数不低于10次（附录中给出信号出现分布图，我们经过简单遍历后出现次数的阈值定为10）。
第三步：剔除低胜率信号
一些信号的高有效性可能源于个别月份的表现，即胜率并不高。为避免出现这种情况，我们只保留准确率不低于50%的信号。
3.4
核心信号列表
经过筛选，ROE因子的核心信号列表如图表15所示。
总得来看，当经济下行、生产资料价格低迷、流动性偏紧时，高ROE股票的表现更好。
4、ROE因子完美预测配置结果
4.1
配置信号生成过程
通过上述过程，我们得到了ROE因子的核心信号列表。假设我们可以完美预知宏观指标的趋势状态，则可生成配置信号：看多高ROE股票记+1，看多低ROE股票记-1。我们将所有配置信号值简单求和，得到最终配置信号并根据信号值的正负决定ROE因子的配置方向。我们统计2005.1至2020.8复合信号的准确率，达到了65.42%，维持在较高水平。
同时由图表17的ROE因子多空净值曲线可以看出历史上ROE因子有四次较长时间的复苏（高ROE组合跑赢低ROE组合），分别为:
1) 阶段1：2005年1月至2006年4月；
2) 阶段2：2011年5月至2013年5月；
3) 阶段3：2017年3月至2018年6月；
4) 阶段4：2019年4月至今；
可以看出，预测信号基本捕捉到了这四个重要区间。
4.2
完美预测结果
下面我们采用完美预测下得到的信号值对ROE因子进行方向调整，记新的因子为ROE_完美因子。图表18为因子测试结果，可以看出因子的IC均值与IC_IR有明显提升。（以下测试时间统一为2006年1月至2020年8月）
5、宏观趋势状态下的ROE因子动态配置策略
5.1
动态配置方法
在假设完美预知宏观指标状态时，可以看出配置结果表现十分优秀，但毕竟该结果在实践中是无法得到的。为了能够获取可交易的ROE因子择时策略，我们设计了下面的动态配置策略，主要思路如下：
1）宏观指标趋势状态预测：基于历史数据对未来一个月宏观指标所处的趋势状态进行预测；
2）信号生成：得到各个宏观指标所处状态并判断是否存在核心信号，将信号转换为配置信号（1或-1），并将所有单一配置信号求和得到最终信号。
3）动态配置：根据最终信号符号进行ROE因子动态配置。
5.2
宏观指标趋势状态预测
这里首先要解决的问题是如何对宏观指标趋势状态进行预测。前文已经提到在定义高点与低点时仅使用了过去12个月的数据，因此无需对高点和低点进行预测。
而上升与下降、峰值后与谷值后的判断依赖于局部极值点的确定。具体来看，站在T月底，我们已知起点（2005年2月）至T月的宏观指标序列的取值，若想预测目标月(T+1月)宏观指标所处的状态：
(一) 若从起点（2005年2月）至T月不存在局部极值点，则目标月为无状态，即空值。
(二) 若从起点（2005年2月）至T月存在局部极值，取距离目标月最近的一个局部极值点，并根据其以下情况进行判断：
1）、若为局部极大值点，且局部极大值距离目标月距离小于6个月，则目标月状态为（下降、峰值后）；
2）、若为局部极大值点，且局部极大值距离目标月距离大于6个月，则目标月状态为（下降）；
3）、若为局部极小值点，且局部极小值距离目标月距离小于6个月，则目标月状态为（上升、谷值后）；
4）、若为局部极小值点，且局部极小值距离目标月距离大于6个月，则目标月状态为（上升）。
即目标月状态一共有以上五种情况。
上述判断方法的前提是，能够根据历史样本进行局部极值点的判断。因此目标月状态判断的核心难点在于局部极值点的确定。
根据此前对局部极值点的定义，我们在进行判断时需要用到25个月的数据，例如当某个月为前后12个月的最大值时，我们认为其为局部极大值。然而在实际应用中，在距离目标月较近的位置，我们可以很容易知道某月是否为过去12个月的最大值，却可能无法得到序列的未来走势是否满足条件。因此下面提出潜在局部极值法来确定距目标月较近位置的局部极值。
以局部极大值为例，站在当前时点，假设指标大于等于前12个月的最大值，则我们将当前月标记为潜在局部极大值点，当随后两个月的指标出现下降（接下来两个月值小于潜在局部极大值），我们就将潜在局部极大值点确认为局部极大值点。
同时为了减少预判的错误率，我们继续监控接下来的两个月指标走势，若序列出现上升，则我们认为预测错误，将立即进行纠正，将此前所做出的局部极大值点的判断撤销。
潜在局部极值法放松了对于局部极值的定义，真实的局部极值点为潜在局部极值点的一个子集。我们通过遍历潜在局部极值点得到一个更宽松的局部极值列表，然后根据目标月状态划分步骤得到目标月的状态。通过以上步骤，我们就可以给出每个月的趋势状态预测，并根据预测状态得到ROE因子动态配置信号值。
5.3
动态配置结果
因为存在无状态这种情况，部分时点的某些宏观指标可能无法产生信号。若所有依据的指标都无信号，则我们将配置信号定为1（即做多高ROE）。下面我们利用动态配置信号对ROE因子进行方向调整，记调整后因子为ROE_可交易因子，并对其表现进行了完整的测试。
从IC测试的结果来看，基于状态预测的可交易模型依然保持了良好的ROE因子择时能力，IC均值从原始的0.70%提升到了择时后的4.51%，年化IC_IR从0.17提升至1.25，择时策略表现非常优秀！
五分位组合的测试结果也同样提升明显。多空年化收益率从-1.61%提升至13.80%，最大回撤也从57%降至27%。我们非常建议投资者在考虑ROE因子配置时参考上述动态择时配置策略。
6、最新观点
根据宏观趋势预测模型，最新一期共有10个指标触发信号，采用求和法汇总可得复合信号值为-1，即九月看好低ROE股票组合。
7、结语
因子择时作为近年来的热点话题之一，所受关注颇多。因此，兴证金工团队开启因子轮动研究系列，希望能够对投资者进行因子轮动提供一定帮助。在之前的研究中，我们曾从理论角度说明了因子择时的有效性和必要性（天花板视角下的因子择时有效性分析-2020/1/14），也对因子动态配置方法进行了全面且深入总结（因子动态配置手册-2020/5/7）。特别的，我们针对市值因子构建择时模型，模型建立于 2019年10 月，样本外准确率达 80.00%（基于机器学习方法的A股市值风格轮动研究-2019/11/25）。
作为本系列的第四篇报告，本文借助宏观指标趋势分析，寻求ROE因子的动态配置思路。从结果来看，动态配置策略表现良好。在后续研究中，我们将继续致力于因子择时的相关研究，进一步完善我们的因子择时体系。
附录
附录详见报告
参考文献
[1]Sharpe,Willian F,1992,”Asset allocation:Management style and performance measurement,”Journal of Portfolio Management 18,7-10
[2]Lorne N.Switzer.The behabiour of small cap vs large cap stocks in recessions and recoberies:Empirical evidence for the United States and Canda[J].North American Journal of Economice and Finance 21(2010)332-346
[3]Asness, C. S., J. A. Friedman, R. J. Krail, and J. M. Liew (2000). Style timing: Value versus growth. Journal of Portfolio Management 26 (3), 50–60.
因子轮动研究系列之一：基于机器学习方法的A股市值风格轮动研究
因子轮动研究系列之二：天花板视角下的因子择时有效性分析
因子轮动研究系列之三：因子动态配置手册
风险提示：报告中的结果均通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。
注：文中报告节选自兴业证券经济与金融研究院已公开发布研究报告，具体报告内容及相关风险提示等详见完整版报告。
证券研究报告：《因子轮动研究系列之四:基于宏观趋势状态的ROE因子择时研究》。
对外发布时间：2020年9月14日
报告发布机构：兴业证券股份有限公司（已获中国证监会许可的证券投资咨询业务资格）
--------------------------------------
分析师：徐寅
SAC执业证书编号：S0190514070004
电话：18602155387,021-38565949
E-mail: xuyinsh@xyzq.com.cn
--------------------------------------
更多量化最新资讯和研究成果，欢迎关注我们的微信公众平台（微信号：XYZQ-QUANT）！
