会议要点
1. 择优低拥挤度策略
低拥挤度行业筛选标准：通过定义一个统一定量标准区分热门与低拥挤度行业，再从中筛选出基本面边际改善的行业。
有效指标应用:历史数据验证指标有效性后，利用多因子模型在低拥挤度行业中精选出成长性、盈利能力变化和现金流状况等维度的优质指标。
期望收益与投资策略：研究显示低拥挤度行业的稳定性较高；通过精选之后，旨在实现长期稳定超越基金指数平均水平的收益，无需特别择时，既能跟随热门行业趋势，也能在热门行业回撤时保持稳定。
2. 筛选低拥挤但潜力行业
筛选热门行业标准：至少需在市值、成交量成交额或近一个月换手率上排前十，且换手率排前十的行业需总市值或成交量成交额能排前二十
涨幅评估热门行业：基于行业指数，短期（半年至一年）或长期（两至三年）涨幅均需排前三，即便近期未涨，之前大幅涨幅仍可让行业保持热度
基金持仓：基金持仓可能变化缓慢，但某些行业持仓较高且即使之前萎靡不振，短期行情好转可迅速引发讨论热度；基金季报持仓占比前三或超过8%的行业视为热门行业
3. 基本面指标与行业收益率关联
通过财务指标对行业进行排序：使用年报中的财务数据，对各行业的净利润增速进行排序，并在季报公布后更新一次数据，再按新增指标结果调仓。
基本面与收益率相关性验证：从2013年至2022年，根据基本面指标分为五类行业，验证基本面最好的行业是否有最高收益率。
单季度比TTM更有区分度：对比单季度同比增速和TTM同比增速，发现单季度数据的变化和营收增速有更好的投资收益区分度。
4. 关注边际变化效应
盈利能力指标的选择：ROE等传统指标对行业轮动效果有限，因为行业ROE通常变动缓慢，而以LE同比变化作为指标更能捕捉边际变化信息，亦即每个季度不同行业的表现潜力。
净利率可作负向指标：行业的净利率如果过低，可被用作排除该行业的参考，但和LE变化结合使用时有互补作用。
现金流指标的分析：现金流的边际变化通常作为负向指标；然而，单季度的OCF（经营活动产生的现金流量净额）和FCF（自由现金流）与净资产比例是有效的正向指标，可产生超额收益。
5. 行业基本面筛选与稳健打分策略
选择投资标的采用简单的打分法，因考虑到指标非线性和行业数量较少，使用复杂的模型容易过拟合，打分标准为指标排名前三加分、后三减分，确保稳定性。
打分结果每季更新，根据打分高低将行业分为五组，以此定位收益情况，历史数据显示得分高的行业收益也相对较好，验证了选股逻辑的效果。
在行业周期切换时期，本策略表现更为稳定，意味着即便不投资热门行业也能跟上市场基准，且周期切换后业绩更出色，具有长期稳健的优势。
会议实录
1. 择优低拥挤度策略
各位领导晚上好，我是长江精工的研究员邓月。今天晚上，我要向各位汇报我们的行业选择结果，即我们依据定量选择的行业轮动策略。我们的主要思路是：首先寻找拥挤度较低的行业，以及那些基本面有边际改善的行业，并采取定量方式进行筛选。这些指标在历史回溯时显示出了有效性，并且在模拟盘测试中再次证实了其可行性。按照这个流程，我们制作了PPT，并将模拟盘效果放在了PPT前面。具体而言，我们首先需要制定一个标准，来界定行业的热门程度，并在历史数据中依据这一标准筛选出低拥挤度的行业，再从中挑选出有效的指标。这一过程包括筛选指标和综合这些指标来评分各个行业的基本面，并选择那些基本面得分较高的行业。
展示我们的效果，主要关注几个维度，包括成长性、盈利能力的边际变化和现金流状况，其中我们发现了一些相当有效的指标。综合得分后，我们选出了三个行业，从2013年模拟盘的情况来看，表现是积极的。
我们评估收益时有两个基准：一是万得偏股混合型基金指数，代表偏股权益类基金的整体表现。另一是我们筛出的低拥挤度行业的整体表现。从2013年市场风格来看，避开热门行业确实能获得相对收益。然而，我们希望在低拥挤度行业中进一步精选，来提高我们的收益率。过去几年中，我们的模型选出的行业，诸如公用事业、煤炭、家电和保险等，在不同时间阶段均有良好的表现。
我想强调一个观察结果：从长期收益率来看，热门行业和非热门行业之间，并没有绝对的优劣。它们呈现出一定的周期轮动模式。我们的目标是在不同行业中寻找能够长期跑赢基金指数的机会。如果能在热门和非热门行业中都实现超越基金指数的收益，那么我们整体的策略就能在长期稳定地超越基金指数。
我们的方法是制定一套定量标准来做行业划分，并基于这一标准历史回溯。在热门行业中，由于受到消息、政策等影响较大，我们可能需要使用及时的分析方法，如形态判断、买卖点判断等。而在非热门行业中，我们倾向于采用财务面、技术面、资金流和盈利预期等因子，来建立一个多因子模型进行行业选择。
整体来看，我们希望能从热门和低拥挤度行业各自挑选出能够跑赢基金指数的行业，并在此基础上，寻求最合适的配置比例。虽然找到完美的配比很难，但只要各个部分能各自超越基金指数，整体上也就能实现超越。各位领导如果对我们的策略感兴趣，可以关注我们挑选的这些行业。谢谢大家。
2. 筛选低拥挤但潜力行业
我们认为，要成为热门行业，一个行业首先得有一定的规模，不能太小。不能仅仅只看涨幅，可能存在一个小行业涨幅很高，但并不算热门，可能并未引起广泛关注。因此，我们的策略是先寻找规模稍大的行业。
在设定定量条件方面，首先考虑的是行业的平均市值要能排到所有行业的前十位，或者成交量、成交额也能进入前十。如果这些条件不满足，但行业的近一个月换手率进入了前十名，我们也将其视为备选。不过，为了防止小行业的高换手率造成的偏差，我们加了限制条件：若换手率在前十，还要求总市值或成交量、成交额至少在前二十名内。此时，如果换手率前十，我们就将该行业列为热门行业的备选。但仅仅只是备选，还不足以定义为热门行业。另外，基金持仓量进入前十大行业的，也会成为我们整体热门行业备选的一部分，这些行业有可能成为热门行业。
接下来，要判定一个行业是否能成为热门行业，我们将审视其涨幅。我们这里考虑了两种情况，一种是近期涨幅较大的，另一种是过去涨幅很大，尽管现在可能没有涨了，但热度仍未消退。在定量指标上，一个是查看行业指数在最近半年或一年内从最低点至现在的涨幅是否能排进前三。另一个则是观察过去两年或三年内从最低点到最近半年以内的最高点的涨幅，即便近半年可能一直在下跌或震荡，我们不在乎，只看涨至最高点的幅度是否进入前三名。通常而言，满足这些条件的行业一般会较为热门，但要符合我们之前提到的热门行业备选的前提条件。
另外，我们还会评估交易热度，主要通过换手率来看。如果一个行业在最近一个月的换手率能排到全部行业的前三，或者换手率超过其过往历史平均水平一个标准差，我们也将其视为合格。但同样，这样的判定也要符合之前提到的热门行业备选的前提条件。
还有一个重要指标就是基金持仓量。有时，基金持仓变化较慢，从行情来看，某些行业可能已经不那么热门了，可能已经经历了较长时间的下跌，但它们的持仓量依然很高。这样的行业也值得我们重视，因为它们可能只是暂时看起来没有行情，一旦出现短暂的行情波动，大家对这些行业的讨论热度会迅速上升。具体到持仓量，我们会查看基金季报中排名前十的行业，总结哪些行业的持仓量占比进入前三，或者超过8%的，这些行业我们认为是热门行业。剩余的部分则视为非热门行业，也就是我们研究的低拥挤度行业。从历史数据来看，我们挑选的热门行业在数量上比较多，这也符合我们的直观感受。
关于直观感受的部分，由于原文重复且不连贯，这里略去。总的来说，我们的方法在挑选热门行业时相当符合实际，可以作为有效的参考。
3. 基本面指标与行业收益率关联
我们首先通过年报计算各行业的财务指标，然后对行业进行排序。具体来说，我们会将净利润增速最高的三个行业、次高的三个行业以及最低的三个行业分成五个不同的档次。在划分好之后，我们会带着这些分档进入下一个季度。等到季报公布后，而不是在传统季度末，我们会更新这些行业的基本面指标，之后重新进行排序，看哪些行业位列前茅，接着据此调仓。
我们从2013年做到了2022年底，观察这五个不同基本面情况的行业组合，看它们的收益率是否也呈现出相同的梯度。是否基本面最好的行业，其收益率也是最高的，我们特别剔除了2013和2014年的数据作为验证期，以此确认我们的策略是否有效。
在后续的结果分析中，我们关注的是成长性指标。通过图表我们可以看到历史上基于单季度净利润增速划分的五大类行业。每个季度，这五类行业根据基本面的变化会出现调整。我们持续根据这五个分类进行调仓，并跟踪到2022年底，查看相对于基金指数的年化收益。我们希望看到的结果是排在前面的行业组合，即收益率更高的组合，会显示更红的柱状图。然而，从实际效果来看，实际效果之间的差异是显著的。
左边的图采用的是单季度同比增速，而右边的图采用的是滚动十二个月（TTM）的同比增速。我们明显看到，使用TTM同比的效果并不理想，而单季度的指标在区分度上表现得更好。尤其是单季度营收同比增速的区分度最高。这说明在单季度的指标中，无论是净利润增速、营收增速还是年利润增速，区分度都存在。
但我们进一步发现，关注单季度营收同比增速时，选出的行业整体年化收益率更高，说明这个成长性指标有效。我们使用的财报数据显示，历史业绩增速能够帮助我们选择表现更好的行业。这表明历史业绩增速确实存在一定的动量效应，或者至少是业绩增速所带来的股价动量是可以被观察到的。
至于将分析师的成长性预期纳入考虑，我们将其视为机构行为的一种，后续会单独讨论。所以，今天的报告将重点放在拥有实际客观数据支持的基本面指标上。
4. 关注边际变化效应
首先，讨论盈利能力的指标，我们考察了包括ROE、净利率和毛利率等。发现纯粹依赖股票流动性（LE）的评估效果并不理想，直接依据LE会发现问题。对此，我们回顾分析了如果直接根据ROE来排序，似乎没有太多的轮动空间，因为行业的ROE相对比较稳定，季度之间的排名变化不大，是一个变化缓慢的变量。仅凭ROE选股，可能长期固定在几个行业中。同时，我们排除了热门行业，诸如食品饮料和医疗，这些行业基金持仓较多。但当我们通过流动性价值（LV）进行选择时，结果并不理想。
我注意到，早期资金已经针对ROE表现良好的行业有所布局，这意味着没有新的边际信息参与。不过，一个较为有效的方法是观察LE同比变化以及单季度ROE同比变化。尽管TTM（过去12个月）变化也有其有效性，但更为关键的是单季度的变化。这种边际变化更具有效性，因为它是一个快速变动的指标，每个季度都可能有行业表现出色。
至于净利率，尽管其影响相对较弱，我们发现它依然扮演着强烈的负面筛选作用。即如果某行业的净利率极低，则可能不太理想，可以作为剔除指标。此外，我们还发现单季度LE的边际变化与净利润有一定关联，由于LE的分子就是净利润，这从实际收益率来看，存在互补作用，不仅仅反映单一的净利润情况。
通过对比单季度IOE的边际变化所选出的三个行业的收益率与单季度营收同比变化的收益率，我们发现这两项指标间的收益率差异在某些年份相当大，这说明IOE的边际变化能够为投资决策提供有效信息。
然而，当我们将注意力转向现金流时，发现净资产的变化较为稳定，重点在于净利润中实际以现金形式确认的部分与净资产的比例。这涉及到企业回收现金的能力。从结果看，这个角度与单纯从LE角度出发的结论差异明显。LE方面的边际变化相对有效，但是现金流方面的边际变化基本只能作为一个负向指标。如果某行业的现金流状况边际恶化，则表现确实较差，但即便边际改善，也无法明显体现出超额收益。
另外，我们还发现单季度的经营现金流（OCF）与净资产比例，或单季度的自由现金流（FCF）与净资产比例，这些指标相对于基金指数可以产生超额收益，证明它们是有效的投资指标。虽然这些看上去与ROE类似，但实际应用方法和结构上有较大差异。
5. 行业基本面筛选与稳健打分策略
首先，让我概述我们对各单项指标的评估工作。我们筛选了一些可用的指标，并试图将这些指标综合起来，给行业进行打分。在常规量化方法中，我们会将这些因子结合并运用回归分析等复杂模型来得出一个行业的最终得分。然而，我们打算简化这一过程，主要是因为许多指标并非完全线性单调，它们往往只在前三或后三这样的简单区间内发挥作用。又加上行业数量有限，使用复杂模型可能导致过度拟合现象，即在历史数据上表现良好，但推广预测效果较差。因此，我们希望打分更稳定，采用一套固定参数，简单地增加或减少分数，并据此设计了一个打分表。如果某行业在我们指定的指标中排名前三，我们就给它加一分；排名后三，则减一分。我们不打算调整这个打分参数，以保证这个评分系统的稳定性。考虑到实际变数，我们发现有时一个指标的回归系数可能是正的，有时是负的，这与我们的基本面逻辑并不完全匹配。我们根据这种方式汇总得分，譬如每季度财报发布后，每个行业都会获得一个得分。得分确定后，我们就按得分将行业分为五组：得分最高的三个行业，次高的三个行业，最差的三个行业，次差的三个行业以及剩余的中间行业。我们对中间行业不太关注，把它们放在一起观察其收益率和整体走势。通过2013至2022年的样本内结果验证，我们所选择的指标有效。而在2022至2024年，尽管数据时间较短，我们得出行业表现可以保持一定梯度，得分较高的行业确实能够超越那些得分较低的行业。
接下来，我们关注了总体收益率，并尝试了解其中的细节。从2019年到2021年，我们观察到基金指数的走势（即黑线），其中2019年至2020年末的基金指数表现强劲，随后出现下跌。相较之下，低拥挤行业（以浅色线表示）的整体走势表现不佳。我们的策略生成的阿尔法能跟上基金指数，虽然在当年只以中等的50%排名，并不突出，至少还能跟上基金指数的步伐。但为了获得更好的成绩，可能仍需选择一些热门行业。我们的目标是在非低拥挤度行业中跟上基金指数，而一旦进入了周期的转换阶段，如去年、今年或前年，我们的业绩则更为稳定，这种长期的稳定性是我们的优势。具体来讲，我们一方面在非拥挤度行业获得与基金指数的配合，另一方面则通过低拥挤度行业获得另一层阿尔法。长远来看，通过整个周期的多元战略，我们达到了良好的效果。
我们还观察了丰年情况的对比，将其与基金指数进行了比较。在2018年至2020年间，我们并未明显跑赢基金指数。2018年的市场普遍下跌，差异不大。而在2019年和2020年，我们的业绩基本上与基金指数持平，但之后情况开始好转。从长远角度看，2019年和2020年的相对收益其实不是常态，依赖寥寥几个行业就能取得优异业绩的情况其实并不常见。
PPT的后半部则展示了我们每次选择的具体行业。例如，在2021年，我们可能会长期选择交通运输和煤炭行业；而在2022年和2023年上半年，可能是公共事业和煤炭；下半年则转为公共事业和家电行业。最新数据显示我们依然选择公共事业和家电行业。这些行业的选取是从2013年以来的历史记录，供参考。
