行业景气度量化前瞻系列之一:从消费行业开始(上)【天风金工吴

文章正文
发布时间:2018-05-12 16:08

行业景气度量化前瞻系列之一:从消费行业开始(上)【天风金工吴先兴团队】

2018-05-12 13:23来源:量化先行者消费/进出口/利率

原标题:行业景气度量化前瞻系列之一:从消费行业开始(上)【天风金工吴先兴团队】

报告提要

前瞻行业景气度的重要性和必要性

行业基本面景气度研究是行业配置的第一步。但由于定期财报公布的滞后性,行业指数表现在大多数时段领先于基本面业绩变化。若我们根据公布的业绩再判断行业景气方向并以此作为投资指引,那效果可能很难乐观。但若能实现对行业景气度的前瞻,提前把握行业变动方向,那将成为我们投资决策的一大重要依据。

以关键财务指标作为景气度代理变量

我们前瞻的行业景气度主要来自财务数据层面,包括盈利、成长、营运等多个维度,涉及的原始财务指标包括营业收入、净利润、ROE、毛利率、净利率、应收账款周转率、存货周转率等,具体到单个行业的景气度代理变量选取则可结合行业属性进一步确定。

宏观+行业层面建立大众消费“驱动力”备选库

行业景气度前瞻的首要任务是寻找“驱动力”,它们应当具有领先景气指标的信号作用。我们首先对主要大众消费行业(食品饮料、纺织服装、商贸零售)的基本面进行梳理,从宏观和行业层面分别纳入多个备选驱动力。宏观层面主要考虑投资、消费、进出口、通胀、货币环境及经济景气度,行业层面除了产业链我们还引入了行业一致预期滚动净利润环比因子。

两步法筛选景气度“驱动力”

我们通过两步法筛选纳入景气度前瞻模型的驱动力因子:第一步是相关性分析初选驱动力,第二步是通过对称正交后OLS 回归剔除不显著变量的方式,得到终选后的驱动力。在驱动力确认后,根据历史上驱动力对景气指标的作用机理及近期驱动力走势来推演未来行业发展方向,从而实现景气度的前瞻。

滚动测试及二季度景气前瞻

通过2014年一季度至2018年一季度的样本外滚动测试,我们对三大行业包括盈利、成长、营运三大维度的各个环比类景气度指标的重要驱动力进行了归纳。最后,我们结合滚动预测方向准确率前瞻了各行业二季度可能的景气方向,模型显示:食品饮料行业二季度营业收入和净利润TTM均值环比增速将可能达10%以上,从盈利和成长的角度看,行业将大概率出现业绩景气上行;纺织服装行业成长、营运能力将上行,而盈利能力可能出现下行趋势,我们认为二季度纺织服装行业景气变化不大,可能出现小幅上行;商贸零售行业成长类因子将呈现上行趋势,而盈利和营运能力均可能出现下行,我们预计二季度商贸零售行业可能出现景气小幅下行。

正文

本系列报告通过“追本溯源”的方式,将“以基本面定性分析为主”的行业研究结合到“借数据模型说话”的量化研究中,以期寻找各行业“接地气的驱动力”,从而构建更具逻辑性的行业景气度前瞻模型。

我们首先梳理各行业的基本面逻辑,结合宏观经济环境和行业属性,以关键财务因子作为行业景气度的代理变量,多指标多维度剖析行业盈利能力、成长能力等,并试图实现行业景气度的前瞻,以期为投资决策提供更有意义的参考。

本文是系列研究的开篇之作,主要介绍了我们前瞻行业景气度的原因(Why)、对象(What)和方法(How),并以食品饮料、纺织服装和商贸零售为例,对部分大众消费行业展开分析。

1

行业景气度定义

行业是指按生产同类产品或具有相同工艺过程或提供同类劳动服务划分的经济活动类别。由于行业属性差异,不同行业对宏观经济的敏感性有所不同,因此在生产经营、绩效等方面的表现也存在分化。分析一个行业的景气程度本质上是对其在不同宏观环境下发展趋势、变动方向的把握。这一把握主要可从量、价、利三个角度入手。

产销量、库存以及价格反映了需求与供给的博弈,而利润是量价的综合结果。一般而言,利润是景气度的正指标,而单从量价来看无法判断景气变化。以价格上行为例,若行业提供的商品或服务价格提升是源于需求强劲,则一般说明景气度上行,而若这一提升是源于成本增加,则景气度的变化取决于行业的成本传导能力,即是否能将成本增加的部分完全转移至价格和销量上。因此,量价变动分析最终需归结为利润的实现。简言之,盈利好转是行业景气上行的最直观反映。

然而考虑到企业规模、管理水平、创新能力等差异,同行业的不同企业在盈利、成长等方面也存在较大差异,我们需要定义一种刻画行业整体景气度的方式,以较稳定可靠地反映行业发展趋势。而上市公司作为行业企业的主要组成部分,其盈利状况具有行业景气度晴雨表的作用。因此,本文以上市公司作为行业代表进行研究,试图从上市公司财务数据出发,构建行业的关键财务指标(如ROETTM、毛利率TTM、净利率TTM、营收增速TTM、净利润增速TTM、应收账款周转率TTM等),将其作为行业景气度的代理变量。

2

为何前瞻:Why

理论上讲,一个行业的景气程度决定了行业的投资价值,景气上行但估值偏低的行业应当享受溢价,但实际股价的作用机理复杂,除了基本面,更有情绪面等因素的干扰。那么对行业基本面景气度的研究是否还有意义呢?

2.1

重要性:景气度指标与行业指数

在回答上述质疑前,我们首先来分析行业基本面景气度与行业指数的关系。从上文对行业景气度的定义来看,反映行业盈利水平的指标是首选,如ROE、净利率、毛利率、利润增速、营收增速等。这些指标在使用和比较时又有同比、环比、TTM环比可选。考虑到单季度财务数据的波动和周期性,应当采用同比来过滤,但从数据时效性来看,环比能更及时反映状态的变化。而TTM (Trailing Twelve Months)这一滚动概念的引入能充分利用季度财务数据,始终包含四个季度的数据,在过滤周期性波动的同时能更真实及时地反映上市公司的变化。因此,本文首先对各上市公司的财务指标做TTM处理,并采用整体法汇总计算对应的行业指标。

以纺织服装为例,我们研究了2006年四季度以来中信一级行业指数与其净利率TTM、ROETTM以及ROETTM环比变动值之间的关系。从图1-图3的走势关系可以看到,行业的业绩与指数走势关系十分紧密,基本呈现一致性。净利率、ROE的提升伴随的往往是指数上行。从ROETTM环比变动值来看,变动值大于0表示行业盈利好转,这些时段中指数大概率呈上行趋势。因此,尽管股价走势存在诸多噪音影响,但行业业绩景气度依然起到了至关重要的导向性作用。

2.2

必要性:真实指标公布的滞后性

仔细观察图1-图3不难发现,行业指数表现在大多数时段领先于业绩变化,而不是业绩变化引领股价表现。这与我们的直观感受相悖。但考虑到公司定期财报的滞后性(年报滞后四个月,中报滞后两个月,一、三季报滞后一个月),股价的这一提前反应也便可以理解。若我们根据公布的业绩变化再判断行业的景气程度并以此作为投资指引,那效果可能很难乐观。但若能实现对行业景气度的前瞻,提前把握行业业绩变动方向,那将成为我们投资决策的一大重要依据。

因此,接下来需要厘清的是前瞻哪个或哪些景气度指标?何种因素会影响行业景气度?影响程度如何?这种影响是否稳定?面我们逐一解答以上问题。

3

前瞻什么:What

对于行业景气度的定义众说纷纭,分析方法也莫衷一是。本文试图从可比性较强的上市公司财务数据出发,根据各行业在各报告期的成分股计算相关行业财务指标,多维度多指标分析行业景气度。

3.1

景气度的代理变量:关键财务指标

根据上文分析,反映行业景气度的主要是业绩指标,可分为总量和比率两类。总量类有营业收入、净利润,收入体现了行业的产品需求状况,净利润反映了销售、管理、财务费用控制情况;比率类有毛利率、净利率、ROE等,毛利率、净利率反映了行业成本传导能力,而ROE是行业盈利能力、管理能力的综合体现,相比于其他单一财务指标能更全面反映基本面状况。

除业绩指标外,部分行业的营运能力也是行业景气度的侧面体现。其中较为重要的有应收账款周转率和存货周转率,两者通常结合起来分析,主要反映行业资金和库存的流转速度,是行业议价能力和地位变迁的体现。具体地,若应收账款周转率与存货周转率均上升,则表明行业市场地位优越、前景向好,若应收账款周转率上升而存货周转率下降,则可能表明行业预期市场向好而扩大产销规模或实现紧信用政策,反之,若应收账款周转率下降而存货周转率上升,则表明行业放宽了信用政策,扩大赊销规模,隐含的可能是行业对市场前景预期并不乐观。就纺织服装行业而言,由于服装产品具有时尚性和季节性变化的因素,客观上要求了服装企业大多采取赊销的方式经营,因此,对于这类行业来说,营运能力是一个考察景气度的重要维度之一。

基于以上分析,我们关注的行业景气度代理变量主要有净利润TTM、营业收入TTM、ROETTM、销售净利率TTM、销售毛利率TTM、应收账款周转率TTM、存货周转率TTM等,分析行业的盈利能力、成长能力、营运能力等。进一步考虑到行业属性差异,不同财务指标在行业间的要求可能有所不同,如应收账款这一指标主要用于制造业,且不同行业由于生产周期和建设周期长短不一,行业间横向可比性相对较弱,主要可用于行业自身的纵向比较。因此,我们重点把握盈利、成长这类分歧较小、可比性较强的业绩指标。

3.2

行业大类划分

针对不同行业板块在经济中的异质性作用机理有必要进行分类研究。根据行业属性,我们将28个中信一级行业(除综合)划分为消费、周期、金融地产和TMT四大板块。然而大类板块内部差异仍较大,单纯的一级行业也依然存在子行业众多、个股影响差异悬殊的问题,如农林牧渔、医药、通信等行业。因此有必要对部分大类板块和一级行业做进一步细分,进而逐一构建行业基本面景气度模型进行分析。

我们将消费行业大致分为逻辑较一致的大众(主动)消费行业(食品饮料、商贸零售、纺织服装)、被动消费行业(医药)、服务型消费行业(餐饮旅游)以及周期性较强的消费行业(家电、农林牧渔)。需要说明的是这一划分仅以一级行业为研究对象,暂不考虑一级行业内部的子行业细分板块。本文首先在大众消费行业板块展开景气度研究。

4

如何前瞻:How

前瞻行业景气度的第一步是寻找“驱动力”。驱动力应当符合行业基本面逻辑,且具有领先景气指标的信号作用。在驱动力确认后,我们可根据历史上驱动力对景气指标的作用机理及近期驱动力走势来推演未来行业发展方向,从而实现景气度的前瞻。

4.1

大众消费行业基本面梳理

大众消费行业业绩稳定性强,具有明显的防御属性,在经济不确定、风险偏好下行阶段倍受投资者青睐。较典型的大众消费行业有食品饮料、商贸零售、纺织服装。

从产业链的角度来看,消费行业处于下游位置,终端需求变化是研究该类行业的关键,其主要分析点在于销售环节。长期而言,收入增长和人口结构变化是驱动消费增长的核心因素,如富裕群体壮大、人口老龄化加剧、城镇化推进等将促进相关消费行业的发展。而从短期来看,宏观经济环境、货币政策、消费者信心等引起的需求波动对行业的影响更大,对这一需求波动的把握是我们判断行业景气变化的关键点。

4.1.1 食品饮料

食品饮料行业主要可分为白酒、其他饮料(啤酒、葡萄酒、黄酒、其他)和食品(肉制品、调味品、乳制品、其他)。行业内大部分属于弱周期性的大众消费品,而白酒相对周期性最强,其需求受宏观经济的影响也最大,如经济上行、投资加速阶段,白酒作为商务洽谈的润滑剂需求呈现向好。

食品饮料企业发展的两个核心要素是行业空间和竞争格局。其中行业空间保障的是收入的稳健增长,而竞争优势则体现在成本传导、规模效应上,即利润和盈利能力的提升。因此,对于食品饮料行业来说,我们重点关注的景气度原始指标有营业收入、净利润、毛利率、净利率和ROE。

4.1.2 纺织服装

纺织服装产业链较长,从上游农业(棉花种植)、中游制造业(化纤生产、纺纱、织布、印染、成衣等)到下游终端销售,覆盖多个行业。纺织服装行业主要包括产业链中游的纺织制造和下游的品牌服饰零售板块。其中纺织制造以出口外销为主,品牌零售以内销为导。因此,棉花量价波动及汇率变化是影响进出口棉纱企业景气程度的重要因素。而品牌零售板块周期性相对更强,与宏观经济景气度正相关关系较大,还需重点关注存货积压和应收账款周转率等反映营运能力的指标。因此,除业绩类指标,营运类指标也是对纺织服装行业景气度的一种反映。

4.1.3 商贸零售

商贸零售行业位于产业链终端,可划分为零售和贸易两大板块,包括百货、超市、连锁和贸易四大子行业。由于上游制造业产能普遍过剩,消费品供过于求,生产商对零售渠道的依赖度较高。对于实体零售业而言,其盈利模式可分为自营和联营,自营本质得益于是进销差价,而联营则主要赚取级差地租。国内百货基本以联营为商业模式,位置决定价值。超市的核心竞争力主要体现为营收增速、周转效率以及ROE的提升。而连锁行业的内生空间则主要依赖于毛利率的提升。

从商贸零售行业的属性来看,其景气度的代理变量与纺织服装类似,且景气程度显著依赖于需求的提升,此外,考虑到联营模式对零售业的作用,地产市场的景气程度可能也是影响行业景气度的重要因素。

4.2

宏观+行业层面备选“驱动力”梳理

在对行业基本面进行梳理的过程中我们发现,行业景气“驱动力”主要来自宏观经济环境和行业属性两个层面。宏观经济环境是外因,有宏观经济景气、经济周期、货币环境等因素,自上而下影响行业发展,而行业层面需关注的是上下游产业链供需、成本转嫁能力、产业政策等因素的变化。下面从两个层面分别进行具体指标的梳理。

4.2.1宏观层面备选驱动力

首先,在宏观层面,我们筛选了投资、消费、进出口、通胀、货币环境及经济景气度等6类40个原始指标,并引入了2个衍生指标。指标筛选主要考虑:

(1)经济含义。反映经济环境的指标众多,我们选取了宏观研究和消费行业研究中常用的具有代表性的部分,并引入CPI-PPI和M1-M2衍生指标,前者主要反映的是上下游行业的毛利水平,而后者则代表货币流动性程度;

(2)同比数据。除本身季节性不明显的经济景气度指数、消费者指数、PMI,其余指标均选择当月同比或累计同比数据以剔除季节性并更好地体现发展增速。

(3)数据长度与频率。由于财报数据按季度公布,我们筛选的潜在驱动力指标应至少不低于季频,且为满足从观测到预测的有效性,数据基期应当不晚于中信行业分类基期(2005年1月)。

4.2.2 行面层面备选驱动力

下面,针对三个行业各自的属性,我们结合产业链上下游及主要产品类别梳理行业层面的景气度备选驱动力。固定资产投资量反映了行业新增生产能力情况。原材料价格和供给反映了行业生产成本的变化。行业细分CPI、PPI反映了行业成本传导能力。成品价格、产销率、库存反映了行业供需相对强弱。进出口指标反映了国内外需求的变化。相关行业的销售额、收入、利润作为综合指标则可能与行业景气度相关性更高但领先性并不明显, 而考虑到这类指标更新频率更高,我们依然将其纳入驱动力备选库以待进一步验证。此外,我们还引入了各行业一致预期滚动净利润环比增速指标用以代表分析师对行业前景的前瞻。该指标是由朝阳永续一致预期数据库衍生计算而来,我们将数据库中对个股的滚动净利润月度预测值汇总至行业,汇总计算时同行业相邻两期包含的样本股相同,具体过程见图6。理论上,分析师通过深入调研、访谈等形式能掌握上市公司的第一手资料,基于此做出的判断应当对行业基本面景气度具有一定预测能力。

结合以上分析,我们共筛选了食品饮料行业层面指标43个、纺织服装行业层面指标37个、商贸零售行业层面指标57个。下表展示了指标类别及其主要包含的细分项,由于指标数量较多在此暂不一一列明。

4.3

数据处理

行业景气度代理变量和备选“驱动力”梳理完毕后,我们对指标进行处理,为下一步模型构建做准备。

4.3.1 行业景气度指标计算

图1-图3展示了部分景气度指标的走势,下面对指标编制过程进行详细说明。

(1)纳入行业指标的有效成分股条件:当期属于该行业分类,且所计算指标依赖的原始财务数据完整。如皇庭国际(000056.SZ)在2008年5月由商贸零售行业变更为房地产行业,则在计算商贸零售行业2008年二季度相关景气度指标时剔除该成分股。若相关财务数据存在缺失,则当期剔除该成分股。

(2)个股原始指标TTM:包括营业收入、营业成本、归母净利润,分别为连续四个季度(含当期)相应指标的单季度加总值;

(3)行业数值类指标TTM:包括行业营收、行业净利润,分别为当期行业内有效成分股对应TTM指标的均值(剔除前后5%的极端值)和中位数。

(4)行业数值类衍生指标TTM:包括行业营收TTM环比增速、净利润TTM环比增速,分别为相邻两期数据的变动百分比;

(5)行业比率类指标TTM:包括ROETTM、毛利率TTM、净利率TTM、应收账款周转率TTM、存货周转率TTM。各比率类指标的计算公式为:

其中,n为当期成分股个数。

(6)行业比率类衍生指标TTM:包括ROETTM环比变动值、毛利率TTM环比变动值、净利率TTM环比变动值、应收账款周转率TTM环比变动值、存货周转率TTM环比变动值。考虑到部分指标可能存在负值,以变动百分比衡量这类比率指标可能存在误导,因此,我们以相邻两期的变动数值(直接作差)来代表指标的变动情况。以T期ROETTM环比变动值为例:

4.3.2 备选“驱动力”指标处理

接下来对宏观和行业层面备选“驱动力”指标频率不统一(有季频、月频和日频)及数据缺失问题进行处理。

(1)以上一期数值填补缺失值。已知所筛选的指标缺失率均较低,考虑到大部分宏观和行业层面的数据相对稳定,历史信息对反映近期状态的作用可能并不大,同时为避免用到未来信息,我们选择用最近一期的数据作为当期缺失值的替代。

(2)频率统一为月频。我们的“驱动力”备选库中大部分指标均按月更新,尽管景气度指标为季频数据,但为充分利用信息并及时识别“驱动力”信号,我们将“驱动力”指标统一处理成月频数据。其中季频数据缺失月份数据沿用上一期,日频数据则调整为月度平均值。

4.4

最优先行阶数检验与“驱动力”初选

至此,我们已将行业景气度和备选“驱动力”指标处理完毕。如上文所述,为了更好地实现对行业景气度的前瞻,识别出有效的“驱动力”是关键。逻辑上,经济向好、人均可支配收入增加或消费者信心提升是消费行业景气度上行的信号,其对业绩的影响可能无法在当期体现,而是反映在未来的财报数据上,即该类因子可能是行业景气度的先行指标。而具体先行多少期,显著性如何则需要借助一些统计方法来定量分析。

下面我们通过相关性分析来检验各备选“驱动力”指标与各行业相关景气度指标的领先滞后关系。

在《基本面分析框架下的黑色系商品库存预测》报告中我们对先行因子的定义为:存在L,满足t-L期指标X与t期Y的相关系数显著大于alpha,则称X为Y的L阶先行指标。根据此定义我们的检验结果显著依赖于相关系数阈值alpha的设定。若阈值过高则导致筛选的先行指标个数太少模型预测精度偏低,若阈值过低则可能对先行性产生误判,而且本文需要检验的因变量(景气度指标)较多,难以设定统一的合理阈值。

因此,本文不对相关系数阈值alpha进行设定,而是在显著相关的因子中筛选相关性最高的若干个作为“驱动力”初选结果。此处的“驱动力”是相对意义上的先行因子。

在检验前,我们还需要解决的两个问题:1. 季频景气度指标与月频“驱动力”备选因子如何对齐?2. 最大最小先行阶数如何设定?

针对问题1,我们从尽可能保留各数据原始信息并对其充分利用的角度出发,不考虑用插值等方法填补因变量,选择季频数据进行后续检验。而“驱动力”的先行阶数则按月计。 两序列的对齐方式如图8所示。

针对问题2,在阶数设定上,我们对每一个备选因子的更新时点进行了整理,发现大部分月度指标可在次月末更新,即滞后1期,部分可在当月末更新(如PMI),即滞后0期。而部分指标则存在更长的滞后期(如宏观经济景气指数)。此外,要实现景气度的前瞻,如4月底预测二季度的景气度,则可利用的数据至多是3月底之前的,即存在2个月的Gap,这一Gap取决于我们对景气度前瞻的时间。

基于以上分析,数据更新滞后性及预测要求将导致我们可用的数据信息减少,也就要求各驱动力指标有更高的先行阶数方可实现对相关景气度指标的预测。针对各指标数据更新的异质性特点,我们对每个备选因子都设定了各自的最小先行阶数minLf。考虑到数据频率及样本量限制,我们取统一的最大先行阶数maxL为12+Gap。

解决以上两个问题后,我们可以对备选因子X在领先minLf至maxL这个区间内与景气度指标进行领先滞后关系检验,其中最大相关系数所对应的阶数为最优先行阶数。对景气度指标Y而言,我们初步筛选相关系数最大、且统计意义上显著(P值小于0.1)的前若干个指标作为其“驱动力”。在综合模型拟合优度和防止样本内过拟合两方面的考量,我们将初选个数设为10。

本文在样本期2007年1季度-2018年1季度间进行检验。从初选结果来看,各指标之间可能存在较严重的多重共线性。以纺织服装行业景气度指标净利率TTM环比为例,我们根据上述规则筛选了10个“驱动力”因子,经检验发现,其平均VIF值高达16.61,多重共线性问题将导致直接进行OLS回归的结果偏误较大。

4.5

因子正交与“驱动力”终选

解决多重共线性的一种有效方法是因子正交。其本质是对原始因子进行旋转,旋转后得到一组两两正交的新因子,它们之间的相关性为零,而对因变量的解释能力保持不变。我们在专题报告《因子正交全攻略——理论、框架与实践》中对因子正交在剔除多重共线性上的作用进行了证明,并详细分析了几种正交方法的特点。此处不再赘述。本文选择经济意义保留最完整、信息损失程度最小的对称正交作为剔除因子多重共线性的方法。

由于正交后回归结果偏误小,对于标准化后的因子而言,估计系数和统计意义上的显著性具有较强的可比性,因此,我们利用正交后回归因子的系数显著性作为“驱动力”终选的依据,剔除其中P值小于0.1的变量。

4.6

景气度前瞻模型表现

经以上正交后回归显著的因子为最终纳入景气度前瞻模型的“驱动力”,对这些驱动力再次进行OLS回归,所得各因子的估计系数即为其对景气度指标的解释程度,由于因子均已做标准化处理,系数绝对值的大小即代表因子的重要性。考虑到景气度指标众多,可能存在部分指标预测难度较大,且单纯从样本内拟合无法预知模型外推效果。因此,为了识别有效模型,我们采用滚动法进行检验。

4.6.1 滚动预测效果

我们对各行业的每一个景气度指标均做如图11的滚动测试。以2014年1季度为例,其预测值为模型在2007年1季度-2013年4季度样本内拟合的系数结果与对应下一期“驱动力”的乘积之和。以此类推,我们可以得到2014年1季度-2018年1季度共17期景气度指标的真实值与预测值。

为了体现行业景气度的动态变化,本文对包括盈利、成长、营运三大维度的相关环比衍生指标进行前瞻,并主要考察其变化方向。表8-表10是三行业9个景气度指标17次滚动预测的结果汇总。

食品饮料行业滚动预测方向准确率最高的景气度指标是净利润TTM均值环比增速,达65%,一半以上指标预测方向准确率超过50%,且具有较为稳定的“驱动力”。如净利润TTM均值环比增速的主要驱动力有PMI原材料库存和一致预期滚动净利润环比增速,这两个因子在所有滚动期中均被纳入模型,应当重点关注。值得注意的是,一致预期滚动净利润环比增速这一因子是大部分景气度代理变量的关键驱动力,对行业景气度的前瞻起了重要作用。这也印证了我们在筛选备选“驱动力”因子时的假设。而盈利类因子(如ROETTM环比、毛利率TTM环比、净利率TTM环比)的预测效果相对欠佳,我们可重点关注其关键驱动力。

纺织服装行业可重点关注的景气度指标有营业收入TTM均值环比、净利润TTM环比、应收账款周转率TTM及存货周转率TTM等。从滚动测试结果来看,大部分环比类景气度指标的方向预测准确率均大于50%,盈利类因子预测准确率相对偏低。从驱动力来看,进出口因素对纺织服装行业的景气度影响较大,这与我国纺服行业进出口频繁的基本面特征是一致的。细化来看,上游棉花的价格(成本端)、下游产成品的价格(收入端)、中游库存等因素将直接决定行业的收入和利润,产量、新订单、进出口等则与服装行业的资金流转关系密切,即反映在应收账款周转率和存货周转率上。从表11可知,我们的实证结果与基本面逻辑是一致的。

图13是纺织服装行业净利润TTM均值环比的预测值与真实值对比,我们发现预测模型能多次捕捉到景气度拐点,但也存在走势相反的阶段。因此,把握重要且稳定的“驱动力”可能更为关键。

商贸零售行业景气度指标预测的方向准确率相对较高,净利润TTM均值环比、ROETTM环比、净利率TTM环比以及营收TTM均值环比的准确率均达70%以上。一致预期滚动净利润环比因子是最为重要的“驱动力”,在前三个景气度指标滚动预测中,每一次均被纳入前瞻模型。此外,PMI、CPI、GDP、人均可支配收入、重点商品零售额以及国债收益率等均是商贸零售行业景气度的关键驱动力。观察图14可发现除2015年,ROETTM环比预测值与真实值走势基本一致,模型能非常及时地捕捉拐点。

4.6.2 二季度景气前瞻

结合滚动预测逻辑,我们可利用一定先行阶数下的“驱动力”因子实现对二季度相应景气度的前瞻。下面我们利用2007年1季度-2018年1季度的数据进行样本内拟合,并利用关键“驱动力”及其最优先行阶数对各行业的景气度指标进行预测。表11-表13是三行业各景气度指标的前瞻结果。

模型显示二季度食品饮料行业营业收入和净利润TTM均值环比增速将可能达10%以上,应收账款周转率TTM将环比下行,而存货周转率有望上行,这可能是放宽信用政策的结果,因此从营运能力的角度无法直接判断行业景气度,而从盈利和成长的角度来看,二季度食品饮料行业将大概率出现业绩景气上行。

纺织服装行业营业收入TTM和净利润TTM中位数将大概率上行,且应收账款周转率和存货周转率TTM将有望出现同步上行,行业资金流转、存货周转速度可能加快,从营运能力的角度来看行业景气度上升,但从盈利能力来看,ROETTM、毛利率TTM以及净利率TTM环比预测值均小于0,行业景气度有下行趋势,结合滚动预测方向的准确率考虑,我们认为二季度纺织服装行业景气变化不大,可能出现小幅上行。

商贸零售行业成长类因子营业收入和净利润TTM将呈现上行趋势,而盈利和营运能力均可能出现下行,结合滚动预测方向准确率,我们预计二季度商贸零售行业可能出现景气小幅下行。

结论与展望

本文作为系列开篇之作,首先介绍了通过“追本溯源”方式前瞻行业景气度的重要性和必要性,并以食品饮料、纺织服装和商贸零售为例,对部分大众消费行业展开分析,回答了前瞻什么以及如何前瞻的问题。

(1)我们前瞻的行业景气度主要来自财务数据层面,包括盈利、成长、营运等多个维度,涉及的原始财务指标包括营业收入、净利润、ROE、毛利率、净利率、应收账款周转率、存货周转率等,具体到单个行业的景气度代理变量选取则需要结合行业属性和样本内表现进一步确定。

(2)行业景气度前瞻的首要任务是寻找“驱动力”。备选驱动力来自宏观基本面和行业基本面,应当具有领先景气指标的信号作用。我们通过两步法筛选纳入前瞻模型的驱动力因子:第一步是相关性分析初选驱动力,第二步是通过对称正交后回归剔除不显著变量的方式,得到终选后的驱动力。在驱动力确认后,我们根据历史上驱动力对景气指标的作用机理及近期驱动力走势来推演未来行业发展方向,从而实现景气度的前瞻。

(3)通过2014年一季度至2018年一季度的样本外滚动测试我们对三大行业包括盈利、成长、营运三大维度的各个环比类景气度指标的重要驱动力进行了归纳。最后,我们结合滚动预测方向准确率前瞻了各行业二季度可能的景气方向,模型显示:食品饮料行业二季度营业收入和净利润TTM均值环比增速将可能达10%以上,从盈利和成长的角度看,行业将大概率出现业绩景气上行纺织服装行业成长、营运能力将上行,而盈利能力可能出现下行趋势,我们认为二季度纺织服装行业景气变化不大,可能出现小幅上行;商贸零售行业成长类因子将呈现上行趋势,而盈利和营运能力均可能出现下行,我们预计二季度商贸零售行业可能出现景气小幅下行。

本文对大众消费行业的梳理不尽全面,可能仍存在部分先行因子的遗漏,而受限于更新频率和数据长度,我们也无法将一些行业研究中重点关注的因子纳入驱动力备选库,这对于前瞻模型来说是一种损失但确属无奈之举。在模型和方法论的选择上,我们秉承大道至简的原则,选择尽可能多地保留原始信息和经济含义,以实现更便捷的模型外推预测。

行业基本面景气度研究是行业配置的第一步。未来我们会逐步完善各个行业的驱动力备选库,针对各一级行业及其重点子行业构建景气度前瞻模型。然而预测可能并不精准,但我们不能因噎废食。相比于“盲人骑瞎马”,我们要努力的方向是不断检验并改进模型,通过多维度多指标角度综合判断行业景气度可能的方向。

模型基于历史数据,存在失效风险。

相关报告

《天风证券商品期货CTA专题报告(六):基本面分析框架下的黑色系商品库存预测》2018-02-09

《天风证券商品期货CTA专题报告(五):我国商品期货分类及异质性基本面分析概述》2018-01-31

《》2018-04-10

《》2018-03-22

《》2018-03-05

《》2018-02-09

《》 2018-02-08

《》2018-02-05

《金融工程:》 2018-01-22

《》2017-12-12

《》2017-11-28

《》2017-11-17

《》2017-10-30

《》2017-10-24

《金融工程:基于动态风险控制的组合优化模型》2017-09-21

《》 2017-09-18

2017-09-04

《金融工程:MHKQ因子择时模型在A股中的应用》 2017-08-15

2017-07-17

2017-07-11

《》2017-06-12

2017-06-01

2017-05-25

2017-05-14

2017-04-16

2017-03-22

2017-03-10

《金融工程:专题报告-基于自适应破发回复的定增选股策略》 2017-03-09

《金融工程:专题报告-定增节点收益全解析》 2017-03-06

2017-03-06

2017-02-14

2017-02-13

关注我们

风险提示:模型基于历史数据,存在失效风险。

《天风证券-金工专题报告-行业景气度量化前瞻系列之一:从消费行业开始(上) 2018-05-12》

2018年05月12日

返回搜狐,查看更多

责任编辑:

声明:本文由入驻搜狐号的作者撰写,除搜狐官方账号外,观点仅代表作者本人,不代表搜狐立场。

阅读 ()

文章评论
—— 标签 ——
首页
评论
分享
Top