盈利和估值的切换宏观环境如何向行业传导

1、目录不同行业对不同宏观变量的敏感程度不同 7传统能源行业收益对经济变化最为敏感 8TMT 板块对流动性变化最为敏感 9上游周期板块抗通胀能力较强 11不同时期市场对宏观变量的关注重点不同 12对宏观变量关注度的不同带来受益行业特征的差异 12使用 Factor Mimicking 方法将低频数据高频化 13代理组合在部分阶段体现了市场关注度的转移 16通过市场关注点、宏观变量预期和行业敏感程度给出配置建议 20盈利和估值的变化：宏观环境与行业表现间的传导链 22盈利波动大、低估值的行业受经济影响更大 22受流动性影响大的行业盈利、估值与流动性关系都较为密切 24通胀较高的时期高股息、低估值行业

2、受益 26根据行业主题的盈利估值特点进行特征刻画 26结合市场的关注点、变量的预期以及行业的盈利估值变化推荐行业 30宏观敏感性与盈利估值特征的数量关系 30根据盈利估值标准选择行业主题机会 31风险提示 37图表目录图 1：通过市场关注点、宏观变量预期和行业盈利估值特征给出配置建议 6图 2：资产配置时钟下的板块表现 7图 3：我国高通胀期划分（左轴单位：%） 11图 4：2014 年第四季度至 2015 年第一季度涨幅前十的申万二级行业对经济、流动性的敏感性得分 13图 5：2017 年第一季度涨幅前十的申万二级行业对经济、流动性的敏感性得分 13图 6：经济变量与其代理组合变化 15图

3、7：通胀变量与其代理组合变化 15图 8：短端利率变量与其代理组合变化 16图 9：长端利率变量与其代理组合变化 16图 10：宏观变量代理组合波动水平变化 17图 11：从代理组合波动划分市场的关注点变化 17图 12：从滚动代理组合波动划分市场的关注点变化 19图 13：从滚动代理组合波动划分市场的关注点变化（仅经济、流动性） 19图 14：基于时钟和宏观变量关注点的行业配置组合净值 21图 15：钢铁、计算机行业 ROE 与年度GDP 同比变化（左轴单位：%） 22图 16：钢铁、计算机行业净利润同比与季度 GDP 同比变化（左轴单位：%） 22图 17：钢铁行业盈利均值/波动得分 23

4、图 18：食品饮料行业盈利均值/波动得分 23图 19：实际 GDP 同比与基建投资完成额同比 24图 20：计算机行业盈利、估值部分项得分 25图 21：有色金属行业盈利、估值部分项得分 25图 22：有色、计算机行业 PE_ TTM 与 1 年期国债收益率 25图 23：有色、计算机行业净利润同比增速与 1 年期国债收益率 25图 24：高端装备制造指数三大宏观敏感性特征 28图 25：高端装备制造指数盈利估值特征 28图 26：网络安全指数三大宏观敏感性特征 29图 27：网络安全指数盈利估值特征 29图 28：茅指数三大宏观敏感性特征 29图 29：茅指数盈利估值特征 29图 30：基

5、于时钟和盈利估值特征的行业配置组合净值 33图 31：交运行业三大宏观敏感性特征（经盈利估值计算） 34图 32：交运行业最新盈利估值特征 34图 33：基于时钟和盈利估值特征的主题配置组合净值 35图 34：基于时钟和盈利估值特征的配置逻辑 36TOC o 1-1 h z u HYPERLINK l _TOC_250022 表 1：对经济敏感程度最高/最低的一级行业 8 HYPERLINK l _TOC_250021 表 2：对经济敏感程度最高/最低的二级行业 9 HYPERLINK l _TOC_250020 表 3：对流动性敏感程度最高/最低的一级行业 10 HYPERLINK l _T

6、OC_250019 表 4：对流动性敏感程度最高/最低的二级行业 10 HYPERLINK l _TOC_250018 表 5：抗通胀能力最强/最弱的一级行业 11 HYPERLINK l _TOC_250017 表 6：待观察的宏观变量 14 HYPERLINK l _TOC_250016 表 7：最高的 5 个一级行业在宏观变量上的暴露 15 HYPERLINK l _TOC_250015 表 8：基于时钟和宏观变量关注点的行业配置组合表现 21 HYPERLINK l _TOC_250014 表 9：基于时钟和宏观变量关注点的行业配置策略 2021 年以来行业选择 21 HYPERLIN

7、K l _TOC_250013 表 10：对经济最敏感的一级行业的盈利、估值、股息分数 23 HYPERLINK l _TOC_250012 表 11：对流动性最敏感的一级行业的盈利、估值分数 26 HYPERLINK l _TOC_250011 表 12：抗通胀能力较强的一级行业的估值、股息率分数 26 HYPERLINK l _TOC_250010 表 13：宏观敏感性特征计算方法 27 HYPERLINK l _TOC_250009 表 14：盈利估值特征计算方法 27 HYPERLINK l _TOC_250008 表 15：宏观敏感性最高的概念指数 28 HYPERLINK l _T

8、OC_250007 表 16：申万一级行业宏观敏感程度与盈利估值指标的相关性 30 HYPERLINK l _TOC_250006 表 17：根据盈利估值在不同宏观环境下的选择标准 31 HYPERLINK l _TOC_250005 表 18：基于时钟和盈利估值特征的行业配置组合表现 33 HYPERLINK l _TOC_250004 表 19：基于时钟和盈利估值特征的 2021 年以来一级行业选择 33 HYPERLINK l _TOC_250003 表 20：基于时钟和盈利估值特征的行业配置组合年度表现 34 HYPERLINK l _TOC_250002 表 21：基于时钟和盈利估值

9、特征的行业配置组合分年度超额收益 34 HYPERLINK l _TOC_250001 表 22：基于时钟和盈利估值特征的行业配置组合 2017 年以来行业选择总结 35 HYPERLINK l _TOC_250000 表 23：基于时钟和盈利估值特征的 2021 年以来热门主题选择 35在重塑资产配置“时钟”：经济预期与宏观流动性中，我们通过经济前瞻指标和复合流动性指标构建了两维度的新资产配置时钟，并发现权益板块在各象限中存在一定的轮动关系。但根据观察我们发现，同一个大板块中的不同行业其实对宏观变量的敏感性存在差异，对经济更敏感的行业在经济复苏时将明显更受益；而行业的宏观变量敏感性实际上又与

10、其盈利估值特征密切相连：部分行业盈利水平波动大且变化与经济周期密切相关，因而体现了更强的经济敏感性；部分行业估值水平波动大、利润长期空间大，因而可能体现更强的流动性敏感性。此外，市场对不同宏观变量的关注程度也决定了不同时期行业盈利估值属性的重要性变化。本报告中，我们尝试通过数据分析行业的宏观敏感程度，并探索盈利估值特征对如何决定最终体现的宏观敏感程度，从而建立宏观变量预判行业属性刻画受益行业选择的行业主题配置框架：图 1：通过市场关注点、宏观变量预期和行业盈利估值特征给出配置建议资料来源：研究下面我们从宏观敏感程度统计开始，逐步验证配置框架的逻辑，并展示决策效果。不同行业对不同宏观变量的敏感程

11、度不同统计经济、流动性、通胀指标不同时行业的区分度，发现部分行业对经济变化十分敏感，抗通胀能力较强，但是对流动性并不敏感；部分行业对流动性非常敏感，对经济并不敏感。在经济预期+宏观流动性时钟的构建中，我们曾经将 28 个申万一级行业分成六大板块，统计了板块在时钟不同象限下的表现情况，发现板块表现随着时钟象限的变化存在一定的轮动关系，例如经济复苏开始时，顺周期行业表现相对出色；随着货币的收紧，金融板块表现更优；而随着经济下行，科技、消费相对于其他行业的表现更为明显：图 2：资产配置时钟下的板块表现资料来源：研究但在统计中我们也发现，将行业通过聚类结合定性的方式合成为板块后，板块内包含的成份数量较

12、多，而有些行业对宏观环境的变化并不敏感，反而使得板块在不同象限下表现的区分度较不明显。因此，我们重新尝试回到一级行业甚至更细分的二、三级行业的视角，观察行业对经济、流动性等宏观变量的敏感性。传统能源行业收益对经济变化最为敏感首先，我们以季度实际GDP 的变化方向为基础，计算各行业收益对经济变化的敏感程度。我们观察以下几组指标：1）不同经济状况下的月均收益差：经济上行时行业收益越高、经济下行时行业收益越低，行业对经济变化越敏感；2 ）经济上行时的上涨频率：经济上行时行业的上涨频率越高，行业受益于经济的程度越高；3）经济下行时的下跌频率：经济下行时行业下跌频率越高，行业受经济影响程度越高。对于 2

13、8 个申万一级行业，我们首先对其按照三个指标从高到低进行 1 到 28 的打分，然后将三项得分加总，总分越低的行业代表综合排名越靠前，其对经济的敏感程度就越高。我们将各项得分换算为百分位数后等权得到各行业对经济的敏感程度得分，对经济最敏感、最不敏感的 5 个行业如下：表 1：对经济敏感程度最高/最低的一级行业行业分位数得分经济上行平均收益经济下行平均收益经济上行上涨比例经济下行上涨比例钢铁15.487.93%-2.88%78.95%35.71%采掘21.437.21%-2.93%73.68%32.14%最高交通运输26.197.06%-1.35%78.95%35.71%公用事业27.384.9

14、2%-1.03%84.21%32.14%建筑装饰29.767.14%-1.94%73.68%32.14%计算机94.056.47%5.02%57.89%50.00%电子85.717.63%4.80%63.16%53.57%最低食品饮料83.337.67%4.71%68.42%57.14%通信82.143.93%1.42%63.16%42.86%电气设备72.625.87%1.52%73.68%46.43%资料来源：Wind，研究数据自 2009.1 至 2020.12可以看到，钢铁、采掘等传统周期资源行业对经济是最为敏感的，经济上下行阶段的月均收益差超过 10%，而交运、公用事业等基建行业也对

15、经济十分敏感； TMT行业对经济敏感程度较低，食品饮料、电气设备（含新能源板块）对经济的敏感程度也不高。若进一步拆成二级、三级行业，能源和基建板块对经济变化更敏感、TMT 和部分消费板块对经济不敏感的特点更为突出，对经济敏感程度最高、最低的各十个二级行业如下：行业分位数得分经济上行平均收益经济下行平均收益经济上行上涨比例经济下行上涨比例最高钢铁10.657.94%-2.87%78.95%35.71%煤炭开采14.438.50%-2.93%68.42%28.57%金属制品14.789.43%0.07%78.95%35.71%工业金属15.126.48%-0.04%78.95%28.57%航运17

16、.878.45%-2.85%68.42%25.00%造纸19.598.09%0.63%78.95%35.71%化学纤维22.6810.21%1.52%78.95%42.86%航空运输24.4010.88%-1.98%68.42%35.71%高速公路25.097.08%-1.95%73.68%35.71%专用设备25.777.77%0.92%78.95%39.29%最低半导体94.857.70%7.14%47.37%53.57%饲料91.753.33%6.97%52.63%53.57%计算机应用88.666.64%5.37%52.63%46.43%黄金87.293.55%3.03%47.37%4

17、6.43%医疗服务85.229.68%7.96%63.16%64.29%其他电子84.197.30%4.46%52.63%50.00%医疗器械84.197.07%6.47%63.16%53.57%动物保健80.767.37%5.41%52.63%46.43%餐饮80.073.52%1.23%52.63%42.86%电机78.355.66%3.42%68.42%53.57%资料来源：Wind，申万宏源研究表 2：对经济敏感程度最高/最低的二级行业数据自 2009.1 至 2020.12TMT 板块对流动性变化最为敏感与经济类似的，不同行业对流动性的敏感程度也并不相同。我们以利率、货币净投放、超储

18、率三者合成的综合流动性指标为基础，我们观察以下几组指标：1）不同流动性状况下的次月月均收益差：流动性宽松时行业收益越高、流动性紧缩时行业收益越低，行业对流动性变化越敏感；2）流动性宽松时的上涨频率：流动性宽松时行业的上涨频率越高，行业受益于流动性的程度越高；3）流动性紧缩时的下跌频率：流动性紧缩时行业下跌频率越高，行业受流动性影响程度越高。对于申万一级行业，我们同样对其按照三个指标从高到低进行 1 到 28 的打分，然后将三项得分加总，总分越低的行业代表综合排名越靠前，其对流动性的敏感程度 就越高。我们将各项得分换算为百分位数后等权得到各行业对流动性的敏感程度得分，对流动性最敏感、最不敏感的

19、5 个行业如下：行业分位数得分流动性松平均收益流动性紧平均收益流动性松上涨比例流动性紧上涨比例综合22.622.04%-0.37%60.71%45.24%计算机22.622.84%0.75%62.50%42.86%最高通信25.002.29%-0.29%60.71%45.24%有色金属26.191.28%0.09%64.29%42.86%传媒30.952.08%0.07%57.14%35.71%休闲服务83.331.93%2.69%57.14%64.29%化工78.571.43%1.13%53.57%54.76%最低交通运输75.001.13%0.49%53.57%52.38%食品饮料69.0

20、52.07%2.24%62.50%59.52%钢铁66.670.83%0.23%53.57%47.62%表 3：对流动性敏感程度最高/最低的一级行业资料来源：Wind，研究数据自 2013.1 至 2021.2从绝对得分来看，流动性对一级行业的区分度不如经济高。对经济不敏感的 TMT板块在对流动性的敏感性上最为靠前，而对经济敏感的交运、化工板块对流动性敏感度低，在不同流动性环境下的涨跌比例相当。对流动性敏感程度前十、后十的二级行业如下：行业分位数得分流动性松平均收益流动性紧平均收益流动性松上涨比例流动性紧上涨比例最高黄金5.842.26%-1.16%62.50%35.71%商业物业经营18.2

21、11.62%-1.29%58.93%38.10%动物保健19.934.08%0.04%60.71%47.62%多元金融20.961.72%-1.07%57.14%38.10%互联网传媒21.653.57%0.23%55.36%35.71%电子制造23.373.30%1.08%67.86%47.62%计算机应用24.743.13%0.82%60.71%42.86%综合27.152.04%-0.37%60.71%45.24%其他交运设备27.842.67%0.11%57.14%40.48%畜禽养殖28.522.44%0.49%60.71%47.62%最低电机88.661.53%1.32%51.79

22、%61.90%铁路运输87.970.30%0.37%44.64%52.38%旅游综合80.072.39%4.06%58.93%66.67%机场75.601.63%2.33%58.93%57.14%食品加工75.261.50%2.77%57.14%54.76%化学制品74.911.57%1.30%57.14%59.52%酒店74.571.53%1.17%53.57%52.38%化学原料73.541.40%0.89%55.36%59.52%石油化工73.540.02%0.25%53.57%52.38%采掘服务73.200.07%-0.02%48.21%47.62%资料来源：Wind，申万宏源研究表

23、 4：对流动性敏感程度最高/最低的二级行业数据自 2013.1 至 2021.2虽然黄金价格与美债利率有更强的关联，但黄金板块股票在对我国流动性的敏感程度上较高；TMT、化工、基建子行业的敏感程度与一级行业较为一致。上游周期板块抗通胀能力较强虽然在过去十年中，高通胀阶段并不多，持续时间也不长，但每当流动性宽松、经济开始复苏时，市场都会有阶段性的通胀担忧。因此，我们将 PPI 和CPI 同比均值连续高于 3%的阶段划分为高通胀期，用与 1.1、1.2 部分类似的方式对行业进行打分排序，观察哪些行业能够在高通胀期体现较为出色的抗通胀能力。根据 PPI 和 CPI同比数据，我们将 2010 年 1

24、月至 2011 年 12 月和 2016 年 12 月至 2017 年 12 月两个阶段定为高通胀期进行观察：图 3：我国高通胀期划分（左轴单位：%）资料来源：Wind，研究根据以上划分，一级行业中与 PPI 构成密切相关的上游周期行业抗通胀的能力最强，与 CPI 构成关联度高的食品饮料行业同样具备较好的抗通胀能力，即在高通胀阶段受到的不利影响最小：行业分位数得分高通胀平均收益正常通胀平均收益高通胀上涨比例正常通胀上涨比例最强采掘16.67-0.85%0.82%45.95%49.54%有色金属23.81-0.23%1.78%51.35%56.88%钢铁25.00-1.06%1.07%45.95

25、%53.21%建筑装饰25.00-1.09%1.06%45.95%50.46%食品饮料27.381.50%2.18%62.16%60.55%表 5：抗通胀能力最强/最弱的一级行业行业分位数得分高通胀平均收益正常通胀平均收益高通胀上涨比例正常通胀上涨比例汽车89.29-1.28%2.34%40.54%62.39%通信75.00-1.29%1.38%29.73%58.72%最弱电气设备72.62-1.14%1.99%37.84%56.88%化工71.43-1.58%1.89%43.24%60.55%轻工制造69.05-1.21%1.91%40.54%58.72%资料来源：Wind，研究数据自 20

26、09.1 至 2020.12由上可见，不同行业板块对宏观变量的敏感程度确实存在差异：上游周期行业具备抗通胀属性，对经济变化敏感度高；食品饮料对经济、流动性的敏感度都不高，抗通胀能力较强；而 TMT 板块整体对经济不敏感，对流动性的变化较为敏感。因此，若我们能在不同的宏观环境下根据不同行业对变量的敏感度选择合适的资产，相比仅依据时钟象限的历史规律，能获得逻辑更清晰的自上而下的配置建议。不同时期市场对宏观变量的关注重点不同对宏观变量关注度的不同带来受益行业特征的差异而除了行业板块对宏观变量的敏感程度有所差异，市场本身对宏观变量的关注度也可能有所差别。例如 2014 年下半年牛市中，流动性环境宽松而

27、经济数据较弱，市场对流动性的关注度阶段性地强于对经济的关注度，对流动性敏感的行业也在这一阶段中表现更为出色，二级行业运输设备在这两个季度累计上涨 154%，而该阶段表现较好的行业在对经济的敏感性上较为分散。而在 2017 年一季度，虽然流动性偏紧，但经济处于复苏状态，市场在该阶段对经济、流动性的关注度都较高，表现较好的行业常呈现出对经济敏感、对流动性不敏感的特点。我们统计 2014 年第四季度至 2015 年第一季度、2017 年第一季度涨幅前十的二级行业对经济、流动性的敏感性（得分越低越敏感），绘制气泡图如下，可见 2014年四季度至 2015 年一季度表现较好的行业分布偏左，2017 年一

28、季度表现较好的行业分布偏右下角：图 4：2014 年第四季度至 2015 年第一季度涨幅前 十的申万二级行业对经济、流动性的敏感性得分资料来源：Wind，研究得分越低代表越敏感，气泡大小代表涨幅的相对大小图 5：2017 年第一季度涨幅前十的申万二级行业对 经济、流动性的敏感性得分资料来源：Wind，研究得分越低代表越敏感，气泡大小代表涨幅的相对大小若我们需要通过行业对宏观变量的敏感程度做出行业配置决策，除了计算行业的特征，还需要对市场对宏观环境的关注点做出判断：当市场重点关注经济的变化且预期经济处于复苏时，建议配置对经济变化敏感的行业；当市场重点关注流动性的变化且流动性宽松时，建议配置对流动

29、性变化敏感的行业。使用 Factor Mimicking 方法将低频数据高频化市场对特定宏观数据的关注度的变化速度是较快的，而通过宏观变量本身也较难判断市场的关注点。因此，我们借助 Factor Mimicking 的低频数据高频化的方法，尝试寻找能够代表市场关注的宏观因子的代理组合，从而以代理组合的波动情况推断市场的关注点。Factor Mimicking 方法背后的逻辑主要是部分资产与宏观因子的关联性较强，资产的收益能够被多个宏观因子共同解释： = + + + (1)其中为 t 时刻的资产收益， 为常数， +为间隔 h 时间后的宏观变量，B 即为连接资产收益与宏观变量的因子载荷，或因子暴露

30、。假设我们共有 m 个宏观因子，需要得到第 k 个因子的代理组合，求解得到 n 个资产对经济的因子暴露后，即可通过以下优化求解：min . . = (2) 为代理组合的权重向量，为第k 维为 1 ，其余维为 0 的 m 为向量；这样求解的组合在第 k 个因子上有单位暴露。当这一组合的波动较大时，证明市场预期被代理的宏观因子可能有较大的变化，市场在这一因子上的关注度较高。在实际操作中，由于宏观因子仅解释资产收益的一部分，（1）式所代表的线性关系往往较弱，因此我们可先将宏观因子向资产的主成分做一次投影，然后以拟合的宏观数据再进行（1）、（2）的计算。我们主要计算 4 个宏观变量的代理组合：变量名称

31、具体数值经济中国 OECD 领先指标通胀（CPI 同比+PPI 同比）/2表 6：待观察的宏观变量短期流动性长期流动性1 年期国债到期收益率10 年期国债到期收益率资料来源：研究中国OECD 领先指标虽然在领先判断上略显不足，但与我国 GDP 同比数据的整体走势较为接近，且数据较平滑、频率为月频，因此我们在经济数据上采用这一指标进行后续的计算。我们采用的Factor Mimicking 的具体流程如下：以申万一级行业为基础资产，2009 年末起至 2019 年末每个月滚动计算过去 12 个月的累计收益作为收益率矩阵，标准化后提取 20%的主成分（6 个）；将 4 个宏观变量以 0 为均值、0.

32、1 为标准差进行标准化，然后使用Lasso 回归分别将 4 个标准化后的宏观变量向 6 个主成分进行投影，得到宏观变量矩阵的投影版本，以此作为新的宏观变量矩阵，使用 Lasso 回归的目的是仅保留与宏观变量关联度高的主成分，提高投影效率，参数选择采用交叉验证使得均方误差最小；再使用 Lasso 回归将每个一级行业收益率（即 1）中的累计 12 个月收益率的向量）向投影，得到每个一级行业在每个宏观因子上的暴露；最后求解在每个宏观变量上有单位暴露的一级行业组合。为了提高宏观变量对资产收益的解释力并增强稳定性，上述流程中我们两次采用 Lasso 回归，在 3）中我们得到的各资产的（1）式的平均2为

33、0.75，而若直接以表 6 的变量本身作为自变量进行线性回归，模型的平均2仅为 0.26。申万一级行业休闲服务模型0.91经济-1.48通胀-4.15短端利率-13.38长端利率3.72汽车0.900.88-4.21-13.51-1.40电子0.83-0.68-2.54-12.547.92采掘0.830.23-2.90-9.89-7.52传媒0.830.70-4.44-9.3312.56表 7：最高的 5 个一级行业在宏观变量上的暴露资料来源：Wind，研究不同行业的因子暴露差异较大。针对 4 个宏观变量，我们求解出 4 个代理组合如下：图 6：经济变量与其代理组合变化图 7：通胀变量与其代理

34、组合变化资料来源：Wind，研究代理组合数据自 2009 年末至 2021 年 2 月，左轴为组合净值，右轴为 OECD 领先指标值资料来源：Wind，研究代理组合数据自 2009 年末至 2021 年 2 月，左轴为组合净值，右轴为（CPI 同比+PPI 同比）/2，单位%图 8：短端利率变量与其代理组合变化图 9：长端利率变量与其代理组合变化资料来源：Wind，研究代理组合数据自 2009 年末至 2021 年 2 月，左轴为组合净值，右轴为 1 年期国债收益率（%）资料来源：Wind，研究代理组合数据自 2009 年末至 2021 年 2 月，左轴为组合净值，右轴为 10 年期国债收益率

35、（%）需要注意的是，在拟合过程中，我们得到的是累计 12 个月收益率与宏观变量的关系，组合在给定宏观变量上有单位暴露不代表组合净值与宏观变量走势一致。代理组合在部分阶段体现了市场关注度的转移虽然代理组合并不能代替宏观变量的走势，但我们能够通过代理组合的波动来观察市场不同阶段关注的宏观变量。从代理组合的构建原理来看，代理组合累计一年的收益与宏观变量度高，那么短期内如果代理组合波动增加，说明市场对对应的宏观变量一年后变化的关注度可能在上升，市场可能在交易这一变化。首先，我们以经济变量代理组合为例，观察组合的波动是否在不同阶段有所差异。由于代理组合本身的波动有所差异，我们根据滚动 1 年的波动在过去

36、 1 年中的相对位置来衡量组合当前的波动情况：组合当前波动水平 = ()其中为当前的组合波动（按 250 天的日收益率计算）， 为过去一年的波动率均值，()为过去一年的波动率标准差。4 个代理组合的波动水平变化如下：图 10：宏观变量代理组合波动水平变化资料来源：Wind，研究数据自 2011 年 1 月至 2021 年 2 月我们根据每个阶段波动最高的代理组合，可尝试划分市场关注点转移的情况：图 11：从代理组合波动划分市场的关注点变化资料来源：Wind，研究数据自 2011 年 1 月至 2021 年 2 月配合图 9 和图 10 来看，部分时段几个代理组合的波动差异不大或都相对较低，市场

37、关注重点不明确，但也有部分时段某 1-2 个变量明显受到关注。我们根据以上图片信息梳理各时段的核心关注变量情况如下：2010 年末至 2011 年 9 月，市场关注重点在通胀，随着高通胀的持续，市场关注度逐渐减弱，随后关注重点转向流动性；2011 年后期至 2017 年，经济处于下行阶段，通胀多数时候处于低位，市场关注的重点多数时候都在流动性上，2011 至 2013 年受流动性逐渐收紧影响，权益表现相对较弱，而 2014 年中权益市场快速上涨的开启与短端流动性密切相关，2015 年下半年至 2016 年，短端流动性偏紧的状态也对权益市场有较大的影响；2015 年上半年出现了一段通胀为主要关注

38、点的阶段：该阶段通胀处于下降过程中，低通胀预期叠加宽松的流动性环境继续推动权益估值提升；2017 年处于高通胀期，市场整体对通胀关注度更高，但各变量关注度整体都不高；2018 年市场对短期流动性和经济的关注度都较高，2019 年对经济的关注度明显提升，疫情前市场开始关注复苏拐点何时发生；受疫情影响，2020 年上半年市场的关注点阶段性回到流动性， 并带动权益市场的上涨；2020 年第三季度，市场阶段性担忧通胀，权益市场震荡，但第四季度又转向关注经济，该阶段权益上涨也较明显；2021 年 1 月 22 日开始，代理组合提示关注的重点转向通胀，市场波动开始加大。从以上总结来看，权益市场的波动确实常

39、与关注点的变化有较为密切的联系，这一点在 2014 年以来都有较明显的体现。在 2.2 代理组合的构建中，我们使用了较长的历史数据进行建模，因此图 9-10中 2020 年之前的关注点划分用到了一定的未来数据。虽然结论与市场环境匹配度较高，但我们仍希望尝试减少未来数据的使用，因此我们尝试从 2012 年末开始，每年末滚动使用自 2009 年起的数据重新计算代理组合的权重，重新计算后市场的关注点变化划分情况如下：图 12：从滚动代理组合波动划分市场的关注点变化资料来源：Wind，研究数据自 2011 年 1 月至 2021 年 2 月如果仅关注经济、流动性的关注度，划分情况如下：图 13：从滚动

40、代理组合波动划分市场的关注点变化（仅经济、流动性）资料来源：Wind，研究数据自 2011 年 1 月至 2021 年 2 月滚动计算后虽然代理组合的净值有较大的不同，但在重要阶段其波动中传递出的信息与之前差异不大：2014 年行情的启动主要来自市场对长期流动性的持续关注以及流动性的放松；2015 年市场关注点开始向经济和短期流动性偏移；2017 年市场关注经济和通胀，2019 年开始经济复苏成为主线。2020 年下半年至 2021 年，图10 和 11 给出的结论略有不同，我们理解为对经济复苏过程中可能带来的未来的通胀问题存在一定担忧。通过市场关注点、宏观变量预期和行业敏感程度给出配置建议我

41、们通过Factor Mimicking 的代理组合了解市场的关注重点后，可以进一步将市场的关注点、对宏观变量的预期以及行业板块对宏观变量的敏感程度三者结合给出行业板块的配置建议。我们尝试自 2013 年以来结合市场的关注点以及重塑资产配置“时钟”：经济预期与宏观流动性中的经济和流动性观点进行行业选择的尝试，具体方式如下：根据时钟的观点得到申万一级行业的经济、流动性得分：经济复苏时行业经济得分为经济敏感性分位数得分（表 1 的分位数得分），经济衰退时为得分为负的敏感性分位数得分；流动性宽松时行业流动性得分为表 3 的分位数得分，紧缩时为负的分位数得分；将每个行业的两部分得分相加并从低到高排序得到

42、当前宏观状态下的行业排序（以经济复苏+流动性紧缩为例，选择的行业为经济敏感性高、流动性敏感性低的）；根据代理组合波动调整得分：当过去一个月市场关注经济变化的时间高于70%时，将经济部分得分乘以 2 后与流动性相加；关注流动性的时间高于70%时，将流动性得分乘以 2 后与经济相加；否则不调整。以上两组分别对应不考虑与考虑市场对宏观变量的关注点的组合，我们分别根据以上打分排序结果选择行业：不考虑市场对宏观变量的关注点时，选择综合得分前 10、两项单项得分都在前一半的行业；考虑市场对宏观变量的关注点时，选择综合得分前 10 、受关注变量得分前10、另一变量得分在前一半的行业。组合与行业等权基准、Wi

43、nd 全A（近似于市值加权的行业指数组合）的表现对比如下：图 14：基于时钟和宏观变量关注点的行业配置组合净值资料来源：Wind，研究回测自 2013 年 1 月至 2021 年 2 月组合年化收益年化波动最大回撤夏普率不考虑关注点18.24%考虑关注点20.25%26.03%50.98%0.7027.18%52.19%0.74表 8：基于时钟和宏观变量关注点的行业配置组合表现Wind 全 A11.90%26.03%55.99%0.46行业等权10.54%24.49%58.93%0.43资料来源：Wind，研究回测自 2013 年 1 月至 2021 年 2 月此外，在对通胀担忧较高的阶段，我

44、们也可以在行业选择的打分上再加入抗通胀的考虑，即根据通胀关注度，在 2017 年 2-3 月、2018 年 1-4 月，在得分上再加上通胀敏感度得分，则组合 2013 年以来的年化收益将被进一步提升至 20.62%。组合 2021 年 14 月的配置主线均为经济复苏+流动性收紧且经济关注度更高，行业选择情况如下：12345化工钢铁 家用电器轻工制造公用事业编号2021 年 14 月行业表 9：基于时钟和宏观变量关注点的行业配置策略 2021 年以来行业选择6交通运输7建筑材料资料来源：Wind，研究盈利和估值的变化：宏观环境与行业表现间的传导链上一部分中，我们从宏观环境传导到行业配置建议的这一

45、环节主要采用了第一部分的打分结果，虽然统计规律在历史上显著程度较高，但主要仍基于行业历史表现的统计。事实上，从宏观环境向行业收益率传导的过程中存在一定的中间变量。盈利波动大、低估值的行业受经济影响更大从传导逻辑上看，当经济处于复苏状态时，部分行业的盈利水平将有明显的改善，例如上游周期、汽车等行业，这些行业的盈利水平波动大、盈利受经济影响大，也因此体现了对经济变化更敏感的特征。我们将钢铁和计算机两个一级行业的年度 ROE水平、季度净利润同比增速的变化与GDP 年度、季度同比进行比较，发现钢铁行业的盈利波动水平显著高于计算机行业：图 15：钢铁、计算机行业 ROE 与年度 GDP 同比变化（左轴单

46、位：%）图 16：钢铁、计算机行业净利润同比与季度GDP 同比变化（左轴单位：%）资料来源：Wind，研究资料来源：Wind，研究除了盈利波动更大，钢铁行业盈利变化方向也体现出了与实际GDP 同比变化方向较强的一致性。若我们计算28 个申万一级行业的盈利均值、波动数据，我们发现钢铁行业在RO E、 EPS 的波动上都处于第一位，在净利润、净利润增速的波动上也都处于前五位。我们将各行业年度 ROE 的均值及波动、EPS 的均值及波动、净利润的均值及波动以及净利润同比的均值及波动分别进行行业之间的排序打分，均值/波动越大分数越高，其中钢铁和食品饮料行业的得分情况如下：图 17：钢铁行业盈利均值/波

47、动得分图 18：食品饮料行业盈利均值/波动得分资料来源：Wind，研究资料来源：Wind，研究两个行业的得分情况有较大差异：钢铁行业具有明显的盈利均值水平低、盈利波动大的特点；而食品饮料行业则明显在盈利均值水平上更高，在盈利绝对水平上波动中等，盈利增速上波动较低。除了钢铁行业，表 1 计算的受经济影响最大的其他四个行业整体上也具有盈利波动相对较大、平均估值水平低、高股息的特点（下表中分数经百分制换算，分数越高，波动、均值越大）：一级行业名称净利润增速波动分数净利润波动分数估值均值分数股息均值分数钢铁89.2989.2964.2989.29采掘100.0092.8628.5796.43交通运输5

48、7.1467.8617.8682.14公用事业17.8639.2935.7185.71建筑装饰10.7164.297.1471.43表 10：对经济最敏感的一级行业的盈利、估值、股息分数资料来源：Wind，研究以上对经济最为敏感的行业中，钢铁、采掘为上游周期行业，其余交运、公用事业、建筑行业可被归为基建板块，我国经济复苏中基建往往扮演了重要的角色，几次经济回暖中固定资产的投资额同比都有明显的上升：图 19：实际 GDP 同比与基建投资完成额同比资料来源：Wind，研究数据自 2008 年第四季度至 2020 年第四季度而基础建设直接带动了上游的需求，因此以上行业在历史上体现了对经济变化最敏感的

49、特点。随着基建、上游周期行业的复苏，经济复苏逐渐向其他中下游板块传导。基建行业常同时具备高股息、低估值的特点，当经济处于复苏状态时，在盈利抬升的预期下，此类行业的估值水平也更具备吸引力。受流动性影响大的行业盈利、估值与流动性关系都较为密切在经济与行业表现之间的连接上，盈利是重要的中间变量，盈利与经济变化密切相关的行业更容易在经济上行时得到估值提升的机会，从而有好的表现。而宏观流动性与企业表现之间的关系则在盈利、估值上都有所体现。从企业利润的视角来看，持续宽松的流动性改善了企业的融资环境，同时经济复苏也往往伴随其后，企业的盈利状况将有所改善，这也可以被认为是盈利改善的货币现象；从现金流贴现的视角

50、来看，无风险利率下行，现金流稳定的企业估值将得到提升；从投资者的视角来看，宽松的流动性环境使得二级市场资金更为充裕，估值提升意愿增加。正是因为流动性向行业表现的传导链相对复杂，行业对流动性的敏感程度差异相对于对经济的敏感程度差异也更小一些。我们观察对流动性变化较敏感的计算机和有色金属行业的盈利、估值及各自与流动性关系的得分情况，两者的特征存在一定的相同和不同之处：图 20：计算机行业盈利、估值部分项得分图 21：有色金属行业盈利、估值部分项得分资料来源：Wind，研究资料来源：Wind，研究上图中“流动性净利润增速差分数”与“流动性净利润差分数”指流动性偏松和偏紧状态下行业的净利润增速、净利润

51、的均值差在 28 个一级行业中的排名。两个行业的平均估值、估值波动都处于较高的水平，股息率也始终在行业中排名靠后；两者的利润都与流动性有较大的关系，而有色行业的平均利润、利润波动高于计算机。图 22：有色、计算机行业 PE_TTM 与 1 年期国债收 益率资料来源：Wind，研究数据自 2009 年至 2021 年 2 月图 23：有色、计算机行业净利润同比增速与 1 年期国债收益率资料来源：Wind，研究 数据自 2016 年至 2020 年第三季度从上图来看，两个行业的盈利与估值都和利率变化有一定关系。表 3 计算的对流动性最敏感的行业整体上也具有净利润波动高且受流动性影响大、平均估值水平

52、及估值波动水平高的特点（下表中分数经百分制换算，分数越高，波动、均值越大）：一级行业名称净利润增速波动分数流动性净利润增速差分数估值均值分数估值波动分数计算机综合71.4385.7196.4371.4375.0067.8682.1482.14通信85.7189.2971.4357.14有色金属传媒96.4353.5796.4328.5792.8678.5792.8664.29表 11：对流动性最敏感的一级行业的盈利、估值分数资料来源：Wind，研究通胀较高的时期高股息、低估值行业受益我们对通胀的关注主要基于 CPI、PPI，这两个指数本身就与部分行业存在更强的关联。例如，食品饮料、农产品价格与

53、 CPI 高度相关，这些行业在高通胀期吸引力高于其他行业；大宗商品价格的上升可能带来部分行业个股销售额的上升，成为行业上涨的主要驱动力，则这些行业也会在高通胀期将具备更高的投资价值。从表 5 抗通胀能力较强的行业特征来看，这些行业高股息、低估值的特征相对较为突出：一级行业名称估值均值分数估值波动分数股息均值分数股息波动分数采掘 有色金属28.5767.8696.4392.8692.8692.8628.5742.86表 12：抗通胀能力较强的一级行业的估值、股息率分数建筑装饰7.1425.0071.4360.71钢铁64.2996.4389.29100.00银行3.573.57100.0089.

54、29资料来源：Wind，研究根据行业主题的盈利估值特点进行特征刻画3.1-3.3 中我们通过计算 28 个申万一级行业的多项盈利、估值指标的均值、波动以及指标在不同流动性环境下的差异的相对排名对行业进行了一定的特征刻画，并总结了经济、流动性、通胀向行业表现传导的逻辑，这些数据结论一方面解释了行业对经济、流动性敏感程度存在差异的原因，另一方面也能通过规律的总结进一步提供宏观视角下行业选择的逻辑。事实上，类似于一级行业，我们也可以对任意市场关心的主题进行盈利、估值特征的刻画；相比于一级行业，我们对主题指数的估值、盈利特征往往不熟悉，通过特征刻画可以对我们选择受益主题有所帮助。下面我们以 Wind

55、热门概念板块指数系列为例，对成份股个数超过 20 只、基日在 2015 年 1 月 1 日之前的 81 条主题指数进行特征刻画。我们进行宏观敏感性、盈利估值特征两个维度的刻画，具体指标和计算方式如下：指标名称经济敏感程度计算子指标实际 GDP 同比上行对应季度的指数平均收益；实际 GDP 同比下行对应季度的指数平均收益；实际 GDP 同比上行与下行对应季度的指数上涨频率之差。汇总方式将 1、3 项分别在所有指数中从低到高排序、第 2 项从高到低排序，将三项得分加总后换算成百分制，得分越高说明经济数据方向变化时指数的收益区分度越高，对经济越敏感。流动性敏感程度综合流动性指标宽松对应月份的指数平均

56、收益；综合流动性指标紧缩对应月份的指数平均收益；综合流动性指标宽松和紧缩对应月份的指数上涨频率之差。将 1、3 项分别在所有指数中从低到高排序、第 2 项从高到低排序，将三项得分加总后换算成百分制，得分越高说明流动性环境变化时指数的收益区分度越高，对流动性越敏感。抗通胀程度高通胀时期对应月份的指数平均收将 1、3 项分别在所有指数中从低到高排益；序、第 2 项从高到低排序，将三项得分加普通通胀时期对应月份的指数平均收总后换算成百分制，得分越高说明通胀环益；境变化时指数的收益区分度越低，抗通胀高通胀与普通通胀时期对应月份的指能力越强。数上涨频率之差。表 13：宏观敏感性特征计算方法资料来源：研究

57、以上宏观敏感性计算方法和第一部分基本一致，此处为了展示的直观我们将原先的排名越靠前越敏感改为得分越高越敏感，即将从高到低排序的部分改为从低到高。ROE 均值ROE 波动净利润均值净利润波动估值均值 估值波动 股息均值股息波动将指数 20142019 年的年度 ROE 平均后从低到高排名，平均 ROE 越高分数越高将指数 20142019 年的年度 ROE 求标准差后从低到高排名，ROE 波动越高分数越高将指数 20152020 年每季度滚动一年的净利润平均后从低到高排名，平均净利润越高分数越高将指数 20152020 年每季度滚动一年的净利润求标准差后从低到高排名，净利润波动越高分数越高将指数

58、 20152020 年每月的 PE 平均后从低到高排名，平均 PE 越高分数越高将指数 20152020 年每月的 PE 求标准差后从低到高排名，PE 波动越高分数越高将指数 20152020 年每月的股息率平均后从低到高排名，平均股息率越高分数越高将指数 20152020 年每月的股息率求标准差后从低到高排名，股息率波动越高分数越高指标名称计算方法表 14：盈利估值特征计算方法资料来源：研究根据以上计算方法，我们得到对经济、流动性敏感程度及抗通胀程度最高的 5个概念指数分别如下：经济敏感前五流动性敏感前五抗通胀能力前五指数名称高端装备制造指数一带一路指数经济敏感程度指数名称流动性敏感程度指数

59、名称抗通胀能力86.42网络安全指数83.95一带一路指数90.5382.30高送转概念指数82.72环保概念指数86.01银行(一致评级)指数79.42智慧医疗指数82.30ST 概念指数81.89工业 4.0 指数79.01数字货币指数80.66白色家电(一致评级)指数79.84核电指数77.78量子技术指数76.95富时罗素概念指数77.37资料来源：Wind，申万宏源研究表 15：宏观敏感性最高的概念指数经济敏感程度高的行业集中在基建、制造，而流动性敏感程度高的指数科技占比较高。我们将经济敏感程度最高的高端装备制造指数的特征绘制雷达图如下：图 24：高端装备制造指数三大宏观敏感性特征图

60、 25：高端装备制造指数盈利估值特征资料来源：Wind，研究数据自 2015 年至 2020 年资料来源：Wind，研究数据自 2015 年至 2020 年从盈利估值特征来看，该指数利润波动水平较高、估值相对较低，与 3 .1 总结的特征相似。我们将流动性敏感程度最高的网络安全指数的特征绘制如下：图 26：网络安全指数三大宏观敏感性特征图 27：网络安全指数盈利估值特征资料来源：Wind，研究数据自 2015 年至 2020 年资料来源：Wind，研究数据自 2015 年至 2020 年网络安全指数与高端装备制造指数的盈利估值特征差异十分明显，网络安全指数的净利润平均水平和波动水平明显较低，而