尊龙用现金娱乐一下尊龙用现金娱乐一下

联系我们

海量”专题(82)——原油价格对行业和股票影响的量化分析

来源:http://www.twtianma.com 责任编辑:尊龙用现金娱乐一下 更新日期:2018-09-05 10:34

  【线索征集令!】你吐槽,我倾听;您爆料,我报道!在这里,我们将回应你的诉求,正视你的无奈。新浪财经爆料线索征集启动,欢迎广大网友积极“倾诉与吐槽”!爆料联系邮箱:

  重要提示:《证券期货投资者适当性管理办法》于2017年7月1日起正式实施,通过本微信订阅号发布的观点和信息仅供海通证券的专业投资者参考,完整的投资观点应以海通证券研究所发布的完整报告为准。若您并非海通证券客户中的专业投资者,为控制投资风险,请取消订阅、接收或使用本订阅号中的任何信息。本订阅号难以设置访问权限,若给您造成不便,敬请谅解。我司不会因为关注、收到或阅读本订阅号推送内容而视相关人员为客户;市场有风险,投资需谨慎。

  2005年以来,全球原油价格经历了几轮趋势性涨跌。2005-2008年,随着中国、印度等新经济体的快速发展,原油需求飞速增长,在地缘政治动荡,原油减产的共同驱动下,全球原油价格持续上涨;2008 年金融危机后,油价快速下行;2008 年底伴随着 OPEC 减产和全球量化宽松开启,原油价格探底回升;2011-2014年,页岩油持续增产,原油价格震荡;在经济放缓,页岩油供给攀升、美元走强的背景下,油价自2014年下半年开始暴跌,直到2016年初开始底部回升。在全球经济基本面复苏、OPEC 原油减产计划实施以及地缘政治动荡的影响下,2017 年下半年油价上涨加速,2018年5月一度突破80美元/桶。

  我国是石油进口大国,2017年对外依存度高达67.4%。油价上涨对A股市场影响几何?从逻辑上看,在油价上涨的中前期,经济需求扩张,企业盈利增长,股市伴随油价上涨;当油价上涨步入中后期,一方面会导致企业生产成本增加、利润降低,另一方面会带来输入性通胀压力,导致央行采取紧缩性货币政策,股市往往下跌。

  下面我们构建一个简单的择时策略:若t-5月油价下跌,则t月做多Wind全A,若t-5月油价上涨,则做空Wind全A或空仓,策略净值如图3所示,多空策略年化收益率为20.50%,夏普比率为0.65,胜率为61%,多头策略年化收益率为18.83%,夏普比率为0.95,胜率高达69%。

  全区间回归结果如上表所示,其中与油价同期正相关性最强的中信一级行业为石油石化、煤炭、钢铁;与油价同期负相关性最强的中信一级行业为建筑、【视听天地】电视深度报道的策划。房地产、非银行金融。

  从基本面角度分析,石油石化行业整体与油价正相关,但细分行业影响不一。石油开采行业直接受益于油价上涨,一方面产品价格上涨提高开采业务的毛利率;另一方面存货价值升值使得有丰富石油储备的企业受益更加明显。而对于炼油企业,50-70美元/桶是盈利较高的价格区间。当油价上涨到80美元/桶以上时,企业利润或将受到较大的影响。由于我国石油大量依赖于进口,油价涨跌也将对煤炭、天然气等替代品产生同向影响。

  油价对房地产和建筑的负向影响一方面是由于二者使用的生产原料需要耗费大量石油资源。另一方面,油价的上涨会推高通胀,导致央行收紧信贷,对房地产行业造成冲击。例如2008年次贷危机后,全球量化宽松导致货币超发,原油等实物资产价格大涨,导致CPI和PPI快速上行,2010年5月CPI突破3%,随后央行连续上调存贷款利率,抑制通胀,房地产和建筑行业的超额收益大幅下行。油价对非银行金融的负向影响来自于其高beta属性,油价对股票市场存在负向冲击,而非银行金融行业则首当其冲。

  电力设备、电力及公用事业、综合在滞后一期表现显著,均为负向。房地产、食品饮料在滞后两期表现显著,前者为负向,后者为正向。电力企业以火电企业为主,油价上涨引发煤价上涨,产生负向影响。另一方面,油价上涨推动通胀上行,对食品饮料行业有着正向作用。

  我们在上一节中分析了油价对行业的影响,那么如何落实到投资策略?我们首先基于全样本的信息构建两个中信一级/二级行业轮动策略。

  策略1:根据2.1中的回归方程1,得到各行业收益率关于油价涨幅的回归t值

  策略2:根据2.1中的回归方程2,得到各行业收益率关于油价涨幅的回归t值

  策略的净值曲线在一级和二级行业上分别取得了7.85%和13.36%的年化收益率,夏普比率分别为0.56和0.87;策略2在一级和二级行业上分别取得了7.64%和16.74%的年化收益率,夏普比率分别为0.60和1.67,表现更胜一筹。

  实际中,我们难以预判油价未来的涨跌,而且从全样本表现来看,跨期回归比同期回归效果更好,平均拟合度也更优,因此我们构建窗口为36个月的滚动跨期回归。

  结果显示,一级行业轮动策略月均IC为4.96%,T值为2.49,胜率为62.16%。多空组合年化收益差为8.06%,T值为2.16,胜率为61.26%,多头年化超额收益2.91%,空头年化超额收益为-5.40%。二级行业轮动策略月均IC为4.13%,T值为3.09,胜率为61.26%。多空组合年化收益差为10.05%,T值为2.70,胜率为59.46%,多头年化超额收益3.26%,空头年化超额收益为-6.75%。策略的空头效应比较明显,而多头策略收益较低,未能通过显著性检验。

  油价在回测区间内上涨概率在50%左右,导致策略的年化换手率较高,为6.4。此外,策略在2009.3-2011.3出现回撤,主要由于油价在2007.1-2009.2经历了从50美元/桶上涨至147美元/桶,再下跌至45美元/桶的大幅波动,而且在此期间发生的全球金融危机对股票市场造成了极大冲击,导致回归结果不稳定。

  我们上一节构建了基于油价敏感性的行业轮动策略,接下来我们将其应用在选股中,即根据2.1中的回归方程1,得到各股票关于滞后一个月油价涨幅的回归系数

  原始因子和行业市值中性后的因子的多空净值和月累计溢价如下图所示,二者月均多空收益差分别为0.39%和0.23%,IC均值分别为0.32%和0.18%,胜率分别为55%和52%。油价得分因子和行业轮动策略都是在2009-2011年出现了回撤,随后逐渐回升,但因子的收益水平和稳定性较差,因此难以作为一个alpha因子,那么是否可以作为风险因子呢?

  宏观因子模型在海外市场中应用较早,Chen、Roll、Ross(1986)最早构建了股票的宏观因子模型,Roll和Ross在2003年又与Burmerister、Ibbotson一同建立了BIRR模型,其核心模型由五个宏观因子组成,分别为信心风险、投资期风险、通胀风险、商业周期风险和市场择时风险。一些资产管理机构,例如Salomon Brothers、Goldman Sach和Northfield等也在宏观因子模型领域有所建树。

  油价敏感性因子在前后两期横截面的相关系数均值为0.96,稳定性较好,且与常见因子的相关系数较低(见图15)。将个股收益率对该因子做回归,t值时间序列如图14所示,其绝对值序列的平均值为2.05,显著占比为41%。在加入9因子模型(见下文)后,模型的Adj-R2由7.32%上升至7.47%(不包含行业风险)。

  下面我们将油价敏感性因子风险约束添加到指数增强模型中,对比模型效果。具体参数如下:

  基准模型因子:市值、非线个月非流动性、单季度ROA、单季度dROA,因子对称正交处理;

  约束条件:1. 基准组合的行业、市值敞口偏离基准指数为0,个股权重偏离基准指数不超过1%;2. 对比模型在保留上述约束的基础上,添加油价敏感性敞口偏离基准为0的约束,并称之为风控组合。

  策略净值和收益表现如图16和表6所示,其中基准组合的年化超额收益率为23.06%,跟踪误差为5.85%,信息比率为3.94。风控组合的年化超额收益率为23.20%,跟踪误差为5.76%,信息比率为4.02,相对于基准组合有所提升。

  截至2018年6月,基准组合的年化超额收益率为22.47%,跟踪误差为5.67%,信息比率为3.96。风控组合的年化超额收益率为23.09%,跟踪误差为5.60%,信息比率为4.12。图18为风控组合与基准组合的相对强弱净值,自2016年初油价触底反弹以来,净值稳健上升。

  原油价格年初以来波动较大,本篇报告从量化视角探讨了油价涨跌对行业和股票的影响。

  格兰杰因果检验显示,原油收益率是股市收益率的格兰杰因。滞后5阶时,二者收益率序列的相关系数为-0.29,负相关性十分明显。我们构建的单因子择时策略在Wind全A指数上取得了一定效果,多空年化收益率为20.50%,夏普比率为0.65,胜率为61%;多头年化收益率为18.83%,夏普比率为0.95,胜率高达69%。

  我们通过构建行业收益率关于油价涨幅的回归方程,发现与油价同期正相关性最强的中信一级行业为石油石化、煤炭、钢铁;与油价同期负相关性最强的中信一级行业为建筑、房地产、非银行金融。电力设备、电力及公用事业、综合在滞后一期表现显著,均为负向。此外,油价对建筑、汽车等行业存在非对称影响,在10%水平下显著。

  我们基于油价敏感度构建了行业轮动策略,一级行业轮动策略月均IC为4.96%,T值为2.49,胜率为62.16%。多空组合年化收益差为8.06%,胜率为61.26%,多头年化超额收益2.91%,空头年化超额收益为-5.40%。二级行业轮动策略月均IC为4.13%,T值为3.09,胜率为61.26%。多空组合年化收益差为10.05%,胜率为59.46%,多头年化超额收益3.26%,空头年化超额收益为-6.75%。策略的空头效应比较明显,而多头收益较低。

  最后,我们从宏观多因子模型的角度构建了油价敏感性因子,因子在前后两期横截面相关系数均值为0.96,稳定性较好,且与常见因子的相关系数较低。将个股收益率对该因子做回归,t值绝对值序列的平均值为2.05,显著占比为41%。在加入原有多因子模型后,模型的Adj-R2由7.32%上升至7.47%。

  我们将油价敏感性因子作为风险进行约束,并与仅对行业和市值风险做约束的指数增强基准组合做对比。基准组合的年化超额收益率为23.06%,跟踪误差为5.85%,信息比率为3.94。而加入油价敏感性约束后的组合年化超额收益率提高至23.20%,跟踪误差下降至5.76%,信息比率提高至4.02。在接下来的研究中,我们将研究汇率、利率等其他宏观因子对行业和股票的影响,进一步完善我们的宏观行业轮动和风险因子模型。