(报告出品方/作者:招商证券,任瞳、崔浩瀚)

1 TMT赛道基本面解析

TMT是当前被动资金(ETF)覆盖占比最高的大行业

我们统计了当前行业主题类ETF在各中信一二级行业中的资金分布,发现电子行业中的半导体、 计算机行业中的产业互联网受被动资金配置的比例最高。在通信和传媒上也有极高的被动资金配 置比例。对细分行业进行轮动具备现实意义。

我们统计了布局TMT(科技、传媒、通信)产业的ETF产品。截止2022年3月18日,在全部的 550只股票型ETF中,有约60只产品布局在TMT行业,整体规模达到了783亿元。

科技板块在2015年前后出现过机构抱团

历史上,也曾出现过科技板块的抱团,在2014至2016年科技板块曾在公募基金的持仓中占比颇 高,而且由于科技板块弹性高,在2015年的牛市期间曾给产品带来的最大的收益贡献。当前仍有 部分细分行业和个股是公募基金的重仓热门。

电子

电子产业是一个丰富多样化的产业。纵向来看,电子产业具有丰富的产业链,包括上游的半导体 材料和设备生产,中游的电子元器件和集成电路制造等。横向来看,电子通过手机、PC、穿戴设 备、汽车电子、LED照明、安防和5G应用等方式潜移默化地影响着人们,已经成为现代信息社会 发展不可或缺的组成部分。 电子产业是全球近几十年来发展演变较快的产业部门,“国产替代”对我国的工业化和信息化起 到积极的促进作用。

计算机

云计算:2016年以来,全球云计算市场规模呈现增长态势,在消费互联网领域,终端的运算向云 端前移的需求提升,降低终端硬件的成本,云游戏、云手机、云电脑已成为当下的需求的趋势。 此外,云办公、云教育、云医疗的需求量大幅提升,车联网、可穿戴设备等领域也在逐步扩大。

5G与智能物联:随着5G网络的大规模部署、AIoT的升级,信息化将进入一个全新的时代。由于 5G具备高速度、低功耗、低时延、万物互联的特点和能力,这些能力将提升物联网、大数据和智 能学习的能力,并将这些各自具备特点的能力形成新的聚合效应。

通信

通信在近几年中最大的投资逻辑就是5G建设。由于5G技术将在多个重要领域得到广泛且深度的应 用,5G将是支撑改变未来科技生活的支柱性产业,5G将带来巨大的投资机会。与此同时,5G产 业也是国家政策重点投入、重点扶持的产业。 5G的应用,将给社会经济带来巨大的价值。它将调整经济结构、促进经济转型、引领经济增长; 通过5G AI 大数据、5G 云计算 边缘计算,引发应用乘数效应;促进从要素竞争到“要素 能 力”竞争,提升科技创新构筑商业核心能力,推动商业竞争变迁,加速信息消费升级。

传媒

在文娱产业的应用中,发展方向目前初步集中于云游戏、超高清视频和VR/AR等方向。5G解决云 游戏时延、卡顿问题,也为超高清视频流畅画质提供保障,云端计算模式使得传统VR计算能力不 足、密集型数据处理慢的应用障碍得以扫除,目前相关厂商已经开始布局,伴随5G基础设施的逐 步完善,预计相关应用和产业链会进入快速推进发展阶段。 电影、楼宇广告等受疫情影响板块逐渐复苏,电影院、楼宇广告上半年受疫情冲击较大,但至暗 时刻已经过去。

TMT细分赛道的产业轮动逻辑

剖析过去11年TMT产业走势,纵向来看,上述中信行业指数均出现了多次回撤,有时单次回撤的 幅度比较大;横向看,不同细分赛道之间有此起彼伏的轮动效应,因而对TMT细分赛道进行轮动, 有较高的挖掘价值。 也就是说,不同的细分赛道在不同时间段都有自身的独立行情,比如,2013年的传媒、对2015 年的计算机以及近两年的电子行业。 之所以会产生这样的轮动现象,一方面是行业本身存在生命周期,在景气度上升阶段,行业会面 临快速扩张,继而反映在股价上;另一方面,有些时候会受到政策引导的影响,比如前两年的5G 行情,对部分子赛道均会产生影响。 综上,我们对细分赛道进行轮动,会获得高于大赛道本身的超额收益。

2 细分赛道分析与量化模型逻辑

TMT细分赛道的轮动指标分配

每个细分行业的轮动数据均由三个大类组成,分别是宏观数据与行业中观指标、景气度指标和技 术指标。 宏观数据与行业中观指标由4个细分赛道共用,因为所有成分股都暴露在相同的宏观环境中,同时 由于宏观数据对不同细分赛道的影响是不一样的,我们不预设理论方向。细分赛道的景气度指标由历史时点上的该细分赛道的成分股财务数据等权合成,由于基本面含义 明确,我们预设了理论方向,若测试结果与理论方向违背,则予以剔除。 技术指标是根据细分赛道的净值曲线进行计算的,由于不同的时间维度下,技术指标将有不一样 的后市指导作用,故而也未设置理论方向。(报告来源:未来智库)

3 数据事件化

指标数据信号化的原因

宏观数据、景气度对个股走势的影响通常是非线性的,直接进行线性相关系数的分析,恐难实现 指标的有效筛选,且外推效果不理想(泛化能力弱)。 相关系数高不代表存在因果关系,模型预测能力较差,该问题在时间序列数据中尤为突出。有时 候当趋势、幅度到达某个阈值之后,才会对个股走势有显著影响。根据最优领先期数对宏观数据进行滞后使用同样不符合直观投资逻辑, 通常最新公布的数据会对 股价造成主要影响,因而考察最近一期在历史上的位置尤为重要。

为改善对行业景气度的预测能力,我们将宏观数据、景气度、技术指标数据事件化处理,构建关 于数据变化趋势持续性、变动幅度、以及近期相对位置的各类事件, 力图通过跟踪最新数据情况 判断细分赛道走势。以下我们将详细介绍数据事件化测试框架,并对TMT产业链相关细分赛道数 据有效性进行分析。

指标数据信号化

对于数据事件的测试,当数据趋势达到某种要求的时候,形成事件,并发出做多/空信号。我们采 用统计信号发出后的下一期风险调整后的收益的方法,通过比较不同信号发出后细分赛道指数的 风险调整后收益指标,分析信号的有效性。

对宏观数据与行业中观指标、景气度指标和技术指标进行预处理(包括数据清理、数据历史实际 可得性调整)后,我们针对每项指标构建了不同事件类型。 事件类型可分为三类:变化幅度,变 化趋势持续性、近期高/低位;每个事件类型分别具有不同的参数。具体构建方式如下:

变动幅度:我们关注数据变动幅度。 我们通过当期指标值相对于上期指标值的变化幅度构建指标 大幅上升/ 下降事件。由于不同数据波动范围不同,我们对上升/下降超过 0.1%至 10%之间的不 同阈值进行了测试。

变化趋势持续性:数据变化趋势持续性类事件通过数据值连续N期上升/下降来构造, 指标参数包 括连续上升/下降 1 期、3 期、6 期,分别代表数据短期、中期、长期的变化趋势持续性。

近期高/低位:除数据变化情况外,我们还构建了数据近期高位/低位指标。我们在时间序列上计 算了指标值滚动1年的标准分(Z-score),通过对标准分设定不同阈值(0.5、1、2),构建指标值 近期高低位。

有效信号事件的筛选逻辑

将数据事件化后,我们需要筛选出有效的数据事件。我们把 2010 年1月4日至 2022 年 2月 28 日作为指标测试期。在测试时,我们依据数据的数据公布滞后时间,将数据均滞后1个月使用(行 业数据滞后期1个季度),并观察数据事件触发后下一个月细分赛道指数的收益表现。我们将从以 下几个方面对其进行评判:

Sharpe比率绝对值从优(量化指标):我们计算了单指标单事件下的Sharpe比率,类似于因子 的多空组合Sharpe比率的计算,一般夏普比率的绝对值越大越优。

符合经济学逻辑:景气度指标有较明确的经济学指示意义,对于Sharpe比率方向不符合理论逻辑 的,直接予以剔除;宏观数据和技术指标没有预设理论方向,故而根据实际的Sharpe比率的绝对 值择优入选。同时考察单指标不同事件指向的稳定性,实际数据并未出现方向突变的情况。

相似事件只取最优一项:对于相似事件,比如净利润上升1%、3%和5%这三个事件的Sharpe比 率绝对值均较为优秀,为了防止信号重复和多重共线性等问题,我们只选择Sharpe比率绝对值最 高的一种事件,另两种进行剔除。

开仓次数符合最低要求:若事件在过去11年中发生的次数过少(少于10次),则不能给最终组合 贡献足够的收益,同时也无法满足Sharpe比率计算的准确性,这类事件予以剔除。

4 组合构建与结果展示

组合构建方式

根据筛选得到的信号事件进行各细分赛道的得分然后根据得分进行权重的配置,月频调仓进行组 合构建。具体步骤如下: 根据Sharpe比率的符号来确定信号事件属于正向还是负向事件(后验指标); 在每月月底最后一个交易日分别计算TMT产业链电子、计算机、通信、传媒的事件是否触发了做 多信号(由于A股市场做空的可行性不强,避免出现最后得分为负的情况,我们暂时忽略做空信 号)。若触发了做多信号,则单事件记1分,否自记0分。

对所有事件的得分进行加总,各细分赛道单独计算,最后各细分赛道每月的得分在 , 分之间。 根据各细分赛道的得分进行权重配置。比如某月底电子得分为5,计算机得分为3,通信得分为2, 传媒的得分是10,则电子的仓位为25%,计算机15%,通信10%,传媒50%。 按月调仓,计算加权轮动组合收益。并以上述指数的行业指数的等权组合作为基准进行比较。

不同指标配比下,轮动组合的超额收益比较

在完备指标组合下,超额收益的稳定性最为突出,最大回撤、波动率和Sharpe比率均为最优。 剔除技术指标后,尽管超额收益有较为显著的提升,但是也会增加收益风险指标。而剔除宏观指 标或者景气度指标,则会使超额收益有明显的收窄。(报告来源:未来智库)

总结

TMT产业当前是被动资金覆盖占比最高的行业,可轮动的标的丰富,经过此前的调整,估值已经 相对合理。对TMT行业的配置和策略增强将有较强的现实意义。剖析过去11年TMT产业走势,纵向来看,出现了多次回撤,有时单次回撤的幅度比较大;横向看, 电子、计算机、计算机、传媒有此起彼伏的轮动效应,因而对TMT细分赛道进行轮动,有较高的 挖掘价值。

我们对指标分3大类进行讨论,分别是宏观与TMT行业指标、景气度指标和技术指标,对各类指 标进行信号事件化处理,根据单事件细分赛道的多空组合风险调整后的收益进行指标筛选,兼顾 经济学逻辑和实操可行性。对各细分赛道总结出18个有效信号事件。

对事件发出的做多信号进行打分,按得分对各细分赛道的仓位进行调整,实现产业内部的细分赛 道轮动,得到加权轮动之后的组合。模型通过指标初筛、多空检验、多事件打分构建组合提升稳 定性,整体框架成熟,指标灵活性高。总体来看,轮动组合对基准组合有显著增强,而且增强效果较为稳健。在完备指标组合下,超额 收益的稳定性最为突出,最大回撤、波动率和Sharpe比率均为最优。

报告节选:

tmt深度研究报告(细分赛道轮动模型)(1)

tmt深度研究报告(细分赛道轮动模型)(2)

tmt深度研究报告(细分赛道轮动模型)(3)

tmt深度研究报告(细分赛道轮动模型)(4)

tmt深度研究报告(细分赛道轮动模型)(5)

tmt深度研究报告(细分赛道轮动模型)(6)

tmt深度研究报告(细分赛道轮动模型)(7)

tmt深度研究报告(细分赛道轮动模型)(8)

tmt深度研究报告(细分赛道轮动模型)(9)

tmt深度研究报告(细分赛道轮动模型)(10)

tmt深度研究报告(细分赛道轮动模型)(11)

tmt深度研究报告(细分赛道轮动模型)(12)

tmt深度研究报告(细分赛道轮动模型)(13)

tmt深度研究报告(细分赛道轮动模型)(14)

tmt深度研究报告(细分赛道轮动模型)(15)

tmt深度研究报告(细分赛道轮动模型)(16)

tmt深度研究报告(细分赛道轮动模型)(17)

tmt深度研究报告(细分赛道轮动模型)(18)

tmt深度研究报告(细分赛道轮动模型)(19)

tmt深度研究报告(细分赛道轮动模型)(20)

tmt深度研究报告(细分赛道轮动模型)(21)

tmt深度研究报告(细分赛道轮动模型)(22)

tmt深度研究报告(细分赛道轮动模型)(23)

tmt深度研究报告(细分赛道轮动模型)(24)

tmt深度研究报告(细分赛道轮动模型)(25)

tmt深度研究报告(细分赛道轮动模型)(26)

tmt深度研究报告(细分赛道轮动模型)(27)

tmt深度研究报告(细分赛道轮动模型)(28)

(本文仅供参考,不代表我们的任何投资建议。如需使用相关信息,请参阅报告原文。)

精选报告来源:【未来智库】。未来智库 - 官方网站

,