tft每日頭條

 > 生活

 > tmt深度研究報告

tmt深度研究報告

生活 更新时间:2024-12-25 15:51:03

(報告出品方/作者:招商證券,任瞳、崔浩瀚)

1 TMT賽道基本面解析

TMT是當前被動資金(ETF)覆蓋占比最高的大行業

我們統計了當前行業主題類ETF在各中信一二級行業中的資金分布,發現電子行業中的半導體、 計算機行業中的産業互聯網受被動資金配置的比例最高。在通信和傳媒上也有極高的被動資金配 置比例。對細分行業進行輪動具備現實意義。

我們統計了布局TMT(科技、傳媒、通信)産業的ETF産品。截止2022年3月18日,在全部的 550隻股票型ETF中,有約60隻産品布局在TMT行業,整體規模達到了783億元。

科技闆塊在2015年前後出現過機構抱團

曆史上,也曾出現過科技闆塊的抱團,在2014至2016年科技闆塊曾在公募基金的持倉中占比頗 高,而且由于科技闆塊彈性高,在2015年的牛市期間曾給産品帶來的最大的收益貢獻。當前仍有 部分細分行業和個股是公募基金的重倉熱門。

電子

電子産業是一個豐富多樣化的産業。縱向來看,電子産業具有豐富的産業鍊,包括上遊的半導體 材料和設備生産,中遊的電子元器件和集成電路制造等。橫向來看,電子通過手機、PC、穿戴設 備、汽車電子、LED照明、安防和5G應用等方式潛移默化地影響着人們,已經成為現代信息社會 發展不可或缺的組成部分。 電子産業是全球近幾十年來發展演變較快的産業部門,“國産替代”對我國的工業化和信息化起 到積極的促進作用。

計算機

雲計算:2016年以來,全球雲計算市場規模呈現增長态勢,在消費互聯網領域,終端的運算向雲 端前移的需求提升,降低終端硬件的成本,雲遊戲、雲手機、雲電腦已成為當下的需求的趨勢。 此外,雲辦公、雲教育、雲醫療的需求量大幅提升,車聯網、可穿戴設備等領域也在逐步擴大。

5G與智能物聯:随着5G網絡的大規模部署、AIoT的升級,信息化将進入一個全新的時代。由于 5G具備高速度、低功耗、低時延、萬物互聯的特點和能力,這些能力将提升物聯網、大數據和智 能學習的能力,并将這些各自具備特點的能力形成新的聚合效應。

通信

通信在近幾年中最大的投資邏輯就是5G建設。由于5G技術将在多個重要領域得到廣泛且深度的應 用,5G将是支撐改變未來科技生活的支柱性産業,5G将帶來巨大的投資機會。與此同時,5G産 業也是國家政策重點投入、重點扶持的産業。 5G的應用,将給社會經濟帶來巨大的價值。它将調整經濟結構、促進經濟轉型、引領經濟增長; 通過5G AI 大數據、5G 雲計算 邊緣計算,引發應用乘數效應;促進從要素競争到“要素 能 力”競争,提升科技創新構築商業核心能力,推動商業競争變遷,加速信息消費升級。

傳媒

在文娛産業的應用中,發展方向目前初步集中于雲遊戲、超高清視頻和VR/AR等方向。5G解決雲 遊戲時延、卡頓問題,也為超高清視頻流暢畫質提供保障,雲端計算模式使得傳統VR計算能力不 足、密集型數據處理慢的應用障礙得以掃除,目前相關廠商已經開始布局,伴随5G基礎設施的逐 步完善,預計相關應用和産業鍊會進入快速推進發展階段。 電影、樓宇廣告等受疫情影響闆塊逐漸複蘇,電影院、樓宇廣告上半年受疫情沖擊較大,但至暗 時刻已經過去。

TMT細分賽道的産業輪動邏輯

剖析過去11年TMT産業走勢,縱向來看,上述中信行業指數均出現了多次回撤,有時單次回撤的 幅度比較大;橫向看,不同細分賽道之間有此起彼伏的輪動效應,因而對TMT細分賽道進行輪動, 有較高的挖掘價值。 也就是說,不同的細分賽道在不同時間段都有自身的獨立行情,比如,2013年的傳媒、對2015 年的計算機以及近兩年的電子行業。 之所以會産生這樣的輪動現象,一方面是行業本身存在生命周期,在景氣度上升階段,行業會面 臨快速擴張,繼而反映在股價上;另一方面,有些時候會受到政策引導的影響,比如前兩年的5G 行情,對部分子賽道均會産生影響。 綜上,我們對細分賽道進行輪動,會獲得高于大賽道本身的超額收益。

2 細分賽道分析與量化模型邏輯

TMT細分賽道的輪動指标分配

每個細分行業的輪動數據均由三個大類組成,分别是宏觀數據與行業中觀指标、景氣度指标和技 術指标。 宏觀數據與行業中觀指标由4個細分賽道共用,因為所有成分股都暴露在相同的宏觀環境中,同時 由于宏觀數據對不同細分賽道的影響是不一樣的,我們不預設理論方向。細分賽道的景氣度指标由曆史時點上的該細分賽道的成分股财務數據等權合成,由于基本面含義 明确,我們預設了理論方向,若測試結果與理論方向違背,則予以剔除。 技術指标是根據細分賽道的淨值曲線進行計算的,由于不同的時間維度下,技術指标将有不一樣 的後市指導作用,故而也未設置理論方向。(報告來源:未來智庫)

3 數據事件化

指标數據信号化的原因

宏觀數據、景氣度對個股走勢的影響通常是非線性的,直接進行線性相關系數的分析,恐難實現 指标的有效篩選,且外推效果不理想(泛化能力弱)。 相關系數高不代表存在因果關系,模型預測能力較差,該問題在時間序列數據中尤為突出。有時 候當趨勢、幅度到達某個阈值之後,才會對個股走勢有顯著影響。根據最優領先期數對宏觀數據進行滞後使用同樣不符合直觀投資邏輯, 通常最新公布的數據會對 股價造成主要影響,因而考察最近一期在曆史上的位置尤為重要。

為改善對行業景氣度的預測能力,我們将宏觀數據、景氣度、技術指标數據事件化處理,構建關 于數據變化趨勢持續性、變動幅度、以及近期相對位置的各類事件, 力圖通過跟蹤最新數據情況 判斷細分賽道走勢。以下我們将詳細介紹數據事件化測試框架,并對TMT産業鍊相關細分賽道數 據有效性進行分析。

指标數據信号化

對于數據事件的測試,當數據趨勢達到某種要求的時候,形成事件,并發出做多/空信号。我們采 用統計信号發出後的下一期風險調整後的收益的方法,通過比較不同信号發出後細分賽道指數的 風險調整後收益指标,分析信号的有效性。

對宏觀數據與行業中觀指标、景氣度指标和技術指标進行預處理(包括數據清理、數據曆史實際 可得性調整)後,我們針對每項指标構建了不同事件類型。 事件類型可分為三類:變化幅度,變 化趨勢持續性、近期高/低位;每個事件類型分别具有不同的參數。具體構建方式如下:

變動幅度:我們關注數據變動幅度。 我們通過當期指标值相對于上期指标值的變化幅度構建指标 大幅上升/ 下降事件。由于不同數據波動範圍不同,我們對上升/下降超過 0.1%至 10%之間的不 同阈值進行了測試。

變化趨勢持續性:數據變化趨勢持續性類事件通過數據值連續N期上升/下降來構造, 指标參數包 括連續上升/下降 1 期、3 期、6 期,分别代表數據短期、中期、長期的變化趨勢持續性。

近期高/低位:除數據變化情況外,我們還構建了數據近期高位/低位指标。我們在時間序列上計 算了指标值滾動1年的标準分(Z-score),通過對标準分設定不同阈值(0.5、1、2),構建指标值 近期高低位。

有效信号事件的篩選邏輯

将數據事件化後,我們需要篩選出有效的數據事件。我們把 2010 年1月4日至 2022 年 2月 28 日作為指标測試期。在測試時,我們依據數據的數據公布滞後時間,将數據均滞後1個月使用(行 業數據滞後期1個季度),并觀察數據事件觸發後下一個月細分賽道指數的收益表現。我們将從以 下幾個方面對其進行評判:

Sharpe比率絕對值從優(量化指标):我們計算了單指标單事件下的Sharpe比率,類似于因子 的多空組合Sharpe比率的計算,一般夏普比率的絕對值越大越優。

符合經濟學邏輯:景氣度指标有較明确的經濟學指示意義,對于Sharpe比率方向不符合理論邏輯 的,直接予以剔除;宏觀數據和技術指标沒有預設理論方向,故而根據實際的Sharpe比率的絕對 值擇優入選。同時考察單指标不同事件指向的穩定性,實際數據并未出現方向突變的情況。

相似事件隻取最優一項:對于相似事件,比如淨利潤上升1%、3%和5%這三個事件的Sharpe比 率絕對值均較為優秀,為了防止信号重複和多重共線性等問題,我們隻選擇Sharpe比率絕對值最 高的一種事件,另兩種進行剔除。

開倉次數符合最低要求:若事件在過去11年中發生的次數過少(少于10次),則不能給最終組合 貢獻足夠的收益,同時也無法滿足Sharpe比率計算的準确性,這類事件予以剔除。

4 組合構建與結果展示

組合構建方式

根據篩選得到的信号事件進行各細分賽道的得分然後根據得分進行權重的配置,月頻調倉進行組 合構建。具體步驟如下: 根據Sharpe比率的符号來确定信号事件屬于正向還是負向事件(後驗指标); 在每月月底最後一個交易日分别計算TMT産業鍊電子、計算機、通信、傳媒的事件是否觸發了做 多信号(由于A股市場做空的可行性不強,避免出現最後得分為負的情況,我們暫時忽略做空信 号)。若觸發了做多信号,則單事件記1分,否自記0分。

對所有事件的得分進行加總,各細分賽道單獨計算,最後各細分賽道每月的得分在 , 分之間。 根據各細分賽道的得分進行權重配置。比如某月底電子得分為5,計算機得分為3,通信得分為2, 傳媒的得分是10,則電子的倉位為25%,計算機15%,通信10%,傳媒50%。 按月調倉,計算加權輪動組合收益。并以上述指數的行業指數的等權組合作為基準進行比較。

不同指标配比下,輪動組合的超額收益比較

在完備指标組合下,超額收益的穩定性最為突出,最大回撤、波動率和Sharpe比率均為最優。 剔除技術指标後,盡管超額收益有較為顯著的提升,但是也會增加收益風險指标。而剔除宏觀指 标或者景氣度指标,則會使超額收益有明顯的收窄。(報告來源:未來智庫)

總結

TMT産業當前是被動資金覆蓋占比最高的行業,可輪動的标的豐富,經過此前的調整,估值已經 相對合理。對TMT行業的配置和策略增強将有較強的現實意義。剖析過去11年TMT産業走勢,縱向來看,出現了多次回撤,有時單次回撤的幅度比較大;橫向看, 電子、計算機、計算機、傳媒有此起彼伏的輪動效應,因而對TMT細分賽道進行輪動,有較高的 挖掘價值。

我們對指标分3大類進行讨論,分别是宏觀與TMT行業指标、景氣度指标和技術指标,對各類指 标進行信号事件化處理,根據單事件細分賽道的多空組合風險調整後的收益進行指标篩選,兼顧 經濟學邏輯和實操可行性。對各細分賽道總結出18個有效信号事件。

對事件發出的做多信号進行打分,按得分對各細分賽道的倉位進行調整,實現産業内部的細分賽 道輪動,得到加權輪動之後的組合。模型通過指标初篩、多空檢驗、多事件打分構建組合提升穩 定性,整體框架成熟,指标靈活性高。總體來看,輪動組合對基準組合有顯著增強,而且增強效果較為穩健。在完備指标組合下,超額 收益的穩定性最為突出,最大回撤、波動率和Sharpe比率均為最優。

報告節選:

tmt深度研究報告(細分賽道輪動模型)1

tmt深度研究報告(細分賽道輪動模型)2

tmt深度研究報告(細分賽道輪動模型)3

tmt深度研究報告(細分賽道輪動模型)4

tmt深度研究報告(細分賽道輪動模型)5

tmt深度研究報告(細分賽道輪動模型)6

tmt深度研究報告(細分賽道輪動模型)7

tmt深度研究報告(細分賽道輪動模型)8

tmt深度研究報告(細分賽道輪動模型)9

tmt深度研究報告(細分賽道輪動模型)10

tmt深度研究報告(細分賽道輪動模型)11

tmt深度研究報告(細分賽道輪動模型)12

tmt深度研究報告(細分賽道輪動模型)13

tmt深度研究報告(細分賽道輪動模型)14

tmt深度研究報告(細分賽道輪動模型)15

tmt深度研究報告(細分賽道輪動模型)16

tmt深度研究報告(細分賽道輪動模型)17

tmt深度研究報告(細分賽道輪動模型)18

tmt深度研究報告(細分賽道輪動模型)19

tmt深度研究報告(細分賽道輪動模型)20

tmt深度研究報告(細分賽道輪動模型)21

tmt深度研究報告(細分賽道輪動模型)22

tmt深度研究報告(細分賽道輪動模型)23

tmt深度研究報告(細分賽道輪動模型)24

tmt深度研究報告(細分賽道輪動模型)25

tmt深度研究報告(細分賽道輪動模型)26

tmt深度研究報告(細分賽道輪動模型)27

tmt深度研究報告(細分賽道輪動模型)28

(本文僅供參考,不代表我們的任何投資建議。如需使用相關信息,請參閱報告原文。)

精選報告來源:【未來智庫】。未來智庫 - 官方網站

,

更多精彩资讯请关注tft每日頭條,我们将持续为您更新最新资讯!

查看全部

相关生活资讯推荐

热门生活资讯推荐

网友关注

Copyright 2023-2024 - www.tftnews.com All Rights Reserved