基本面量化系列之六：银行行业基本面量化模型构建
创建于 更新于
摘要
本报告基于基本面量化视角，聚焦银行行业构建量化模型，结合宏观货币信用周期划分与微观选股因子测试，实现银行板块多维度动态投资策略，年化收益显著超越基准，最大回撤明显下降，策略兼具择时和选股能力，提升风险调整后收益表现 [page::0][page::7][page::18][page::35][page::39]。
速读内容
银行业标的划分与历史表现 [page::8][page::9]
- 银行业标的以中信银行行业指数为主，涵盖42家银行。
- 银行业股票占沪深300流通市值16.34%，为最大行业比例。
- 2006年至2022年银行年化收益6.03%，表现略优于沪深300指数。
宏观投资逻辑：货币信用周期划分与银行表现 [page::11][page::14][page::17]
- 采用九鞅货币政策指数及社融同比指标定义宽紧货币、宽紧信用周期，划分货币信用组合周期。
- 宽货币宽信用时期银行股表现出显著正收益和超额收益，紧货币紧信用时期表现最差。
- 动态资产配置策略基于周期状态调节仓位，多头策略年化收益达15.29%，最大回撤显著降低。[page::18]
银行业核心选股因子构建与验证 [page::27][page::29][page::30][page::31][page::33]
- 从盈利能力（ROEFwd12M）、资产质量（拨备覆盖率、不良贷款率）、资产规模（存款总额）、成长能力（拨备覆盖率环比）、估值水平（EPFwd12M）五维度挖掘选股因子。
- 因子通过剔除行业影响后的残差方法进行Rank IC和分位数组合测试。
- 合成因子Bank_factor表现稳定，IC均值为11.62%，多空组合年化收益率达14.65%，展现优异预测能力。
静态与动态选股策略表现 [page::35][page::36][page::38]
- 基于合成因子构建定比（前30%）和定量（top5）选股策略，年化收益分别约为13.39%和13.83%，皆显著优于银行行业基准。
- 叠加景气度择时策略后，定比和定量策略年化收益提升至22.75%和22.97%，最大回撤进一步降低，风险调整后表现优异。
- 策略具有较高胜率和良好风险控制，适合银行行业中长期投资。
[page::0][page::7][page::8][page::11][page::14][page::17][page::18][page::27][page::29][page::30][page::31][page::33][page::35][page::36][page::38]
深度阅读
银行业基本面量化研究报告详尽分析
---
1. 元数据与报告概览
- 报告标题：银行行业基本面量化模型构建
- 作者与机构：兴业证券经济与金融研究院金融工程组及银行组研究员郑兆磊、陈绍兴、王尘；助理占康萍
- 发布日期：2022年7月18日
- 研究主题：构建银行行业的基本面量化模型，结合宏观货币信用周期与微观银行财务指标，深化银行行业量化投资体系。
- 核心论点与目标：
- 通过定量化构建银行行业基本面逻辑，完成行业标的选择、逻辑梳理、逻辑量化表达以及投资逻辑的投资应用。
- 结合宏观“货币信用周期”划分，剖析银行股周期表现及驱动因素；
- 验证有效选股因子，构建并优化静态及动态选股策略；
- 投资亮点：
- 多头策略年化收益大幅领先代表行业指数（15.29% vs 6.03%）；
- 静态选股综合因子提升收益至13.39%；
- 叠加景气度择时后收益进一步提升至22.75%。
- 风险提示：模型基于历史数据，政策和市场环境变动可能导致模型失效。[page::0]
---
2. 逐节深度解读
2.1 引言及基本面量化研究框架
- 内容总结：
- 基本面量化是主动量化投资的组合，通过将投资逻辑转为可回测的量化指标，实现有效选股。
- 兴业团队先后针对医药、科技、家电行业构建过量化模型，均取得稳健表现。
- 本文延续此框架，聚焦银行业，完成标的划分、逻辑梳理、量化表达和投资应用。
- 关键数据：
- 医药和科技策略样本外年化收益分别达到16.8%及17.4%，超基准36.1%和27.7%，策略夏普比率均超过2。
- 支撑逻辑：
- 不同行业差异化细分确保选股策略针对性；
- 结合行业基本面和量化方法，策略更为稳健。
- 图表1展示了基本面量化研究框架和团队过往行业量化成果。[page::5-7]
2.2 银行业标的确定
- 关键论据：
- 银行业标的划分采用权威行业指数为准，如中信银行指数与申万银行指数高度一致。
- 截至2022年5月31日，中信银行银行行业42家上市银行总市值约69595亿元，占沪深300流通市值约16.34%，行业权重居首。
- 银行分类：
1. 国有大型银行（工商、农业、中国、建设、交通、邮政储蓄等）
2. 全国股份制银行（招商、浦发等）
3. 区域性银行（以特定地区为主）
- 图表5展示中信和申万银行指数成分股数量几乎重合；图表6、7显示银行在沪深300行业的数量及流通市值占比；图表8银行分类结构简洁明了。[page::8-9]
2.3 银行业历史表现回顾
- 整体表现：
- 2006-2022年5月，银行行业年化收益6.03%，略优于沪深300（4.59%）与中证800（5.41%），但最大回撤较大（71.16%）。
- 银行股表现与宏观经济周期、货币政策强相关。
- 分年表现：
- 2009、2012、2014、2017年银行股均表现强劲，涨幅明显超越基准。
- 2010年和2020年表现最差，分别受资本监管收紧和疫情影响。
- 图表9、10、11通过数据及净值曲线直观反映银行指数表现；图表12和13用柱状图形式展示银行相对沪深300与中证800的年度超额收益。[page::9-10]
2.4 银行业投资逻辑梳理
- 核心观点：宏观经济通过影响企业资金需求和盈利，进而影响银行资产质量和规模，以及货币政策改变利率水平，影响净息差，从而影响股价。
- 行业配置逻辑：
- 历史上，多轮银行行情均发生在“宽货币-宽信用-经济企稳”阶段；
- 货币信用周期为行业景气关键指标；
- 宏观经济景气恢复期银行股通常上涨，如2008年金融危机后、2012年欧债危机缓解期和2014年后经济回暖期。
- 细分货币信用周期划分方法：
- 采用九鞅货币政策指数作为货币政策状态判别指标；
- 社会融资规模同比补充信用周期划分；
- 货币和信用周期有滞后性，存在四大状态：宽货币宽信用、宽货币紧信用、紧货币宽信用、紧货币紧信用，每状态对银行股表现具不同指示意义。
- 图表14至27详细展现传导链条、货币信贷周期划分、不同状态下银行股表现及动态配置策略效果。数据显示紧货币紧信用时期银行股表现最差，采用动态择时策略显著降风险，提升收益。[page::11-18]
2.5 微观维度及个股选择
- 银行盈利结构：
- 过去5年净利润复合增长率5.8%，2021年净利润2.18万亿元，同比增长12.6%；
- 各银行类型盈利占比稳定，大型银行占比超半数。
- 利润驱动力：
- 净利息收入主导，取决于资产规模和净息差走势；
- 非利息收入（手续费净收入和投资收益）贡献稳定，费用结构较为稳健；
- 资产质量影响资产减值费用，影响利润波动；
- 资产质量周期：
- 不良贷款率峰值出现在2015-2016年后逐步改善，信用成本逐年下降；
- 监管趋严背景下不良确认更前置，风险暴露更及时；
- 典型优质个股案例：
- 民生和兴业银行凭借业务创新及资产高速增长领先；
- 宁波、南京银行等城商行资产质量稳定，业绩增长显著；
- 招商银行、大行表现稳健，受益于基本面稳定和市场风格。
- 图表34-47系统展现净利润、资产规模、净息差、费用结构、不良率及拨备覆盖率等核心指标变化及行业差异。[page::19-23]
2.6 银行业逻辑量化表达
- 宏观量化：
- 结合货币信用周期构建投资时钟，完成银行行业择时（不同周期状态对应不同配置仓位决策）；
- 构建货币周期和信用周期可预测模型，运用九鞅货币政策指数和社融同比FL指标，结合数学算法定义拐点与周期状态判定；
- 实证收益：
- 理论与可预测择时策略均显著优于原指数，降低回撤同时提升年化收益；
- 多头年化收益达15.29%，夏普比率近0.6，远超6.03%行业基准。
- 图表48-55展示投资时钟构造、可预测周期划分、策略表现净值和分年度收益，体现策略显著优越性。[page::24-26]
2.7 银行业选股因子开发与验证
- 因子基于“价”、“量”、“质”三大核心驱动维度：
1. 盈利能力（ROEFwd12M、净息差、成本收入比例）
2. 资产质量（拨备覆盖率、不良贷款率）
3. 资产规模（存款总额、贷款总额）
4. 成长能力（各项财务指标环比）
5. 估值水平（EPFwd12M、EPTTM、BPLR）
- 采用中信二级行业分类作为行业中性化回归，剔除结构性偏差后，进行Rank IC（Spearman秩相关）和分位数组合测试；
- 关键因子表现突出：
- ROEFwd12M和EPFwd12M表现优异，IC均值分别约5.74%、11.57%，ICIR优于其他因子；
- 资产质量因子拨备覆盖率不良贷款率IC均值超4%；
- 估值因子总体较强，成长能力因子中拨备覆盖率环比表现最佳；
- 合成因子Bankfactor结合上述核心因子，IC均值11.62%，ICIR 0.35，显著预测能力；
- 图表56-92系统展示了因子定义、效力验证、分位组合收益及各因子在不同货币信用周期的表现差异。[page::27-34]
2.8 银行业投资应用实例
- 静态选股策略：
- 定比策略：选取top30%股票，年化收益13.39%，夏普0.43，最大回撤70.5%，显著跑赢行业及市场基准；
- 定量策略：固定选取top5，年化收益13.83%，夏普0.44，最大回撤70.11%，配置更集中；
- 动态策略叠加景气度择时：
- 控制紧货币紧信用期空仓，
- 其余阶段按合成因子定比或定量选股，
- 年化收益大幅提升至22.75%（定比）、22.97%（定量），夏普比率0.82以上，最大回撤降低至35.73%或33.18%，表现最优。
- 持仓上，定比策略在2022年5月持有13只股票，覆盖大型及区域性银行均衡；定量策略持股集中于5只表现优异银行。
- 图表93-108全方位展示策略表现、净值曲线、持股结构、换手率及年度收益超额分析。[page::34-39]
---
3. 图表深度解读
- 图表1：基本面量化研究框架
展示了由板块基本面量化及个股基本面量化两大分支组成的研究体系，及所涉行业（医药、科技、家电、大金融等）及研究成果，证明项目的系统化和积累。[page::5]
- 图表5：银行指数成分股数量
清晰显示中信银行指数与申万银行指数成分股数目高度一致，验证本文以中信指数为银行行业标的的合理性，且成分股数量逐年稳健增长，体现行业成熟度。[page::8]
- 图表7-8：行业流通市值及分类
银行业占沪深300流通市值的16.34%，在一众行业中排名最高，说明行业体量大、对市场影响力强；分类明确，便于细分策略设计。[page::8]
- 图表9-13：银行指数历史表现和年度相对超额收益
表明银行股的长期表现优于基准，且多数历史上涨行情集中在宽货币环境，加强对货币信用周期模型的支持，辅助择时决策。[page::9-10]
- 图表14-18：宏观环境、货币信用周期划分及演变图
精炼传导链条图展示宏观经济如何影响银行股基本面及利率结构变动；货币信用周期曲线及状态变迁图形象展示周期分阶段状况，辅助投资信号构建。[page::11-14]
- 图表20-32：不同货币信用周期及策略表现统计
统计表显示宽货币周期银行股表现平均年化收益41.75%，远超紧货币负收益，策略通过避开紧信用紧货币周期显著改善回撤和收益率，多头策略年化收益超15%。净值走势强劲反映策略实证有效。[page::15-18]
- 图表34-47：银行盈利、资产规模与资产质量核心指标趋势
净利润、资产规模稳健增长，费用结构明晰，资产质量好转，信用成本下降，金融市场整体保持健康，为选股因子和基本面分析奠定数据基础。[page::19-23]
- 图表48-55：投资时钟与择时信号实证
银行业货币信用周期投资时钟图实现行情阶段映射，择时策略相关信号的胜率高达62.57%，盈亏比2.07，支持模型科学性及应用有效性。[page::24-26]
- 图表56-92：选股因子维度、IC和分位组合表现
不同因子通过Rank IC及分位组合表现出选股预测力，合成因子Bankfactor表现尤佳，年化净值涨幅明显优于基准，说明因子与组合策略有效性高。[page::27-34]
- 图表93-108：选股策略及叠加择时策略表现
定比和定量选股策略均跑赢行业指数，结合景气度择时后进一步提升收益超过22%，最大回撤减半。年度表现稳定，换手率合理，持仓结构合理平衡大、中型银行，体现策略成熟。[page::34-39]
---
4. 估值分析
报告未明显采用DCF或传统估值模型，而是通过估值因子（如EPFwd12M、EPTTM、BPLR）与股票收益相关性（Rank IC）进行估值层面有效性验证，这种多因子方法更吻合行为金融和量化投资特点。
- EPFwd12M表现最佳（IC均值11.57%、ICIR 0.36），显示未来每股收益预测与价格的关系，对后续选股具有高预测能力。
- 通过与盈利能力、资产质量等因子合成，构建综合银行因子，兼顾价值与成长属性。
- 通过择时策略，搭配估值因子，动态调整股票池，提升收益率和风险调整回报。
- 估值因子敏感性依赖于市场周期，紧货币紧信用阶段表现较弱，反映宏观环境对估值因素的调节效应。[page::32-34]
---
5. 风险因素评估
- 历史数据与政策环境变化的风险：模型基于历史数据、统计及建模，市场环境、监管及宏观政策等变动可能导致模型失效，尤其是货币信用周期和信用风险变化的非线性复杂性。
- 周期外异象与突发风险：报告指出部分年份或市场环境下银行股表现逆转（如个别紧货币紧信用期下仍有上涨），模型可能受到极端事件、结构转变干扰。
- 微观数据与信息披露风险：部分因子基于未来财报预期和估值数据，可能受财务数据真实性、市场预期差异影响。
- 行业分类及样本覆盖风险：随着行业结构调整及部分银行上市退市，行业标的持续性的风险存在。
- 模型自身假设风险：包括货币信用周期指标选取、滞后期数设定、指标转换规则等均含主观假定，或存在调整空间。
- 报告未显著提出风险缓解策略，但通过多因子组合与动态择时降低单一风险敞口。[page::0, 39]
---
6. 批判性视角与细微差别
- 报告在货币政策及信用周期划分中，虽使用较为先进的九鞅货币政策指数和社融同比FL指标，但对指标权重、滞后处理和分界规则存一定主观判断，可能引入模型偏差。
- 部分选股因子如净息差和成本收入比例，整体IC表现不佳，但在特定周期下表现优异，需求对模型进行更动态的因子权重调整，当前模型未充分体现这一点。
- 估值因子及盈利因子强依赖于未来预期，市场预期波动可能带来预测误差。
- 报告未详细讨论模型对极端黑天鹅事件的抗压性和容错机制，2020年疫情因素对银行股影响虽有提及，但对策略适应性的评述较少。
- 选股策略最大回撤仍较大（最高近74%），说明策略波动率及风险仍需关注。
- 报告整体逻辑自洽扎实，但因缺少对模型缺陷与限制的深入剖析，投资者需谨慎使用。[page::0, 35, 39]
---
7. 结论性综合
本文系统构建了以货币信用周期为核心的银行行业基本面量化模型，结合宏观周期划分与微观选股因子，基于历史数据的量化研究验证了如下关键洞见：
- 货币信用周期为银行股行业景气度的重要驱动因素，宽货币宽信用时期银行股表现最好，紧货币紧信用时期表现显著较差，基于周期动态的择时策略显著提升收益，降低最大回撤。
- 银行基本面驱动因素核心围绕盈利能力、资产质量、资产规模、成长性和估值，
- 盈利能力因子中ROEFwd12M表现最稳定有效；
- 资产质量因子（拨备覆盖率、不良贷款率）表现稳健，资产质量改善驱动投资收益提升；
- 估值因子EPFwd12M预示性强，预增盈利预期反映在价格上；
- 资产规模和成长能力因子虽单体表现偏弱，但与其他因子有效互补；
- 合成选股因子Bank
总体来看，兴业证券团队通过严谨的行业研究与量化方法，建立了一套适用的银行行业量化投资框架，不仅提升了资产配置和选股效率，也有效控制了风险，实现了收益最大化。报告结论对投资者理解银行股周期性特征、精选优质标的及合理控制仓位风险提供实战指导，具备较高参考价值。[page::0-39]
---
以上分析基于报告全文内容，系统解读了作者的研究思路、方法、核心结论与实证数据，全文紧扣报告结构，深入探讨了每个重要论点及图表数据，结合金融量化分析理论严格溯源。
