显然2022年并非“固收+”的大年。 全年来看，二级债基和偏债混基分别收跌5.1%与3.8%，同期纯债基金收益2.23%。最大回撤大于5%的固收+基金占比超过6成，而回报大于3%的产品占比不足2%。2022年年初的赛道、3月转债的急调，年中短暂反弹后似乎不久就迎来了漫长的“理财赎回”——虽然实际时间只有不足2个月，但却让2022年显得更为漫长。本质上，这些“回撤点”来自机构化过程中，趋同性的强化。

(相关资料图)

对于2023年， 机构化交易趋同的趋势仍在，从“反拥挤”入手来做好回撤管理仍有一定实战意义 ，我们在下文详细介绍我们的反拥挤择时策略。而择券部分，我们认为行业间基本面差异或不小。 对于股票和转债部分，组合可以多关注行业轮动策略。

进退维谷——2022年固收+表现回顾

2022年对于固收+是“洗牌回整”的一年，市场经历两轮较大回撤，近乎回吐2021年以来的利润。产品层面，全年最大回撤大于5%的固收+基金比例接近62%，产品遭遇近似。我们回顾相对排名靠前的产品，破局的手段主要在于对债市的绝对择时，以及把握个股的机会。然而2022年具备这一能力部分产品，可能从2019-2022年的长周期来看相对实力也并不显著。

图1：固收+基金2020-2021年回报（单位：%）与2022年回报（单位：%）对比

资料来源：Wind，中金公司研究部；注：统计2019年12月31日以前成立，2021年12月31日基金在管规模(净值)大于一亿元的二级债基与偏债混基金

图2：2022年固收+基金市场回顾（左轴：基金占比，右轴：各指数点数）

资料来源：Wind，中金公司研究部

从时间脉络来看，固收+2022年经历了三波行情，

2022年1-4月——股市拖累固收+创年内主要回撤 ：年初开始市场整体维持2021年12月以来的调整，赛道和机构重仓品种出现较大回撤，而后随着俄乌冲突、海外通胀超预期与国内疫情散发等因素进一步回调。转债同期受正股、部分个券超预期强赎和固收+资金赎回的影响，估值与绝对价格开始同步下行。而纯债，10Y国债利率相对保持平稳，信用债2-4月经历了对经济预期乐观转悲观的周期，利差开始明显下行，“资产荒”格局明显。

图3：创业板年初已破55周均线

资料来源：Wind，中金公司研究部

2022年4-7月——市场反弹，净值修复期： 市场情绪触底后股市开启反弹，整体疫情影响趋稳，国内流动性“以我为主”保持宽松。转债4-5月经历了双高炒作与成交放量，以及正股驱动，估值回升企稳。6月底新规及时推出，也遏制了市场非正常交易行为。纯债部分，5月下旬开始受基本面复苏推动，10年国债和资金利率开始抬升，机构自发降杠杆。

图4：情绪指标的换手率部分在4月开始触底

资料来源：Wind，中金公司研究部

2022年8-12月——风格偏移相对极致化后回调与理财赎回： 在2022年6月下旬-8月，大小盘以及成长价值的风格偏离分别触发阈值，风格相对极致化后回调带来市场整体调整。成长股先行价值股、小票先行大盘股开始回调。虽然市场在二十大和疫情政策优化前后一阵回整，但整体并不显著。而转债部分，8月出现金博超预期赎回，虽然后续整体估值企稳，但受正股扰动整体处于震荡。

图5：8月风格相对极致化后的回调

资料来源：Wind，中金公司研究部

纯债部分，8月15日央行超预期降息推动利率下行至年内新低，但后续缺乏新的催化剂整体保持震荡。10月底以来资金面的趋紧，以及防疫优化叠加地产支持政策的诱因，利率水平快速回升，从而引发理财赎回而放大市场波动。转债受对应调整，绝对价格与估值再度回落。

图6：2022年末的理财赎回情况

资料来源：Wind，中金公司研究部

固收+“反”拥挤策略的稳定性

展望2023年，由于我们认为整体机构化交易趋同的大趋势仍在，资产价格也可能受流动性冲击有一定波动，因此对于固收+而言，我们建议组合管理人应当多关注资产拥挤度这一指标，从“反拥挤”入手来做好回撤管理。我们就各类资产的拥挤度刻画提出了一个框架，并就如何利用资产拥挤度来进行资产择时进行了回测。我们的“反拥挤”策略自2013年以来，年化回报8.19%，年化波动3.71%，最大回撤3%，实现年度的“绝对收益”与回撤管理目标。

如何刻画各类资产的"拥挤度"

对于不同的基础资产，我们认为由于其拥挤度的刻画，以及对其利用也应当存在一定差异：

对于股票，

我们认为其拥挤度可以从两个维度刻画，一个是“市场成交”，我们利用全A股的换手率来进行刻画，其反映了市场整体参与热度；另一个是“市场分歧”，我们利用行业间表现的差异性来进行刻画，差异性越大意味着市场对于某一类行业偏好可能越显著——结构上的矛盾也就更加剧烈。

具体计算上， 1）获取原始数据： 对于市场成交分量，我们起始数值是日度的全A(Wind全A)换手率；而对于市场分歧分量，起始数值是一级行业指数的日度收益率，我们先将各行业滚动90日的日度收益率进行主成分分析(所谓主成分分析，是为了将信息降维，将多个变量提炼到较少的变量上，其各个成分的方差解释比例代表着这个变量能代表过去多少信息)，计算第一成分的方差解释比例，因为该数值可以表征行业间表现的可解释性，我们再用1-减去该数值，就得到行业间分歧度指标。

2）进行统一处理： 将分量数据，一同先计算其滚动30日的指数加权平均，再计算其滚动6年的历史分位数，作为指标。之所以对于两个分项都采用指数加权平均，是因为想在平滑数据的基础上尽可能减缓数值的滞后性，而采用滚动6年的历史均值，则是希望尽可能看长周期下该数值水平。

图7：股市拥挤度的计算逻辑

资料来源：Wind，中金公司研究部

图8：股市拥挤度的代码

def computeStkCrowd(initiateDate):stkObj = indData(initiateDate) # obj中存储了中信一级行业指数的收盘价_, dfTurnover = w.wsd("881001.WI", "dq_amtturnover, close", initiateDate, "", "", usedf=True) #获取全A换手率dfTurnover.index = [pd.to_datetime(d).strftime("%Y/%#m/%#d") for d in dfTurnover.index]# 计算市场分歧度的原始代码，进行PCA，计算第一成分的解释比例与1的距离matIndPct = stkObj.DB["Close"].pct_changesrsDis = pd.Series(index=matIndPct.index, data=np.nan)for i, d in enumerate(matIndPct.index):if i >= 90:tempMat = matIndPct.loc[:d].tail(90).dropna(axis=1)pca = PCA(n_components=2)pca.fit(tempMat)srsDis.loc[d] = 1 - pca.explained_variance_ratio_[0]# 对分量分别进行两轮数据处理srsTurns = computeQuant(dfTurnover["DQ_AMTTURNOVER"].ewm(span=30, min_periods=30).mean, window=1500)srsDisRet = computeQuant(srsDis.ewm(span=30, min_periods=30).mean, window=1500)dfStkCrowd = pd.DataFrame(columns=["市场成交", "市场分歧"])dfStkCrowd["市场成交"] = srsTurnsdfStkCrowd["市场分歧"] = srsDisRetdfStkCrowd["股市拥挤度"] = dfStkCrowd[["市场成交", "市场分歧"]].mean(axis=1)return dfStkCrowd["股市拥挤度"]

资料来源：Wind，中金公司研究部

图9：股市拥挤度历史变化情况

资料来源：Wind，中金公司研究部; 注左轴为拥挤度无单位，右轴为Wind全A

通过对2013年以来的数据进行分析，我们观察到

1）股市拥挤度具备偏左侧的预警功能： 我们所构建的股市拥挤度，从历史来看能较好预警后续的交投风险，例如2014-2015年、2017-2018年，2021年，拥挤度均预示了未来(相对偏长的窗口后)较高的回撤风险。

2）拥挤度斜率可以进一步补强拥挤度预警效果： 从上图也能看到，由于股市拥挤度预警对后续较长时间窗口的判断是准确的，但是过早触发预警的情况，可能会压制股票对固收+组合的增厚效果。我们发现， 事实上还能通过计算拥挤度的一阶导(斜率)，来关注市场风险偏好的边际变化，这一边际变化情况能补强拥挤度的预警。 我们观察到当拥挤度斜率由正转负时(拥挤度掉头开始下行)，市场风险偏好强势期暂歇，市场整体波动更容易放大，后续行情相对较弱；而当拥挤度斜率由负转正时(拥挤度触底反弹)，市场风险偏好开始抬头，相对更容易触发趋势行情。因此我们认为，将拥挤度绝对值与其斜率一起使用，效率会更高。

图10：股市拥挤度及其斜率所呈现的指向性

资料来源：Wind，中金公司研究部

对于债市

我们认为可以税收利差与成交活跃两个维度入手。采取税收利差的原因是，当市场出现较多投机需求时或者说流动性很充裕时，税收利差这部分就会有明显的压降。

具体计算上， 1）获取原始数据： 我们以10年国债与10年国开到期收益率差作为标准的税收利差，而对于纯债的活跃程度，我们计算中债综合总财富指数CBA00101.CS成分券结算量与成分券总市值比重，来获取一个近似债券换手率的指标；

2）进行统一处理： 与股票拥挤度略有不同，我们将分量数据，先计算其滚动20日的指数加权平均，而后再计算其滚动6年的绝对Z值，作为指标。

图11：债市拥挤度历史回顾

资料来源：Wind，中金公司研究部；注：左轴为拥挤度无单位，右轴为中债总财富指数

从历史来看，这债市拥挤度与股市拥挤度存在区别，

1）债市拥挤度极值本身有风险预警作用： 区别于股市，债市拥挤度极值呈现尖刺，更容易做到及时发现，有调整时间窗口。我们以拥挤度四舍五入后的数值进行分类，计算对应拥挤度下未来时间单位的最大回报-最大回撤，可以看到拥挤度的极值本身就有比较明显的预警效果；

2）债市拥挤度回落或上升与债市净值表现关系不大，主要关注债市拥挤度与其历史均值的偏离幅度： 目前债市虽然经历了11月的调整，但目前市场拥挤度仍处于历史较高水平，近期交易层面仍需保持一定关注。

图12：债市拥挤度数值的绝对择时能力（单位：%）

资料来源：Wind，中金公司研究部

对于转债

我们不需要把这个问题复杂化，事实上转债市场的拥挤度可以直接以估值作为一个衡量值——百元溢价率、隐含波动率中位数等纵向可比的估值指标，都可以对转债的拥挤度进行刻画。这里我们直接使用隐含波动率进行20日的移动指数平均。

图13：转债估值对转债拥挤度的刻画

资料来源：Wind，中金公司研究部；左一轴为隐含波动率数值，单位%；左(外)轴为隐含波动率一年分位数；右轴为EasyBall策略净值与中证指数

如何依据拥挤度进行资产择时

以上我们就三类基础资产的拥挤度刻画进行分类解释，具体落实到资产配置上，我们依据前述的指标可以构建一个固收+组合，分别对三类资产进行仓位择选，具体逻辑如下：

► 组合约束：股票+转债的持仓上限为30%，组合杠杆上限为130%，股票资产以股票型基金(885000.WI)作为指代，转债以EasyBall为例，纯债资产以中长期纯债基金(885008.WI)为例，资金成本和剩余仓位补足均利用货币基金指数(885009.WI)；

► 股票：股市主要看拥挤度斜率变化， 当斜率为正，且持续为正，则股票仓位逐日增加1%，上限为20%，而若斜率开始转负，则股票仓位快速降低仓位10%；反之当斜率为负，且持续为负，则股票仓位逐日降低1%，下限为0，如斜率转正，则股票仓位快速提升仓位10%；股票自身组合上限30%，下限0%；

► 转债：转债自2017年纳入组合， 主要看隐含波动率较历史高分位数的变化 ，我们将过去120日80%分位数设定为相对极值，若隐含波动率显著大于该极值，依据显著性大小将仓位逐日降低1%-2%，显著性由120日标准差个数来判断；而若显著小于该值则逐日抬升1-2%，无符合条件的则保持原有仓位；转债自身组合上限20%，下限0%；

► 纯债： 纯债主要看债市拥挤度的“尖刺”，我们将过去120日均值设定为相对值 ，若债市拥挤度显著大于该数值，则依据显著性大小将仓位逐日降低1-2%，显著性由120日标准差个数来判断。而若显著小于则逐日抬升1-2%，无符合条件的保持原仓位；纯债组合上限100%，下限30%(因为现金可以当作存单做替代)；

► 依据股票和债券各自的绝对仓位，在30%股票总持仓上限，和130%杠杆限制下，利用货币基金来做仓位调整。

图14：“反拥挤”择时组合构建逻辑

资料来源：Wind，中金公司研究部

图15：“反拥挤”择时组合的效果

资料来源：Wind，中金公司研究部；注：左轴为组合权益仓位情况；右轴为各组合净值

“反拥挤”择时组合，自2013年以来，年化回报8.19%，年化波动3.71%，最大回撤3%，较股二债八、股三债七组合均有明显收益增强。分年来看，组合2013年以来10年均录得正收益，尤其在收益相对不容易的2016-2018年和2022年。回撤管理和抗波动效果，也都明显好于其他组合。但整体组合的收益弹性，在个别年份，还是会稍微次于固定比例的组合，如2017年和2020年，这两年都面临组合加仓速度较慢的情况。

图16：“反拥挤”择时效果（单位：%）

资料来源：Wind，中金公司研究部

基于增长预期与拥挤度的股债行业轮动

具体择券层面，我们认为就结构而言，行业轮动在2023年可能依然是重要的。基于我们2022年底对于多个转债标的的微观调研，我们发现不同行业的发行人整体对于2023年的盈利增长预期有一定分歧。对于自身盈利改善幅度，转债发行人预期差异大。因此基于行业间基本面情况，我们认为权益资产内部，2023年行业轮动的必要性会加大。

首先从基本面出发，我们依据市场分析师预计构建了各个行业的景气度指数。我们将各行业指数的成分股未来12个月的净利润进行加总，计算较一年前的同比变化情况，以体现行业自身增长预期。再将各个行业的数值与中证800的数值相减，以获取各行业相对大盘的景气度差异。最后计算截面分位数，以此看哪些行业相对优势更显著。通过对于各行业景气度指数的跟踪统计，我们看到部分板块2023年的确可能面临景气度周期的切换。

图17：分行业增长预期变化

资料来源：Wind，中金公司研究部

对于行业轮动策略，我们从增长预期和拥挤度两个维度来进行综合判断。

首先是增长预期，我们在前文中提及部分板块在2023年可能存在景气度的切换，这里的景气度我们所指代的不是当下行业的景气度，而是市场预期的景气度，我们会先选取增长预期近期提升且处于横向70%分位数的行业；

其次是拥挤度，它是第二部分固收+“反拥挤”思路的延申，但构建方式略有不同。对于行业拥挤度，我们计算3个月影线实体比(刻画行业筹码集中度)、换手率和波动率三者历史分位数的均值。我们将拥挤度处于85%分位数的品种进行剔除，以此来构建行业轮动策略。

图18：增长预期与拥挤度结合的行业轮动策略构建思路

资料来源：Wind，中金公司研究部

以当前我们行业轮动策略所选择的“食品饮料”为例，目前其相对中证800的增长预期在5.4%，整体也处于行业70%分位数附近。其市场拥挤度数值处于30-50%分位数附近，整体拥挤压力不大，因此属于我们本期行业轮动策略的目标行业之一。

图19：以食品饮料为例的行业择选逻辑

资料来源：Wind，中金公司研究部

依据如此的行业轮动逻辑，我们分别可以构建个股和转债择选，即选符合精选行业的个股/转债标的。其中转债组合2018年-2022年实现年化回报22.01%，每年均实现正收益，2022年最大回撤12.56%，回报6.2%。

我们依据股二转债一债七的配比，构建无择时效果的固收+组合，可以看到依据行业轮动的组合回报能显著跑赢常规的组合。股债行业轮动组合，2013年-2022年实现年化回报10.23%，最大回撤8.6%，而普通组合回报在7.3%，最大回撤11.3%。

图20：增长预期与拥挤度结合的固收+行业轮动策略效果

资料来源：Wind，中金公司研究部

最近两年来看，主要差距是在2021年6-7月前后。彼时行业间分化相对明显，而后部分行业在2021年年底开始拖累指数下行，但行业轮动策略相对表现较好。若在这一行业轮动的基础上加入我们“反拥挤”的择时，则组合回撤效果会被压降到较为“夸张”的4.5%。

风险

宏观景气复苏低于预期，货币政策超预期，海外通胀及衰退风险加剧。

文章来源

本文摘自：2023年1月6日已经发布的《固收+2023年展望："反拥挤"与行业轮动》

罗 凡 分析员 SAC执业证书编号：S0080522070003

杨 冰 分析员 SAC执业证书编号：S0080515120002；SFC CE Ref: BOM868

陈健恒 分析员 SAC执业证书编号：S0080511030011；SFC CE Ref: BBM220

法律声明

向上滑动参见完整法律声明及二维码