相似预期差行业轮动模型介绍与历史表现 [page::1][page::2]

• 利用市盈率行业相对值、ROE、资产增长率计算股票间欧氏距离，筛选相似股票并计算相似预期差因子。

- 行业层面构造相似预期差因子并进行市值加权，体现行业内优质股票的预期差异。

• 因子历史IC均值0.09，ICIR 0.31，表现稳定有效。

- 多头Top6组合年化收益率13.66%，收益波动比0.78，最大回撤19.27%，明显优于万得全A及行业等权指数。

相似预期差策略月度收益与净值表现 [page::2][page::3]

• 近一年该策略月度表现波动伴随超额收益出现峰谷，表现较行业等权显著改善。

- 综合净值曲线长期优于行业等权，体现策略竞争力。

• 2025年10月最新推荐行业：煤炭、通信、基础化工、汽车、房地产、机械。

动态分析师预期边际变化因子构建与回测 [page::3][page::4][page::5]

• 采用近1个月和近3个月分析师一致预测EPS变化率，通过打分法综合行业预期变动。

- 动态分析师预期因子IC均值0.06，ICIR为0.23，表现稳健。

• 多头Top6组合年化收益率10.62%，收益波动比0.56，最大回撤31.83%。

- 2025年10月组合关注非银行金融、有色金属、农林牧渔、通信、钢铁、计算机。

行业轮动模型综合配置及ETF组合构建 [page::6]

| 行业轮动模型 | 2025年10月行业配置观点 |
|---------------------------|----------------------------------------|
| 相似预期差行业轮动模型 | 煤炭、通信、基础化工、汽车、房地产、机械 |
| 分析师预期边际变化行业轮动模型 | 非银行金融、有色金属、农林牧渔、通信、钢铁、计算机 |

• ETF组合覆盖非银行金融、有色金属、通信、基础化工、汽车等行业。

- 精选对应行业主题ETF，重点考虑基金份额占比大于1亿的主流ETF品种，确保流动性及标的代表性。

• ETF组合旨在辅助投资者实现量化行业轮动配置，强化因子信号的实际投资应用 [page::6].

策略情景表现与风险提示 [page::6][page::7]

| 情景分类 | 样本区间 | 相似预期差超额收益 | 分析师预期超额收益 | 行业等权超额收益 |
|----------|----------------|--------------------|--------------------|------------------|
| 快速下跌 | 2018/5-2018/12 | 9% | -1% | -23% |
| 强劲反弹 | 2019/1-2019/3 | -4% | 0% | 30% |
| 震荡下行 | 2019/4-2020/3 | 3% | 6% | -8% |
| 震荡上行 | 2020/9-2021/12 | 34% | 22% | 12% |
| 快速反弹 | 2024/8-至今 | 1% | -9% | 50% |

• 策略表现受周期及市场环境影响，投资者需关注时点风险。

- ETF组合不保证收益，投资者需理性认知组合风险，结合自身风险偏好做决策。

报告分析：《行业配置策略与ETF组合构建（2025年10月）》西南金工

---

1. 元数据与概览

• 报告标题：《行业配置策略与ETF组合构建（2025年10月）》

- 作者与团队：郑琳琳（金融工程首席分析师）、王天业、盛宝丹、祝晨宇、戚添翔等，均具备中国证券业协会证券投资咨询执业资格，所属机构为西南证券研究所。

• 发布日期：2025年10月10日16:57

- 主题：基于量化因子的行业轮动策略及对应ETF组合构建，重点关注中国市场中信一级行业，通过“相似预期差行业轮动模型”和“动态分析师预期边际变化行业轮动模型”筛选优质行业，实现配置优化。

核心论点与投资观点

• 两种主模型均在行业轮动策略中表现出超额收益和行业筛选能力，投资组合整体呈现出较优风险调整后的表现。

- 2025年10月推荐的行业组合基于两种模型的不同视角，分别为煤炭、通信、基础化工、汽车、房地产、机械（相似预期差模型）；非银行金融、有色金属、农林牧渔、通信、钢铁、计算机（分析师预期边际变化模型）。

• 报告还构建了基于行业ETF的组合配置，具体基金选择按照流动性和规模筛选，对应行业包括非银行金融、有色金属、通信、基础化工和汽车。

- 风险提示充分，强调基于历史数据的策略不保证未来表现，ETF组合存在市场波动风险，提示投资者谨慎评估风险承受能力。

---

2. 深度解读

2.1 相似预期差行业轮动模型

模型简介

• 该模型核心在于通过计算股票间的多维欧氏距离（主要考察市盈率行业相对值、净资产收益率ROE及资产增长率变化）评估“相似性”，并基于相似股票群体的过去收益表现构造因子。

- 具体计算过程涉及：
- 市盈率行业相对值通过行业均值和标准差标准化处理；
- 股票距离（Dtij）采用股票间上述三指标的平方差和开根号计算；
- 相似预期差因子 \(\Delta ER_i^{(t)}\) 通过筛选距离小于阈值的股票的加权历史收益率（按市值加权）减去自身历史收益率得出。

• 行业层面因子通过计算行业内跑赢基准（万得全A指数）的股票相似预期差因子算术平均值得到。

这一设计巧妙利用了具有类似基本面特征但尚未被市场大量认可的股票，有助捕捉行业潜在表现亮点和轮动机会。[page::0,page::1]

历史回测

• 回测期间2016年12月至2025年9月，因子IC均值为0.09，IC方向正确比率62.86%，ICIR（信息比率）为0.31，显示了良好的预测能力和稳定性。

- 表1 定量展示了因子信息系数分析，t统计量为3.16，显著性强。

• 图1进一步展示了因子IC的时间序列波动情况及累积表现，2021年后IC累计出现显著上升趋势，表明因子在近年表现更为有效。

策略跟踪表现

• 基于该因子构建的Top 6多头组合年化收益率13.66%，远超万得全A的6.23%及行业等权指数4.90%。

- 年化波动率0.17略低于万得全A的0.18，最大回撤19.27%明显优于基准指数；收益波动比0.78远优于万得全A的0.34。

• 表2及图2图3显示策略的月度收益波动及净值累计稳步提升，超额收益稳定且显著。

- 该策略月度组合收益率表现亮眼，2025年9月组合收益4.56%，超额收益3.66%。推荐行业持续动态更新。

以上数据体现了该模型筛选行业的稳定性和有效性，且风险控制较好。[page::1,page::2,page::3]

---

2.2 分析师预期边际变化行业轮动模型

模型介绍

• 该模型聚焦于行业内分析师对未来每股收益（EPS）变化的动态一致预测，选用近1个月及3个月EPS预期变化率（当前及未来12个月），通过打分法量化边际变动：正向变化计为1，负向为-1，且根据幅度大小分层打分。

- 行业内通过市值加权平均分获得动态分析师预期因子，反映行业整体景气度变化。

• 该方法突出行业盈利预期的变化趋势，淡化个股绝对水平，更符合大的行业轮动动态。

历史回测

• 样本区间同前，IC均值0.06，IC方向正确比率60%，ICIR为0.23，低于相似预期差因子但仍显示一定预测能力。

- 表4及图4显示该因子统计指标及IC曲线，IC在多数时期呈上升趋势，表明因子在某些时间段内表现较优。

策略表现

• 基于该因子的多头Top 6组合年化收益率10.62%，高于万得全A的6.23%。

- 波动率为0.19，高于基准，最大回撤率31.83%，与波动率同步增长，风险相对较高。收益波动比0.56，表明风险调整后表现一般。

• 表5和图5图6详细展示了策略收益率波动及净值变化，2025年9月组合收益1.03%，微幅超额0.13%。

- 该策略在某些情景如震荡下行期表现更稳健，适合盘整或行业分化阶段配置。

总结为一有效但风险相对较高的动态预期因子，适合作为行业轮动的补充指标。[page::3,page::4,page::5]

---

2.3 模型汇总与情景表现

• 表7汇总两大模型2025年10月的行业配置观点，核心持仓行业互有重叠（如通信、基础化工、汽车、非银行金融、有色金属等），体现出对行业景气的共识。

- 表8列举了在不同市场情景（快速下跌、强劲反弹、震荡等）中的策略超额收益表现，显示相似预期差模型在快速下跌期表现较优，分析师预期模型则在震荡下行情境中更为抢眼。

• 行业等权基准在多数负面行情跌幅较大，而两个策略均表现出一定抗跌和超额能力，显示策略在风险控制及捕捉行情转换方面较为有效。

---

3. 图表深度解读

图1：行业维度相似预期差因子IC统计图（页2）

• 描述：展示2017年1月至2025年7月期间，相似预期差因子的月度IC值及IC累计走势。

- 解读：IC值波动较大，但自2021年以来，IC累计呈上升趋势，表明该因子预测能力增强。多次IC达到0.4至0.6的正值表明因子在多个阶段捕捉到了有效信号。

• 联系文本：支持因子具有稳定有效预测力，反映回测数据中的IC均值为0.09，t统计显著。

- 潜在局限：IC波动显示因子短期有效性存在不确定性，部分时间段波动亦较大。

图2-3：相似预期差策略月度收益与净值变化（页2-3）

• 描述：图2展示过去一年相似预期差行业轮动策略的月度收益与行业等权收益对比及超额收益走势；图3则展示从2016年12月至2025年8月的累计净值变化对比。

- 解读：月度收益多为正，且超额收益稳定；累计净值曲线明显上扬，远超行业等权与万得全A，凸显策略长期稳健的收益优势。

• 联系文本：验证了策略收益表现的显著优势及风险调整收益比率较高的结论。

图4-6：动态分析师预期因子IC统计与收益表现（页4-5）

• 描述：图4为动态分析师预期因子月度IC与累计IC；图5展示该策略月度收益及超额收益；图6为策略累计净值走势。

- 解读：IC波动幅度略小于相似预期差因子，但连续多个阶段为正值，表明正相关性。月度收益波动相对较大，表现出策略风险调整后收益次优。累计净值图体现长期收益积累和超额收益增长。

• 联系文本：策略整体收益高于市场基准，风险指标较大，适合风险承受能力较强的投资者。

表9：ETF组合基金清单（页6）

• 描述：列出10月最新ETF组合配置对应基金标的，涵盖非银行金融（证券ETF）、有色金属（含稀有金属ETF）、通信（5G及通信设备）、基础化工、汽车及智能汽车ETF等多个细分行业。

- 解读：精选ETF以高流动性（大部分基金份额＞1亿份）为筛选标准，兼顾细分主题及大盘ETF，便于投资者以较低成本实现行业配置。

• 联系文本：ETF组合为基于上述两大因子模型推荐行业的实际投资执行方案，降低单股风险，提升组合流动性和透明度。

---

4. 估值分析

报告未涉及传统的个股估值模型（如DCF、P/E倍数法等），而是通过量化因子构建行业轮动策略及ETF组合，侧重于量化因子选股和行业配置优化，从行业整体景气及预期变化角度进行资产配置，体现量化投资的多因子模型构建与策略回测优劣。

---

5. 风险因素评估

主要风险提示包括：

• 历史数据局限性：因子表现基于历史公开数据，未来市场环境若剧烈变动，策略表现可能与历史不同。

- 第三方数据准确性风险：数据源依赖Wind及其他公共体系，可能存在失真或错误。

• ETF组合流动性及波动风险：基金受宏观环境、市场风格转换影响，投资存在收益波动甚至损失的风险。

- 投资建议限制：报告非个性化投资建议，投资者需结合自身风险偏好审慎判断。

报告未具体提出风险缓解措施，但强调投资者需充分认知风险，适度配置。风险声明完整，符合合规要求。[page::6,page::7]

---

6. 批判性视角与细微差别

• 两个模型均表现出一定的预测能力和稳定性，但IC值均不高（均在0.06-0.09区间），提示因子预测能力中等，且IC标准差和策略最大回撤率显示波动风险不容忽视。

- 动态分析师预期因子年化波动率和最大回撤均高于相似预期差因子，风险调整后收益表现稍逊。投资者需关注自身风险承受能力。

• 情景分析显示模型对不同市场行情敏感度不同，单一模型可能难以覆盖所有市场状态，结合多策略有助降低策略失效风险。

- ETF基金份额数据部分存在数据缺失和格式不统一（如汽车ETF部分“6.08 2.82”字样），应注意数据清洗和准确解读。

• 报告模型主要侧重定量因子，未深入考虑宏观经济、政策变量及黑天鹅事件的冲击，投资者应结合宏观视角综合判断。

- 模型依赖市盈率等财务指标与历史收益率，可能忽略部分市场非理性行为和流动性风险。

---

7. 结论性综合

本报告系统性地介绍和跟踪了基于“相似预期差”和“动态分析师预期边际变化”两大量化行业轮动模型的构建、回测与策略表现。两大策略均显著优于万得全A指数及行业等权基准，展现了量化行业轮动在中国市场中的实证有效性。

• 相似预期差行业轮动模型利用多维指标构建股票相似性，捕捉了行业内具备潜在超额收益能力但未被市场充分认可的股票，年化收益率达13.66%，风险相对较低。该模型对快速下跌及震荡行情均有一定防御优势。

- 动态分析师预期边际变化模型侧重于分析师对EPS预期的变化，具有较好的行业整体景气度判断能力，年化收益10.62%，但波动率及回撤指标提示波动风险相对更大。

• 两模型覆盖的行业组合有所差异但均重点提示通信、有色金属、非银行金融及基础化工等行业，形成多元配置视角。

- ETF组合构建基于两大模型推荐行业，精选流动性较好且行业代表性强的ETF基金，便于机构及个人投资者执行策略。

• 报告图表数据详尽，回测收益、风险指标完备，历史数据支持策略稳定性，且结合情景分析评估策略在不同市场状态下的适用性。

- 风险提示充分，提醒投资者注意历史表现并非未来收益保证，ETF投资存在波动风险等。

整体来说，该报告为投资者提供了基于量化因子的行业轮动策略研究及ETF组合构建方案，具备较强的实用参考价值。报告结构清晰，数据详实，论据充分，尤其图表（如表1、表2、图1-6及ETF标的池）系统性支持了观点，建议投资者结合自身投资目标及风险偏好，合理采纳策略建议，注意持续跟踪因子表现与市场环境变化。[page::0-9]

---

以上为对西南证券《行业配置策略与ETF组合构建（2025年10月）》报告的详尽分析。

报告