相似预期差行业轮动模型核心逻辑与构建方法 [page::0][page::1]

• 采用股票间市盈率行业相对值、净资产收益率、资产增长率的欧氏距离定义相似股票距离。

- 相似预期差因子值为股票过去一个月收益与相似股票市值加权平均收益的差，行业因子通过个股因子值均值估算。

• 表现优异的相似股票但未大涨的股票被识别，体现潜在超额收益机会。

相似预期差因子表现及策略回测 [page::1][page::2][page::3]

| 因子 | IC均值 | IC标准差 | t统计量 | IC胜率 | IR比率 |
|--------------------|-------------|----------|---------|----------|--------|
| 相似预期差因子 | 0.11 | 0.30 | 3.60 | 64.36% | 0.36 |

• 策略年化收益率11.62%，收益波动比0.67，最大回撤19%，显著优于万得全A和行业等权指数。

- 策略月度收益波动与超额收益稳定，净值增长曲线优于市场基准。

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

• 通过近一月和近三月分析师一致预期每股收益变化率构建动态预期因子，采用多层打分法评价行业景气度。

| 因子 | IC均值 | IC标准差 | t统计量 | IC胜率 | IR比率 |
|----------------------|---------|----------|---------|-----------|---------|
| 动态分析师预期因子 | 0.06 | 0.27 | 2.19 | 59.41% | 0.22 |

• 策略年化收益率8.70%，收益波动比0.46，最大回撤32%。同样优于基准指数。

- 月度收益与超额收益稳定增长，累计净值显著高于基准。

2025年6月行业配置与ETF组合构建建议 [page::0][page::6]

| 模型 | 行业配置观点 |
|--------------------|------------------------------------------|
| 相似预期差轮动模型 | 煤炭、家电、银行、纺织服装、电力及公用事业、交通运输 |
| 动态分析师预期轮动模型 | 家电、汽车、钢铁、有色金属、传媒、建材 |

• 针对上述行业，精选配置规模较大的相关主题ETF，构建多元行业轮动组合。

- ETF基金份额均超过1亿份，保证流动性和代表性。
| 行业 | 基金代码 | 基金简称 | 基金份额(亿份) |
|--------|--------------------|------------------|----------------|
| 煤炭 | 515220.SH | 煤炭ETF | 38.25 |
| 家电 | 159996.SZ | 家电ETF | 9.69 |
| 银行 | 515290.SH | 银行ETF天弘 | 29.54 |
| 传媒 | 159869.SZ | 游戏ETF | 57.25 |
| 电子 | 512480.SH | 半导体ETF | 223.01 |

策略情景适用性及风险提示 [page::6]

• 策略在多种市场情景（快速下跌、反弹、震荡）下均表现出较好的超额收益弹性。

- 风险提示包括市场环境变化及数据准确性风险，ETF组合不构成投资收益保证。

• 投资者需结合自身风险偏好审慎投资，遵守合规业务规定。

西南金工：《行业配置策略与ETF组合构建（2025年6月）》详尽分析报告

---

1. 元数据与报告概览

• 报告标题：《行业配置策略与ETF组合构建（2025年6月）》

- 作者：郑琳琳、王天业，量化西南角团队

• 发布机构：西南证券研究所

- 发布日期：2025年6月4日 15:12

• 研究主题：基于量化模型的行业轮动策略与行业ETF组合构建

- 主要内容：围绕“相似预期差行业轮动模型”和“分析师预期边际变化行业轮动模型”，报告详细介绍了两大行业轮动模型的设计逻辑、历史表现、模型追踪以及基于此的ETF组合构建策略。最终给出了月度行业配置建议和对应的ETF组合。

核心论点与策略观点：

• 通过两类量化行业轮动模型捕捉行业机会，结合模型因子历史表现优异，获得超额收益。

- 相似预期差模型和分析师预期边际变化模型均显示出持续的行业筛选能力，并以此构建多头Top 6行业组合。

• 基于策略定期优化的ETF组合，精选表现优异的行业ETF以增强实际投资的可操作性。

- 2025年6月最新组合配置强调煤炭、家电、银行、传媒、电子等行业[page::0,1,3,6]。

---

2. 逐节深度解读

2.1 相似预期差行业轮动模型

2.1.1 模型简介

• 核心逻辑：

- 该因子旨在发掘“相似”股票间的预期差异，即通过测算股票间市盈率行业相对值（PE）、净资产收益率（ROE）及资产增长率的欧氏距离，找到在基本面维度上表现相似，但估值或历史收益表现有所差异的股票。
- 利用市值加权计算相似股票上月收益率的加权均值与该股票上月收益率的差异，定义相似预期差因子。

• 数学方法：

- 距离度量公式：结合归一化的PE行业相对值、ROE和资产增长率，计算欧式距离衡量相似度。
- 因子计算为距离阈值范围内相似股票收益加权均值减去目标股票收益，体现同类股票中表现优异但个股尚未展现涨势的预期差机会。

• 行业维度拓展：

- 通过行业内所有股票计算因子值并求平均，形成行业角度的相似预期差因子值，以捕捉行业轮动机会[page::0,1]。

2.1.2 历史回测及策略表现

• 信息系数（IC）表现：

- 因子IC均值0.11，显著为正，表明因子与后续收益正相关，策略具备一定预测能力。
- IC的胜率为64.36%，ICIR为0.36，显示该因子稳定性较好。

• 策略收益表现：

- 年化收益率达11.62%，远超万得全A指数3.60%和行业等权指数2.87%。
- 年化波动率相对较低，为0.17，且夏普比率（收益波动比）为0.67，风险调整后表现优秀。
- 最大回撤率为19%，明显优于全A的33%回撤，反映策略较好控制了亏损风险。

• 图表解读：

- 图1显示2017年至2025年的因子IC变化趋势，整体表现趋于稳定并有上升态势，右轴累计IC持续增加增强策略信心。
- 图2月度收益率对比显示策略在多数月份跑赢行业等权指数，超额收益曲线表现波动但整体为正。
- 图3净值累计图清晰显示策略净值大幅超越行业等权和市场指数，验证模型有效性和持续性[page::2,3]。

2.1.3 行业配置建议（2025年6月）

• 推荐重点行业为煤炭、家电、银行、纺织服装、电力及公用事业、交通运输。

- 结合历史超额收益以及行业基本面，凸显传统周期与防御兼备的行业结构[page::3]。

---

2.2 分析师预期边际变化行业轮动模型

2.2.1 模型介绍

• 构建逻辑：

- 通过分析一致预期的EPS（月度及季度变化率）动态，利用打分法综合不同层面的一致预期上调情况形成因子。
- 以行业内市值加权平均得出动态分析师预期因子，反映行业盈利成长预期的边际改善。

• 打分法操作细节：

- 根据预期调整幅度（0%、1%、2%、3%多个阈值）进行正负打分，累计打分后形成最后因子值。
- 该方法有助于过滤个股的极端预期变动，更加客观反映行业整体预期变化趋势[page::3]。

2.2.2 历史回测及策略表现

• 信息系数表现：

- 因子IC均值为0.06，胜率约59.41%，ICIR为0.22，显示因子预测力较相似预期差模型稍弱但仍显著。

• 策略收益表现：

- 年化收益率为8.70%，显著优于基准。
- 年化波动率为0.19，略高于相似预期差模型，夏普比率0.46，收益稳定性较好。
- 最大回撤率为32%，略高于相似预期差策略，表示策略有更大波动风险。

• 图表解读：

- 图4显示因子IC在2017年至2025年波动较大，但整体呈现正向积累趋势。
- 图5和图6分别显示月度收益及净值变化，净值曲线优于市场及行业等权但幅度不及相似预期差模型。

• 行业推荐：

- 2025年6月推荐行业包括家电、汽车、钢铁、有色金属、传媒和建材，更多偏向周期和成长复合型行业[page::4,5,6]。

---

2.3 模型汇总与策略情景表现

• 行业组合观点汇总见表7，展示两大模型最新月度配置，展示了部分重叠（如家电），同时体现了不同模型风格特色。

- 情景测试针对多个市场环境（快速上涨、快速下跌、震荡等）进行表现对比。整体来看：
- 相似预期差模型在多数环境下表现稳定，尤其在震荡上行和快速下跌阶段表现优异。
- 动态分析师预期模型在部分环境如震荡下行表现较差，反映其对于极端行情可能抗风险能力不足。
- 行业等权指数在多数下跌阶段表现最差，显示风险敞口。

• 该表格表明基于量化模型的轮动策略在不同市场环境下整体能带来超额收益，有助于投资者动态调整[page::6]。

---

2.4 ETF组合构建

• ETF品种选择：

- 基于上述行业轮动策略，精选对应主题ETF进行组合配置。
- 包含煤炭（国泰中证煤炭ETF、能源ETF)、家电（广发、中证、国泰家电ETF多只）、银行（南方、中证、华夏、天弘银行ETF等）、传媒（广发中证传媒、多只动漫游戏ETF）、电子（半导体、芯片产业ETF）等。

• 基金份额分析：

- 大部分ETF均有较大基金份额（多数超过1亿份），具备良好流动性和市场认可度。

• 策略落地：

- 通过ETF组合使行业轮动策略在实际投资中具备操作性和易于跟踪的优势。
- 明确的行业配置指引与权重分布利于投资者参考和构建多元化的量化行业投资组合[page::6]。

---

2.5 风险提示

• 市场环境变化可能导致历史策略表现不能完全代表未来走势。

- 数据质量风险：策略分析基于公开历史数据，若数据真伪不准确，将影响因子表现。

• ETF投资存在波动风险，且不保证投资收益。

- 投资者需结合风险偏好科学决策[page::6,7]。

---

3. 图表深度解读

图1：行业维度相似预期差因子IC统计图

• 描述：展示2017年1月至2025年5月，相似预期差因子的IC值（条形图）及IC累计值（折线图）。

- 解读：
- IC值多数为正，体现该因子具有持续的行业收益预测能力。
- 2017初期IC负值较多，后期逐步回升至正值波动并逐年累积，稳定提升了行业选股准确率。

• 文本联系：支撑作者对相似预期差模型有效性的判断，是模型选股能力和预期可信度的体现。

- 局限性：IC波动明显，提示模型在极端市场行情或非典型周期中可能不稳定[page::2]。

图2：近一年相似预期差行业轮动策略月度收益率

• 描述：对比多头策略、行业等权指数的月度收益率及超额收益率。

- 解读：
- 多头组合月度收益波动较行业等权指数小且多数领先。
- 超额收益曲线整体为正，显示策略持续创造超额。

• 文本联系：验证策略稳健性及优异短期业绩表现。

- 局限性：超额收益略有波动，对月度短期震荡敏感[page::2]。

图3：相似预期差多头策略与市场指数净值变化图

• 描述：2016年12月至2025年5月，多头策略、行业等权及市场指数净值累计对比。

- 解读：
- 多头策略累计净值显著高于对比基准，策略长期有效。

• 文本联系：强化策略长周期表现优异结论。

- 局限性：净值未说明是否考虑交易成本，需留意实际执行差异[page::3]。

图4：动态分析师预期因子IC图

• 描述：显示2017年到2025年分析师预期因子IC及累计IC趋势。

- 解读：
- IC值略低于相似预期差因子，表现波动较大但整体正确方向明显。

• 文本联系：说明动态分析师预期因子具备一定行业选择能力但相对弱于相似预期差模型。

- 局限性：IC值较低，表明模型预测能力有限制[page::4]。

图5和图6：动态分析师预期策略月度收益率及净值曲线

• 描述：

- 图5为月度收益率对比，图6为累计净值变化。

• 解读：

- 策略整体盈利，但月度波动更大，年化回报和夏普比率均低于相似预期差模型。

• 文本联系：体现策略的潜在波动性和收益风险特征。

- 局限性：更高最大回撤率提示策略需结合其他防守措施[page::5]。

---

4. 估值分析

本报告主要聚焦量化行业轮动策略与ETF组合构建，未针对单一标的进行公司估值，故无详细估值模型如DCF或P/E倍数法的披露。策略依托信息系数(IC)、收益率、波动率等指标量化模型表现，进行行业轮动配置，体现一种量化选股和配置的估值方法论。

---

5. 风险因素评估

• 市场风险：环境变化可能导致模型失效或策略回撤。

- 数据风险：依赖第三方公开历史数据，若数据质量瑕疵，可能影响判定准确性。

• 流动性风险：虽选择大份额ETF，但部分行业ETF流动性不足可能造成交易影响。

- 模型局限性：量化模型基于历史表现和数据假设，未来市场机制改变可能削弱预测有效性。

• 投资者风险承受：报告强调基金投资风险，提醒关注自身风险承受能力，审慎决策[page::6,7]。

---

6. 批判性视角与细微差别

• 模型预测力有限：两模型IC均不算非常高（0.06、0.11），意味着存在不确定性，投资者需结合其他分析工具辅助决策。

- 波动与回撤问题：动态分析师预期模型最大回撤达32%，相较相似预期差模型19%风险更大，说明模型单独使用可能存在风险敞口。

• 组合协调性：两模型行业配置部分重叠，部分分歧，如何组合两者优点提升风控能力是未来优化方向。

- ETF组合缺乏权重细节：报告未明确ETF具体配置比例，实际板块权重对组合风险收益影响不可忽略。

• 未披露成本影响：交易手续费、税费、买卖价差等成本对模型净收益可能影响未明确说明。

- 市场环境适应：情景分析显示模型在快速上涨时部分回报下降，需关注顺周期或逆周期轮动时的有效性。

---

7. 结论性综合

本报告系统介绍了两大行业轮动模型——“相似预期差行业轮动模型”和“分析师预期边际变化行业轮动模型”的构建逻辑、历史表现及策略实操，添入量化选股视角，突出数据驱动的量化决策体系。基于两模型得出的月度行业配置建议具备稳健的历史超额收益，风险调整后表现优异。其中，相似预期差模型表现更为稳定和优越。

两模型各有侧重点，前者通过基本面相似性结合收益预期差捕捉提前上涨信号，后者依赖分析师预期边际调整的动态变化，体现了从市场预期维度的行业筛选。结合情景分析，模型整体具有较强的震荡适应能力及抗风险性，但在极端行情或快速反弹/下跌阶段回报可能受限。

ETF组合的构建则为量化行业轮动策略提供了实际投资路线，以流动性较高的行业主题ETF作为工具，增强策略的执行力和应用价值。

风险提示部分强调历史回测的局限性及市场波动风险，提醒投资者对量化模型固有的不确定性保持谨慎。

总之，报告通过详尽的理论推导、丰富的实证支持及严谨的策略追踪，提供了较为前瞻和科学的行业配置框架，适合风险承受能力较强，追求中长期稳健超额收益的专业投资者参考。

---

重要图表参考

• 表1展示相似预期差因子显著正向IC表现；

- 表2确认相似预期差行业轮动策略优异的风险收益指标；

• 图1-3生动反映相似预期差因子IC变化及策略净值稳定增长；

- 表4-5及图4-6体现动态分析师预期模型次于相似预期差因子的表现；

• 表7-8总结两模型的配置观点与情景表现，揭示策略适应性。

---

参考文献及数据来源

• 数据主要来源于Wind资讯及西南证券量化团队整理、

- 报告引用内容详见各页[page::0-10]。

---

综述：本报告不同于传统主观分析，而是基于科学的量化方法论，以因子信息系数、历史业绩为核心証据，结合ETF现实工具，提出清晰的策略框架和配置建议，为专业投资者提供了富有价值的投资参考体系。

报告