相似预期差行业轮动模型构建与历史表现 [page::0][page::1][page::2][page::3]

• 通过建立股票间基于市盈率行业相对值、ROE、资产增长率的欧氏距离，筛选“相似股票”，计算相似预期差因子。

- 行业层面相似预期差因子IC均值0.10，胜率63.73%，ICIR 0.33，表明具备较强预测能力。

• 2016年12月至2025年6月回测，多头Top 6组合年化收益11.65%，最大回撤19%，风险调整收益明显优于万得全A和行业等权指数。

- 近一年月度策略收益波动，表现优于行业等权，累计净值稳步攀升。

动态分析师预期边际变化模型及回测表现 [page::3][page::4][page::5]

• 基于近1月至近3月分析师预测每股收益变化率等指标，通过正负打分法构建动态预期因子，反映行业景气度的边际变化。

- 因子IC均值0.06，IC胜率58.82%，ICIR 0.22。

• 多头Top 6组合近9年年化收益8.97%，累计净值1.79，最大回撤32%，表现优于市场指数和等权行业。

- 近一年策略月度收益多为正超额收益，净值曲线显示持续增长。

ETF组合构建及行业配置建议 [page::0][page::6]

| 行业名称 | 代表ETF基金代码 | 重点ETF名称 | 基金份额(亿份) |
|----------------|------------------------|--------------------------|----------------|
| 非银行金融 | 512000.SH、512880.SH等 | 华宝券商ETF、国泰证券ETF等 | 52.65-262.70 |
| 银行 | 512700.SH、515290.SH等 | 南方中证银行ETF、天弘银行ETF | 2.63-34.36 |
| 电力设备及新能源 | 515790.SH、159857.SZ等 | 中证光伏产业ETF、锂电池ETF | 11.86-148.33 |
| 传媒 | 512980.SH、516010.SH等 | 广发传媒ETF、国泰游戏ETF | 1.18-55.31 |
| 有色金属 | 512400.SH、562800.SH等 | 南方有色金属ETF、稀有金属ETF | 2.81-41.29 |

• ETF组合目标覆盖非银、银行、能源、传媒、有色等高景气行业，便于投资者依据行业轮动信号进行配置调整。

- 结合策略组合月度调仓思想，持续更新行业配置观点，提高组合的动态适应性和收益稳定性。

• 策略在不同市场情景下均表现稳健，尤其在震荡至反弹阶段超额收益明显。

【西南金工】行业配置策略与ETF组合构建（2025年7月）深度分析报告

---

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7月）

- 作者/机构：郑琳琳、王天业，来自西南证券研究所

• 发布日期：2025年7月2日

- 研究主题：基于量化因子的行业轮动模型构建与ETF组合配置

• 核心内容：

- 介绍两大行业轮动模型（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）的构建方法与效果
- 基于上述模型输出，进行月度行业配置观点更新
- 构建对应的行业ETF组合方案并推荐基金标的
- 对模型和策略的历史回测表现进行全方位跟踪
- 对策略风险进行提示

• 作者意图：通过量化选股逻辑打造稳定有效的行业轮动策略，结合ETF产品实盘，帮助投资者更好地捕捉行业配置机会。报告展现了系统的策略建立、验证、应用全流程，指引投资者关注模型推荐的优选行业及其ETF组合。

---

2. 逐节深度解读

2.1 相似预期差行业轮动模型

2.1.1 模型结构与逻辑

• 核心思想：利用股票之间的“相似度”来发现那些“表现优异但相对滞后上涨”的股票，从而抓住其潜在上涨空间。换句话说，找出表现好且相似的股票群组，基于预期差来进行行业轮动。

- 距离定义：股票之间以市盈率行业相对值（$\widehat{PE}$）、净资产收益率（ROE）、资产增长率（Asset）三个指标的欧氏距离计算股票相似度：
$$
D{ij}^t=\sqrt{(\widehat{PE}i^t - \widehat{PE}j^t)^2 + (ROEi^t - ROEj^t)^2 + (Asseti^t - Assetj^t)^2}
$$
其中，$\widehat{PE}i^t$是市盈率净化处理后所得，即减去行业均值并除以行业标准差，进一步反映个股相对于行业的估值偏离。

• 相似预期差因子计算：对于每只股票i，在距离小于阈值的r只相似股票中，计算其加权（市值权重）收益与自身收益的差值，衡量预期差。

- 行业层面拓展：在每个中信一级行业内部，计算所有股票的相似预期差因子，并对其进行平均，形成行业层面的相似预期差指标。

2.1.2 历史回测

• 表现指标：

- 因子的信息系数（IC）均值为0.10，IC标准差0.30，ICIR为0.33，IC胜率63.73%显示该因子具备稳定的正向预测能力。
- 年化收益率11.65%，明显优于万得全A（4.14%）和行业等权指数（3.38%）。
- 夏普比（收益波动比）0.67高于全A和行业指数，最大回撤19%，表现出较低的回撤风险。

• 图表解读：

- 图1显示IC逐年呈现提升趋势，尤其2021年以后进入较高水平，体现策略有效性增强。
- 图2近一年月度收益波动，结合超额收益波动率，说明策略在短期内虽有波动，但整体优于基准。
- 图3累计净值稳定攀升，多头策略收益领先行业与全市场。

2.1.3 关键假设与逻辑

• 相似股票在指标空间的归纳能够反映其表现潜力差异。

- 市值加权收益差作为预期差指标，捕捉股票潜在的趋势转折。

• 该因子在行业频次轮动策略中有效。

2.2 分析师预期边际变化行业轮动模型

2.2.1 模型基本逻辑

• 利用近一月及近三月的分析师一致预测每股收益（EPS）变化率，构造“动态分析师预期因子”。

- 打分机制细化一致预期变化对行业景气判断：预期上调得+1，下调得-1，根据不同阈值（1%、2%、3%）赋分。

• 利用市值加权方式在中信一级行业内综合得分，反映行业整体的增长预期变化。

2.2.2 回测表现及分析

• 因子平均IC为0.06，ICIR为0.22，IC胜率58.82%表明因子有显著但较弱预测能力。

- 年化收益率为8.97%，高于市场基准但低于相似预期差模型，波动率略高，最大回撤32%，风险较大。

• 月度收益图（图5）呈现一定波动，超额收益表现不及相似预期差模型稳定。

- 累计净值（图6）也呈增长态势，但回撤与波动较大。

2.2.3 关键假设

• 预期EPS变化率能有效反映行业未来盈利能力的动态变化。

- 分析师预期变化对股价有领先引导作用。

2.3 模型汇总与行业配置

• 最新2025年7月行业配置：

- 相似预期差模型推荐行业：非银行金融、银行、电力设备及新能源、传媒、有色金属、基础化工
- 分析师预期变化模型推荐行业：传媒、有色金属、食品饮料、钢铁、电子、家电

• 两模型均看好传媒、有色金属，呈现一定共识。

- 历史情景分析（表8）表明，在多种市场环境下两因子均有较优表现，尤其相似预期差在震荡上涨及快速下跌阶段表现较好。

2.4 ETF组合构建

• 基于两大模型的月度行业推荐，报告具体列举了对应行业主题ETF基金标的（表9），覆盖非银行金融（多只券商ETF）、银行（多只银行ETF）、电力设备及新能源（光伏、锂电池ETF）、传媒（传媒及动漫游戏ETF）和有色金属（稀有金属ETF）等，基金份额规模均较大，流动性良好。

- 该组合方案便于投资者通过ETF直接布局策略推荐的核心行业，兼顾量化选股与被动管理优势。

2.5 风险提示

• 依赖历史数据与公开数据，可能存在未来市场结构改变导致因子失效风险。

- ETF投资受宏观环境、市场波动及风格转换影响较大，存在波动及本金损失风险。

• 报告未对ETF组合收益做保证，投资者需根据自身风险偏好谨慎操作。

---

3. 图表深度解读

3.1 表1—相似预期差因子信息系数分析结果

| 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 | 0.10 | 0.30 | 3.35 | 63.73 | 0.33 |

• 指标清晰显示该因子信息含量显著，预测能力强于随机水平。

- IC的稳定性保证了长期的策略有效性。

3.2 图1—行业维度相似预期差因子IC统计图

• 数据显示2017年初IC偏负，随后逐步转为正值，并在2022年达到峰值超过0.8左右，近期维持高位。

- 说明模型的预测能力逐渐增强，且在宏观、行业环境演变下仍然有效。

3.3 表2—策略收益表现

| 策略 | 年化收益率 | 年化波动率 | 累计净值 | 收益波动比 | 最大回撤率 |
|-----------------------|------------|------------|----------|------------|------------|
| 相似预期差因子 | 11.65% | 0.17 | 2.25 | 0.67 | 19% |
| 万得全A | 4.14% | 0.18 | 1.23 | 0.23 | 33% |
| 中信一级行业等权指数 | 3.38% | 0.18 | 1.16 | 0.19 | 32% |

• 相似预期差策略大幅领先市场基准，风险调整后表现卓越。

- 最大回撤显著低于基准，展现良好的风险控制能力。

3.4 图2—近一年相似预期差行业轮动策略月度收益率

• 柱状表示策略与行业等权对比，月度回报波动较大，但整体优于行业指数。

- 超额收益线条表现出正态波动，整体略为正向。

3.5 表4—动态分析师预期因子信息系数分析结果

| 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 | 2.18 | 58.82 | 0.22 |

• 虽然IC和IR均低于相似预期差因子，但仍具一定预测能力，通过统计检验显著。

3.6 表5—策略收益表现

| 策略 | 年化收益率 | 年化波动率 | 累计净值 | 收益波动比 | 最大回撤率 |
|------------------------|------------|------------|----------|------------|------------|
| 动态分析师预期因子 | 8.97% | 0.19 | 1.79 | 0.47 | 32% |
| 万得全A | 4.14% | 0.18 | 1.23 | 0.23 | 33% |
| 中信一级行业等权 | 3.38% | 0.18 | 1.16 | 0.19 | 32% |

• 虽略逊于相似预期差模型但仍超越市场，证明分析师预期因子也有实用性。

3.7 表8—策略情景分析

| 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% |
| 快速上涨 | 2020/4-2020/8 | 7% | 2% | 30% |
| 震荡上行 | 2020/9-2021/12 | 34% | 22% | 12% |
| 快速下跌 | 2022/1-2022/4 | 4% | 7% | -19% |
| 强劲反弹 | 2022/5-2022/6 | 0% | -1% | 15% |
| 快速下跌 | 2022/7-2022/10 | -5% | -4% | -14% |
| 震荡下行 | 2022/11-2024/8 | 17% | 3% | -11% |
| 快速反弹 | 2024/8-至今 | -5% | -10% | 31% |

• 相似预期差因子在快速下跌和震荡行情中的表现尤为突出。

- 分析师预期因子在部分震荡行情也有较好弹性。

• 行业等权指数表现波动较大，尤其在市场急跌时表现最差。

---

4. 估值分析

本报告重点在于量化策略建设和行业配置，未涉及传统估值模型（如DCF、市盈率倍数法等）估值分析。策略收益来自因子信号与行业轮动的历史表现验证，是投资组合构建的模型驱动结果，估值角度主要体现在模型对市盈率相对值的测度与使用中。

---

5. 风险因素评估

• 数据风险：因子构建和模型回测均依赖Wind等第三方数据，若数据不准确可能影响结论。

- 市场变动风险：量化模型基于历史规律构建，未来宏观经济、政策环境、市场结构变化可能导致模型失效。

• 流动性风险：ETF组合虽精选大规模基金，但市场动荡期间仍可能出现流动性紧张。

- 策略具体风险：模型中选行业集中，若对应行业发生不利事件会对组合产生显著影响。

• 投资者风险承受能力：基金有波动和本金亏损可能，投资需谨慎，结合个人风险偏好。

- 无投资收益保证：报告中组合及策略表现均为历史回测结果，不保证未来收益。

报告明确提示投资者应充分认知并理性对待以上风险。

---

6. 审慎视角与细微差别

• 报告量化模型表现不错，但IC均值普遍不高（0.10和0.06），策略需依赖长期持有和组合化管理。短期波动较大值得关注。

- 两策略在快速上涨阶段表现有时不及行业等权，表明存在阶段性择时失误风险。

• 动态分析师预期模型的最大回撤较大（32%），风险管理需强化。

- ETF组合偏重金融、能源与周期性行业，行业集中度较高，跨行业分散不足。

• 报告未提供敏感性分析和参数优化细节，模型鲁棒性尚需进一步验证。

- 报告数据截止近日，及时性良好，适合追踪最新市场环境。

---

7. 结论性综合

本报告基于两大量化行业轮动模型，系统介绍了相似预期差行业轮动模型与分析师预期边际变化模型的构建逻辑、因子测度方法、历史回测表现与行业轮动效果。实证结果表明，相似预期差模型IC实力较强，长期回报显著高于市场与行业基准，同时风险水平较低，动态分析师预期模型虽回报略逊一筹但依旧具备显著超额收益能力。

由此推动月度行业配置建议，2025年7月相似预期差模型推荐配置非银行金融、银行、电力设备及新能源、传媒、有色金属、基础化工，分析师预期模型推荐传媒、有色金属、食品饮料、钢铁、电子及家电，双方建议在传媒和有色金属领域保持关注，共同指向这些行业的后续投资机会。

结合最新行业配置建议，报告构建了对应ETF组合，精选了流动性充足、规模较大的行业ETF作为投资标的，为投资者提供了一种通过被动工具实操量化配置的途径。ETF覆盖券商、银行、光伏、锂电池、传媒、动漫游戏及有色金属主题基金。

图表数据充分支持模型有效性，策略累计净值与超额收益稳步累积，实盘跟踪数据一致，验证了策略的稳定优越性。策略情景分析揭示其对不同市场走势（快速下跌、震荡行情、快速上涨）均具有较强适应力，尤以相似预期差策略的抗跌能力突出。

总之，报告展现了严格科学的量化策略研发和验证流程，结合实用的基金标的推荐，为投资者提供了基于量化行业轮动的资产配置实战参考，但同时警示了因子非完美、历史不代表未来及ETF组合面临的多重风险。投资者应结合自身投资目标及风险偏好理性使用此策略和组合。

---

参考溯源

• 量化模型构建公式与因子定义详见报告1.1节及1.2节，表1和图1数据。[page::0,1,2]

- 回测收益表现与风险指标见表2、3及图2、3。[page::2,3]

• 分析师预期因子构建及统计数据详见2.1节、表4、图4、表5、图5、6。[page::3,4,5]

- 组合配置及ETF列表详见3.1及4节表6～9。[page::5,6]

• 风险提示与免责声明详见5～10页内容。[page::6,7,10]

---

附：关键图表示例（部分）

图1：行业维度相似预期差因子IC统计图

图2：近一年相似预期差行业轮动策略月度收益率

图6：动态分析师预期多头策略与市场指数净值变化图

---

此分析基于西南证券2025年7月发布的《【西南金工】行业配置策略与ETF组合构建（2025年7月）》报告，确保内容与结论真实反映报告原文。

报告