• 行业景气模型样本外表现优异，年化收益13.8%，超额18.4%，但存在最大回撤-11.9%，组合优化改善回撤至-5.7%，但收益有所降低 [page::0][page::1]

• 构建行业情绪预警指数，采用个股情绪指标映射、相对值计算、时序标准化及合成指数法，指标包括换手率、波动率、Beta等，提高行业交易风险预警能力 [page::4]

• 行业情绪指数有效规避情绪过热行业，趋势和情绪高相关行业后续收益表现较弱，加入拥挤度指标的趋势策略年化超额11.6%，最大回撤降低至-6.2% [page::5][page::6]

• 行业情绪过热信号出现后，行业未来3月平均超额收益-4%，最大回撤达-11%，70%的大幅回撤事件发生在情绪过热后，情绪指数具有显著风险提示价值 [page::7][page::8]

• 行业景气模型顶端优化：在多头选股中剔除拥挤度最高的1/4，剩余行业等权配置，提升年化超额至16.1%，最大回撤降低至-4.0%，且对参数n（持仓个数）不敏感 [page::9][page::10]

• 通过组合优化控制跟踪误差、行业偏离和权重上下限，动态调整风险偏好和持仓集中度，行业景气模型增强后年化超额近19%，最大回撤-5.8% [page::11]

• 行业趋势模型顶端优化：基于趋势-拥挤度选股，剔除低景气行业实现年化超额15.2%，信息比率显著提升，最大回撤控制在-5.6% [page::12]

• 趋势模型优化后结合组合优化，年化超额达17.8%，最大回撤-5.3%，月度胜率64%，稳定表现可观 [page::12]

- 多模型思维重要性：三个维度（景气、趋势、拥挤）难同时达到较优，强行复合反而降低alpha。行业景气模型进场时机左偏、以“我为主”，趋势模型右偏、以“他为主”，两模型打分相关性低，仅22%，存在逻辑和统计互补性 [page::13][page::14]

• 两策略简单并行（各50%权重）显著提升表现，年化超额达18.4%，信息比率1.90，最大回撤改善至-3.5%，月度胜率75% [page::14]

• 景气度选股模型结合行业配置，基于PB-ROE指标筛选行业内估值性价比高股票，多头年化32.7%，超额24.6%，月度最大回撤-4.1%，胜率78%，表现优异 [page::15]

• 行业景气-趋势-拥挤度图谱辅助感知配置主线，重点推荐新旧能源上游周期、金融和受疫情扭转的消费板块，风险提示模型基于历史数据，未来有失效风险 [page::0][page::15]

国盛证券《中观行业配置系列二：行业配置模型的顶端优化》报告详尽分析

---

1. 元数据与概览（引言与报告概览）

标题: 《中观行业配置系列二：行业配置模型的顶端优化》
作者: 段伟良、杨晔等，国盛证券金融工程团队
发布日期: 2022年7月8日
发布机构: 国盛证券研究所
主题: 行业配置模型优化，行业情绪预警指数构建与应用，行业景气及趋势模型顶端优化，行业配置策略改进

核心论点:
本报告聚焦于国盛证券既有的行业轮动策略，主要解决其存在的风险预警缺失和模型融合问题。通过构建“行业情绪预警指数”作为市场情绪及拥挤度的量化指标，对现有的行业景气模型和行业趋势模型进行“顶端优化”——分别规避高拥挤和低景气的行业，进而提升收益率、降低回撤、优化风险收益比。最终提出“多模型思维”，通过简单并行两套策略，将策略的超额收益率年化提升至18%以上，最大回撤大幅降低。此外，报告并延展至基于PB-ROE选股模型，实现行业景气Beta与个股Alpha的结合，提供系统化行业配置方案和实操选股策略。报告核心目的是为行业配置提供更稳健、更有效的量化工具和系统思路。[page::0,1,2,3,9,12,14,15]

---

2. 逐节深度解读

2.1 模型回顾：行业景气模型的样本外表现与思考

报告回顾基于分析师盈利预期的“行业景气模型”，利用扩散指数法测算上调盈利预测的机构占比，结合ROE等财务指标及动量指标构建整体景气复合指标。该模型自样本外跟踪以来，年化超额收益约12.7%~18.4%，信息比率1.3左右，表现优异，但存在最大回撤-11.9%，风险暴露较大（图表1、2）。为降低回撤，采用了组合优化方法（控制权重偏离和跟踪误差），虽回撤降至-5.7%，但超额收益略有下降，表现取舍明显。[page::1,2]

作者指出，模型缺少风险预警模块（拥挤度指标）和估值指标的考虑，导致进攻性强但有交易风险，且模型间融合不足。强调量化研究需不断“挖坑填坑”，构建系统化投研体系（图表4），为行业配置体系后续优化奠定框架基础。[page::2]

---

2.2 指标构建：行业情绪预警指数

为了弥补行业配置模型在“拥挤度”和“风险预警”上的短板，报告借鉴海内外投资者情绪指标研究，设计了基于细分行业市场交易行为的“行业情绪预警指数”，视为市场的“温度计”，用于标示行业交易情绪何时过热，进而规避尾部大幅回撤风险。该指数采用自下而上的合成指数方法，综合换手率、波动率、Beta及买卖压力等指标，经过时序平滑、行业相对值计算、6年滚动窗口z-score标准化处理，确保跨行业间指标具备可比性（图表8）。对指标的构建细节、选用指标权重进行了优化，并扩展内涵提升预警稳定性。[page::3,4]

---

2.3 行业情绪预警指数的有效性检验

• 横截面IC检验： 单纯观察情绪指标和下一期行业收益相关性（IC）存在弱关联甚至负相关。原因在于行业处于基本面改善黄金期时，情绪和趋势同步走高，情绪指标无法直接预测后续收益，但指标可以提示行业可能过热而风险加剧。特别当“情绪与趋势”相关达到80%-90%高位，IC显著为负，提示应规避过热行业（图表10）。

- 时间序列检验： 行业情绪指标处于极端高位（超过1-2倍标准差）后，未来3个月行业超额收益和最大回撤均显著恶化（平均超额收益-4%，最大回撤-11%），常见用于提前规避大幅调整风险（图表12、13、8页散点图）。

结合趋势与拥挤度策略对比，情绪指标并入策略后能有效平滑回撤，提高年化超额收益（行业趋势策略6.5%增加到趋势+拥挤度策略11.6%），最大回撤大幅降低（-17.4%降至-6.2%）（图表11）。[page::5,6,7,8]

---

2.4 应用效果：行业配置模型的顶端优化

2.4.1 行业景气模型顶端优化：规避高拥挤行业

新增指标包括分析师加权预测ROEFTTM、单季度ROE及财务增速指标，加入行业情绪预警指数作为拥挤度指标。综合策略逻辑为：

• 选取高景气（历史+分析师），趋势强的前5行业作为底仓；

- 剔除拥挤度排名前1/4的高拥挤行业；

• 对剩余行业等权配置，如不足3个则从剩余高景气行业中取前n（3、5、7、9）分散持仓。

该优化策略解决了市场中“高景气-好趋势-低拥挤”的不可能三角，提升策略稳健性。回测结果显示多头年化收益达26.2%，超额年化16.1%，信息比率1.62，最大回撤降至-4.0%，显著优于原策略（图表24，10页多图）。参数n在3-9区间表现稳健，换手率适中。[page::9,10]

为抑制换手率和行业集中度，进一步引入组合优化（基于收益预测和协方差矩阵、跟踪误差、权重约束、拥挤度惩罚等），风险偏好分层调节跟踪误差和行业偏离，增强模型适应性。组合优化后，策略多头年化27.1%，超额18.7%，最大回撤-5.8%，月度胜率68%（图表11页组合优化公式与实证曲线）。[page::10,11]

---

2.4.2 行业趋势模型的顶端优化：规避低景气行业

结合趋势与拥挤度指标选取行业，同时剔除景气度排名靠后的后1/4行业。策略流程为：

• 以趋势-拥挤度排名选取前5行业；

- 剔除低景气行业，剩余行业等权配置，若不足3个则通过趋势-拥挤度补齐。

采用类似组合优化方法分层调整风险偏好参数。结果显示顶端优化后多头年化26.7%，超额15.2%，信息比率1.56，最大回撤-5.6%，对比原趋势拥挤度策略表现明显改进（图表30）。组合优化后年化27.1%，超额17.8%，最大回撤-5.3%，月度胜率64%。[page::12]

---

2.5 多模型思维：两大模型融合及配置建议

报告强调“行业景气模型”与“行业趋势模型”在进场时点、收益来源和风险承受方面存在差异与互补：

• 行业景气模型：偏左进场，提前布局，更多押注基本面改善，可能在估值层面先亏后赢，胜率较低（62%），但回报率更高（赔率高15.4%），适合更主动型投资者。

- 行业趋势模型：偏右进场，捕捉趋势性机会，胜率较高（65%），回撤较低，偏市场跟随策略。

两模型截面打分相关性低（时序均值22%），有时甚至负相关，说明两者捕捉市场不同信息，有望通过策略并行提升整体表现（图表34）。

将两策略各50%权重简单并行，月度再平衡叠加，月度胜率提高至75%，年化超额收益提升至18.4%，信息比率达1.90，最大回撤仅-3.5%，换手率保持在合理区间，效果明显提升，实现了1+1>2的协同效应（图表14页多图）。[page::13,14]

---

2.6 行业景气度Beta与选股Alpha结合：基于PB-ROE选股模型

鉴于部分一级行业无ETF，报告进一步将行业景气模型下的行业权重落实至个股，以PB（市净率）和ROE（净资产回报率）修正选股，选取行业内估值性价比高的前40%股票，按流通市值和PB-ROE加权构建选股组合。

自2013年以来，该选股策略年化收益达32.7%，超额年化24.6%，信息比率2.20，月度最大回撤仅-4.1%，胜率78%，表现优异。2022年6月单月超额收益0.8%，年初至今超额16.7%，实操性强（图表37）。组合持股名单提供了具体个股参考。[page::15]

---

2.7 最新行业配置视角与风险提示

报告整合景气度、趋势和拥挤度指标呈现行业配置热力图（图表39），指出2022年7月配置主线为：

• 上游周期、新旧能源：化工、石油石化、电力、有色金属、电新等，受通胀及供给约束带动，适合超配；

- 稳增长大金融行业：银行、地产等，受政策利好拖底，建议标配；

• 部分消费行业：食品饮料、农林牧渔、家电，受疫情反转影响，具反弹基础，建议左侧布局。

边际调仓主要为增仓化工产业链、有色与电新，以及消费板块，适度降低银行权重，剔除拥挤度升高的煤炭、汽车行业，建议逢高减仓。

风险提示明确指出：
所有结论均基于历史统计与模型测算，未来市场环境变动可能导致模型失效，请投资者谨慎参考。[page::0,15]

---

3. 图表深度解读

• 图表1-2（行业景气模型净值走势）：展示模型净值和超额净值波动，突显出虽然模型收益优秀，但存在阶段性较大回撤，验证了需风险预警模块的必要。

- 图表4（行业配置体系架构）：清晰展示体系分为偏量化思维（多因子模型）和偏主观思维（行业选择），并设有风险预警模块，表明系统化融合研究框架。

• 图表8（行业情绪预警指数构建流程）：流程分明，涵盖个股映射、时序处理、标准化、合成，体现指标严谨统计学处理，增强跨行业比较的可行性。

- 图表10（情绪指标IC检验）：以统计方式验证指标单纯线性预测能力有限，但结合趋势信息后展现负相关性和较高胜率，强调相对指标的价值。

• 图表11（趋势策略vs拥挤策略表现）：直观展示加入拥挤度指标后策略在风险控制和超额收益均有明显提升，具备实证价值。

- 图表12-13（情绪过热后收益和最大回撤）：时间序列维度进一步佐证情绪指标在预警风险中的有效性，尤其在大多数行业均表现出预警功效。

• 图表24（配置模型指标结构）：重点突出扩展的指标体系，融合基本面及交易指标，反映了模型的内容丰富性。

- 图表27-28（参数敏感性）：展示模型对于选股权重数n和拥挤度阈值的鲁棒性，提供策略调整起点。

• 图表30（趋势模型优化表现）：体现趋势模型剔除低景气后有效提升收益和控制回撤的能力。

- 图表34（两个模型相关性）：揭示两个策略在横截面评分中相关度低，实现组合分散风险。

• 图表37-38（选股模型净值及重仓股）：提供了具体收益曲线和顶层持仓个股，强调实操落地效果和可操作性。

- 图表39（景气-趋势-拥挤组合图谱）：将三维信息视觉化，帮助投资者感知行业配置逻辑。

所有图表均紧密配合文本内容，为论证提供了全面直观的数据与模型支持，视觉化效果有助于理解行业轮动及风险控制策略。[page::1,2,3,6,9,10,12,13,14,15]

---

4. 估值分析

报告未单独设置估值估算目标价格部分，但在模型构建中纳入了估值因子（PB）在选股阶段对个股进行细分打分，合理反映估值合理性。

行业配置主要基于：

• 组合优化方法，通过历史超额收益估计协方差矩阵，限制跟踪误差和行业偏离，应用权重上下限控制风险敞口。

- 在组合优化约束中，特别设置拥挤度和景气度预警低配或剔除，从而提高配置的安全边际。

上述用量化的基准指数（WINDA指数）作为对照，确保业绩的相对稳健和基准贴近，降低交易摩擦和回撤风险。报告中关于组合优化的数学表达式说明其最大化期望超额收益、满足风险限制的目标函数，凸显严谨的金融工程分析思路。[page::10,11,12]

---

5. 风险因素评估

报告主要识别的风险因素包括：

• 模型历史数据依赖性风险： 模型基于历史统计和指标构建，未必能完全适应未来结构性变化或极端市场环境，存在失效可能；

- 市场拥挤度风险： 行业拥挤度过高可能导致流动性风险及价格大幅波动，对模型选股构成短期风险；

• 指标稳定性风险： 如主成分分析等方法可能因参数不稳定带来模型表现波动；

- 风格转换风险： 市场风格快速变换时，景气模型与趋势模型可能分别失效，强化了多模型并行及分散的必要性；

• 风险控制不足风险： 早期模型未包含拥挤度和估值指标，导致高波动与回撤。

缓解措施包括融入情绪指标规避过热行业，组合优化控制权重及跟踪误差，分层风险偏好适应不同市场状态，并提出多模型并行提升稳健性。虽然具体概率未量化，但风险敞口明确指出。[page::0,1,2,9,12,15]

---

6. 批判性视角与细微差别

• 模型依赖历史数据，未来风险不可忽视： 虽然报告反复提示模型潜在失效风险，但宏观环境的突变或结构性转折仍可能导致模型无法实时调整，尤其是在疫情、货币政策极端调整等事件下，预警功能可能受限；

- 组合优化过程中的参数选择较为主观： 比如跟踪误差m、权重约束x的具体数值及调整规则，可能对实际策略影响较大，报告中的参数敏感性测试有限；

• 多模型并行是实用思路，但简单加权可能忽略不同模型动态权重调整的潜能： 未来研究也许可考虑更复杂的模型融合方法，如动态权重调整、机器学习等；

- 情绪指标构建中剔除涨跌停等股票，可能对极端板块行情信号有所削弱；

• 指标体系较为复杂，执行难度及交易成本考量在报告中未详述，实际操作需注意实现成本；

- 风险预警指标注重回撤控制，但在快速上涨行情中可能使部分机会被错过，存在“左侧信号”带来的机会成本；

• 不过，从报告整体来看，作者对模型局限性自觉清晰，且逻辑严密，实证充分，体现了研究团队严谨与务实的态度。[page::2,3,9,15]

---

7. 结论性综合

本报告系统回顾并优化了国盛证券行业配置模型，针对原有景气度模型回撤较大及缺少拥挤度风险预警，创新性构建基于多交易指标的“行业情绪预警指数”，能够有效预判行业交易情绪过热，提示即将到来的价格回调风险。基于该指标，报告提出基于“规避高拥挤行业”的行业景气模型顶端优化，以及基于“剔除低景气行业”的行业趋势模型顶端优化，两者均显著提升了超额收益率（约超16%-18%年化）和信息比率，同时大幅降低超额最大回撤（约-3.5%至-6%），降低策略波动。

更重要的是，报告强调两大模型间存在互补性，截面相关度低且收益来源不同，通过简单并行融合，使得策略稳定性、月度胜率和风险调整收益均显著改善，达成1+1>2的协同效应。模型进一步被扩展至基于PB-ROE的行业选股层面，选股Alpha表现优异，同时配合行业Beta配置实现收益提升。

最新行业配置建议基于报告构建的景气度-趋势-拥挤度综合指标，重点推荐新旧能源、上游周期行业、大金融板块和疫情受益消费行业，提示拥挤度快速升高的煤炭和汽车慎重，体现了较强的市场前瞻性和配置实用性。

报告全文构思严密，方法科学，数据支持充分，图表详实，为行业配置提供了系统化、高效且风险可控的量化投资方案，同时结合了定量与定性思维，实现了量化选股与行业策略的有机结合，是一份高水平的产业配置研究报告，值得投资人和量化研究者深入研读和借鉴。[page::0~16]

---

总结

国盛证券量化团队在本报告中，结合情绪预警、景气度和趋势等多维度指标，系统解决行业配置中的风险控制和模型优化问题，创新打造的行业情绪预警指数在实际操作中显著提升了收益风险表现。并通过策略并行融合、多层次资产配置设计，有效实现“高景气+好趋势+低拥挤”组合的科学权衡，体现了金融工程方法在行业资产配置中的前沿应用和实践价值，为国内中观行业量化配置提供了重要范式与参考。

报告