相似预期差行业轮动模型构建与回测 [page::0][page::1][page::2]

• 基于市盈率行业相对值、ROE和资产增长率构建股票间距离指标，定义相似股票集合并计算相似预期差因子。

- 行业层面因子通过加权平均个股相似预期差值获得，历史样本期（2016/12-2025/8）IC均值为0.09，ICIR为0.30，IC胜率62.5%。

• 多头Top 6组合年化收益13.21%，最大回撤19.27%，显著优于万得全A指数及行业等权指数。

• 近一年月度超额收益波动与累计净值表现显示该策略具有较优稳定性和超额收益 [page::2].

动态分析师预期边际变化行业轮动模型 [page::3][page::4][page::5]

• 因子基于近1月及近3月一致预测每股收益变化率等指标的加权打分，反映行业景气度及预期变化。

- 历史样本期IC均值为0.06，ICIR为0.22，IC胜率59.62%。

• 多头Top 6组合年化收益10.60%，累计净值2.06，最大回撤31.83%，超越基准。

• 策略月度表现及净值变化显示持续稳健的超额收益能力 [page::5].

2025年9月行业配置与ETF组合建议与行情回顾 [page::0][page::3][page::6]

| 行业轮动模型 | 2025年9月行业配置观点 |
|---------------------------|---------------------------------------------|
| 相似预期差行业轮动模型 | 非银行金融、汽车、电力设备及新能源、基础化工、农林牧渔、传媒 |
| 动态分析师预期边际变化模型 | 非银行金融、农林牧渔、有色金属、通信、钢铁、计算机 |

• 结合两因子行业配置观点，构建多行业ETF组合，包括非银行金融、有色金属、农林牧渔、通信及汽车等。

- ETF组合精选规模大、流动性好的相关基金标的，配置比例根据行业策略动态调整，增强组合行业轮动能力。

• 多种市场情景下策略表现优于行业等权配置，具备较强抗跌与反弹能力，凸显策略稳健性与适用性 [page::6].

数据来源与风险提示 [page::6][page::7]

• 所有数据基于Wind及西南证券整理，确保公开、公正、合法合规。

- 报告基于历史数据，存在模型表现与市场实际波动不符的风险，ETF组合不构成投资收益保证。

• 投资者需充分理解风险，结合自身偏好审慎操作，基金投资有风险，需谨慎决策。

《【西南金工】行业配置策略与ETF组合构建（2025年9月）》详尽全面解读与分析

---

1. 元数据与报告概览

• 报告标题：《【西南金工】行业配置策略与ETF组合构建（2025年9月）》

- 作者：郑琳琳、王天业，所属机构为西南证券研究所“量化西南角”

• 发布日期：2025年9月4日16:37

- 研究主题：聚焦于基于量化因子的行业轮动策略与ETF组合构建，其中两大核心因子模型分别为“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”。

• 报告目的与核心论点：

- 建立并更新基于相似股票历史表现及分析师预期的行业轮动模型，从而进行行业配置策略的动态更新；
- 对两种行业轮动模型的策略效果进行历史回测与实证验证；
- 在此基础之上构建相关ETF组合，指导实务投资配置；
- 通过详尽的历史回测数据、收益展示以及策略表现评估，强化研究结论的有效性与实用性。

• 发行机构定位：西南证券为持牌证券机构，保证了报告的专业性与合规性。

该报告主要意图表达过去多年利用相似预期差和分析师预期变动因子进行行业轮动配置，能够获得显著超越市场基准的业绩表现，且基于此构建ETF组合策略具备可行性的投资价值[page::0,1,3,4,6]。

---

2. 逐节深度解读

2.1 相似预期差行业轮动模型

2.1.1 模型简介与计算方法

• 核心逻辑：寻找与某股票在多个财务指标上表现相似但其自身尚未实现涨幅的股票，从其历史表现中推断该股票未来的上涨潜力。

- 构造细节：
- 计算两只股票的距离：基于行业相对市盈率（PE）、净资产收益率（ROE）和资产增长率三项指标的欧氏距离，公式详见第1页。
- 市盈率行业相对值采用标准化手段，将行业内个股PE减去行业平均PE，再除以行业PE标准差，确保距离计算的相对可比性。
- 选取距离小于设定阈值的“相似股票”集合，用市值加权历史收益率均值减去该股历史收益率，定义为相似预期差因子值。

• 行业维度扩展：在行业层面，将所有跑赢万得全A指数的股票计算其相似预期差因子值，取均值作为行业因子值。

此模型意图以股价尚未充分反映的相似股票的强劲表现，捕捉未来潜在的表现机会[page::0,1]。

2.1.2 历史回测

• 样本期：2016年12月至2025年8月

- IC指标表现：
- IC均值0.09（统计显著，t=3.09）
- IC正相关比例62.5%
- ICIR=0.30，表明因子表现稳定且有效。

• 统计图（图1）显示信息系数波动区间与累计IC的累计上升趋势，体现策略逐渐增强的选股能力。

因子和策略在历史上表现出的稳定有效性，奠定了其行业配置应用的技术基础[page::1,2]。

2.1.3 策略表现跟踪

• 多头Top6组合年化收益13.21%，年化波动率0.18，最大回撤19.27%，夏普比率约为0.75，显著超越万得全A（年化收益5.95%，最大回撤32.59%）及行业等权指数。

- 累计净值达到2.58，远超大盘1.43。

• 最近一年月度收益（图2）显示该策略在绝大多个时间段内保持正收益且实现超额表现。

- 净值涨势（图3）同样体现出持续优异的时间分布，反映其持续捕捉行业轮动机会的能力。

• 行业推荐变化显示非银行金融、汽车、新能源、基础化工等板块接受策略持续青睐。

该模型有力支持了基于相似预期差因子的行业轮动策略的超额收益能力[page::2,3]。

2.2 分析师预期边际变化行业轮动模型

2.2.1 模型介绍

• 通过一致预期的变化率来构造动态因子：

- 近1月及近3月的每股收益（EPS）变化率和未来12个月每股收益变化率；

• 利用打分方法衡量一致预期的方向和幅度，以去除个股绝对数值的偏差，聚焦于行业整体景气度；

- 行业内采用市值加权计算平均得分，形成分析师预期边际变化动态因子。

该方法致力于动态捕捉业绩预期的边际变化，对行业景气度的判断更具时效性和信息量[page::3,4]。

2.2.2 历史回测

• 2016/12-2025/8期间，因子IC均值0.06，IC胜率59.62%，ICIR为0.22，均体现其预测能力。

- IC曲线图（图4）表现出较为持续的正面因子效应。

• 策略年化收益10.6%，波动率0.19，最大回撤31.83%，夏普比率0.56，虽略逊于相似预期差模型，但依然显著优于市场基准。

- 累计净值2.06，优于万得全A的1.43。

• 月度收益（图5）表现震荡中保持总体正收益，策略净值变化（图6）体现长期领先优势。

基于分析师预期动态变化的行业轮动模型揭示了市场预期的边际调整对行业风格和收益机会的指示效力[page::4,5]。

2.3 两模型观点汇总与策略表现情景分析

• 综合两模型9月配置：

- 相似预期差模型侧重：非银行金融、汽车、电力设备及新能源、基础化工、农林牧渔、传媒。
- 分析师预期模型侧重：非银行金融、农林牧渔、有色金属、通信、钢铁、计算机。

• 情景分析展示不同市场状态下三种配置策略相较行业等权的超额收益（表8）：

- 例如快速下跌期（2018/5-12），相似预期差策略胜出9%，分析师预期略负，行业等权大跌23%；
- 整体两因子策略大多优于行业等权，尤其在震荡及震荡上行阶段收益显著。

• 表明两个模型能分别应对不同市场环境，提升行业轮动配置的稳定性和广泛性[page::6]。

---

3. 图表深度解读

3.1 表1（相似预期差因子信息系数分析）

• 描述：展示相似预期差因子在信号预测准确性（IC均值0.09），稳定性（IC标准差0.31）及胜率（62.5%）上的统计指标。

- 解读及意义：虽IC值偏低，但统计显著，表明该因子在多期样本内走势一致，有实际预测股票/行业表现的能力，加强策略构建的科学基础。

3.2 图1（行业维度相似预期差因子IC统计图）

• 描述：以柱状图呈现逐月IC值，曲线展示累计IC。

- 趋势分析：早期因子表现负面，随着时间推移累计IC稳步上升，表明策略成熟后效果更佳，暗示模型适应和优化过程。

3.3 表2（相似预期差行业轮动策略收益表现）

• 清晰对比策略、万得全A与行业等权的收益和风险指标

- 策略优势显著：收益+13.21%，最大回撤降至19%，波动与基准持平但收益风险比更佳。

3.4 图2和图3（策略月度收益和净值变化）

• 展示策略稳定正收益表现及净值超额增长

- 图表数据支持文本分析的结论，即策略具备持续超额能力。

3.5 表4与图4（动态分析师预期因子IC分析）

• 同样呈现IC均值、标准差、IC胜率，因子表现虽不及相似预期差，依然显著有效。

- IC图显示因子预测信号明显，但波动较大，解释了其策略收益的波动性。

3.6 表5及图5、图6（动态分析师预期行业轮动策略表现）

• 策略的年化收益10.6%，较基准也有明显超越。

- 月收益图表现久期内收益不稳定，但净值曲线逐步抬升，体现长期价值。

3.7 表7与表8（配置观点与情景分析）

• 表7明示两因子模型的当前行业配置意见，突出非银行金融与农林牧渔的共识性重仓；

- 表8情景分析显示策略在不同市场环境中超额收益差异，支持因子组合可分散风险，提升稳定性。

3.8 表9（ETF组合构建）

• 多行业ETF组合的基金列表，涵盖非银行金融、有色金属、农林牧渔、通信、汽车等。

- 通过列示多个具有较大基金份额的ETF，展示实际可操作的配置路径，实现策略落地。

• 体现研究与投资执行的有效衔接[page::2,3,4,5,6]。

---

4. 估值分析

本报告核心为策略模型与行业配置，未直接涉及公司层面估值模型（如DCF、市盈率倍数估值等）。其“估值”本质为基于因子构造的行业轮动模型与对应ETF组合的收益表现估值，强调历史回测、收益波动比、最大回撤等风险回报指标的评估。通过月度更新及情景测试，实现了策略有效性的估值确认。

---

5. 风险因素评估

报告承认如下风险：

• 基于历史公开数据构建的因子及模型，未来市场环境变动可能导致表现差异；

- 第三方数据风险：数据准确性及及时性可能影响因子计算；

• ETF组合风险：受宏观经济、风格切换、市场波动影响，存在波动和回撤风险；

- 投资者需根据自身风险偏好，谨慎评估投资能力。

报告对风险披露充分，提醒投资者投资需谨慎，不构成明确的投资建议，谨防模型过度拟合和历史回测偏差风险[page::6,7]。

---

6. 批判性视角与细微差别

• 报告基于量化模型，依赖历史数据和因子，天然存在“过去表现并不代表未来”的风险；

- 两因子模型IC值虽正且显著，但均值不高（0.06-0.09），预测能力有限，建议结合其他策略提高稳健性；

• 最大回撤差异显示分析师预期模型波动更大，提示该策略依赖分析师预期的准确及时披露，存在信息延迟风险；

- 情景分析显示快速上涨期间两因子策略表现波动甚至为负，表明策略在极端行情下可能失效；

• 组合配置中非银行金融行业权重过高，潜在集中风险需关注；

- ETF基金份额大小作为筛选依据合理但未深入市场活跃度、费用等因素考量；

• 报告未披露具体阈值参数、选股池范围及持仓调整频率，对模型操作细节描述存不足。

整体而言，报告逻辑严谨，数据翔实，但因子选取与模型假设需要结合实际交易与市场环境动态调整。

---

7. 结论性综合

本报告以“相似预期差行业轮动模型”与“分析师预期边际变化行业轮动模型”构建了两条有效且历史表现优异的行业配置策略。其历史回测显示，在2016年至2025年期间，两策略均显著超越市场基准（万得全A指数及行业等权指数），尤其是相似预期差模型，年化收益高达13.21%，最大回撤19.27%，风险调整后表现出色。

图表与统计数据充分验证了因子有效性（IC、ICIR、胜率等指标），以及策略的超额收益特征（累积净值、夏普比率、最大回撤对比）。情景分析揭示不同市场周期下策略表现的异同，增强策略的适用性理解。ETF组合构建基于此策略，选择了市值较大且流动性较好的行业ETF，反映研究成果的实操性。

风险提示强调了基于历史数据构建策略的局限性和ETF投资的市场波动风险，投资者需结合自身风险承受能力谨慎采纳。

总体而言，报告以科学严谨的数据分析与模型驱动，实现了行业轮动交易的策略优化与实务对接，提供了重要的量化投资思路和工具，适合专业投资者作为配置参考和动态调仓指引。

---

附录：图表示意展示

• 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3：相似预期差多头策略与市场指数净值变化图

• 图4：动态分析师预期因子IC统计图

• 图5：近一年动态分析师预期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

---

本分析全程依据报告原文内容，确保论点的客观性与溯源准确。欢迎进一步针对具体模型细节提出问题探讨。
[page::0,1,2,3,4,5,6,7]

报告