行业配置研究框架及多因子模型构建 [page::3][page::4]

• 采用股票多因子方法，将行业视作整体，利用财报、分析师预测及资金数据构造行业因子。

- 多因子研究包括数据处理、因子合成、单因子测试及复合因子合成。

核心分析师预测因子及单因子测试亮点 [page::5-40]

• 因子涵盖分析师覆盖度、预测EPS、ROE、ROA、净利率、净利润、营收及其环比变动和历史分位数等。

- 异常分析师覆盖度（回归市值）因子表现最佳，年化多头超额达6.71%，信息比率1.06。

• 预测EPS环比变动的多个参数组合表现突出，年化多头超额约4%-6%，环比3个月效果最佳。

- 预测ROE、ROA环比变动及历史分位数因子表现稳定，年化超额多达5%-7%。

• 净利润及营收相关因子多数表现实效较差，超额收益较低。

复合因子构建方法及回测表现 [page::38-40]

• 通过分析师覆盖度、预测EPS及变动、净利率、净利润、营收、ROA、ROE八个类别优选9个因子进行等权合成。

- 因子间相关性低，平均相关系数0.26，复合因子分组效应显著。

• 回测2010年至2022年9月，复合因子多头年化收益15.10%，超额收益9.90%；多空收益17.13%，信息比率1.39。

- 策略换手率高，年度平均单边换手458%，月度约38%；考虑手续费后，超额收益扣减约1.37%。

近期策略持仓及行业观点 [page::40-41]

• 2022年9月持仓行业：食品饮料、煤炭、电力设备及新能源、汽车、国防军工。

- 9月最看空行业：建材、非银行金融、钢铁、传媒、轻工制造。

• 策略2022年累计收益3.66%，超额收益12.60%。

| 调仓日 | 行业1 | 行业2 | 行业3 | 行业4 | 行业5 | 策略组合收益 | 基准收益 | 超额收益 |
|-------------|-------------|---------|-------------|---------------|----------------|--------------|----------|----------|
| 2022/9/30 | 食品饮料 | 煤炭 | 电力设备及新能源 | 汽车 | 国防军工 | 3.66% | -8.95% | 12.60% |
| 2022/9/30 | 建材 | 非银行金融 | 钢铁 | 传媒 | 轻工制造 | 6.12% | -4.15% | -1.96% |

核心量化策略亮点：分析师预测因子多因子行业轮动 [page::38][page::39]

• 选用9个高效预测因子，通过因子分位数加权等权计算行业复合因子。

- 复合因子历史回测年化收益15.10%，超额收益9.90%，信息比率1.39。

• 策略采用月度调仓，平均月度换手率38%，持仓集中于业绩预期改善的行业。

- 高频换手考虑交易成本后仍保持较高超额收益。

深度解析报告：《如何基于分析师预测数据构建行业轮动策略》——行业配置研究系列06

---

1. 元数据与概览

• 标题：《如何基于分析师预测数据构建行业轮动策略》

- 作者及机构：廖静池、张雪杰、刘凯至等，国泰君安证券研究所发布

• 发布日期：2022年10月4日

- 主题：行业多因子研究，基于分析师预测因子构建行业轮动投资策略

核心论点与目标

报告聚焦于通过分析师预测数据构建行业轮动策略，围绕行业景气度的边际改善进行多因子分析，筛选出9个核心分析师预测因子，形成复合因子模型，并测试该模型的历史表现。主要结论包括：

• 采用选出的分析师预测因子构建的行业轮动策略，历史年化收益率达到16.65%，显著优于行业等权基准的5.20%，年化超额收益达到11.44%，信息比率1.4，表明该策略具备稳定的超额收益能力。

- 策略换手率较高，年度单边换手率均值为458%，对应的交易成本约1.374%年化，仍保证策略有效性。

• 2022年9月持仓以食品饮料、煤炭、电力设备及新能源、汽车、国防军工为主，当前年超额收益达12.60%。

- 报告未忽视模型风险，明确指出基于历史数据构建的量化模型存在历史规律失效的风险。

[page::0] [page::39] [page::41]

---

2. 逐节深度解读

2.1 行业配置研究框架及多因子模型流程

报告从证券市场的复杂系统视角出发，将行业视作综合公司，利用个股数据（财务报表、分析师预测、资金流等）合成行业因子。行业轮动的配置依据是多维度共振与动态调整，重点配置基本面景气度边际改善、机构资金净流入、健康的市场微观结构和正面市场情绪行业。

行业多因子模型研究流程包括：数据处理、行业因子合成（加权法与整体法）、单因子测试、复合因子构建，参照以往报告的框架，确保科学严谨。

[page::3] [page::4]

2.2 分析师预测因子定义与计算方法

利用卖方分析师预测数据库（朝阳永续），选取覆盖度、EPS、净利润、净利率、ROE、ROA、营收等多种关键盈利指标的预测及其变动，构建行业层面的分析师预测因子。

• 加权法以成分股自由流通市值加权，适用于覆盖度不均、数据发布时间不一致的因子，保证因子计算的时效性。

- 简单整体法汇总行业层面数据，优点是数据一致性高，规避了成分股数据不同步问题，但牺牲了数据时效。

三大超参数设计涉及到数据回看天数N（30、91、181等）、环比月份M（1、3、6、12月）、预测财年FY（FY1、FY2、FY3），并测试36种参数组合选出表现稳健者。

[page::5] [page::6]

2.3 分析师单因子测试结果

• 分析师覆盖度：剔除市值影响后（异常覆盖度），表现最佳，年化超额收益可达6.71%，IC和信息比率表现良好，表明分析师关注度高的行业未来表现更佳。

- 预测EPS环比变动：叠加多个参数组合，尤其是FY3、30天回看和3月环比变动表现最好，年化超额收益一般在4%-5%左右，说明EPS变化的积极预期对后续行业表现有预测能力。

• 预测EPS的历史分位数与变动历史分位数：采用加权法的12个月和24个月分位数也均表现良好，FY3相关因子往往效果更佳，表明当前EPS相较历史水平的位置对未来收益有正向作用。

- 预测ROE及ROA相关因子：ROE环比变动因子效果尤为显著，部分参数组合年化超额收益超过5%，信息比率指标同样表现优异。此外，ROE的上下调比例因子也显示稳定的超额收益能力。

• 预测净利润和净利率相关因子：除部分关键指标外，大多表现一般，部分组合年化超额收益不足5%，对应的变动历史分位数也表现欠佳。

- 预测营收变动相关因子：整体效果较差，年化超额收益较低，表明营收指标在行业景气预判中的预测力不强。

• 分歧度、EP、PEG因子：历史回测结果皆不佳，不纳入最终因子池。

[page::7]至[page::37]

2.4 复合因子构建

基于前述单因子测试，筛选9个信息比率最高且各类别代表性强的因子进行复合：

• 过去121天异常分析师覆盖（回归市值）

- 过去30天预测EPS-FY3环比6月变动的过去12月分位数

• 过去30天预测净利率-FY3过去12月分位数

- 过去91天预测净利率-FY2环比3月变动（整体法）

• 过去91天预测净利润-FY3环比6月变动（整体法）

- 过去30天预测净利润-FY3环比6月变动（加权法）过去12月分位数

• 过去181天预测营收FY3环比1月变动（加权法）过去24月分位数

- 过去30天预测ROA-FY3环比12月变动（加权法）

• 过去30天预测ROE-FY3（加权法）过去24月分位数

九因子间相关系数较低（平均0.26），表明复合因子的信息含量丰富、不冗余。通过分位打分和等权平均得到综合复合因子。

[page::38] [page::39]

---

3. 图表深度解读与数据趋势

3.1 分析师覆盖度相关图表（图3，图4）

• 图3展示不同分组累计收益状况，因子最高分组t4累积收益大大领先于其他组，并保持持续增长；

- 图4为超额收益曲线，t4组超基准表现显著，分组间有明确分化，反映该因子的较强预增益能力；

3.2 EPS环比变动等关键因子相关图表（图5-16）

• 多个图表包括过去30天、91天、181天不同的FY和环比参数组合，

- 图5-6展示30天预测EPS-FY1环比1月变动加权法的分组累计及超额收益，t4强烈跑赢其他组，线条趋势平滑增长，说明信号稳定可靠。

• 图7-8、图9-10展示不同环比月份和预测年度下类似规律；

- 图11-16进一步展示不同的历史分位数因子，累计收益和超额收益曲线均体现了较好的行业区分能力。

3.3 ROE、ROA及净利润、净利率系列因子图表（图17-56等）

• ROE相关因子在图17-32显示出明显的多头组优势，年化超额收益和信息比率均在业内表现优异；

- ROA因子（图33-42）同样展现良好趋势，但整体优于ROE因子稍弱；

• 净利润相关因子（图49-56）效果较ROE、ROA更弱但仍有一定预测力，图示的收益曲线多头组稳步领先；

- 净利率因子表现一般（图43-48），但部分参数配置存在一定超额收益；

• 营收相关因子（图57-58）效果较差，收益曲线波动大且多空差异不明显。

3.4 复合因子绩效图表（图59-61）

• 图59显示按复合因子分组的累计收益轨迹，t4组（多头）持续领先，明显好于基准组，趋势稳健；

- 图60超额收益曲线稳定增长，多空收益显著，体现复合因子的稳定预测能力；

• 图61复合因子行业轮动策略整体的收益与超额收益曲线，累计收益达到611.43%，超额累计281.61%，最大回撤仅9.05%，符合高收益低风险特征。

3.5 策略近期持仓表现（表49，50）

• 2022年9月持仓行业以高景气度和资金关注度行业为主：食品饮料、煤炭、电力设备及新能源、汽车、国防军工；

- 最看空行业集中于建材、非银行金融、钢铁、传媒、轻工制造，反映行业轮动策略的主动防守能力；

• 近3个月持仓轮动显示策略在市场震荡中仍实现正向超额。

[page::8]-[page::16]、[page::19]-[page::40]

---

4. 估值分析

报告核心为行业多因子量化策略构建，无直接公司估值模型。采用因子回测、信息比率、多空收益、换手率等指标评价策略表现，不涉及DCF或传统绝对估值技术，侧重于选股择时和行业轮动的相对收益提升。

---

5. 风险因素评估

• 报告明确量化模型基于历史数据构建，历史规律存在失效风险，提示投资者关注模型的时效性与稳定性。

- 高频换手可能带来交易成本与市场冲击，报告估计换手导致的交易成本年化约1.374%，对策略净收益有一定侵蚀。

• 模型风险及市场风险未细化，但隐含风险警示提醒投资者慎重使用，仅为辅助决策工具。

[page::0] [page::41]

---

6. 审慎视角与细微差别

• 尽管多数因子表现良好，但部分如营收变动、EP、PEG及分歧度因子回测效果不佳，提示分析师盈利预测数据的多维度不均衡信息价值。

- 加权法与整体法相比存在一定权衡，加权法时效性高但一致性稍逊，整体法一致性好但时效性不足，策略综合应用两种方法选择表现较好因子，有助于数据的有效利用。

• 报告未详细讨论超额收益波动源、模型参数选择对行业变化的适应性，以及模型在特殊市场环境（如极端波动期）的表现，值得未来研究深化。

- 高换手率策略带来较大交易成本，模型净效益仍显著提升，表明选股信号质量较高。

---

7. 结论性综合

本报告提出并系统测试了一套基于分析师盈利预测数据的行业多因子轮动策略。核心成果如下：

• 报告在完整的数据处理和严格的回测框架下，筛选和构建出9个表现优异的行业预测因子，包括分析师覆盖度和EPS、ROE、ROA、净利润、净利率相关变动及分位数因子。

- 多因子复合策略年化收益16.65%，年化超额11.44%，信息比率1.4，显著优于行业基准，充分体现了分析师预测数据对捕捉行业景气度和盈利边际改善的有效性。

• 图表清晰展现了各因子及复合因子在分组收益、超额收益、信息比率方面的稳定优势，支撑报告结论的严谨性。

- 策略择时节奏对应月度调仓，虽换手率较高但收益仍覆盖交易成本，显示实操可行性。

• 风险提示及审慎态度明确，提醒投资者识别历史规律可能失效风险及模型实用局限。

- 未来研究方向将扩展更广的基本面、资金面、技术面和情绪面因子，进一步丰富行业轮动框架。

综合来看，该报告为行业轮动策略构建提供了科学严谨的实证依据和方法指引，对基于基本面尤其是分析师盈利预测数据的行业资产配置策略具有高度参考价值。

---

重要图表示例

• 行业配置研究框架（图1），详述基本面、资金面、技术面及情绪面多维度共振机制

• 行业多因子模型研究流程（图2），包括从数据处理到复合因子生成完整流程

• 分析师覆盖度因子分组累计收益（图3）及超额收益（图4），验证覆盖度因子有效性

• 预测EPS-FY3环比6月变动过去12月分位数复合因子分组累计收益（图11）及超额收益（图12）

• 复合因子分组累计收益（图59）与超额收益（图60）显示多头组策略增强表现

• 行业轮动策略累计收益及最大回撤（图61），蜂鸣显示良好的风险收益特征

---

总体评价

报告数据详实，方法论严谨，结合实证分析和图表展示了基于分析师预测数据构建行业轮动策略的有效性，确立了可行的行业轮动投资解决方案。其定量行业因子构建与筛选方法具有高度实操价值，同时兼顾风险提示，适合进行政策及市场周期敏感度研究。投资者与研究人员可基于本报告中的因子池及组合构建逻辑，实施和优化行业轮动策略。

[page::0,1,3-61]

报告