行业轮动模型构建及数据来源 [page::3][page::4][page::5]

• 以国家统计局月度工业企业财务数据及分析师一致预期净利润同比为核心数据来源，覆盖38个工业行业，月度更新，时效性优于上市公司季报。

- 工业类上市公司数占A股总数近70%，市值占比达65%。

• 主要指标包括利润总额累计同比、营业收入累计同比、销售净利率累计同比、资产负债率同比增速和分析师一致预期净利润同比增速。

行业轮动策略绩效表现 [page::9][page::10][page::11][page::13][page::14]

• 合成因子策略2007-2021年top5行业组合年化收益16.57%，bottom5组合为-1.01%，多空超额达8.45‰。

- 单因子中利润总额累计同比表现最佳，且各因子均体现出显著的多空收益。

• 行业轮动策略分层明显，夏普比率和获胜率呈单调增强趋势。

- 2021年top5行业组合整体表现优异，行业轮动信号可靠。

行业轮动在指数增强中的应用 [page::16][page::17]

| 组合类型 | 行业中性收益率 | 行业轮动调整收益率 | 行业轮动+个股得分调整收益率 |
|-----------------|----------------|--------------------|-----------------------------|
| 沪深300增强组合 | 13.07% | 13.98% | 13.89% |
| 中证500增强组合 | 15.20% | 15.52% | 15.70% |

• 行业轮动策略有效提升沪深300指数增强组合年化收益约1%，信息比由2.6升至2.74。

- 中证500组合引入行业轮动及个股因子调整，年化收益提升约0.5%。

行业轮动策略在基金优选中的应用 [page::18][page::19][page::20]

• 结合基金过往夏普比和行业轮动配置，选出优选基金组合，年化超额收益高达8.69%，胜率达83%。

- 基金规模剔除策略确保中等规模基金作为研究对象，剔除过大或过小规模极端样本。

• 优选基金数量稳定在20-40只，平均规模约20-30亿元。

风险提示 [page::0][page::21]

• 量化模型基于历史数据，存在未来失效风险。

- 极端市场环境可能严重冲击策略表现。

金融研究报告详细分析

报告元数据与概览

报告标题：《基于工业企业财务数据和分析师预期的行业轮动模型》 —《量化策略研究 之 三》
作者：朱剑涛、刘静涵
发布日期：2021年11月27日
发布机构：东方证券研究所
研究对象：基于中国A股市场工业企业数据与分析师预期构建的行业轮动策略
核心论点：

• 该报告提出基于工业企业即时财务数据（统计局月度数据）和分析师盈利预期构建行业基本面指标，结合这些指标进行行业轮动投资策略。

- 提高资金在不同工业行业间的配置效率，捕获行业轮动带来的超额收益。

• 将策略应用于股票和基金选取，显著提升组合表现。

- 统计局工业企业数据更新更及时，能够领先反映上市公司盈利状况，具有投资指导价值。
报告重点成果包括：

• 2007年以来Top5行业组合年化收益16.57%，底部5行业组合负收益，多头组合超额收益显著。

- 2019年以来行业轮动策略年化绝对收益提升明显。

• 在沪深300指数增强组合中引入行业轮动，收益提高约1%。

- 优选基金中结合行业轮动与夏普比率，年化超额收益高达8.69%，年度胜率约83%[page::0,3,4,6,9,13,16,18,19,21]。

逐章深度解读

一、行业轮动指标体系构建

本章节阐述选择财务数据和分析师预期作为行业基本面两个支柱，提出以“统计局工业企业月度财务数据”和“分析师一致预期盈利预测”构建指标体系。

1. 财务数据更频繁（月度），包含利润总额累计同比、营业收入累计同比、销售净利率累计同比、资产负债率同比增速等指标，精准反映行业盈利及财务状况。

2. 统计局数据覆盖规模以上工业企业，不限于上市公司，企业数量庞大且更新及时，弥补上市公司季报披露滞后缺点。

1. 分析师一致预期反映专业机构对未来盈利的预判，是行业预期改善的重要信号，但由于覆盖不完全及样本偏差，作为补充指标使用。

4. 指标选择基于经济意义：利润和营收体现增长趋势，销售净利率反映盈利能力，资产负债率反映风险水平和财务杠杆变化，分析师预期反映市场共识。

1. 统计局岩系列时间点对披露实施严格控制，保证信息无未来数据泄露。[page::3,4,5,6,7,8]

二、行业轮动策略测试结果

2.1 构建方法

• 回测时间覆盖从2007年2月至2021年10月，涵盖多轮市场周期。

- 行业因子包含5项指标，缺失数据时以可得指标加权平均代替。

• 组合基于行业因子加权排名，分别构建Top5和Bottom5等权组合。

- 收益计算基于股票流通市值加权，使用日度净值，不计交易费用。

• 绩效表现以年化收益、夏普比率、最大回撤等多维度衡量，强调多空对比的超额收益。[page::9,10]

2.2 策略表现分析

• 单因子中工业企业利润总额累计同比指标表现最佳，Top5组合年化收益约12.77%，多空超额达4.47‰。

- 资产负债率同比增速表现为负向因子，反映负债风险，过快负债增长抑制行业表现。

• 合成五因子加权等权后，2007年至今Top5行业组合年化收益达16.57%，多空超额高达8.45‰，且表现稳定，只有两年跑输基准。

- 2019年来行业轮动策略表现尤为优异，Top5组合年化绝对收益达到39%，2021年前10个月绝对收益超30%，底部5行业仅约4%。

• 分层效果显著，月度超额收益和胜率随因子分组呈单调递增趋势，显示因子信息含量丰富。

- 样本层面分析显示统计局工业企业数据覆盖数量远大于分析师一致预期公司，有助于降低因小样本波动带来的误判风险。[page::10,11,12,13,14]

2.3 持仓情况

• Top5行业覆盖广泛，共35个行业出现超配信号。

- 黑色金属矿采选业、黑色金属冶炼及压延加工业、化学纤维制造业和有色金属冶炼及压延加工业等行业出现频率最高。

• 配置胜率超过50%的行业有21个，表现尤为突出的是纺织服装、印刷行业、橡胶及塑料、有色金属矿采选等均达70%以上配置胜率。

- 2021年持仓显示黑色金属矿采选业贯穿全年，多次出现化学纤维制造业和有色金属冶炼等行业持仓。[page::15]

三、行业轮动在选股中的应用

3.1 指数增强组合构建

• 基于多因子alpha模型进行指数增强，结合七大类alpha因子计算股票z-score得分，并引入行业轮动策略调整行业暴露敞口。

- 调仓频率为月度，风险控制使用东方证券DFQ2020风险模型，结合二次规划实现权重优化。

• 行业轮动应用包括：

- 调整行业暴露敞口（超配行业允许正向暴露，低配行业允许负向暴露，其他行业保持中性）
- 调整个股z-score得分（超配行业股票得分提升0.5标准差，低配行业降低0.5标准差，保持行业中性时无影响）。

• 沪深300增强组合引入行业轮动后，年化收益提升约1%，信息比由2.6提升至2.74，且组合稳定性增强，过去12年8年跑赢行业中性策略。

- 中证500增强组合引入行业轮动与个股得分调整组合，年化收益提升0.5%，信息比基本持平，过去12年10年跑赢行业中性策略。

• 在沪深300增强组合中行业轮动叠加效果更佳，且显示出行业因子与个股alpha因子存在相关性，叠加提升有限而选基效应良好。[page::16,17]

四、行业轮动在选基中的应用

4.1 优选基金组合构建

• 优选基金策略基于基金夏普比率和行业超配比率，通过季末调仓滞后15个工作日获得重仓股数据。

- 投资基金范围为主动权益型基金，剔除规模小于5亿和大于100亿基金，确保规模适中。

• 选基策略包括：只用夏普比选择Top10%的基金；只用行业轮动超配行业占比筛选基金；两者结合后在Top10%高夏普比基金中筛选行业匹配基金。

- 近年基金规模分布显示，中小规模基金比例较大（5亿以下占比超40%），基金池中有效基金超过1000只。[page::18]

4.2 优选基金组合表现

• 仅用夏普比筛选的基金组合，2010年以来相比等权基金池实现5.54%的年化超额收益。

- 仅用行业轮动筛选的基金组合，实现1.74%年化超额收益。

• 两者结合的基金组合，2010年以来年化超额收益达8.69%，年度胜率约为83%，极大提升了基金池整体收益表现。

- 组合持有基金数量一般在20-40只，规模稳定在20-30亿元区间，基金经理表现稳定，重仓行业多集中于化学制品制造业及有色金属冶炼等高景气行业。[page::19,20]

五、总结

报告总结全文核心：

• 采用工业企业月度财务数据与分析师一致预期数据，结合利润增速、营收增速、净利率、资产负债率变化、预期盈利增长五个因子构建行业轮动模型，能够有效捕获A股工业行业间轮动带来的投资机会。

- 测试数据显示，构建的行业轮动策略自2007年起表现稳定，Top5行业组合年化收益超16%，底部行业组合收益为负，多空超额高达8.45‰。近几年收益表现更为突出。

• 行业轮动策略引入指数增强组合和优选基金组合均有效提升业绩表现和稳定性，沪深300组合引入行业暴露调整效果最佳，中证500组合则加入个股得分调整更优。

- 优选基金中结合行业轮动与夏普比筛选，实现超8%的年化超额收益。

• 报告提醒量化模型存在失效风险，极端市场环境可能导致业绩波动，建议动态跟踪与风险管理。

整体来看，行业基本面驱动的量化行业轮动模型具备较强的实用价值和应用前景。[page::21]

重要图表深度解读

图1：工业企业经济效益月度报告披露时间

该表清晰罗列2020和2021年工业企业月度经济效益报告披露的具体日期，反映数据披露具备稳定的时间节奏，基本每月月底固定时间发布，2月因春节浮动。保障了月度数据的及时性和连续性，是快速捕捉行业基本面动态变化的重要基础。[page::3]

图3：工业类上市公司数量和流通市值占比变化

图表用红色曲线代表工业类上市公司数量占比（近70%），灰色曲线代表工业类流通市值占比（达65%），时间横跨1999年至2021年。图显示，随着时间推移，工业企业在A股市场中的数量和市值比例整体增长，反映工业企业在市场中占据主导地位，行业轮动覆盖范围广、影响深远。[page::5]

图4：主要工业企业行业在沪深300和中证500指数中的权重占比

条形图呈现计算机通信电子、酒饮制造、化学制品、医药制造等行业在主流大盘指数中的权重分布情况，计算机通信电子行业权重最高，逾10%。这凸显行业对股指的影响程度差异，为行业轮动资金配置提供指引。

图6：统计局工业企业营收与利润同比与A股工业类上市公司营收与利润同比走势对比

两幅折线图分别展示自2000年至2021年间，统计局和A股上市公司工业企业的营收和利润同比增速。可以明显看出两者走势高度一致，具有良好的同步性和先行指标性质。
例如，2020年4月后，统计局数据反映工业企业盈利明显回升，领先A股上市公司业绩披露，验证了选择统计数据进行行业轮动的合理性。

图7-8：分析师一致预期覆盖度全市场及行业分布

图7为覆盖度时间趋势，显示市场整体一致预期覆盖度由70%提升至昨年后回落至约70%，表明近年来分析师关注集中，覆盖大盘龙头。图8横向展示不同行业一致预期覆盖均保持在70%以上，具体行业如非金属矿采选和开采专业及辅助性活动达到近100%，保证预期数据的较好代表性。

图9：38个工业行业2007-2021年度分年收益热力图

详细展示38个工业行业在各年度的收益率表现。行业间波动显著，不同期显现不同龙头，行业轮动明显。行业年涨幅最高与最低均超20%-30%，远大于基准指数波动，验证策略中行业轮动主题的现实基础。

图10：38个工业行业2021年月度收益热力图

展示当年不同月份行业收益排名，显示无行业持续强势或弱势，明显的结构化轮动格局。月度涨幅差达40%，加强了对行业轮动及时把握的必要性。

图11-13：单因子行业轮动策略绩效及分层效果

表格详列单因子指标多空组合收益、波动率、夏普率等，证明利润总额累计同比为最优指标，且分组绩效显示单调良好，分层清晰。净值曲线表现出持续的多头收益增长，底部组合表现疲软。

图15-18：合成因子策略表现

合成因子策略将5个指标等权合成，表现优于单因子。

• 多头组合净值远超基准，2007年至今多空头组合差距显著，风险调整后收益稳定提高。

- 多空组合净值比显示策略在市场各阶段均有效，尤其自2015年以来表现突出。

图19-20：top5行业组合历史配置胜率及2021年持仓情况

配置胜率分析显示多行业超50%胜率，印证策略选取的行业多表现稳定优异。2021年多次叠加持仓显示策略在行业配比保持动态优化。
表格清晰列出每期持仓权重，体现策略具体应用细节。

图21-22：沪深300及中证500全市场增强组合绩效

表格展示引入行业轮动策略及个股得分调整后的增强组合年化收益、信息比、对冲收益较行业中性组合明显提升。年度分布显示策略多年度跑赢基准，换手率适中。
表中年化收益提升约1%（沪深300）及0.5%（中证500），信息比稳健，风险控制有效。

图23-27：优选基金规模剔除及组合表现

图23基金规模剔除后，基金池数量稳定，保证样本量。
图24结合夏普比和行业轮动筛选的基金组合年化超额收益达8.69%。
基金列表集中重仓周期性较强的化工及有色金属行业，确保基金业绩稳定性。
优选基金净值曲线稳健增长，组合数量和规模均维持在合理区间，体现策略实际可操作性。

估值分析

报告未涉及个股或行业的传统估值模型（如DCF、P/E倍数等），核心为量化策略构建和回测分析。估值视角主要体现在因子选股、组合优化的收益风险平衡及权重分配实践。结构中采用了风险模型（DFQ2020）和二次规划优化，结合量化指标的有效性验证以保证投资组合的稳健性和收益水平。

风险因素评估

• 量化模型失效风险，因模型基于历史统计关系，市场结构变化可能导致效果下降。

- 极端市场环境冲击带来的剧烈波动风险，可能导致策略回撤和收益大幅波动。

• 分析师预期覆盖不足可能导致部分行业数据偏差。

- 数据披露延迟和节假日影响调仓时点，需控制信息滞后风险。
报告建议动态跟踪监控策略表现，适度调整风险敞口。[page::0,21]

批判性视角与细微差别

• 报告优势显著：利用较为及时且覆盖全面的国家统计局月度工业企业数据，弥补上市公司财报滞后性，保证行业基本面信息快速反映，是量化行业轮动策略实践的有力保障。

- 分析师一致预期作为补充因子，尽管覆盖存在不足但提供市场的预期视角，增添策略多维度信息。

• 行业分类匹配复杂（统计局分类与证监会分类不完全一致），手动匹配带来潜在误差，但报告对此予以充分说明并谨慎处理。

- 交易成本和流动性风险未在回测策略中完全考虑，真实投资操作中需进一步估计。

• 部分行业因上市公司数量少且缺乏分析师预期，数据敏感性高，可能影响轮动效果。

- 报告未详细讨论宏观经济周期对行业轮动的影响，后续结合宏观因子作深度挖掘空间大。

结论性综合

该报告系统构建基于工业企业月度财务数据和分析师预期的行业轮动模型，设计出一套包含利润增速、营收增速、销售净利率、资产负债率变化、分析师盈利预期五个指标的综合行业轮动因子。在对2007年至2021年多个周期的回测中，模型表现稳定，Top5行业组合累计年化收益达16.57%，远超行业中性及基础组合。多头组合与空头组合之间形成了显著超额收益差异，体现出策略对行业间资金流动和景气度变化的精准把握能力。

通过该行业轮动因子引入沪深300及中证500指数增强组合以及主动型基金优选组合，有效提升了组合收益与风险调整表现，特别在沪深300中，行业暴露调整带来约1%的年化收益提升及较高信息比。同时结合基金行业超配特征和夏普比率筛选，提升基金组合整体表现至8.69%的年化超额收益，胜率高达83%，凸显行业轮动策略在投资管理中的实际应用价值。

报告图表全面展现了指标构建、行业覆盖、历史绩效、组合构建及持仓策略的细节。数据使用包括国家统计局月度工业企业财务数据、Wind及朝阳永续分析师预期数据等，保证策略基础扎实。报告也明确界定风险因素，强调模型动态跟踪与风险控制的重要性。

总体而言，该行业轮动模型为投资者提供了基于基本面和预期数据的有效工具，能够助力捕捉结构化行情下的行业切换机会，实现超额收益。报告方法系统、数据详实、结论明确，对量化投资策略研究及实务均具较高参考价值。[page::0-21]

---

参考文献

- 东方证券研究所，朱剑涛、刘静涵：《基于工业企业财务数据和分析师预期的行业轮动模型》，2021年11月27日[page::全部]

报告