2025年多策略行业轮动体系构建：多维轮动，更上层楼

一、行业轮动体系构建

我们的行业轮动体系坚持在月频进行轮动，子模块主要涵盖宏观、财务、分析师预期、被动基金资金流， 主动基金资金流、事件动量维度。宏观维度主要刻画了行业的经济周期动量效应，财务维度则主要从三大报表 出发优选财务状况较好的行业，分析师预期展示分析师预期边际上调的行业动量效应，ETF 份额变动逻辑为超 卖行业 ETF 反转，公募基金/优选基金仓位动量刻画了公募基金/优选基金重仓行业的动量效应，事件动量效应 的逻辑则是事件发生时的市场惯性（非线性行业动量）。 本节分别介绍各个子模块并展示其业绩表现。每个模块均为月频调仓，其中涉及的样本外跟踪开始时间均 以报告外发时间计算，此前没有外发的子模块样本外开始时间则以模型开发完成时间计算。

1.1 宏观因子行业轮动

在 2024 年 5 月 7 日发布的《宏观因子行业轮动体系》中，我们介绍了使用宏观数据来解释行业截面收益差 异的若干途径，最终我们选择使用变量筛选+行业超额对宏观变量回归的方式作为我们宏观模块的策略并持续样 本外跟踪。我们使用的宏观变量范围如下表，这些变量均为数值型变量，为了方便建模，我们将数值型变量处 理为标记型变量，即仅保留宏观变量上行下行趋势（1，-1，0）而不再考虑其变化幅度， 因变量则为每月行业 相对行业等权的超额收益。

建模过程中最重要的一步是变量选择，为了能够选出尽可能贴合行业逻辑的宏观变量，我们选择使用朴素 的逐步回归进行变量筛选。具体流程为依次添加变量使得添加后的变量组合越来越显著（标准为模型拟合 P 值 至少要小于 0.1），同时限制添加的变量与已有的变量是完全不同的变量，不能让同一变量的不同领先滞后变量 入选（避免共线性），如果无法挑选出使得现有变量组合更显著的变量或者变量数达到预期设定上限（5）即停 止变量筛选。

经过研究，最终模型每个月变量会综合考量过去半年每月的变量选择结果，对变量出现的次数进行排序， 使用出现次数在前 5 名的变量并剔除仅入选 1 次的变量作为最终模型入选变量。模型拟合分为两步，首先使用 行业超额收益率为因变量，逐步回归筛选出的变量为自变量进行 OLS 拟合并计算拟合残差，接着使用残差为因 变量，月度示性变量为自变量进行第二步拟合。残差进行第二步拟合主要是为了刻画月度效应。 宏观模块在 20190131-20250131 期间，多头 5 行业组合年化超额 12.8%，超额胜率 62.5%，空头 5 行业组合 年化超额-8%，超额胜率 37.5%，分年来看，除了 2023 年模型录得负超额，其余每年均能有 10%+的超额表现， 20240331 样本外跟踪以来，多头累计超额 9.5%，宏观模块在 2024 年 9-10 月诸多模型回撤时仍保持了稳定正超 额表现。

1.2 财务因子

财务模块主要由若干财务因子组成，根据可得三大报表计算，具体细节可以参照《基于基本面及分析师预 期的复合行业轮动策略》。时间维度上的匹配规则为 4-7 月使用一季报数据计算，8-9 月使用中报计算，10 月次年 3 月使用三季报计算。考虑到财务指标对金融地产适用性较低，财务因子的计算针对银行、非银行金融、 房地产、综合金融行业进行剔除。经过批量测试，我们最终使用的复合因子为资产负债率、成本费用利润率、 净利润环比增长率、利润总额环比增长率、净资产收益率、归母净利润环比增长率六个因子的等权。

财务模块在 20070831-20250131 期间，多头 5 行业组合年化超额 4.9%，超额胜率 57.4%，空头 5 行业组合 年化超额-4.8%，超额胜率 41.6%，整体来看，财务因子由于其滞后性动量效应较弱，但是作为基本面的代表仍 然是体系中不可或缺的一个维度。财务模块 20220531 样本外以来，多头累计超额 0.2%，其中回撤主要发生在 2022 年下半年，之后因子超额反转，持续修复，2024 年超额行业等权 6.8%。

1.3 分析师预期因子

在 20220531 报告《基于基本面及分析师预期的复合行业轮动策略》中，我们批量测试行业预期 ROE 以及 ROE预期调整的行业选择能力，发现预期 ROE 数值不具备行业比较能力，ROE 预期的调整值具备一定行业比 较能力，ROE预期调整因子中的预期净资产和预期净利润数据通过行业历史数据分布规律将年度预期拆到季度。 对未来两个自然季度的 ROE，计算行业预期 ROE 调整因子：行业 ROE 预期变化值，当前时点对行业整体未来 2 个自然季度的 ROE 相比一个季度之前的变化值。 分析师预期模块在 20070831-20250131 期间，多头行业组合年化超额 4.2%，超额胜率 56%，空头行业组合 年化超额-2.3%，超额胜率 45.4%，整体来看，分析师预期因子有一定的行业选择能力，但是其仍属于基本面类 因子的代表，近些年出现较大回撤，与财务因子不同的是它还带有一些分析师预期数据中的信息，因此我们将 其作为一个单独的维度进行持续跟踪。分析师预期模块 20220531 样本外以来，多头累计超额-6%，其中回撤主 要发生在 2022 年下半年，之后因子超额反转，持续修复，近期由于 2024 年 9 月 10 月的政策式行情，因子仍在 回撤期。

1.4 被动基金资金流-ETF 份额变动

行业 ETF 的投资形态很大程度上反映了市场中散户的投资行为。使用 2024 年中报披露统计不同细分类型 股票 ETF 的投资者结构，并考虑联接基金的机构投资穿透。下图为不同 ETF 分类机构投资者持有占比的平均以 及中位数。其中，宽基类 ETF 机构持仓中位 42.6%，细分下 A50，沪深 300 和中证 800 等指数的机构持有率均 超过 70%，创业板宽基指数 ETF 的机构持有率最低，不足 40%；风格类 ETF 机构持有率 34.46%，其中地区发 展和国企类 ETF 机构持有率超 80%；而行业类 ETF 的机构持有率最低，整体仅 20%的机构持有率，细分行业 中，最高的公用事业及交运行业为代表的稳定类 ETF 机构持有率超 40%，其余行业 ETF 机构持有率均较低，医 药、新能源和金融行业 ETF 的机构持有率仅 10%至 20%。 本节我们主要讨论如何使用 ETF 的份额变动构造策略。我们首先用在某个中信一级行业有较高占比的 ETF 来代替该中信一级行业，具体来说，ETF 披露全持仓（新发 ETF 为所跟踪指数持仓）在某个中信一级行业的投 资占比超过某个阈值时，定义该 ETF 为某行业 ETF。 每月末计算各个 ETF 过去一段窗口期的份额变动比率，在每个行业内，将该行业对应的若干 ETF 的份额变 动比率使用规模加权求和，将每个行业的 ETF 份额变动比率从低到高进行排序分为若干等分。多头持有份额减 少较多的行业，空头持有份额增加较多的行业。

ETF 份额变动模块在 20150430-20250131 期间，多头行业组合年化超额 6%，超额胜率 64%，空头行业组合 年化超额-8%，超额胜率 40%，整体来看，ETF 份额变动模块有较强的行业选择能力，本质上拟合了份额变动 的反转能力，是我们行业轮动体系中非常独特的一个模块，是我们 2024 年的最新迭代研究成果。ETF 份额变动 模块 20241031 样本外跟踪三个月以来多头累计超额 4%。

1.5 主动基金资金流-跟踪全体基金

公募基金持仓预测的行业资金流变动估算模型基金池选择并入二级分类 18 个月以上的中高仓位基金。由于 中信一级行业分类共有 30 个，短期内会出现同涨同跌情况，使用回归时共线性问题会导致对行业仓位的估算出 现较大误差，所以我们将 30 个中信一级行业分类人为降维至 10 个板块进行分析。

跟踪全体公募基金仓位的行业轮动模型在 20101130-20250131 期间，多头行业组合年化超额 7.3%，超额胜 率 58%，空头行业组合年化超额-6.7%，超额胜率 38%，整体来看，全体公募基金仓位有较强的行业选择能力（尤 其是负向剔除能力）。本模块 20220228 样本外跟踪以来多头累计超额-4%，主因全体公募基金 2022 年开始的持 续回撤，并非因子的持续失效，从空头的持续向下也能侧面验证。

1.6 主动基金资金流-跟踪优选基金

本部分中，我们从主动权益基金中缩小范围，如果每一期我们只考察核心能力最优秀的基金仓位变动，并 且进行一定的复制跟随，能否获得超过使用全体主动权益基金的行业观点结果。 对于核心能力优秀的基金筛选条件，我们参考长期能力因子系列报告中对长期能力因子的构造以及细化， 使用基金的择时、行业-风格配置、行业-风格选股以及交易能力，将四个因子等权配置构成长期能力因子。

策略 2023 年以来完全样本外跟踪，2025 年以来收益 4.61%，相对主动权益基金超额收益 2.52%。全时段策 略年化收益 15.08%，相对基准超额收益 9.51%，信息比 1.23。

在从优选基金到行业轮动信号层面上，具体做法如下，在每个时点截面，选取可得信息中长期能力因子排 序前 20 的基金，这里的可得信息指长期能力因子的计算披露在每个月的 3 月和 9 月，在一年中的若干时点需要 考虑到这一点。 根据 20 只基金的行业仓位测算平均，按照仓位配比排序，取前 3 只和后 3 只（3 只即为前 10%）配置多头 和空头组合，月度调仓，由于长期能力因子从 2016 年开始，因此回测也从 2016 年开始计算，部分回看期较长 可能会从 2017 年开始回测。 由于长期能力因子组合每半年会变动，因此断层效应同样会出现，我们在此先忽视这一点，造成断层效应 也是基金观点的一部分体现，在之后的研究中会对该部分进行进一步优化。 我们测试长期能力因子基金仓位变动构造的行业轮动组合效果，分别按照回看和持有进行测试，优秀的基 金观点呈现很明显的“长期仓位变动有效，短期仓位变动效果减弱”的特点。另外，使用长期能力优秀的基金 构造仓位变动的行业轮动策略时，空头效应相比多头效应更加显著，即基金看好加仓的行业超额有限，但是基 金公认摒弃的行业多半会有较差的收益。 我们将多头部分表现较好的放大优选基金仓位配置和空头部分表现较好的优选基金仓位变动结合，构成我 们基于长期能力因子的行业轮动策略。在从样本期内到样本期外的测试中，样本期内参数组扩展到样本期外后 发生了最优参数发生改变，为了防止前文所述样本期内过度调参在样本期外失效的问题，和全样本基金计算类 似，在这里我们在每个月计算组合时，在过去时间段的多个参数组计算每组的收益波动比，将收益波动比最高 的一组参数组输入进次月使用参数，用于计算次月多空行业组合。 跟踪优选基金仓位的行业轮动模型在 20180630-20250131 期间，多头行业组合年化超额 11.19%，超额胜率 60%，空头行业组合年化超额-14%，超额胜率 37.5%，整体来看，优选基金仓位有较强的行业选择能力（尤其 是负向剔除能力）。本模块 20230630 样本外跟踪以来多头累计超额-6.5%，回撤原因与跟踪全体公募基金仓位 类似。

1.7 事件动量

我们本节构造事件脉冲型动量策略，与传统的固定窗口期动量相比，事件型动量策略具有不定时触发，计 算动量所用窗口期较短且不连续的特点。我们主要定义宏观数据披露，市场触底反弹，高位下跌，横盘突破四 种事件，使用事件发生时的动量作为因子值，原始因子值是日频，通过每月回看过去一个月的日频信号进行时 间衰减加权将频率降至月频以便与其他模块进行后续融合。

事件动量模块在 20130228-20250131 期间，多头 5 行业组合年化超额 12%，超额胜率 67%，空头 5 行业组 合年化超额-5%，超额胜率 40%，整体来看，事件动量表现较为优异，尤其近些年来相关性与其余模块相关性 较低，增量信息显著。事件动量模块 20231130 样本外跟踪以来，多头累计超额-1.2%，其中回撤主要发生在 2024 年上半年，主要原因可能是同一时期基本面类因子显著修复，市场短期动量效应较弱，与之对应的是，2024 年 9 月 10 月基本面类因子普遍失效时，事件动量因子超额显著修复。

二、行业轮动信号复合

我们此前构造行业轮动体系的方式为多维度综合打分，即每一个时点的决策都会综合运用各维度的信息， 但是这种综合打分式思路在实际跟踪过程中会发现同一时间总有若干维度起负面作用，因此我们此次迭代中较 为重要的一次更新就是将综合打分法更新为动态选取若干维度信号等权复合。本节主要介绍整个复合过程和对 应测试结果。 复合策略的上限本质上是由各个子策略之间的相关性来决定，我们取各个策略开始时间的交集，计算 20190131-20250131 期间各个策略月度超额收益率相关系数如下。从相关性可以看出，相关性最低的四个信号为 宏观、事件动量、跟踪优选基金仓位、ETF 份额变动，这四个信号有较为独特的信息，另外财务因子、分析师 预期、跟踪全体公募基金仓位三者相关性较高，主要原因还是因为三者本质上都是基本面驱动，容易同涨同跌， 但是三者在不同时间的超额表现又有一定差异，因此我们还是将其作为单一维度与其他维度一起复合。

我们复合策略构造参考了因子动量的思想，每月底选择近期超额表现较为优秀的一半维度作为下月决策的 依据，为了保证不同维度间的可比性，我们选择使用过去 n 个月的超额胜率作为比较对象，同时对于超额胜率 低于 50%的维度进行负向剔除。 策略（以 n=6 为例）20111231-20250131 期间多头年化超额 15.53%，月度胜率 69%，空头年化超额-7.47%， 月度胜率 40.76%，多头最大超额回撤 13%，发生在 2015 年 5 月，分年来看，多头每年都可以获得正超额，并 且每一年基本都优于绝大多数的单一维度。我们为了拉长回测时间，每一期都使用数据可得的维度参与因子动 量，而 2011-2018 年由于各维度数据可得性原因，参与因子动量的子维度并不完整，数据完整可得期间 （20181231-20250131）策略年化超额行业等权 23.6%，月度超额胜率 76.7%，空头超额年化-10.5%，月度胜率34%，均显著好于早期各维度不完整时的业绩，月度平均换手率为 63%，年化换手 7.6 倍。从各维度权重时间序 列上可以看出，2019 年以后子维度轮动速度显著加快，进一步说明了复合方式从多维打分切换至因子动量的必 要性。

最后我们将新迭代的复合策略与旧版打分式策略进行对比。从超额收益相对走势可以看出，2018 年以来新 策略显著跑赢旧策略，而 2018 年以前则不如旧策略，这主要是因为 2018 年以前市场定价因素轮动速度较慢， 等权打分方式要优于轮动方式，而 2018 年之后因子动量复合方式更能适应多变的市场，具有更好的胜率与赔率。

三、行业轮动 FOF 组合及 ETF 组合

在行业轮动组合的基础上，我们构建了 5层递补可交易指数轮动策略，标的池选择成立超过 24个月的 ETF， 策略组合同样月频调仓。 具体来说：我们的目标保持不变：尽量使用披露持仓进行规划求解，但在具体的实施过程中，考虑到某些 行业可能交易量较小，或跟踪该行业的指数较少，从而无法完成求解，所以设计了五层递补的求解方案： 第一层：原始规划求解方法，给定 5 行业不变，备选池为全体指数。 第二层：根据指数持仓，将全市场成交规模较高行业和预期收益较高行业交叉保留强势行业。 第三层：根据指数持仓，在给定 5 行业中剔除全体指数共同持仓较少行业。 第四层：估算仓位法规划求解。 第五层：持仓对比法求解。 经过测试，五层递补法对行业轮动指数组合进行增强后，可以获得年化超过 12%的收益提升，同时在每期 组合的规划求解上也能更好的贴近期望效果。 2025 年 2 月（0131-0228）行业轮动主动权益基金组合收益 3.97%，超额收益 0.73%，全时段策略年化收益 19.43%，相对基准超额收益 13.56%，信息比 1.11。

2025 年 2 月（0131-0228）行业轮动 ETF 组合收益 3.26%，超额收益-1.42%。全时段策略年化收益 19.22%， 相对基准超额收益 16.63%，信息比 1.58。

编辑：火腿肠