2025年行业轮动系列报告：行业景气投资的“守正出奇”

一、前言

在行业轮动策略之中，行业景气度是重要的刻画跟踪指标。从本质上来说，行 业景气程度是行业轮动现象形成的根本因素，大多数行业或板块的投资机会都 是由景气驱动而形成的。只不过景气的表现形式可能存在差异，或是库存周期 下的产业需求景气，或是实际产业数据超出普遍市场预期，亦或是预计赛道在 远期形成市场规模增长。传统的景气度刻画方法是借助财务数据、产业数据等 客观真实的数据进行描述和计算的，这样的客观景气度指标虽然确定性较高， 但其弊端也十分显著： 一是其获取数据通常较为滞后，相应的景气投资机会有可能已被二级市场所充 分吸收。以半导体板块和光伏板块在近年来的几次产业投资机会为例，半导体 行业指数相对万得全 A 在 2020 年 3 月和 2021 年 7 月左右分别到达价格高点， 而半导体月销售额在 2020 年 10 月和 2022 年 1 月才分别达到两个阶段性峰值。 可见，半导体上市公司的股价变化往往是领先于实际产业的销售增长的。此外， 可以看到半导体价格指数在 2021 年中达到相对高位后，开启了一年左右的持续 下跌，直到 2022 年中才放缓跌幅。但在产业数据中，这一期间的半导体销售数 据一直处在较高水平。因此 2021 年下半年至 2022 年上半年出现了半导体销售 数据活跃，但相应上市公司股价却持续下滑的现象，而后 2022 年下半年的销售 额快速下滑也验证了股价具有相对业绩的领先性。不难看出，资本市场上的权 益投资确实具有一定的产业前瞻性。

我们在光伏板块也能够得到类似的结论，同样能看到光伏指数的相对高位领先 于新增光伏装机增速的高点，并且在 2023 年新增光伏设备仍保持较高增速时， 光伏行业指数就已经进入了下行周期。同时，考虑到相应的产业数据或财报数 据的获取时间仍要落后于统计节点时间，因此客观数据形成的景气度指标存在 的时滞性在部分行情阶段不容小觑。

二是客观景气度只能抓住能够反映到产业数据口径上的景气投资机会。近年来， 以 AI为代表的 TMT板块就是典型的无法迅速引起产业数据变化，但又形成了对 产业未来发展有广泛景气预期的投资机会。2022 年以前，计 算机行业指数的相对收益表现与计算机、通信和电子设备的工业增加值同比增 速有一定的相关性。但自从 ChatGPT 发布以来，计算机行业指数的几次主题投 资机会均由若干次大模型发布的事件所驱动形成。因此现如今，其工业增加值 指标已经失去相应的参考意义。

综上所述，仅依靠真实数据的客观景气度势必会让我们在某些阶段错失难得的 投资机会，我们需要寻找一些更加快速、更加灵活的景气度指标来弥补客观景 气度的缺陷。既然基于客观数据的景气度常有时间滞后性，而市场投资又往往 具有前瞻性，那么我们可以转而借助市场的投资轮转现象来帮助寻找具有超额 收益的行业。行业一旦在一个阶段成为市场上的投资核心要点，必然是由于其 存在一些值得关注的景气逻辑，但若想找到真正具有可延续性的景气行业则是 需要做进一步研究和探讨的。因此接下来，我们将尝试在本篇报告中运用“守 正出奇”的构建思路刻画投资景气度指标来进行行业轮动。 一方面，我们在数据上分别将运用最易得的市场数据和蕴含增量信息的另类数 据，以使得指标能覆盖各维度信息，便于后续形成指标的有机融合。 另一方面，我们既构建了描述投资景气的正向因子，也刻画了交易过热可能带 来负面影响的反向指标。

二、明细因子构建

在提到投资上的景气热点时，我们很自然地可以想到借助市场动量指标帮助我 们去寻找当下的投资热点。因此我们就以过去一个月的动量作为参考指标进行 一个简单测试。在本篇报告的回溯测试中，我们默认的测试区间为 2016/01- 2025/03/31，并按照月度频率进行调仓，即每个月末的最后一个交易日触发交 易。交易的标的为剔除综合金融后的 29 个中信一级行业。测试分组中，以指标 值最高的前六个行业作为多头组合，以指标值最低的后六个行业作为空头组合。 组合内按照等权权重进行加权，并以所有行业的等权组合作为比较基准。

2.1 贝塔系数

除了自身形成突出的收益表现外，我们认为行业如果具有普遍认可的投资景气， 那么行业通常将成为市场中的核心焦点。相信投资者能够感受到，在一段时间 的市场演绎中，总有若干个行业或板块扮演着“市场发动机”的角色。通常这 些行业可能会成为市场的旗帜，当其充斥着活跃资金时，市场往往相对活跃， 并且该行业常有领涨并扩散带动市场普遍上涨。那么，如何从量化的角度去寻 找这样的行业呢，我们认为可以借助行业与整体市场之间的贝塔系数进行刻画。

前文我们提到，在该指标中希望可以定位寻找到能够扮演“市场发动机”角色 的行业。事实上，当行业成为投资核心焦点时，其在市场上涨和下降时可能会 起到不一样的作用。因此进一步的，我们以过去一个月中证全指收益为正的日 期的收益率序列重新计算行业贝塔系数，得到上行贝塔系数，同样对其做相对 上月的差分，可得到边际上行贝塔因子。以此类推，将收益率为负的收益率序 列进行相同计算即可得到边际下行贝塔因子。接下来，我们对拆分的边际贝塔 系数因子做有效性分析。

2.2 超预期报告因子

在第一节的部分，我们运用了最易获得和计算的收益率数据构建了边际上行贝 塔系数。接下来，我们希望在这样“守正”的构建指标上，尝试添加一部分 “出奇”的另类投资景气因子。 当下，简单一维的业绩增速已不是权益投研的要点，而只有形成预期差才能引 起相应资产的价格变化。而分析师能够灵活地追踪行业的景气程度，并快速形 成一定的观点产出。因此，我们可以借助分析师在发布报告时的标题文本，对 行业内出现超预期的现象进行梳理，形成超预期报告指标。 分析师在时刻关注产业变化情况的基础上，会根据相应个股的市场普遍预期情 况发布相应的报告。为了鲜明地传播相应的观点，分析师通常会在标题中将核 心观点进行总结，因此我们可以借助标题信息剖析得到相应的因子。 具体来说，我们在月底将过去一个月内发布的所有分析师报告作为考察对象。 将报告标题中具有积极超预期评价字眼的报告作为超预期报告，以行业内超预 期报告的数量作为分子，以行业内报告总数量作为分母，则可以得到行业超预 期报告数量占比作为超预期报告因子。其中，我们用满足以下任意一个正则表 达式来对超预期评价进行筛选。

"超.{0,4}?预期"

"(高于预期|优于预期|好于预期)"

"(盈利|营收|业绩|收入).*(亮眼|惊喜)"

其中，第一个正则表达式代表着标题中带有“超”和“预期”两个词，但两个 词之中的字符不超过 4 个，以保证类似“超出市场预期”、“超出市场普遍预期” 等字眼都能被有效捕捉。第二个正则表达式代表着标题中在盈利、营收、业绩 和收入等词后带有亮眼或惊喜的形容。第三个正则表达式代表着标题中带有如 高于预期、优于预期等词眼。

2.3 成交热度因子

我们延伸前两个因子的构建逻辑，首先从最易获得的市场数据出发，利用相应 行业的个股成交量变化情况进行过热指标的构建。具体来说，我们的计算步骤 可以分为两个步骤： （1） 计算个股近 20 日成交额均值相对过去 120 日成交额均值的比值，得到 个股成交额变化值。 （2） 以个股成交额的行业占比作为权重，将个股成交额变化值加权计算得到 行业成交额变化值，并取负值即可得到成交额热度因子。 当行业成交额变化值出现显著增长时，行业可能出现了交易过热的现象，因此 我们可以将其作为一个典型的负向剔除指标。从 IC 结果来看，成交额热度的 IC 均值为 7.75%，ICIR 为 0.98，能够在一定程度上帮助我们对过热行业进行筛选。

接下来，我们对成交额热度指标构建分组测试。成交热度因子 的多头组合年化超额为 5.32%，信息比率为 0.68。成交额热度因子多空组合的 年化收益为 12.45%，夏普比率为 0.92。可以看到，该因子的空头负超额达到-7%，呈现出显著的行业负向剔除效应。

2.4 关注热度因子

在构建了基于易获得的成交量数据的成交热度指标之后，我们同样希望再寻找 一个能够相对“出奇”的另类热度指标，以使得我们的热度剔除指标能够更加 完善。 在投资者实际交易过程中，必然需要借助行情软件来了解个股各类信息情况。 因此除了根据实际交易数据判断投资热度以外，我们还可以借助一些行情软件 的三方数据来判断当下哪些板块最受到关注。考虑到我们在这里需要观察的是 一个过热的负向剔除指标，我们需要寻求一个用户相对广泛，普及程度比较高 的行情软件数据。在这里，我们引入了同花顺 ifind 平台的人气系列数据中的当 日总热度数据。其总热度数据的含义为当日个股 K 线图点击量+个股分时图点击 量+个股搜索点击量。基于这个总热度数据，我们按照如下方法构建了关注热度 因子： （1） 考虑到热度数据存在大量的极端值，我们在每日取行业内个股总热度的 中位数作为该行业的热度参考值。 （2） 计算行业热度参考值过去 20 日均值相对过去 60 日均值的比重结果，并 取负数即得到关注热度因子。 受限于数据的历史可回溯范围，我们对该指标的测试区间为 2018 年开始至今。关注热度因子的 IC 均值为 7.03%，ICIR 为 0.82。

同样的，我们对关注热度指标进行分组测试。成交额热度因子 多头组合年化超额为 3.20%，信息比例为 0.42。多空组合年化收益为 11.25%， 夏普比例为 0.83。该指标的空头年化超额低于-8%，显示出了较为显著的负向 剔除效应。

三、复合因子的详细测试

在复合因子之前，我们首先做一个相关系数统计。可以 看到除描述投资热度的成交热度和关注热度相关性相对较高，相关系数为 0.6039，其他指标之间相关性并不高，这也是得益于各指标的数据来源和构建 维度有所差异。进一步的，我们将具有正向筛选能力的边际上行贝塔因子和超 预期报告因子做等权复合得到守正投资景气因子，将具有负向筛选能力的成交 热度和关注热度2做等权复合得到出奇投资景气因子，并将正向和负向的投资景 气因子做复合即得到投资景气因子。

3.1 投资景气因子测试

首先，我们对前述复合因子做 IC 测试，守正因子的 IC 均值达到 9.08%，ICIR 为 1.37。出奇因子的 IC 表现略微逊色于守正因子，IC 均值为 8.04%，ICIR 为 1.02。可以看到，将二者结合之后，复合投资景气度因 子表现更为稳健，IC 均值可以达到 11.83，ICIR 为 1.77。

进一步的，我们对复合投资景气度因子进行分组测试。复合 投资景气度指标整体稳健性较好。2016 年以来，多头组合年化超额 11.70%， 信息比率 1.60；多空组合年化收益率为 22.95%，夏普比率 1.87。 可以看到， 由于各指标在数据维度上有显著差异，因此复合指标的有效性提升十分显著。

3.2 “预期共振”行业轮动框架

进一步的，我们基于本次构建的投资景气度，结合我们之前在《基于分析师预 期明细数据的行业预期共振》中提出的分析师预期指标，以及在《基于量价指 标的行业轮动及自适应模型》中提出的量价指标，三因子等权复合形成了我们 最新的“预期共振”行业轮动策略。

【投资景气度】通过借助市场投资的轮转现象，寻找市场中投资景气延续 性较好的行业。在构建上，我们采用了“守住出奇”的构建思路，运用市场数 据和另类数据相结合的方式，构建了一对正向筛选因子和一对负向剔除因子。 其中包括刻画“市场发动机”的边际上行贝塔因子；描述超预期事件的超预期 报告因子；防止交易过热的交易热度因子；基于点击量数据的关注热度因子。 【量价指标】从更灵活、更高效的量价视角，构建了一套更为稳健的技术 指标。其中，包括结合行业拥挤度（基于 Fama-French 和 GARCH 模型得到预 期特质波动率）和中长期动量构建得到的修正动量，以及隔夜收益率、边际平 均动量、累积势能、成交波动和价格的成交弹性指标。 【分析师预期】首先，沿用了之前在预期共振因子中的降噪打分法，基于 分析师盈利预测变化率得到净利润预期变化因子；其次，通过引入分析师市场 影响力算法，构建得到行业预期调整得分因子；再次，设计了统一评级分类方 法，并通过精选券商的方法，构建得到积极评级数量因子。

3.3 最新行业推荐顺序

最后，我们基于截止 4 月底的数据计算了“预期共振”模型的最新结果。我们在 5 月推荐的行业包括电力设备及新能源、汽车、传媒、钢铁、 机械和家电。

四、结语

随着二级市场权益研究的不断深入发展，依靠产业数据驱动的传统量化景气度 指标开始存在时滞性和错配问题。因此我们希望借助市场投资的前瞻性，构建 出一个相对有效的投资景气度指标，以帮助我们抓住那些具有景气延续性的行 业机会。 一方面，我们从最易获得的价格数据出发，从刻画 “市场发动机”行业的视角， 构建了边际上行贝塔指标。此外，我们从相对另类的研报标题数据，构建了超 预期报告指标对正向景气度指标进行了补充。 另一方面，我们遵循了相似的构建思路，基于易获得的成交量数据，刻画了描 述交易过热现象的成交热度指标。并且，基于同花顺的人气热度这样的另类数 据，构建了关注热度指标。 在将边际上行贝塔指标与超预期报告指标做结合后，我们得到了正向的投资景 气因子；在将成交热度指标和关注热度指标结合之后，我们得到了用作剔除的 负向投资景气因子。将正向和负向因子进行复合，我们得到了一个相对稳健的 投资景气度因子，该因子在行业轮动上能形成稳健的行业筛选作用。并且能与 我们之前构建的分析师预期指标和量价指标形成良好的融合，借此，我们提出 了“预期共振”3.0 版本的行业轮动策略。后续我们将持续进行行业轮动方面的 研究，感兴趣的投资者可以持续关注我们！

编辑：火腿肠