报告的核心观点 - 相似预期差因子和动态分析师预期因子具有较强的行业筛选能力,可以构建出超越市场的行业轮动策略 [10][11][20][21] - 相似预期差行业轮动策略在样本期内表现优于市场,年化收益率为9.37%,超额收益率为1.24% [13][14] - 动态分析师预期行业轮动策略在样本期内也表现优于市场,年化收益率为7.75%,超额收益率为0.72% [25][26] - 根据两个模型的最新配置观点,推荐的行业包括银行、有色金属、食品饮料、汽车、家电等 [32] 相似预期差因子模型 - 相似预期差因子的核心逻辑是寻找相似股票表现优异但其本身尚未大涨的个股 [7][8] - 在行业维度构建相似预期差因子,具有较强的行业筛选能力,IC均值为0.12,IC胜率为64.13% [10][11] - 根据相似预期差因子构建的行业轮动策略在样本期内表现优于市场,年化收益率为9.37%,超额收益率为1.24% [13][14] - 相似预期差行业轮动策略的最新配置观点包括银行、有色金属、非银行金融、石油石化、家电、食品饮料等 [19] 分析师预期边际变化模型 - 选用近一月和近三月的一致预测每股收益变化率构建动态分析师预期因子 [22] - 动态分析师预期因子具有显著的行业筛选能力,IC均值为0.07,IC胜率为60.87% [20][21] - 根据动态分析师预期因子构建的行业轮动策略在样本期内表现优于市场,年化收益率为7.75%,超额收益率为0.72% [25][26] - 动态分析师预期行业轮动策略的最新配置观点包括汽车、有色金属、农林牧渔、电力及公用事业、家电、建筑等 [32] ETF组合构建 - 根据行业轮动模型的配置观点,构建了包括银行、有色金属、食品饮料、汽车、家电等行业ETF的组合 [34] - 该ETF组合旨在跟踪行业轮动策略的收益表现 [34]