报告核心观点 - 报告提出了两种行业轮动模型：基于相似预期差因子的行业轮动模型和基于分析师预期边际变化的行业轮动模型。这两种模型分别用于筛选和配置行业，以期获得超额收益。[1][3][7] - 报告还构建了ETF组合策略，推荐了具体的行业和ETF基金标的。[1][14] 基于相似预期差因子的行业轮动模型 模型介绍 - 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。通过股票距离来刻画股票间的相似性，筛选出相似股票，并计算相似预期差因子值。[27] - 行业视角下构造相似预期差因子的方法有所不同，根据每只股票历史收益率的大小，筛选出所有过去一个月收益跑赢万得全A指数的个股，计算每只股票的相似预期差因子值，相似预期差因子值的算数平均即为该行业的相似预期差因子值。[28] 历史回测 - 在样本期（2016/12-2024/11）内，行业维度下相似预期差因子具备较强的行业筛选能力。相似股预期差因子的IC均值为0.11，IC与均值同向的比例为63.16%，ICIR为0.38。[31][32] 策略跟踪 - 样本期内，根据相似预期差因子构建的多头Top 6组合表现全面优于万得全A指数与行业等权指数，策略年化收益率为12.56%，年化波动率为0.18，累计净值为2.26，收益波动比0.70，最大回撤率19%。[34][35] 基于分析师预期边际变化的行业轮动模型 模型介绍 - 选用近一月一致预测每股收益变化率、近三月一致预测三月每股收益变化率，近一月一致预测每股收益（未来十二个月）变化率、近三月一致预测每股收益（未来十二个月）变化率通过行业内市值加权构建动态分析师预期因子。[44] - 采用打分法进行因子复合，根据一致预期边际变化的正负进行打分，一致预期上调记1，下调记-1；一致预期边际变化大于1%记1，小于-1%记-1；一致预期边际变化大于2%记1，小于-2%记-1；一致预期边际变化大于3%记1，小于-3%记-1；加总以上得分，在中信一级行业内采用市值加权计算平均分，就可以得到因子值。[44] 历史回测 - 在样本期（2016/12-2024/11）内，动态分析师预期因子具备显著的行业筛选能力。因子的IC均值为0.06，IC与均值同向的比例为58.95%，ICIR为0.23。[45][46] 策略跟踪 - 样本期内，相较于万得全A指数与行业等权指数，根据动态分析师预期因子构建的多头Top 6组合可以获得显著的超额收益，策略年化收益率为9.39%，年化波动率为0.20，累计净值为1.76，收益波动比0.48，最大回撤率32%。[51][52] 模型汇总 观点汇总 - 相似预期差行业轮动模型推荐的行业配置观点为：银行、医药、石油石化、交通运输、基础化工、计算机。[59] - 分析师预期边际变化的行业轮动模型推荐的行业配置观点为：非银行金融、银行、汽车、有色金属、农林牧渔、通信。[59] 情景分析 - 报告对不同市场情景下的策略表现进行了分析，包括快速下跌、强劲反弹、震荡下行、快速上涨、震荡上行等情景。[60] ETF组合构建 - 报告推荐了具体的ETF基金标的，包括银行、非银行金融、计算机、汽车、有色金属等行业。[65]