量化模型与构建方式 1. 模型名称：一致预期离散度策略[2][15] 模型构建思路：基于“预期分歧越大，实际业绩超预期概率越大”的逻辑，在财报季（尤其是4月）构建行业轮动策略，买入分析师预期分歧大的行业，卖出预期分歧小的行业，以捕捉预期由分歧转向一致时的超额收益[2][11][15]。 模型具体构建过程： 1. 因子计算：首先构建“行业一致预期离散度”因子（详见下文因子部分）[12]。 2. 组合构建：在每月末（报告重点在4月末），根据计算出的各行业一致预期离散度指标进行排序。将指标值最大的3个行业等权构建为多头组合，将指标值最小的3个行业等权构建为空头组合[2][15]。 3. 基准选择：以全行业等权组合作为比较基准[2][15]。 模型评价：该策略在4月财报季表现尤为突出，抓住了市场对基本面定价权重提升的窗口期，逻辑清晰，历史回测效果显著[15]。 量化因子与构建方式 1. 因子名称：行业一致预期离散度[2][12] 因子构建思路：通过衡量分析师对行业内个股未来一年（FY1）净利润预测的差异程度，来刻画市场对该行业业绩预期的分歧度。分歧度越大，指标值越高[2][11][12]。 因子具体构建过程： 1. 个股离散度计算：对于每只个股，计算其FY1净利润预测的离散度。公式为： $个股离散度 = \frac{净利润预测最大值 - 净利润预测最小值}{|净利润预测中位数|}$[12] 该比值越大，表明分析师对该股票的净利润预测分歧越大[12]。 2. 行业汇总：将属于同一行业的所有个股的离散度指标，先进行缩尾处理以规避极端值影响，然后按照个股权重（报告中未明确具体权重，通常为市值或等权）加权，得到行业的原始一致预期离散度指标[12]。 3. 横截面标准化：由于不同行业的利润波动性存在固有差异（例如计算机行业的离散度长期系统性高于银行[14][16]），为使不同行业间的指标具有可比性，进一步计算每个行业原始指标在过去滚动2年窗口内的历史分位数[14]。最终使用的“行业一致预期离散度”指标即为该分位数。 模型的回测效果 1. 一致预期离散度策略，在2018年至2025年期间，4月份多头组合相对全行业等权基准的超额收益中位数为2%[2][15]。 2. 一致预期离散度策略，在2018年至2025年期间，4月份多头组合的超额胜率为88%（仅2018年4月超额收益为负）[2][15]。 3. 一致预期离散度策略，长期回测显示，一致预期离散度较高的行业组合整体跑赢基准，而离散度较低的行业组合整体跑输基准[15][17]。 因子的回测效果 （报告中未单独提供因子IC、IR等传统因子测试结果，而是直接展示了基于该因子构建的策略表现。因此，本部分根据报告内容，展示因子最新截面数据。） 1. 行业一致预期离散度因子，截至2026年2月，因子值最高的三个行业为：商贸零售、通信、食品饮料[3][18][21]。 2. 行业一致预期离散度因子，截至2026年2月，因子值最低的三个行业为：基础化工、有色金属、建筑材料[3][18][21]。