文章核心观点 - 传统量价因子（如低波、反转、市值、低流动性）在2026年以来集体失效，其背后逻辑偏反转，在指数快速上涨行情中产生反向作用 [1][5][6] - 行业轮动模型具有强动量特征，其稳健的超额收益特性恰好符合选股因子的需求，为解决量价因子失效问题提供了场景，可将其改造为选股因子加入多因子框架以对冲风险 [1][8][17] - 改造后的行业轮动因子表现优异，月度IC达5.3%，ICIR达4.0，具备强进攻性和动量属性，加入传统多因子框架能有效提升超额收益并增强稳定性 [1][26][33] - 行业轮动因子与指数增强框架中严格的行业偏离约束存在冲突，最佳使用方案是在保持个股偏离约束0.5%的同时，将行业偏离约束从2%适度放松至4%或5%，可在提升超额的同时控制回撤和跟踪误差 [2][3][50] 1. 量价因子失效与行业轮动模型的引入 - 2026年1月底，中证500指增产品全部跑输指数，平均跑输3.46%，主动量化产品平均跑输1.96% [5] - 失效因子主要为流动性、反转、低波、市值等量价因子，其共同逻辑是偏反转，在指数快速上涨、热门板块连续驱动的行情中发生反向 [6] - 行业轮动模型（如申万金工模型）大量基于动量因子，其多头组合相对于全行业平均收益具有稳健的超额，但这种稳健性因基准（全行业平均）缺乏关注而缺少使用场景 [8][13] - 行业轮动模型在行业内部具有稳定的排序能力，这种特性更符合选股因子的需求，为将其因子化并引入多因子选股框架提供了基础 [17] 2. 行业轮动模型的因子化与特性 - 将行业轮动模型改造为选股因子的方法是将每只股票与其所属行业的模型得分进行拼接 [19] - 原始行业轮动因子与成长因子的月度IC相关性达0.44，经正交化处理后，因子表现单调性良好 [21] - 正交后的行业轮动因子在2017年至2026年1月期间，月均IC为5.3%，强于其他传统因子（成长因子3.75%，长期动量因子4.98%），ICIR为0.40，表现优异 [26][27] - 该因子的累计IC和多空表现良好，尤其在尾端快速上行，体现出牛市的强进攻特征和动量属性，能与偏反转的量价因子形成互补 [1][23] 3. 行业轮动因子在多因子框架中的应用与优化 - 在由成长、动量、低波、股息率构成的四因子等权模型中，加入行业轮动因子构成五因子模型，能大幅提升超额收益，并止住2024年下半年以来超额收益下滑的势头 [28][30][33] - 在无约束条件下，五因子等权组合在各年份均取得正超额收益，平均超额达10.52%，表现优于四因子等权（5.55%）及ICIR加权方式 [35][36] - 当加入指增框架常用的行业偏离约束（2%）和个股偏离约束（0.5%）后，五因子模型的超额收益出现下滑，2025年超额收益转负，表明行业轮动因子与严格的行业中性约束存在冲突 [2][37][38] - 尝试用行业轮动模型的打分来控制行业偏离排序，或将其作为卫星组合与主策略“拼盘”，效果均不及直接将因子加入选股模型并优化约束的方案 [40][42][44][47][49] 4. 使用行业轮动因子的最佳方案 - 最佳方案是保持个股偏离约束0.5%不变，适度放松行业偏离约束 [3] - 将行业偏离约束从2%放松至4%或5%时，组合的平均超额收益从6.97%分别提升至7.54%和7.73%，且各年份超额收益均转正 [50] - 放松行业约束后，超额收益的最大回撤在某些关键年份（如2024年）反而下降，例如行业偏离2%时2024年最大回撤为-5.52%，放松至4%时降至-4.56% [50] - 放松行业偏离约束对跟踪误差影响很小，从2%约束下的5.01%仅微升至5%约束下的5.25%，表明该方案能较好地兼顾收益与风险控制 [50][52]