文章核心观点 - 在市场进入整体上涨环境后，传统的反转类因子效果下降，需要引入动量风格的因子进行互补，行业轮动模型因其动量逻辑成为重要解决方案 [2] - 将行业轮动模型直接因子化，特别是提取其技术面中的行业动量部分，是将其融入传统指数增强框架的较优方式，能提供增量信息并提升组合表现 [6][53] - 行业动量因子与现有选股因子（如低波、反转、动量、低流动性、成长）的横截面相关性低，能提供额外的超额收益来源，并在上行行情中与传统因子形成互补 [6][18][53] - 在行业动量分域视角下（高动量组与中低动量组），传统选股因子的表现差异明显（如动量、反转因子在高动量组持续有效），这为行业动量因子化提供了基础，使其在综合打分时能与有效因子形成“共振” [6][24][40][53] - 实证表明，将行业动量直接作为因子加入选股模型，其表现优于仅用行业轮动模型控制行业偏离的传统方法，这在中证500指数增强模拟组合中得到了验证 [6][42][46][50][53] 拆解行业轮动模型在选股上的增量信息 - 行业轮动模型框架包含基本面、资金面和技术面三大类因子，其中基本面（财报）和资金面（资金流）信息与个股选股因子高度重合 [5] - 技术面因子，特别是基于行业动量和拥挤度的处理，是行业轮动模型能够提供的主要增量信息，因其动量色彩与个股量价因子的短期反转特征不同 [5] - 申万金工行业轮动模型在技术面上的特别处理是关键：在行业动量分域下，对高动量行业反向使用拥挤度指标（追逐高拥挤度行业），这提升了模型稳健性并符合与反转因子互补的需求 [5] 行业动量因子的表现 - 单独对行业动量部分进行因子化后，因子表现相比整体模型有所下降，月度IC均值为3.03%，ICIR为0.22，但保持了不错的单调性和收益进攻特征 [9][16][17] - 行业动量因子与主要选股因子的横截面平均相关性很低：与个股动量因子为0.058，与低波因子为0.004，与低流动性因子为-0.033，与反转因子为-0.006，与成长因子为0.028 [18][19] - 行业动量因子月度IC与其他因子的相关性分析显示，其与成长因子（0.46）和市值因子（0.40）相关性较高，与低波（0.17）、低流动性（0.09）、反转（0.05）等量价因子相关性不高，这有助于在上行行情中形成互补 [20][21] 行业动量分域视角下的因子表现 - 将股票按行业动量得分分为高动量组（前30%）和中低动量组（后70%）后，考察传统因子在不同组别的表现差异 [24][25] - 低波因子：在高动量组和中低动量组均保持较好单调性，但近年来高动量组的低波因子表现更好，不过这种特征并不稳定；中低动量组的低波因子近年来几乎不贡献收益 [25][28][40] - 反转因子：表现差异明显，高动量组内的反转因子持续表现更优，单调性好；而中低动量组内的反转因子长期不贡献收益，单调性差 [28][30][40] - 动量因子：表现差异明显，高动量组内的动量因子持续表现更优，单调性稳定；中低动量组内的动量因子长期不贡献收益，单调性差，近年甚至出现持续回撤 [31][32][33][36][40] - 低流动性因子：在行业动量分域下的表现没有明显分化，其表现与分组关系不大，且在各组单调性均不佳 [37][38][39][40] 行业动量因子的组合内表现 - 在中证500指数增强模拟组合中对比两种使用方式：1) 将行业动量作为第五个因子加入（五因子组合）；2) 仅用四个量价因子选股，并用行业动量控制行业偏离（行业控制组合） [43] - 在严格的行业中性（最大偏离2%）和个股偏离约束（最大偏离0.5%）下，直接因子化的五因子组合表现始终优于行业控制组合 [43][46] - 即使引入成长因子构成六因子模型，或调整行业偏离约束条件（如允许低动量组负向偏离2%），直接因子化的表现依然优于仅控制行业偏离的做法 [46][49][50] - 因子化优势的原因在于：行业动量因子参与选股时，易与在特定分域下有效的因子（如高动量组下的动量、反转因子）形成“共振”，从而选出有效因子暴露更高的股票组合 [51]