报告核心观点 报告提出了一种全新的行业景气比较二维框架，旨在超越传统仅依赖盈利增速排序的一维方法[1][2] 该框架通过构建“扩散度”与“离散度”两个指标，分别从景气改善的“面宽”和“结构强度”两个维度刻画市场[2][42] 核心结论认为，扩散度决定了市场的整体仓位（Beta价值），而离散度决定了行业配置的偏斜（Alpha价值）[2][65] 在2026年PPI向0值修复的宏观假设下，报告预计整体扩散度和离散度将保持方向性上行，市场仍处于结构牛阶段，并建议关注科技、中游先进制造及周期资源等方向[2] 传统的一维景气比较 - **整体景气衡量**：报告采用全A非金融盈利的TTM数据，并经过HP滤波和标准化处理，构建了以50为历史均值水平的景气指数，以更稳定地反映盈利趋势[8][9] - **单季同比数据更优**：在比较单季盈利同比与累计盈利同比数据时，基于单季同比数据分组的投资复利效果在各个景气分组中都略好于累计同比数据[2][12] - **绝对高景气的重要性**：从长期投资效果看，持续买入绝对高景气行业的累计净值显著高于追逐边际高景气的策略，这反映了长期视角下EPS端持续高回报的重要性[2][16] - **景气投资有效性指数**：鉴于单季同比数据效果最佳，报告采用该数据构建景气投资有效性指数，以反映行业间盈利增速的相对差异及市场的定价意愿[2][23] - **行业层面有效性高于个股**：截至2025年第三季度，一级行业景气有效性指数处于高位，而个股有效性指数在相对低位，两者差值达到历史新高[27][30] 这反映了行业层定价越来越有效，而个股层面定价较为混乱，与近年来行业/赛道投资受青睐、以及ETF和量化策略偏好按行业配置资金有关[2][28] - **景气投资的有效性周期**：景气投资并非始终有效，其有效性存在周期性波动，主要受经济周期轮动、拥挤交易与均值回归风险、景气信号的信噪比、产业趋势形成期对盈利的关注度提升，以及不同主导资金类型（如公募基金）对业绩敏感度的影响[2][35][36][37] - **一维比较的局限性**：传统一维方法无法观测行业间结构性差异、缺乏对景气“面宽”的刻画、对极端值（如周期行业基数效应）敏感，且只能反映单个行业速度，无法描述整个行业体系的分布形态[40][41] 二维的景气衡量方法 - **扩散度衡量景气“面宽”**：扩散度指标统计26个中信一级行业中TTM盈利单季同比（Q-YOY）大于0%的行业数量占比，分为等权和加权两种计算方式，用以衡量有多少行业的景气在改善[2][42][43] 扩散度高意味着基本面改善具有普遍性，市场更可能走指数行情（Beta价值高）[44] - **扩散度的其他观察口径**：报告还通过行业盈利环比（QoQ）改善的比重构建了类似PMI的扩散指标，其荣枯线为50[47][49] 此外，PPI环比上涨的分项行业占比也被用作刻画价格上涨广度的扩散度指标[50] - **离散度衡量景气“结构强度”**：离散度指标计算行业间盈利相对增速的方差，用以衡量行业间景气差异的大小，即景气的“结构张力”[2][52] 离散度高意味着行业间呈现“强者恒强”的分化状态，市场结构性主线清晰（Alpha价值高）[53] - **正向景气组离散度**：为进一步聚焦，报告编制了正向景气组离散度，仅计算当季盈利增速为正的行业内部的增速标准差，用以衡量高景气阵营内部分化的激烈程度[56] 正向离散度高说明市场赚钱效应高度集中在少数“超级主线”上[57] 如何综合应用二维框架 - **二维框架的策略价值**：扩散度与离散度从“宽度”与“强度”两个正交维度立体还原市场，扩散度解决“景气是否具有普遍性”的问题，决定仓位；离散度解决“景气是否具有极致性”的问题，决定行业配置偏斜[65] - **构建Beta-Alpha二维象限**：以扩散度（Beta）和离散度（Alpha）构建二维框架，可划分为四个象限：第I象限（Beta↑×Alpha↑）为周期与结构共振的结构牛；第II象限（Beta↑×Alpha↓）为周期性全面复苏的全面牛；第III象限（Beta↓×Alpha↓）为周期同步转弱的全面防御阶段；第IV象限（Beta↓×Alpha↑）为周期偏弱但结构亮点突出的弱结构行情[66][67][68] - **二维框架的历史有效性**：报告回顾了历史阶段以验证框架，例如2009-2010年“四万亿”背景下的全面牛对应第II象限（扩散度高、离散度低）[69]；2016-2017年“供给侧改革”及2019-2021年科技/新能源等主线行情对应第I象限（扩散度与离散度双高）[70][71]；2013-2015年则经历了从结构牛（2013年）到全面牛（2014年）再到结构行情破灭（2015年）的快速轮动，对应象限的切换[73][74][75] - **离散度指标的细化使用**：整体离散度指标与PPI高度相关，易受周期、资源等高波动行业影响[2][79] 为更精准捕捉结构性行情，需关注离散度数值的贡献组成，例如计算TMT四个行业在正向离散度中的占比，能更好地解释2013年及本轮科技结构牛的背景[2][83]