量化模型与构建方式 1. **模型名称：行业主线模型（相对强弱RSI指标）** - **构建思路**：通过计算行业指数的相对强弱指标，识别年度领涨行业[12] - **具体构建过程**： 1. 选取29个一级行业指数作为标的 2. 计算过去20、40、60个交易日的行业涨跌幅横截面排名，归一化得到RS_20、RS_40、RS_60 3. 计算综合相对强弱指数： $$ RS = \frac{RS_{20} + RS_{40} + RS_{60}}{3} $$ 4. 设定阈值RS>90%作为年度主线信号[12] - **评价**：历史验证有效捕捉高股息、资源品等主线，但2025年信号分散性增加[14][15] 2. **模型名称：行业景气度-趋势-拥挤度框架** - **构建思路**：结合景气度（同步）、趋势（右侧）和拥挤度（风险）三维指标进行行业轮动[16] - **具体构建过程**： - **景气度**：行业财务指标（如ROE、营收增速）标准化 - **趋势**：动量指标（如60日涨幅Z-score） - **拥挤度**：换手率分位数与估值偏离度复合指标 - 筛选条件： - 景气模型：高景气+强趋势且拥挤度<阈值 - 趋势模型：强趋势+低拥挤且景气度>阈值[16][20] - **评价**：互补性强，历史年化超额14.1%，IR达1.54[16][17] 3. **模型名称：左侧库存反转模型** - **构建思路**：挖掘库存周期底部且分析师预期改善的行业[27] - **具体构建过程**： 1. 计算行业库存周转天数同比变化率 2. 结合卖方推荐比例变化构建胜率-赔率矩阵 3. 筛选：库存压力<历史25%分位+分析师上调评级占比>30%[27][29] - **评价**：2024年超额14.8%，适应因子失效环境[27][28] --- 模型的回测效果 1. **行业主线模型** - 2024年信号行业平均绝对收益：12.8%（汽车）至32.1%（银行）[13] - 2025年信号行业超额收益：7.4%（有色金属）至18.1%（通信）[15] 2. **行业景气度-趋势-拥挤度框架** - 年化超额：14.1%（基准Wind全A） - IR：1.54，最大回撤-8.0%[16] - 2025年ETF组合超额中证800：8.1%[21][26] 3. **左侧库存反转模型** - 2024年绝对收益：25.9%（超额行业等权14.8%）[27] - 2025年绝对收益：13.6%（超额3.5%）[27][28] --- 量化因子与构建方式 1. **因子名称：相对强弱因子（RS）** - **构建过程**：同行业主线模型[12] 2. **因子名称：景气度因子** - **构建过程**：行业ROE、营收增速等财务指标标准化后加权[16][20] 3. **因子名称：拥挤度因子** - **构建过程**： $$ Crowding = 0.5 \times \text{换手率分位数} + 0.5 \times \frac{\text{当前PE}}{\text{行业历史PE中位数}} $$ 阈值设定为80%分位以上视为高风险[20] --- 因子的回测效果 1. **相对强弱因子** - 信号行业相对Wind全A胜率：68%（2024年）[13] 2. **景气度因子** - 高景气行业年化超额：9.2%（2013-2025）[16][17] 3. **拥挤度因子** - 高拥挤行业后续60日跑输基准概率：72%[20]

量化模型与构建方式 1. **模型名称：A股行业轮动模型** - **模型构建思路**：通过资金、估值、情绪、动量、超买超卖和盈利6个因子构建综合打分体系，评估行业轮动机会[18] - **模型具体构建过程**： 1. **资金因子**：行业主力净流入率（过去N日主力资金净流入/行业市值） 2. **估值因子**：行业当前PE/PB位于过去1年的分位数 3. **情绪因子**：行业成分股上涨比例（上涨股票数/总股票数） 4. **动量因子**：行业MACD指标（DIF与DEA差值） 5. **超买超卖因子**：行业RSI指标（14日周期） 6. **盈利因子**：行业一致预测EPS过去1年分位数 各因子标准化后加权求和，权重未公开[18] - **模型评价**：多维度覆盖市场驱动因素，但未披露因子权重分配逻辑 2. **模型名称：共识度选股模型** - **模型构建思路**：结合行业动量、高频资金流与价格走势相似度筛选个股[21] - **模型具体构建过程**： 1. **行业筛选**：选取过去30天涨幅前三的申万二级行业 2. **股票池构建**：在目标行业中计算以下指标： - 月度动量因子（过去30日收益率） - 估值因子（如PE分位数） - 上涨频率（日内上涨分钟数占比） 3. **高频资金匹配**：计算股票分钟级资金流与价格走势的相关系数（如Pearson系数） 4. **最终筛选**：按相关系数排序，每个行业选取前5只股票[21] - **模型评价**：高频数据捕捉短期资金动向，但对交易成本敏感 --- 模型的回测效果 1. **A股行业轮动模型**： - 非银金融（得分6）、食品饮料（5）、电子（4）为当期高分行业[20] - 石油石化（-8）、轻工制造（-6）、银行（-6）为低分行业[20] 2. **共识度选股模型**： - 当期输出标的：元件（满坤科技、沪电股份等）、油服工程（通源石油、中海油服等）、饰品（明牌珠宝、周大生等）[22] --- 量化因子与构建方式 1. **因子名称：主力资金净流入率** - **构建思路**：通过大单交易识别主力资金动向[13] - **具体构建过程**： - 定义主力交易单：单笔成交≥10万股或金额≥20万元 - 计算每日行业净流入额：主力买入额-主力卖出额 - 标准化处理：净流入额/行业流通市值[13] 2. **因子名称：MACD动量因子** - **构建思路**：捕捉行业价格趋势变化[18] - **具体构建过程**： - 计算行业指数12日EMA（快线）与26日EMA（慢线）： $$EMA_{12} = \frac{2}{13} \times (今日收盘价 - 昨日EMA_{12}) + 昨日EMA_{12}$$ $$EMA_{26} = \frac{2}{27} \times (今日收盘价 - 昨日EMA_{26}) + 昨日EMA_{26}$$ - DIF = EMA_{12} - EMA_{26} - DEA = DIF的9日EMA[18] 3. **因子名称：RSI超买超卖因子** - **构建思路**：衡量行业短期超买超卖状态[18] - **具体构建过程**： - 计算14日行业指数涨跌幅： $$RS = \frac{14日平均涨幅}{14日平均跌幅}$$ - $$RSI = 100 - \frac{100}{1+RS}$$[18] --- 因子的回测效果 （注：报告中未披露单一因子的独立测试结果）

风格轮动模型表现 - 2025Q2宏观量价双驱模型发出大盘信号，5月大盘风格相对小盘超额收益达0.56% [1] - 2025Q2价值成长轮动策略发出价值信号，5月价值风格相对成长超额收益达3.40% [1][2] - 模型预判持续印证，市场整体偏向大盘和价值风格 [1] 行业轮动模型表现 - 5月单因子多策略模型月收益率3.31%，超额收益0.33%，显著优于复合因子策略的-0.64%超额 [1][2] - 6月单因子策略推荐多头行业为非银金融、电子、银行，复合因子策略推荐非银金融、医药、建材、基础化工、钢铁 [2] 配置信号 - 2025Q2大小盘轮动综合分数为3，明确指向大盘配置 [1] - 2025Q2价值成长轮动综合分数为3，明确指向价值配置 [2]

量化模型与构建方式 1. **模型名称**：宏观+量价大小盘双驱轮动策略 **模型构建思路**：结合宏观经济层面和微观量价层面的因子，驱动大小盘风格轮动[6] **模型具体构建过程**： - 从宏观经济层面选取PMI季均差分、社融加权同比、货币流动性、中美利差等因子 - 从微观量价层面选取宏观调整动量、狭义风格拥挤度、广义大盘拥挤度等因子 - 各因子发出大盘信号时设为1，小盘信号时设为-1，无信号时设为0 - 综合分数大于0时全仓配置沪深300指数，小于0时全仓配置中证1000指数，等于0时等权配置沪深300和中证1000指数[7] **模型评价**：截至2025Q1，策略回测胜率为82.22%，模型有效性较高[6] 2. **模型名称**：宏观量价双驱价值成长风格轮动模型 **模型构建思路**：整合宏观经济和微观量价因子，驱动价值成长风格轮动[12] **模型具体构建过程**： - 宏观经济因子包括PMI新订单季均差分、PPI-CPI加权环比、1Y国债、3M美债水平等 - 微观量价因子包括宏观调整动量、风格拥挤度、市场情绪等 - 各因子发出价值信号时设为1，成长信号时设为-1，无信号时设为0 - 综合分数大于0时全仓配置国证价值指数，小于0时全仓配置国证成长指数，等于0时等权配置国证价值和国证成长指数[13] **模型评价**：截至2025Q1，策略回测胜率为77.78%，模型有效性较好[12] 3. **模型名称**：行业轮动复合因子策略 **模型构建思路**：基于行业历史基本面、预期基本面、情绪面、量价技术面、宏观经济等多维度因子构建复合策略[18] **模型具体构建过程**： - 对中信一级30个行业进行打分 - 选择排名前5的行业等权构建多头组合 - 相对等权基准计算超额收益[20] 4. **模型名称**：行业轮动单因子多策略 **模型构建思路**：基于单一因子多策略组合进行行业轮动[18] **模型具体构建过程**： - 对中信一级30个行业进行打分 - 选择排名靠前的行业等权构建多头组合 - 相对等权基准计算超额收益[20] 模型的回测效果 1. **宏观+量价大小盘双驱轮动策略** - 区间收益：-2.41% - 年化收益：-5.83% - 年化波动：17.17% - 最大回撤：10.49% - 夏普比率：-0.34 - 卡玛比率：-0.56[11] 2. **宏观量价双驱价值成长风格轮动模型** - 区间收益：1.79% - 年化收益：4.48% - 年化波动：18.06% - 最大回撤：10.36% - 夏普比率：0.25 - 卡玛比率：0.43[17] 3. **行业轮动复合因子策略** - 上个月绝对收益：2.43% - 上个月超额收益：-0.64% - 2025年绝对收益：4.81% - 2025年超额收益：3.98%[20] 4. **行业轮动单因子多策略** - 上个月绝对收益：3.31% - 上个月超额收益：0.33% - 2025年绝对收益：4.56% - 2025年超额收益：3.83%[20] 量化因子与构建方式 1. **因子名称**：大小盘风格轮动因子 **因子构建思路**：结合宏观经济和微观量价因子驱动大小盘风格轮动[6] **因子具体构建过程**： - 宏观经济因子：PMI季均差分、社融加权同比、货币流动性、中美利差 - 微观量价因子：宏观调整动量、狭义风格拥挤度、广义大盘拥挤度 - 各因子信号值为1（大盘）、-1（小盘）或0（无信号）[7] 2. **因子名称**：价值成长风格轮动因子 **因子构建思路**：结合宏观经济和微观量价因子驱动价值成长风格轮动[12] **因子具体构建过程**： - 宏观经济因子：PMI新订单季均差分、PPI-CPI加权环比、1Y国债、3M美债水平 - 微观量价因子：宏观调整动量、风格拥挤度、市场情绪 - 各因子信号值为1（价值）、-1（成长）或0（无信号）[13] 3. **因子名称**：行业轮动复合因子 **因子构建思路**：整合多维度因子对行业进行打分[18] **因子具体构建过程**： - 行业历史基本面、预期基本面、情绪面、量价技术面、宏观经济等维度因子 - 对中信一级30个行业进行综合打分[20] 4. **因子名称**：行业轮动单因子 **因子构建思路**：基于单一因子对行业进行打分[18] **因子具体构建过程**： - 对中信一级30个行业进行单一因子打分 - 选择排名靠前的行业构建组合[20] 因子的回测效果 1. **大小盘风格轮动因子** - 2025Q2综合分数：3（大盘信号）[6] - 2025Q1综合分数：3（大盘信号）[6] 2. **价值成长风格轮动因子** - 2025Q2综合分数：3（价值信号）[12] - 2025Q1综合分数：-5（成长信号）[12] 3. **行业轮动复合因子** - 6月推荐行业：非银行金融、医药、建材、基础化工、钢铁[20] 4. **行业轮动单因子** - 6月推荐行业：非银行金融、电子、银行[20]

报告核心观点 - 构建行业轮动模型并基于此构建ETF组合，行业轮动模型长期有稳定超额收益，不同ETF轮动模型各有优劣，权重调整后的最优化组合在牛市阶段表现较好 [8][10] 行业轮动模型 因子构建 - 针对中信一级行业指数（剔除综合金融行业）从趋势、拥挤度、资金流向、均值回归等维度构建6个因子，包括动量、主买金额等，调仓频率为月度，研究区间为2019/1 - 2025/4 [5] 因子表现 - 不同阶段各因子表现不同，如动量因子在2019/1 - 2021/8为正向，2021/9 - 2023/7为负向，2023/8 - 2025/4为正向 [6] 算法步骤 - 月末计算各行业指数6个因子值，按因子表现阶段排序，将行业排序值分组，计算各行业因子新排序值平均值并排序，取前6个行业作为下月推荐行业 [6] 模型效果 - 回测期内行业轮动模型总收益212.87%，波动率合理，夏普比率好于沪深300、中证500和中证1000指数，长期保持稳定超额收益 [8][9][10] 不同市场效果 - 2019/1 - 2021/12总收益156.59%，2022/1 - 2025/4总收益21.93%，均有较好胜率 [13][15] 推荐组合 - 2025年5月推荐家电、煤炭等行业，2025年6月推荐石油石化、银行等行业 [17][18] ETF市场概况 规模变化 - 截至2024年末，股票型ETF整体规模29259.35亿元，综合ETF规模21381.13亿元，行业主题ETF规模6161.25亿元，行业主题ETF代替行业指数作投资工具可行性高 [25] ETF分布 - 展示不同大类ETF的所属概念、基金规模、周涨跌幅、周资金净买入额等信息 [27] 行业主题ETF - 基本能覆盖中信一级行业，但轻工、商贸零售、纺服等行业无相应ETF覆盖 [28] ETF组合构建 ETF轮动模型1 - 按中信一级行业指数成分股在行业主题ETF中找接近产品构建组合，计算相似度，筛选出各行业相似度高的跟踪指数及对应ETF产品 [32][33][34] 模型1效果 - 跟踪指数平替组合2019/1 - 2025/4总收益130.85%，有超额收益但不及行业轮动模型 [38][39] 模型1不同市场效果 - 2019/1 - 2021/12总收益132.63%，2022/1 - 2025/4总收益 - 0.77%，效果不及行业轮动模型 [42][44] ETF轮动模型2 - 用最优化方法将ETF组合成分股和行业轮动组合成分股分布差异求最优解，选取权重前15名ETF跟踪指数模拟构建组合 [46] 模型2效果 - 最优化组合2019/1 - 2025/4总收益117.09%，波动率显著降低 [55][56] 模型2不同市场效果 - 2019/1 - 2021/12总收益112.07%，2022/1 - 2025/4总收益2.37% [59][61] ETF轮动模型2权重调整 - 调整权重至100%后，2019/1 - 2025/4总收益155.49%，牛市阶段收益表现超行业轮动组合 [64][65] 模型2权重调整不同市场效果 - 2019/1 - 2021/12总收益159.06%，2022/1 - 2025/4总收益 - 1.38% [68][70] 推荐组合 - 给出权重调整后组合中各跟踪指数的权重、基金代码、简称、规模及细分投资类型 [71]

报告行业投资评级 未提及 报告的核心观点 - 行业主力资金统计方面，5日主力资金净流入前五为汽车、家用电器、机械设备、轻工制造、综合，30日主力资金净流入前五为综合、美容护理、建筑材料、轻工制造、煤炭；A股行业轮动模型显示非银金融、通信、汽车等综合评分较高，建筑材料、社会服务、钢铁等得分较低；共识度选股模型输出百洋股份、中宠股份、湖南白银等个股 [2][3] 根据相关目录分别进行总结 行业主力资金净流入统计 - 统计方式为对过去一段时间每日交易单中大于等于10万股或者金额大于等于20万元的成交金额的交易单作为主力资金流动进行统计，再按申万一级行业划分 [9] - 过去5日主力资金净流入排名前5的行业及金额为汽车27.05亿元、家用电器8.44亿元、机械设备5.26亿元、轻工制造 -1.45亿元、综合 -5.99亿元，各行业净流入排名前三的个股如汽车有南方精工、隆盛科技、江淮汽车等 [9] - 过去30日主力资金净流入排名前5的行业及金额为综合 -16.4亿元、美容护理 -30.18亿元、建筑材料 -43.92亿元、轻工制造 -45.73亿元、煤炭 -49.64亿元，各行业净流入排名前三的个股如综合有漳州发展、天宸股份、亚泰集团等 [10][12] A股行业轮动模型 模型原理 - 由资金、估值、情绪、动量、超买超卖和盈利共6个因子构建打分体系，各因子有相应主要数据来源 [13] 行业轮动模型结果 - 非银金融、通信、汽车等综合评分较高，建筑材料、社会服务、钢铁等得分较低，并给出各行业具体打分情况 [14][15] 共识度选股 模型原理 - 在申万二级行业层面筛选过去30天高涨行业，计算动量因子、估值因子、上涨频率和高频资金流入流出变化，在涨幅排名前三的二级行业股票池中选高频资金流走势与股票价格走势相似度最高的各五只股票 [16] 选股结果 - 高涨申万二级行业为饲料、贵金属、动物保健Ⅱ，选出百洋股份、中宠股份、湖南白银等个股 [17]