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]

报告行业投资评级 报告未提及行业投资评级相关内容 报告的核心观点 - 行业轮动模型偏动量逻辑，可与现有量价因子互补，是解决中证500指数增强超额回撤的思路之一，直接因子化或是较优使用方式 [4][62] - 行业轮动模型中基于行业动量和拥挤度的技术面是选股的增量信息，行业动量因子与传统因子相关性低，提供额外超额收益来源 [4][62] - 行业动量分域视角下，不同行业动量组里传统因子表现有差异，为行业动量因子化提供基础 [4][63] - 直接因子化在指数增强里表现优于仅控制行业偏离幅度的模型，证明行业模型因子化是较优方案，但需解决因子值不连续性问题 [4][63] 根据相关目录分别进行总结 再论行业轮动模型的因子化 - 市场上涨使偏反转逻辑因子效果下降，需寻找偏动量且与反转逻辑互补的因子，行业轮动模型因子化是探讨话题 [6] - 申万金工行业轮动模型分为基本面、资金面和技术面，基本面和资金面与选股因子重合，技术面是增量信息贡献者，其分域处理是模型超额收益稳健的原因 [10][11] - 单独对行业动量因子化，稳定性下降但单调性和收益进攻特征不错，月度IC为3.03%，ICIR为0.22，与传统因子相关性低，有价值 [16][21] 行业动量分域视角下的因子表现 - 低波因子在高动量组收益高，近年高动量组低波因子表现好但不稳定 [30][34] - 反转因子在高动量组单调性和多空表现好，中低动量组长期不贡献收益 [36][39] - 动量因子在高动量组单调性和多空表现好，中低动量组近年有回撤 [40][41] - 低流动性因子单调性不佳，分域表现分化不大 [45][47] 行业动量因子的组合内表现 - 中证500指数增强模拟组合中，因子化的五因子组合和四因子加行业控制偏离组合对比，因子化表现更优 [49][53] - 改变约束条件后，六因子表现仍好于五因子加行业模型控制偏离，因子化是有效使用方式，需解决因子值不连续问题 [57][59] - 因子化能发挥“共振”优势，使所选股票组合在有效因子上暴露更高 [60][61] 小结 - 行业轮动模型因子化是解决中证500指数增强超额回撤的思路，技术面是增量信息，行业动量因子与传统因子相关性低 [62] - 行业动量分域下因子表现有差异，为因子化提供基础，直接因子化表现更优，需解决因子值不连续问题 [63]

文章核心观点 - 文章介绍了对申万金工成长组合的升级改造，通过引入行业轮动模型进行非线性倾斜加权，构建了2.0版本，旨在提升组合在成长风格行情中的收益弹性，同时保持收益的稳定性 [3][12][38] 1. 申万金工成长组合（1.0版本） - 组合构建逻辑聚焦于对未来基本面业绩的预测，通过高预测胜率实现收益，对量价因子依赖较少 [4] - 具体构建分为三步：首先从有分析师覆盖的股票中选取当前一年盈利预测增速前一半的股票作为股票池；其次在10月底剔除股票池中前三季度累计盈利增速为负的样本；最后使用分析师一致预期变化因子筛选出50只股票 [1][4] - 组合实现了较好的业绩预测效果，其平均净利润增速中位数落在全市场股票净利润增速的前10%至20%水平之间 [6] - 组合历史表现具有鲜明的成长风格特征：2019年收益62.91%，2020年收益58.56%，2021年收益42.86%，在成长风格不佳的2022年和2023年分别回撤-16.03%和-15.83%，2024年收益22.68%，2025年收益42.85% [9][10] 2. 使用行业轮动模型进行升级 - 升级动机在于满足投资者在成长风格来临时对更强收益弹性的需求，计划在不改变选股逻辑和50只股票数量的基础上提升收益 [12] - 选用申万金工行业轮动模型，因其在牛市环境中具备进攻性且有效，该模型使用基本面、资金面和技术面因子，并特别强调动量，在高动量板块下正向使用拥挤度 [7][13] - 该行业轮动模型的多头组合相对于全部行业指数的平均值具有较为稳定的超额收益，表明其信息具有稳定性和可拓展性 [15] - 仅使用多头组合会损失模型的有效信息，因此计划通过行业打分来利用模型提升组合表现 [18] 3. 非线性倾斜加权提升组合收益弹性 - 采用非线性倾斜加权方式，即对行业轮动模型得分靠前的行业进行更高倾斜的超配，对得分靠后的行业进行更高倾斜的低配，从而拉大个股权重差异，更有效地利用模型信息 [7][19][20] - 线性倾斜加权方式对组合收益的提升效果有限，因此未采用 [7][20] - 权重倾斜后，个股最大权重可上升至4%左右（原等权约为2%），最小权重可下降至0.2%附近，权重上调和下调的比例基本对称 [2][36] - 具体权重变化：例如2017年最大权重4.32%，最小权重0.18%；2021年最大权重4.12%，最小权重0.18% [37] 4. 升级后组合（2.0版本）表现 - 收益提升：倾斜组合在2019年以外的其他年份收益均有提升，其中2020年收益率从58.56%提升至69.53%，2021年从42.86%提升至60.86%，2022年回撤从-16.03%改善至-11.20%，2023年回撤从-15.83%改善至-14.50% [7][31][32] - 收益稳定性：倾斜组合相比等权组合的超额收益走势平稳，表明收益提升并非以牺牲稳定性为代价 [7][25] - 风险指标：倾斜组合的波动率和最大回撤与等权组合维持在相似水平，未明显放大 [31][33] - 整体绩效：从2017年至2026年1月的数据看，倾斜组合总收益率603.40%，年化收益率23.96%，年化波动率25.20%，最大回撤-35.02%，夏普比率0.87，Calmar比率0.68；均优于等权组合（总收益率382.35%，年化收益率18.91%，年化波动率24.39%，最大回撤-42.99%，夏普比率0.69，Calmar比率0.44） [31][34][35]

报告行业投资评级 报告未提及行业投资评级相关内容 报告的核心观点 - 尝试基于基本面预测打造的成长组合进行升级改造，以行业轮动模型作为强化点，采用非线性倾斜加权方式提升申万金工成长组合收益弹性，且收益提升并非以放大波动为代价 [3][41][42] 根据相关目录分别进行总结 申万金工成长组合 申万金工成长组合的构建逻辑和历史表现 - 申万金工在成长、红利等方向构建量化策略，内核是实现对未来基本面业绩的预测，申万金工成长组合依托对上市公司未来高业绩增速的预测，通过分析师一致预期数据筛选股票池，经业绩检验和优选最终选出50只股票 [4] - 该组合实现了对业绩预测较好的效果，平均净利润增速中位数处于全市场前10%-20% [4] - 历史表现具备鲜明成长风格特征，2019 - 2021年分别取得超62%、58%、42%的收益，2022 - 2023年回撤，2024 - 2026.1收益回暖 [8][9] 使用行业轮动模型进一步提升收益 - 成长风格环境与牛市环境相同，申万金工行业轮动模型主要使用基本面、资金面和技术面因子，对拥挤度和趋同度做差异化处理，强调动量，可提升成长组合收益弹性 [12] - 申万金工构建的行业轮动模型多头对全部行业平均值有稳定超额收益，稳定性有可拓展属性，可用于改变个股权重以持续改进组合表现 [15] 非线性倾斜加权提升组合收益弹性 非线性的倾斜加权方式 - 线性倾斜加权对组合收益改变有限，采用非线性倾斜加权方式，使得分靠前和靠后的行业个股权重差异拉开，更有效利用行业轮动模型信息 [21] 组合表现提升 - 权重倾斜后组合收益有效提升，除2019年外其他年份收益提升，2020 - 2021年收益率提升至60%以上，2022 - 2023年回撤下降，收益弹性提升明显 [25][34] - 倾斜后新组合相比等权组合超额走势平稳，收益提升未牺牲稳定性 [27] 分年度表现等统计信息 - 统计新老组合分年度收益、波动率和最大回撤等信息，倾斜组合在多数年份收益提升，波动率和最大回撤与等权组合相似，未明显放大 [32][36] - 倾斜组合年化收益率提升，波动率略有上升，最大回撤下降，夏普比和卡玛比率明显提升 [37] - 权重倾斜后个股最大权重升至4%，最小权重降至0.2%附近，上调和下调比例基本对称 [38] 小结 - 采用非线性倾斜加权方式调整组合权重，除2019年外其他年份收益增长，组合整体收益提升，超额稳定性不错 [42]