行业配置策略与ETF组合构建.docx

目 录 基于相似预期差因子的行业轮动模型 1 模型介绍 1 历史回测 2 策略跟踪 2 基于分析师预期边际变化的行业轮动模型 4 模型介绍 4 历史回测 4 策略跟踪 4 基于交易集中度的行业轮动模型 6 模型介绍 6 历史回测 6 策略跟踪 7 模型汇总 9 观点汇总 9 情景分析 9 ETF 组合构建 10 风险提示 10 图 目 录 图 1：行业维度相似预期差因子IC 统计图 2 图 2：近一年相似预期差行业轮动策略月度收益 3 图 3：相似预期差多头策略与市场指数净值变化图 3 图 4：动态分析师预期因子 IC 统计图 4 图 5：近一年动态分析师预期行业轮动策略月度收益 5 图 6：动态分析师预期多头策略与市场指数净值变化图 5 图 7：交易集中度因子 IC 统计图 7 图 8：2022.01 至今交易集中度行业轮动策略月度收益 8 图 9：交易集中度多头策略与市场指数净值变化图 8 表 目 录 表 1：相似预期差因子信息系数分析结果 2 表 2：相似预期差行业轮动策略收益表现（ 2016 年 12 月至 2023 年 5 月） 2 表 3：相似预期差行业轮动策略推荐行业 3 表 4：动态分析师预期因子信息系数分析结果 4 表 5：动态分析师预期行业轮动策略收益表现（ 2016 年 12 月至 2023 年 5 月） 5 表 6：动态分析师预期行业轮动策略推荐行业 6 表 7：交易集中度因子信息系数分析结果 7 表 8：交易集中度策略收益表现（ 2018 年 1 月至 2023 年 5 月） 7 表 9：交易集中度行业轮动策略推荐行业 9 表 10：行业轮动模型配置观点 9 表 11：策略情景分析 9 表 12：2023 年 5 月 ETF 组合相关基金标的 10 前言 本篇，我们基于《基于相似股票历史收益的选股因子研究》（ 2022 年 05 月 20 日）、《基 于“集中度”识别拥挤交易的行业轮动策略》（ 2022 年 01 月 26 日）构建的行业轮动模型，定期更新月度行业配置观点，并对策略历史表现进行了持续跟踪。在此基础上，构建行业 ETF 组合策略。 基于相似预期差因子的行业轮动模型 模型介绍 相似预期差因子的核心逻辑是寻找相似股票表现优异但其本身尚未大涨的个股。相似预期差因子值的计算方法如下。 首先，我们要通过股票距离来刻画股票间的相似性，从而筛选出相似股票，具体而言，我们将 股与 股在 时刻的距离 定义为二者在市盈率行业相对值、净资产收益率、资产增长率之间的欧氏距离： 其中， 为 股在 月末的市盈率行业相对值， 为 股截止 月末已披露的最新报告期的净资产收益率， 为 股截止 月末已披露的最新报告期的资产增长率。市盈率行业相对值的具体算法如下： 其中， 为 股在 月末的市盈率， 为 股所属行业在 月末的平均市盈率， 为 股所属行业在 月末的市盈率的标准差。 给定股票距离 的阈值，相似预期差因子 定义为同股票 在时刻 距离小于阈值的全部 只股票过去一个月历史收益率的市值加权平均值与该股上一个月历史收益率之差： 其中， 代表 股以市值加权的权重， 代表 股 月的收益率。 相较于个股层面构建相似预期差因子，行业视角下构造相似预期差因子的方法有所不同。在时刻 ,在每个中信一级行业内，根据每只股票历史收益率的大小，筛选出所有过去一个月收益跑赢万得全 A 指数的个股，计算每只股票的相似预期差因子值，相似预期差因子值的算数平均即为该行业的相似预期差因子值。 历史回测 在样本期（2016/12-2023/5）内，行业维度下相似预期差因子具备较强的行业筛选能力。相似股预期差因子的 IC 均值为 0.11，IC 与均值同向的比例为 57.33%，ICIR 为 0.34。 表 1：相似预期差因子信息系数分析结果 因子 IC 均值 IC 标准差 t 统计量 IC 胜率 IR 比率 相似预期差因子 0.11*** 0.34 2.93*** 57.33% 0.34 ， 整理 图 1：行业维度相似预期差因子 IC 统计图 1 9 0.8 8 0.6 7 0.4 6 0.2 5 0 4 -0.2 3 -0.4 2 -0.6 1 2017-012017-042017-07 2017-01 2017-04 2017-07 2017-10 2018-01 2018-04 2018-07 2018-10 2019-01 2019-04 2019-07 2019-10 2020-01 20