近年来，行业Beta已经成为了权益投资时必须考虑的关键因素。而不同阶段的行业轮动现象往往又由不同的因素所驱动形成，这在无形中增加了基于量化模型构建行业轮动策略的难度。

具体来说，行业的景气度是行业轮动现象的本质驱动因素。因此从长期来看，从景气度的角度来考虑行业配置的胜率相对较高。然而，我们在近几年的行业轮动跟踪过程中发现，景气度指标在部分阶段（尤其是第四季度）极易发生失效。我们认为其中有三个方面的原因：

（1）行业景气现象的刻画需要依赖于客观数据，这导致在业绩真空期，行业景气度的刻画缺乏客观数据的支撑；

（2）在基本面主线行情不够突出时，部分政策或主题热点将深刻地影响行情走势。例如2022年四季度的地产新政、疫情防控“新十条”政策和2023年的AI的兴起，主导了这些阶段的市场行情；

（3）四季度接近机构年度业绩考核的末期。在前三个季度的行情演绎之后，无论是出于业绩排名的博弈，还是为了下一年度的配置结构准备，四季度机构投资者有更大的调整其配置的倾向。

综上所述，为了避免过度依赖于高景气模型，我们需要从多维度的角度对行业轮动现象进行刻画和跟踪。本次，我们将从更灵活、更高效的量价视角，尝试构建一套稳健的技术指标模型。最后，我们通过分析出现行业板块机会时的市场现象，提出了一个基于分析师预期和行业景气共振情况，动态调整景气度和量价指标权重的自适应模型。经过验证，该自适应模型能够有效解决景气度失效的问题，进而显著地提升行业轮动策略的有效性。

1.1、测试框架

回测的区间设定为2013年至2023年，并按照月频进行调仓，即每个月末的最后一个交易日触发交易。交易的标的为除综合金融后的29个中信一级行业。测试分组中，以指标值最高的前六个行业作为多头组合，以指标值最低的后六个行业作为空头组合。组合内按照等权进行加权，并以所有行业的等权组合作为比较基准。

量价指标，顾名思义是从相应资产的价格、交易量出发构建的指标。首先，我们先从价格出发尝试构建行业价量指标。

2.1、行业动量

动量是行业层面上运用价格指标最常见的运用方法，我们可以分别从长期（十二个月）和短期（一个月）的视角对动量指标先做一个简单的构建。从测试结果可以看到，简单动量指标的有效性并不稳定。接下来，我们就分别从长期和短期两个视角对尝试构建有效的动量指标。

2.1.1、长期视角

关于动量指标有效的原因在学术界有着诸多争论，有限注意力（limited attention）是其中一个被较多学者所认可的行为金融学理论。在传统金融学理论，当人们在做决策时，可以充分使用全部可得的信息。但是实际上，由于人脑对信息的分析处理能力是有限的，人们无法及时处理、运用所有的信息，因此往往偏好去分析最显著、最重要的信息。这种认知限制就被称为有限注意力。温水煮青蛙就是最典型的有限注意力事件，人们通常无法及时地发现那些逐渐发生变化的现象。

在股票市场中，投资者的有限注意力将可能会引发动量上涨。具体来说，由于资产往往蕴含着未被消化到位的信息，部分聪明投资者和知情交易者在提前布局时，为了低成本获得更多的筹码，会选择缓慢地买入资产，造成资产形成持续但不明显地上涨。而市场上的大部分投资者是无法有效地关注到这些长期但不明显的信息。因此，这一部分动量信息就在一定程度上揭示了资产本身的投资价值。当后知后觉的投资者注意到这些被忽视的资产时，将会引发新一轮的价格上涨。

根据有限注意力的理论，构建动量指标时有两个要点，一是指标能够反映出渐进的长期价格趋势信号，二是价格趋势指标要不易引起市场投资者的过度关注。

经过对比思考后，我们认为中长期的隔夜收益率符合上述要点。隔夜收益率等于当日开盘价相对昨日收盘价的涨跌幅，其本质上是当日集合竞价的涨跌幅结果。一方面，相较于日内收益率，隔夜收益率更不易受到投资者的关注。另一方面，隔夜收益率是行业消息及基本面在休市时间的不断交流和酝酿而形成的结果，将这一结果经过长年累积之后形成的信号具有相当意义的参考价值。

首先，我们尝试将过去250个交易日的隔夜收益率均值作为长期行业动量的构建方法。从结果来看，该指标具有一定的有效性，年化超额收益率为3.11%。

但是，在对标准化隔夜收益率指标进行进一步思考后就会发现：进行标准化的过程中，实际上会将一些隔夜收益率没有显著差距的交易日的行业差异被放大。而事实上，没有显著差异的隔夜收益率交易日样本并未能提供较为有价值的信息。因此，我们在这里可以将这一部分交易日进行剔除。具体来说，我们将计算回溯期内每一个横截面的隔夜收益率标准差，按照一定比例进行剔除标准差最小的样本之后，再取标准化隔夜收益率均值作为最后的指标。

在这里，我们将剔除比例进行了参数敏感性测试。为了进行交叉验证，我们将时间拆分为2010-2015年，2015年-2023年进行测试。经过对比测试，可以看到进行一定比例的剔除之后，指标的有效性得到不同程度的提升。在剔除20%~40%比例的样本后，指标有效性整体提升较为稳定。出于对原指标调整影响最小的考虑，我们选择采用剔除20%样本的方法构建具体指标。

根据测试，改进后的隔夜收益率指标整体有效性相对原始指标有一定的提升。年化超额由3.11%提升至6.28%，信息比率由0.38提升至0.72。

2.1.2、短期视角

短期视角下，20日价格动量是我们最为常见的一种构建指标。在这里，我们对短期动量指标做了两个改进：

（1）平均动量：在构建指标时，20日动量仅考察了当前价格相对20日前的价格的涨跌幅结果，而忽视了20日间的价格情况。进一步的，我们可以将过去20日的收盘价取均值，得到一个20日均价。计算最新收盘价相对于20日均价的涨跌幅作为20日平均动量。

（2）边际变化：动量指标的有效性还有一种通俗的解释，即资本市场也存在着与物理上类似的“惯性”。在未发生结构性的变化的情况下，资产标的更容易仍会沿着之前发生的路径继续变化。这样的说法较为适用于短期视角下的动量，短期动量可以理解为资产标的近期的“速度”。当资产标的具有一定的“速度”时，其更容易继续形成较强的表现。进一步的，我们可以尝试考察标的资产的“加速度”来对其动量效应进行刻画。具体来说，我们可以计算得到一个边际平均动量，即以当前的平均动量减去20日前的平均动量。

在测试中，我们将20日动量、平均动量和边际平均动量的结果进行一个对比。从IC结果来看，边际平均动量的IC表现最好，IC均值4.26%，ICIR 0.14。

在分组测试下，可以看到边际平均动量的分组收益表现相较20日动量更好。边际平均动量指标的多头组合年化收益率为11.46%，夏普比率为0.45。年化超额收益率为4.09%，信息比率为0.45。

2.2、累积势能

在讨论完日间收益之后，我们希望从日内价格趋势的中尝试寻求一些信息。日内趋势中有几个重要的价格：开盘价、最高价、最低价和收盘价。实际上，由于收盘价是日间价格中的重要指标，因此大部分日间指标都是由收盘价所刻画形成的，而日内的股价走势则往往容易被投资者所忽视。

在日内的走势中，由于某一阶段一部分投资者的买入，将会使股价形成一个当日最高价；同样地，一部分的卖出交易将会令股价形成一个当日最低价。然而，最高价和最低价都被隐藏在了收盘价之后，并未对资产最终的价格形成真正的影响。由于这部分信息并未得到充分的释放，就如同物理学中的弹性势能一般会不断累积。我们可以将这部分隐藏起来的、没有被最终由收盘价展示出来的信息称为上升/下降势能。

具体来说，我们将行业指数当日收盘价减最低价得到下降势能作为分子，将当日最高价减收盘价得到的上升势能作为分母。并且，为了避免价格之间的数值过于接近导致比值失去意义，我们在分子分母都加上一个较小常数项 0.1。之后回溯过去 20 日的势能比取和的相反数即为累积势能指标。

从IC测试来看，该指标具有一定的截面有效性。IC均值为3.53%，T统计量为1.49。

从分组测试来看，该指标多头组合的选择行业能力较为出色。2013年以来多头年化收益率为13.90%，夏普比率为0.61。年化超额收益率为5.41%，信息比率为0.61。

2.3、成交波动

接下来，我们将讨论如何从量的角度构建行业轮动指标。具体来说，我们可以基于成交的波动情况构建行业轮动指标。与个股类似的，当行业的成交波动越大，其未来的收益表现相对更弱。一方面，行业内交易的波动加剧，说明行业可能出现了过度炒作的现象。另一方面，也说明行业中的配置资金不够坚定。

事实上，资金的来源是多样的，不同类别投资者的交易风格也有所差异。由于个人投资者体量小，因此更倾向于灵活地调整其资产配置，其交易波动释放的信息意义相对较小。而机构投资者的配置资金如果发生波动，其蕴含的信息则具有较大的意义。

因此，在这里我们把过去20日的成交额标准差以及过去20日的超大单（单笔成交金额大于100万元）成交额标准差分别进行测算。从IC测试结果来看，超大单金额的成交额波动指标相对成交额波动指标IC表现更好，在IC胜率方面也有一定的提升。

从分组测试来看，超大单成交额波动指标在收益表现相对成交额波动表现更好。结合其较好的IC表现，我们选择以超大单成交额标准差的相反数作为成交波动指标的构建方法。

2.4、价格的成交弹性

前文我们分别从量和价的两个方面分别构建指标，接下来我们试图将二者结合进行指标构建。众所周知，股票市场上资产的价格变化是由投资者的交易行为所形成的。因此，我们可以将当日资产的价格变化幅度绝对值除以当日成交金额，得到单位成交金额形成的资产价格变化，称之为价格的成交弹性。价格的成交弹性越大，就说明在相同的资金活跃度下，能够使资产标的形成更大的价格变化。换句话说，将更容易被资金所撬动，也更容易出现潜在的行业趋势。

从分组测试来看，该指标在行业轮动上具有一定的有效性。2013年以来多头年化收益率为8.50%，夏普比率为0.35。年化超额收益率为3.49%，信息比率为0.49。

2.5、修正动量

在之前我们的报告《如何更有效地刻画行业拥挤度？—多维度行业轮动体系探索》报告中，我们分析了常见拥挤度的有效性和存在的弊端，并基于波动率弊端提出了创新性的拥挤度构建方案。具体来说，在通过平稳性检验后，我们基于GARCH模型对下一期的个股特质收益波动率进行了估计。再将个股特质收益波动率取行业均值后，即得到了一个相对稳健有效的拥挤度指标。

并且，由于考虑到动量效应与拥挤现象有着相同的内核，我们将拥挤度与动量尝试进行了有机结合。具体来说，我们在每个月末取动量因子的截面行业次序作为因子值，将动量前20%和拥挤度前20%的并集行业视为拥挤风险行业。给予拥挤风险行业因子-30的惩罚，以确保修正的动量因子中拥挤行业因子值靠后。对于该部分的指标具体构建方法，我们在此不做过多赘述，感兴趣的投资者可联系我们做进一步地详细交流。

2.6、指标复合

因此，我们将上述六个指标按照截面排序得分进行等权合成，得到复合量价指标。从IC结果来看，复合量价指标的IC表现非常出色，月度IC均值可达到12.18%，IC胜率为70.23%，T统计量达5.47。

从分组测试来看，复合量价指标的收益表现较为稳健。2013年以来多头年化收益率为20.75%，夏普比率为0.87。年化超额收益率为12.40%，信息比率为1.95。

相信投资者们能感受到，当出现行业主题机会时往往有两种市场背景。一种是在部分行业持续高景气背景之下，这些行业内充斥着大量产业数据支持的基本面投资机会。例如2019年的半导体产业、2020 年的周期板块和 2021 年的新能源产业。而另一种则是由某些政策或技术驱动，在部分行业中形成大量炒作的热点主题，但这些主题在生产中还仍未有足够的实际兑现。例如2023年初ChatGPT引发的AI行情。显而易见的，这两种形态的行业机会具有截然不同的特征。从构建策略的角度来说，基于景气度的策略能精准地识别高景气行业机会，但在不具备实际业绩的行业主题机会中具有明显短板；而量价指标策略虽然善于把握中短期趋势，但却不能坚定的看好基本面优异的板块。

为此，我们尝试构建一个自适应模型以解决市场机会与轮动指标不适配的问题。在构建自适应模型过程中，我们需要引入另一个行业轮动指标——分析师预期指标。分析师预期是由卖方分析师通过发布报告所形成，能起到了市场主观观点的晴雨表作用。这个主观晴雨表既受到产业实际生产情况的影响，也会因政策调整等其他因素所变化。

a) 当行业景气度与分析师预期因子高度重合时，高景气与主观晴雨表实现共振，此时市场更易沿着基本面主线逻辑所发展。

b) 反之，当行业景气度与分析师预期重合程度较低时，市场缺乏强有力的基本面主线，更易受到政策调整和热点炒作的影响。

[1]分析师预期指标的构建详见此前的报告《基于分析师预期明细数据的行业预期共振》

接下来，我们对量价指标相对景气度指标有效性存在显著差异的两个阶段进行展开讨论。在这里，我们引入时间截面上计算得到的景气度指标和分析师预期指标的相关系数的历史分位数。

可以看到，2019年Q1以及2019年下半年，景气度与分析师预期形成高度共振，景气度指标大放异彩，量价指标相对有效性在这段时间持续下行。而在2022年Q3以来，景气度与分析师预期相关性持续走低。伴随着地产政策、疫情管控放开和AI行情的演绎，景气度指标出现持续的失效，量价指标在这段时间的相对有效性显著提升。

由此，我们可以基于上述现象构建得到一个自适应的“预期共振”行业轮动模型。详细的构建方法欢迎投资者联系我们做进一步交流！

从分组测试来看，动态三因子在收益和稳定性方面相对等权三因子均有提升。2013年以来动态三因子策略多头年化收益率为25.43%，夏普比率为1.00。年化超额收益率为17.26%，信息比率为2.66。

本文基于量价视角，构建了五个具有一定有效性的行业轮动明细指标，包括隔夜收益率、边际平均动量、累积势能、成交波动和价格的成交弹性。在指标的构建过程中，我们发现量价指标具有较好的灵活性和适应性。无论是从逻辑还是实证结果来看，量价指标可以在一定程度上与以基本面为核心的景气度指标形成良好的互补关系。

在进一步市场观察中，我们发现当市场上出现高景气板块机会时，将容易演绎出持续的、大级别的行业上涨。而当市场上缺乏强有力的主线逻辑时，则极易频繁出现主题炒作和板块切换。因此，要想持续有效地抓住行业轮动机会，势必需要灵活运用相应的指标。也正基于此，我们构建了“预期共振”自适应模型，以更好地解决指标与市场环境的适配问题。

后续，我们将持续跟踪“预期共振”自适应模型，并且进一步完善我们的行业轮动体系。一方面，我们将推出更加丰富的基于行业指数或主题指数投资工具的行业轮动策略应用方案。另一方面，将进一步探讨引入深度学习算法的更高频的行业轮动模型的构建。敬请投资者们继续关注我们后续的研究！