中金点睛

2023-08-18

导读：本篇报告将深入挖掘1.0模型失效的原因，并优化行业轮动指标的构造方式，最终构建能适应不同行业轮动节奏的行业轮动2.0模型。

中金构建行业轮动2.0模型：适应不同轮动节奏的自适应策略

基于轮动速度分域优化因子选择，提升模型在快速轮动环境下的适应性与收益表现

中金公司研究团队在原有行业轮动1.0模型基础上，针对其自2022年10月起出现的阶段性失效问题，提出并构建了行业轮动2.0模型。该模型通过引入“轮动速度分域”机制，动态调整因子权重，有效应对近年来市场轮动加速和基本面因子有效性下降的挑战[k]。

1.0模型失效归因：轮动加快与因子有效性变化

行业轮动1.0模型在2022年10月至2023年7月期间持续跑输行业等权基准，超额收益率为-9.6%，出现阶段性失效[k]。归因分析显示，主要原因有二：一是市场整体行业轮动速度自2019年以来显著加快，原有基于低频数据的模型难以适应；二是模型高度依赖的基本面因子（尤其是成长、分析师预期类）近两年有效性明显衰减，而量价因子的预测能力相对稳定甚至提升[k]。

具体来看，1.0模型在微观因子中仅赋予量价技术类因子较低权重，因其在样本期内ICIR表现较弱。然而在样本外阶段，量价因子有效性上升，而成长、情绪类因子则出现IC均值转负或超额收益大幅回落的现象[k]。同时，模型在失效期间频繁推荐汽车、电新等基本面得分高但实际表现差的行业，暴露出对热点轮动捕捉能力不足的问题[k]。

模型优化：按轮动速度划分使用场景

为解决上述问题，2.0模型引入“轮动速度”作为分域标准，使用中信一级行业指数2周收益排名变化的滚动24个月均值作为代理变量，将历史市场划分为“快速轮动”与“慢速轮动”两种状态[k]。测试结果显示，基本面因子在慢速轮动下表现更优，而量价因子在两种状态下均保持稳定有效性[k]。

基于此逻辑，研究团队筛选出20个在不同轮动状态下有效的行业层面因子，并将其归类为“慢速因子”、“快速因子”和“快慢通用因子”，最终构建两套独立打分体系：
- 快速轮动模型包含调研信息、动量反转、流动性、资金流等4大类共9个因子；
- 慢速轮动模型包含波动率、成长、分析师、现金流等8大类共16个因子[k]。

2.0模型表现显著改善

行业轮动2.0模型在全样本期（2010-03-01至2023-07-31）表现优异，最终行业得分IC均值达12%，ICIR为0.47，多头换手率为52.15%[k]。多空组合年化收益为21.72%，多头组合相对行业等权基准的超额年化收益达10.85%，最大回撤11.75%，月度胜率69.38%[k]。

尤其在原模型失效阶段（2021年6月至今），2.0模型表现更为突出，超额年化收益提升至21.22%，多空组合年化收益达35.81%[k]。这表明新模型在应对市场风格切换和轮动加速方面具备更强适应性[k]。

行业轮动模型优化：基于轮动速度的分域因子策略

通过划分轮动速度状态提升微观因子有效性，构建自适应行业轮动模型

2023年3月，汽车行业涨跌幅为-5.8%，其微观层面因子得分较高，但中观景气得分仅为-2.8，处于行业较低水平，反映出中观信息对模型具有正向调整作用[k]。研究表明，宏观与中观信息可在模型阶段性失效时提供修正，而失效主因仍在于微观因子大类本身[k]。因此，本文聚焦于微观层面的模型优化。

结合近年模型大规模失效与行业轮动加速现象，本文提出将“12个月滚动行业排名变化均值”作为轮动速度代理变量，并以82为阈值划分快慢轮动状态：高于82为快速轮动，低于82为慢速轮动[k]。历史区间显示：

轮动速度偏快：2009年2月–2011年10月；2019年7月–2023年7月；
轮动速度偏慢：2007年1月–2009年1月；2011年11月–2019年6月[k]。

研究发现，多数基本面因子在快速轮动阶段有效性下降，而价量因子表现相对稳健[k]。以成长复合因子为例，在慢速轮动下IC均值达5.6%、年化超额3.9%，而在快速轮动下IC均值仅为0.4%、年化超额-3.1%，预测能力显著减弱[k]。据此，本文将轮动速度分域纳入因子筛选流程。

因子筛选标准如下：

全时点有效性： IC_IR绝对值≥0.15。鉴于行业样本数较少（如中信一级行业仅30个），标准较个股适当放宽[k]；
分域有效性： 在适用轮动状态下年化超额≥3%。若某因子在快速轮动下IC更强，则需在该状态下年化超额不低于3%，否则不予纳入[k]。

基于此逻辑，本文构建两套行业轮动模型——快速与慢速轮动模型，并根据实际轮动状态切换使用[k]。具体流程包括：

因子分类及筛选： 将通过测试的因子分为波动率、成长、调研信息、动量与反转、分析师、流动性、现金流、拥挤度、资金流共9大类，并判定其适用轮动速度（慢速、快速或通用）；
大类因子构建： 在对应轮动状态下，对慢速/通用因子或快速/通用因子进行等权平均，形成大类得分；
行业得分匹配： 根据当前轮动状态选择对应的行业得分体系；
组合构建： 按最终得分排序，等权持有前20%行业作为多头，后20%为空头，保持与原模型可比性[k]。

因子测试结果显示：

波动率因子： 如1个月波动率（标准分），在慢速轮动下IC均值为4.5%、年化超额5.8%，优于快速轮动下的3.9%和1.5%，表明其更适合市场主线明确阶段[k]；
成长因子： 包括业绩趋势、净利润增速标准分等，在慢速轮动下表现突出。例如净利润增速标准分在慢速轮动IC均值达8.0%、年化超额4.8%，而在快速轮动下IC为-0.7%、超额-1.4%，基本失效[k]；
调研信息因子： 调研数量因子在慢速轮动下IC为-3.7%、年化超额4.1%，快速轮动下预测能力减弱；而调研超额收益绝对值因子在快慢状态下均表现稳健，IC分别为5.1%和4.4%，具备普适性[k]。

全时点测试共筛选出24个有效因子，涵盖9大类别[k]。其中资金流类北向持仓占比因子（IC_IR 0.34）和业绩趋势因子（IC_IR 0.30）稳定性佳，低机构拥挤度因子年化多头超额达7.15%，表现突出[k]。

图表10：行业轮动1.0模型的3种模型样本外净值对比

注：超额收益相对基准为中信一级行业等权基准；样本外数据区间为2021-06-01至2023-07-31
资料来源：Wind，中金公司研究部

图表11：以轮动速度指标划分历史轮动状态

注：灰色色块代表轮动速度偏快，绿色色块代表轮动速度偏慢；数据区间为2007年1月至2023年7月
资料来源：Wind，中金公司研究部

图表12：成长复合因子适用于慢速轮动状态

注：数据区间为2010-01-04至2023-07-31
资料来源：Wind，中金公司研究部

图表13：轮动节奏自适应模型最终得分构建流程

资料来源：中金公司研究部

图表17：全时点表现较优的因子的有效性检验结果

注：样本区间为2010-01-04至2023-07-31
资料来源：Wind，中金公司研究部

图表18：波动率因子轮动速度分域IC和超额统计

注：超额收益相对基准为中信一级行业等权基准；样本区间为2011-01-04至2023-07-31
资料来源：Wind，中金公司研究部

图表21：成长因子轮动速度分域IC和超额统计

注：超额收益相对基准为中信一级行业等权基准；样本区间为2010-02-01至2023-07-31
资料来源：Wind，中金公司研究部

图表24：调研信息因子轮动速度分域IC和超额统计

注：超额收益相对基准为中信一级行业等权基准；样本区间为2014-02-07至2023-07-31
资料来源：Wind，中金公司研究部

行业轮动因子表现与模型构建：基于轮动速度的分域适应性研究

不同市场轮动环境下因子预测能力分化，中金公司提出轮动节奏自适应的行业配置2.0模型

动量和反转因子在轮动速度较快时预测能力较强，具有较高的普适性。该类因子包含市净率倒数（同比）、市盈率倒数（同比）和12个月动量（标准分）三个子因子。其中，12个月动量因子为正向因子，IC_IR绝对值为0.16，稳定性偏弱；其余两个为负向因子，具备较强超额收益获取能力。估值类因子体现估值层面的动量效应，价格类因子则反映价格趋势动量[k]。

在快轮动环境下，市盈率倒数（同比）因子IC均值为-5.3%，年化超额收益达3.5%；在慢轮动下其IC均值下降1.9个百分点，表现趋弱。市净率倒数（同比）因子在快、慢轮动状态下均有良好表现，IC均值分别为-5.7%和-5.4%，年化超额收益为5.0%与5.9%。12个月动量（标准分）因子因采用标准化处理，具备长期动量特征，在快、慢轮动状态下的IC均值分别为5.4%和4.4%，适用范围广泛，且自2016年后稳定性较强[k]。

分析师因子反映盈利预期，在行业层面为正向因子，预测方向与个股一致。包括一致性修正因子（标准分）和75日内预测报告数量（环比）两个子因子，全时点IC_IR绝对值分别为0.22和0.21，年化超额收益为5.50%和2.51%，稳定性良好。该类因子在慢轮动状态下表现更优：一致性修正因子在慢速状态IC均值为5.4%，年化超额6.7%；而在快速状态下降至2.9%和3.1%。预测报告数量因子在慢轮动下IC均值为4.9%，年化超额4.1%，快轮动下显著下降，表明其更适合基本面信息释放节奏较缓的环境[k]。

流动性因子以1个月Amihud非流动因子（环比）为代表，在行业层面为正向因子，反映高流动性对应更高短期收益，体现风险规避特征。该因子在快轮动状态下IC均值为-7.3%，年化超额6.1%；慢轮动下仅为-2.5%和2.9%，表现明显偏弱。自2019年下半年以来，因子稳定性增强，净值持续攀升，因其刻画短期交易成本，实时性强，更适合风格切换频繁的市场环境[k]。

现金流因子衡量现金流估值与基本面，采用净现金流TTM比总市值（标准分）因子，全时点IC均值3.56%，IC_IR绝对值0.16，年化超额收益4.08%。该因子在慢轮动状态下IC均值达5.2%，年化超额5.2%；而在快轮动下IC下降4.3个百分点，收益降至2.8%。因子经标准化处理反映长期现金流趋势，更适合轮动较慢、基本面主导的市场阶段[k]。

拥挤度因子衡量行业交易密集度与关注度，在行业层面为正向因子，体现资金流向与情绪。低机构拥挤度因子全时点IC均值-4.81%，IC_IR绝对值0.24，年化超额7.15%，稳定性强。在慢轮动状态下IC均值达-8.3%，年化超额12.0%；快轮动下显著下降5.2个百分点。因子在2021年前稳定性强，之后有效性波动加大，表明其在稳定市场中更能体现机构资金情绪的盈利潜力[k]。

资金流因子捕捉“聪明资金”流向，含六个子因子：股东数目时序标准分数（环比）、北向持仓偏好、北向持仓占比长期变动、1个月内北上资金增量、北向持仓占比短期变动、北向持仓占比因子（标准分）。后三者表现更优，其中北向持仓占比因子IC_IR绝对值达0.34，超额收益能力强[k]。

股东数目因子在快轮动下IC均值6.7%，年化超额6.1%；慢轮动下显著下降，显示其对快速变化环境更敏感。1个月内北上资金增量因子在快轮动下IC达10.1%，年化超额7.2%，2019年后稳定性强。北向持仓偏好因子在慢轮动下IC均值13.6%，年化超额8.9%。北向持仓占比因子（标准分）在快慢环境中均表现稳健，IC累计稳定增长，具备广泛适用性[k]。

基于上述分析，中金公司构建“行业轮动2.0模型”，实现轮动节奏自适应。从24个初步因子中剔除4个相关性高且有效性弱的因子（Growth因子、LPNP_zscore、OP_SD_zscore、NORTH_HOLD_PROP_ST_CHG_origin），最终保留20个分域有效因子，因子间相关性绝对值均不超过0.6，多数显著低于0.1，确保模型多样性与稳定性[k]。

模型根据因子适用场景划分为快速与慢速两大体系。慢速轮动模型涵盖8大类因子：波动率、成长、调研信息、动量和反转、分析师、现金流、拥挤度和资金流，侧重基本面信息与长期趋势。快速轮动模型包含4大类：调研信息、动量和反转、流动性、资金流，聚焦价量技术与短期动量信号[k]。

总体来看，基本面类因子（如成长、分析师）适用于慢速轮动环境，而价量技术类因子整体更具通用性。其中，波动率与拥挤度因子专用于慢速轮动，流动性因子专用于快速轮动，动量与资金流因子则快慢通用。该模型通过动态匹配因子与市场节奏，提升行业配置的适应性与超额收益能力[k]。

图表27：动量和反转因子轮动速度分域IC和超额统计
注：超额收益相对基准为中信一级行业等权基准；样本区间为2011-01-04至2023-07-31
资料来源：Wind，中金公司研究部

图表28：市盈率倒数（同比）因子月度IC序列
注：超额收益相对基准为中信一级行业等权基准；样本区间为2011-02-01至2023-07-31
资料来源：Wind，中金公司研究部

图表29：12个月动量（标准分）因子月度IC序列
注：超额收益相对基准为中信一级行业等权基准；样本区间为2011-01-04至2023-07-31
资料来源：Wind，中金公司研究部

图表30：分析师因子轮动速度分域IC和超额统计
注：超额收益相对基准为中信一级行业等权基准；样本区间为2010-03-01至2023-07-31
资料来源：Wind，中金公司研究部

图表31：一致性修正因子（标准分）月度IC序列
注：超额收益相对基准为中信一级行业等权基准；样本区间为2011-01-04至2023-07-31
资料来源：Wind，中金公司研究部

图表32：75日内预测报告数量因子月度IC序列
注：超额收益相对基准为中信一级行业等权基准；样本区间为2010-03-01至2023-07-31
资料来源：Wind，中金公司研究部

图表33：流动性因子轮动速度分域IC和超额统计
注：超额收益相对基准为中信一级行业等权基准；样本区间为2010-03-01至2023-07-31
资料来源：Wind，中金公司研究部

图表34：1个月Amihud非流动因子月度IC序列
注：超额收益相对基准为中信一级行业等权基准；样本区间为2010-03-01至2023-07-31
资料来源：Wind，中金公司研究部

图表35：1个月Amihud非流动因子净值表现
注：超额收益相对基准为中信一级行业等权基准；样本区间为2010-03-01至2023-07-31
资料来源：Wind，中金公司研究部

图表36：现金流因子轮动速度分域IC和超额统计
注：超额收益相对基准为中信一级行业等权基准；样本区间为2011-01-04至2023-07-31
资料来源：Wind，中金公司研究部

图表37：净现金流TTM比总市值因子月度IC序列
注：超额收益相对基准为中信一级行业等权基准；样本区间为2011-01-04至2023-07-31
资料来源：Wind，中金公司研究部

图表38：净现金流TTM比总市值因子净值表现
注：超额收益相对基准为中信一级行业等权基准；样本区间为2011-01-04至2023-07-31
资料来源：Wind，中金公司研究部

图表39：拥挤度因子轮动速度分域IC和超额统计
注：超额收益相对基准为中信一级行业等权基准；样本区间为2018-02-01至2023-07-31
资料来源：Wind，中金公司研究部

图表40：低机构拥挤度因子月度IC序列
注：超额收益相对基准为中信一级行业等权基准；样本区间为2018-02-01至2023-07-31
资料来源：Wind，中金公司研究部

图表41：低机构拥挤度因子净值表现
注：超额收益相对基准为中信一级行业等权基准；样本区间为2018-02-01至2023-07-31
资料来源：Wind，中金公司研究部

图表42：资金流因子轮动速度分域IC和超额统计
注：超额收益相对基准为中信一级行业等权基准；样本区间为2011-11-01至2023-07-31
资料来源：Wind，中金公司研究部

图表43：1个月内北上资金增量因子月度IC序列
注：超额收益相对基准为中信一级行业等权基准；样本区间为2016-08-01至2023-07-31
资料来源：Wind，中金公司研究部

图表44：北向持仓占比因子（标准分）IC时序
注：超额收益相对基准为中信一级行业等权基准；样本区间为2017-06-01至2023-07-31
资料来源：Wind，中金公司研究部

图表45：初步筛选因子相关性检验
注：样本区间为2010-01-04至2023-07-31
资料来源：Wind，中金公司研究部

图表46：慢速轮动模型入选因子
资料来源：Wind，中金公司研究部

行业轮动2.0模型：适应不同轮动节奏的优化策略

基于轮动速度分域，提升模型在快速轮动环境下的表现

中金公司研究部基于Wind数据研究发现，行业轮动速度显著影响各类因子的有效性。在慢速轮动状态下，成长、分析师等基本面因子表现更优；而在快速轮动环境下，价量类因子如动量、资金流等更具优势[1]。市场自2022年下半年进入快速轮动阶段，导致以基本面因子为主的行业轮动1.0模型表现不佳，超额收益弱于行业等权基准[1]。

为应对这一挑战，研究团队构建了行业轮动2.0模型，采用“分域轮动”逻辑：根据当前市场轮动速度判断适用模型——慢速轮动时启用包含波动率、成长、拥挤度等因子的慢速模型；快速轮动时则切换至侧重动量、流动性、资金流等因子的快速模型[1]。该机制实现了因子权重的动态调整，提升模型对市场变化的适应能力[1]。

测试结果显示，大类因子间相关性较低，慢速轮动下大类因子相关性绝对值普遍低于0.4，快速轮动下均低于0.1，表明因子具备良好独立性[1]。在收益表现方面，慢速模型中拥挤度、调研信息和资金流因子年化超额收益分别为11.57%、7.27%和7.10%；快速模型中调研信息与资金流因子表现突出，分别达8.77%和7.25%[1]。调研信息因子在两种轮动状态下均表现出较强收益获取能力[1]。

行业轮动2.0模型整体表现优异。最终行业得分的IC均值为12%，IC_IR为0.47，多头平均换手率为52.15%，月度胜率达69.38%[1]。全样本期间（2010-03-01至2023-07-31），多空组合年化收益达21.72%，多头组合相对中信一级行业等权基准的超额年化收益为10.85%[1]。

在原模型失效阶段（2021年6月至2023年7月），2.0模型表现尤为突出，超额年化收益由1.0模型的不足2%提升至19.86%，多空组合年化收益达35.81%[1]。净值曲线显示，2.0模型自2021年6月起持续跑赢1.0模型，显著改善了后者在快速轮动环境下的阶段性失效问题[1]。

截至2023年7月31日，行业轮动速度指标为86.14，处于偏快水平，因此适用快速轮动模型[1]。2023年8月推荐持仓为通信、计算机、商贸零售、综合、电子和传媒[1]。其中，通信、计算机和传媒在动量与资金流维度得分较高，动量效应有望延续；商贸零售、计算机和综合在流动性方面表现良好；传媒因调研信息得分偏低略有扣分[1]。

快速轮动模型共纳入调研信息、动量与反转、流动性、资金流四大类9个因子；慢速轮动模型则涵盖波动率、成长、分析师、现金流、拥挤度等八大类16个因子[1]。模型换手率控制合理，复合模型全时段平均换手率为53%，低于快速模型的68%，优于慢速模型的44%[1]。

未来研究计划在现有2.0模型基础上进一步引入宏观与中观信息，以增强模型适应性与轮动效果[1]。需注意，模型结论基于历史数据回测，不构成实际投资建议，过往表现不代表未来结果[1]。