行业轮动3.0：范式、模型迭代与ETF轮动应用 | 开源金工

作者： 建榕量化研究

题图： 建榕量化研究 微信公众号

开源证券金融工程首席分析师 魏建榕

执业证书编号：S0790519120001

开源证券金融工程资深分析师 张翔(联系人)

执业证书编号：S0790520110001

研究领域：配置研究、基金研究

摘要

本篇报告是“行业轮动综合解决方案系列”的第三篇报告，在该系列报告中我们将会开发最新的行业轮动模型、更新以往研究成果，并给出行业轮动应用的综合解决方案。

行业轮动交易模式的变化与应对

行业轮动在2022年以来轮动走向极致。从赔率角度：行业分化幅度在2017~2021年期间迎来持续5年的上行趋势，在2022年之后分化幅度逐渐减弱，目前赔率处于历史中位水平。从胜率角度：2021年之前行业动量持续性强，而从2022年开始行业动量延续性减弱，轮动速度明显加快。

在不同轮动频率与颗粒度下测试表明，行业动量效应在“一级行业+双周频率”下表现最优，适合以此展开行业轮动模型研究。

开源金工行业轮动3.0模型构建

行业轮动体系3.0在“一级行业+双周频率”下，针对体系2.0中已有的交易行为、景气度、资金流3个模型进行迭代，同时新增加筹码结构、宏观驱动、技术指标3个新模型丰富了行业轮动的观察维度。

6个模型的轮动逻辑：交易行为模型捕捉行业日内动量+隔夜反转效应；景气度模型捕捉行业盈余动量效应；资金流模型捕捉主动抢筹+被动派发行为；筹码结构模型捕捉持仓收益+阻力支撑效应；宏观驱动模型捕捉高频宏观预期在行业上的映射；技术指标模型捕捉行业成份股在趋势、振荡、量能指标上的交易信号。

行业轮动信号合成研究

6个模型等权重合成模型，在2022年之前表现稳健，然而自2023年行业轮动加速后模型表现不佳。为了使行业轮动模型能够灵活适应市场波动，我们采用最小化排名跟踪误差方法，动态确定各模型的合成权重，构成行业轮动3.0模型得分。

2012年以来，动态合成模型因子IC均值9.30%，年化ICIR为1.705，IC胜率61.4%；行业五分组多空年化收益25.5%，信息比率1.765。多头组合年化收益为18.7%，相对基准年化超额13.2%，信息比率1.432；空头组合年化收益-6.2%，相对基准负向超额12.1%，信息比率1.631。从分年度表现来看，行业轮动3.0信号在多头端与空头端表现均衡，且行业选择能力显著。

ETF行业轮动应用方案

对市场ETF产品进行全面梳理，并重点对行业主题ETF进行动态行业分类，大类行业ETF共有346只产品，覆盖24个一级行业。采用“行业-指数-产品”的ETF轮动框架，将行业轮动3.0信号构建ETF轮动组合。

2017年以来，ETF轮动组合年化绝对收益为25.5%、信息比率0.90；相对行业等权基准的超额年化收益为22.5%，超额信息比率为1.16。截至2024年11月底，ETF轮动组合绝对收益为20.0%。

本篇报告是“行业轮动综合解决方案系列”的第三篇报告，在该系列报告中我们将会开发最新的行业轮动模型、更新以往研究成果，并给出行业轮动应用的综合解决方案。

在2020年11月发布的《行业配置的量化解决方案》报告中，我们从交易行为、资金面、景气度三个维度出发构建了开源金工行业轮动体系。

在2022年2月发布的《行业配置体系2.0：轮动模型的回顾、迭代与思考》报告中，我们分别对三个维度的行业轮动模型进行迭代升级，同时对行业轮动的有效性与持续性等问题进行讨论。

站在2024年的岁末，回顾过去两年的行业轮动表现，我们可以观察到两个显著的变化。一方面，我们发现市场交易模式经历了显著的加速，这直接冲击了传统月度行业轮动的根基；另一方面，特色数据正在逐渐消失与祛魅，例如从2024年8月19日开始停止披露的北向资金数据、2023年以来逐渐失效的分析师预期数据。面对市场快速变化和模型潜在失效，我们将对行业轮动体系进行全面地更新与迭代。

在本篇报告中，我们将会围绕以下四个热点话题展开讨论：

（1） 行业轮动的交易模式变化与行业轮动的底层逻辑；

（2） 6类行业轮动模型的轮动逻辑与模型构建方式；

（3） 各行业轮动模型的适应性与信号动态合成方案；

（4） ETF产品梳理与基于ETF的行业轮动应用方案。

01

行业轮动交易模式的变化与应对

行业轮动研究是兼具胜率与赔率的重要研究方向。相对于高赔率、低胜率的择时研究，行业轮动具有更广的投资宽度以保证其相对稳定的胜率；相对于高胜率、低赔率的选股研究，行业轮动具有更高的集中度与交易频率以保证其可观的赔率。

1.1、 行业轮动观察：2022年以来行业轮动走向极致

我们从行业轮动的赔率与胜率角度出发，观察市场行业轮动操作的难易程度。

对于行业轮动赔率而言，图2中我们按照周度行业按收益率分成五组，计算每周涨幅最高组与最低组平均收益的差值（红点），并对该周度行业分化时间序列提取趋势项（蓝线）。从上图中我们可以发现，市场在2017~2021年期间迎来持续5年的行业分化幅度上行趋势，而在2022年开始行业分化幅度逐渐减弱。这意味着，2022年之后行业轮动的赔率在相对降低，赔率大致处于历史中位水平。

行业轮动的底层基础是行业的动量效应，行业轮动的胜率就体现在行业动量的延续性上。因此，我们同样将行业按照过去K周涨幅进行五分组，做多涨幅最高组、做空涨幅最低组并持有K周，计算K周动量的多空表现。我们发现从2021年4季度开始8周动量与4周动量开始失效；2022年年中开始3周动量失效；2023年2季度开始2周动量失效；然而之前动量效果较弱的1周动量净值从2023年开始逐渐走强。这意味着，2022年以来市场行业轮动的延续性在变弱，轮动速度正在加快。

1.2、 行业轮动基础：关于轮动频率与颗粒度选择

从行业轮动胜率与赔率变化趋势可以看出，以往传统的月度轮动模型已经难以适应当下市场的轮动节奏，为此我们需要重新对轮动的频率与轮动的颗粒度进行讨论。。

行业轮动的底层基础是行业动量现象，我们通过一个简单例子来展示这种现象。我们按照一级行业过去一个月涨幅对行业进行五分组等权构建组合，从图4中我们可以看出，前期涨幅最多的分组5收益最高，前期涨幅最少的分组1收益最低。因此，在一级行业上会呈现出动量效应，即行业表现强者恒强。

但一级行业的动量效应并不稳定，我们使用分组5和分组1构建多空组合，观察行业动量的表现。从图5中我们可以看出，行业动量出现过多次较大回撤，最大回撤出现在2021年9月至2023年2月期间，正好与行业轮动加速市场环境吻合，这期间行业月度涨幅体现出反转特征。

如何更好地利用行业动量效应？我们需要对轮动的频率与颗粒度展开讨论，以确定合适进行轮动的频率与标的。为此，我们分别在一级、二级、三级行业上，从1周至16周频率下对行业动量进行五分组测试。

从上表中我们可以看出轮动频率与颗粒度对行业动量效应的影响规律，当轮动频率越高时行业动量效应越强，当行业颗粒度越粗时行业动量越强。

具体而言，我们将各轮动频率与颗粒度下的五分组多空和因子IC测试进行比较，可以发现行业动量效应在“一级行业+双周频率”下表现最强。因此，后续我们将在此条件下展开行业轮动模型研究。

02

行业轮动3.0模型构建

开源金工行业轮动体系3.0将在“一级行业+双周频率”进行轮动，针对体系2.0中已有的交易行为、景气度、资金流3个模型进行迭代，同时新增加筹码结构、宏观驱动、技术指标3个新模型丰富了行业轮动的观察维度。

对于行业轮动模型研究，我们希望模型能够符合常识、逻辑直接、模型简洁。我们各用一句话来概括6个模型的轮动逻辑：交易行为模型捕捉行业日内动量+隔夜反转效应；景气度模型捕捉行业盈余动量效应；资金流模型捕捉主动抢筹+被动派发行为；筹码结构模型捕捉持仓收益+阻力支撑效应；宏观驱动模型捕捉高频宏观预期在行业上的映射；技术指标模型捕捉行业成份股在趋势、振荡、量能这三类指标上的交易信号。

2.1、 交易行为模型

在2020年3月发布的《A股行业动量的精细结构》报告中，我们提出通过因子切割方法改善因子表现，即将行业的涨幅切分为日内因子（intraday return）和隔夜因子（overnight return）。由于两段时间内参与的资金不同，日内涨幅为真金白银交易构成，资金推动涨幅具有持续性，行业上日内因子体现明显的动量效应；而隔夜涨幅更多反映市场情绪，更高的集合竞价涨幅会透支行业未来收益，因此隔夜因子具有明显的反转效应。

为了更细致分析日内动量与隔夜反转有效性，我们在双周度频率下，分别对日内因子与隔夜因子进行回看期为1周~52周的因子测试。从下表中可以看出，日内因子在短期1周~5周内体现出较强的动量效应，随着回看周期拉长动量效应逐渐减弱；而隔夜因子在短期1周~5周内具有弱反转，在6周~8周内反转效应明显，随着回看周期拉长反转效应逐渐消失，转而体现出弱动量效应。因此，我们可以分别选取日内因子与隔夜因子效果最稳定的回看期构建因子，进而将两类因子等权合成为行业交易行为因子。

交易行为模型五分组表现稳定，在多头组与空头两端均表现出比较稳定的超额贡献。在2012年至2024年11月期间，行业多头组年化收益14.2%，信息比率0.567；行业五分组多空年化收益15.1%，信息比率1.143，最大回撤16.5%。

2.2、 景气度模型

行业景气度可分为财报景气度和分析师预期景气度，两种景气度研究我们在2021年12月发布的《景气度研究：量化与主动的多视角》报告中均有详细讨论。然而自2023年以来，分析师预期数据在行业轮动预测上出现了明显失效，因此我们只采用财报景气度构建行业轮动模型。

在A股市场中，普遍存在着显著的盈余动量效应（PEAD），即在业绩公告后，业绩利好的公司股价会走出相对超额。景气度模型正是捕捉行业中盈余动量效应带来的投资机会。首先我们分别对净利润增速、营收增速、ROE指标在截面上进行分位点排序，然后将成份股分位点均值记为行业盈利水平，最后在时序上对行业盈利分位点进行差分构成行业景气度指标。我们对三类盈利指标构建的指标等权相加，形成行业景气度模型评分。

景气度模型五分组排序稳定，分组表现差异明显。在2012年至2024年11月期间，行业多头组年化收益13.4%，信息比率0.563；行业五分组多空年化收益13.2%，信息比率1.16，最大回撤18.8%。

2.3、 资金流模型

资金流模型核心是跟踪聪明资金的流动变化。我们使用基于逐笔数据汇总的每日个股资金流数据进行研究，捕捉行业轮动机会。资金流按照挂单金额分为四类统计：超大单（>100万元）、大单（20-100万元）、中单（4-20万元）和小单（<4万元）；同时撮合成交的订单也会按照挂单时间先后被分为主动与被动订单。

根据资金流金额划分，单笔挂单金额越大越偏向机构资金，反之则偏向个人投资者；根据挂单时间划分，市价委托比限价委托有更高信息含量。在2022年2月发布的《行业配置体系2.0：轮动模型的回顾、迭代与思考》报告中，我们提出资金流跟踪模式主要按照挂单金额进行划分构建轮动信号。本次我们将结合挂单金额和时间，构建“主动抢筹+被动派发”资金流模型跟踪行业上聪明资金的流动行为。

超大单主动抢筹：超大单资金主动净买入占比，代表了机构投资者主动买入行为。当聪明资金在底部收集到足够筹码时，行业会迎来主力拉升阶段。在拉升启动期间，超大单主动买入占比越高，知情交易信息含量越高，资金抢筹行为越明显。因此，我们采用行业超大单主动净流入强度，捕捉行业中聪明资金的抢筹行为。

中小单被动派发：当行业完成股价拉升后，聪明资金会陆续向外派发筹码，这时中单或小单会被动承接筹码，行业未来表现会相对走弱。因此，我们采用行业中单/小单被动净流入强度，捕捉行业中聪明资金派发筹码的退出行为。

上图中分别展示了超大单主动抢筹与中小单被动派发两类指标的分组表现，两类资金行为指标均有较好的行业轮动能力。因此，我们将超大单主动抢筹指标与中小单被动派发指标等权重合成构建成行业资金流模型，用来刻画聪明资金在行业上流动变化。

资金流模型五分组排序稳定，多头组与空头组表现差异显著。在2012年至2024年11月期间，行业多头组年化收益17.0%，信息比率0.723；行业五分组多空年化收益19.4%，信息比率1.367，最大回撤21.6%。

2.4、 筹码结构模型

筹码结构是用来描述不同价格水平下的全体投资者的股票持有量分布。我们假设每日存量全部持仓都会按照当日换手率均匀换仓，当日的成交均价作为该日的持仓成本，通过每日滚动累积即可算出不同持仓价格下对应存量筹码分布。

我们以电子行业为例，上图是在2024年11月29日当天电子行业的筹码结构分布。关于市场筹码结构的研究至关重要，它不仅能反映市场参与者的持仓信息，还能帮助我们更好理解投资者交易行为变化。

从行为金融学的角度来看，心理帐户变化会直接影响投资者做出非理性决策行为。我们定义市场赚钱效应为全市场筹码的平均收益率，即全市场的持仓成本与当日成交均价的比值；用市场赚钱效应来反映了整体投资者心理帐户的盈亏状态。

对于筹码结构研究可以从持仓收益和阻力支撑两个角度展开，而在不同市场赚钱效应下，筹码结构因子可能会有截然相反的效果。

持仓收益因子：行业现价相对持仓成本的收益率。当市场赚钱效应处于盈利时，持仓收益越高的行业未来表现越好；而当市场赚钱效应处于亏损时，持仓收益越高的行业未来表现越差。

阻力支撑因子：阻力因子，即行业现价之上全部筹码/日均成交量，反映市场上方卖盘抛压；当市场赚钱效应处于盈利时，卖盘抛压越大行业表现越差；当市场赚钱效应处于亏损时，卖盘抛压对行业无实质影响。支撑因子，即行业现价之下全部筹码/日均成交量，反映市场下方买盘支撑；当市场赚钱效应处于盈利时，买盘支撑越强行业表现越好；当市场赚钱效应处于亏损时，买盘支撑越强行业表现越差。

从行为金融学的角度来看，筹码结构指标蕴含投资者的非理性决策行为。我们分别结合前景理论和处置效应来解释市场亏损状态下，筹码结构因子方向变化的逻辑。

前景理论指出人们对于潜在损失的厌恶远大于相同金额的收益。市场持仓处于亏损时，投资者会倾向卖出持仓收益更高的行业落袋为安，持有持仓收益较低的行业期待反弹；而行业的买盘支撑筹码（获利盘）越高，越会面临更明显的止盈操作，导致价格跌幅越大。

而处置效应描述了投资者倾向于过早卖出盈利股票而持有亏损股票的行为。市场持仓处于亏损时，上方卖盘阻力筹码因为被套牢而不再直接影响行业未来表现。

我们将赚钱效应作为市场心理帐户盈亏的代理指标，利用行为金融解释的方向分别构建持仓收益因子与阻力支撑因子。从下面两图可以看出，两个因子均具有比较稳定的行业轮动能力。

我们将持仓收益因子与阻力支撑因子进行等权合成，构成筹码结构模型，并进行行业分组轮动测试。

筹码结构模型五分组排序稳定，多头组与空头组表现差异显著。在2012年至2024年11月期间，行业多头组年化收益14.5%，信息比率0.569；行业五分组多空年化收益14.9%，信息比率0.872，最大回撤21.0%。

2.5、 宏观驱动模型

在2023年10月发布的《高频宏观因子构建与资产配置应用》报告中，我们通过因子模拟组合（factor mimicking portfolio）方法构建一套周频宏观因子体系，包括经济增长、通膨、利率、汇率、信用、期限利差共6个核心宏观指标，进而帮助我们观察资产价格交易的宏观预期变化。

每个行业所处的生命周期不同、对经济周期的敏感度存在差异，行业表现也会受到不同宏观因子的驱动影响。我们可以拆解行业收益在各类宏观因子上的暴露，再将市场预期的宏观变化映射到行业预期收益，以行业预期收益作为行业的宏观驱动模型信号。

宏观驱动模型五分组排序稳定，多头组超额收益显著。在2012年至2024年11月期间，行业多头组年化收益15.6%，信息比率0.628；行业五分组多空年化收益15.7%，信息比率0.925，最大回撤29.0%。

宏观驱动模型的多空收益近期出现了较大回撤，回撤主要发生在2024年2月至5月期间，市场轮动节奏更多受到市场超跌反弹的影响，因此模型出现阶段性失效情形。类似地，宏观驱动模型表现波动较高，当市场并非宏观因素主导时可能出现较大回撤，比如在2015年7月的股灾和2021年2月的抱团股瓦解时模型分别产生了第二大与第三大回撤。

2.6、 技术分析模型

技术分析是一种基于市场量价数据构建统计指标，用以预测未来市场行为的分析方法。这种分析手段是建立在“市场价格包含一切信息”并且“历史会重演”的核心假设之上。

技术指标与宏观经济、产业趋势、公司财务等指标相关度低，可以有助于丰富行业轮动的信息来源。由于市场中技术指标数量众多，我们在对成份股进行技术指标计算之前，先将技术指标分为4大类别，分别是趋势类、震荡类、量能类、波动类，同时相应地精选14个主流技术指标进行研究测试。

但通常技术分析会用于择时研究，我们将技术指标用于行业轮动面临以下两个问题：（1）技术指标无法进行截面比较；（2）技术指标容易产生噪音或钝化现象。为了应对以上问题，我们可以先对行业的全部成份股计算技术指标并标准化，然后按照成份股权重聚合到行业指数上，用以帮助我们进行截面比较轮动。

我们将行业成份股的技术得分汇总，分别计算了以上14个指标的行业技术指标，并在截面进行轮动研究，五分组多空与因子IC测试结果如上表所示。

从相关性上观察，14个技术指标之间的相关性均较高，因此我们在每类中优选表现较好的HMA、WPR、CMF三个因子等权合成，构成技术分析模型的因子得分。

技术分析模型五分组整体排序稳定，但模型的波动与回撤相对较大。在2012年至2024年11月期间，行业多头组年化收益11.7%，信息比率0.483；行业五分组多空年化收益9.7%，信息比率0.617，最大回撤36.6%。

03

行业轮动信号合成研究

在上一章中，我们详细介绍了开源金工行业轮动3.0解决方案中所使用6个轮动模型，然而每个模型具有适用的市场环境，我们本章讨论如何将6类模型进行组合构成普遍适用的行业轮动信号。

3.1、 行业轮动等权合成模型

我们对6个模型的五分组多空表现和因子IC测试进行了横向比较。从多空收益的角度分析，资金流模型在年化收益和信息比率方面表现最佳，而技术分析模型在年化收益和最大回撤方面表现相对较弱。就因子的预测能力而言，6个模型的IC均值大致在4%到7%之间，差异不大，但宏观驱动模型、资金流模型在稳定性上表现最为突出，相比之下，技术分析模型在稳定性上的表现则相对较低。

从模型相关性来看，技术分析与资金流、宏观驱动、交易行为的相关性相对偏高，分别为0.54、0.39、0.38；景气度、筹码结构两个模型与其他模型相关性较低。

我们将6个模型等权重合成，等权合成模型行业多头组年化收益19.8%，信息比率0.798；行业五分组多空年化收益23.6%，信息比率1.539，最大回撤27.5%。因子IC均值为9.55%，年化ICIR为1.676，IC胜率63.8%。

等权重合成模型在2022年之前表现稳健，然而在2022以后表现开始减弱，2022年以来因子IC均值仅为2.62%，年化ICIR降至0.479。这表明在当前行业轮动节奏加快的市场中，等权重模型已不足以适应市场的变化。因此，我们需要通过动态调整各模型的权重，以更好地适应市场的变化。

3.2、 行业轮动动态合成模型

行业表现受到多种驱动因素的影响，但在不同的市场环境下，主导因素可能会有所变化。为了使行业轮动模型能够灵活适应市场波动，我们采用最小化排名跟踪误差方法，动态确定各模型的合成权重。具体而言，我们基于过去12周的数据，通过最小化行业未来一周收益率排名与合成行业因子之间的欧式距离，来求解各模型的最优权重比例。这样，我们就能构建出一个动态合成因子，作为下一期行业轮动的信号。

在最小化行业排名跟踪误差优化中，我们要求6类信号最低权重为0，最高权重不超过30%。这种做法是在滚动12周的样本内，我们让合成信号与未来行业收益排名尽可能一致，提高主要驱动因素的模型权重，降低阶段失效的模型权重，并以此权重外推计算未来行业收益排名预测。

上图中展示了2012年以来动态合成模型中6类因子的权重贡献，其中历史平均权重最高的两个模型分别是筹码结构24.7%和景气度22.3%，其余4个模型权重分别为交易行为14.95%、宏观驱动12.72%、资金流12.69%、技术分析12.62%。从平均权重贡献的结果看，动态最小化排名跟踪误差方法能够主动降低高相关因子的权重贡献。

开源金工行业轮动3.0模型采用动态合成模型作为信号，在2012年至2024年11月期间，因子IC均值为9.30%，年化ICIR为1.705，IC胜率61.4%。五分组排序表现稳定，多头组与空头组的超额收益显著。行业多头组年化收益18.7%，信息比率0.757；行业五分组多空年化收益25.5%，信息比率1.765，最大回撤21.6%。

从分年度表现来看，行业轮动3.0信号在多头端与空头端表现均衡，且行业选择能力显著。我们使用行业轮动3.0模型，通过五分组等权的方法构建行业多头和空头组合，并以30个行业的等权配置作为基准组合。多头组合相对基准年化超额13.2%，信息比率1.432，最大回撤17.9%；空头组合相对基准负向超额12.1%，信息比率1.631，最大回撤14.3%。

下图中展示2012年以来，各行业轮动模型的因子IC累积比较，其中动态合成模型的稳定性得到提升。自2022年以来，在行业轮动相对难做的环境下，动态合成因子IC均值也可以达到4.57%，年化ICIR为0.911，相比等权合成因子明显改善。

04

ETF行业轮动应用方案

4.1、 ETF产品梳理及行业分类

2024年，A股ETF市场实现了历史性的跨越， ETF规模连续跨越2万亿元和3万亿元的重要关口，ETF的持股规模首次超过了主动权益基金，标志着ETF在权益市场中成为配置规模最大的投资品种。指数化投资理念受到投资者的认可，ETF以其透明性、低费率和交易便捷性等优势，成为资产配置的重要工具。

截至2024年11月底，A股ETF产品共计988只，合计规模为33699亿元；ETF按资产类别可划分为权益型ETF、债券型ETF、商品型ETF三大类，其中权益类产品规模占比接近95%。权益型ETF按照跟踪指数又可分为宽基ETF、指增ETF、风格策略（smartbeta）ETF、行业主题ETF四大类，其中宽基ETF与行业主题ETF是规模最大、数量最丰富的两类细分品种。

对于行业主题ETF划分，首先，我们对行业主题ETF跟踪的全部指数分别计算成份股的行业分布；其次，我们动态计算最近一年跟踪指数与行业指数的相关性；当第一大行业权重超过50%且相关性不低于80%时，则记为相应的大类行业ETF基金，其余基金划分为复合主题ETF。同时，我们对大类行业ETF基金的成份股计算二级行业权重，当第一大二级行业权重超过50%时，我们将该ETF基金也备注上细分行业标签。

目前行业主题ETF共计569只，合计规模为8597亿，其中大类行业ETF共有346只产品，覆盖24个一级行业，合计规模为4929亿元；其余的复合主题ETF共计223只，合计规模3669亿元。我们动态地在每个季度对大类行业ETF进行划分，可以发现大类行业ETF覆盖度在2019年开始提高，基金数量从2021年开始出现高速增长。

同时在每期分类时，我们都计算了这些ETF跟踪的指数在过去一年内与相应行业指数的相关性、Beta值、跟踪误差、超额收益以及超额信息比等关键指标。这些指标有助于评估ETF产品的表现及其与行业基准的关联程度。在2024年11月底，我们从每个一级行业中挑选了规模最大的ETF产品作为代表展示。

4.2、 行业ETF轮动应用框架

随着ETF市场快速发展，目前已有80%一级行业具有ETF跟踪覆盖，本节我们尝试将行业轮动3.0信号应用到ETF轮动中。

在实际投资中，我们以前文中划分的行业ETF为标的，构建行业ETF轮动策略的应用框架：（1）行业选择：构建行业轮动信号，我们采用行业轮动3.0模型作为投资信号；（2）指数选择：在每个看多的行业中，可能存在多个相似的行业指数有ETF跟踪，我们选择弹性最高的指数配置；（3）ETF产品选择：针对每个选定的指数，我们选择相应流动性好、跟踪误差小的ETF产品进行投资。

为了比较以上步骤的重要性，我们分别构建了五个组合进行表现比较。我们选用有ETF跟踪的行业等权配置作为比较基准组合；每期用行业轮动3.0信号选前1/6行业等权配置作为行业轮动组合；用看多行业中弹性最高的指数等权配置作为指数轮动组合；在每个高弹性指数跟踪的ETF中，我们选择流动性最好的ETF进行等权配置作为ETF轮动组合；最后对ETF轮动组合按单边扣费3bp计算组合的扣费表现。

我们从各个组合分年度表现可以看出，行业轮动信号为组合贡献主要收益，而指数轮动组合的增量贡献来自于更高的弹性收益，ETF轮动组合的增量贡献来自于分红再投资收益。

2017年以来，ETF轮动组合年化收益25.5%、信息比率0.90，而行业等权基准年化收益仅为2.7%。在过去的8年里，ETF轮动组合除2023收益-3.4%为负，其余年份均录得正收益，且截至2024年11月底ETF轮动组合收益为20.0%。

ETF轮动组合的超额年化收益为22.5%，超额信息比率为1.16，超额最大回撤为25.0%，该回撤发生在2021年9月至2022年3月期间。

为了更直观地了解ETF轮动组合的最新表现，我们特此展示该组合最近五期的ETF持仓情况，详见下表。

05

总结与展望

本文是“行业轮动综合解决方案系列”的第三篇报告，旨在讨论行业轮动的痛点、难点并给出解决方案。首先，我们从市场轮动的胜率与赔率的观察视角出发，确定了以“一级行业+双周频率”做行业轮动最为适宜。其次，我们从交易行为、景气度、资金流、筹码结构、宏观驱动、技术分析六个维度深入讨论了行业轮动的驱动逻辑，并构建了相应的双周频行业轮动模型。再次，我们对轮动信号的合成方式展开讨论，提出采用动态最小化排名跟踪误差方式优化各模型权重，构建自适应市场变化的合成信号，作为行业轮动3.0模型。最后，我们对市场上的ETF产品进行全面梳理，同时对ETF进行动态行业分类并以此作为轮动标的，构建ETF轮动策略的应用框架。

展望未来，在ETF规模与数量高速发展的背景下，关于权益ETF崛起对市场风格和行业轮动的潜在影响，我们主观做出以下4点推论展望。

（1）个股定价分化持续加剧：在有大量被动产品跟踪的股票里更难获取非基本面alpha机会，而在被动资金跟踪较少的个股中更容易获取交易alpha，这代表着核心资产股票与中小微盘股票的定价差异将会持续极端分化。

（2）行业轮动重要性与日俱增：ETF资金通过宽基与行业主题进入市场，个股之间的差异被弱化，资金进出效率得到提升，这实际上增强了指数择时与行业比较研究的重要性。

（3）行业轮动速度可能维持高位：个股交易会引发资金扩散效应，价格联动会逐步传导至行业和市场。而ETF交易则缩短这种传导路径，使得行业轮动速度加快。但也存在例外情形，当市场迎来大级别的产业趋势时，行业动量的持续性增强，轮动速度可能会相应减慢。

（4）行业分化幅度受ETF交易结构影响：当以宽基类ETF为交易主导时，行业分化幅度会压缩，轮动赔率降低；而当行业主题ETF成为交易主导时，行业分化幅度则会扩张，轮动赔率提升。

以上展望都预示着，行业轮动未来仍会是市场的焦点话题。为了应对市场的不断变化，我们需要持续紧密地跟踪行业轮动表现，不断进行模型迭代升级，与市场同步进化。

06

风险提示

模型基于历史数据测试，市场未来可能发生重大。组合基于历史数据回测，并不直接构成产品推荐。

版权声明：文章版权归原作者所有，部分文章由作者授权本平台发布，若有其他不妥之处的可与小编联系。