20260225-浙商证券-金融工程研究报告_五维行业配置框架_19页_1mb

> **来源：[研报客](https://pc.yanbaoke.cn)** 金融工程专题 报告日期：2026年02月25日 # 五维行业配置框架 # ——金融工程研究报告 # 核心观点 融合了景气度、拥挤度、量价、风格等信息的五维行业配置框架综合表现亮眼，2020.1-2026.1期间，多头组年化超额 $31.5\%$ ，月度超额胜率 $69.4\%$ # □ 在宏观经济新常态下，仅依赖中观景气变动无法提供足够稳定的行业配置建议。 我们在2023年8月外发报告《行业基本面量化投资框架》中，系统性构建了基于中观高频数据的行业配置体系。样本外跟踪至今，我们发现该策略自2024年起有效性明显下降，相对中证800的超额收益基本走平。我们分析认为，景气投资策略的底层假设是行业景气的趋势性在未来一段时间内可以延续，而当经济周期本身的趋势性不明显时，基于当期景气度外推未来景气度变得困难，景气投资策略因而易于失效。而2024年至今，国内经济持续处于磨底状态，周期性减弱，因此策略整体表现较弱。 # □基本面之外，引入交易、量价、风格等不同维度信息，共同判断行业投资吸引力。 在中观景气维度之外，本文中，我们额外引入分析师Alpha Capture、交易拥挤度、量价、风格适配度四个核心维度，构建五维行业配置框架： 1、分析师 Alpha Capture：中观景气模型无法覆盖全部行业，例如计算机、传媒、医药等行业缺乏可供跟踪的中观数据。因此，我们可以从分析师一致预期数据入手，进行信息补充。我们以行业一致预期净利润FTTM环比增速的时序分位数，判断行业当前景气预期的变化，回测期内多头组年化超额 $6.5\%$ ，空头组年化超额 $-9.3\%$ 。 2、交易拥挤度：景气、量价等策略从底层逻辑上来说，往往都是做趋势动量，这类策略在交易结构过度拥挤时容易出现动量崩溃，因此在综合评价的过程中，与之互补的风险预警信号就显得尤为重要。我们根据成交占比、筹码盈利比例等指标综合构建拥挤信号，当行业拥挤度指标超过滚动3年的 $95\%$ 分位数时，未来表现容易偏弱，回测期内高拥挤行业组合年化超额 $-13.7\%$ 3、量价评分：我们在浙商金工量价因子库中选取残差标准差、尾盘成交占比等8个量价因子，由个股因子聚合至指数后，综合形成指数的量价评分。回测期内，多头组年化超额 $18.9\%$ ，空头组年化超额 $-12.5\%$ 4、风格适配度：有些时候，市场风格对行业走势的影响较为显著，当行业普遍缺乏基本面逻辑时，与市场强势风格的适配程度，也可能成为影响行业走势的重要因素。我们分别根据此前报告中构建的游资活跃度指标和ETF风险偏好指数判断大小盘及高低估值风格的相对强弱，并根据行业指数在这两类风格上的暴露强度综合计算行业与当前强势风格的适配程度。回测期内，多头组年化超额 $10.0\%$ 空头组年化超额 $-14.7\%$ # 2020年以来，五维行业配置模型多头组年化超额 $31.5\%$ ，空头组年化超额 $-18.3\%$ 。 我们将不同维度的信号均处理至[-1,1]区间，由于中观景气及一致预期景气两个维度均刻画的是行业基本面，我们对这两个维度分别设置 $50\%$ 的权重，其余三个维度为 $100\%$ 权重，加权相加后即可得到行业最终的综合评分。2020年以来，综合评分指标rankIC均值达0.162，ICIR达2.31，多头组年化超额 $31.5\%$ ，超额收益月胜率 $69.4\%$ ，空头组年化超额 $-18.3\%$ ，超额收益月胜率 $25.0\%$ 。分年度来看，策略2024年表现不佳，其余年份均能实现较为稳定的超额收益。 # □ 风险提示 分析师：陈奥林 执业证书号：S1230523040002 chenaolin@stocke.com.cn 分析师：徐浩天 执业证书号：S1230523090002 xuhaotian@stocke.com.cn # 相关报告 1《指增超额回撤控制：波动率分域视角》2026.02.24 2《春节特别篇：低起点，大空间，维持乐观》2026.02.23 3 《保持乐观，持股过节》2026.02.08 1、本文中的模型及统计结果均基于历史数据统计得到，历史数据不代表未来；2、平滑参数等超参数设定对模型结果存在一定影响；3、策略历史回测数据不代表未来运作的实际效果或可能获得的实际收益。 # 正文目录 # 1 引言 5 # 2五维行业配置框架 6 2.1分析师AlphaCapture 7 2.2 交易拥挤度 ..... 8 2.3 量价评分 ..... 11 2.4 风格适配度 13 2.5 五维行业配置框架构建 ..... 15 # 3风险提示 18 # 图表目录 图1：中观景气策略收益表现 5 图2：国内景气指数走势. 5 图3：一致预期指标不同组别下组合相对净值表现 8 图4：不同参数下指标IC统计结果 8 图5：单行业择时策略年化超额收益表现 10 图6：高拥挤行业组合净值表现 10 图7：拥挤度指标分组回测相对净值结果 11 图8：回归残差标准差因子分组回测相对净值表现 12 图9：回归残差偏度因子分组回测相对净值表现 12 图10：收益率标准差因子分组回测相对净值表现 12 图11：尾盘成交占比因子分组回测相对净值表现 12 图12：低振幅动量因子分组回测相对净值表现 12 图13：锁仓比因子分组回测相对净值表现 12 图14：隔夜新息强度因子分组回测相对净值表现 13 图15：日内股价形态因子分组回测相对净值表现 13 图16：量价指标分组回测相对净值结果 13 图17：大小盘风格择时策略净值表现 14 图18：估值风格择时策略净值表现 14 图19：风格适配度分组策略相对净值走势 15 图20：综合评分因子历史rankIC. 16 图21：各维度信号相关系数 16 图22：综合评分指标分组回测结果 17 表 1: 底层配置 ETF 列表 表 2: 拥挤度分项指标一览 表 3：所选量价因子一览 表 4: 分组回测绩效统计. 17 表 5: G1 组分年度绩效表现 ..... 17 # 1 引言 我们在2023年8月外发报告《行业基本面量化投资框架》中，系统性构建了基于中观高频数据的行业配置体系。样本外跟踪至今，我们发现该策略自2024年起有效性明显减弱，相对中证800的超额收益基本走平。 图1：中观景气策略收益表现 资料来源：Wind，浙商证券研究所 对于策略阶段性失效的原因，我们在报告《景气投资有效性为什么会阶段性下降》中也已有过深度分析。简单来说，景气投资策略的底层假设是行业景气的趋势性在未来一段时间内可以延续，而当经济周期本身的趋势性不明显时，基于当期景气度外推未来景气度变得困难，景气投资策略因而易于失效。2024年至今，我们根据PMI等数据构建的国内景气指数持续处于磨底状态，经济周期性减弱，因此策略整体表现较弱。 图2：国内景气指数走势 资料来源：Wind，浙商证券研究所 考虑到景气投资策略具有明显的适用环境，其信号无法全天候为我们的投资决策提供参考，本文尝试综合量价、风格等更多维度的信息，以期获得更加稳定的结果。 # 2五维行业配置框架 本文中，我们主要针对已有相关ETF可供跟踪的申万一级行业进行策略构建，若一级行业内部存在逻辑差异较大，且均有ETF跟踪的细分赛道，则做进一步拆分，例如针对电力设备行业，我们拆分为了新能源汽车与光伏两个细分方向。在每个行业内部，我们选取规模较大，且跟踪不同指数的最多3个ETF，以实现对行业更全面的覆盖。底层标的信息如下所示。 表1：底层配置 ETF 列表 行业 ETF代码 ETF名称 跟踪指数名称 ETF规模(亿元) 煤炭 515220.SH 煤炭ETF 中证煤炭指数 93.5 有色金属 512400.SH 有色金属ETF 中证申万有色金属指数 448.1 有色金属 516650.SH 有色金属ETF 基金 中证细分有色金属产业主题指数 235.5 有色金属 560860.SH 工业有色ETF 万家 中证工业有色金属主题指数 160.4 钢铁 515210.SH 钢铁ETF 中证钢铁指数 47.7 石油石化 159731.SZ 石化ETF 中证石化产业指数 16.6 石油石化 159697.SZ 石油ETF 鹏华 国证石油天然气指数 16.6 石油石化 561360.SH 石油ETF 中证油气产业指数 24.2 建筑材料 159745.SZ 建材ETF 中证全指建筑材料指数 17.1 建筑装饰 516970.SH 基建ETF 广发 中证基建工程指数 18.3 基础化工 159870.SZ 化工ETF 中证细分化工产业主题指数 335.2 工程机械 560280.SH 工程机械ETF 中证工程机械主题指数 20.5 通用设备 159667.SZ 工业母机ETF 中证机床指数 12.8 汽车 516110.SH 汽车ETF 中证800汽车与零部件指数 5.8 汽车 159565.SZ 汽车零部件ETF 易方达 中证汽车零部件主题指数 3.1 交通运输 516910.SH 物流ETF 中证现代物流指数 0.9 交通运输 159666.SZ 交通运输ETF 中证全指运输指数 0.9 交通运输 159662.SZ 交运ETF 南方 国证交通运输 0.9 环保 512580.SH 环保ETF 中证环保产业指数 12.7 公用事业 159611.SZ 电力ETF 中证全指电力公用事业指数 41.2 银行 512800.SH 银行ETF 中证银行指数 121.7 券商 512880.SH 证券ETF 中证全指证券公司指数 558.8 房地产 512200.SH 房地产ETF 中证全指房地产指数 66.8 农林牧渔 159865.SZ 养殖ETF 中证畜牧养殖指数 47.9 农林牧渔 159825.SZ 农业ETF 中证农业主题指数 26.0 社会服务 159766.SZ 旅游ETF 中证旅游主题指数 78.3 食品饮料 512690.SH 酒ETF 中证酒指数 189.4 食品饮料 515170.SH 食品饮料ETF 中证细分食品饮料产业主题指数 56.4 家用电器 159996.SZ 家电 ETF 中证全指家用电器指数 13.9 医药生物 512170.SH 医疗 ETF 中证医疗指数 272.1 医药生物 159992.SZ 创新药 ETF 中证创新药产业指数 154.2 医药生物 159883.SZ 医疗器械 ETF 中证全指医疗器械指数 64.3 半导体 159995.SZ 芯片 ETF 国证半导体芯片 281.3 半导体 512480.SH 半导体 ETF 中证全指半导体产品与设备指数 226.7 半导体 159516.SZ 半导体设备 ETF 中证半导体材料设备主题指数 207.6 消费电子 159732.SZ 消费电子 ETF 国证消费电子主题指数 27.5 通信 515880.SH 通信 ETF 中证全指通信设备指数 151.6 计算机 159852.SZ 软件 ETF 中证软件服务指数 152.8 计算机 159998.SZ 计算机 ETF 中证计算机主题指数 29.7 传媒 159869.SZ 游戏 ETF 中证动漫游戏指数 144.2 传媒 512980.SH 传媒 ETF 中证传媒指数 115.0 新能源汽车 159755.SZ 电池 ETF 国证新能源车电池指数 132.2 新能源汽车 515030.SH 新能源车 ETF 中证新能源汽车指数 39.8 光伏 515790.SH 光伏 ETF 中证光伏产业指数 105.9 国防军工 512660.SH 军工 ETF 中证军工指数 97.6 国防军工 512710.SH 军工龙头 ETF 中证军工龙头指数 100.5 资料来源：Wind，浙商证券研究所。ETF规模数据截至20260130。 在中观景气维度之外，本文中，我们额外引入分析师Alpha Capture、交易拥挤度、量价、风格适配度四个核心维度，构建五维行业配置框架。 # 2.1 分析师 Alpha Capture 中观景气模型无法覆盖全部行业，例如计算机、传媒、医药等行业缺乏可供跟踪的中观数据。因此，我们可以从分析师一致预期数据入手，进行信息补充。不过，一致预期数据存在FY1、FY2、FTTM等多种数据形式，从底层个股到行业的聚合也有整体法和个股数据加权两种方案。综合考虑后，我们认为整体法下的FTTM环比可能是一个较为合理的数据处理形式： 1、由于不同股票的年报发布时间不同，这使得年报季时，行业内个股的FY1、FY2等数据所代表的数据年份可能不同，简单汇总至行业会带来较大的误差，而FTTM始终代表未来12个月的盈利预期，受定期报告发布时间的影响较小。 2、个股数据的百分比变化可能存在较大波动，若按个股权重加权聚合到行业维度，最终结果可能经常出现异常波动，影响信号准确度。因此，整体法可能是更为合适的聚合方法。 根据行业一致预期净利润FTTM环比增速的时序分位数，判断行业当前景气预期的变化。我们每月按整体法汇总计算行业一致预期净利润FTTM环比增速，同时考虑到不同行业的业绩弹性存在较大差异，为使得该数据在行业间横向可比，我们进一步计算该指标滚动24个月的时序分位数。基于处理后的指标由高到低排序，将我们关注的29个行业分为6组（前5组各5个行业，最后一组4个行业），组内行业等权构建组合，比较基准为全行业等权。在2019年2月至2026年1月的回测区间内，G1年化超额 $6.5\%$ ，G6年化超额 $-9.3\%$ 。 分组回测结果虽然并非严格单调，但整体上排名较高的行业表现较好，排名较低的行业表现较弱，指标能够实现一定的行业筛选效果。 图3：一致预期指标不同组别下组合相对净值表现 资料来源：Wind，浙商证券研究所 该策略仅有计算分位数的窗口长度1个参数，我们对该参数在12-40个月区间内进行遍历，计算最终指标的rankIC均值及ICIR，结果显示，指标预测效果在窗口期为28个月前后时达到最优，参数敏感度并不高。为了方便，我们这里选取较为常用的24个月（即2年）作为指标计算的最终参数。 图4：不同参数下指标IC统计结果 资料来源：Wind，浙商证券研究所 # 2.2 交易拥挤度 景气、量价等策略从底层逻辑上来说，往往都是做趋势动量，这类策略在交易结构过度拥挤时容易出现动量崩溃，因此在综合评价的过程中，与之互补的风险预警信号就显得尤为重要。 我们计算了成交额占比等7类拥挤度信号，对每个行业而言，我们为其选取择时效果最好的3个细分指标，综合构建最终的行业拥挤度信号，具体而言，为了让不同行业间得到的拥挤度指标横向可比，滚动进行如下操作： 1、0-1标准化。在交易日T，我们对[0,T]区间内的分指标数据分别进行0-1标准化处理，将各项指标的取值范围转换到[0,1]区间内。 2、等权加总。在行业拥挤特征非常明显时，通过不同维度信息构造的分指标应均会处于历史较高水平，而若分指标间差异较大，则表明当前行业拥挤现象并不是特别显著。因此，我们通过等权加总的方法将三个分指标合成为单一指标，以提高拥挤判断的稳定性。 3、计算指标当期值在历史3年区间中的分位数水平。在完成上述两步操作后，我们还不能实现行业间指标的横向比较，例如，可能有些行业指标值最高为1，而有些最高为0.95。因此，我们再计算指标T期值在过去3年区间中的分位数水平，以该分位数水平作为该行业综合拥挤度指标的T期值。 表2： 拥挤度分项指标一览 细分指标 指标算法 成交额占比 行业指数成交额/全A成交额 市值占比 行业指数流通市值/全A流通市值 换手率 行业指数换手率 超额收益波动率 行业指数相对全A超额收益的滚动60日波动率 筹码盈利比率 基于个股过去1年数据推算筹码分布，计算当前股价水平下盈利筹码占比，按个股流通市值加权汇总至行业维度 筹码盈利水平 基于个股过去1年数据推算筹码分布，计算当前股价水平下筹码平均盈利幅度，按个股流通市值加权汇总至行业维度 机构/个人资金净流入 基于大小单资金流数据，分别计算超大单（机构投资者）及小单（个人投资者）在行业维度的资金净流入及主动净流入数据 资料来源：Wind，浙商证券研究所 当拥挤度指标触发阈值信号后，行业后续走势往往较弱。我们以 $95\%$ 分位作为拥挤判断的阈值，考虑如下单行业择时策略：在触发阈值信号后的20个交易日内，配置Wind全A指数，否则持续配置该行业的申万行业指数，观察该择时策略相对始终配置行业指数的超额收益。由结果可见，在2018年1月至2026年1月的回测期间内，大部分行业均能实现正超额收益，指标显示出了一定的择时能力。而若我们每月等权配置过去20日有触发过拥挤信号的行业，回测期内，策略相对Wind全A的年化超额收益达 $-13.7\%$ ，高拥挤行业整体持续跑输指数。 图5：单行业择时策略年化超额收益表现 资料来源：Wind，浙商证券研究所。回测区间为2018.1-2026.1。 图6：高拥挤行业组合净值表现 资料来源：Wind，浙商证券研究所 不过，拥挤度指标仅适用于风险预警，其在正常范围内波动时，对后市走势的指导意义并不强。由于行业在上涨过程中才会逐步累积拥挤度，多数情况下，拥挤度指标与行情走势呈现正相关性，仅在拥挤度过高时，才会预示行情可能反转。因此，拥挤度指标往往仅适用于风险预警，低拥挤行业并不一定能够跑赢大势。若每月月末时按各行业最新拥挤度指标进行排序，同样按每组5个行业分为6组，以全行业等权作为比较基准，由结果可见，虽然拥挤度最高的组别大幅跑输基准，但其余组别走势波动较大，拥挤度最低的G6在回测期内整体跑平基准，并没有出现明显超额收益。因此，在后续的信号综合时，针对拥挤度维度，我们仅在行业拥挤度较高时发出拥挤信号，其余情况下该维度均不发出信号。 图7：拥挤度指标分组回测相对净值结果 资料来源：Wind，浙商证券研究所 # 2.3 量价评分 除了基本面因素外，量价信息所显示的板块技术面强弱对未来走势往往也具备一定预测效力。本文中，我们在浙商金工量价因子库中选取残差标准差、尾盘成交占比等8个量价因子，经标准化、行业风格中性化等处理后，根据指数的个股权重加权汇总至指数维度，各因子截面取rank后等权形成指数的量价评分。综合指标的月度rankIC均值达0.107，ICIR达1.215，与行业未来表现的相关性较强。 表3：所选量价因子一览 因子名称 因子简介 rankIC均值 ICIR 回归残差标准差 股票收益率经FF回归后所得残差的标准差 -0.100 -1.025 回归残差偏度 股票收益率经FF回归后所得残差的偏度 -0.039 -0.510 收益率标准差 股票日收益率的标准差 -0.086 -0.946 尾盘成交占比 尾盘15分钟成交量占全天比例 -0.097 -1.300 低振幅动量 过去一段时间中,振幅最小的N个交易日收 益率加总 0.056 0.732 锁仓比 衡量在成交量推动下,股票均衡价格变化的 难易程度 0.017 0.307 隔夜新息强度 分上午/下午,计算个股收益与市场收益回归 残差的收益差值 0.043 0.673 日内股价形态 日内上涨/下跌位置的中位数之差 -0.014 -0.182 综合量价评分 0.107 1.215 资料来源：Wind，浙商证券研究所。rankIC及ICIR的计算区间为2019-2025年，标的池为表1列示的ETF的跟踪指数。 图8：回归残差标准差因子分组回测相对净值表现 资料来源：Wind，浙商证券研究所 图9：回归残差偏度因子分组回测相对净值表现 资料来源：Wind，浙商证券研究所 图10：收益率标准差因子分组回测相对净值表现 资料来源：Wind，浙商证券研究所 图11：尾盘成交占比因子分组回测相对净值表现 资料来源：Wind，浙商证券研究所 图12：低振幅动量因子分组回测相对净值表现 资料来源：Wind，浙商证券研究所 图13： 锁仓比因子分组回测相对净值表现 资料来源：Wind，浙商证券研究所 图14：隔夜新息强度因子分组回测相对净值表现 资料来源：Wind，浙商证券研究所 图15：日内股价形态因子分组回测相对净值表现 资料来源：Wind，浙商证券研究所 我们在每月末，根据指数的量价得分由高到低排序，同样将行业划分为6组，组内行业等权配置。以全行业等权指数作为比较基准，在2019.1-2026.1的回测期内，G1年化超额 $18.9\%$ ，G6年化超额 $-12.5\%$ 图16：量价指标分组回测相对净值结果 资料来源：Wind，浙商证券研究所 # 2.4风格适配度 有些情况下，市场风格对行业走势的影响较为显著，例如2022-2024年红利风格持续走强，期间具备高股息属性的银行、煤炭、石化等行业均表现占优。当行业普遍缺乏基本面逻辑时，与市场强势风格的适配程度，也可能成为影响行业走势的重要因素。 我们目前已经通过龙虎榜及ETF两类资金流数据实现了对游资活跃度以及ETF资金流的高频跟踪，二者从逻辑上而言分别对大小盘和高低估值（即成长价值）风格这两类市场最经常关注的风格具有直接的映射关系： 1、游资往往更偏向于参与小盘股，游资活跃度提升时，小盘风格容易相对占优。基于游资活跃度指标构建的沪深300/国证2000择时策略，在2012.1-2026.1的回测区间内，择时策略相较 $300 + 2000$ 等权的基准，年化超额达 $11.1\%$ 图17： 大小盘风格择时策略净值表现 资料来源：Wind，浙商证券研究所 2、我们认为，个人投资者的ETF资金流本质上反向代表了其风险偏好，对于个人投资者主导的ETF，若出现资金流入，代表其风险偏好下降，资金流出则代表风险偏好提升。风险偏好直接影响高低估值风格的相对吸引力，我们基于此逻辑构建的ETF风险偏好指数对申万高低估值风格指数具备较强择时效力，2020年1月至2026年1月的回测期间内，择时策略相对高低估值风格指数等权的基准，年化超额达 $16.5\%$ 图18：估值风格择时策略净值表现 资料来源：Wind，浙商证券研究所 在此基础上，我们可以根据各个行业ETF在市值及估值风格上的暴露情况，以及每月两项指标最新的择时观点，综合计算行业的风格适配度，具体而言： 1、将个股在BARRA市值、EP风格上的暴露值按指数权重加权聚合至指数层面。 2、根据游资活跃度指标及ETF风险偏好指数，得到对市值和估值风格的择时观点，取值为1（看多大盘/低估值）或-1（看多小盘/高估值）。 3、每个行业指数的风格适配度指标为：市值风格暴露*市值风格择时信号+EP风格暴露*EP风格择时信号。 与此前类似，我们在每月末，根据指数的风格适配度得分由高到低排序，将行业划分为6组，组内行业等权配置。以全行业等权指数作为比较基准，在2020.1-2026.1的回测期内，G1年化超额 $10.0\%$ ，G6年化超额 $-14.7\%$ 。 图19：风格适配度分组策略相对净值走势 资料来源：Wind，浙商证券研究所 # 2.5五维行业配置框架构建 前文中，我们简要介绍了中观景气度、一致预期景气度、交易拥挤度、量价评分、风格适配度五个核心维度模型的构建方法，接下来，我们尝试通过一个非常简单的流程，将各维度模型的信息进行综合，以实现对行业投资吸引力的全方位评估： 1、中观景气模型主要刻画行业自身景气变化方向，无法实现行业间的横向比较，因此我们简单将模型信号设置为1、0、-1，分别代表景气上行、景气持平和景气下行。其中，在计算机等小部分行业上，中观景气模型无法实现信号覆盖，对于这些行业，我们简单设置该维度信号为0。 2、对于拥挤度维度，我们前文中已有讨论，该指标在正常范围内波动时不具备明显信号意义，因此当行业触发拥挤信号时，该维度取值-1，其余情况下取值均为0。 3、对其余三个维度而言，我们均将模型信号放缩至[-1,1]区间，即： $$ f a c t o r _ {n e w} = \frac {f a c t o r _ {o l d} - \operatorname* {m i n} \left(f a c t o r _ {o l d}\right)}{\operatorname* {m a x} \left(f a c t o r _ {o l d}\right) - \operatorname* {m i n} \left(f a c t o r _ {o l d}\right)} * 2 - 1 $$ 4、由于中观景气及一致预期景气均刻画的是行业基本面，我们对这两个维度均设置 $50\%$ 的权重，其余三个维度为 $100\%$ 权重，加权相加后即可得到行业最终的综合评分。 若将综合评分也视作一个因子，2020年1月至2026年1月期间，其rankIC均值达0.162，ICIR达2.31，表现较优。由于我们设计的五个评价维度分别采用了中观、分析师预期、量价、资金流等不同维度的数据，模型信号逻辑也不尽相同，这使得不同维度之间的相关性较低，仅有同属景气维度的中观和一致预期之间的信号相关性接近0.2。因此，当不同信号综合后，容易达到“ $1+1>2$ ”的效果。 图20：综合评分因子历史 rankIC 资料来源：Wind，浙商证券研究所 图21：各维度信号相关系数 分析师Alpha Capture 交易拥挤度 量价评分 风格适配度 中观景气度 0.19 -0.06 0.06 0.01 分析师Alpha Capture -0.15 0.13 -0.05 交易拥挤度 -0.11 0.00 量价评分 -0.05 资料来源：Wind，浙商证券研究所 分组回测结果同样表现出色。由于中观景气模型信号在每月月初更新，为了对齐信号更新时间，我们统一将每月的调仓日设置为月初5号后的第一个交易日，根据指数的综合评分结果由高到低排序，将行业划分为6组，组内行业等权配置，在行业ETF未上市时，以其跟踪指数进行替代。以全行业等权指数作为比较基准，在2020.1-2026.1的回测期内，G1年化超额 $31.5\%$ ，超额收益月胜率 $69.4\%$ ，G6年化超额 $-18.3\%$ ，超额收益月胜率 $25.0\%$ 。 图22：综合评分指标分组回测结果 资料来源：Wind，浙商证券研究所 表4：分组回测绩效统计 年化收益 年化超额收益 超额月胜率 最大回撤 超额最大回撤 G1 40.7% 31.5% 69.4% 27.8% 9.5% G2 15.1% 5.9% 62.5% 45.8% 19.1% G3 7.6% -1.6% 48.6% 41.1% 22.1% G4 3.6% -5.6% 48.6% 42.6% 33.9% G5 -2.9% -12.0% 31.9% 52.5% 50.6% G6 -9.2% -18.3% 25.0% 59.4% 67.1% 等权基准 9.1% 36.4% 资料来源：Wind，浙商证券研究所。 观察评分最高的G1组的分年度表现，2020-2021赛道投资最强势的两年，策略超额收益表现也最为突出。2020-2025年间，除了2024年策略表现不佳外，其余年份均能实现较强超额回报。 表5：G1 组分年度绩效表现 年度收益 年度超额收益 最大回撤 超额最大回撤 超额月胜率 2020 96.3% 67.3% 11.5% 4.7% 83.3% 2021 82.4% 64.9% 15.7% 8.2% 75.0% 2022 14.7% 32.9% 22.7% 4.7% 83.3% 2023 3.5% 11.1% 14.2% 4.6% 75.0% 2024 7.6% -1.8% 23.3% 9.5% 25.0% 2025 49.9% 23.2% 14.3% 4.1% 75.0% 资料来源：Wind，浙商证券研究所。 # 3 风险提示 1、本文中的模型及统计结果均基于历史数据统计得到，历史数据不代表未来； 2、平滑参数等超参数设定对模型结果存在一定影响； 3、策略历史回测数据不代表未来运作的实际效果或可能获得的实际收益。 # 股票投资评级说明 以报告日后的6个月内，证券相对于沪深300指数的涨跌幅为标准，定义如下： 1.买入：相对于沪深300指数表现 $+20\%$ 以上； 2.增持：相对于沪深300指数表现 $+10\% \sim +20\%$ 3.中性：相对于沪深300指数表现 $-10\% \sim +10\%$ 之间波动； 4.减持：相对于沪深300指数表现-10%以下。 # 行业的投资评级： 以报告日后的6个月内，行业指数相对于沪深300指数的涨跌幅为标准，定义如下： 1.看好：行业指数相对于沪深300指数表现 $+10\%$ 以上； 2.中性：行业指数相对于沪深300指数表现 $-10\% \sim +10\%$ 以上； 3.看淡：行业指数相对于沪深300指数表现-10%以下。 我们在此提醒您，不同证券研究机构采用不同的评级术语及评级标准。我们采用的是相对评级体系，表示投资的相对比重。 建议：投资者买入或者卖出证券的决定取决于个人的实际情况，比如当前的持仓结构以及其他需要考虑的因素。投资者不应仅仅依靠投资评级来推断结论。 # 法律声明及风险提示 本报告由浙商证券股份有限公司（已具备中国证监会批复的证券投资咨询业务资格，经营许可证编号为：Z39833000）制作。本报告中的信息均来源于我们认为可靠的已公开资料，但浙商证券股份有限公司及其关联机构（以下统称“本公司”）对这些信息的真实性、准确性及完整性不作任何保证，也不保证所包含的信息和建议不发生任何变更。本公司没有将变更的信息和建议向报告所有接收者进行更新的义务。 本报告仅供本公司的客户作参考之用。本公司不会因接收人收到本报告而视其为本公司的当然客户。 本报告仅反映报告作者的出具日的观点和判断，在任何情况下，本报告中的信息或所表述的意见均不构成对任何人的投资建议，投资者应当对本报告中的信息和意见进行独立评估，并应同时考量各自的投资目的、财务状况和特定需求。对依据或者使用本报告所造成的一切后果，本公司及/或其关联人员均不承担任何法律责任。 本公司的交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本报告意见及建议不一致的市场评论和/或交易观点。本公司没有将此意见及建议向报告所有接收者进行更新的义务。本公司的资产管理公司、自营部门以及其他投资业务部门可能独立做出与本报告中的意见或建议不一致的投资决策。 本报告版权均归本公司所有，未经本公司事先书面授权，任何机构或个人不得以任何形式复制、发布、传播本报告的全部或部分内容。经授权刊载、转发本报告或者摘要的，应当注明本报告发布人和发布日期，并提示使用本报告的风险。未经授权或未按要求刊载、转发本报告的，应当承担相应的法律责任。本公司将保留向其追究法律责任的权利。 # 浙商证券研究所 上海总部地址：杨高南路729号陆家嘴世纪金融广场1号楼25层 北京地址：北京市东城区朝阳门北大街8号富华大厦E座4层 深圳地址：广东省深圳市福田区广电金融中心33层 上海总部邮政编码：200127 上海总部电话：(8621)80108518 上海总部传真：(8621)80106010 浙商证券研究所：https://www.stocke.com.cn