配置专题报告：预期思维择行业主线

资产的表现并不必然取决于基本面预期，也不必然取决于风险偏好或利率波动。不同时点驱动资产的核心风险因子存在差异，这些特定时期的交易主线构成了资产配置的核心逻辑。对于境内多资产组合而言，驱动资产表现的风险因子包括增长预期、利率预期和风险溢价。考虑到当前的经济K型分化、境内外利率脱钩以及地缘扰动频繁，风险因子被进一步拓展为传统增长、新兴增长、境内利率、境外利率、境内风险溢价和境外风险溢价六大维度。

将宏观层面的大类资产交易主线细化到行业层面，通过三因子对行业交易主线进行预判，能够形成更为精准的行业配置观点。行业的波动往往更大，增长预期、利率预期和风险溢价的分析难以完全量化，需要丰富的主观经验，而寻找近似的量化之法可以有效辅助投资决策。

大类资产交易主线的月度演变

基于预期思维事前对风险因子进行识别，可以得到大类资产层面的配置线索。根据跟踪框架，2026年以来大类资产交易的主线呈现出明显的月度切换特征。3月配置主线较为极致，关注点在境外，对应加仓原油相关标的；4月交易主线均衡，海外影响弱化，对应减仓原油相关标的；5月大类资产交易主线聚焦境内外风险偏好，对应加仓风险资产；6月相比5月主线变化不大，境内资产重点关注风偏相关性高的板块如科技；7月境内主线重回增长，包括传统和新兴增长，股票市场结构更加均衡；8月主线在传统增长、境内利率和风险溢价，整体风格以均衡为主。

进入9月，配置主线转向境内传统增长、境内风险溢价和境外风险溢价。这意味着风险偏好主导的行情兼顾了K型下端的修复。基于股债相关性的风险视角分析，9月股债跷跷板效应预计有所弱化。

风险因子与行业的映射关系构建

因子之于行业，如环境之于绿植。花儿开的不好，有可能是光照不够，可能土壤不够肥沃，也可能是缺水。正如资产在某一时期表现不好，可能是某个因子占据主导，而资产对其负向暴露。将上述框架应用在行业层面，首先需对不同风险因子选择相应指标。增长预期用行业自身的一致预期EPS变化，利率预期和风险溢价则沿用宏观框架。其中，利率预期相关指标包括1Y国债、10Y国债、1Y美债、10Y美债利率，风险溢价包括全A RSI、澳元兑日元等。增长预期和行业之间理应是同向关系，其他两个因子和行业之间的映射关系则需要通过历史数据进行验证。

在映射关系的构建上，采用同期映射结合过去10年、过去5年样本，通过在每个月构建简单的择时策略，如因子大于0满仓，小于0空仓，相比买入持有如有增强则视为战胜基准。当因子正向择时取得超额，则认为其对行业存在正向关系；因子负向择时取得超额，则认为其对行业存在负向关系；正向和负向均无超额，则认为因子对行业并无显著影响。之所以用同期关系，主要考虑同期对应关系更为直接，若用滞后关系则很难区分是上一期因子变化导致下一期因子同向变化还是反向变化。

经过回测筛选，在上述7个因子中剔除效果一般的，保留效果较好的。从结果来看，10Y美债效果不及1Y美债，而10Y国债和1Y国债效果近似。最终选择EPS、1Y美债利率、1Y国债利率、澳元兑日元，分别对应增长预期、境外利率预期、境内利率预期和风险偏好四个核心因子。

绝对收益视角下的多因子择时策略

在绝对收益视角下，需要将经过回测验证有效的行业因子进行合并，丰富决策的信息集，强化各行业信号。具体方法是将四个因子的信号进行合并：对于每个因子，大于0则给1分，小于0给-1分，之后将所有因子得分做平均，大于0则触发建仓信号，反之无建仓信号。

对比单因子和多因子的结果，2022年以来用单因子分别择时和用多因子择时，比较择时策略的夏普、卡玛及月度胜率大于基准的行业比上行业总数。数据显示，多因子效果要好于单因子。多因子策略在超额夏普、超额卡玛和月度胜率上分别达到89%、93%和74%，显著优于单一因子的表现。

进一步比较多因子对行业进行择时的年化收益相比基准的胜率，2026年以来胜率在84%，2022年以来胜率在85%。例如基础化工行业2026年以来年化收益22%，远超基准的3%；电子行业年化收益64%，跑赢基准47%；建筑材料年化收益53%，大幅领先基准18%。多因子模型在绝大多数行业中展现出了稳定的超额收益获取能力。

基于上述多因子方法，将EPS、1Y美债利率、1Y国债利率和澳元兑日元等保留的四个因子的当期信号进行打分并取平均。根据模型结果，9月触发绝对收益信号的行业主要包括有色、能化、煤炭等上游资源品，以及部分科技和医药等板块。

相对收益视角下的风险因子择时与行业轮动

如果要做行业比较，简单对各行业打分意义不大，需要有统一的比较依据。驱动任何资产包括行业表现的背后，都有特定的风险因子，而风险因子并非一成不变。因此需要先对当前驱动行业背后最核心的风险因子进行预判，然后基于选出来的风险因子，结合因子和行业之间的对应关系，得到行业配置信号。如果选出来的信号是风险偏好，则有些行业尽管受益于基本面上行预期但可能不会在当前的价格上有所反应。例如银行板块在很长一段时间受益于坏债出清和息差修复，但因风险偏好逆风所以未能产生相对收益。

单行业判断无需用到风险因子择时，可以简单做风险因子打分的平均，但行业比较则应先做风险因子择时，因为行业比较的本质上是对风险因子进行配置，而单行业分析的信息需越全面越好。单因子行业轮动的逻辑在于，各因子上月波动相比上上个月环比变化在过去一年的分位数，选择分位数最高的因子。根据波动的集聚性，有理由相信它是下一期的核心风险因子或主线。得到了核心风险因子，再根据风险因子和行业的对应关系可以选出哪些行业有机会。

回测结果显示，基于风险因子择时的行业轮动策略能显著战胜基准。2026年以来，行业轮动策略年化收益达到36.6%，最大回撤仅为-6.49%，夏普比为1.83，显著优于行业平均的-4.5%和中证800的2.5%。2025年以来该策略年化收益30.5%，同样大幅跑赢各类基准指数。

从每月月底选出的各行业主线来看，不同月份主导因子存在明显切换。截至7月底，风险偏好和利率的影响弱化，市场对基本面的关注度在抬升，许多行业交易的是基本面预期，因此8月呈现为多点开花的均衡结构。当前时点，境内利率波动较小，利率预期并非影响行业轮动的核心因素，但海外利率存在一定影响，风险偏好和基本面预期是主要影响因素。截至8月底，相对收益视角下重点关注受益于风偏抬升的科技、医药、非银，以及增长预期向上的上游资源品板块。

ETF行业轮动策略的落地应用

将上述行业配置框架落地到实际投资中，可以通过申万一级行业指数，从相关性、跟踪误差、规模、成分股重合度等多个维度对ETF进行打分，选出各行业最接近的ETF类型，进而构建ETF行业轮动策略。

在绝对收益方面，基于对各行业择时的思路对应到ETF，今年以来部分ETF能够有效跑赢基准，实现绝对收益的增厚。在相对收益方面，用ETF替代申万一级行业得到ETF轮动策略，其表现同样显著好于基准。2026年以来，ETF行业轮动策略年化收益达到46.9%，最大回撤控制在-6.91%，夏普比高达2.20，索提纳比为2.33，卡玛比为6.79。相较于ETF行业平均的-4.5%、中证800的2.5%以及偏股混指数的11.6%，ETF行业轮动策略在收益与风险控制两端均展现出显著优势。2025年以来的数据同样印证了这一策略的有效性，年化收益达37.7%，夏普比为2.00。

综合来看，基于预期思维的行业配置框架通过将宏观风险因子细化至行业层面，结合绝对收益的多因子打分与相对收益的主导因子择时，为行业轮动提供了系统化的量化辅助工具。9月的配置重心在于把握境内传统增长与境内外风险溢价的共振机会，在上游资源品、科技、医药及非银金融等板块中寻找结构性配置价值。