宏观景气度：使用市场宏观预期捕捉戴维斯双击机会

为了建立宏观-行业映射关系，最容易想到的思路之一是通过统计和比较历史上不同宏观状 态下各行业的表现，构建静态投资时钟模型。根据前期报告《行业配置策略：投资时钟视 角》（2021-07-06）的经验，静态投资时钟模型的样本外表现并不稳定。首先，从宏观因 素到行业表现的传导路径不直观和非线性，行业的股价表现还会受到除宏观以外其他因素 的影响。其次，行业所处生命周期阶段不同，影响其盈利能力的宏观驱动力也会变化，把 动态变化的行业固定在投资时钟某个静态象限，有“刻舟求剑”之嫌。

针对第一个原因，我们的应对措施是把宏观因素到行业表现的传导路径拆分为两段——第 一段是从宏观因素到各行业分子端和分母端的传导，第二段是从行业分子端和分母端到股 价的传导，并且把宏观视角建模的重点放在第一段，然后再去评价第一段得到的因子在截 面上对不同行业表现的区分度。因为相较于股价，宏观因素对资产分子端和分母端的影响 更直接、更显著。针对第二个原因，我们采用滚动训练-预测的方式，在一定程度上能够捕 捉行业逻辑的变化。

于是，我们提出了宏观景气度模型，用各行业 ROE_TTM 季度差分作为行业 分子端的代理指标，用各行业实时 PB 对数的季度差分作为行业分母端的代理指标，分别 记作 Δg 和 ΔPB。首先，取 5 年滚动窗口，其终点是距离考察截面最近的已发布财报。然 后，通过多元线性稳健回归，建立滚动窗口内从宏观因子变化到 Δg/ΔPB 的映射关系。接 着，使用距离考察截面最近的宏观因子，代入回归方程，得到考察截面上各行业 Δg 和 ΔPB 的预测值。最后，通过分段函数，用 Δg 和 ΔPB 的预测值构建戴维斯双击因子；相较 于 Δg，戴维斯双击因子突出了戴维斯双击机会和戴维斯双杀风险。

宏观因子是宏观景气度模型重要的输入之一。在过去的研究中，我们采用不同的方法构建 了不同含义、不同适用场景的宏观因子指数。从形式上来说，无论哪一种方法构建的宏观 因子，都能够适应宏观景气度模型，并给出一组戴维斯双击因子。本研究采用基于自上而 下 Factor Mimicking 构建的国内宏观预期指数。更多建模细节详见前期报告《行业配置策 略：高频宏观因子》（2023-06-10）。回测区间取 2016-04-30 至 2023-08-31；每月第一个交易日按照宏观戴维斯双击因子从高 到低，将 31 个行业划分为 6 层，其中最后一层包含 6 个行业；每一层等权配置，按收盘 价完成调仓；暂时不考虑交易费用。

中观景气度：使用高频的产业链信息开展 Nowcasting

在中观视角，我们首先为每一个行业都构建了一个中观基本面数据库，包括上游原材料供 需、下游商品的供需、行业内经营状况等相关指标，数据库规模视指标获取难易程度，从 大几十到大几百不等。虽然相较于宏观和微观视角，中观视角的产业链信息更加高频、及 时、相关，但因为数据结构相对不规则，不同行业的中观指标之间，如钢铁产量和煤炭价 格，无法直接进行比较。对此，我们将财务指标作为可比“媒介”——先用中观指标预测 行业财务状况，包括净利 TTM 同比增速、营收 TTM 同比增速、ROE_TTM 环比变化，然 后基于行业财务状况预测结果开展行业间比较。

但我们不能直接用数据库中的全部指标去预测财务指标，因为低频预测是小样本任务，而 数据库规模通常大于样本数，很可能造成模型过拟合。而且，不同时期决定行业景气度的 主因在变化，有时候需求侧是主因，有时候供给侧是主因，并非所有中观指标同时对行业 财务状况都有显著解释力。对此，我们仿照宏观视角滚动训练-预测的做法。不同的是，宏 观视角所有行业都使用相同的宏观指标作为模型输入；而在中观视角，各行业都需要在滚 动窗口内精选出适合建模的中观指标。

同样取 5 年滚动窗口，其终点是距离考察截面最近的已发布财报。在滚动窗口里，我们首 先对全体中观指标进行清洗，逐个分析其与真实财务指标之间的相关性和领先滞后性，并 根据数据库规模，精选 5 至 10 个不等的中观指标来建立和财务指标之间的映射关系。在 宏观视角，我们使用了多元线性稳健回归模型；在中观视角，考虑到中观指标之间相关性 较高、部分中观指标存在尾部缺失值等问题，我们使用 Nowcasting 模型。Nowcasting 模型最早被亚特兰大联储用于实时预测美国 GDP[1]，我们用它来预测行业财务指标，两 者的预测对象都是季频的，故方法上“依样画葫芦”即可。

最后，我们基于 g 和 Δg 的逻 辑，使用财务指标预测值构建了 5 个因子，并采用 rank 等权求均值的方式，合成中观景 气度因子。需要注意的是，为了消除不同行业长期业绩中枢的差异、提升可比性，构建因 子前需要先对滚动窗口期内财务指标的预测值序列进行 zscore 标准化。由于时序上是小样 本，zscore 采用减去中位数除以四分位距的方式进行。

关于相关性和领先滞后性评价，我们同时使用了带参数的时差相关系数和非参数的 DTW 算法，以提升评价结果的可靠性；关于 Nowcasting，我们提出了可扩展性更强、运算效率 更高的 Simple-Nowcasting 模型。

在财报真空期里，一旦中观指标有新一期的数值披露，通过 Nowcasting 模型就可以实时 更新财务指标的预测结果。下图展示了 2023-08-31 全体行业净利 TTM 同比增速 Nowcasting 结果。子图中的蓝线是真实净利 TTM 同比增速，按 3/6/9/12 月记录，目前只 更新到了 2023 年 6 月份；子图中的红线是预测净利 TTM 同比增速，已经更新到了 2023 年 8 月份。各子图右轴的含义是净利 TTM 同比增速的绝对数值，这个数值要预测准确比 较困难，因此我们在构建因子时更加注重业绩的相对位置(g)和业绩的边际变化(Δg)；各子 图左轴的含义是净利 TTM 同比增速在 5 年滚动窗口中的 z 分位数。

显然，中观景气模型是一位“偏科生”。就以电子和计算机为例，电子行业净利 TTM 同比 增速的拟合优度显著好于计算机行业。可能原因有二：第一，与计算机行业相比，电子行 业的中观指标可得性更好、数据库规模更大；第二，电子行业属于制造业，受到芯片等电 子产品的库存周期影响，而计算机行业属于服务业，几乎不受到库存周期影响，景气趋势 相对不易预测。

与市场上主流的人工筛选中观指标相比，我们的模型的特色在于程序定期筛选指标。程序 筛选指标的优势是客观、及时、可回测。程序能够用“同一根尺子”衡量不同的行业，而 人难免会对自己熟悉的行业给予更高的关注度。程序能够相对及时地对行业逻辑变化做出 应对，而人的精力难免有限。程序在每个截面上选指标时，只会利用不晚于该截面的信息 对行业逻辑作判断，而人在回溯历史时容易引入未来信息，如“幸存者偏差”。当然，程 序不可避免存在黑箱成分，可能会选出一些“匪夷所思”的指标。

回测区间同样取 2016-04-30 至 2023-08-31；每月第一个交易日按照中观景气度因子从高 到低，将 31 个行业划分为 6 层，其中最后一层包含 6 个行业；每一层等权配置，按收盘 价完成调仓；暂时不考虑交易费用。

微观景气度：整合成分股信息来跟踪行业基本面变化

微观视角财务因子

在微观视角，我们从财务指标和机构行为出发，来跟踪行业景气度变化。其中，财务指标 包括真实的和预期的财报指标，都是使用整体法从个股数据合成。前期报告《行业配置策 略：景气度视角》（2020-11-05）通过单指标多空测试精选了 15 个财务指标。其中，对于 行业 Δg 的刻画，我们结合了真实财务指标客观和预期财务指标及时的优点。虽然一致预 期数据几乎每天都更新，但由于分析师难免会受到工作规则的约束和主观情绪的干扰，一 致预期数据无法全面客观地反映行业实际 Δg，所以需要真实财务指标的配合和验证。我 们用业绩预告和业绩快报对正式财报进行弥补，以提升真实财务指标的及时性。此外，对 于刻画偿债能力、营运能力的指标，我们主要使用正式财报数据进行计算；对于刻画行业 关注度的指标，我们主要使用一致预期数据进行计算。

由于不同行业财务指标的弹性有差异，其绝对数值在行业间无法直接比较。因此，我们只 考虑各财务指标的变化方向，改善记+1 分，恶化记-1 分，15 个财务指标等权相加，最终 得到满分为±15 分的微观视角财务因子。回测区间同样取 2016-04-30 至 2023-08-31；每月第一个交易日按照微观视角财务因子从 高到低，将 31 个行业划分为 6 层，其中最后一层包含 6 个行业；每一层等权配置，按收 盘价完成调仓；暂时不考虑交易费用。

微观视角北向因子

我们主要从资金面去刻画机构行为，希望通过“抄聪明资金的作业”，如北向资金、两融 投资者、ETF 投资者、公募基金、产业资本等在过去一段时期内的加减仓行为，追逐“聪 明资金”认可的景气行业。对此，我们曾发布过《行业配置策略：资金流向视角》（2021- 11-05）、《析精剖微：机构拆解看北向资金》（2022-10-27）、《基金个股仓位测算与偏股混 指数增强》（2023-02-02）等深度报告。

经过一段时间的样本外跟踪，发现北向资金的行为更贴合景气投资的理念。虽然我们是在 月频尺度上构建北向因子，但如果只是简单地看各行业月度净流入或者持股市值比例的变 化，会忽略日频的有用信息，尤其是对于北向资金加仓持续性的刻画。景气投资是一个低 频低换手的策略，北向资金加仓某个行业越持续，越能代表北向资金看好这个行业。如果 只是某天大幅加仓某个行业，例如当 MSCI 等海外被动指数调仓的时候，不一定能够真实 反映北向资金对该行业景气度的认可。

我们用北向资金持股市值比例作为代理变量，其分子是各行业陆股通成分股中北向资金所 持有的市值，分母是各行业陆股通成分股的总流通市值之和。为了刻画北向资金加仓持续 性，我们取最近 60 个沪深港通交易日的北向资金持股市值比例序列作为因变量，以对应 的时间索引 1,2,…,60 为自变量，拟合时间趋势项。然后，对时间趋势项开展 t 检验；t 值 正得越多，表明加仓越具有持续性；t 值负得越多，表明减仓越具有持续性。用 t 值还有一 个好处，t 值是无量纲的，消除了外资对不同行业的偏好。

当然，在生意“细水长流”的基础上，没有人不喜欢更丰厚的获利。所以除了北向资金加 仓持续性之外，我们还是会考虑北向资金加仓幅度。北向资金加仓幅度等于最新的持股市 值比例除以最近 60 个沪深港通交易日持股市值比例的均值。最后，我们将北向资金加仓 持续性和加仓幅度在截面上的 rank，按照 2:1 的比例加总，得到微观视角北向因子。

综合景气度：宏观+中观+微观实现“全科生”的效果

至此，我们构建了宏观戴维斯双击因子、中观景气度因子、微观视角财务因子、微观视角 北向因子等 4 个从不同角度刻画行业景气度的因子。由于不同因子对不同行业的建模效果 存在差异，例如医药等逆周期行业跟宏观视角的关系不大、计算机等服务业行业在中观视 角的拟合度较低、钢铁等周期行业不太适合从微观视角择时等，我们进一步将这些“偏科 生”组合成一名“全科生”。具体来说，考虑到中观视角的信息量最大，我们给予其 50% 的权重；其次是微观视角，我们分别给予财务因子和北向因子各 15%的权重；宏观视角将 得到 20%的权重。我们按照上述权重，对 4 个景气度因子求和，得到综合景气度因子。后 文将对权重的鲁棒性进行测试。

回测区间同样取 2016-04-30 至 2023-08-31，其中微观视角北向因子自 2016-12-31 才被 纳入；每月第一个交易日取综合景气度因子前五名行业；每一层等权配置，按收盘价完成 调仓；暂时不考虑交易费用。回测结果显示，综合景气度多头组长期能够跑赢行业等权基 准，正的年化超额收益为 14.34%；空头组长期跑输行业等权基准，负的年化超额收益为4.89%。与行业等权基准相比，各景气度因子各自的年化超额收益在 6%至 12%，合成后 年化超额收益却提升得相对有限。一个可能原因是景气度因子在截面上非单调、小样本。

不妨设想一种比较极端的情景：某个行业在 4 个景气度因子中均处于第二层，那么这个行 业的综合景气度大概率不会低，但由于 4 个因子的第二层表现都比较平庸，最终导致该行 业表现一般。正因为是小样本，能够应对非单调性的机器学习方法受到了较大限制。不过 在机器学习中，有一块研究领域——小样本学习[2]，或许是行业轮动策略努力的方向。

为了验证因子权重的鲁棒性，这一小节将随机选取 100 组因子权重开展回测，考察业绩指 标波动的范围。当然，这 100 组因子权重必须满足中观>微观>宏观的约束条件。为了实现 有约束的重采样，随机抽取三个 0 到 1 之间的随机数 x/y/z，对 x+y+z+0.02、x+y+0.01、x 进行归一化，作为中观、微观、宏观视角的权重。加上小量 0.01 既是为了实现严格的大于 号，也是为了防止在归一化时出现除零错误。

结果显示，随机实验的年化收益分布在 12.12%和 18.99%之间。其中，前文策略排在第 12 名。第 5 名录得 17.85%，年化超额收益为 15.04%；倒数第 5 名录得 13.55%，年化超 额收益为 10.74%。这说明长期来看，行业景气投资有大于 95%的概率可以取得大于 10% 的年化超额收益。尽管如此，我们也不难观察到，自 2021 年 9 月开始，景气投资策略相 对于行业等权基准的净值比波动显著增加，说明景气投资策略面临着阶段性失效问题。下 一部分将重点讨论为什么景气投资会失效。

景气投资失效的可能原因及其应对方式

可能原因一：部分因子阶段性失效

为了寻找景气投资失效的可能原因，我们首先需要对景气投资策略各个截面上的表现进行 定量评价。与量化投资常用的 IC 指标相比，我们认为归一化折损累计增益(NDCG)指标更 适合行业轮动的场景。实践行业轮动的投资者通常会把目光聚焦于寻找未来表现可能最好 的那一组行业，而高 IC 和能够找到表现最好的一组行业不是等价的。如以下场景依然可 以取得较高的 IC：第一组表现一般，第二组表现最好，第三组开始表现依次递减。但这样 的场景中我们无法通过做多第一组获取超额收益；而对于行业轮动这一截面上非单调、小 样本任务来说，上述例子并不鲜见。NDCG 在评价因子有效性时，则会给予排名靠前的样 本更高的关注度。

根据 NDCG 评价结果，自 2021 年 9 月开始，4 个景气度因子 NDCG 之和突破 300%的频 率显著下降，这意味着景气投资的有效性下了一个台阶，背后可能是因为采用景气投资策 略的投资者逐渐增加，通过景气投资获取超额收益的难度也逐渐增加。最早进入投资者视 线的景气度因子是微观视角财务因子。早在 2019 年，我们就发布了相关研究，详见《景 气度指标在行业配置中的应用》（2019-09-12）。截至今日，微观视角财务因子已经成为多 数买方和卖方机构的标配。虽然因子构建的具体细节有所差异，但信息源都是真实财报和 分析师研报。这可能是微观视角财务因子 NDCG 已连续一年小于 75%的原因。

不过，我们也认为部分因子的失效是阶段性的。一方面，股价长期背离基本面的可能性不 大；另一方面，因子阶段性失效的背后是投资者在因子择时上的博弈。跟一个因子用的人 多了会失效一样，一个因子被遗忘一段时间后可能又会重新有效。以微观视角北向因子为 例，该因子在经历了 2022 年的低迷后，今年开始又贡献了正的超额收益。只不过由于景 气投资的理念已深入人心，像 2021 年 9 月以前，几乎所有的景气度因子都能持续有效的 日子或许已经一去不复返了。

为了应对部分因子阶段性失效，我们可以基于因子评价结果对因子权重进行微调。具体来 说，在截面 t 上，我们使用 t-1 期 4 个景气度因子的 NDCG 乘以前文给定的权重 wfix，再 进行归一化，就得到了 t 期 4 个景气度因子的权重。 ????,1 = ????,1 × ????1 ∑? ????,? × ????? 取相同的回测条件，经过因子权重微调，回测区间内的年化收益提升了 0.79 pct。不过仔 细观察净值曲线发现，业绩提升主要发生在 2021 年 9 月之后。这是因为 2021 年 9 月之 前因子阶段性失效的问题不严重，导致因子权重调整对策略表现的影响可以忽略不计；而 此后，部分因子出现了阶段性失效，我们可以通过适当降低失效因子的权重、提升有效因 子的权重，来提升策略的表现。

可能原因二：高景气被透支

行业估值：股价涨得太贵，高景气也需要合理股价的配合，才有超额收益的空间。高景气被透支也是景气投资策略失 效的可能原因之一，具体包括涨得太贵和涨得太快两种情况。

是否涨得太贵用估值来衡量。我们使用各行业 PB_LF 滚动 1000 个交易日分位数作为估值 的代理指标。虽然不同行业有各自的估值体系和适用的估值指标，但如果非要在众多估值 指标中选一个，市净率对于不同行业商业逻辑、不同生命周期阶段的普适性较好。像 PE 就不太适合周期性行业，因为周期性行业的业绩高增速无法持续，业绩最好的时候往往 PE 是个位数；而我们对周期行性行业的投资恰恰应该在 PE 高时买进，PE 低时卖出。更 重要的是，行业所处生命周期阶段是在变化的，如早期具有成长性的行业经过一段时间发 展可能变成了一个周期性行业，那么 PE 也从适用变得逐渐不适用。之所以使用 PB_LF 分 位数而非实际数值，是为了降低不同行业估值体系的差异。

我们使用估值因子对全体行业开展月频分层测试，除回测区间提早至 2009-12-31 外，其 他回测条件与景气度因子分层测试相同。结果显示，最低估一层相对行业等权基准的净值 比长期向下，说明低估不是买入行业的理由，可能是因为行业整体性的低估意味着行业基 本面或许存在问题。第二，高估的行业需要规避。最高估一层相对行业等权基准的净值比 波动较大，每一轮牛市的尾声以及自 2021 年 9 月以来，超额均出现了显著回撤。

行业拥挤度：股价涨得太快，是否涨得太快用拥挤度来衡量。交易拥挤往往发生在“击鼓传花”式的上涨中，呈现出短 期涨幅巨大、换手率迅速升高等特点。伴随着股价上涨，一旦成交量跟不上，就表明持股 者有可能找不到“接棒者”，接踵而至的就是踩踏式下跌，呈现出顶部反转的形态。鉴于 此我们通常用量价数据来观察交易是否拥挤。那么，如何区分一个量价指标是趋势追踪指 标还是顶部反转指标？

门限测试是用来评价一个量价指标是否具备顶部反转特征的比较科学的方法。我们可以用 量价指标的滚动分位数来定义“门限”。一个良好的顶部反转指标应当具备以下特征：门 限值越大，未来下跌幅度越大。所以，门限测试进一步统计了不同门限值样本未来 20 日 收益率的中位数——如果收益率中位数随着门限值的提高呈单调下降趋势，即呈现出顶部 反转特征，说明这是一个良好的拥挤度指标。

基于对海量量价指标的门限测试，我们最终精选了 4 个拥挤度指标，如下表所示。与更为 复杂的量价指标相比，用标中的 4 个指标刻画拥挤度，比较符合主观交易的感受。计算指 标时，不同的参数会影响最终的结果。为了提升模型的稳健性，凡是能够通过门限测试的 参数都将被保留，例如我们保留了 5 个不同期限的流通市值换手率；当一半以上参数对应 的滚动 1250 个交易日分位数达到 95%时，我们认为该指标触发拥挤。一个指标触发拥挤 记 1 分，行业拥挤度满分为 4 分。

因为门限测试统计的对象是未来 20 日收益率，所以提示拥挤相对股价见顶偏左侧，两者 间隔通常在 20 个交易日内。以煤炭行业为例，2021-08-27 连续两个交易日拥挤度达到 4 分，对应指数点位 2547；2021-09-09 股价见顶，对应指数点位为 3254；2021-11-10 拥 挤度回落至 0 分，对应指数点位为 2323，相较 2021-08-27 超跌约 9%。

策略引入交易风险日频监控

有了估值和拥挤度的“保驾护航”，投资者可根据自己的交易习惯和经验，选择合适的时 机减仓。但即使有了定量工具，精准逃顶仍然是“幸运儿”，盈亏同源才是常态，想吃 “鱼尾巴”就需要做好“鱼刺哽喉”的准备。我们给出了一套日频监控交易风险的方案： 1) 减仓规则：对于估值维度，若 PB_LF 滚动 1000 个交易日分位数≥90%，且属于最高 估一层，记 1 分；对于拥挤度维度，满分是 4 分。两者相加，得到满分为 5 分的防守 信号。若在连续 5 个交易日中，有 2 个交易日防守信号≥4 分，表明该行业存在较高 的交易风险，减仓一半，配置现金。假设现金的年化回报率为 1%。 2) 接回规则：对于先前提示交易风险的行业，若防守信号回落至≤1 分，表明交易风险 解除，此时把先前减仓的一半仓位接回。

我们将 NDCG 微调因子权重和日频监控交易风险的方案进行结合。回测结果显示，监控交 易风险之后，年化收益进一步提升了 1.09 pct，最大回撤下降了 6.10 pct。考虑到上述减 仓规则偏左侧，所以长期来看，放弃“鱼尾巴”的代价小于“鱼刺哽喉”的代价。

可能原因三：市场主线较弱

至此，最终版本的行业景气投资策略已构建完毕，在 2016-04-30 至 2023-08-31，年化收 益录得 19.03%，相比行业等权基准的年化超额收益是 16.22%。我们进一步对该策略各月 超额收益进行统计，结果发现策略在 Q4 的表现显著差于其他几个季度。这可能跟财报真 空期有一定关系。在财报真空期中，因为没有及时的财务信息可供投资者参考，投资者倾 向于利用另类信息去判断景气度，容易出现“雾里看花”的情况，市场难以形成对高景气 行业的一致预期，最终导致市场主线较弱。除了财报真空期，像经济周期底部，投资者的 预期偏向于高景气难以持续，同样可能会出现市场主线较弱的状况。所以，财报真空期是 表象，市场主线弱是深层原因。

为了验证上述猜想，我们构建了市场主线强弱指标。市场主线强弱指标的基本思想是尝试 寻找在不同期限下收益率均靠前的行业，如果找得到，表明市场主线较强： 1) 在每个交易日，计算各行业指数 5/10/20/40/60 日收益率； 2) 截面上，计算各行业指数不同期限收益率的升序排名并归一化；如收益率最高的行业 就是 31/31，第二名是 30/31，以此类推；3) 在每个交易日，计算各行业指数不同期限收益率归一化排名的均值，得到行业相对强 弱指标；如某个行业在 5 个期限下的排名是 30/31,25/31,22/31,18/31,25/31，则该行 业的相对强弱指标等于 24/31； 4) 截面上，取相对强弱指标前 5 名的行业，计算这 5 个行业相对强弱指标的均值，得到 市场主线强弱指标； 5) 对日频的市场主线强弱指标开展指数移动平均(alpha=2/21)，取月末值。

使用行业主题 ETF 落地行业景气投资

从 2019 年开始，行业主题 ETF 蓬勃发展，为行业轮动策略的落地提供了便利。为了建立 行业指数和场内 ETF 的映射关系，可以根据 ETF 名称主观对应，可以根据 ETF 成分股所 属行业进行对应，也可以根据两者市场表现进行对应。本文选择第三种方法，这种方法计 算简单且不会引入未来信息。在每个月月末，我们会搜集整理已上市的所有行业 ETF、主 题 ETF、宽基 ETF。针对每个行业，我们首先会计算全体 ETF 的以下三个评价指标： 1) ETF 和行业指数的相关性：计算最近半年 ETF 相对中证全指的超额收益率序列与行业 指数相对中证全指的超额收益率序列，并计算两者的相关系数； 2) ETF 相对行业指数的 alpha：最近半年 ETF 相对行业指数的信息比率； 3) ETF 流动性：近 20 个交易日 ETF 的日均成交额；

然后，我们选取相关性≥0.6 的 ETF。如果相关性≥0.6 的 ETF 多于 5 只，则只保留相关 性前五名的 ETF；如果存在相关性≥0.6 的 ETF 但不足 5 只，则被选出来的 ETF 都被保 留；如果不存在相关性≥0.6 的 ETF，则直接选取相关性最高的 ETF 作为推荐标的。针对 前两种情况，我们进一步将相关性、alpha、流动性的排名按照 20%:30%:50%的权重计算 综合得分，选取得分最高的 ETF 作为推荐标的。

考虑到 2018 年及更早期，多数行业没有合适的 ETF，故回测区间始于 2018-12-31。回测 采用最终版本的行业景气投资策略，即 NDCG 微调因子权重和日频监控交易风险的方案相 结合，被推荐 ETF 的权重严格按照被推荐行业的权重进行设置。如果有多个行业推荐了同 一个 ETF，例如石油石化和煤炭行业可能同时推荐能源 ETF(159930)，那么多个行业的权 重将累加到同一只 ETF 上；如果策略在月中触发加减仓信号，只进行权重调整，不重新执 行 ETF 推荐流程。

在不考虑手续费的情况下，ETF 组合的日跟踪误差约为 0.45%，基本能够实现行业指数的 回测效果。从业绩表现上来看，ETF 组合略优于行业指数的回测效果。这是因为 ETF 推 荐流程考虑了 ETF 相对行业指数的 alpha，而且行业指数是价格指数，而 ETF 是存在分红 机制的。如果考虑单边千一的手续费，指数回测的版本年化收益将下降 1.17 pct，ETF 回 测的版本年化收益将下降 1.54 pct，下降幅度略高于指数回测的版本。这是因为相邻两个 月，即使景气投资策略看好相同的行业，ETF 推荐流程也可能选出不同的 ETF，导致 ETF 组合的换手率略高于行业指数组合。

 

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）