2025年新行业比较框架之五：从一维到二维，景气投资再解析

1 传统的一维景气比较

问题 1.1：如何衡量整体景气？

方法 1：全 A 非金融累计盈利同比数据，本身就可以反映整体景气情况。 方法 2： 全 A 非金融盈利的同比能够反映经济景气方向，但仍受到基数跳变、季节性和公司结构变 化的扰动。因此我们进一步对盈利 TTM 数据进行 HP 滤波，以剔除短期噪声，并采用标准化方式 将趋势值中性化为 50，可以得到更稳定、更真实的盈利景气趋势，该景气指数既保留了盈利趋势的 经济含义，也可以对跨周期比较景气相对位置提供一定参考。

问题 1.2：行业间景气如何比较？

在行业景气比较上，通常以 26 个行业的盈利同比增速作为基础信号，这是一种典型的“一维度” 刻画方式：每个行业在每个季度只有一个数值，分析者所能得到的只有一个关于“强弱排序”的列 表。在这一框架下，市场叙事往往被简化为“谁在加速，谁在下滑”，行业配置也更多依赖于“当 期增速领先者可能继续跑赢”的线性逻辑。这种比较方法有效，但过程中通常存在两个疑问：1）是 单季盈利同比数据重要还是累计盈利同比数据重要？2）是绝对高景气重要，还是边际高景气重要？

问题 1.2.1：单季盈利同比数据重要还是累计盈利同比数据重要？

以单季盈利同比数据分组和累计盈利同比数据分组后，分别计算累计净值，从结果看，单季盈利同 比数据的复利结果，各个景气分组都略好于累计盈利同比数据。

问题 1.2.2：绝对高景气重要，还是边际高景气重要？

持续买入高景气行业，从累计收益来看，效果良好。从景气分组后的实际投资效果来看，绝对高景 气视角下的净值显著高于边际高景气视角，反映长期视角下，绝对景气增速的重要性，即意味着长 视角下的 EPS 端的持续高回报。 此外，值得注意的是，为什么 G1 组效果不好，核心在于 G1 组选取盈利增速每期最高的三个行业， 数量偏少，而最高增速或更多受累于基数因素，大部分都由行业大幅扭亏所致。如 2015Q1，有色扭 亏业绩增速排名第一，这使得 G1（表观景气 TOP3 行业）组并不能更有效代表真实景气程度。

金融市场中的动量效应反映了市场对信息的渐进式消化。股价上涨通常由业绩超预期驱动。景气分 组策略的有效性取决于指标能否捕捉到市场尚未定价的下一期动能。 单季同比指标 Q-YOY：是对最新已实现盈利的最纯净度量。它直接衡量了最近一个季度行业景气度 是加速还是放缓，从而最大程度地捕捉了边际变化。它是三种指标中，对当前信息最敏感的。信号 强度最高，反映了最近三个月行业景气的边际变化。 累计同比指标 C-YOY：衡量年初至今的增长情况。Q2/Q3/Q4 会包含前面季度的数据。当行业景气 度在第 2/3/4 季度爆发时，这个爆发的信号会被前期的值所稀释和滞后。虽然缺乏捕捉短期爆发性动 能的能力，但它的价值在于该指标包含了一定的趋势价值信号。 累计同比差值指标▲C-YOY：衡量增长率的变化，试图捕捉“加速度”或“边际贡献”。但累计同 比差值指标不是一个纯净的加速度指标，它是一个复杂的比率差，其分子和分母都包含大量历史数 据，导致信号被极度稀释和噪音放大。它选择出的高值行业，可能是因为其历史基数较小，而不是 当季景气度最高。由于历史数据的高度相关性，相减操作抵消了大量的趋势信息，最终剩下的值对 于下一期的预测价值低。

总结而言，Q-YOY 边际价值第一，趋势价值第二；C-YOY 趋势价值第一，边际价值第二；▲C-YOY 趋势价值第三，边际价值第三。两方面都弱导致该指标的回测效果最差。

问题 1.3：如何构建景气投资有效性指数？

在上述三种景气组划分过程中，我们已经识别景气组 1，即单季同比数据效果最佳，因此我们采取 单季盈利同比数据构建景气投资有效性指数。 景气投资有效性指数反映的是行业之间盈利增速的相对差异，以及市场对这种差异的定价意愿。

问题 1.4：为什么行业景气投资有效性高于个股景气投资有效性？

我们可以看到，截至 2025Q3，一级行业景气有效性指数达到高位，而个股景气有效性指数却仍在相 对低位，两者差值达到了历史新高水平。 反映 2024Q3 以来，景气行业中景气个股价格弹性，显著大于非景气行业中的景气个股。行业层定 价越来越有效，而个股层面市场定价依然较为混乱。 一方面，反映近年以来行业/赛道投资更佳获得青睐，另一方面，反映了近年指数基金（ETF）和量 化策略的偏好，这些边际增量资金对个股景气度重视程度偏低，更偏好直接按行业进行配置。资金 选择按行业流入，会推高该行业所有成分股的价格，使得行业整体的股价涨跌幅与行业整体业绩表 现的相关性变高。一旦市场认定某个行业景气度高，资金会“抱团”推升该板块，使得板块的表现 与其景气的有效性提升。

问题 1.5：为什么景气投资，有时有效，有时无效？

景气投资有效性指数无论是在一级行业层面还是在个股层面都存在显著的周期性波动，反映景气投 资时而有效，时而效能下降。这是景气投资策略在现实市场中必然出现的现象。波动现象的核心是 因为有效性周期的存在，反映了景气因子在不同经济周期和市场阶段中的变化。 1. 周期性因子轮动与经济周期。因子的有效性并非一成不变，它会随着宏观经济周期和市场情绪的 切换而发生周期性轮动。当宏观经济景气持续改善、企业盈利确定性高时，景气投资的有效性通常 会增强，资金追逐业绩持续改善的行业和个股，景气指标的分组效果显著。当经济景气度见顶或开 始下滑时，景气投资效能会明显下降，这是因为盈利预期开始恶化，高景气度往往意味着高估值， 市场开始转向防御性或价值（低估值）策略，导致景气因子短期失效。在市场恐慌期，低估值和低 波动因子往往表现更好，景气因子的回报被挤压。 2. 拥挤度与均值回归风险。景气投资是依据已发布或预测的业绩数据进行选股。当一个因子被市场 广泛认知并大量使用时，就会出现拥挤交易。大量资金依据同样的景气信号买入，导致景气组中的 股票估值被推高，盈利预期被市场充分定价甚至过度透支。一旦景气度出现哪怕微小的放缓，或者 出现一次黑天鹅事件，这些高估值的景气股就会面临较大的均值回归压力，导致景气投资指数急剧 下降（如 2016 年、2020 年的景气高点之后，都伴随着有效性指数的快速回落，或与当时市场对景 气度预期过于一致、估值泡沫化有关）。 3. 景气因子信号的敏感度与噪音。景气指标的信号强度，受到行业盈利的波动性影响。在市场波动 剧烈或行业盈利变化无序时，景气指标的信噪比下降。此时，分组选出的高景气组可能是基于暂时 的噪音或一次性事件（例如低基数效应），而非可持续的景气趋势。 4. 产业趋势形成期会抬升盈利关注度。当一个新的产业趋势（如新能源汽车、人工智能、创新药等） 开始形成时，市场对盈利指标的关注度会迅速提升，这里主要体现的是业绩增速的验证价值。在产 业趋势的导入期，市场关注的是概念和想象空间。趋势形成期，概念走向现实落地，市场需要看到 真实数据来验证其增长的可持续性。此时，订单、营收和利润增速是为数不多的验证工具。具有高 增速证据的企业，投资者或更会相信其现在的业绩增长将延续到未来，从而推高估值。 5. 主导资金类型对敏感度的影响。当公募基金等成为阶段性的主导资金时，会引导市场对业绩增速 更敏感，公募基金偏爱景气投资，倾向于选择具备高且持续盈利增速的行业和个股，因为这些股票 的动能因子最强，能在短期内实现快速超额收益。且其对业绩的边际变化敏感，因为这是提前布局、 获取超额收益的关键信号。被动指数基金，对行业业绩增速的敏感度则会降低，但当前正处于被动 指数基金发展初期。保险/养老金属于长期资金，更关注稳定分红、低波动和质量因子，对短期业绩 增速的敏感度相对较低。因此，公募等主动型机构资金在市场中的主导地位越强，有助于市场追逐 业绩增速的现象强化。

问题 1.6：传统一维行业间景气比较的局限性

一维度刻画有其固有优势，但也带有多个局限。 首先，盈利总体增速只反映整体景气强弱，如果当期只有两三个行业处于高景气，而大多数行业仍 然疲弱，那么单纯依靠增速高低并不能更好体现整体盈利周期处于扩张还是收缩阶段。 其次，一维 YoY 无法观测行业间的结构性差异，它假定横截面的波动是均质的，但在实际市场中， 结构分化本身就是驱动风格轮动、主线与超额收益的重要来源，而这种分化在一维增速序列中是被 “压扁的”。 第三，一维增速序列缺乏对景气“面宽”的刻画能力：两个季度的行业增速序列即便均值相同，但 若一个季度是“普遍改善”，另一个季度是“少数组别大涨但其余行业普遍下滑”，其宏观含义和 市场感受完全不同，但在一维逻辑下却难以区分。 第四，一维度指标对“极端值”敏感，周期品或高波动行业可能由于基数效应产生剧烈波动，从而 在排序中造成结构性的假信号，使得景气判断偏离真实的行业队列变化。 一维增速只能反映“每个行业自身的速度”，却无法反映“行业体系整体的形状”。传统一维指标 更多像是一个“纵轴序列”，只能捕捉单点强弱，而无法给出整个行业结构的几何形态，缺失了宽 度、分布及结构。行业景气如果只用一维序列来描述，其信息量与真实市场结构相比往往会被压缩， 也难以支撑当下更加结构化、分组化的 A 股行业配置需求。

2 二维的景气衡量方法

在景气分析中，除了观察全 A 非金融整体盈利的趋势以及行业盈利增速横截面的高低，更关键的是 识别盈利的结构性特征。结构性景气并不来自全 A 非金融整体盈利的一维变化，而是由其内部行业 之间的盈利改善路径决定。整体盈利只能反映“量的变化”，而行业结构中的景气差异才能刻画市 场风格、景气扩散与行业结构强弱。因此，从行业颗粒度入手构建结构性景气指标，更能反映当期 市场的真实运行状态。 基于全 A 非金融的内部构成，我们使用 26 个中信一级行业（剔除银行、非银金融、综合、综合金 融）的 TTM 盈利数据，构建两类结构性指标：扩散度（Diffusion）与离散度（Dispersion），分别 衡量景气的“面宽”与“结构强度”。

问题 2.1：如何衡量结构性景气的扩散度？

扩散度（Diffusion）——有多少行业的景气在改善？

（景气面宽） 观察口径 1：行业盈利的同比Q-YOY

扩散度反映的是行业层面的改善比例，本质上是观察：盈利处于改善的行业数量占比多少。它描述 的是景气的“面宽”。当扩散度提升时，意味着盈利改善由少数行业扩展到多数行业，景气开始扩 散回暖。当扩散度下降时，意味着盈利改善集中在少数行业，或只有少数行业在改善，景气分布不 均匀，缺乏广度。即，扩散度告诉我们：景气是结构性的全面恢复，还是结构性的修复偏窄？ 等权扩散度（Equal-weighted Diffusion）统计 26 个行业 TTM 盈利 Q-YOY>0%的数量占比。纳入各 行业市值权重后，可以得到加权扩散度（Weighted Diffusion）。等权扩散度衡量的是有多少行业的 盈利增速（Q-YOY）已经重新回到扩张区间。加权扩散度衡量的是当前全 A 市值结构中，有多大比 例来自处于大市值改善状态的行业。一旦权重行业利润企稳反弹，即便它们自身的增速不高，也会 显著拉升整体贡献结构。市值越大的行业，其改善对整体扩散度影响越显著。 从策略视角理解而言：扩散度高（大部分行业都在变好），意味着“基本面改善具有普遍性”。此 时，系统性风险降低，市场更倾向于走“全面修复/全面上行/指数行情”，这是“贝塔（Beta）价值” 的体现。扩散度处于低位或者在低位企稳，意味着基本面改善较为稀缺，市场可能表现偏弱（但在 市场流动性充裕或盈利存在明显远端改善预期时，资金或会因“资产荒”而去抱团极少数变好的行 业，从而形成“结构牛”）。

观察口径 2：行业盈利的环比 QoQ

第二个方法是通过荣枯线概念，参考 PMI 的指标设计方式，用每个季度的 TTM 数据，环比改善的 比重来设计景气衡量指标 50 化后，可以得到类似 PMI 的指标。 PMI 本质上是一个扩散指数，通过企业对生产、订单、库存、就业等问题的问卷反馈生成。企业的 回答只有三类：好（改善）、持平、差（恶化）。扩散指数的计算方式为：DI =好的比例+ 0.5*持平 的比例。在这种结构下，如果企业认为“改善”的比例与“恶化”的比例相等，即经济活动并无方 向性的改善或恶化，扩散指数的值自然为 50，恰好处于经济活动的“持平点”。因此，PMI>50 代 表改善占主导，经济处于扩张区间；PMI<50 则代表恶化更广泛，经济进入收缩。这种统计机制决 定了 PMI 的中心点是 50，代表经济活动的“中性状态”，而非人为设定的景气门槛。 从全 A 非金融景气构建角度看，PMI 的这一结构与行业层面的盈利扩散度高度一致。本质上，两者 都是以“改善—持平—恶化”来衡量景气的同步性和广度。PMI 是宏观主体（企业）对经营改善的 广度判断，盈利扩散度(QoQ)则是行业横截面盈利改善的广度衡量。因此，PMI 可以视为宏观层面的 广度型 Beta 指标，而盈利扩散度(QoQ)则是行业景气 Beta 的直接体现。

观察口径 3：PPI 分项扩散度

我们用 PPI 涨价广度（或涨价扩散度）指标——即当期环比上涨的分项行业占比——来刻画价格上 涨在行业之间的扩散范围。

问题 2.2：如何衡量结构性景气的离散度？

离散度（Disp）——行业间景气差异有多大？（景气结构性强度）

观察口径 1：行业盈利的相对增速（离散度）

离散度（Dispersion）反映的是行业层面盈利表现的分化程度，本质上是观察：行业间的景气差距究 竟有多大。它描述的是景气的“强度”与“结构张力”。当离散度提升时，意味着行业间呈现“强者恒强、 弱者恒弱”的撕裂状态，景气分布极不均衡。当离散度下降时，意味着行业间增速差异收敛，景气分 布趋于扁平。即，离散度告诉我们：当前的景气结构是“一枝独秀/两极分化”，还是均值回归？ 行业整体离散度统计的是 26 个行业在剔除极端值后的相对增速方差（基于截断后的数据，避免单一 行业的巨额亏损扭曲整体结构），衡量的是全市场景气的横截面差异。该指标旨在刻画同一季度内， 行业盈利增速偏离整体平均水平的程度。离散度越高，代表景气主线越“尖锐”，头部高景气行业与 尾部行业的业绩鸿沟被拉大；离散度越低，代表行业间基本面缺乏显著区分度，各行业在增长速度 上表现出“同质化”特征。 从策略视角理解而言：离散度高（行业间景气差异显著拉大），意味着“结构性主线清晰”。此时， 景气优势行业的比较优势被放大，市场往往演绎“极致分化”或“赛道抱团”行情，选对方向的回报率 极高，这是“阿尔法（Alpha）价值”的体现。离散度处于低位或者快速下行，意味着行业间景气差异 收敛（大家都差不多），市场缺乏鲜明的景气主线。此时，单纯依靠行业配置获取超额收益的难度 大幅增加，资金难以在单一方向形成合力，行情往往呈现“板块轮动过快”或“无主线震荡”的特征。

观察口径 2：正向景气组的内部分化（正向离散度）

行业整体离散度高反映的是当前的景气结构是“一枝独秀”或“两极分化”，无法剔除亏损行业的 影响，因此我们编制正向景气组离散度，单独反映高景气行业的离散情况。正向景气组离散度，进 一步聚焦于当季绝对盈利增速为正的行业内部，本质上是观察：“景气优等生”之间的业绩差距是 否在拉大。它描述的是市场赚钱效应的“集中度”。 当正向离散度提升时，意味着即便在赚钱的阵营里，分化也非常激烈，增长动力高度集中在极少数 爆发性增长的“超级主线”上。当正向离散度下降时，意味着正增长行业之间的增速梯度较小，景 气呈现“多点开花”的扁平特征。即，正向离散度告诉我们：当前的上涨是少数几个龙头的“独立 表现”，还是所有景气行业的“齐头并进”？ 编制方法上，我们首先基于各行业当期原始归母净利润增速（Raw YOY）的正负进行筛选，将原始 增速>0%的行业划入“正向景气组”。随后，采用截断后增速（Truncated Raw YOY，上下限设为± 100%）作为计算基础，计算该组内所有行业相对增速的样本标准差。（同样的，该指标也可进一步 划分为“等权”和“加权”两个细分维度）。 从策略视角理解而言：正向离散度高（优胜者内部差距悬殊），说明市场呈现显著的“主线抱团” 特征。此时，全市场的赚钱效应并非来自“普遍增长”，而是被极少数超高增速的行业所主导。资 金会为了追逐稀缺的极致弹性而高度集中，非主线资产即便业绩为正，也难有超额收益。正向离散 度低（优胜者内部差距不大），说明市场赚钱是“普惠式”的。此时，并非只有 3-5 个行业在领跑， 而是有更广泛的行业共同受益于宏观复苏或流动性改善。这种环境下，市场风格往往更加均衡，容 错率相对较高。

3 如何综合应用二维框架

问题 3.1：扩散度和离散度的策略价值是什么？

扩散度与离散度并非重复刻画，而是从“宽度”与“强度”两个正交维度，立体还原了市场的真实面貌。 扩散度（Diffusion）衡量的是“方向的共识性”。它关注的是行业景气变动的数量占比。解决的是“景 气是否具有普遍性”的问题。当扩散度高时，意味着市场大部分行业的盈利都在改善，景气周期的“覆 盖面”很宽，此时市场往往由 Beta 驱动，指数层面的赚钱效应较好。反之，当 Diff 下行时，说明周 期修复斜率放缓或仍处于衰退阶段，行业景气的系统性改善动力偏弱。 离散度（Dispersion）衡量的是“幅度的背离性”。它关注的是行业景气变动的方差大小。离散度解决 的是“景气是否具有极致性”的问题。当离散度高时，意味着行业间“旱涝不均”，头部高景气行业与 尾部差行业的业绩鸿沟被拉大。此时市场往往由 Alpha 驱动，结构性行情特征显著，选对赛道的回 报率高，对选错的惩罚重。当 Disp 收敛时，行业间的景气分化度降低，更偏向同步波动。 总结而言：扩散度决定 “仓位”（赚市场的钱），而离散度决定了 “行业配置偏斜”（赚结构的钱）。

问题 3.2：如何构建扩散度 Beta 与离散度 Alpha 的二维框架？

我们以扩散度（Diff）和离散度（Disp）为代表指标，构建行业景气的“Beta–Alpha 二维框架”。

1. 【第 1 象限：Beta↑×Alpha↑】周期+结构共振 （大概率为结构牛）

景气特征：行业景气全面上行，强行业比弱行业更强，Beta + Alpha 双抓。

2. 【第 2 象限：Beta↑×Alpha↓】周期性全面复苏 （大概率为全面牛）

景气特征：多数行业盈利 YoY 转正，行业景气一致上行，分化度低，市场风格偏均衡。

3. 【第 3 象限：Beta↓ Alpha↓】周期同步转弱（全面防御阶段）

景气特征：多数行业盈利下行，行业间景气差异不大，“同步下行”特征明显。

4. 【第 4 象限：Beta↓×Alpha↑】周期偏弱、结构亮点突出（弱结构行情）

景气特征：多数行业盈利 YoY 回落，周期 Beta 偏弱。少数行业景气显著强于其他，分化度高。 明确转向结构性 Alpha 行情，强调“强者恒强”。

问题 3.3：二维框架的历史有效性如何？

1）第二象限的代表：2009 年–2010 年：“四万亿”背景下的“上行市”+“全面牛”

2009 年-2010 年，扩散度攀升至高位，离散度偏低，偏向“第二象限”区间。所有行业在“四万亿” 政策支持下迅速扭亏为盈，扩散度迅速修复上行（扩散度↑）。2009-2010 年这轮行情，是一次典型 的“全面牛”。一方面，在“四万亿”刺激及信用扩张背景下，盈利与估值修复呈现出宽基化特征， 各个板块普遍获得可观涨幅；另一方面，从风格维度拆分，周期、消费、成长三大风格指数在本轮 区间的累计涨幅大体接近，并未出现某一风格显著、持续压倒其余风格的“单边驱动”格局（离散 度↓）。

2）第一象限的代表：2016 年–2017 年：“供给侧改革”背景下的“上行市”+“资源/白马结构牛”

2016 年–2017 年，扩散度和离散度皆攀升至高位，属于典型的“第一象限”区间。2016 年–2017 年，是扩散度及离散度同步抬升并维持高位平台的典型阶段。说明行业之间的景气在宽度和锐度上 都出现显著改善。所有“赚钱行业”内部，贡献进一步集中在少数“高景气+高权重”的方向上。 这与当时的叙事基本一致：伴随着前两年经济周期的走弱，2015年底中央首次提出“供给侧改革”， “三去一降一补”带动宏观经济大幅修复。供给侧改革压缩了钢铁、有色、煤炭等传统周期的落后 产能，资源品盈利恢复；同时，以食品饮料、家电为代表的大消费白马，叠加部分高端制造、医药 等方向 ROE 和业绩预期稳步抬升，估值与利润共振。这是一个非常典型的高景气白马抱团+供给侧 改革的结构牛市。盈利、估值与资金行为在少数赛道上高度同向，指标层面的“双高”很好地刻画 了这一阶段指数中枢上行且集中度较强的结构行情。

3）第一象限的代表：2019 年–2021 年：科技/新半军/资源主线，2021 成为“极致结构市高峰”

2019–2021 年，离散度与正向离散度再次出现显著抬升，属于典型的“第一象限”区间。扩散度方 面：2019 年，面对此前的经济增长压力，中美两国国债利率同步下行，国内信贷数据年初即开始发 力，2019 年全 A 盈利增速明显修复。2020 年，随着年初疫情爆发，经济迅速进入衰退状态，但随 后海外央行同步扩表，国内货币和财政刺激政策也迅速出台并推动景气修复。2021 年，在上年 Q1 低基数背景下，仍保持修复态势。离散度方面：产业层面，5G 发牌及中美科技摩擦促进科技成长风 格在这一阶段初期明显占优。在“新能源/半导体/军工”等新主线崛起与上游资源（有色、煤炭、部 分化工）价格上行的背景下，离散度明显上行，有阶梯式抬升的特征，反映出行业间的景气和股价 表现开始快速分化。结构撕裂在数据和叙事上都表现得较为清晰。

4）快速轮动象限代表：2013 年-2015 年：结构牛-全面牛-结构牛破灭

2013 年-2015 年：扩散度抬升，离散度持续低迷。按照框架定义，这一阶段更多属于第 2 象限，即 【Beta↑×Alpha↓】的组合，对应的是多数行业盈利 YoY 转正，景气全面复苏，行业景气一致上 行，行业间景气分化度低。对应的 A 股市场表现应为：市场上行+风格偏均衡。但实际上，投资者 或认为此处指标和体感有背离，即 2013-2015 年是较大的科技结构牛。 这个体感的背离需要把颗粒度拆细来看： 2013 年，扩散度上行。背景是 2012 年为应对经济下行压力较大，部分经济刺激政策重新出台，2013 年全年在前期刺激政策的铺垫下，整体仍呈现出弱复苏迹象，经济增长指数拐头向上，工业增加值 产出缺口明显上行，工业企业利润触底反弹。由于 2012 年整体景气度大幅承压导致盈利基数较低， 2013 年，全 A 非金融整体在 2012 年低基数的背景下实现了“弱修复”，整体盈利增速实现同比正 增，扩散度也同步显著抬升。对应的，指数层面的 BETA 修复具备一定合理性。 2013 年景气正向组离散度指标虽然偏低，但也属于底部抬升类型。即，在偏低的整体离散度中， TMT 四行业的离散度贡献比重较大。因此，2013 年科技行业出现离散度上行背景下的结构牛也 具有合理性。 2014 年，扩散度高位震荡，离散度继续低迷。符合第 2 象限，即【Beta↑×Alpha↓】的组合的对应 特征，2014 年整体呈现出全面牛、均衡牛的特点。 2015 年，扩散度下行，离散度上行。符合第 4 象限，即【Beta↓×Alpha↑】的组合的对应特征，整 体景气周期走弱、少数行业景气显著强于其他，分化度高，明确转向结构性 Alpha 行情，强调“强 者恒强”，结构亮点突出（结构行情阶段），行情最终还是结束于景气下行。

问题 3.4：离散度指标如何更好使用？

一级行业景气离散度指标与中国 PPI 数据高度相关，反映 PPI 上行阶段，行业盈利能力弹性增大。 需要注意的是，整体离散度和景气正向组离散度的计算，都容易受26个行业中盈利高波行业的影响， 特别是受周期、资源行业的影响较大，即离散度指标走高通常和 PPI 指标有相关，这对 TMT、制造、 消费等行业友好度偏低。

对此，我们可进一步将离散度指标的颗粒度做细。当整体离散度指标处于低位时，并非意味着完全 不存在结构性行情，更重要的是关注离散度数值的贡献组成结构。例如，我们进一步将 TMT4 个行 业在景气正向组离散度中的比值计算出来，并作为参考指标，可更好反映 TMT 科技行情的发起背景。 这对于解释、理解历史行情，特别是 2013 年的科技结构牛，以及本轮科技结构牛的说明性更佳。

4 结论及展望

分化，才是景气投资有效性的基础。景气投资的前提不是简单的盈利改善，而是盈利与股价表现在 行业、风格、个股层面出现有方向的“拉开差距”。只有当行业景气度真正开始分化：一部分行业 盈利、订单、产能利用率持续上行，另一部分行业则在去库存、降价和利润挤压中徘徊，市场才会 被迫用估值与资金配置去重新“定价结构”。这种景气与收益的横截面差异，本质上就是景气投资 得以产生超额收益的土壤，没有分化，就无所谓“选股、选行业”的有效性。 当前的二维框架数据显示，扩散度开始底部上行，离散度同样底部上行。从离散度的绝对贡献结 构来看，TMT 行业占比的绝对值高，边际抬升幅度大，这也是近期科技结构性行情的底层核心 驱动逻辑。 2026-2027 年，离散度是整体上行还是其中分风格的结构上行？这将直接决定 2025 年后 A 股的投资 主线。 如果是后者，那么在整体景气离散度偏低的背景下，科技行业的结构性离散度提升仍将维持其主线 地位。 如果是前者，那么或必然伴随出现的是 PPI 的系统性上行，这背后的催化，不取决于房地产市场是 否能有效恢复，亦或向下速度放缓，而更多由“反内卷”政策的推进“速度及力度”决定。 在 2026 年 PPI 向 0 值修复的宏观方向假设下，整体扩散度和离散度保持方向性上行为大概率事件。 这进一步呵护了市场的 Beta 价值。Alpha 结构上，离散度继续保持小幅上行，意味着风格的扩散仍 然值得期待，整体二维框架的第 1 象限定位仍将维持，此阶段仍然是结构牛，但若 TMT 行业离散度 绝对值提升，但占比下降，“反内卷”方向有望在 2026 年结构牛中占据更多底色。 按离散度（正向）指标提升趋势来看，建议关注科技方向的计算机、通信、中游先进制造方向的电 新、机械、汽车。周期资源方向的钢铁、基础化工、有色。

编辑：火腿肠