2026年行业配置报告（2026年2月）：行业配置策略定期跟踪及行业ETF组合构建

基于相似预期差因子的行业轮动模型

1.1 模型介绍

从投资者的投资心理出发，投资者在预测某只股票未来的收益率时一般会采用代表性启 发法（Tversky and Kahneman，1974）。因此，投资者对某只股票及其相似股票往往持有相 同的收益预期，这也就意味着，如果某只股票的相似股票近期均表现良好且已经实现了较高 收益，而这只股票本身还尚未实现较大涨幅，那么投资者往往对这只股票的未来收益充满期 待，倾向于买入持有该股票。

在相似预期差因子的基础上需要将个股因子映射到行业维度，具体步骤如下所示： 1） 为了避免股票自身的盈亏对相似预期差因子的测算造成偏误，我们首先根据股票上 一个月的市场表现将股票分为强势组与弱势组。强势组由前一月超额收益为正的个 股组成，弱势组由前一个月超额收益小于或等于零的个股组成。超额收益指个股收 益与市场收益之差，市场收益以万得全 A 指数月度收益率为基准。 2） 在每个中信一级行业内，根据每只股票 A 股市值的大小，通过等权合成的方式，计 算相似预期差因子值的平均值作为这一行业的相似预期差因子值。注意，在计算相 似预期差市值加权平均值时，仅考虑第一步筛选出的过去一个月收益跑赢万得全 A 指数的个股。 3） 在每一个时刻，每一个中信一级行业内，重复以上步骤，我们就可以得到每个时刻 每个行业的相似预期差因子值。

1.2 历史回测

在样本期（2016/12-2026/1）内，行业维度下相似预期差因子具备较强的行业筛选能力。 相似股预期差因子的 IC 均值为 0.09，IC 与均值同向的比例为 62.39%，ICIR 为 0.30。

1.3 策略跟踪

样本期内，根据相似预期差因子构建的多头 Top 6 组合表现全面优于万得全 A 指数与行 业等权指数，策略年化收益率为 14.14%，年化波动率为 0.17，累计净值为 2.92，收益波动 比 0.82，最大回撤率 19.27%。

基于分析师预期边际变化的行业轮动模型

2.1 模型介绍

我们选用近一月一致预测每股收益变化率、近三月一致预测三月每股收益变化率，近一 月一致预测每股收益（未来十二个月）变化率、近三月一致预测每股收益（未来十二个月） 变化率通过行业内市值加权构建动态分析师预期因子。 为了淡化个股绝对变化水平，客观刻画行业整体景气度，我们采用打分法进行因子复合。 具体操作为如下所示： 1） 根据一致预期边际变化的正负进行打分，一致预期上调记 1，下调记-1； 2） 一致预期边际变化大于 1%记 1，小于-1%记-1； 3） 一致预期边际变化大于 2%记 1，小于-2%记-1； 4） 一致预期边际变化大于 3%记 1，小于-3%记-1； 5） 加总以上得分，在中信一级行业内采用市值加权计算平均分，得到因子值。

2.2 历史回测

在样本期（2016/12-2026/1）内，动态分析师预期因子具备显著的行业筛选能力。因子 的 IC 均值为 0.06，IC 与均值同向的比例为 59.63%，ICIR 为 0.22。

2.3 策略跟踪

样本期内，相较于万得全 A 指数与行业等权指数，根据动态分析师预期因子构建的多头 Top 6 组合可以获得显著的超额收益，策略年化收益率为 11.77%，年化波动率为 0.19，累 计净值为 2.35，收益波动比 0.62，最大回撤率 31.83%。

基于行业指数量价特征的行业轮动模型

3.1 模型介绍

2022 年至 2023 年间，A 股市场因子有效性变化显著，基本面因子有效性有所下降，量 价类因子有效性有所上升。在市场风格切换迅速的背景下，量价类因子更新频率较高，在捕 捉市场风格切换与热点主题投资机会具备显著优势。 A 股市场长期实证结果表明，个股维度反转效应较为显著，行业维度动量特征较为明显； 2021 年来，伴随着市场切换速率加快，传统动量因子在行业维度有效性显著衰减，我们将 重构动量因子计算方式，寻求行业维度更优动量特征刻画，以此为基础，从行业趋势动量、 行业成交额低波、行业交易情绪动量 3 个维度构建多因子量价行业轮动体系。

3.1.1 趋势动量因子

行为金融学上将此类现象称之为锚定效应（Anchoring Effect），指当人们需要对某个事 件做定量估测时，会将某些特定数值作为起始值，起始值像锚一样制约着估测值。当投资者 试图判断行业指数的未来趋势时，行业指数短期走势、前高、前低以及当前时点的收盘价都 是投资者判断行业趋势的重要参考。 基于锚定效应，提出以下猜想：投资者在进行投资决策时，针对行业指数上涨和下跌两 种不同的情境，对锚点的选择或有不同。指数近期上行，投资者主要关注涨势是否可以延续， 上涨是否遭遇阻力，因此前期高点将是趋势判断的重要参考；指数近期下行，投资者主要关 注跌势是否即将终止，下跌是否具备支撑，因此前期低点将是趋势判断的重要参考。 趋势因子的计算分为定性定量两部分，对应定性窗口（Judgement Window，JW）与定 量窗口（Trackback Window，TW）。采用定性窗口内行业指数的绝对收益判断行业指数处 于上涨（下跌）状态；采用定量窗口内行业指数历史最高（低）价，计算行业指数相对前高 （低）涨（跌）幅。

3.1.2 成交额低波因子

A 股市场中，从长期来看成交额低波的股票可以获得显著的超额收益，低波超额现象在 行业维度同样存在。考虑到行业成交额受行业规模影响，且行业成交额序列自相关性较高， 为了精准刻画行业指数成交额的波动情况，需要先对行业成交额做中性化处理。

3.1.3 交易情绪动量因子

交易情绪的变化会对市场行情产生影响，投资者的情绪会直接影响到资产的供需关系和 价格走势。市场上做多热情和做空热情的相对比例会影响到市场的波动性和资金流动方向。 因此，能够准确把握行业交易情绪对于投资者来说具有重要意义。通过做多力量与做空力量 的相对比例刻画行业交易情绪变化，构造交易情绪动量因子。

3.1.4 多因子聚合

采用因子打分（Rank）的方式将趋势动量因子、成交额低波因子、交易情绪动量因子等 权合成为行业轮动量价特征多因子。

3.2 历史回测

在样本期（2011/01-2026/1）内，行业轮动量价特征多因子具备较强的行业筛选能力。 量价特征多因子的 IC 均值为 0.11，IC 与均值同向的比例为 70.00%，ICIR 为 0.45。

（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。）