报告概述
本报告基于相似预期差、分析师预期边际变化和行业指数量价特征三大行业轮动模型，每月定期更新行业配置观点，并对策略历史表现进行持续跟踪。报告覆盖中信一级行业，采用因子打分、市值加权等方法构建因子，并据此形成多头组合。在此基础上，报告进一步构建行业ETF投资组合，为投资者提供可落地的行业配置参考。
报告的核心结论
相似预期差因子具备较强的行业筛选能力。
在2016年12月至2025年12月的样本期内，相似预期差因子IC均值为0.09，IC胜率62.96%，多头Top 6组合年化收益率达13.52%，显著跑赢万得全A（6.17%）和行业等权指数（5.10%），最大回撤19.27%。
分析师预期边际变化因子可有效捕捉行业景气度。
动态分析师预期因子IC均值为0.06，IC胜率59.26%，多头组合年化收益10.93%，累计净值2.19，收益波动比0.58，在多个市场阶段均能获得超额收益。
量价特征多因子轮动模型长期超额收益显著。
自2011年1月至2025年12月，基于趋势动量、成交额低波和交易情绪动量合成的多因子，IC均值0.11，IC胜率69.83%，多头Top 5年化收益15.58%，相对行业等权年化超额11.13%，超额最大回撤仅10.08%。
不同模型在不同市场情景下表现各异。
情景分析显示，相似预期差模型在震荡上行和快速下跌中表现稳健；分析师预期模型在强劲反弹期弹性较大；量价特征模型在快速上涨和震荡上行中优势明显。投资者可根据市场环境参考不同模型。
报告回答的关键问题
如何利用相似预期差进行行业轮动？
相似预期差因子基于投资者代表性启发法，寻找相似股票表现优异但自身涨幅尚小的行业。通过计算个股间市盈率相对值、ROE和资产增长率的欧氏距离筛选相似股票，再以市值加权计算行业因子值。最新配置推荐消费者服务、石油石化、非银金融、电子、汽车、基础化工。
分析师预期边际变化如何指导行业配置？
该模型采用近一月和近三月一致预测每股收益变化率，通过打分法（上调/下调幅度分档）构建因子，并行业内市值加权。因子值高的行业表明分析师预期上调趋势明显，景气度向好。最新推荐非银金融、有色金属、通信、煤炭、电力设备及新能源、钢铁。
量价特征行业轮动模型包含哪些因子？
模型包含趋势动量因子（基于锚定效应，分别计算上行/下行趋势）、成交额低波因子（剔除流通市值影响后，过去20日中性化成交额标准差倒数）和交易情绪动量因子（隔夜与日内情绪动量等权合成）。三个因子等权打分后选取得分最高的行业。最新推荐电子、计算机、电力设备、国防军工、环保。
行业ETF组合如何构建？
在三大模型综合观点基础上，选取共同看好的行业（如非银金融、有色金属、电子等），并匹配对应主题ETF基金。ETF选择标准包括基金规模（份额大于1亿份）、流动性等。报告列出了12月推荐的具体ETF标的及其代码、全称和份额。
报告中的代表性数据
相似预期差因子IC均值
2016/12-2025/12，行业维度相似预期差因子的IC均值，表示因子与下月行业收益的相关性。IC胜率62.96%，ICIR为0.31。
量价多因子多头年化收益率
2011/01-2025/12，基于行业指数量价特征的多因子策略，每月选取得分最高的5个行业等权配置，年化收益率15.58%，累计净值8.67。
相似预期差策略最大回撤
2016/12-2025/12，相似预期差因子多头Top 6组合在样本期内最大回撤为19.27%，低于万得全A的32.59%和行业等权的31.67%。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 三大行业轮动模型的详细方法论，包括相似预期差因子的构造步骤、分析师预期边际变化的打分机制、量价特征因子（趋势动量、成交额低波、交易情绪动量）的数学定义。
- 各模型的历史回测结果，包含IC序列图、净值曲线、累计超额收益、不同市场情景下的表现对比（快速下跌、强劲反弹等）。
- 2026年1月最新的行业配置观点及过去6个月的推荐行业历史记录。
- 基于行业指数量价特征的30个中信一级行业因子得分明细表，便于自行分析。
- ETF组合构建的具体基金列表，包括基金代码、简称、全称、最新份额，覆盖非银金融、有色金属、电子、电力设备、国防军工、基础化工六大行业。
- 多策略情景分析表，对比相似预期差、分析师预期和量价特征模型在不同市场阶段（如2018年快速下跌、2024年9月后强劲反弹）的累计收益率。
- 风险提示部分，强调结论基于历史数据，市场环境变化可能导致因子失效，基金投资存在波动风险。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
