1、報告正文1、研究背景、結構化行情下，行業輪動重要性凸顯我國股市曾經的一個特點是“普漲普跌”，“千股漲停”與“千股跌停”的行情時有出現。而隨著我國資本市場的發展，近年來，A 股更多地呈現出“結構化行情”的趨勢：1）鋼鐵、化工、采掘等在去年較少被投資者提及的行業，今年上半年交出了一份亮麗的成績單（圖表 1 與圖表 2）；2）申萬一級行業每月表現前 5 名與后 5 名之差在近年來多次走闊，28 個行業月收益率的標準差也屢次走高（圖表 3），這些現象都凸顯出行業輪動，也就是選擇行業 Beta 的重要性。事實上，隨著“結構化行情”的進行，投資者對行業輪動也愈加關注：根據百度搜索指數，“行業輪動”自 20

2、19 年下半年以來一直維持在較高水準（圖表 4）。圖表 1、2020 年下半年申萬一級行業漲跌幅前五名圖表 2、2021 年上半年申萬一級行業漲跌幅前五名資料來源：聚源、Wind， 整理數據日期：2020 年 7 月 1 日至 2020 年 12 月 31 日 資料來源：聚源、Wind， 整理數據日期：2021 年 1 月 1 日至 2021 年 6 月 30 日圖表 3、申萬一級行業走勢分化資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月 31 日圖表 4、百度“行業輪動”搜索指數資料來源：百度， 整理數據日期：截至 2021 年 8 月 25 日、行業輪動與機構投資者分

3、歧鑒于行業輪動的重要性以及投資者對行業輪動的關注，興證金工嘗試從全新的角度探索行業輪動，力圖為投資者提供更深刻的市場洞見。從現有研究的分類來看，行業輪動的體系可基本分成兩大類：1）從高頻量價的角度出發挖掘行業主題的投資機會。這種方式忽略了行業表現背后的經濟學邏輯以及未被反映在價格和成交量中的信息；2）從宏觀中觀角度出發構建行業輪動模型。該方法比較關注宏觀經濟周期、中觀行業邏輯在行業輪動中的效應。而宏觀經濟周期噪音較大，數據較為滯后，應用可行性有待于進一步商榷。中觀層面則從行業角度出發，利用行業自身的邏輯構建模型，具有更好的普適性。近年來從中觀層面出發建模的視角大致包含：行業基本面層面、機構持倉

4、層面、資金流層面、動量效應、分析師預期等。這些維度也成為我們構建模型的出發點。具體來看，我們檢驗分析師 ROE 一致預期變化率、公募基金行業配置比例變化、北向資金流、動量效應的行業輪動能力：1）分析師 ROE 一致預期變化率可以看成是行業基本面變化的表征；2）公募基金近年來持股市值占比不斷提 升，表現也非常優異1，因此他們的行業配置比例變動可能對行業輪動具有指導 意義；3）北向資金，尤其是托管于券商的資金流（后文簡稱“北向券商資金”） 常常被認為是聰明資金，且具備較強的交易能力，因此北向券商資金在行業層面的流入或流出可能也對行業輪動具備前瞻性；4）動量效應在各國、各大類資產、橫截面、時間序列都

5、存在2，因此，我們檢驗行業動量效應在行業輪動中的效果。實證結果表明，基于以上每個維度分別構建的行業輪動模型均可以提供可觀的 超額收益。接下來，我們從新穎的角度思考以上行業輪動模型有效的原因：根據有效 1詳見興證金工 2020 年 8 月 24 日報告基本面量化視角下的機構持倉信息研究系列之一：公募基金持倉變量全解析。2詳見 Asness, Moskowitz,and Pedersen (2013)、Moskowitz, Ooi, and Pedersen (2012)等市場假說，如果以上維度的信息能立即被反應到股價上，那么這些信號應不具備行業選擇能力。然而，在現實世界中，信息擴散需要時間；并且

6、，不同股票反映新信息的速度也有差別。以美國股市盈利公告后的盈利驚喜為例，圖表 4 的Panel B、Panel C、Panel D 分別展示了代表美國大盤股（S&P 500）、中盤股（S&P 400）、小盤股（S&P 600）的盈利驚喜分組篩選結果。可以看到，在盈利 公告 20 分鐘后，大盤股已經基本反映了盈利驚喜的信息：Panel B 中，盈利驚喜 top quantile（深藍實線）的累積收益在 20 分鐘后基本停止增加；而在小盤股中，盈利驚喜 top quantile 的累積收益在 50 分鐘后仍在增長；而中盤股介于兩者之間。也就是說，在大盤股中，信息被反映在股票中的速度較快，而小盤股反

7、映新信息的速度較慢。圖表 5、美國股市盈利公告之后，不同盈利驚喜分組的累積收益率資料來源：Journal of Accounting Research， 整理數據日期：2011 年 1 月 1 日至 2015 年 12 月 31 日與盈利驚喜類似，其他維度的信息也不可能立刻被反映在成分股的股價中，因此，我們推測，在反映新信息較為緩慢的行業中，基本面預期變化、機構行 為等變量能夠展現出更好的行業篩選效果。那么如何衡量各個行業反映新信息的速度？我們創新性地使用“行業機構分歧度”這一指標來衡量各個行業反映新信息的速度：假設某行業的基本面發生了變化，如果機構對該信息的分歧度較小，那么該信息會被很快地反

8、映在行業成分股的股價中，該基本面變量對行業未來的回報率就沒有預測能力；如果機構對該信息的分歧較大，大量機構選擇買入，同時大量機構選擇賣出，那么該信息完全被反映在股價中的過程則會被延緩，也即當前股價只反映了一部分新信息，隨著余下新信息的擴散，未來股價還會隨之變動，因此當前的新信息就對未來行業回報有較好的預測能力。也就是說，在那些機構分歧較大，也即反映新信息較為緩慢的行業中，用于行業輪動的變量會展現出更好的行業篩選效果。圖表 6、機構分歧與信息擴散示意圖資料來源： 繪制接下來，我們將驗證機構投資者分歧度對基本面、機構持倉、資金流、動量等維度的改進作用，并推出“機構分歧”行業輪動模型。具體如下：1、

9、第二章我們將詳細解釋如何衡量各行業的機構投資者分歧；2、第三章中我們展示基于單因子的行業輪動效果；3、在第四章中，我們展示基于多變量綜合打分與機構投資者分歧的行業輪動策略（即興證金工“機構分歧”行業輪動模型）；4、為方便策略的落地，第五章列出了部分行業 ETF；5、第六章對研究進行總結和展望。2、如何衡量機構投資者分歧？近年來，A 股市場機構化進程日益加快，A 股機構投資者的持股市值占比從 2015 年底的 20%左右增長到 2020 年底的約 30%，其中，公募基金始終是最大的機構投資者，且規模保持高速增長。目前，大部分對公募基金的研究集中在持倉信息、業績評價與多變量選基金等維度。這些研究大

10、多受制于較低的基金持倉披露頻率。圖表 7、公募基金整體規模資料來源：聚源、Wind， 整理興證金工對實時跟蹤偏股主動型基金的股票與行業倉位進行過深入的探索，并且每周發布基金股票倉位、基金申萬一級行業配置比例的測算結果。在長期對基金倉位的測算與跟蹤中，我們發現，基金行業倉位的變化蘊含著豐富的信息。假設存在 A、B、C 三只基金以及以下兩種場景：在場景一，A，B，C 各自把他們在 i 行業的倉位提高了 2%，此時 A、B、C 三只基金在行業 i 的倉位變化的平均值為 2%，倉位變化的標準差為 0%；在場景二，A 基金將行業 i 的倉位提高了 7%，B 基金將行業 i 的倉位提高了 2%，而 C 基

11、金將行業 i 的倉位降低了 4%，此時，三只基金在行業 i 倉位變化的平均值仍然是 2%，但倉位變化的標準差卻提高到了 4.50%。盡管兩種場景的持倉變化均值相同，但很顯然，在場景二，基金有著更加不同的交易方向，也就是說，此時基金經理對行業的走勢有著較為不同的看法，基金之間的分歧較大（行業持倉變動的標準差較大）。基于以上分析， 在每個月末，我們對各個行業構建了“機構投資者分歧”指標。圖表 8 至圖表 10 展示了投資者近期較為關注的一部分行業的機構分歧時間序列。可以看到，機構分歧沒有明顯的趨勢，且本身與指數相關性較低。圖表 8、機構分歧與行業指數（化工，申萬一級）資料來源：聚源、Wind， 整

12、理圖表 9、機構分歧與行業指數（國防軍工，申萬一級）資料來源：聚源、Wind， 整理圖表 10、機構分歧與行業指數（醫藥生物，申萬一級）資料來源：聚源、Wind， 整理3、單變量行業輪動模型與機構分歧本章節解釋了 ROE 一致預期變化率、公募基金行業配置比例變動、北向資金流、行業動量等變量的邏輯與構造方法，并檢驗了這些變量的行業篩選能力。具體來看，我們先展示這些變量在 28 個申萬一級行業中的篩選結果；接下來，我們根據機構投資者分歧，將全部申萬一級行業分為高低分歧兩組，再分別在兩組內檢驗這些變量的行業篩選能力。和我們的推測一致，以上變量的行業篩選能力集中在機構投資者分歧較大，也即反映新信息較慢

13、的 14 個行業中；而在 14 個分歧度較低的行業中，以上變量的篩選能力較弱，或沒有展現出任何篩選效果。并且，在大多數情況下，以上變量在高分歧行業中篩選出的行業等權組合跑贏了在全行業篩選出的等權組合。、基于 ROE 一致預期的行業輪動與機構分歧“如果只能用一個指標選股的話，我會選擇 ROE”。沃倫巴菲特ROE 直接衡量了公司凈資產的盈利能力，在投資實踐中的重要性不言而喻。從股利貼現模型的角度來看，股價可被表示為:( ) = (1 + )=1其中 BV 指凈資產，d 是派息率，R 是折現率。若投資者預期公司的 ROE 增長（假設其它因素不變），那么股價也會隨之抬升。在每個月末，對行業內成分股 R

14、OE 一致預期變化率加權處理，我們得到行業的ROE 一致預期變化率。我們首先檢驗 ROE 一致預期變化率在全部申萬一級行業中的篩選結果（分為六組，每組分別包含 5、5、4、4、5、5 個行業）；然后我們根據機構投資者分歧，將全行業分為高低分歧兩組，再分別在兩組內根據 ROE 一致預期變化率構建行業輪動策略（再分為三組，每組分別包含 5、4、5 個行業）。可以看到，在全行業中選取 ROE 一致預期變化率較高的 5 個行業（第六組）僅取得了 5.12%的年化超額收益率。而在機構投資者分歧較大，也就是反映新信 息較慢的 14 個行業中，ROE 一致預期變化率較高的 5 個行業等權組合（第三組）取得了

15、 6.13%的年化超額收益;在機構投資者分歧較小，也就是反映新信息較快 的 14 個行業中，根據 ROE 一致預期變化率構建的等權組合（第三組）的年化超額收益僅為 2.24%，低于高分歧組中的策略表現。以上實證結果與我們“ROE一致預期變化率的篩選效果集中在分歧較大的行業中”的判斷基本一致。圖表 11、ROE 一致預期變化率分組圖表 12、ROE 一致預期變化分組的年化超額收益資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月 31 日資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月 31 日圖表 13、先挑選 14 個機構分歧較大的行業，再根據 ROE

16、一致預期變化率分組資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月 31 日圖表 14、先挑選 14 個機構分歧較大的行業，再根據 ROE 一致預期變化率分組的年化超額收益率資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月 31 日圖表 15、先挑選 14 個機構分歧較小的行業，再根據 ROE 一致預期變化率分組資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月 31 日圖表 16、先挑選 14 個機構分歧較小的行業，再根據 ROE 一致預期變化率分組的年化超額收益率資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月

17、31 日策略策略年化收益等權基準超額波動率最大回撤在 28 個申萬一級行業中，挑選 ROE 一致14.13%9.01%5.12%26.15%-49.03%在機構分歧大的 14 個行業中，挑選 ROE15.14%9.01%6.13%27.58%-52.75%在機構分歧小的 14 個行業中，挑選 ROE11.25%9.01%2.24%24.82%-43.56%圖表 17、基于 ROE 一致預期變化率和機構分歧的行業輪動策略長期業績表現預期變化較高的 5 個行業（第六組）一致預期變化較高的 5 個行業（第三組）一致預期變化較高的 5 個行業（第三組）資料來源：聚源、Wind， 整理數據日期：截至 2

18、021 年 7 月 31 日、基于公募基金持倉的行業輪動與機構分歧近年來，許多公募基金交出了一份亮麗的答卷，2020 年，偏股主動型基金回報率的中位數超過了 60%。興證金工在公募基金持倉因子全解析、公募基金持倉因子全解析等報告中對公募基金的持倉進行了深入的研究，基于持倉信息構建的股票組合持續產生可觀的超額收益。作為專業投資者，公募基金可能具備優于市場平均水平的信息優勢；而該優勢信息，可能會隨著持倉的公布而擴散到市場中，因此，我們認為，公募基金的行業配置可能對行業輪動也具備指導意義。公募基金在半年報和年報中披露全部持股信息，但半年報披露的最晚時間為八月底，年報披露的最晚時間為三月底，時滯較為嚴

19、重。而基金季報披露的頻率較高，且在一月底、四月底、七月底、十月底均披露完畢，時效性較高。因此，我們使用基金季報所披露的十大重倉股信息構建行業輪動組合。圖表 18、公募基金年報、半年報和季報的最晚公布時間（按月底考察）資料來源： 繪制具體來看，在季報公布后，我們首先計算公募基金在各行業的配置比例： ,= , 其中 i 代表行業，t 代表某個季報； ,是公募基金在行業 i 的持倉市值， 是公募基金的持股總市值，以上市值的計算全部基于季報披露的十大重倉股。接著我們計算公募行業配置比例的變動： , = , ,1我們使用 ,對申萬一級行業進行排序，且該排序結果持續到下次季報公布之前。以二季報為例，七月底

20、二季報全部公布完畢，我們計算各行業配置比例相對于一季報的變動，并依據變動大小將行業排序。在接下去的三個月份（三季報公布之前）均使用該排序結果。在實證中，我們首先檢驗公募基金行業配比變動在全部申萬一級行業中的篩選結果（分為六組，每組分別包含 5、5、4、4、5、5 個行業）；然后我們根據機構投資者分歧，將全行業分為高低分歧兩組，再分別在兩組內根據公募基金行業配比變動構建行業輪動策略（再分為三組，每組分別包含 5、4、5 個行業）。可以看到，在全行業中選取配比增加較多的 5 個行業（第六組）僅僅取得了3.74%的年化超額收益率。而在機構投資者分歧較大，也就是反映新信息較慢的14 個行業中，公募基金

21、行業配比增加較多的 5 個行業等權組合（第三組）取得了 5.20%的年化超額收益;在機構投資者分歧較小，也就是反映新信息較快的 14個行業中，根據公募基金行業配比變動構建的等權組合（第三組）的年化超額收益為-3.26%，沒有展示出任何篩選效果。以上實證結果與我們“公募基金行業配比變動的篩選效果集中在分歧較大的行業中”的判斷基本一致。圖表 19、基金行業配比變動分組圖表 20、基金行業配比變動分組的年化超額收益率資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月 31 日資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月 31 日圖表 21、先挑選 14 個機

22、構分歧較大的行業，再根據基金行業配比變動分組資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月 31 日圖表 22、先挑選 14 個機構分歧較大的行業，再根據基金行業配比變動分組的年化超額收益率資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月 31 日圖表 23、先挑選 14 個機構分歧較小的行業，再根據基金行業配比變動分組資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月 31 日圖表 24、先挑選 14 個機構分歧較小的行業，再根據基金行業配比變動分組的年化超額收益率資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月

23、 31 日策略策略年化收益等權基準超額波動率最大回撤在 28 個申萬一級行業中，挑選配置比例相12.75%9.01%3.74%26.97%-47.91%在機構分歧大的 14 個行業中，挑選配置比14.21%9.01%5.20%28.56%-51.62%在機構分歧小的 14 個行業中，挑選配置比5.75%9.01%-3.26%25.37%-54.39%圖表 25、基于基金行業配比變動和機構分歧的行業輪動策略長期業績表現對增加的前 5 個行業（第六組）例相對增加的前 5 個行業（第三組）例相對增加的前 5 個行業（第三組）資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月 31

24、日3.3、基于北向資金的行業輪動與機構分歧近年來，通過陸股通“北上”的資金在 A 股的持股市值占比不斷提升，這些資金的行為也受到了投資者的廣泛關注，興證金工亦在基于北向資金持倉信息的 A 股配置全攻略等報告中對北向資金的擇時和擇股能力進行了較為深入的研究。在投資實踐中，陸股通參與者需要通過“港交所中央結算系統參與者”對股份的買賣進行交收。目前，中央結算系統的主要參與者可分為兩類，一類為直接結算參與者（券商為主），另一類為托管商參與者（銀行為主）。券商不僅可以提供結算、托管服務，還能提供交易、投研等更多樣化的服務手段，而銀行通常僅負責托管與結算。為方便闡述，我們將通過券商進行結算的資金稱為“北向

25、券商資金”，將通過銀行進行結算的資金稱為“北向銀行資金”。圖表 26、港交所中央結算系統參與者分類資料來源：香港交易所， 整理通常認為，北向銀行資金傾向于長期資產配置，而北向券商資金以交易型為主，更符合“聰明錢”的特征，他們的交易行為可能對行業輪動具備啟示意義。因此，對每個行業，在每個交易日，我們構建如下變量：,= , 其中 i 代表行業，s 代表股票，t 代表交易日；,是股票 s 在行業其所屬的申萬一級行業 i 中的權重， ,是北向券商資金上個月該股票的平均持有市值， ,是北向券商在 t 日流入股票 s 的資金量，計算方法為： , = (, ,1) ,其中 h 為北向券商資金持股數量，,為股

26、票 s 在 t 日的成交均價。接下來，對每個行業，我們在每個月計算其日均，并將其作為衡量北向資金流的指標。我們首先檢驗北向資金流在 28 個申萬一級行業中的篩選結果（分為六組，每組分別包含 5、5、4、4、5、5 個行業）；然后我們根據機構投資者分歧，將所有申萬一級行業分為高低分歧兩組，再分別在兩組內根據北向資金流構建行業輪動策略（再分為三組，每組分別包含 5、4、5 個行業）。實證結果顯示，在全行業中選取北向券商資金流入較高的 5 個行業（第六組）僅取得了 8.98%的年化超額收益率。而在機構投資者分歧較大，也就是反映新信 息較慢的 14 個行業中，北向券商資金凈流入較多的 5 個行業等權組

27、合（第三組）取得了 16.12%的年化超額收益;在機構投資者分歧較小，也就是反映新信息較快 的 14 個行業中，根據北向資金流構建的等權組合（第三組）的年化超額收益為12.85%，低于高分歧組中的策略表現。以上實證結果與我們“北向資金流的行業篩選效果集中在分歧較大的行業中”的判斷基本一致。圖表 27、北向券商資金流分組圖表 28、北向券商資金流分組的年化超額收益率資料來源：聚源、Wind、香港交易所， 整理數據日期：截至 2021 年 7 月 31 日資料來源：聚源、Wind、香港交易所， 整理數據日期：截至 2021 年 7 月 31 日圖表 29、先挑選 14 個機構分歧較大的行業，再根據

28、北向券商資金流分組資料來源：聚源、Wind、香港交易所， 整理數據日期：截至 2021 年 7 月 31 日圖表 30、先挑選 14 個機構分歧較大的行業，再根據北向券商資金流分組的年化超額收益率資料來源：聚源、Wind、香港交易所， 整理數據日期：截至 2021 年 7 月 31 日圖表 31、先挑選 14 個機構分歧較小的行業，再根據北向券商資金流分組資料來源：聚源、Wind、香港交易所， 整理數據日期：截至 2021 年 7 月 31 日圖表 32、先挑選 14 個機構分歧較小的行業，再根據北向券商資金流分組的年化超額收益率資料來源：聚源、Wind、香港交易所， 整理數據日期：截至 20

29、21 年 7 月 31 日策略策略年化收益等權基準超額波動率最大回撤在 28 個申萬一級行業中，挑選北向券商資24.81%15.83%8.98%16.77%-6.68%在機構分歧大的 14 個行業中，挑選北向券31.95%15.83%16.12%22.63%-10.43%在機構分歧小的 14 個行業中，挑選北向券28.68%15.83%12.85%15.05%-4.64%圖表 33、基于北向券商資金流和機構分歧的行業輪動策略長期業績表現金流入較多的 5 個行業（第六組）商資金流入較多的 5 個行業（第三組）商資金流入較多的 5 個行業（第三組）資料來源：聚源、Wind、香港交易所， 整理數據日

30、期：截至 2021 年 7 月 31 日、基于動量效應的行業輪動與機構分歧自從 Jegadeesh and Titman (1993)首次記錄動量效應的存在后，動量效應就成為了金融學界和業界經久不衰的話題。Asness, Moskowitz, andPedersen(2013) 發現橫截面上的動量效應不僅存在于全球各主要市場的個股與股指，還廣泛存在于貨幣、商品、債券等大類資產中；Moskowitz,Ooi, and Pedersen(2012)則記錄了時間序列動量效應的存在。關于動量效應存在的原因也眾說紛紜。其中，Hong and Stein (2007) 指出動量效應更有可能存在于投資者分歧

31、較大的個股中。在他們的模型中，當投資者對資產的清算價值產生分歧的時候，僅有一部分關于清算價值的信息會在 t=1 時被反映在資產的價格中，而余下的信息則要等到 t=2，也就是資產清算時才會被反映在價格中。 Verardo (2009) 則從實證的角度上檢驗 Hong and Stein (2007) 的理論預測，最終的實證結果與理論預測是一致的。很自然地，我們考慮在行業輪動中運用動量效應。我們使用行業過去一個月的回報率來表征行業動量的強弱。我們首先檢驗動量效應在全部申萬一級行業中的篩選結果（分為六組，每組分別包含 5、5、4、4、5、5 個行業）；然后我們根 據機構投資者分歧，將 28 個申萬一

32、級行業分為高低分歧兩組，再分別在兩組內 根據動量效應構建行業輪動策略（再分為三組，每組分別包含 5、4、5 個行業）。可以看到，在機構投資者分歧較大，也就是反映新信息較慢的 14 個行業中，動量效應較高的 5 個行業等權組合（第三組）取得了 5.67%的年化超額收益;而在機構投資者分歧較小，也就是反映新信息較快的 14 個行業中，根據動量效應構 建的等權組合（第三組）的年化超額收益為-2.94%。這一結果和 Hong and Stein (2007) 以及我們的推測一致，也即動量效應集中在機構投資者分歧較大的行業中。在全行業中選取動量效應較高的 5 個行業等權組合（第六組）獲得了 7.26%的

33、年化超額收益，高于分歧較高的 14 個行業中的動量策略。這一現象出現的原因可能包括動量組合構建的方式、短期反轉效應等等，我們將在后續研究中對其進行更深入的探索。圖表 34、動量效應分組圖表 35、動量效應分組的年化超額收益率資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月 31 日資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月 31 日圖表 36、先挑選 14 個機構分歧較大的行業，再根據動量效應分組資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月 31 日圖表 37、先挑選 14 個機構分歧較大的行業，再根據動量效應分組的年化超額

34、收益率資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月 31 日圖表 38、先挑選 14 個機構分歧較小的行業，再根據動量效應分組資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月 31 日圖表 39、先挑選 14 個機構分歧較小的行業，再根據動量效應分組的年化超額收益率資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月 31 日策略策略年化收益等權基準超額波動率最大回撤在 28 個申萬一級行業中，挑選動量效應高16.27%9.01%7.26%28.21%-49.20%在機構分歧大的 14 個行業中，挑選動量效14.68%9.01%5.6

35、7%26.90%-46.08%在機構分歧小的 14 個行業中，挑選動量效6.08%9.01%-2.94%24.05%-52.28%圖表 40、基于動量效應和機構分歧的行業輪動策略長期業績表現的 5 個行業（第六組）應較高的 5 個行業（第三組）應較高的 5 個行業（第三組）資料來源：聚源、Wind， 整理數據日期：截至 2021 年 7 月 31 日4、知行合一“機構分歧”行業輪動模型構建在第三章中，我們發現 ROE 一致預期變化率、公募基金行業配置比例變動、北向資金流、行業動量等變量均具備一定的行業篩選能力，且相關性較低（參見 圖表 41）。同時，我們構建的機構分歧度對各維度具有較好的改進作

36、用。基于此，我們構建“機構分歧”行業輪動模型，細節如下：1、策略：將 ROE 一致預期變化率、公募基金行業配置比例變動、北向資金流、行業動量四個維度等權合成，形成多變量綜合打分，稱之為 Comb_Sig；：計算每個行業的機構分歧度指標，將全部 28 個申萬一級行業分為高低分歧兩組；：在高分歧度組內根據 Comb_Sig，分成三組（每組分別包含 5、4、5 個行業），得分最高的 5 個行業成為我們下期持有的標的。2、對比基準：全體 28 個申萬一級行業等權基準，稱之為 BM_Mdl；：同時為了更好的研究模型，我們根據 Comb_Sig，每期在全行業內選擇得分最高的 5 個行業，構建等權組合作為基

37、準策略，稱之為等權_5 策略；3、調倉頻度：月度調倉。測算結果顯示：、從 2014 年 8 月到 2021 年 7 月底，“機構分歧度”行業輪動策略年化收益率高達 27.10%，月勝率高達 65.5%；、從相對于全行業等權基準（BM_Mdl）來看，策略年化超額收益率達 18.09%，最大回撤僅為 9.61%，月勝率高達 71.43%，風險收益比也達到 1.72。且策略每年均大幅度跑贏基準；、從相對于等權_5 基準策略來看，等權_5 策略年化收益率 16.15%，年化超額收益 7.14%。無論是分年度亦或是整體表現，等權_5 策略表現遠遜于我們構建的機構分歧策略。公募基金行業ROE 一致預期北向

38、資金流配比變化變化率動量效應北向資金流-0.04-0.050.28公募基金行業配比變化-0.04-0.090.05ROE 一致預期變化率-0.050.09-0.07動量效應0.280.050.07-圖表 41、各變量相關性資料來源：聚源、Wind、香港交易所， 整理數據日期：截至 2021 年 7 月 31 日圖表 42、等權_5 策略（在全行業內根據 Comb_Sig 篩選行業）資料來源：聚源、Wind、香港交易所， 整理數據日期：截至 2021 年 7 月 31 日圖表 43、興證金工“機構分歧”行業輪動策略（在分歧度較高的 14 個行業中根據 Comb_Sig 篩選行業）資料來源：聚源、

39、Wind、香港交易所， 整理數據日期：截至 2021 年 7 月 31 日策略年化收益年化波動率收益風險比最大回撤月度勝率(0 占比)BM_Mdl9.01%24.62%0.37-51.46%57.14%等權_5 策略16.15%27.54%0.59-47.81%60.71%等權_5 策略超額7.14%10.52%0.68-12.04%57.14%機構分歧策略27.10%28.43%0.95-45.42%65.48%機構分歧策略超額18.09%10.51%1.72-9.61%71.43%圖表 44、行業輪動策略的整體表現資料來源：聚源、Wind、香港交易所， 整理數據日期：截至 2021 年 7

40、 月 31 日策略20142015201620172018201920202021BM_Mdl32.63%44.25%-12.50%-0.25%-30.12%27.16%22.49%0.63%等權_5 策略57.83%29.89%-2.93%15.15%-36.63%28.67%37.97%10.63%等權_5 策略超額25.19%-14.37%9.57%15.40%-6.51%1.51%15.48%10.00%機構分歧策略49.08%56.90%-9.74%25.68%-29.28%41.85%62.90%23.58%機構分歧策略超額16.44%12.65%2.75%25.93%0.84%1

41、4.69%40.41%22.95%圖表 45、行業輪動策略的分年度表現資料來源：聚源、Wind、香港交易所， 整理數據日期：截至 2021 年 7 月 31 日圖表 46 與圖表 47 分別展示了等權_5 策略和“機構分歧”行業輪動模型每期選擇的結果。以 2021 年 7 月為例，等權_5 策略看好的七月份行業為鋼鐵、化 工、采掘、電子、計算機，這 5 個行業的等權組合在七月份獲得了 4.88%的收益；而 “機構分歧”模型則看好有色、鋼鐵、化工、電子、計算機，這 5 個行業的等權組合則在七月份獲得了 9.96%的收益。二者表現的差異主要在于有色金屬：等權_5 模型未能給予有色金屬較高的排名；而

42、“機構分歧”模型則發現在六月底有色金屬的機構投資者分歧較高，且在高分歧組內，有色金屬獲得了相對較高的綜合得分。此時該行業反映新信息的速度較慢，綜合打分具備較強的行業篩選能力。正如模型所預測，有色金屬在七月份獲得了 27.40%的收益，位列所有申萬一級行業之首。根據測算，我們的“機構分歧”行業輪動模型 9 月份看好的 5 個申萬一級行業為：有色金屬、鋼鐵、國防軍工、電氣設備、化工。圖表 46、等權_5 策略每期持有的行業明細資料來源：聚源、Wind、香港交易所， 整理圖表 47、興證金工“機構分歧”模型每期持有的行業明細資料來源：聚源、Wind、香港交易所， 整理5、策略如何通過ETF 落地？為

43、方便策略落地，我們列出 興證金工“機構分歧”模型 9 月推薦的五個行業以及一部分與之對應的行業ETF 供投資者參考。圖表 48、申萬一級行業與 ETF申萬一級行業ETF 產品國泰中證鋼鐵 ETF（515210.OF）鋼鐵鵬華中證細分化工產化工業主題 ETF（159870.SZ）富國中證細分化工產業主題 ETF（516120.OF）華寶中證細分化工產業主題 ETF（516020.OF）國泰中證細分化工產業主題 ETF（516220.OF）國防軍工華寶中證軍工 ETF（512810.OF）電氣設備有色金屬南方中證申萬有色金屬 ETF（512400.OF）建信中證細分有色金屬產業主題 ETF（516

44、680.OF）銀華中證有色金屬ETF（159871.OF）鵬華國證有色金屬行業 ETF（159880.OF）華寶中證有色金屬ETF（159876.OF）資料來源：聚源、Wind， 整理6、總結與投資建議為什么某些變量在橫截面上對行業回報率具備預測能力？本報告做出了相應的嘗試和思考：如果變量所包含的信息立刻被反映在股價中，那么該變量不應該對行業回報具有預測能力。變量之所以能夠預測行業回報率，從有效市場的角度來看，是因為變量所包含的信息沒有被完全反映在當前的股價中。因此，反映信息較慢的行業中，變量的預測能力可能較好。我們創新性地引入“機構投資者分歧”這一指標，并用其衡量某行業反映新信息的快慢：若在

45、某行業機構投資者對新信息呈現較大的分歧，也即他們的交易方向較為不同，那么該行業反映新信息的速度可能較慢。我們推測，在機構分歧較大的行業中，行業輪動策略能夠展現出較好的效果。實證結果和我們的推測一致。單變量的行業篩選能力集中在機構投資者分歧較大的 14 個行業中；而在 14 個分歧度較低的行業中，單變量篩選效果較弱。我們進一步構建了“機構分歧”行業輪動模型：從 2014 年 8 月到 2021 年 7 月，在機構投資者分歧較大的 14 個行業中，多變量綜合打分最高的 5 個行業等權組合取得了 18.09%的年化超額收益，月度勝率為 71.43%，年度勝率為 100%；而在全行業內進行多變量打分的

46、“等權_5”策略僅取得了 7.14%的年化超額收益。有別于僅在因子構造層面上尋求改進的行業輪動策略，本研究直接從新穎且重要的角度搭建輪動模型。同時，本研究引入的“機構投資者分歧”這一指標也罕見于研報與論文。本研究并不旨在挖掘新的因子，而是在探索：用于行業輪動的變量，在什么情況下，或者在哪些行業中表現的更好？我們給出的答案是：在信息擴散較慢，也即機構投資者分歧較高的行業中。我們的“機構分歧”行業輪動模型 9 月份看好的 5 個申萬一級行業為：有色金屬、鋼鐵、國防軍工、電氣設備、化工，這些行業在八月底屬于機構投資者分歧較高的分組，且在高分歧組內多變量綜合得分較高。興證金工將會繼續努力，爭取為投資者

47、帶來更多更深刻的市場洞見。7、參考論文Asness, C. S. , Moskowitz, T. J. , & Pedersen, L. H. . (2013). Value and momentum everywhere. The Journal of Finance.Chen, Z. ,& Lu, A. . (2017). Slow diffusion of information and price momentum in stocks: evidence from options markets. Journal of Banking & Finance.Diether, K. B.

48、, Malloy, C. J. , &Scherbina, A. . (2002). Differences of opinion and the cross section of stock returns. The Journal of Finance.Edward, M., & Miller. (1977). Risk, uncertainty, and divergence of opinion. The Journal of Finance.Gregoire, V. ,& Martineau, C. . (2021). How is earnings news transmitted

49、 to stock prices?.Journal of Accounting Research, forthcoming.Hong, H. ,& Stein, J. C. . (2007). Disagreement and the stock market. Journal of Economic Perspectives.Jegadeesh, N. ,& Titman, S. . (1993). Returns to buying winners and selling losers: implications for stock market efficiency. The Journal of Finance.Tobias J. Moskowitz and Yao Hua Ooi and Lasse Heje Pedersen. (2012). Time series momentum. Journal