基于分析师因子的行业与 ETF 轮动量化策略研究

摘要： 本文探讨了如何利用分析师预期数据构建量化因子以跟踪行业和 ETF 的轮动。通过构建超预期、预期增长和驱动三个维度的因子，验证了分析师数据在捕捉市场预期和超额收益方面的有效性，并提出通过时序排序加权合成因子来优化 Beta 维度的打分磨损。

核心观点：

1. 分析师数据的有效性：分析师一致预期数据能有效弥补财报数据滞后的缺陷，通过构建超预期、预期增长和驱动三个维度的因子，可实现对行业和 ETF 轮动的有效跟踪。
2. 因子特性分化：分析师超预期因子（尤其是年报增速）在轮动中表现最为稳健；预期增长因子在时序上稳定性较弱；驱动因子则在短期窗口（3-5个交易日）内较为有效。

论据支撑：

1. 回测表现：在多种加权方法对比中，排序等权合成因子表现最优，行业轮动和 ETF 轮动的分组回测超额年化收益分别为 12.04% 和 9.49%，信息比分别为 1.06 和 0.92。
2. 收益来源分析：相关性分析显示，指数轮动收益来源较少且以动量惯性为主，除拥挤度因子外，其余维度在 2022-2023 年均表现较弱，合成因子之间相关性较高。

局限性/风险：

1. 模型失效风险：若市场定价模式发生改变，量化模型可能失效。
2. 行为与主题波动：市场交易行为变化或局部主题行情波动会增加策略波动。
3. 数据局限：回测基于历史数据，不保证未来收益。