今年的市场风格和行业行情相当极致，行业之间、风格之间、ETF之间的收益差距被明显拉开。在这种环境下，单纯讨论个股Alpha并不够，真正影响组合表现的，往往是Beta层面的方向选择：选对行业、选对风格、选对ETF资产池中的主线。
ETF配置的重要性也在提升。ETF在市场成交和产品布局中的权重越来越高，很多资金已经从主动选股转向指数化、行业化、主题化配置。行业轮动不再只是研究行业强弱，而是要把因子信号转化成可以落地的ETF配置语言。
分析师数据提供了一条新的观察维度。它不是单纯的财务数据，也不是纯粹的价格动量，而是夹在基本面、机构预期和市场反应之间。通过分析师覆盖、盈利预测变化、首次覆盖后的量价表现，可以构建一套行业与ETF轮动框架。但这套框架的关键不是“哪个因子永远有效”，而是理解因子在不同市场阶段的周期性。
行业轮动的核心：在Beta层面寻找风格切换
行业轮动的出发点，是市场并不总是均匀上涨。尤其当行情偏Beta、偏主题、偏风格切换时，收益差异会集中体现在行业和指数层面。此时，研究重点不只是判断一家公司的好坏，而是判断哪一类资产正在获得资金、基本面和情绪的共同支持。
今年这种特征更明显：行业行情比较极致，板块间分化剧烈，ETF资金承接了大量Beta配置需求。只要行业选择不同，收益差距就会被迅速拉大。因此，需要一套能够同时服务行业轮动和ETF轮动的打分体系。
分析师因子之所以值得加入，是因为它能补足传统景气、动量、拥挤度之外的信息。分析师覆盖和预测修正背后，包含了机构对基本面的重新评估；首次覆盖之后的成交放量，则反映了研究信息能否真正传导到交易层面。
但分析师因子不是孤立使用的信号。它需要与景气、拥挤度、长短期动量一起放进Beta打分体系，最终服务于行业与ETF配置。
分析师数据：从研报明细到结构化因子
分析师数据的基础，是研报明细数据。它包括报告发布时间、分析师机构、覆盖对象，以及报告中列出的营收、利润、预测年度等财务指标。深度报告和点评报告都会产生这类结构化信息。
这些数据的价值在于，它不只是文本观点，而是可以被拆成可计算的因子。比如某家公司或某个行业的FY1、FY2、FY3盈利预测是否上调，分析师是否重新覆盖，覆盖后成交量和价格有没有反应，都可以转化为可比较的指标。
与普通财务数据相比，分析师数据更接近市场预期。财务报表反映已经发生的经营结果，价格动量反映市场已经交易出来的结果，而分析师预期则处在两者之间：它既来自基本面判断，又会影响机构投资者的关注度。
这也是分析师因子适合做行业轮动的原因。行业轮动本质上不是静态估值比较，而是寻找“预期正在改善、资金正在响应、但行情尚未完全透支”的方向。
覆盖度问题：大市值有效，指数层面需要填充
分析师数据的第一个现实问题是覆盖度。主流选股范围内，尤其是中证800这类大市值股票，分析师覆盖长期在80%左右；全市场覆盖比例接近50%。这意味着，大市值和主流行业的分析师数据相对可用，但中小市值、冷门行业和部分指数成分会出现缺失。
对于行业轮动，这个问题相对可控。因为行业指数的权重通常集中在大市值公司，而大市值公司分析师覆盖度更高。即使存在缺失，行业整体估计误差也不会无限放大。
但对于ETF和指数型基金，问题会更复杂。ETF背后可能是行业指数、宽基指数、风格指数、主题指数。成分股覆盖度不同，会影响最终因子估计。如果直接把缺失值当成空白，就会让部分指数得分被低估或失真。
因此，分析师因子进入行业和ETF轮动体系之前，必须先处理缺失值。缺失不是噪音，而是因子构建中的核心步骤。
因子构建方法：标准化、行业填充与加权合成
构建行业或指数层面的分析师因子，第一步是对个股因子做标准化。极端值需要处理，然后再做减均值、除标准差的标准化，让不同股票、不同指标落在可比较的量纲上。
第二步是缺失值填充。由于分析师数据存在覆盖缺口，可以按照三级行业、二级行业、一级行业的顺序，用行业中位数进行填充。这里隐含的假设是：行业属性对Beta层面的影响更重要，同一细分行业内缺失股票的分析师信号，可以用该行业中位水平近似替代。
选择中位数而不是均值，是因为分析师数据并不总是正态分布。个别极端预测或极端覆盖行为，可能会拉动均值；中位数的波动更小，更适合做行业层面的缺失填补。
第三步是指数加权。填充完成后，按照行业指数或ETF成分股权重，对个股因子加权求和，就能得到行业或指数层面的因子值。与普通财务因子相比，分析师因子多了一步填充；这一步决定了它在行业和ETF层面的稳定性。
三类分析师因子：财报、预期和量价情绪
分析师因子可以分成三类。
第一类是财报维度，也就是超预期或景气维度。它关注未来预测与当前或历史实际数据之间的差异，用来衡量行业基本面是否更景气。比如FY2相对FY1、FY3相对FY2的增长，可以反映分析师口径下未来盈利的变化。
第二类是情绪维度，也就是预期增长或预测修正。它不直接比较未来与历史，而是比较同一预测口径在时间序列上的变化。比如某个行业FY1预测值相比上月是否上调，FY2预测值是否上调。这更接近机构对基本面判断的边际变化。
第三类是量价情绪维度。它先通过分析师明细识别首次覆盖或重新覆盖，再观察覆盖后短期价格和成交量反应。如果首次覆盖后行业或个股出现明显放量，说明分析师信息被市场交易吸收，未来可能存在短期动量延续。
三类因子分别对应基本面、机构情绪和交易情绪。它们都与分析师数据相关，但捕捉的不是同一种市场行为。
超预期因子：更稳健的基本面景气刻画
超预期因子的逻辑，是用分析师预测衡量行业基本面的景气程度。FY1、FY2、FY3之间的比较，能够刻画未来一年、两年甚至更长时间的盈利增长。
回测表现显示，FY2相对FY1、FY3相对FY2这类同口径分析师预测之间的比较，效果更好；而如果用分析师预测去直接对比最新年报或估算年报，效果会打折扣。原因在于，分析师预测和实际财报天然存在量纲差异，分析师可能系统性地把盈利预期抬高一档，直接跨口径比较会引入偏差。
同样使用分析师口径时，FY2比FY1往往比FY3比FY2更贴近当下。FY3看得太远，信息更模糊；FY2更接近可验证的未来，因子表现更好。
从稳定性看，超预期因子有周期性，但回撤相对可控。2022年至2024年局部阶段可能走平或小幅回撤，但不像情绪类因子那样剧烈。这说明它更像基本面景气因子，适合作为轮动体系中的稳定底座。
预期增长因子：收益更弹性，周期性也更强
预期增长因子关注的是分析师一致预期自身的变化。比如同样是FY1预测，当前值相比过去是否上调；同样是FY2预测，当前值相比过去是否上调。它强调的是机构预期的边际变化，而不是静态增长水平。
这个因子更能贴合市场情绪。预期上调意味着机构对行业或公司的未来判断正在改善，资金也更容易围绕这种边际改善进行交易。
但它的周期性更强。2019年至2021年以及2025年这类成长偏强、高Beta占优的阶段，预期增长因子表现明显；但2022年至2024年，当市场情绪不能持续、成长风格受压时，预期增长因子会出现明显回撤。
因此，预期增长不是一个可以无脑长期持有的普适因子。它解释力强，弹性也强，但对市场风险偏好高度敏感。只有在Beta环境、成长风格和资金情绪相对配合时，它的效果才会更突出。
首次覆盖后的量价驱动：短窗口情绪更有效
首次覆盖因子的定义可以更严格：不仅包括分析师第一次发布某个公司的报告，也包括长时间没有覆盖后重新发布报告。若过去6个月没有跟踪，重新覆盖就代表机构关注度重新回到该标的。
这个定义背后的逻辑很直观。分析师停止覆盖，说明该标的在机构关注中被边缘化；重新覆盖，则意味着关注度回升。真正重要的是，这种关注度回升能否在交易层面体现出来。
因此，首次覆盖后要观察短期量价反应。经验上，成交量比价格更稳定，3至5个交易日窗口更有效。若首次覆盖后短时间内明显放量，说明分析师信息推动了市场关注，未来可能存在情绪延续。
窗口不能拉得太长。10个交易日之后，初始情绪可能已经衰减，甚至被后续回调和噪音干扰。价格反应也比成交量更不稳定，因为价格可能在第一天就快速反映，随后进入震荡。因此，短窗口成交量是更适合刻画分析师驱动情绪的指标。
从行业到ETF：轮动逻辑可以迁移，但口径更复杂
ETF层面大约有数百只权益指数跟踪产品。把行业轮动因子迁移到ETF配置，需要面对两个额外问题：ETF分类复杂，以及ETF背后不只有行业，还有宽基、风格、主题等不同属性。
从结果看，分析师因子在ETF层面的表现与行业层面大体类似。超预期因子在同口径预测比较下更有效，预期增长因子周期性更强，首次覆盖后的短窗口成交放量更能刻画情绪。
区别在于，ETF中会混入行业以外的风格因素。一个ETF可能同时受到行业景气、成长价值风格、市值风格、主题热度和流动性偏好的影响。因此，ETF因子的解释难度高于纯行业指数。
这也意味着，ETF配置不能直接照搬行业打分，而要在行业、风格、主题三个层面同时理解信号。分析师因子可以提供方向，但还需要与其他Beta因子结合。
多因子合成：低相关不等于能自然对冲
完整的行业轮动框架不能只依赖分析师因子，还需要纳入景气、拥挤度、长期动量、短期动量等维度。表面上看，这些因子之间相关性并不高，除分析师预期与分析师驱动相关性较高外，大多数因子相关性都不超过30%左右。
但低相关不等于能自然对冲。因为很多因子虽然来源不同，却都偏动量逻辑。分析师预期是机构预期动量，景气是财务改善动量，长期动量和短期动量是价格动量，首次覆盖后的放量是交易情绪动量。
唯一明显反向的维度是拥挤度。拥挤度越高，说明交易越活跃、风险越累积，因此它在打分体系中通常应当反向使用。换句话说，大多数因子是在寻找趋势延续，拥挤度是在提醒趋势可能过热。
2022年至2024年的经验说明，当动量型Beta整体失效时，分析师、景气、动量等因子可能一起受损；此时，低相关并不能保护组合。真正需要管理的，是因子收益在时间序列上的共同周期。
权重方法：介于等权和极端动量之间最优
因子合成不能简单等权，也不能极端追逐过去最强的因子。等权的好处是分散，假设不同因子能相互对冲；但当多个因子在周期上同涨同跌时，等权并不能解决问题。
另一种方法是剔除过去超额收益为负的因子，再对剩余因子等权。这样可以规避当下周期中明显失效的因子，但对强弱差异的表达仍然不够。
更强的方法是按过去表现加权，表现越好权重越高，表现越差权重越低甚至剔除。这能体现因子收益的时间序列惯性，但如果权重过于极端，一旦风格反转，就会承受较大回撤。
相对更有效的是排序加权：保留强弱排序，让强因子权重更高、弱因子权重更低，但不把差距拉得过大。这种方法介于等权和极端动量之间，既承认因子周期有惯性，又避免在周期反转时过度暴露。
行业和ETF两个层面的结果都指向类似结论：因子合成需要适度使用时间序列信息，但不能把过去表现机械外推到极致。
配置结论：用周期意识管理Beta动量
分析师因子为行业轮动和ETF配置提供了一个重要增量维度。它把基本面、机构预期和交易反应连接在一起，能够帮助识别哪些行业正在被重新关注、哪些方向的盈利预期正在改善、哪些研究信息正在被市场交易。
三类分析师因子的定位不同：超预期因子更接近基本面景气，稳定性更好；预期增长因子更贴近机构情绪，弹性更高但周期性更强；首次覆盖后的量价驱动更偏短期交易情绪，成交量和3至5日窗口更有效。
完整的轮动体系仍然要结合景气、动量和拥挤度。因为大多数有效因子都偏动量，真正的风险在于动量Beta集体失效。拥挤度是少数能提供反向风险提示的维度，不能忽视。
最重要的结论是：因子不是静态答案，因子本身也有周期。行业轮动和ETF配置的关键，不只是找到有效因子，而是识别因子处于顺风期、钝化期还是反转期。用适度排序加权管理因子权重，比简单等权或极端追强更适合当前的Beta策略环境。