行业轮动的起点：先解决可比性
行业比较最难的地方，不是缺少指标，而是不同产业的指标含义并不天然可比。同样是收入增速，放在电子、传媒、房地产或消费品行业里，代表的景气程度、估值弹性和风险含义可能完全不同。成长行业可能更看重收入扩张、订单兑现和研发投入，成熟周期行业则更看重成本控制、价格弹性、盈利率和现金流稳定性。直接把所有行业放进同一套简单打分表，容易把行业生命周期、商业模式和定价逻辑混在一起，得到看似量化、实际失真的结论。
因此，行业轮动的第一步不是立刻给行业排序，而是建立一套可解释的翻译机制：把每个行业最重要的经营变量转化成可比较的相对景气，再把相对景气映射到相对收益。只有先处理好这个转换过程，行业之间的比较才不会停留在指标表面。一个成熟行业的低个位数增长，可能已经代表需求修复；一个高成长行业的两位数增长，反而可能只是正常速度。轮动框架要识别的，正是这种“相对于自身历史和定价逻辑”的边际变化。
中观数据提供了更贴近交易的观察层
宏观数据往往解释经济总量，微观数据更贴近公司经营，而行业轮动需要的恰恰是位于两者之间的中观信息。产量、库存、价格、开工率、销量、投资完成额、运价、利润率、进出口、产业链上下游价差等指标，能够把需求、供给、价格和盈利的变化落到行业层面。中观框架的价值，在于把宏观趋势拆成可验证的产业信号，再把产业信号转化为行业相对收益判断。
这类数据还有一个优势：频率通常高于财报，更新速度又比企业调研更稳定。月度或高频指标能够及时反映库存拐点、价格弹性和需求边际变化，使行业比较不必等到季度财务数据全部落地。对于月度轮动策略而言，中观数据既能承担景气跟踪功能，也能承担宏观验证功能。当宏观叙事与产业数据背离时，框架可以帮助识别市场交易的是预期、现实，还是阶段性的风险偏好。
先判断一个行业究竟被什么定价
建立轮动策略之前，必须先回答一个基础问题：市场给某个行业定价时，主要买的是成长、价格、盈利，还是现金流质量。做法可以从行业指数相对全市场的超额收益出发，尽量剥离大盘共同波动，再与行业自身的营收增速、利润率、估值、经营性现金流和其他中观指标做相关性分析。若某一行业相对收益与营收和经营现金流更相关，说明市场更偏成长逻辑；若与产品价格、毛利率和价差更相关，则说明价格和盈利弹性是核心变量。只有先识别定价维度，后续指标选择才不会偏离行业本身。
这种定价识别还可以避免把所有行业都套进同一种估值模型。传统估值指标有时解释利润稳定的行业更有效，而成长性行业的阶段性定价可能更多来自收入兑现、产业趋势和风险偏好。周期行业则可能在大部分时间由价格、库存和单位利润驱动，但在供给格局发生变化时，原有指标会短暂弱化。先识别定价维度，本质上是在为每个行业找到自己的“主变量”。
指标筛选不能只看回归结果
中观指标数量很多，但并非越多越好。一个可用指标至少要满足几个条件：发布频率最好达到月度或更高，时间序列要足够长，至少能覆盖一轮以上行业周期；指标与行业经营之间要有直观经济联系，而不是只在样本内偶然相关；指标质量要稳定，不能因为口径频繁变化而破坏可解释性。以约三十个一级行业为例，围绕行业基本面可以收集到数百个候选指标，但真正进入模型的，必须经过统计约束和经济含义双重筛选。
这一步的目标不是把指标库做得越大越好，而是把噪声压到可控范围。某些宏观或产业指标看起来与行业指数同涨同跌，但可能只是共同受到市场风格影响；某些指标能解释历史某一段行情，却无法解释行业经营本身。若不先做筛选，模型容易把短期行情关系误认为长期基本面关系，最终在样本外失效。
让模型服从经济逻辑
简单把一批指标丢进多元回归，常常会得到表面拟合度不错、实际无法使用的结果。有些指标在样本内显著，走势却缺乏解释力；有些指标彼此高度共线，例如同一产业链上的多个商品价格，可能重复描述同一件事；更严重的是，某些回归系数会违背常识，比如景气改善指标与行业收益被拟合成负相关。这样的模型在历史里看起来漂亮，向前使用时却缺少可信基础。
行业轮动模型不是为了追求最高的样本内拟合，而是为了在真实投资中形成可解释、可复核、可更新的信号。一个系数如果没有经济含义，即便统计上显著，也很难承受未来行情检验。相反，一个解释力略低但逻辑清晰的组合，更适合纳入月度配置流程。它可以告诉投资者行业为什么被选中：是需求改善，是价格抬升，是成本下降，还是利润率修复。
统计约束与方向约束同样重要
更稳健的做法，是先为每个行业建立候选指标池，再对指标组合进行遍历式筛选。统计层面，需要剔除显著性不足的变量，控制共线性，例如限制方差膨胀因子；经济层面，需要预设每个指标对行业收益的合理方向，需求改善、价格上涨、价差扩大或盈利率抬升，在对应行业里应当呈现符合产业逻辑的影响方向。这样得到的模型，拟合度未必最高，但更容易解释，也更适合滚动使用。
需求、供给、价格、利润四类信号
行业基本面可以拆成四组信号。需求端观察销量、订单、消费、投资、出口和下游补库；供给端观察产量、开工率、产能利用率、库存和供给约束；价格端观察产品价格、原材料价格、上下游价差和服务价格；利润端观察毛利率、净利率、单位利润和现金流。不同产业的权重不同。钢铁、有色、化工等行业通常对价格和利润弹性更敏感，食品饮料可能同时受到产品价格、社零、居民收入和细分消费景气影响，传媒、电子等成长行业则更容易受到收入增速、产业趋势和风险偏好共同驱动。
四类信号之间也存在顺序关系。需求改善通常先带来销量或订单变化，随后推动库存下降和价格修复，最后传导到利润率和现金流；供给收缩则可能先改变价格，再改善盈利。若价格上涨但需求和库存并未配合，行情持续性往往较弱；若需求、供给、价格和利润同时改善，则行业景气信号更扎实。轮动策略要做的，是识别这些信号是否形成合力，而不是孤立使用某一个数据点。
动态回归比固定关系更接近现实
行业定价逻辑不是一成不变的。一个指标在十年前可能解释力很强，到了产业成熟阶段或供给格局变化后，贡献度会下降；某些周期行业在供给侧变化期间，传统利润率指标可能短暂失效，等行业格局重新稳定后又恢复解释力。因此，框架不能只使用固定样本关系，而应采取滚动窗口。用过去三十六个月的行业基本面与相对收益训练模型，再用第三十七个月的基本面预测行业相对表现，可以让模型随产业状态更新，及时反映指标贡献度变化。
滚动训练还能把策略从“静态解释历史”推进到“动态衡量当下”。每个月新数据进入后，模型会重新估计指标贡献，并更新行业相对基本面的合理位置。这样既能捕捉白酒价格、商品价差、库存周期等指标贡献度的变化，也能降低老样本对当前判断的拖累。对轮动而言，重要的不是十年前某个变量解释过什么，而是它在最近一轮产业环境中是否仍能解释市场定价。
低估值并不只是市盈率问题
在这套框架里，低估值的含义更接近“相对基本面的低估”。模型会根据过去一段时间的中观基本面关系，估算行业应有的相对收益位置，再与市场已经交易出来的相对收益比较。若行业价格表现明显落后于基本面预测，说明市场可能低估了当前景气；若基本面改善同时仍处于低估状态，胜率会更高。它类似高频化、行业化的估值均值回归思路，但输入变量不只包括市盈率，也包括量、价、利润和现金流。
这也是“低估值加基本面改善”信号的核心。单纯低估可能意味着行业被市场长期冷落，也可能意味着基本面确实较差；单纯基本面改善则可能已经被价格充分交易。只有当行业基本面边际转好，而相对价格尚未完全反映这种改善时，轮动策略才具备更好的赔率和胜率。样本回测中，这类信号在月度维度体现出较强的相对收益能力，说明市场对中观景气的定价并非总是即时和充分。
一级行业框架的边界
一级行业的优势在于覆盖面稳定、可投资性强，很多宽基行业指数和资产配置工具都能对应到这一层级。历史样本中，一部分行业可以被自身中观指标较好解释，并形成月度轮动信号；低估值叠加基本面改善的组合，在较长回测期内体现出较高胜率和超额收益潜力。但一级行业也存在粗颗粒度问题。电子、医药、化工、有色等大行业内部差异很大，单一一级行业指标可能无法同时解释半导体、消费电子、化学制品、生物制品等细分方向。
二级行业扩展带来的真实启发
向二级行业扩展的初衷，是提高解释精度，把行业内部的景气差异拆开。实践中却会遇到一个反直觉现象：行业越细，未必越容易用中观数据解释。细分行业受少数公司、单一区域、突发订单、项目投资和主题交易影响更大，噪声也更高。就像全国经济增速比单个地区更容易预测，宽行业有时比窄行业更适合用中观数据把握。二级行业扩展真正有价值的地方，不是机械细分全部行业，而是把内部逻辑明显不同、且具备足够可投资性的行业拆出来。
例如，一些大行业内部存在截然不同的利润来源和景气周期，用一级行业统一处理会掩盖真实变化；但许多更细的行业又缺少足够稳定的数据和足够分散的投资标的。适合拆分的行业，应当同时满足三点：细分方向的经营逻辑清晰，中观指标能持续获得，资产端具备可操作性。否则，细分越多，模型越可能陷入不可交易的精细化。
行业不是孤岛：引入关联网络
单纯假设每个行业只跟随自身基本面波动，并不符合市场真实运行。很多时候，一个细分行业自身数据尚未明显变化，却会因为产业链相邻行业、同类成长板块或同一风格资产上涨而同步变化。半导体可能受电子化学品、消费电子或上游设备景气影响，生物制品也可能与医药服务、化学制药、器械等方向存在联动。行业之间存在上下游关系、同风格关系和替代配置关系，这些相关网络本身就是中观轮动的一部分。
相关网络还可以解释风格层面的再配置。当成长板块风险偏好下降时，资金可能转向红利、银行、公用事业等稳定现金流行业；当科技产业链出现强势环节时，相关细分方向可能形成扩散行情。行业之间既有同涨同跌，也有风格切换下的负相关。把这些关系纳入模型，相当于承认市场定价不仅来自行业自身基本面，也来自行业在整个资产谱系中的位置。
从自身解释到跟随解释
引入关联网络后，模型流程可以分层推进。第一步仍然使用行业自身中观指标解释自身相对收益；若解释效果不足，再寻找与该行业最相关的若干行业，用相关行业的中观指标尝试解释；若相邻行业仍无法解释，则进一步观察其所在板块或风格组合的共同运动。这样做可以识别两类机会：一类是自身基本面改善带来的独立机会，另一类是行业处在产业链或风格扩散中的跟随机会。扩展后，更多二级行业能够被纳入框架，覆盖范围明显提升。
这种分层方法的好处，是不强行要求每个行业都由自身指标解释。对于有明确产业链映射的行业，上游价格、下游需求或相邻环节的利润变化，可能比自身统计口径更早反映景气变化。对于主题性或风格性较强的行业，相关板块的相对强弱也能提供辅助判断。模型并不把这些跟随关系视为噪声，而是把它们作为行业轮动的真实组成部分。
策略落地要兼顾信号和可投资性
行业配置不能只看模型排名，还要考虑交易工具、流动性和行业内部集中度。部分二级行业样本公司很少，或缺少直接可投资工具，即使信号较强，也不适合机械纳入组合。更可行的做法，是对电子、医药、有色、化工等内部差异显著的大行业使用二级行业信号，对钢铁、房地产、银行等逻辑相对集中的行业保留一级行业维度。月度组合通常选择两到五个行业，既避免过度分散稀释信号，也避免单一行业暴露过高。
配置流程可以分成三步：先用模型筛出低估且基本面改善的行业，再结合行业所处的宏观环境和产业链位置做验证，最后根据可投资工具形成组合。若模型信号来自细分行业，但实际工具只能交易一级行业，就需要判断细分景气能否带动一级行业整体表现。若信号来自行业关联网络，则要确认扩散链条是否仍在延续，避免在跟随行情尾部追入。
宏观验证与风险监控不能缺席
中观轮动的信号最终还要放回宏观环境里验证。需求扩张是否得到社融、地产、出口或消费数据支持，价格上涨是否来自真实供需改善还是短期扰动，利润扩张是否会被成本重新吞噬，库存周期是否已经进入被动补库或主动去库阶段，这些都决定了行业信号的持续性。风险监控则要覆盖三类变化：指标口径变化导致模型失真，行业定价逻辑切换导致历史关系失效，宏观风险偏好剧烈变化导致基本面信号短期让位于风格交易。稳健的行业轮动，不是追逐每一次主题波动，而是在中观数据、行业逻辑、相对估值和宏观验证之间持续校准。
最终，行业比较不是一次性的排序，而是持续更新的验证体系。中观指标告诉我们行业景气是否改善，估值偏离告诉我们市场是否已经充分定价，关联网络告诉我们信号可能如何扩散，宏观环境则决定这些变化能否延续。把四者结合起来，轮动策略才既有基本面锚，也有交易层面的弹性。真正有效的行业配置，来自对数据、逻辑和风险的反复校准，而不是对单一指标或单一叙事的依赖。