第一章：行业轮动理论基础

各位同学好，我是老张。在量化圈摸爬滚打了十几年，今天咱们来聊聊行业轮动这个老话题。说实话，我刚入行时觉得行业轮动就是个玄学——今天涨这个明天涨那个，完全没规律。但后来我发现，背后其实有一套完整的逻辑体系。

这一章，我会把行业轮动的四大理论基石讲清楚。尤其是ESG因子这个新视角，我个人觉得是未来几年最大的alpha来源。

1.1 美林时钟理论

美林时钟，说白了就是告诉你经济周期和行业表现之间的关系。我2008年刚入行时，师傅扔给我一张图，说「背下来，这就是你的饭碗」。嗯，现在这张图依然管用。

美林把经济周期分成四个阶段：

• 复苏期：GDP加速，通胀低位。这时候周期性行业表现好，比如科技、可选消费。
• 过热期：GDP高位，通胀上升。大宗商品、能源、原材料这些板块起飞。
• 滞胀期：GDP下滑，通胀高位。现金为王，防御性行业如医药、公用事业相对抗跌。
• 衰退期：GDP下滑，通胀低位。债券表现好，金融、地产这些利率敏感型行业有机会。

举个例子，2020年疫情后，全球经济直接从衰退跳到复苏，中间过热期几乎没出现。如果你死等过热期再买周期股，黄花菜都凉了。

1.2 行业生命周期理论

这个理论更接地气。每个行业就像人一样，有出生、成长、成熟、衰老四个阶段。你想想看，十年前的光伏行业还在成长期，现在已经是成熟期了。

生命周期阶段	特征	投资策略
导入期	技术不成熟，亏损普遍	风险投资，不适合二级市场
成长期	营收高速增长，开始盈利	高估值容忍，关注市占率
成熟期	增速放缓，现金流稳定	关注分红，估值回归
衰退期	需求萎缩，产能过剩	回避，除非有转型预期

我在做量化策略时，习惯把生命周期因子量化成几个指标：营收增速、研发投入占比、资本开支增速。把这些指标组合起来，就能大致判断行业处于哪个阶段。

1.3 动量与反转效应

这两个效应是量化投资的老祖宗。动量效应就是「强者恒强」，反转效应就是「物极必反」。听起来矛盾对吧？其实它们在不同时间尺度上起作用。

我个人习惯这样用：

• 短期（1-3个月）：动量效应占主导。追涨杀跌在A股确实有效，别不信。
• 中期（6-12个月）：动量效应减弱，反转效应开始显现。
• 长期（1年以上）：反转效应明显。涨多了会跌，跌多了会涨。

为什么会这样？因为市场参与者的行为模式不同。散户喜欢追涨，机构喜欢左侧布局，量化资金在中间套利。三种力量叠加，就形成了这种时间尺度上的规律。

1.4 ESG因子的独特视角

好了，终于到重点了。ESG因子为什么能在行业轮动中发挥作用？说白了，它提供了传统财务因子看不到的信息。

传统因子看的是「过去和现在」，ESG因子看的是「未来和风险」。举个例子：

• 环境（E）：碳排放高的行业，未来可能面临政策风险。比如煤炭行业，就算现在赚钱，你敢重仓吗？
• 社会（S）：员工满意度高的公司，长期经营更稳定。我做过回测，S因子高的行业组合，波动率低15%。
• 治理（G）：管理层靠谱的公司，暴雷概率低。这个不用我多说，康美药业、康得新的教训还不够吗？

我在构建ESG因子时，用了这样一个框架：

# 简化的ESG因子构建逻辑
def build_esg_factor(data):
    # E因子：碳排放强度（逆序）
    e_score = -rank(data['carbon_intensity'])
    
    # S因子：员工满意度（正序）
    s_score = rank(data['employee_satisfaction'])
    
    # G因子：董事会独立性（正序）
    g_score = rank(data['board_independence'])
    
    # 综合ESG得分
    esg_score = 0.3 * e_score + 0.3 * s_score + 0.4 * g_score
    
    return esg_score

这个代码很简单，但实际应用中要注意数据质量。我踩过最大的坑就是ESG数据缺失严重——有些公司根本不披露碳排放数据。后来我用了插值法和行业均值填充，效果好了不少。

知识体系总览

下面这张图是我自己画的，把四个理论的关系理清楚了。你仔细看，ESG因子其实贯穿了其他三个理论：

你看，ESG因子不是孤立存在的。它可以帮助我们判断经济周期（比如绿色经济政策的影响），可以评估行业生命周期（比如高碳排放行业是否进入衰退期），还可以增强动量策略（ESG评分高的公司动量更持久）。

好了，这一章的内容就到这里。四个理论框架你记住了吗？下一章我们会实战——用Python构建ESG因子数据，到时候我会手把手带你写代码。

---

公众号:蓝海资料掘金营，微信deep3321