本报告导读：
　　本文在之前研究基础上，使用深度学习（GRU、TCN、检索增强时序预测RAFT）、超预期、分析师、动量、大单、估值相关等多维度打分模型构建周度行业轮动策略和ETF组合。策略2历史回测年化收益20.2%，相对中证800年化超额19.1%，相对等权基准年化超额17.6%，双边周度换手83.7%。2026年收益15.1%，相对等权基准的超额22.8%。考虑双边千二费用，收益都要减少4%。
　　投资要点：
　　行业轮动多因子研究框架。行业轮动多因子研究框架包括基础数据处理、行业因子合成、行业单因子测试、行业复合因子合成、ETF组合落地等步骤。在之前的行业配置研究系列中，研究了景气度、超预期、分析师、动量、北向资金、基金持仓、拥挤度等因子在月度行业轮动上的效果，以及ETF组合落地方法。
　　行业轮动因子周度效果测试。选取7类因子，深度学习（GRU、时序卷积TCN）、超预期、分析师、大单、估值均为股票因子自由流通市值加权得到行业因子，检索增强时序预测RAFT、动量由行业指数直接计算。按照超额收益和IC表现，选取每类效果较高的因子。第二天收盘价交易，GRU、TCN因子的年化超额（14.7%）最高，分析师因子年化超额（9.7%）也较好，其他因子年化超额5-6%。
　　行业轮动因子的超额收益每年波动较大，没有哪类因子可以持续跑赢基准，需要多类因子合成构建行业轮动策略。对照A股市场风格，历史上看，自2013年以来，价值成长风格2-3年切换一次，或对行业因子表现有一定影响。2019-2020年是成长风格占优，估值因子显著跑输，成长类（超预期和分析师）因子收益较高；21-24年中，价值风格占优，成长因子效果不佳；2024年924行情-2026年6月，成长风格强势，成长因子表现较好。成长风格已经占优两年，未来两年更看好价值风格，估值类因子的配置不可或缺。
　　大类因子加权。由于深度学习（GRU、TCN）因子效果较好，我们展示两种方式，加权方式1是7类因子等权加权，对应策略1；加权方式2是给深度学习2倍权重，其他因子都是1倍权重，对应策略2。第二天收盘价交易，每周选前五行业，2014年以来，策略2年化收益23.26%，相对中证800的年化超额为17.89%；相对中信行业指数等权基准，年化超额为15.81%，跟踪误差10.68%，超额最大回撤-16.16%；周度双边换手率93.85%。策略1年化收益21.37%，相对中证800年化超额15.99%；相对等权基准年化超额为13.91%，跟踪误差11.05%，超额最大回撤-17.54%；换手91.92%。
　　行业轮动周度ETF组合。“收益率匹配+跟踪误差优化”法实现ETF组合落地。ETF第二天均价成交，回测发现，2018年以来，策略2年化收益为20.22%，相对中证800年化超额19.08%，超额最大回撤-15.55%。相对中信行业指数等权基准的年化超额17.60%，超额最大回撤-15.35%，双边周度换手83.73%。2026年收益15.13%，相对中证800指数的超额收益为15.98%，相对等权基准的超额收益为22.76%。策略1年化收益16.40%，相对中证800年化超额15.27%，相对等权基准年化超额13.78%。考虑双边千二费用，费后收益都要扣减4%左右（83.73%*0.1%*48次）。
　　风险提示：量化模型基于历史数据构建，存在过拟合风险。样本内历史回测得到的结果，样本外可能失效。市场环境不断变化，历史规律存在失效风险，量化模型可能表现不佳或失效。