风格择时月报：因子风格择时策略（2022年1月期）

本篇报告中我们通过XGBoost方法构建因子择时模型以及大小盘轮动模型。根据拟合得到XGBoost模型对于barra风格、大小盘风格未来收益进行预测，为投资者提供系统的风格配臵参考。由于两套模型都用到宏观经济数据和市场情绪变量作为输入变量，且策略框架有一定共性，因此我们放在同一篇报告中做展示。 本报告包括两个相互独立的策略： 1）策略1：我们使用XGboost模型，对股票barra风格因子未来一个月因子收益正负做出预测。输入自变量包括因子拥挤度、宏观数据（多指标）、市场状态等。该策略对于做指数增强、smart beta轮动策略的投资者有帮助。 模型回测显示，风格轮动择时效果明显。我们将择时结果与多因子选股组合优化框架进行结合，选取中证500指数为基准，选股范围为中证500成分股。在控制行业偏离和个股权重的情况下，XGBoost模型在测试集（2019年至今）各风格因子上平均月度胜率为61%，策略收益年化26.36%，相对于中证500超额收益年化20.6%。12月份是反转和小市值效应占优，策略超额收益为负。 模型在2022年1月份建议高配小市值、质量、低换手因子，低配beta、动量、低波动因子、成长因子、估值因子。从模型逻辑上看，2022年经济下行确定性较强，中央经济会议定调流动性适度宽松，PPI面临输入型通胀压力。市场反转效应较为明显，当前各因子拥挤度均降低，近两月小盘价值股表现较好，建议模型整体配臵延续小盘配臵。模型本期相对优选对于经济下行、流动性敏感性较强的小市值因子，以及在整个投资环境趋势不明晰下保持对高质量风格有一定敞口。 2）策略2：我们使用嵌套XGBoost的打分加权模型，对沪深300、中证500未来一个月收益高低做出预测。对于偏长期的宏观经济数据维度和偏短期的市场情绪、估值盈利差、风险偏好维度，我们分别构建两套不同的XGBoost模型来建立自变量到因变量的映射，然后对不同维度的信号进行等权打分，从而可判断当前市场环境是否更加有利于投资沪深300或者中证500。策略选取业绩比较基准为“50%*沪深300+50%*中证500”。 由宏观经济数据为自变量构建的XGBoost模型的胜率分别为76%、超额收益年化6.56%，夏普比率1.27。由市场情绪自变量构建的XGBoost模型胜率位71%，夏普比率1.33，超额年化收益6.84%。我们将两个信号进行等权得到的综合信号。当两个信号方向不一致时，模型等权配臵沪深300与中证500。与单信号相比，综合信号虽然超额收益还是较之前有所降低，但是熨平了波动，策略夏普比率提高到1.63。综合模型超额收益在2017年和2020年表现优异，18年回撤较大，2021年以来超额收益9.11%。 当前1月份两个信号的方向一致看多沪深300。通过分解信号的自变量重要性，目前中证500减去沪深300的盈利预期差在缩小，沪深300估值处于估值回复阶段。当前消费领域存在困境反转的可能性，大金融板块估值和性价比都不错，因此不管是长期还是短期信号均看多沪深300。 风险提示：模型测试基于历史数据，市场未来可能发生变化。 第一部分：A股风格因子体系介绍 因子择时必要性在不断提高。近年来随着因子投资和因子研究的深入，我们会看到因子的长期收益有时会偏离理论收益 ，出现因子失效的问题。如2017年，随着市场上量化策略的增多，许多之前有效的因子比如市值因子、动量因子、波动率因子都出现过阶段的失效，这就导致传统的多因子模型获取稳定的超额收益变得越发困难，因子择时也随之变得越发重要。本文认为造成因子失效现象的主要原因包括因子拥挤度提升以及不同宏观周期下因子投资性价比产生的变化等。本文将影响因子收益的这几个因素共同纳入到框架中讨论。 市场上进行因子风格轮动的方法主要是从两方面进行预测。一类是从因子收益本身的动量效应和因子拥挤度等内生指标出发，对未来收益正负进行预测，另一类是从市场宏观数据、市场状态、资金情绪等外部数据出发。 对于股票风格轮动，我们之前在《因子风格择时策略》系列报告中尝试用决策树方法对股票未来收益进行预测，所用到的自变量体系中的因素主要是利率趋势、A股roe变化趋势，以及因子拥挤度等内生变量。决策树是一种描述对实例进行分类的树形结构，本身是一种弱分类器，其主要优点是模型具有可读性。构造决策树的核心问题是每一步对样本属性如何做拆分。 为了更加充分的利用宏观经济数据、市场情绪外部变量，我们准备在原有择时模型上扩充一些对A股市场有重要影响的宏观变量，形成“因子风格择时2.0版本”。我们将模型从弱学习器决策树改进为强学习器XGBoost，增强模型的预测效果。在机器学习XGBoost的框架下对未来一个月的风格收益大小进行预测。新增的宏观变量包括经济增速、物价、货币政策、利率、进出口等数据，以及其一阶差分衍生指标。新增的市场情绪变量包括市场流动性、市场波动率、指数估值、指数涨幅表现等。这些变量对因子收益率影响的方式各不相同，这种复杂关系很难通过线性模型来刻画。 XGBoost是对通过反复地选择一个指向负梯度方向的函数，对一任意可导目标函数的优化过程。XGBoost和Adaboost虽然都是由单颗决策树到多颗决策树进行优化， 但是优化策略不同 。通过对比两者效果 ，我们决定选用XGBoost模型。 图表1：风格轮动策略框架 1.1市场回顾： 自今年春节之后来到9月初，中证500、中证1000表现优异，本轮中小盘行情是继2013-2015年之后再度持续时间较长的一轮行情。风格的持续性变化跟整个经济周期、市场流动性等外生变量相关性很大。风格的突然反向则跟风格拥挤度内生变量大幅上升有关。今年由于环保双控导致上游周期原材料供给稀缺，而且新能源板块相对于其他蓝筹股估值更低，盈利预期更高，整个市场需要保持一定的流动性来对冲疫情后经济动能下滑的冲击。因此小市值因子表现比较持续优异。同时我们检测到小市值因子的拥挤度持续上升，在9月末模型已经提示市值因子的拥挤度超过90%，且市值因子的估值价差对比其他因子已经比较高。在9、10月份小市值风格发生回撤，连续上涨3个月的动量因子也在9、10月份发生大幅回撤。 从2020.07.31至2021.12.31时段A股风格走势来看，除了长期持有低换手因子可以获取持续收益之外，其余因子切换整体还是比较频繁，能够持续3个月收益方向不变的因子不多。因此投资者在指数增强时如果对单向因子持续保留太多敞口，比如同时高配小市值、高波动、高换手、高成长、高beta等因子，组合收益的波动可能会比较剧烈。在指数增强的风格配臵上我们更加推荐均衡配臵，比如说高配小市值、高成长因子的同时高配一些质量、盈利因子，低配换手、波动因子。 图表2：近一年以来A股风格走势 图表3：近四个月以来A股风格的拥挤度历史分位数 图表4：近一年以来各风格因子IC情况 1.2最新建议： 本文在2021年中推出的“因子风格择时策略”的基础上做了改进，我们采用维度更广的自变量，且将弱学习器升级为强学习器，构建了准确率更高的A股市场的因子择时指标体系2.0。该策略主要以因子离散度、因子拥挤度、宏观变量、市场状态为输入变量，然后利用XGboost方法，预测每个风格因子未来的收益正负（排序）。相对于决策树模型，XGboost可以相对提高因子择时胜率。最后我们将因子择时结果与多因子模型的组合风格偏离控制相结合。 近几期因子风格择时参考如下： 图表5：中证500中近三个月因子配臵建议 图表6：近3个月风格因子月度收益IC 1.3多因子体系介绍： 我们的因子体系选择如下：beta、动量、小市值因子、质量、低波动率因子、成长性因子、估值因子、低换手率因子。 图表7：多因子框架展示 图表8：大类风格因子构成 我们计算了上述8类因子2012年以来的纯因子收益。可以看出除了质量因子趋势性不太明显，其余因子趋势性都较强。 图表9：A股纯因子收益：2016年至2022.1 第二部分：因子择时信号简介及有效性测试 对于需要通过风格轮动来增加投资组合beta收益的投资者来说，选择中证500为基准做增强比较普遍。因此，我们的拥挤度计算和最终组合优化也在此范围进行构造。接下来我们使用更加直观的办法来观测各类信号有效性。 2.1离散度有效性测试 因子离散度spread是在一个横截面上，根据某一个因子大小对股票池进行排序，前10%的股票的因子均值与后10%的股票因子均值的差值即因子spread。高离散度的因子在未来可能有更好的收益区分能力以及可以带来更高的信息比例。 基于Spread构建策略的方向和拥挤度指标相反。Spread的投资逻辑主要是基于资产定价再极度无效之后会出现均值回复。当因子spread很大，代表这个因子已经被“过度忽视”、“欠定价较深”，此时投资该因子未来收益可能较大，所以性价比较高。比如低ROE股票的估值过低，高ROE股票的估值过高，PB离散度高于ROE离散度，未来大概率PB有效性高于ROE因子。 从长期来看，每个月选择离散度较高的因子进行超配还是会有趋势性收益的。近两个月因子离散度收窄。 图表10：风格因子在离散度上的变化（2021.11至2021.12） 图表11：风格因子在离散度上的变化 2.2因子拥挤度有效性测试 因子的拥挤度指标的研究最初源于国外研究机构。因子拥挤度指标越高，未来投资该因子的回报会越低。 因子拥挤是指当某个类型的因子被广泛认为有效时，会得到大量资金的追捧，这样的追捧尽管在一定程度上会加大因子的收益，但是另一方面也会加大因子收益的波动，使得因子的收益在一定时间段内出现收益降低或者收益大幅回撤的现象，从某种意义上来说，这个现象与量化投资策略的钝化现象有一定的相似性。因此，对因子拥挤现象的跟踪，可以在一定程度上规避或者控制因子失效带来的投资组合的亏损风险。从时间序列的维度上看，因子拥挤度越高，未来收益为负的可能性越大。从横截面的维度检验来看，拥挤度更高的因子下一期的收益也会比其他因子弱一些。 估值价差：估值价差实际上属于“因子的因子”概念范畴，即某个因子的多头组合的估值中位数减去空头组合的估值中位数就是该因子的估值价差。当资金追捧该因子时，多头因子的估值会上升，反之空头因子估值下降。估值价差就会变大。 从长期来看，每个月选择估值价差较低的因子进行超配还是会有趋势性收益的。近两个月各因子估值价差变化不明显。Beta动量成长因子的估值价差缩小，小市值因子估值价差扩大。 图表12： 图表13：估值价差加权因子多空收益 配对相关性：当某个因子过热时，投资者可能会同时买入多头组合的股票，或者同时卖出空头组合的股票，因此多头、空头组合内部的股票可能会同涨同跌的态势。 从长期来看，每个月选择配对相关性较低的因子进行超配，收益波动比较大，趋势不明显。近两个月小市值、质量、低波动因子的配对相关性降低。 图表14：风格因子在配对相关性上的变化（2021.11至2021.12） 图表15：配对相关性加权因子多空收益 多空收益波动率：主要描述当资金过度集中在某一个因子上时，该因子的日收益率的波动会加大； 从长期来看，每个月选择多空波动率较低的因子进行超配，收益虽然有一定的波动，但也有明显的趋势。近两个月风格因子多空波动率变化不大。 图表17：多空波动率加权因子多空收益 图表16：风格因子在多空波动率上的变化 2.3宏观经济数据与市场情绪变量 宏观经济数据是一类不可忽视的变量。无论是风格轮动、指数轮动，一个重要的因素就是由于经济逻辑驱动的。宏观经济对于市值风格的影响是显然的，当宏观经济向好，无风险利率较低时，小盘股通常能够获得较好的收益。 宏观变量主要是从经济增长、价格水平、货币环境、国际贸易、利率水平五大类选取指标作为代表变量。每个大类下我们选取了一些具有代表性的细分指标。表征经济增长类的指标包括工业增加值同比、工业企业产销量。表征价格水平的包括CPI、PPI等指标。表征货币环境的价包括M0、M1、M2增速以及其剪刀差，人民币贷款余额增速，社