量化择时研究系列01 ：宽基指数如何择时，通过估值、流动性和拥挤度构建量化择时策略

宽基指数量化择时研究框架。我们从微观交易结构角度引入市场流动性与交易拥挤度指标，通过与宽基指数估值结合，研究指数极端估值状态下流动性与拥挤度等微观交易结构的边际变化，可以更加准确地刻画证券市场的底部与顶部特征。 宽基指数估值模型。宽基估值因子包括宽基指数PB、PE、PBPE以及股权风险溢价，我们通过计算估值因子所处历史分位数水平的方法来构建宽基估值因子，沪深300估值模型多空组合年化收益率为11.90%。 市场流动性模型。市场流动性因子包括买入冲击成本、卖出冲击成本、上涨流动性指数以及下跌流动性指数，我们认为单纯使用市场流动性模型或宽基估值模型存在噪音信号过多或择时准确度不高的问题。将宽基估值模型与市场流动性模型结合使用，关注指数极度低估或高估状态下市场流动性的边际变化，相比原有估值模型择时的准确度与效果均显著提升。 交易拥挤度模型。拥挤度是一种顶部择时类避险模型，我们从微观结构、波动率、流动性、相关性等多维度构建交易拥挤度因子，相比常规拥挤度因子，应用均线系统改进后的模型交易拥挤下跌风险规避的准确度和效果显著增强。 宽基指数量化择时模型合成与测试。应用估值、流动性与拥挤度的量化择时模型的择时准确度较高，能够准确地捕捉沪深300底部与顶部特征，同时能够有效规避交易拥挤下跌风险。2011年以来沪深300择时模型年化收益率为20.69%，相对市场基准的超额年化收益为18.64%。绝对收益年胜率（收涨）为84.6%，年均换手率为139%。 风险提示：量化模型基于历史数据构建，而历史规律存在失效风险。 本篇报告我们从宽基估值、市场流动性以及交易拥挤度等维度出发，研究宽基指数估值模型、市场流动性模型以及交易拥挤度模型在指数择时中的作用。研究结果表明：应用估值、流动性与拥挤度的量化择时模型能够准确地捕捉沪深300底部与顶部特征，同时能够有效规避交易拥挤下跌风险。2011年以来组合年化收益率为20.69%，相对市场基准的超额年化收益为18.64%，绝对收益年胜率（收涨）为84.6%。 1.宽基指数量化择时研究框架 1.1.宽基指数量化择时研究框架 证券市场估值与情绪存在极端悲观与极端乐观之间的周期往复运动，我们可以从微观交易结构角度解释市场的周期变化： 1.在市场持续、大幅下行时，随着悲观者持续抛出筹码、乐观者资金总量和资金成本优势逐步积累，市场风险实际上随着估值快速下降。 随着市场多空力量对比逐渐翻转，此时持有资金的投资者都是潜在购买者，业绩、政策或资金任一方面的边际改善都可能成为市场反弹修复的催化剂。 2.在市场持续、大幅上行时，随着乐观者持续购进筹码、悲观者筹码总量和筹码成本优势逐步积累，市场风险实际上随着估值快速上升。 随着市场多空力量对比逐渐翻转，此时持有筹码的投资者都是潜在抛出者，业绩、政策或资金任一方面不及预期都可能成为市场快速下行的导火索。 图1：宽基指数量化择时研究框架 证券市场的底部与顶部是交易出来的，采用常规的估值方法很难准确判断。我们从微观交易结构角度引入市场流动性与交易拥挤度指标，通过与宽基指数估值结合，研究指数极端估值状态下流动性与拥挤度等微观交易结构的边际变化，可以更加准确地刻画证券市场的底部与顶部特征： 请务必阅读正文之后的免责条款部分 1.在市场估值极低且出现流动性恐慌时，市场买卖冲击成本极高、上涨与下跌流动性指数极低，此时市场买卖双方流动性极度匮乏，给市场提供流动性所获的流动性补偿较高，此种情形可视为市场底部信号（即多头信号）。 2.在市场估值较高且出现流动性过剩时，市场买卖冲击成本极低、上涨与下跌流动性指数极高，此时市场买卖双方流动性极度充裕，给市场提供流动性所获的流动性补偿较低，此种情形可视为市场顶部信号（即空头信号）。 3.通过微观结构、波动率、流动性、相关性等多维度跟踪宽基指数交易拥挤状态，当相关指标触发交易拥挤信号时视为市场阶段顶部。 本篇报告我们以沪深300指数为例，从宽基指数估值、市场流动性与交易拥挤度等维度识别市场底部与顶部特征，通过单模型测试与多模型复合研究相关择时模型在指数择时中的作用。 1.2.宽基指数量化择时研究流程 量化择时研究流程包括基础数据处理、模型因子计算、模型测试以及复合模型合成等步骤： 1.基础数据处理：构建宽基指数估值、市场流动性与交易拥挤度模型需要宽基指数及其成分股的行情、财务、股本以及LEVEL2订单簿数据。在考虑数据质量的基础上需要尽量保证基础数据时间长度。 2.模型因子计算：宽基指数估值与市场流动性因子均采用整体法，利用成分股自由流通市值加权的方法构建；拥挤度因子中除个股分化指标外均采用指数行情数据计算。 3.模型测试：模型因子计算后，需分析多头与空头信号的胜率与收益情况，并对不同参数与影响区间进行参数敏感性分析；筛选出有效的因子构建多空组合，并进行历史回测与绩效分析。 4.复合模型合成：通过单模型测试构建宽基指数估值、市场流动性与交易拥挤度模型后，通过模型多空信号复合的方法构建量化择时复合模型并测试模型效果。 图2：宽基指数量化择时研究流程 量化择时研究中需注意： 1.择时因子需要具有逻辑性，且要注意适用范围。比如，市场存在周期性低估与高估现象，估值因子可以用来刻画宽基指数估值水位的高低，但估值因子对行业指数特别是周期性行业指数不一定适用。 2.择时因子需要具有均值回复性。比如，不同的牛熊周期市场估值绝对水平不一定相同，市场估值不一定能够均值回复。这种情况我们可以计算当前市场估值在最近一个牛熊周期所处历史分位数水平作为估值因子。 2.宽基指数估值模型 宽基估值类因子主要包括宽基指数PB、PE、PBPE以及股权风险溢价等。 原始估值因子均值回复性较差，我们通过计算估值因子所处历史分位数水平的方法来构建宽基估值择时因子，通过因子测试与合成研究宽基指数估值模型在指数择时中的应用。 2.1.宽基估值因子分类与构建 2.1.1.宽基估值因子分类 1.宽基指数PB估值 宽基指数PB估值，指指数成分股市值之和与股东权益之和的比值，可以用来衡量宽基指数整体估值水平高低，高PB代表市场估值较高，低PB代表市场估值较低。 图3：沪深300PB估值分位数 2.宽基指数PE估值 宽基指数PE估值，指指数成分股市值之和与归母净利润之和的比值，可以用来衡量宽基指数整体估值水平高低，高PE代表市场估值较高，低PE代表市场估值较低。 图4：沪深300PE估值分位数 3.宽基指数PBPE估值 宽基指数PBPE估值分位数，指宽基指数PB估值分位数与PE估值分位数的几何平均数，可以用来衡量宽基指数整体估值水平高低，高PBPE代表市场估值较高，低PBPE代表市场估值较低。 图5：沪深300PBPE估值分位数 4.宽基指数股权风险溢价 宽基指数股权风险溢价，指指数PE的倒数与10年期国债收益率之差，可以用来衡量宽基指数整体估值水平高低，高股权风险溢价代表指数风险溢价较高、市场估值较低，低股权风险溢价代表指数风险溢价较低、市场估值较高。 图6：沪深300股权风险溢价分位数 2.1.2.宽基估值因子构建 我们计算宽基指数估值因子值在历史数据中所处分位数水平，通过与设定阈值比较，判断是否触发多头或空头信号。具体构建方法如下： 1.由于估值因子值平稳，计算窗口长度统一设置为1天。 2.计算宽基估值因子值在历史数据中所处的分位数水平。具体方法如下： 1）历史区间长度设定为5年，涵盖一个完整的牛熊周期； 2）历史分位数底部阈值统一设定为10%、8%、5%、3%和1%，因子值低于指定阈值后触发多头信号；历史分位数顶部阈值统一设定为90%、92%、95%、97%和99%，因子值超过指定阈值后触发空头信号； 3）计算估值因子历史分位数时，因子值从小到大排序，因子值越小、所处历史分位数越低，代表市场估值越低；因子值越大、所处历史分位数越高，代表市场估值越高。 3.市场底部/顶部判断：将宽基估值因子所处历史分位数与设定阈值比较，如果低于底部阈值则触发多头信号，如果超过顶部阈值则触发空头信号。 通过上述方法构建宽基估值因子，当宽基估值因子值低于历史分位数底部阈值或超过历史分位数顶部阈值时，触发多头或空头信号。 表1：宽基估值因子构建方法 2.2.宽基估值因子测试 我们采用胜率与收益统计、参数敏感性测试等方法测试宽基估值因子在指数择时中的作用，分底部信号和顶部信号测试。 1.底部信号测试：我们统计宽基估值因子所处历史分位数低于历史分位数底部阈值时，未来90交易日、120交易日宽基指数收益率均值、胜率以及信号触发次数。胜率越高代表触发底部信号后一段时间宽基指数收涨的概率越大；收益率越高代表触发多头信号后一段时间指数上涨幅度越大，说明估值因子底部择时效果越显著；触发次数越高代表触发多头信号越频繁。 2.顶部信号测试：我们统计宽基估值因子所处历史分位数达到历史分位数顶部阈值时，未来90交易日、120交易日宽基指数收益率均值、胜率以及信号触发次数。胜率越高代表触发顶部信号后一段时间宽基指数收跌的概率越大；负向收益率越高代表触发空头信号后一段时间指数下跌幅度越大，说明估值因子顶部择时效果越显著；触发次数越高代表触发空头信号越频繁。 整体看来，宽基估值因子指数择时的准确度与效果较为显著，但噪音信号略多： 1.从胜率与收益率角度分析，估值因子底部与顶部择时的准确度与效果均较好。其中PBPE估值所处分位数达到95%时，未来90日和120日指数下跌的概率均超过90%，指数下跌的幅度分别为7.82%和10.75%；股权风险溢价所处历史分位数低于5%时，未来90日和120日指数上涨的概率均超过64%，指数上涨的幅度分别为5.11%和8.48%。 2.从触发次数角度分析，我们统计90日胜率超过60%的因子，发现触发信号次数多在50到500次之间，集中分布于市场底部或顶部区域。其中PBPE估值所处分位数达到95%时，顶部信号触发次数为49，说明顶部信号较为集中；股权风险溢价所处历史分位数低于5%时，底部信号触发次数为501，说明底部信号较多，信号分布可能较为分散。 图7：宽基估值因子胜率与收益分析 我们通过参数敏感性测试，分析不同窗口长度、历史分位数阈值以及收益观察区间长度设置下，宽基估值因子对于指数择时的准确度和效果如何。具体统计指标包括不同参数设置下的因子收益率均值、胜率以及触发信号的次数。我们选择胜率与收益分析中表现较好的股权风险溢价和PBPE估值等2类因子进行参数敏感性测试。 历史分位数阈值方面，阈值设定越高，因子胜率与择时收益越高、择时信号触发次数越少。历史分位数顶部阈值设置为95%时，股权风险溢价和PBPE估值因子顶部信号触发次数分别为24和10次，胜率均值分别为73%和96%，负向收益均值分别为7%和6%。历史分位数底部阈值设置为8%时，股权风险溢价和PBPE估值因子底部信号触发次数分别为130和142次，胜率均值分别为60%和53%，正向收益均值分别为4%和2%。 收益观察区间方面，因子最佳收益观察区间长度为90日和120日，低于90日时因子胜率与择时收益逐步衰减。其中股权风险溢价120日顶部和底部信号胜率均值分别为80%和69%，择时收益均值分别为14%和8%。PBPE估值120日顶部和底部信号胜率均值分别为91%和58%，择时收益均值分别为9%和4%。 图8：股权风险溢价因子胜率与收益参数敏感性测试 图9：PBPE估值因子胜率与收益参数敏感性测试 综合考虑胜率、择时收益与信号触发次数，股权风险溢价、PBPE估值类因子顶部和底部择时的较佳历史分位数分别为95%和8%，较佳收益率考察区间为90日或120日。 2.3.宽基估值模型合成与测试 通过宽基指数估值因子测试，我们选择股权风险溢价与PBPE估值因子参与宽基估值模型合成，模型具体构建方法如下： 1.底部信号生成：若股权风险溢价或PBPE估值因子所处历史分位数低于指定历史分位数底部阈值，则触发多头信号； 2.顶部信号生