风格轮动量化研究系列之二：量化视角多维度构建月度和周度价值成长风格轮动策略

本文研究了价值成长风格轮动策略，从宏观、估值、基本面三个维度构建月度模型，并结合月度效应和主观分析生成月度观点。同时，从纯量价维度构建周度模型作为月度模型的补充，以应对市场短期变化。核心观点和关键数据如下：

1. A股价值成长轮动频繁：历史上A股市场存在明显的风格轮动效应，不同风格轮流占优，没有单一风格能始终战胜市场。投资者需提前预判风格动向以获取超额收益。

2. 月度模型构建与回测：

   • 从宏观（国内流动性、海外流动性、信用、通胀）、估值（相对估值）、基本面（分析师预期）三个维度选取因子构建月度模型。
   • 各维度内部因子信号等权合成维度信号，不同维度信号再等权复合得到最终打分。
   • 历史回测（2016/01-2024/12）显示，月度胜率74.65%，超额年化收益8.80%，信息比率1.53，超额收益回撤比1.08。

3. 周度模型构建与回测：

   • 从纯量价维度选取深度学习、动量、拥挤度因子构建周度模型，作为月度模型的补充。
   • 历史回测（2016/01-2024/12）显示，周度胜率58.80%，超额年化收益7.19%，信息比率1.29，超额收益回撤比0.65。

4. 最终模型叠加效果：

   • 月度模型控制40%仓位，周度模型控制10%仓位，叠加后超额年化收益8.45%，超额最大回撤-6.44%，超额夏普比率1.68，超额收益回撤比1.31，有效降低回撤并提高收益回撤比。

5. 未来改进思路：

   • 宏观维度引入经济周期分析，以决策风格的长期相对优势。
   • 微观量价维度引入股本结构、技术分析等角度，提高量价模型预测准确性。
   • 确定各维度权重，把握主线维度，对未充分定价的维度赋予更高权重。

6. 风险提示：量化模型基于历史数据构建，历史回测不代表未来表现，存在失效风险。市场环境变化可能导致投资逻辑改变，模型存在失效风险。