相对收益解决方案：以个股截面增强与市场多空分域构建低换手风格轮动策略

glzqdatemark12025年05月14日 |报告要点|分析师及联系人请务必阅读报告末页的重要声明 传统风格轮动策略因样本量不足、变量非线性特征与市场动态变化等问题，预测稳定性较差。为解决这些问题，本文引入多因子风格增强矩阵、多维度择时模型，尝试构建全天候适用的风格轮动策略。通过截面增强提升风格因子的风险收益比，结合大周期择时模型和高频择时模型，切割市场多空分域，优化风格配置。最终构建出以个股截面增强与市场多空分域构建低换手风格轮动策略，策略在2017年1月3日至2025年4月25日相对中证全指年化超额收益17.94%，最大回撤-19.24%，夏普率1.18。陆豪康作宁陈阅川陆诵韬SAC：S0590523070001 SAC：S0590524010003 SAC：S0590524050004周籽聪 请务必阅读报告末页的重要声明金融工程专题相对收益解决方案：以个股截面增强与市场多空分域构建低换手风格轮动策略相关报告1、《行业轮动超额优异，两融资金持续流入—周报2025年3月21日》2025.03.232、《中证1000增强表现亮眼，景气指数反转上升—周报2025年3月14日》2025.03.17扫码查看更多 2/20➢传统风格轮动策略稳定性不足传统风格轮动策略模型易过拟合，市场风格的非线性与动态变化使得模型稳定性不足，数据频率与预测周期的不匹配也会导致信号滞后和噪声干扰。➢风格轮动策略特征风格轮动的本质是资金流入与流出的结果，存量资金和增量资金共同影响市场风格的分化与收敛。2023年以来，主流市值（大盘、中盘、小盘）风格收益率趋同，微盘风格表现突出；成长、价值风格中，价值风格整体表现优秀，但是2025年以来弹性不如成长风格。红利风格整体表现稳定。➢多因子风格增强策略矩阵多因子风格增强策略通过截面增强显著提升了风格因子的风险收益比。部分风格（如红利增强指数）具备全天候的稳定收益价值，相对风格指数本身超额收益显著。➢基于多空择时的分域因子轮动多维度择时模型与分域因子轮动策略有效提升了风格配置的稳定性。通过宏观、中观、微观信号构建大周期择时模型，结合股指期货基差信号构建的高频择时模型，实现了对市场多空分域的精准切割，通过各个风格指数在不同分域的表现构建市场多空时的风格指数组合。➢低换手的稳健风格轮动策略基于多空分域的风格配置策略，在大周期择时模型多头时配置红利、动量、成长增强组合；空头时配置红利、低波、质量增强组合。策略2017年1月3日至2025年4月25日间，年化收益率17.52%，相对中证全指年化超额收益17.94%，年化波动率14.82%，最大回撤-19.24%，夏普率1.18，组合年化换手率仅为12.9%。截至2025年4月25日，最新大周期择时信号为多头，配置红利风格权重56.13%，动量风格权重29.85%，成长风格权重14.02%。风险提示：量化模型存在失效风险，信息仅供参考，不构成投资建议。市场存在波动性和不确定性，投资需谨慎。过去的业绩表现不能保证未来的收益，投资者应根据自身的风险承受能力和投资目标独立判断并做出决策。 正文目录1.引言..............................................................42.风格轮动策略特征..................................................42.1A股具有显著的风格轮动效应，但近年风格特征趋于极致化.........42.2传统风格轮动策略的预测稳定性不足............................63.多因子风格增强策略矩阵............................................93.1通过截面增强策略提升风格因子的风险收益比.....................93.2增强后的部分风格具备全天候的稳定收益价值.....................94.基于成熟的多空择时策略分域因子轮动...............................114.1国联民生金工——多维度择时模型.............................114.2风格增强指数特征...........................................134.3基于市场多空分域的风格指数配置.............................155.构建低换手的稳健风格轮动策略.....................................175.1以红利增强作为底仓的组合构建...............................175.2风格轮动策略绩效表现.......................................176.风险提示.........................................................19图表目录图表1：2023年以来主流市值风格指数（截至2025年5月7日）.............5图表2：2023年以来国证成长、价值指数（截至2025年5月7日） ...........5图表3：2023年以来成长、价值因子累计收益率（截至2025年5月7日） .....6图表4：2024年各类风格指数月度收益率.................................6图表5：国联民生金工风格增强矩阵......................................9图表6：国联民生金工红利增强指数净值（截至2025年4月25日）..........9图表7：国联民生金工红利增强指数分年度绩效表现（截至2025年4月25日）10图表8：三维度划分经济周期...........................................11图表9：中证500与IC（中证500期货）基差构建的择时信号..............12图表10：多维度择时策略2024年净值表现...............................13图表11：风格增强指数相关性矩阵......................................13图表12：分年度风格增强指数相关性矩阵................................14图表13：基于大小周期择时信号对市场切割四分域风格指数累计收益率......15图表14：多头配置：红利、动量、成长风格组合..........................15图表15：多头配置：红利、低波、质量风格组合..........................16图表16：风格轮动策略净值（截至2025年4月25日）....................18图表17：风格轮动策略净值分年度表现（截至2025年4月25日）..........18 3/20 1.引言近年来，A股市场的风格轮动效应显著，但风格特征趋于极致化，资金流的变化成为影响风格轮动的重要因素。存量资金的内部流动和增量资金的边际变化共同驱动了市场风格的分化与收敛，形成了周期性的轮动效应。传统风格轮动策略在预测稳定性方面存在不足，主要受限于因变量样本量较少、市场风格的非线性与动态变化，以及数据频率与预测周期的匹配问题。为应对这些问题，本文引入多因子风格增强矩阵进行截面增强提升风格因子的风险收益比；以多维度择时模型进行市场多空分域划分。最终，以个股截面增强与市场多空分域构建低换手风格轮动策略，实现较高相对收益且低换手的全天候风格轮动资产配置策略。2.风格轮动策略特征2.1A股具有显著的风格轮动效应，但近年风格特征趋于极致化2.1.1资金流的变化影响风格的轮动风格本质是不同类型股票的涨跌分化现象，资产价格的涨跌受资金的流入与流出影响，同时风格的分化不能一直持续，当风格从理性的投资决策变成投资信仰，风格分化因脱离基本面的支撑而难以持续，过度的分化使得风格反向收敛，形成周期性的轮动效应。资金流的变化可分为市场存量资金的内部流动和增量资金的边际变化：(1)存量资金：投资者基于个股质地、行业趋势、宏观经济多维度做的投资决策。当市场形成共识时，存量资金流入特定的行业或风格、加速资产价格分化。(2)增量资金：反映了居民配置风险资产需求。当市场上涨刺激配置需求，风险偏好的推升带动风险资产价格上涨，形成资金流入的正向循环，新流入的资金进一步强化风格形成。 4/20 2.1.2近三年风格呈现极致化市值风格：2023年以来主流市值（大盘、中盘、小盘）风格收益率趋同，微盘风格表现突出。图表1：2023年以来主流市值风格指数（截至2025年5月7日）资料来源：wind，国联民生证券研究所整理成长、价值风格：2023年以来成长风格回撤、波动较大，价值风格整体表现较优。图表2：2023年以来国证成长、价值指数（截至2025年5月7日）资料来源：wind，国联民生证券研究所整理成长、价值风格因子：拆解到因子层面来看，价值因子近三年收益表现稳定。 5/20 资料来源：wind，国联民生证券研究所整理过去一年，每月胜出风格：2024年全年，红利风格整体表现最好，估值风格胜率较低。图表4：2024年各类风格指数月度收益率资料来源：wind，国联民生证券研究所整理2.2传统风格轮动策略的预测稳定性不足传统风格轮动策略通过捕捉不同市场风格（如价值、成长、动量等）的相对表现，试 6/20 7/20图在不同市场环境下实现超额收益。然而，这种策略在实际应用中面临预测稳定性不足的问题，主要体现在以下几个方面。2.2.1因变量相较于股票多因子模型较少在股票多因子模型中，因变量通常是股票收益率，而自变量（因子）包括价值、动量、质量、波动率等多种特征。由于股票数量庞大，多因子模型可以利用丰富的横截面数据，通过统计方法（如回归分析）提取有效的因子暴露和收益预测。相比之下，传统风格轮动策略的因变量通常是风格指数的收益率或风格之间的相对表现。由于风格指数的数量有限（如价值指数、成长指数、动量指数等），因变量的样本量显著少于股票多因子模型。这种数据稀缺性导致以下问题：1、统计显著性不足：风格轮动策略的预测模型通常基于时间序列数据，而时间序列数据的样本量远小于横截面数据。这使得模型的参数估计和预测结果更容易受到噪声干扰，统计显著性较低。2、模型过拟合风险：在样本量有限的情况下，复杂的预测模型（如机器学习模型）容易过拟合历史数据，导致在样本外表现不佳。3、因子选择受限：风格轮动策略的因子选择通常局限于风格指数本身的特征（如价值与成长的估值差异），难以引入更广泛的宏观经济因子或市场情绪因子，限制了模型的预测能力。2.2.2市场风格的非线性与动态变化市场风格的表现往往具有非线性和动态变化的特征，这进一步加剧了风格轮动策略的预测难度：1、风格轮动的非线性：风格之间的相对表现并非简单的线性关系，而是受到市场情绪、宏观经济环境、政策变化等多种因素的共同影响。传统的线性模型难以捕捉这种复杂的非线性关系。 2、风格轮动的动态性：市场风格的主导地位会随着时间变化而切换。例如，在经济复苏期，价值风格可能表现优异；而在经济衰退期，防御性风格可能更具吸引力。这种动态变化使得基于历史数据的预测模型难以适应未来的市场环境。2.2.3数据频率与预测周期的匹配问题风格轮动策略的预测周期通常较长（如月度或季度），而市场风格的表现可能在更短的时间尺度上发生变化。这种数据频率与预测周期的不匹配可能导致以下问题：1、信号滞后：基于低频数据的预测模型可能无法及时捕捉市场风格的切换，导致策略的信号滞后，错失最佳调仓时机。2、噪声干扰：在较短的时间尺度上，市场风格的表现可能受到噪声的干扰，导致预测模型的稳定性进一步下降。 8/20 3.多因子风格增强策略矩阵3.1通过截面增强策略提升风格因子的风险收益比国联民生金工风格增强指数通过量化方法对各