量化风格轮动模型介绍

01 2013/12-2024/09300200017.45% /CONTENTS 07040506010203 A1.1 风格是影响股票收益的重要因素。 在之前的报告《基于BarraCNE6的A股风险模型实践》系列中，我们构建了A股风格因子，通过对主要指数进行归因，可以发现风格是影响股票收益和风险的重要因素。 在历史上A股市场存在着明显的风格轮动效应。 市场重点关注的问题包括针对于市值风格的大小盘轮动，以及针对于估值风格的成长价值轮动等。我们曾在《从量化视角复盘A股1995年以来的风格轮动和选股因子表现》报告中，对中长期大小盘轮动做过初步分析和研究。 风格轮动系列研究的目标是针对这些市场所关心的风格研判问题，构建起有逻辑、有依据，可量化、可追溯的轮动框架。 1.2 以沪深300作为大盘指数，中证2000作为小盘指数，2、3、5、8月，小盘风格占优；1、4、12月，大盘风格占优。 4~101.3 4-10 20257 301.11.7~2.6 节选自报告《从量化视角复盘A股1995年以来的风格轮动和选股因子表现》（20240423） 1.3市值小 大小盘风格具有明显的月度效应。其背后原因尚待研究，部分是由于财报披露时间，这里仅做统计学分析供投资者参考。 按照市值10分组构建大小市值组，根据1995年以来的历史数据，在2、3、5、8月，小盘风格明显超过大盘；1、4、12月，大盘风格明显超过小盘。 2.0 从宏观、估值、基本面、资金、情绪、量价6维度出发构建量化模型，测试并选取在历史上有效的因子。 量化模型能够进行历史回测从而检验其有效性，但无法完全刻画市场，样本外再引入主观分析和月度效应适当调整，最终生成每月更新的风格轮动观点。 2.1 宏观维度的细分因子包括期限利差因子、货币活化因子和信用利差因子，将信号等权合成宏观维度复合信号，进行回测。月频调仓。 若月末信号看多大盘风格，则下月配置大盘指数；若月末信号看多小盘风格，则下月配置小盘指数；若月末为中性信号，则大小盘指数等权配置。以大小盘等权组合作为基准，回测区间为2013/12/31-2024/09/30。 宏观维度复合信号月度胜率65.12%，超额年化收益14.59%，在历史上指导大小盘轮动效果较好，不过在近两年表现一般，出现一定回撤。 2.2 风格的估值可以辅助判断大小盘配置性价比，在历史上具有均值回归特性。 使用整体法计算沪深300和中证2000指数的PB估值，再与中证全指PB相减即得到各自的估值溢价。估值溢价与指数走势的对应关系如下图所示，当估值溢价进入高估阶段，由于均值回归特性，对应指数很容易下跌从而出现风格切换。 当估值溢价过高时，可以认为对应风格进入了顶部区间，此时若估值溢价从高位回落则应该进行低配；当估值溢价过低时，认为指数进入了底部区间，此时若估值溢价从低位回升则应该进行高配。 顶底参数分别设置为滚动3年的80%分位数和20%分位数，当估值回到中位水平则调回标配。 2.3 在进行风格研判时，基本面的变化亦非常重要。相比于财务报表，分析师预期的变化更具有指示作用。 将金工选股因子库中的分析师预期因子进行成分股加权，得到大小盘各自的分析师预期因子值。将小盘指数分析师预期因子值减去大盘指数分析师预期因子值，展示如图。可以观察到。根据分析师预期因子刻画的基本面变化对大小盘走势具有一定指示作用，二者之间具有比较明显的正相关性。 对基本面维度进行历史回测。使用月度边际变化来产生信号，每个月末分别计算大小盘指数分析师预期因子相比于上月末的边际变化，若大盘指数分析师预期边际增量更高，则发出大盘信号；反之若小盘指数分析师预期边际增量更高，则发出小盘信号。 2.4 资金维度的细分因子包括大单资金因子、外资流入压力因子、ETF份额因子、龙虎榜因子、融资买入因子，将细分因子信号等权合成资金维度复合信号，进行回测。 若月末信号看多大盘风格，则下月配置大盘指数；若月末信号看多小盘风格，则下月配置小盘指数；若月末为中性信号，则大小盘指数等权配置。以大小盘等权组合作为基准，回测区间为2013/12/31-2024/09/30。 资金维度复合信号月度胜率62.18%，超额年化收益12.54%，指导大小盘轮动效果较好。 2.5 小盘风格的弹性更高，在市场交投热情高涨的时候往往能收获超额收益；大盘风格更加抗跌，在市场较为冷淡的时候具备防御属性。 通过多角度构造情绪维度的细分因子，对市场整体情绪进行跟踪，从而帮助进行大小盘轮动的判断。 情绪维度的细分因子包括换手率因子、创新高新低因子、超买超卖因子、上行趋势因子，将细分因子信号等权合成情绪维度复合信号，进行回测。月频调仓，若月末信号看多大盘风格，则下月配置大盘指数；若月末信号看多小盘风格，则下月配置小盘指数；若月末为中性信号，则大小盘指数等权配置。 2.6 大小盘风格具有明显的中长期动量效应，过去相对占优的风格往往倾向于在未来一段时间保持这种优势。 使用风格相对净值的均线突破代表动量因子捕捉趋势性特征，同时引入拥挤度因子来规避短期过热带来的风格切换拐点。 结合动量和拥挤度因子，进行量价维度历史回测。当未触发拥挤度信号时，直接以动量信号作为量价维度信号；当触发拥挤度信号时，以拥挤度信号优先。月频调仓，若月末信号看多大盘风格，则下月配置大盘指数；若月末信号看多小盘风格，则下月配置小盘指数。 3.1 3.2 -3.3 2025年7月31日，量化模型最新信号为0.5，继续指向小盘；历史上8月小盘略占优，建议8月继续超配小盘风格。 本年以来大小盘风格轮动策略收益15.74%，等权（沪深300和中证2000）基准的收益为11.79%，策略超额收益为3.95%；纯量化模型收益为16.89%，相对基准的超额收益为5.09%。 A4.1 风格是影响股票收益的重要因素。 在之前的报告《基于Barra CNE6的A股风险模型实践》系列中，我们构建了A股风格因子，通过对主要指数进行归因，可以发现风格是影响股票收益和风险的重要因素。 在历史上A股市场存在着明显的风格轮动效应。 我们曾在《从量化视角复盘A股1995年以来的风格轮动和选股因子表现》报告中，对市值和估值风格的轮动效应做过初步分析研究。在报告《量化视角多维度构建大小盘风格轮动策略》中构建了大小盘轮动策略，并进行样本外跟踪输出月度观点。 风格轮动系列研究的目标是针对这些市场所关心的风格研判问题，构建起有逻辑、有依据，可量化、可追溯的轮动框架。 4.2 目前市场上反映价值成长风格的指数主要包括申万低市盈率与申万高市盈率，国证价值与国证成长。由于申万高低市盈率指数仅考虑估值作为划分标准，因此本文使用国证价值和国证成长作为风格代表指数。 二者走势在2016年之后基本是贴合的，但在2013-2015年差别较大，创业板牛市的行情在国证风格指数上完全没有体现。 这主要是由于国证成长指数根据过去3年的成长因子划分股票池，而在2016年前银行和房地产行业的盈利增速很高，因此有大量相关股票被选入了国证成长指数，从而导致国证风格指数没有体现2013年的创业板牛市行情，存在失真的现象。 后续在模型回测时，绩效统计区间统一为2016年之后。 4.3 以国证价值作为价值指数，国证成长作为成长指数，6、10月，成长风格占优4、8、12月，价值风格占优。 5.0 从宏观、估值、基本面3维度选取因子构建月度打分模型。 量化模型能够进行历史回测从而检验其有效性，但无法完全刻画市场，样本外再引入主观分析和月度效应适当调整，最终生成每月更新的风格轮动观点。 为了应对市场的实时变化，我们还从纯量价维度选取因子构建了周度打分模型，从而可以在月内对月度观点进行调整。 详见报告《量化视角多维度构建月度和周度价值成长风格轮动策略_20250305》 5.1 宏观维度的细分因子包括国内流动性因子、海外流动性因子、信用因子、通胀因子，将信号等权合成宏观维度复合信号，进行回测。月频调仓。 若月末信号看多价值风格，则下月配置价值指数；若月末信号看多成长风格，则下月配置成长指数；若月末为中性信号，则价值成长指数等权配置。以价值成长等权组合作为基准，回测区间为2016/01-2024/12。 宏观维度复合信号月度胜率67.50%，超额年化收益6.85%，在历史上指导价值成长轮动效果较好。 5.2 风格的估值可以辅助判断大小盘配置性价比，在历史上具有均值回归特性。 使用整体法计算国证成长和国证价值指数的PB估值，二者相减后与指数走势对应。当估值进入高估阶段，由于均值回归特性，对应指数很容易下跌从而出现风格切换。 当成长PB-价值PB过高时，可以认为成长风格进入了顶部区间，此时若PB差从高位回落则应该超配价值，低配成长；当成长PB-价值PB过低时，认为成长风格进入了底部区间，此时若PB差从低位回升则应该超配成长，低配价值。 顶底参数分别设置为滚动3年的80%分位数和20%分位数，当估值回到中位水平则调回标配。 28 5.3 在进行风格研判时，基本面的变化亦非常重要。相比于财务报表，分析师预期的变化更具有指示作用。 将金工选股因子库中的分析师预期因子进行成分股加权，得到价值成长风格各自的分析师预期因子值。可以观察到，根据分析师预期ROE刻画的基本面变化对价值成长风格走势具有一定指示作用，二者之间具有比较明显的正相关性。 对基本面维度进行历史回测。使用月度边际变化来产生信号，每个月末分别计算风格指数分析师预期ROE相比于上月末的边际变化，若价值风格分析师预期ROE边际增量更高，则发出价值信号；反之若成长风格分析师预期边际增量更高，则发出成长信号。 15.4 月内小级别的风格切换也会带来捕捉收益的机会，我们通过纯量价视角的深度学习因子、动量因子和拥挤度因子构造周度模型，从而更高频地对月度观点进行调整。 使用AI深度学习，基于TCN/Timesnet/Master+GRU多个时序模型，实现端到端的股票收益预测，构建了深度学习选股因子库。将深度学习选股因子进行成分股加权，得到价值成长风格各自的深度学习因子值，因子变化能够捕捉到短期的风格变化信号。 使用周度边际变化来产生信号，分别计算风格指数深度学习因子相比于上周的边际变化，若价值风格深度学习因子边际增量更高，则发出价值信号；反之若成长风格深度学习因子边际增量更高，则发出成长信号。周度调仓。 25.4 价值成长风格具有明显的中长期动量效应，过去相对占优的风格往往倾向于在未来一段时间保持这种优势。使用滚动1个月的累计收益来代表动量效应，捕捉趋势性走势。 若价值风格滚动1个月的累计收益更高，则发出价值信号；反之若成长风格滚动1个月的累计收益更高，则发出成长信号。 35.4 使用成长/价值的相对成交额结合均线系统进行拥挤度预警。根据相对成交额的分位数水平初步判断（成长/价值相对成交额>滚动3年的95%分位），超过向上阈值则认为成长可能出现拥挤，低于向下阈值则认为价值风格可能出现拥挤。 为避免过早发出信号，结合相对净值的均线系统确认发生了长期趋势下（相对净值的月线>年线）的拐头（相对净值的周线<月线），才能发出拥挤度信号。 若当周触发过价值风格拥挤度信号，则后续2周均超配成长风格；反之若当周触发过成长风格拥挤度信号，则后续2周均超额价值风格。 因子触发次数不多，但有助于弥补动量因子反应较慢的短板。 6.1 从宏观、估值、基本面3个维度，构建月度模型，年化超额收益8.8%。 6.1 6.2 周度模型由深度学习、动量、拥挤度3个因子信号综合，若拥挤度因子无信号则以深度学习和动量因子信号等权复合输出周度模型得分，若拥挤度因子发出预警信号，则直接将其作为最终得分，即拥挤度信号优先。 ETF6.3 由于国证成长和国证