“学海拾珠”系列之二百五十一：基于状态切换信号的动态因子配置

主要观点：

1. 稀疏跳跃模型（SJM）识别因子状态：运用SJM识别单个因子的牛市和熊市情景，特征集包括历史因子主动收益的风险和回报指标，以及市场环境变量。与传统方法相比，SJM识别的情景更稳定、可解释。假设性单因子多空策略评估结果显示，所有因子均实现正夏普比率，且因子间相关性低。

2. Black-Litterman框架构建因子组合：将SJM情景推断纳入Black-Litterman框架，动态调整七个指数（市场+价值、规模、动量、质量、低波、成长）配置比例，以等权重投资组合作为基准。结果表明，多因子投资组合信息比率从0.05提升至约0.4，动态配置策略信息比率约为0.4至0.5，夏普比率、最大回撤等指标均优于基准。

3. 研究方法：聚焦美国市场七个仅做多的股票smart beta指数，采用SJM进行状态分析，并构建假设性单因子多空策略评估状态推断质量。输入特征包括历史因子主动收益指标（EWMA主动收益率、RSI、%K、MACD、下行偏差、主动贝塔）和市场环境特征（市场收益率、VIX、2年期国债收益率、收益率曲线斜率）。采用在线推理算法进行实时状态推断。

4. 实证结果：单因子多空策略夏普比率均正值，因子间相关性低，适合Black-Litterman整合。动态配置策略相对于市场，信息比率提升至最高0.44，最大回撤降至-6%；相对于等权重基准，信息比率约0.4至0.5。绝对表现方面，夏普比率提升，波动率和最大回撤下降，年化单边换手率约500%。

5. 研究结论：利用SJM识别因子周期性并进行动态配置，能有效提升因子组合表现。状态分析并非预测状态转换，而是利用已发生的状态变化调整配置，获得优于静态策略的优势。

6. 未来展望：可利用变分自编码器（VAEs）、循环神经网络（RNN）等方法完善SJM，或利用生成模型扩充数据集缓解过拟合问题。