定量研究行业2020年度投资策略：市场择时与风格择时策略回顾与探索

1、正文目录 HYPERLINK l _TOC_250014 灵活择时策略回顾与更新4 HYPERLINK l _TOC_250013 策略回顾跟踪4 HYPERLINK l _TOC_250012 策略更新6 HYPERLINK l _TOC_250011 A 股日历效应7 HYPERLINK l _TOC_250010 中期市场择时方法探索9 HYPERLINK l _TOC_250009 盈利视角9 HYPERLINK l _TOC_250008 估值视角10 HYPERLINK l _TOC_250007 其他择时因子13 HYPERLINK l _TOC_250006 风格择时方法：周期

2、框架13 HYPERLINK l _TOC_250005 周期划分方法14 HYPERLINK l _TOC_250004 周期分析结果15 HYPERLINK l _TOC_250003 风格轮动方案18 HYPERLINK l _TOC_250002 风格择时方法：多因素框架21 HYPERLINK l _TOC_250001 方法论介绍21 HYPERLINK l _TOC_250000 风格轮动方案：以大小盘轮动为例215.结论24图表目录图 1. 当前择时模型的指标体系4图 2. 择时模型全样本表现统计（2006.1-2019.4）6图 3. 择时模型样本外表现统计（2017.6-2

3、019.4）6图 4. 新增指标：民企与地方国企信用利差变化7图 5. 修正前后策略表现对比7图 6. 基于月度+旬度日历效应规则的择时策略8图 7. 中证 500 盈利增速与 EPS 增速比较10图 8. A 股PB 中位数与万得全A 指数走势对比11图 9. A 股PB 离散度与万得全A 指数走势对比11图 10. 股权风险溢价与A 股指数走势12图 11. 基于估值中位数指标的市场择时策略12图 12. 多周期择时模型叠加下择时策略表现13图 13. 常见 Smart Beta 产品指数表现14图 14. 常见大类行业指数14图 15. 市场周期框架下的风格轮动19图 16. 市场周期视

4、角下的风格轮动策略（相对收益）19图 17. 市场周期视角下的风格轮动策略（绝对收益）20图 18. 大小盘风格轮动22图 19. 大小盘风格轮动策略表现23图 20. 大小盘风格轮动策略动态仓位情况24表 1. 择时策略逐年收益比较（2006.1-2019.4）5表 2. A 股日历效应显著性统计（2005.1-2019.4）8表 3. A 股企业盈利预测9表 4. 中证 500 指数逐年收益拆分10表 5. 不同经济增长周期下风格指数表现15表 6. 不同通胀周期下风格指数表现16表 7. 不同货币周期下风格指数表现16表 8. 不同信用周期下风格指数表现17表 9. 不同市场周期下风格指

5、数表现17表 10. 不同估值状态下风格指数表现18表 11. 市场周期视角下的风格轮动策略表现统计20表 12. 市场周期视角下的风格轮动策略（绝对收益）21表 13. 单指标择时模型回测表现22表 14. 大小盘轮动策略表现统计23A 股市场的波动性远高于成熟市场，同时市场投资者中又以偏短期的绝对收益考核导向为主，导致A 股市场投资者对于择时策略的需求十分旺盛。自 2016 年以来，我们陆续发布了四篇市场择时研究报告，从不同的思路框架出发来设计适用于 A 股市场的择时策略，尤其是 2017 年年中发布的面向战术配置的量化择时方法一文，在近两年的样本外跟踪中表现优异，受到了大量机构投资者的持

6、续关注。撰写本文的目标，一方面希望对当前择时策略进行跟踪回顾，并介绍我们最新对模型进行的修改，同时为满足不同客户的需求，我们扩展了不同周期下的择时模型以提供给不同资金规模换手约束的机构投资者使用，另外在市场择时基础上讨论了风格择时的思路方法，并进行了实证检验。灵活择时策略回顾与更新策略回顾跟踪在面向战术配置的量化择时方法一文中，我们详细阐述了当前择时策略的逻辑和方法，在此我们仅做简要回顾。在择时策略的设计当中，我们强调偏短期的择时中更关注趋势逻辑1，这其中既包括基本面趋势也包含市场面趋势，其核心理论基础来自于行为金融学，即投资者对基本面/市场面短期的反映不足，因此实践择时策略可以带来Alpha

7、 收益。当前择时策略从企业盈利、流动性和风险偏好三个维度寻找领先市场的量化指标， 总结了三大类共九个指标，并通过合成打分的形式来形成市场择时的多空信号。具体来说，企业盈利层面关注的领先指标包括综合合成的 PMI 指标、新增信贷的变化，流动性层面则同时关注货币市场利率和PPI/CPI 剪刀差的变化，风险偏好层面则会兼顾跨市场信号的传导和A 股情绪指标的跟踪。图 1. 当前择时模型的指标体系资料来源： 1 对择时周期的划分判定没有唯一标准，本文中将操作频率在日度到季度之间均称为短期择时为了平衡策略的稳定性和及时性，模型对择时策略的信号调整频率设定为不定期， 实际操作方式为月度信号叠加日频跟踪不定期

8、调整，即整体仓位信号以模型月度信号为主，但考虑到基本面信息不定期公布以及市场面信息逐日存在波动，因此模型会基于最新信息进行逐日跟踪，设定规则仅当最新日频信号与月度信号存在较大差异时进行仓位结构调整，否则维持月度信号的建议。从策略完成并对外定期发布以来，在一些关键时点择时策略给出了精准的预判。例如在 2018 年 5 月底，择时模型关注到流动性边际转紧叠加市场情绪的转弱，提示六月市场仍需防范风险，接下来一个月市场月度跌幅超过 8%；在 2019 年 1 月中下旬， 择时模型跟踪到盈利预期和流动性的边际宽松，提示未来春节效应有望延续，接下来二月份市场月度涨幅接近 18%。在择时模型提示了机会和风险

9、时，样本外依然延续了高胜率的表现。下图表分别展示了策略全样本区间的表现和真实样本外跟踪的表现，可以看到无论在何种统计区间，择时策略在年化收益、收益风险比和回撤控制上都比市场基准2有显著提升，样本外择时策略的超额收益超过了 18%，反映出在当前散户为主的 A 股市场， 纪律化的量化择时方法在当前依然有广阔应用空间。择时策略比较基准（万得全 A）年份收益率波动率最大回撤收益率波动率最大回撤200684.83%20.95%9.19%93.91%23.68%13.99%2007165.45%30.79%19.20%165.14%35.85%21.05%20087.24%10.20%6.84%-62.1

10、7%47.58%70.59%200991.34%25.77%16.78%103.66%31.12%22.62%2010-0.65%11.44%11.10%-6.85%22.82%25.73%2011-2.92%8.12%8.01%-22.18%18.74%28.81%201210.60%12.28%7.74%4.64%18.22%20.43%20134.92%11.53%8.71%5.44%21.26%16.75%201433.48%12.59%5.01%51.40%18.21%10.60%201588.97%22.78%18.13%37.95%46.56%50.77%20167.04%8.9

11、2%4.76%-12.76%28.47%30.28%20177.88%5.37%2.42%4.87%11.21%9.22%2018-12.79%10.69%15.87%-28.06%21.18%33.17%201932.15%21.29%4.06%35.81%23.39%4.06%表 1. 择时策略逐年收益比较（2006.1-2019.4）资料来源：Wind, 2 当前采用的基准指数为万得全 A（881001.WI）图 2. 择时模型全样本表现统计（2006.1-2019.4）资料来源：Wind, 图 3. 择时模型样本外表现统计（2017.6-2019.4）资料来源：Wind, 策略更新在策

12、略的跟踪使用过程中，不少机构投资者对择时策略提了不少宝贵建议意见，同时也有部分投资者对择时模型的跟踪维护表示关注。当前，我们采用年度评价的形式， 对存量的择时指标进行及时跟踪评估，用以确定是否会对存量指标信号进行剔除修正。在此同时，若发现新的有效信号，能够对当前模型边际上产生正向贡献，则不定期对模型进行调整。当前我们在原三大类九个择时指标体系中新增一项反映流动性状况的指标，具体指标为民企与地方国企信用利差。从指标逻辑来看，民企信用利差的水平同时反映了实体流动性状况和市场投资者对未来企业盈利能力预期的情况，而地方国企由于投资者认为其拥有地方政府的信用背书，因而其信用利差更多仅反映流动性情况，因此

13、两者之差能够较好的反映投资者对企业盈利能力信用状态的预期，更好的反映了实体经济真实风险偏好的情况。图 4. 新增指标：民企与地方国企信用利差变化资料来源：Wind, 因此，更新后模型为三类共十个因子，无论从整体策略表现还是近两年样本外跟踪的策略表现来看，整体策略收益相对原模型有小幅提升，并且优点在于可以进一步降低换手。图 5. 修正前后策略表现对比资料来源：Wind, A 股日历效应除了上述系统化择时模型之外，我们发现 A 股市场也存在显著的日历效应，在当前择时模型中我们并未添加，但依然给投资者作为短期时机选择的参考。从下表的统计结果来看，A 股市场在月度、旬度和星期都存在显著的日历效应现象，

14、其中：月度效应中以六月效应最为显著，平均月度收益率达到-3.4%，与正常月度收益相比差异 T 值达到-2.11；旬度效应中在上旬和下旬都出现了明显的日历效应现象，往往是上旬显著正向超额收益，下旬显著负向超额收益；星期效应中在周一和周四都有显著日历效应现象， 往往周一出现显著正向超额收益，周四呈现显著负向超额收益。我们认为 A 股之所以存在显著日历效应，一方面与市场流动性状况有关，另一方面与市场交易机制投资者行为模式显著关联。从流动性的分布规律来看，往往下旬、季末由于财政缴款、存贷款考核等原因导致市场流动性存在扰动，因此可以看到下旬、六月出现显著季节效应；另外由于 A 股是 T+1 交易机制，投

15、资者倾向于周四卖出以保证资金不会在周末被占用，因而导致出现相应的星期效应。月度效应月份平均收益率差异 T值旬度效应旬度平均收益率差异 T值1-0.13%-0.69上旬0.21%2.9824.66%1.47中旬0.05%-0.2632.17%0.34下旬-0.04%-2.5943.30%0.8552.12%0.316-3.40%-2.1172.52%0.48星期效应星期平均收益率差异 T值8-1.30%-1.17周一0.21%2.3490.94%-0.20周二0.01%-0.83100.41%-0.43周三0.14%1.29111.94%0.23周四-0.13%-3.23123.35%0.84周

16、五0.09%0.46表 2. A 股日历效应显著性统计（2005.1-2019.4）资料来源：Wind, 基于 A 股日历效应的规律，我们可以设计简单的择时策略，策略实施方法是每月下旬以及六月选择空仓，其他时间满仓进行投资，自 2005 年以来，仅依赖月度和旬度的日历效应构建的仓位控制策略，都可以获得显著的绝对和超额收益。图 6. 基于月度+旬度日历效应规则的择时策略资料来源：Wind, 中期市场择时方法探索同步预测类型回归 BetaT 值R2常数项0.570.5865.47%工业增加值3.125.28PPI1.363.26领先预测类型回归 BetaT 值R2常数项0.630.4837.26%

17、A 股0.711.91M1 增速2.573.51表 3. A 股企业盈利预测在前文的策略介绍中，我们强调追踪基本面和市场面的短期趋势，利用市场阶段性的反应不足来获取超额收益，但这种模式的潜在约束是换手相对较高尤其对交易灵活性效率方面要求较高。对于大型机构投资者而言，采用该模式存在一定困难。因此，我们也尝试探索中期市场择时的方法框架，更强调从中期的盈利和估值角度进行预判。盈利视角从预测盈利到预测市场的涨跌，实际上存在两个相对独立传导过程，即如何寻找企业盈利增速的同步或领先预测变量，以及企业盈利能力的变化是如何传导到市场的涨跌的？因此，我们将分开进行分析预测。首先，模型需要关注企业盈利增速的同步或

18、者领先预测变量，下表展示了我们对 A 股盈利增速进行同步预测和领先一期预测的建模情况。从分析结果来看，市场实际盈利增速的即时预测（Nowcasting）具有较高的可信度，而领先一期的预测（Forecasting） 也具有一定的参考价值。注：同步即为使用本季度数据对本季度企业盈利进行预测（经济数据的发布略早于企业盈利数据的发布），领先预测为使用本季度数据对下季度数据进行预测。资料来源：Wind, 其次，我们再来观察企业盈利的变动对指数涨跌的传导。从逻辑上来说，指数的涨跌可以拆分为指数 EPS 的变动和估值的变化，而 EPS 的变化则与盈利增速同步，只是如果受到股权稀释效应的影响则会在幅度上存在一

19、定差异。下表展示了我们对沪深 300 指数逐年业绩拆分的结果，可以看到多数年份指数的 PE 波动要大于EPS 的波动，导致单年份来看指数的收益跟PE 波动相关性会更强而跟盈利波动的联动性较弱。这也给基于盈利视角的指数预测提出了较高的困难，一方面企业盈利的即时预测可靠性较强但领先预测只有一定的参考性，另一方面盈利的波动小于PE 的波动，导致最终的传导性较弱。总而言之，企业盈利的增长是长期股市收益来源的保障，但多数情形下盈利的波动幅度较小，而 A 股市场的波动很高，导致基于盈利的预判来成功择时困难重重，当前我们会强调对盈利预测的跟踪，但多数情形下难以基于盈利的预判来发出市场的择时信号。图 7. 中

20、证 500 盈利增速与 EPS 增速比较资料来源：Wind, 年份指数收益股息率可比 EPS 增速PE 变化2010/12/3110.51%0.55%38.75%-20.79%2011/12/31-33.49%0.64%-2.40%-32.29%2012/12/311.18%1.08%-24.27%32.19%2013/12/3118.06%1.29%13.02%3.14%2014/12/3140.45%1.14%2.01%36.14%2015/12/3143.85%0.85%-8.94%56.64%2016/12/31-17.17%0.57%30.23%-36.76%2017/12/310.

21、61%0.84%33.77%-25.41%表 4. 中证 500 指数逐年收益拆分资料来源：Wind, 估值视角考虑到 A 股具有明显的估值波动性，而估值指标存在显著的均值回复特点，因此我们可以借助不同的估值衡量指标来设计逆向投资策略。本文提出三种有效观察市场估值变化的指标：第一，全市场估值中位数（典型如每期计算截面个股 PB 的中位数）；第二，全市场估值离散度（典型如每期计算截面个股 PB 的标准差）；第三，市场股权风险溢价（盈利分红稳定型可成熟定价公司的股权风险溢价）。可以看到估值指标跟市场走势间存在明显且稳定的同步或者反向关系：一方面，估值中位数和估值离散度都跟市场走势呈现明显的正相关，

22、在市场情绪悲观时即使针对绩优的成长股可能市场都不予估值，导致估值明显压缩，此时中位数和离散度都会很小， 反之牛市后期则会给过多股票过高估值，导致估值整体扩张，导致指标处于极高水平； 另一方面，从戈登模型出发，股票的预期收益来自于其当前盈利能力和未来的盈利增速， 对于多数公司而言，当前盈利能力的跟踪较为容易而未来盈利增速的判断（尤其长期增速的判断）是一件很难的事情，这导致部分公司的估值在很大区间波动都是合理的，因此为了合理计算股权风险溢价，我们优先选择盈利分红稳定型公司，形成股票集合再计算该板块的盈利能力相对长期国债收益的高低，此时股权风险溢价指标的预测力更强。图 8. A 股 PB 中位数与万

23、得全 A 指数走势对比资料来源：Wind, 图 9. A 股 PB 离散度与万得全 A 指数走势对比资料来源：Wind, 图 10. 股权风险溢价与 A 股指数走势资料来源：Wind, 结合上图可以看到估值指标具有良好的均值回复特性，以PB 中位数为例，可以看到其波动区间在 2-5 之内，因此我们可以设计相应的择时策略方案：当估值指标高于历史 80%分位点或前期触及到并未回落至 60%分位点时，则建议低配权益；当估值指标低于历史 20%分位点或前期触及并未回归 40%分位点时，则建议超配权益；其他情形下则建议标配。下图展示了基于估值中位数的指数择时回测结果，可以看到 2000 年以来策略的年化

24、收益达到 12.94%，收益波动比达到 0.88，最大回撤为 37.56%，与同期一直持有指数基准比较，年化收益仅 6.99%，收益波动比 0.26，最大回撤达到了 70.59%。同样的，基于其他估值指标也可以得到类似的回测结论。图 11. 基于估值中位数指标的市场择时策略资料来源：Wind, 我们认为，A 股市场机构投资者中多数以短期绝对收益导向为考核，而个人投资者中追涨杀跌特性更为明显，这也是 A 股波动明显高于成熟市场的一大原因，而这种对于短期业绩的过度追寻也给逆向投资者带来了极大的投资机会，这也是为什么简单基于估值方法的逆向投资长期来看也可以获得较高收益。进一步的，我们希望了解不同市场

25、周期的择时模型叠加是否能够进一步提高择时模型的择时能力。 从回测结果来看，单纯从收益角度出发，多周期择时模型的叠加并不能显著增加择时模型的收益。如下图所示，我们将前文中的短期择时+中期择时模型进行叠加，构造的策略收益及收益风险比在两者之间。换句话说，Alpha 和资金规模（投资灵活性）上存在矛盾，资金规模越大择时成本越高相应换手约束高只能进行低频率的交易择时 alpha 相对较低，资金规模越小择时成本越低相应换手约束低则可选择更高频率的交易。因此，我们建议投资者可以基于自身投资规模的情况来选择相匹配适应的择时策略。图 12. 多周期择时模型叠加下择时策略表现资料来源：Wind, 其他择时因子除

26、了盈利和估值两维度外，许多择时研究报告中也提到了大量的情绪面、资金面指标，我们也对系列指标进行实证回测，其中情绪面指标包括换手率、非流动性指数、封闭式基金折溢价率、小单资金流等四个指标，资金面指标包括股东回购占比、内部人增减持占比和市场增发占比等三个指标。从结果来看，上述指标的择时能力都相对有限， 本文中不再列出详细数据结果，感兴趣的客户可以直接联系我们索取。风格择时方法：周期框架对于绝对收益投资者，市场仓位的择时是第一位，而对于相对收益投资者，市场风格的择时判断更为重要。不过市场对于风格的划分与定义存在较大的差异，这也跟投资者的投资习惯有关。对于量化投资者而言，往往会更强调因子视角来构建风格

27、指数，对应的是市场上的Smart Beta 产品，常见因子视角的风格指数包括小盘、大盘、价值、红利、低波动；对于主观投资者而言，往往会更强调从大类行业板块进行划分，常见行业视角的风格指数包括金融（银行/非银）、周期、消费、成长、稳定。我们认为并不存在唯一最优的风格划分方法，并且从市场指数产品来看也是行业板块指数产品和 Smart Beta 产品共存，因此在下文中我们会同时进行归因探索，并不会做过多区分。针对风格的择时方法其实多种多样，一种典型的分析思路可以自上而下在周期框架下进行轮动分析，不同的风格在不同的经济阶段或市场阶段表现可能存在明显差异，因此只要能够对经济或市场状态有预判，则可以得到相

28、应的风格推荐。图 13. 常见 Smart Beta 产品指数表现资料来源：Wind, 图 14. 常见大类行业指数资料来源：Wind, 周期划分方法周期框架下进行风格轮动方案是否能成功，取决于两方面因素：一方面是否能够找到有效的周期划分方式，能够最大程度的对风格进行划分（即不同周期状态下风格指数表现差异最大化），另一方面则是是否能够对周期状态进行提前预判，本节中将先重点分析不同周期划分下的风格指数表现。结合已有研究，我们观察到常见的周期划分至少包括以下三种：增长通胀周期：典型美林时钟的划分方式，增长维度的常见观察指标是实际 GDP 或工业增加值，通胀维度的常见观察指标是CPI 和PPI，我们

29、使用季度经济数据的变化来划分出不同经济状态下风格指数的表现；货币信用周期：考虑到国内流动性的传导机制并不完善，因此货币市场流动性与实体流动性可能会存在明显差异，经验上货币市场流动性对估值的影响更大，实体流动性则会对企业盈利产生更直接的影响，类似的我们使用不同利率、信用划分方法观察不同流动性状态下风格指数的表现；市场估值周期：经济状态的变化更多是基于盈利的途径对风格表现产生影响，但基于前文的分析我们发现 A 股中短期波动更多受到估值的影响，因此我们更关注在不同的市场涨跌和估值状态下风格指数的表现。具体的分析流程如下，首先基于关注指标的数据变化划分出高、中、低区间，其次计算不同状态区间下风格指数相

30、对市场基准（中证全指）的超额收益（季度/月度），最后统计不同状态下的收益差异显著性。周期分析结果下图表中展示了在不同增长、通胀观察周期下，各类风格指数超额收益的统计表现情况：可以看到成长风格具有一定的逆增长周期特性，低波动风格则在顺增长周期下仍有不错表现；大盘/红利/银行在 CPI 正增长时存在超额收益，消费/成长则在 CPI 走弱时存在超额收益，另外消费股与PPI 走势正相关。实际 GDP均值T 统计值工业增加值均值T 统计值类型下跌震荡上涨类型下跌震荡上涨小盘2.27%1.15%-0.04%-0.95小盘2.07%-2.40%3.27%0.47大盘-0.95%-1.30%1.55%1.28

31、大盘-0.80%2.41%-1.25%-0.25价值0.23%-1.14%2.39%1.23价值-1.01%2.84%0.88%1.22红利-0.49%-0.31%1.77%1.22红利-0.95%3.82%-1.15%-0.12低波0.71%-0.25%2.20%0.98低波-0.42%2.04%1.89%1.64银行0.52%-1.40%2.82%0.52银行1.50%2.41%-0.36%-0.37非银1.35%-1.70%6.37%0.80非银0.23%6.94%1.77%0.30周期0.19%0.37%-0.40%-0.38周期-0.34%0.07%0.13%0.32消费0.89%2

32、.32%0.39%-0.27消费1.40%-0.25%1.78%0.21成长1.74%3.08%-1.94%-1.74成长2.38%-1.66%0.34%-0.82稳定-0.50%-2.20%-0.87%-0.15稳定-0.98%0.04%-2.16%-0.49表 5. 不同经济增长周期下风格指数表现资料来源：Wind, CPI 周期均值T 统计值PPI 周期均值T 统计值类型下跌震荡上涨类型下跌震荡上涨小盘0.91%-0.21%0.08%-1.36小盘-0.02%0.08%0.86%1.46大盘-0.69%0.67%0.28%2.02大盘0.53%-0.33%-0.10%-1.17价值-0.

33、33%1.03%0.30%1.29价值0.77%-0.16%0.16%-1.11红利-0.40%0.60%0.53%1.93红利0.72%-0.41%0.33%-0.68低波0.17%0.76%0.17%0.00低波0.50%0.03%0.44%-0.12银行-1.18%0.92%1.31%2.02银行0.80%0.00%0.14%-0.52非银-0.73%2.38%1.46%1.52非银2.09%0.84%-0.21%-1.49周期-0.16%0.27%-0.23%-0.19周期-0.49%0.22%0.02%1.33消费1.00%0.05%-0.02%-1.96消费-0.14%0.09%1

34、.16%2.12成长1.10%-0.61%-0.12%-1.76成长-0.12%0.14%0.57%0.98稳定-0.22%0.62%-1.17%-1.60稳定0.10%-0.78%-0.43%-0.79表 6. 不同通胀周期下风格指数表现资料来源：Wind, 其次，我们分析了不同利率、信用周期下风格指数的表现情况：价值、低波、稳定风格在 M1 同比负增长时有较为明显的超额收益，逻辑在于 M1 同比负增长意味着企业盈利增速的下滑，此时低 Beta 品种可以获得相对收益；大盘、红利、非银等风格在宽信用周期表现更好，体现顺信用周期特性，消费、成长、稳定则在紧信用周期下表现更强势，体现逆信用周期特性

35、。货币周期均值T 统计值M1增速均值T 统计值类型下跌震荡上涨类型下跌震荡上涨小盘2.66%0.52%-0.11%-1.23小盘0.48%-0.03%0.45%-0.05大盘-0.41%0.93%-0.30%0.05大盘-0.01%0.44%-0.33%-0.61价值1.88%0.66%-0.11%-0.90价值0.39%0.97%-0.54%-1.78红利-1.13%1.83%0.96%1.00红利0.06%0.79%-0.19%-0.45低波1.88%0.97%0.39%-0.79低波0.45%0.95%-0.40%-1.86银行2.58%2.24%-2.04%-1.09银行0.01%1.

36、17%-0.21%-0.17非银3.03%4.17%2.04%-0.16非银-0.04%1.57%1.17%0.87周期-0.89%-1.01%1.58%1.42周期0.02%-0.63%0.35%0.83消费0.31%1.94%0.76%0.22消费0.46%0.32%0.34%-0.21成长1.36%-1.29%1.30%-0.02成长0.28%-0.57%0.84%0.73稳定1.74%-3.14%-1.97%-1.47稳定0.21%0.45%-1.72%-2.88表 7. 不同货币周期下风格指数表现资料来源：Wind, 信贷周期均值T 统计值信用利差均值T 统计值类型下跌震荡上涨类型下

37、跌震荡上涨小盘2.17%1.42%-0.63%-1.38小盘0.21%-0.09%0.15%-0.12大盘-2.12%1.15%1.26%2.02大盘-0.07%0.53%-0.06%0.03价值-1.01%2.05%1.32%1.51价值0.29%0.50%0.13%-0.22红利-1.02%0.89%1.94%1.71红利-0.14%0.68%0.63%1.10低波0.24%2.88%0.08%-0.13低波0.32%0.38%0.10%-0.43银行-1.69%0.15%4.31%1.49银行0.23%0.57%0.32%0.07非银-3.52%9.34%3.48%1.80非银-0.10

38、%2.12%-0.53%-0.36周期1.02%-1.38%0.04%-0.66周期-0.13%-0.49%0.42%1.25消费2.26%1.71%-0.87%-1.72消费0.56%0.00%0.83%0.41成长3.03%-0.19%-1.61%-1.88成长0.67%0.33%0.36%-0.35稳定-0.48%1.98%-5.13%-2.50稳定0.73%-0.13%-0.50%-1.59表 8. 不同信用周期下风格指数表现资料来源：Wind, 最后，我们观察不同市场周期下风格指数的表现：一方面，可以看到市场涨跌对风格因子表现的影响最为显著，其中小盘、非银、周期、成长体现出顺市场周期

39、特性，大盘、价值、红利、低波、银行、消费、稳定则体现出逆市场周期特性；另一方面，估值状态也对风格指数表现产生影响，其中小盘、周期、消费板块在高估值状态下体现出更强超额收益，大盘、银行、非银则在低估值状态下表现更好。市场周期均值中位数T 统计值类型下跌震荡上涨下跌震荡上涨小盘-0.45%0.39%0.97%-0.64%0.41%1.42%2.19大盘0.81%0.08%-0.79%0.81%-0.04%-1.07%-2.75价值1.11%0.03%-0.36%0.70%-0.16%-0.17%-2.48红利0.72%0.24%-0.33%0.26%-0.16%-0.90%-1.75低波1.57%

40、-0.11%-0.47%1.28%-0.05%-0.77%-4.08银行2.67%0.13%-1.83%2.38%-0.54%-1.96%-3.33非银-0.92%0.64%2.95%-1.35%-0.38%1.44%2.35周期-0.87%-0.06%0.69%-0.79%-0.12%0.65%3.75消费0.88%0.75%-0.51%0.73%0.67%-0.28%-2.37成长-0.73%0.32%0.99%-0.74%-0.23%0.97%2.21稳定1.37%-0.69%-1.78%1.24%-0.88%-2.51%-4.34表 9. 不同市场周期下风格指数表现资料来源：Wind,

41、 估值周期均值中位数T 统计值类型低中高低中高小盘-0.31%0.42%0.81%-0.13%0.72%0.35%1.78大盘0.45%0.17%-0.53%0.37%-0.22%-0.22%-2.01价值0.44%0.37%-0.04%0.43%0.10%0.26%-0.94红利-0.29%0.55%0.35%-0.55%-0.40%0.35%1.17低波0.17%0.55%0.24%0.22%0.16%0.51%0.15银行1.93%-0.10%-0.87%2.13%-0.91%-0.88%-2.15非银2.63%0.85%-0.77%2.37%0.16%-1.16%-2.17周期-0.8

42、5%-0.26%0.87%-1.08%-0.31%0.83%4.76消费-0.31%0.80%0.61%-0.07%0.57%0.51%1.65成长-0.40%0.44%0.55%-0.53%0.40%0.32%1.27稳定-0.42%-0.30%-0.41%-0.50%-0.48%-0.77%0.03表 10. 不同估值状态下风格指数表现资料来源：Wind, 风格轮动方案基于上文的分析可以看到，经济周期、金融周期的变化对部分风格指数的确产生一 定的影响，但是其影响范围和幅度都远小于市场的变化对风格产生的影响，另外一个角 度即经济周期、金融周期可能是经过对市场的涨跌产生影响而间接对风格指数产生

43、影响。因此，我们设计了市场周期框架下的风格轮动方案，策略实施过程如下：首先，基 于择时模型判断未来市场周期的方向，并基于估值水平观察判断当前估值周期所处位置； 其次，结合当前市场周期的观察进行风格配置；最后，针对不同市场周期进行风格推荐， 在低估值上涨阶段超配非银+成长+小盘组合，在高估值上涨阶段超配周期+成长组合（考虑到降低跟踪误差风险，可以增加非银），在高估值下跌环境下超配银行+低波组合， 在低估值下跌环境下超配银行+稳定行业组合，其他情形下则超配金融（银行/非银）+ 消费组合。图 15. 市场周期框架下的风格轮动资料来源：Wind, 根据上述方案，我们设计了相应的风格轮动相对收益策略，下

44、图表即为回测结果， 回测区间为 2011-2019，可以看到即使在未进行任何相对风险的控制前提下，策略在近十年的过程中策略实现了超过 11%的年化超额收益，信息比达到了 1.52，并且每年都实现了正向超额收益。图 16. 市场周期视角下的风格轮动策略（相对收益）资料来源：Wind, 类型年化收益年化波动收益风险比最大回撤绝对收益15.75%22.37%0.7040.92%基准3.83%23.11%0.1748.58%超额收益11.00%7.25%1.5212.23%年份超额收益跟踪误差信息比相对最大回撤201111.22%6.30%1.785.15%20126.74%5.54%1.224.08

45、%20136.26%5.41%1.175.58%20141.54%6.04%0.254.51%201531.94%12.39%2.5812.23%201610.86%7.00%1.553.82%20176.74%6.07%1.113.80%20188.83%6.15%1.442.65%20198.11%8.67%3.833.15%表 11. 市场周期视角下的风格轮动策略表现统计资料来源：Wind, 进一步的，我们可以结合前文中的市场择时策略，叠加风格轮动策略可以构建绝对收益策略，具体实现思路如下：首先由市场择时策略决定仓位，中性仓位为 20%，模型看多时则权益仓位提升到 40%，模型看空时则权

46、益仓位降低到 5%；其次，由风格轮动策略来决定权益资产内部的结构配置。从策略表现来看，年化绝对收益达到 11.87%，收益风险比达到 1.90，最大回撤为7.41%，且策略基本每年实现了正向收益。图 17. 市场周期视角下的风格轮动策略（绝对收益）资料来源：Wind, 类型年化收益年化波动收益波动比最大回撤策略11.87%6.25%1.907.41%年份收益率波动率收益波动比最大回撤20113.34%3.84%0.873.54%20128.39%6.32%1.334.67%2013-0.78%5.38%-0.156.79%201427.73%6.85%4.053.35%201543.98%10.24%4.294.75%20161.04%3.97%0.264.90%20170.66%3.11%0.213.46%20185.42%4.48%1.213.11%201914.34%12.08%4.872.13%表 12. 市场周期视角下的风格轮动策略（绝对收益）资料来源：Wind, 风格择时方法：多因素框架方法论介绍周期视角下的风格轮动比较适合多风格下的配置，其核心特色在于抓住