从市场风格的切换中判断基金的配置时机

1、市场风格的变换，既是机遇也是挑战图1常见风格因子历史变大盘与小盘价值与成长在万千的行业与板块中市的风格切换往发生在不经意间捉摸不定的市场风格在给投资人带来波动与风险的同时，也会创造机。面市场风的不断改，基金经理的应能力对其业绩有着举足轻重的影响，而常的基金评指标中往往并不能对这一点展开评此外，根据以经验来看不同的基金经理有着自己擅长的市场环境与能力圈那么，能否根据市场风格与基金在不同风格市场中的表现，判断出基金配置时机呢？为研究这一内容首先，我们需要划分市场的风格状态。不同于简单的价值与成长、大盘与小盘粗略的划分方式，我们使用Barra的风格因子模型，用精确的数值定表示出市场的风格状态而后，我

2、们选取存续期间较长的基金，并将其收益率序列划分为训练与测试两部分，在训练集中计算不同风格因素对基金未来收益的影响，并在测试集中测试其对未来收益的预测效果，并根据这一预测构建基金择时策略，进而更好的把握基金的配置时机。注：各风格因子均为经过时间序列上的z-score标准化处理基于Barra模型的市场风定量测量数据范围对于市场的风格状态，我们仍旧基于经典的Barra模型进行测量。首先，我们需要用数值量化的表示市场的风格状态。这主要包两大部：第一部分为各风格因子的收益表现，我们利用行业与市值中性化的因子计算出各风格因子的纯因子收益率序列来表示该部分内容。第二部分为市场当前风格因子值相对过去的点位如

3、PE 历史分位数等内容其，Barra模型使用数据范围如下：股票范围：全部A股，共计4965只股票。时间范围2010年1月4日至2022年7月26日，共计052个交易。数据频率日频。风格因子的业中性化表1因子说明不同行业的股票通常有着不同的风格倾向通常，根据单一因子值筛选得到的股票组合可能更偏向于某些行业或者某一市值区间，这样会使得组合在行业或者市值上存在风险暴露，从而增加了因子收益的波动性。而在当前A 股市场上行业和市值是两个最为重要的风险维度，因此我们考虑对风格因子进行行业中性化和市值中性化处理，剥离风格因子中的行业和市值风险，以降低因子的波动性，提升因子风险调整后的表现。其中行业因子我们使

4、用28个申万一级行业，风格因子则如下表所：因子简称因子说明lnmv对数市值因子BP市净率PB指标倒数，即账面市值比因子CFP市现率PCF指标倒数，现金流量因子 ROE净资产收益率因子revenueG营收增长率因子netProfitG净利润同比增速因子gpm毛利率因子Dept资产负债率因子roic资本回报率因子Reverse过去20个交易日股价涨跌幅Volatility过去20个交易日股价波动率Liquidity过去20个交易日日均换手率以标准化之后的风格因子作为因变量，申万一级行业哑变量和标准化之后的流通市值对数作为自变量，进行回。取回归之后的残差作为经过行业和市值中性化处理之后的风格因子值由

5、于规模因不能进行市值中性，故只对申一级行业哑变量进行回。进而，我们可以得到行业与市值中性化后的各个因子。表2中性化处理后，各因子在行业上的暴露均近似为0BPCFPROEgpmroiclnmvrevenueGnetProfitGReverseVolatilityLiquidityDept交通运输休闲服务传媒公用事业农林牧渔化工医药生物商业贸易国防和军工家用电器建筑材料建筑装饰房地产有色金属机械设备汽车电子电气设备纺织服装综合计算机轻工制造通信采掘钢铁银行非银金融食品饮料Barra模型与因子收率1974年，美国学者Barr Rosenberg第一次提出采用多因子风险模型来对投资组合的风险和收益进行

6、分析。多因子模型的基础理论认为：股票的收益是由一些共同的因子来驱动的，不能被这些因子解释的部分被称为股票“特质收益”，而每支股票的特质收益率之间是互不相关的。此后多因子模型被广泛应用于组合构建及业绩归因分析，对基金收益进多因子分，我们可得基金组合的超额收益来源哪风格因。多因子模型可以表示为： = +其为股票收益为股票n对纯因子k的暴露，为纯因子k的收益率，为股票n的残差收益。对于股票组合，我们按照其所持个股的权重，对各因子进行加权，得到股票组合在各因子中的暴露。 = 其中，为组合P中因子k的暴露为个股n中因子k的暴露为个股n在组合p中的权重图2 全体A股风格因子纯因子收益率的表现基于市场风格变

7、动的基金择时模型模型的参数接下来，我们开始构建基金收益的预测模型。首先，我们假定对于某一类的市场风格，在过去类似风格中表现较好的金未来也表现较好。根据这一点我们建立了市场风格偏离度指标，根据线性回归的方式建立预测模型。其中模型的数据范围如下：基金范围：Wind 分类中的所有普通股票型基金与偏股混合型基(考虑了基金的历史分类与基金清算情)，共计2399只基金。如无特别说明，下文中“基金“主动偏股基金”均指这部分基金由于模型的建立需要足够长的历史区间，我们主要针对上述基金中存续时间较长、具有日频收益序列的基金。时间范围：2010年1月4日至2022年7月26日，共计052个交易。数据频率：日频。模

8、型的自变：上文提到，我们用两部分内反映市场的风格状态。第一部分为市场风偏离或市场风绝对偏离。其中市场风格偏离度包括短期风格因子收益相对长期收益中枢的偏离，其数值表示偏离程度大小，正负则表示偏离方向。而市场风绝对偏离度指标为市场风格偏离度指标的绝对值，仅表示短期相对长期收的偏离程度。我们基于风格因子的纯因子收益率用类似移动均线理的方式，使用风格因子的短期收益减长期收益中，并将其作该风格因子市场风格偏离度。具体而言：风格因子i的短期收=过去n期风格因子i的纯因子收益。 风格因子i长期收中=过去m期风格因子i的短期收益均值。风格因子i的偏离=风格因子i的短期收-风格因子i长期收益中枢。风格因子i的绝

9、对偏离=|风格因子i的短期收-风格因子i长期收益中枢|。其中n相对较小m相对较大。第二部分为风格因子的历史分位数，我们使标准化时间序列排序的方式计 算市场风格的历史分位数将各个时间截面上全体A股的原始风格因子值进 行去极值处理后，取全体股票因子值的平均值作为每一期的市场风格因子 值。再对过去m期市场风格因子进行Z-scoe处理，即可得到市场各时点，各风格因的标准化时间序列排。模型的因变：由于基金的交易率通常随持有期而变动，而 1 个月的持有期是最常见基金交易费率变动档。故我们使用未来25 个交易日的总收益率作为因变。即当前时点可获当日的基金收盘(净)，则按次日收盘价买入，并持有 25个交易后的

10、总收益。训练集与测试集的划：线性回归的模型在回归的区间中往往有着非常亮眼的表现，但在该区间之外则表现平平。这是过拟合导致的结果。为应对这一问题，对数据划分训练集与测试集是最常见的处理方式之一。我采取不同的训练集与测试集的划分方式进模型的测算。选取数据范围内，日频收益序列数量大于1000的基金,共计81只，按比例划分训练集与测试集。将基金的前70的数据作为训练，后 30的数据作为测试。需要注意的是由于数据为日频数据训练集最后26 条数据的因变量，即基金未来收益率序包含了测试时间区间内的未来数，故实际的训练集我剔除了最后 30 条数，后面的训练集与测试集的划分中我们也剔除训练集最后30条数，之将不

11、再赘。选取数据范围内，日频收益序列数量大于某一固定的基金，将该基金的达到这一固定值之前的数据作为训练，之后的所数据作为测试。模型的评价指标：由于模型在训练集中的表现往往非常亮眼，我们使用测试集检模型对未来收益预测效。择时策略中最为重要的是找到与未来收益相关性较高的序列。如果预测值与未来收益有较的相关，则可认为模的预测效果较，进可以进行下一步的基金择时策略构建。使用市场风偏离度构建预果较差由于基金经理擅长的投资风格不，市场风格的切换有可能对基金的收益产生预测效。倘若在以往的某个市场环境中，基金的未来表现较好那么当类似的市场环境重新出现时，基金能否复制之前的辉煌呢？为测试这一点，我们建立了市风格的

12、偏离度指来衡量市场的风格状，并计算该指标对基金收益的预测效果。除风格因子收益率外，风格因子本身也是市场风格的重要指标。如常用的PE、 PB 历史分位数等，往往反映了市场整体的盈利与估值情况。我们使用标准化时间序 列排序的方式计算市场风格的历史分位数将各个时间截面全体A股原风格因 子进去极值处理后取全体股票因子值平均，作为每一期市风格因子值。再对过去m期进行Z-scoe处，即得到市场各时点，各风格因的标准化时间序 列排。下图展示了部分因子净序列与模型中自变量序列。图3 lnmv因子收益风偏离度图4 ROE因子收益风格偏离度图5 医药生物行因子收益与风偏离度图6 食品饮料行业因收益与风偏离度图7

13、ROE标准化时间序列排序图8 lnmv标准化时间序列排序对于时间序列的预测，最重要的是找到一个与未来收益相关性较高指序列。我们在通过划分了训练集与测试集后，以测试集中预测值与实际值的相关性作为模型的评价指标。然而，使用风格偏离度模型的预测效果并不理想。我选取数据范围内，日频 收益序列数量大于1000基金共计811。将基金前70的数据作为训练集，后 30的数据作为测试，测试不同参数下模型的预测效果测试结果发现，多数情况，811 只基金的预收益与实际收益的平均相关系均小于 0.1。同时多数情况 下相关系数甚至为。负的相关系数表明模型在训练集和测试集的表现结果大相径，所以无论相关系数绝对值多高，负的

14、相关系数都模型在测试集失效的表。该模型 的预测效果并不理想。表3风格偏移模型参数对预测效果的影响1020306090120600.000-0.083-0.1160.0680.007-0.046120-0.029-0.087-0.1130.009-0.041-0.104240-0.014-0.087-0.1380.021-0.093-0.1783600.037-0.021-0.0750.033-0.107-0.2164800.036-0.016-0.0600.053-0.091-0.203使用市场风绝对偏构建型预测果较强市场风格的变动方向是难以预测的，仅凭过去的风格偏离信息可能对基金经理形成误。

15、基金经理的能力在于正确应对发生的市场的风格改变而不仅仅预测风格变动的方。故而过去信息中重要的并非变动方向，而是变动程度为验证基金经理应对风格切换的能力是否具有延续性，我们进行了下面的研。我们使用风绝对偏离指标替换掉风格偏离度指标，并使分位数指标保持不变，构建模型的自变量。其中部分自变量示例如下。图9 lnmv因子收益风绝对偏离度图10ROE因子收益风绝对偏离度图11 医药生物行因子收益与风绝对偏离度图12 食品饮料行收益与风绝对偏离度我仍旧选取数据范围内，日频收益序列数量大于1000的基金,共计81只，将基金的前70的数据作为训练集，后30的数据作为测试集。可以看，当n处于80,100m处于2

16、40,360时，81只基金的预收益与实际收益的平均相关系均大于0.1，所以我们有理由认，该模具有一定的预测效。表4风格绝对偏离模中参数对预测效果的影响10203060708090100120600.0050.0940.1450.1060.1600.0220.0840.1000.076120-0.1060.0040.031-0.0200.005-0.1470.023-0.002-0.083240-0.0860.0040.000-0.0030.0720.1180.2310.143-0.005360-0.0480.0300.0000.0640.1560.1590.2420.126-0.097480-

17、0.0240.0800.0440.0330.1180.0670.1820.156-0.134表5回归系数分布对于回归的结果，当回归系数为负时，说基金经理不擅应对该风格的快速变。当系数为正时，则说明该基金在该风格的快速变更容易把握机会。根据回归系数的分布我们可以看出，多数回归系数分布范围较大各个基金擅长的市场风格各不相同。分位数102030405060708090常数项-0.095-0.073-0.0400.0290.0550.0670.0770.0870.098市场-0.089-0.053-0.034-0.018-0.0020.0140.0390.0620.096交通运输-0.329-0.07

18、60.1160.2370.3190.3930.4820.5960.742休闲服务-0.197-0.134-0.085-0.046-0.0030.0550.1150.1710.244传媒-0.245-0.195-0.151-0.113-0.0770.0330.0230.1090.225公用事业-1.592-1.436-1.305-1.194-1.1150.984-0.821-0.632-0.382农林牧渔-0.306-0.243-0.180-0.128-0.0760.0220.0210.0720.152化工-1.127-0.956-0.838-0.728-0.6220.524-0.406-0.1

19、520.276医药生物-0.0210.0510.1280.1860.2310.2730.3200.3880.469商业贸易-0.448-0.316-0.228-0.165-0.0850.0020.1680.5460.760国防和军工-0.221-0.178-0.149-0.121-0.0810.0380.0410.1630.268家用电器-0.125-0.0410.0140.0490.0980.1410.1960.2700.402建筑材料-0.167-0.103-0.068-0.0310.0010.0570.1390.2910.447建筑装饰0.0970.2650.4050.6700.8200

20、.9691.0801.2351.408房地产-0.530-0.433-0.384-0.342-0.3050.278-0.247-0.206-0.136有色金属-0.204-0.124-0.0440.0360.0820.1170.1470.1760.218机械设备-0.541-0.430-0.341-0.248-0.1020.2220.4300.6640.902汽车-0.278-0.0590.0740.1800.2620.3140.3830.4700.588电子-0.773-0.649-0.564-0.502-0.4260.289-0.0970.0450.141电气设备0.0870.2340.3

21、600.4860.5620.6180.6770.7460.830纺织服装-0.848-0.700-0.599-0.526-0.4660.417-0.347-0.266-0.075综合0.3740.4930.5790.6320.6940.7510.8150.8961.036计算机-0.0970.0150.1210.2280.3580.4790.5500.6120.690轻工制造-0.302-0.151-0.0650.0140.0720.1420.2000.2790.394通信-0.263-0.207-0.161-0.115-0.0650.0010.0570.1260.187采掘-0.326-0.

22、278-0.232-0.191-0.1440.092-0.0410.0180.076钢铁-0.337-0.272-0.224-0.189-0.1490.101-0.0280.0420.114银行-0.093-0.047-0.0190.0040.0210.0380.0560.0850.132非银金融-0.130-0.093-0.063-0.042-0.0200.0130.0510.0990.201食品饮料-0.219-0.138-0.077-0.0320.0050.0390.0740.1030.143BP收益-1.247-0.950-0.759-0.596-0.4710.302-0.1010.1

23、680.563CFP-1.765-1.058-0.5100.0500.6281.1441.5331.9632.449ROE-1.721-1.521-1.365-1.224-1.0110.5730.2470.7181.274gpm-2.160-1.772-1.480-1.247-0.9980.709-0.4110.0060.770roic-0.1130.0970.2840.4230.6110.8161.1091.4101.897lnmv-1.393-1.079-0.905-0.694-0.5830.475-0.364-0.259-0.102revenueG-1.629-1.229-0.893-0

24、.573-0.2720.1320.5651.1211.789netProfitG-3.364-2.227-1.409-0.905-0.5120.1410.2070.6601.269Reverse0.2890.4420.5370.6140.6880.7520.8210.9541.145Volatility-0.751-0.610-0.521-0.471-0.4190.354-0.263-0.1190.098Liquidity-0.376-0.191-0.0450.0660.1580.2600.3800.5330.775Dept-2.000-1.562-1.356-1.179-0.9950.805

25、-0.605-0.2950.234BP分位-0.006-0.004-0.003-0.0010.0000.0020.0050.0080.012CFP分位-0.004-0.003-0.0010.0000.0010.0020.0030.0040.005ROE分位-0.006-0.004-0.002-0.0010.0000.0010.0020.0030.006gpm分位-0.007-0.006-0.006-0.005-0.0050.0030.0000.0010.002roic分位-0.005-0.003-0.002-0.0010.0000.0010.0030.0040.007lnmv分位-0.011-

26、0.009-0.006-0.004-0.0020.0010.0000.0010.003revenueG分位0.0010.0030.0050.0060.0070.0070.0080.0080.009netProfitG分位-0.003-0.0010.0000.0010.0020.0030.0040.0040.005Reverse分位-0.027-0.023-0.020-0.018-0.0170.016-0.014-0.013-0.011Volatility分位-0.027-0.022-0.018-0.014-0.0080.004-0.0020.0000.002Liquidity分位-0.007-

27、0.003-0.0020.0000.0010.0030.0050.0080.012Dept分位-0.003-0.002-0.002-0.001-0.0010.0010.0000.0010.002为了减少偶然因素对模型的影，给定n90，240 的情况，我们改变训练 集与测试集的划分方。下表为训练集占比不同情况下，测试集预测序列和实际值相 关性均值其中策略胜率表示在预测收益大于0 的情况，买入并持有25 个交易日，收益大于0 的概率。随机买入胜率表示在预测区间内随机买入并持有25 个交易日，收益大于0的概率。表6不同训练集比例下的模型效果训练集占比5060708090平均相关系数0.1370.17

28、8.2310.3140.393策略平均胜率63.662.75.863.959.9随机买入平均胜率59.358.28.453.244.7胜率提升4.34.57.410.715.2可以看，训练集与测试集的划分方式不影响模型的基本结。同时随着训练集占比的增，预测的准确性也随之上。然实际上，筛选数据个数大于1000 的基金也使用了少许的未信息。即在某个基金过去的某个时点上，我们不一定知道未来该基金收益率数据个数是否会超过 1000，也无法判断该时点到底应该属于训练集还是测试。所以我们使用了另外一种数据划分方，即基金过去收益率序列达到某一固定长度后，将该长度内的数据都划分为训练，之后区间的数据作为测试。

29、当然，我们训练集数据仍旧去掉了最后 30条数。表7不同训练长度下的模型效果训练集长度10001250150017502000平均相关系数0.0990.2490.2430.1930.203策略平均胜率62.064.664.566.3067.3随机买入平均胜率58.056.956.059.8061.0胜率提升4.07.78.56.56.3基金个数811674620525446最终，无论训练集与测试集的划分方式为何，只要训练集长度足够，模型均能取得一定的预测效果。下面我们根据模型的预测值构建基金择时策略。市场风偏离度模型构建基金择时策略预测收益与际收益明显的性关系为获得较长的测试集区间，我们采取训练

30、集长度为1250 个收益率序列的训练集划分方式，并取n90，240。可以看出，不同预测值对应的未来平均收益有着明显的线性关系。图13 预测值未收益有着明显的线性关系单基金择略的构建接下来我们根据预测的收益率构建择时策。我们以100仓位的基金收益为基准，根据策略信号提高或降低仓位水平。具体来说我们将预测值大于0作为基金做多信号，小于 0作为做空信，按次日收盘价交并持有 25 个交易。由于预测收益率数据为日频，故策略可以有25 个不同的起。为了消除策略起点不同对收益的影响，我们将资金等分为25 份，并从5 个不同起点开始执。即某一时刻的仓位水（过去25 期预测收益大于0的次-过去25 期预测收益小

31、于0的次数/25。此时策略的仓位处于-100,100之间。由于基金只能做多，我们以 100持仓的基金为基准，将策略的仓位平移0,200之间。经这样的处理，可确卖出时基金的持有时长超过一个月接下来我考验策略是否能够提升基金的收益，降低基金的波动与回撤。表8测试集基金平均表现对于交易费用，我们按照基金卖出时收取中予以扣除。0.6的交易费用统一计算，并在策略指标平均数中位数平均仓位.%.%策平均年化收益.%.%基平均年化收益.%.%策平均夏普比率.8.6基平均夏普比率.5.9策平均最大回撤.%.%基平均最大回撤.%.%策略平年换手率.%.%策平均区间长度测试集相关系数.%.%策略平胜率.%.%基金随

32、机买入胜率.%57.1为了展示不同相关性基金的择时效果我们根据测试相关性排名，能够计算相关系数的665只基金中选取第1、101、201、31、401501、61、665只基，并按相关性从高到低的顺展其择时策略表。图14 银华沪港深增长A(001703.OF)基金择时表现 图15 泰达宏利转型机遇A(000828.OF)基金择时表现图16 易方达中小(110011.OF)基金择时表现图17 国泰中小盘成(160211.OF)基金择时表现图18 农银汇理策略价(660004.OF)基金择时表现图19 新华优选成(519089.OF)基金择时表现图20 银河主题策(519679.OF)基金择时表现图

33、21 华夏行业景(003567.OF)基金择时表现表9部分基金择时效(从左向右相关性递) 001703.OF000828.OF110011!1.OF160211.OF660004.OF519089.OF519679.OF003567.OF平均仓位1481331169610095145135策略年化收益181104321252029148基金年化收益-16512710181819123策略夏普比率0.531.911.510.761.070.780.714.27基金夏普比率-0.591.271.220.400.890.800.675.22策略最大回撤2058325432465611基金最大回撤22

34、4829532938446年换手率175382351449453405341232策略区间长度1146181239144814481448112156测试集相关系数7642302420159-83测试集月度胜率58766960696154100可以看出，相关性较高样本基金收益、夏普比率均大幅上升。即使是相关性较低的后三只基金收益亦表现不差。经统计，在符合条件的674 只基金中，采取策略后年化收益提高的有604 只， 占比89.6；夏普比提高的有563 只，占比835。同时最大回撤减小的有347 只，占比51.5。可以认为该模型对绝大部分存续时间足够长的基金均有效。表10部分基金回归系(从左向右

35、相关性递)001703.OF000828.OF110011!1.OF160211.OF660004.OF519089.OF519679.OF003567.OF常数项-0.0150.0620.1150.1470.1490.1150.191-0.084市场0.1220.016-0.014-0.0360.001-0.014-0.0810.001交通运输0.4050.8070.5370.1420.017-0.3530.166-0.562休闲服务-0.0220.011-0.133-0.483-0.468-0.290-0.112-0.086传媒-0.1220.064-0.158-0.148-0.274-0

36、.1750.032-0.163公用事业-0.391-1.667-0.814-1.468-1.414-1.660-1.598-0.201农林牧渔0.004-0.091-0.099-0.0990.2190.114-0.0950.110化工-0.247-1.673-0.458-0.498-0.489-0.030-0.370-0.547医药生物0.1110.4980.0900.3470.1330.2501.197-0.060商业贸易0.6290.405-0.225-0.812-0.488-0.841-0.9360.428国防和军工0.1260.021-0.227-0.334-0.415-0.341-0

37、.1570.249家用电器0.1280.487-0.079-0.412-0.366-0.351-0.1800.127建筑材料0.373-0.256-0.0340.1410.0950.281-0.0760.048建筑装饰0.0100.9860.3211.4381.2371.5471.469-0.029房地产-0.545-0.237-0.238-0.330-0.255-0.356-0.316-0.382有色金属-0.132-0.252-0.1570.0640.1160.2370.156-0.008机械设备0.6700.808-0.431-0.203-0.872-0.5730.425-0.209汽车

38、-0.3680.2320.2960.4840.2440.343-0.0460.199电子0.036-0.290-0.362-0.826-0.601-0.729-0.6060.115电气设备0.3270.8450.8240.6351.0571.0720.5990.259纺织服装-0.128-0.829-0.266-0.717-0.886-0.832-0.835-0.038综合0.5030.7800.5251.1041.1931.2150.7940.517计算机0.0870.1510.5340.9000.7430.8300.6840.176轻工制造-0.1600.0910.4210.1560.31

39、30.345-0.136-0.040通信-0.032-0.110-0.326-0.131-0.430-0.4150.0510.034采掘-0.0300.127-0.186-0.193-0.087-0.063-0.3160.162钢铁0.067-0.400-0.1050.0100.024-0.092-0.333-0.153银行-0.104-0.106-0.036-0.0900.004-0.091-0.156-0.145非银金融0.0490.043-0.070-0.097-0.205-0.1650.0060.195食品饮料-0.193-0.2250.086-0.0260.061-0.077-0.0910.176BP0.430-1.965-1.469-0.903-0.331-0.391-0.2660.185CFP-0.307-1.8572.1292.3152.0812.905-1.2941.817ROE0.774-1.140-1.094-0.827-1.427-0.990-1.5230.619gpm-1.171-0.666-2.436-2.862-2.278-2.134-0.9570.857roic1.2412.452-0.