申万金工量化择时策略研究系列之五：基于多维状态交互与双层Ridge的结构化情绪指标优化

量化策略量化策略目录TOC\o"1-2"\h\z\u市场绪指基本思与原架 5从量标结化场情绪 5等、散独假弱化结情的效息 6情绪标的方法优化 7改思：离等到条线合成 7续恢幅信息 8条交：独指到相确认 8模合：层Ridge完模内维模间权分配 12改良绪指有效性验 15样区与征入点 15跨限序力著升，低绪态晰离 16多块补非赖一强子 18年表存差，限适随场境化 19新绪标画场态，非单随数 20基于良情标的市择时 21符择：绪负够有区市收环境 21阶仓：验绪度的量息 23年表：关失与择失并完同步 25小：绪标适环境择应边界 27风险提示 28量化策略图表目录量化策略图1：情绪结构指标(MA20)与沪深300走势对比 5图2：结构情绪的Spearman相关性系数 6图3：结构情绪的五分组收益 6图4：情绪指标的改良框架 7图5：新情绪指标五分组收益图 17图6：新情绪指标_MA5五分组收益图 17图7：2026Q4外层Ridge系数 18图8：新情绪指标_MA5直方图分布 20图9：新情绪指标_MA5与万得全A走势对比 20图10：买入持有与正负版本的多头/多空策略净值 22图11：不同版本的择时策略风险收益表现 24图12：买入持有与阶梯版本的多头/多空策略净值 25图13：周频择时策略相较于买入持有的历年超额收益 26表1：市场结构化情绪指标概况 5表2：市场结构化情绪指标构建方法 8表3：交易结构模块交互项构建明细 9表4：动能趋势模块交互项构建明细 10表5：资金行为模块交互项构建明细 11表6：风险偏好模块交互项构建明细 11表7：模型参数设定明细 12表8：主效应进入模型的时间 15表9：四维度及旗下交互可用时间 15表10：新旧情绪相关性系数对比 16表11：新旧情绪胜率对比 17表12：外层模型的各分项Spearman相关性系数 18表13：新情绪历年的Spearman相关性系数 19表14：正负版本的择时策略绩效表现 22表：仅多头策略的仓位规则...........................................................................量化策略表16：多空策略的仓位规则 23量化策略表17：阶梯版本的择时策略绩效表现 24表18：周频策略的历史年化收益表现 26表19：周频策略的历年平均仓位 27量化策略市场情绪指标的基本思想与原始框架量化策略在《从结构化视角全新打造市场情绪择时模型——申万金工量化择时策略系列之期权交易等更微观、更具差异化的信息观察市场。我们讨论的市场情绪范围较广，是不同类型市场参与者的观点和行为在交易数据9个指标来刻画情绪。表1：市场结构化情绪指标概况指标简称含义情绪指示方向行业间交易波动率资金在各板块间的交易活跃度正向行业交易拥挤度极值状态判断市场是否过热负向价量一致性资金情绪稳定性正向科创50成交占比资金风险偏好正向行业涨跌趋势性刻画市场轮涨补涨程度，趋势衡量正向（极值反转）RSI价格体现买方和卖方力量相对强弱正向主力买入力量主力资金净流入水平正向PCR结合VIX从期权指标看市场多空情绪条件方向融资余额占比资金对当前和未来观点多空正向申万宏源研究。注：原报告的创业板成交占比被科创50成交占比替换，经济含义保持一致201标整体围绕0轴在[-6,6]的范围内上下波动。图1：情绪结构指标(MA20)与沪深300走势对比656543210-1-2-3-4-5情绪结构分数 沪深300-右轴，数据区间为//-//量化策略“冷暖”量化策略当前的结构化情绪指标将九个具有不同经济含义的分项映射为信号再进行等权求20等优点，但从经济逻辑和信息表达两个角度看，均存在较明显的简化。首先，等权合成假设九项指标在任何市场环境下对综合情绪及其收益指示作用具有相同的贡献绪变化的信息。-10+1的离散映射同一指标一202018A51020Spearman0.0105、14和−0.1Q5与Q1的未来平均收益差分别为0.%0.%和−0.5%。五分组收益并未随情绪水平上升而稳定改善，其中20日维度已经出现反向关系。上述结果表明，原有合成方式未能稳定传导底层指标的信息。关系，从而识别何种结构化情绪更可能对应后续收益改善。图2：结情的Spearman相性数 图3：结情的分收益

未来5日 未来10日 未来20日

Q1Q1Q2Q3Q4Q5未来5日 未来10日 未来20日，数据统计区间为2018/1/1-2026/9/30，基准指数为万得全A。

，数据统计区间为2018/1/1-2026/9/30，基准指数为万得全A。量化策略量化策略情绪指标的合成方法优化统的离散打分拆解为“当前状态”和“边际变化”，并通过少量固定经济交互刻画条信息的相对权重，使指标能够适应市场环境的变化。12494互模块，用于同时刻画分项指标的基础信息及不同市场行为之间的条件关系。图4：情指的良架 申万宏源研究连续除期权情（PCR结合VX250个交易日的数据计算滚动z-core，StateStateVIX。的信息，而不再将所有越过阈值的样本压缩为同一档。转为State平滑转为State平滑窗口指标底层构建方法变量名指标名称行业间交易波动率 /行业轮动活跃度

再计算与前日排序的相关系数；20

20日250日z-score行业交易拥挤度 turn_ind_mkt 计算每日排名前五的行业换手率均值与全市场换手率的比值 20日250日z-score对每日各申万一级行业的指数涨跌幅排序和相对成交额排价量一致性

序，计算截面上指数涨跌幅排名序列和相对成交额排名序列的相关系数

20日250日z-score科创50成交占比 amt_ratio 计算每日科创板成交额/万得全A成交额比值 20日250日z-score行业涨跌趋势性 return_change_corr 对每日各申万一级行业的指数涨跌幅排序，截面上计算当指数涨跌幅排名序列和上期序列的相关系数

20日250日z-score量化策略300RSI RSI 沪深300RSI指标 20日250日主力买入力量main_inflow_in 计算每日主力资金净流入额/主力资金流入额 20日250日z-scorePCR结合VIX OPT Sign(PCR_MA60-PCR_MA20)*(VIX-VIX_MA20) -保留原复合值量化策略融资余额占比 rz_ratio 计算日度融资余额/A股自由流通市值 60日250日z-score申万宏源研究。注：指标的底层构建和平滑窗口与原报告相同。原框架将九项分项指标分别转换为信号后独立加总，隐含着各项指标能够独立反我们12并将其归入训练数据估计。交互项统一采用“状态×变化”的形式，即用一个指标当前所处的状态，与另一项指标近期的边际变化进行组合。这一设计主要基于两个考虑：- 认为新增信息；量化策略量化策略×么方向变化。”这一表达相比简单的指标加总，更接近市场情绪形成的实际过程。D1D5“”。其经济作用仍由滚动训练窗口内的数据决定。固定交互的意义主要在于限制模型可以学习什么关系，而不是事先规定这些关系必须对应什么方向。下面将依次说明四个模块的交互设计。交易结构：市场运行是否具有足够的广度与承接交易结构模块主要刻画市场内部资金交易是否健康，以及当前价格表现是否得到可能已经变得脆弱。我们在交易结构维度设计以下三项交互：模块 交互关系 表达表3：交易结构模块交互项构建明细模块 交互关系 表达价量状态×行业轮动变化 State(return_amt_corr)×D5价量状态×行业轮动变化 State(return_amt_corr)×D5State(amt_corr_std)拥挤状态×趋势变化 State(turn_ind_mkt)×D5State(RSI)行业轮动状态×拥挤变化 State(amt_corr_std)×D5State(turn_ind_mkt)申万宏源研究。价量状态×行业轮动变化考察行业轮动活跃度的变化是否与当前价量结构相匹配。价量一致性反映价格变化与成交行为是否协调，行业间轮动活跃度的五日变化则反映拥挤或趋势本身的好坏，而是识别趋势变化所处的交易环境。量化策略业轮动状态反映行业交易与轮动的活跃程度，拥挤度的五日变化则反映资金近期是在量化策略动能趋势：价格趋势是否得到增量资金与杠杆确认动能趋势模块以沪深300RSI和行业赚钱效应延续性为核心，考察已经形成的价格趋势是否得到资金与杠杆行为的进一步确认。部分上涨行情可能主要依靠价格惯性们在动能趋势维度设计以下三项交互：模块 交互关系 表达表4：动能趋势模块交互项构建明细模块 交互关系 表达300300300State(RSI)×D1State(rz_ratio)State(RSI)×D5State(main_inflow)行业趋势状态×杠杆变化 State(return_change_corr)×D1State(rz_ratio)申万宏源研究。RSI主力买入力量的五日变化反映主力资金近期是在改善还是转弱。当大盘趋势较强且主力资金同步则上涨可能更多依赖价格惯性或存量资金。资金行为：主力资金是否得到杠杆、趋势与价量确认主力买入力量反映主力资金的相对净流入水平，但较强的主力资金状态并不必然额占比、沪深300RSI和价量一致性的近期变化，考察主力资金是否得到其他资金、价格趋势和成交结构的确认。我们在资金行为构建的交互项如下：量化策略模块 交互关系 表达表5：资金行为模块交互项构建明细量化策略模块 交互关系 表达资金状态×杠杆变化资金状态×趋势变化资金状态×杠杆变化资金状态×趋势变化State(main_inflow)×D1State(rz_ratio)State(main_inflow)×D5State(RSI)资金状态×价量变化 State(main_inflow)×D5State(return_amt_corr)申万宏源研究。D1，重点捕捉杠杆资金对主力资金状态的即时响应。沪深300RSI较一周前改善，说明资金流入与价格趋势正在形成相互确认；如果主力资金较强而RSI能。该交互用于区分“推动价格的资金流入”和“承接价格的资金流入”。说明资金方向逐渐反映在行业价格和成交结构中；如果主力资金较强而价量一致性转弱，则资金流入可能较为集中，或者尚未得到市场交易结构的广泛响应。风险偏好：风险承担是否得到价格与行业趋势确认50化结合。我们在该维度构建的交互项如下：模块 交互关系 表达表6：风险偏好模块交互项构建明细模块 交互关系 表达科创占比状态×趋势变化杠杆状态×趋势变化科创占比状态×趋势变化杠杆状态×趋势变化State(amt_ratio)×D5State(RSI)State(rz_ratio)×D5State(RSI)杠杆状态×行业趋势变化 State(rz_ratio)×D5State(return_change_corr)申万宏源研究。50300RSI50量化策略更加敏感。该交互用于识别杠杆状态与大盘趋势之间的确认或背离。量化策略用于判断高杠杆状态是否得到行业赚钱效应的进一步确认。Ridge配如果直接将全部交互项与主效应一次性放入回归，一方面容易受到变量间较强相Ridge进行模型合成：第一层先在各经济模块内部学习三项交互的相对权重，将每个模块压缩为一个综合得分；第二层再将四个模块得分与九项主效应共同进入外层模型，学习不同情绪维度在当前市场环境下的相对重要性。整个模型按照季度进行Walk-Forward更新，具体的参数如下。项目 参数设置表7：模型参数设定明细项目 参数设置训练窗口 内层/外层均为504个交易日（2年）指数衰减 内层/外层半衰期均为126个交易日（半年预测目标 未来5/10/20日收益，训练窗内标准化正则化 Ridgeα=100标签隔离 purge=20日更新频率 季度更新跨季度平滑 系数按1年半衰期平滑主效应约束 九项系数非负；四个交互模块系数可正可负最终Score标尺 前504日加权RMS，半衰期126日，季度内冻结申万宏源研究。第一步：训练样本、预测目标与输入尺度。520数更多反映变量与未来收益之间的相对关系，而不受不同期限收益波动尺度差异的影响。量化策略为避免数据泄露，每次季度估计时均将训练样本截止日在决策日前额外向前移动量化策略20个交易日，即设置purge=20。Ridge12RMSState第二步：模块内Ridge，将三项交互合成为模块得分。Ridge最小二乘，则在交互变量高度相关时，权重又容易出现较大波动。对于每一个预测期限{5,10,20}𝑡,ℎ𝑀𝑜𝑑𝑢𝑙𝑒𝐹𝑢𝑛𝑑𝑠=𝛽1,ℎ𝑋1,𝑡+𝛽2,ℎ𝑋2,𝑡+𝛽3,ℎ𝑋3,𝑡𝑡,ℎ其中三个𝑋分别对应资金行为模块中的三项经济交互。Ridge的作用并不是从大量候选变量中“寻找新的经济关系”，而是在已经由经济逻辑固定的三条关系之间进行稳定的权重分配通过正则化避免某一个系数因为样本期偶然变化而被过度放大，从而使模块得分更加稳定。12能趋势得分、资金行为得分和风险偏好得分。因此，第一层Ridge次模块内的信息整合与降维。第三步：外层Ridge，合成四个模块与九项主效应。Ridge项交互，而是将4个模块得分+9个原始主效应共同作为输入（RMS缩放），对同一预测期限的未来收益进行回归。Ridge任意给予大幅负权外层模型对九项主效应施加非负系数约束4 9𝑆𝑐𝑜𝑟𝑒𝑡,ℎ=∑𝛾𝑚,ℎ𝑀𝑜𝑑𝑢𝑙𝑒𝑚,𝑡,ℎ+∑𝜃𝑖,ℎ𝑀𝑎𝑖𝑛𝑖,𝑡, 𝜃𝑖,ℎ≥0𝑚=1 𝑖=1负约束。第四步：跨期限合成，综合5日、10日与20日预测信息。市场情绪对未来收益的影响可能体现在不同期限。为避免最终指标依赖某一个预测周期，我们分别以未来5日、1020济约束完成模型估计。对于任一层模型，记三个预测期限得到的斜率系数分别为(𝜷(5))、(𝜷(10))和(𝜷(20))，则跨期限合成系数为：11(𝜷(5)+𝜷(10)+𝜷(20))3上述处理同时用于模块内RidgeRidge：模块内首先平均三个期限下的交指标。各期限模型的截距只用于回归拟合，不参与情绪得分计算。第五步：季度更新并跨季度平滑，参数在季度内保持冻结。噪声影响。因此，我们采用Walk-Forward方式更新模型。每个季度开始前，使用截至当时已经成熟的历史样本重新估计模型，并将5日、10日和20日模型合成后的系数作为本季度的新估计值。为减少单个训练窗口内短期噪声对参数的影响，新估计系数不会直接替换上一季度系数，而是按照约1年半衰期这样可以在适应市场结构变化与保持模型稳定性之间取得平衡。第六步：通过RMS缩放建立直观的情绪强度标尺。两层RidgeScoreScore0.012时，很难直接判断当前情绪水平如何。为此，我们进一步RMSScore504个交易日的外层训练Score126RMS：∑𝑠∈𝑇𝑤𝑠𝑆𝑐𝑜𝑟𝑒,2𝑅𝑀𝑆𝑞=√

𝑞

𝑠,𝑞RMS绪强度含义。量化策略量化策略𝑆𝑐𝑎𝑙𝑒𝑑𝑆𝑐𝑜𝑟𝑒𝑡=

𝑅𝑀𝑆𝑞

, 𝑡∈𝑞量化策略改良情绪指标的有效性检验量化策略考虑到市场结构和投资者行为会随时间变化，过早的历史关系未必能够代表当前2018122018情绪指标在不同环境下的有效性。为了在2018年初形成第一期预测，模型首先使用此前504个交易日的数据进行2015111120171130201812State计算还需要积累250个交易日，因此特征并非从样本外检验初期便全部进入模型。只504主效应指标实际进入样本外模型的日期如下。表8：主效应进入模型的时间指标名称变量名实际进入模型日期行业间交易波动率amt_corr_std2018/1/2行业交易拥挤度turn_ind_mkt2018/1/2价量一致性return_amt_corr2018/1/2行业涨跌趋势性return_change_corr2018/1/2300RSIRSI2018/1/2融资余额占比rz_ratio2018/1/2主力买入力量main_inflow_in2018/7/2PCR结合VIXOPT2022/7/1科创50成交占比amt_ratio2023/7/3四个交互维度同样并非在2018年初同时完整启用。但某一维度只要存在可用交互，便可以进入模型。各维度及其内部交互的实际进入时间如下。表9：四维度及旗下交互可用时间交互维度维度首次启用交互关系交互进入模型日期价量状态×参与度变化2018/1/2交易结构2018/1/2拥挤状态×趋势变化2018/1/2分化状态×拥挤变化2018/1/2动能趋势2018/1/2300趋势状态×杠杆变化2018/1/2300趋势状态×资金变化2018/7/2行业趋势状态×杠杆变化2018/1/2资金状态×杠杆变化2018/7/2资金行为2018/7/2资金状态×趋势变化2018/7/2资金状态×价量变化2018/7/2风险偏好//科创占比状态×趋势变化//量化策略量化策略杠杆状态×趋势变化杠杆状态×趋势变化2018/1/22018/1/2杠杆状态×行业趋势变化整体来看，201820187711202275020237912为检验改良情绪指标对未来收益的解释能力，我们分别计算其与万得全A未来5日、10日和20日收益的时序Spearman相关性系数、Pearson相关性系数及HACt统计量。改良后的情绪指标在三个期限上均表现出稳定的正向关系5日、1020Spearman0.15以上，HACt统计量则均在2100.1924，市场情绪对收益的影响并非仅限于极短期，而是具有一定的传导和延续过程。从平滑前后的对比看，新情绪指标_MA5与未来5日收益的Spearman相关性系数有小幅提升，但未来10日和20日则有所下降。5日平滑能够降低短期噪声，但并未从根本上创造新的预测信息，改良指标本身已经具备较强的日频排序能力，MA5可考虑后续择时应用中的信号稳定和换手控制。表10：新旧情绪相关性系数对比指标类别日频指标未来5日未来10日未来20日Spearman0.15410.19240.1674新情绪指标Pearson0.15600.20740.1588HACt4.52023.85962.7690新情绪指标_MA5Spearman0.16380.17960.1511Pearson0.16540.18820.1381HACt4.10633.21572.1841Spearman0.01050.0144-0.0312原情绪指标Pearson0.0024-0.0066-0.0615HACt0.0621-0.1274-0.8745，统计区间为2018/1/2-2026/9/30新情绪指标_MA55我们进一步检验指标的方向胜率：当情绪大于0且未来收益大于0时记为预测正确；当情绪小于0且未来收益小于0时同样记为预测正确。50%2050%。说明原指标对相对有利环5日、102055%及以上，正值情绪对应未来上涨的胜率稳定56%指标胜率口径指标胜率口径未来5日未来10日未来20日情绪>0胜率56.50%57.50%56.68%新情绪情绪<0胜率53.24%53.88%54.80%总胜率55.00%55.84%55.83%情绪>0胜率57.13%56.70%56.07%新情绪_MA5情绪<0胜率54.11%53.03%54.16%总胜率55.76%55.04%55.21%情绪>0胜率51.95%52.34%50.64%原结构化情绪情绪<0胜率48.20%48.08%47.65%总胜率50.31%50.48%49.33%指标，统计区间为2018/1/2-2026/9/30新情绪指标和5日平滑项的五分组收益表现。51020Q5−Q11.32.32.6510Q2Q1经过5日平滑后，五组平均收益在三个期限上均呈现严格单调关系。未来51020Q5−Q11.52.32.6综合相关性与五分组结果，改良情绪指标不仅是一个判断市场情绪正负的方向信绪得分越低，未来收益越容易处于不利区间。图5：新绪标分收益图 图6：新绪标_MA5五分收图

0.5%0.1%

1.1%0.6%0.3%

1.8%1.6%0.9%-0.5%-1.0%

-0.6%-0.7%

-0.1%-0.-.3%

0.0%量化策略1.9%1.7%量化策略1.9%1.7%1.2%0.9%0.6%0.1%0.2%0.2%0.0%-0.3%-0.-.7% -0.6%-0.3%-0.4%未来日 未来日 未来日

-0.8%Q1 Q2 Q3 Q4 Q5未来日 未来日 未来日2026/9/30

2018/1/2-

2026/9/30

，统计区间为2018/1/2-量化策略量化策略进一步拆分模型可以发现，新情绪指标的有效性并非由某一个特别强的分量单独驱动。各分量的预测能力存在明显的期限差异：动能趋势在未来5日和20日表现较10Spearman对某个单一强信号的依赖。四个交互模块分别刻画市场情绪的不同侧面，这些模块单独使用时只能描述市场作用也有所不同，尤其是200.0808状态更偏向提供中期情绪锚。表12：外层模型的各分项Spearman相关性系数分项未来5日未来10日未来20日交易结构0.08660.14890.0536动能趋势0.11920.13190.1649资金行为0.07660.08050.0472风险偏好0.04040.06660.0376主效应合计0.01150.01430.0808最终情绪0.15410.19240.16742018/1/2-2026/9/30，2018/7/2开始统计。2026Ridge各模块的相对权重仍会动态调整。四个交互模块允许条件关系随市场环境变化，最终由外层模型动态决定各类信息的相对重要性。图7：2026Q4外层Ridge系数0.00 0.02 0.04 0.06 0.08 0.10模块：动能趋势模块：风险偏好行业行业交易拥挤度结合VIX主力买入力量50

0.01000.00630.00290.00210.0013

0.04270.03600.03340.0244

0.06490.0612

0.0782

0.0920量化策略量化策略20202022202420212023年和2025年。2021年表现为短期反向，中长期失效。该年未来5日的相关性系数为-0.067，未来10日和20日分别为0.029和0.023。2021同步转化为万得全A转。2023510相关性系数分别为0.064和0.047，未来20日下降至-0.012。2023年更接近弱势震荡环境下，情绪方向仍有意义，但情绪强弱难以进一步排序未来收益。2025510-0.031和200.108年体现出强趋势偏好在调整后继续延续，从而使情绪向收益的传导有所滞后。2026年以来截至9月末，未来5日、10日和20日的相关性系数分别为0.0660、0.1406和0.0494，三个期限均保持正向但10日表现相对更强。综合来看，年度差异的核心主要在情绪向未来收益传导的速度会受到市场环境影year未来5year未来5日未来10日未来20日20180.110.130.0420190.120.240.24...量化策略量化策略2021-0.070.03 0.0220220.22 0.230.1920230.06 0.05-0.0120240.240.300.192025-0.03-0.010.1120260.070.140.05，统计区间为2018/1/2-2026/9/30RMS1.5表示当前情绪得分约为近期典型幅度的1.5倍。从分布来看，全样本约72%指标_MA5位于−111或低于−1图8：新情绪指标_MA5直方图分布，数据统计区间为2018/1/2-2026/9/30我们进一步将新情绪指标_MA5与万得全A走势进行对照。图9显示，在市场持市场情绪的改善与恶化，绝对值则进一步描述这种变化相对于近期常态的强弱程度。3.4_MA5更适合被理解为标。图9：新情绪指标_MA5与万得全A走势对比量化策略量化策略975新情绪指标3新情绪指标1-1-3-57,5007,0006,500万得全A万得全A收盘价5,5005,0004,5004,0003,5003,0001/2/18 1/2/19 1/2/20 1/2/21 1/2/22 1/2/23 1/2/24 1/2/25 1/2/26，数据统计区间为2018/1/2-2026/9/30基于改良情绪指标的市场择时呈现出不同的收益特征。因此，我们构建两类最简单的符号择时策略：0/1多头：情绪>0100%A，情绪≤0时空仓。该策略主要检验负面情绪能否用于规避不利市场阶段；正负多空：情绪>0时持有100%多头，情绪<0时持有100%空头，情绪=0时指标，并从下一交易日起执行新仓位；周频策略在每周三收盘后调仓，使用过去日量化策略交易费率、冲击成本、空仓资金收益及融券成本。量化策略14.57%14.45%，明显优于基准，0.970.92，最大回撤也有明显收窄。两种策略的平均仓位均约为54%，却取得了明显高于满仓买入并持有的年化收益，说明情绪指标的正值阶段集中了更有利的收益表现。20%日频与周频结果的差异主要体现在交易效率和收益路径上。周频在保持相近收益Sharpe分回撤特征。表14：正负版本的择时策略绩效表现策略年化收益年化波动Sharpe最大回撤Calmar平均仓位年换手（倍）买入持有3.57%20.54%0.17-37.17%0.10100.00%-正负0/1多头（日频）14.57%14.96%0.97-24.42%0.6054.13%27.80正负0/1多头（周频）14.45%15.62%0.92-23.24%0.6253.89%12.12正负±1多空（日频）24.24%20.49%1.18-31.09%0.788.25%55.72正负±1多空（周频）24.24%20.49%1.18-20.99%1.157.78%24.36，统计区间为2018/1/2-2026/9/30。图10：入有正本的头/空略值 765432101/1/18 1/1/19 1/1/20 1/1/21 1/1/22 1/1/23 1/1/24 1/1/25 1/1/26买入持有 周频正负0/1 周频正负±1 日频正负0/1 日频正负±1，数据区间为2018/1/1-2026/9/30。注：0/1指多头策略，±1指多空策略，正负则指策略仅根据指标的符号来择时。量化策略量化策略0.2100%，具体仓位映射如下表所示。表15：仅多头策略的仓位规则情绪指标区间目标仓位Score≤000＜Score≤0.20.20.2＜Score≤0.40.40.4＜Score≤0.60.60.6＜Score≤0.80.8Score＞0.81申万宏源研究多空版本则在负值区域采用对称映射：表16：多空策略的仓位规则情绪指标区间目标仓位Score≤-0.8-1-0.8＜Score≤-0.6-0.8-0.6＜Score≤-0.4-0.6-0.4<Score≤-0.2-0.4-0.2<Score<0-0.2Score=000＜Score≤0.20.20.2＜Score≤0.40.40.4＜Score≤0.60.60.6＜Score≤0.80.8Score＞0.81申万宏源研究从结果看，阶梯仓位能够明显改善买入持有的收益风险特征。与正负0/1风险预算。日频阶梯多头与日频正负0/1的年化收益基本相当，分别为14.53%和14.96%−24.42%收窄至−20.80%14.45%下降至13.01%，但年化波动率由15.62%下降至10.91%，最大回撤由−23.24%收窄至−13.70%Calmar的24.24%，但年化波动率由20.49%下降至15.50%，最大回撤也由−31.09%收窄至24.24%20.49%−20.99%收窄至−13.65%，Sharpe1.181.45，Calmar1.151.511125.47降至10.448.1919.87。表17：阶梯版本的择时策略绩效表现策略年化收益年化波动Sharpe最大回撤Calmar平均仓位年换手（倍）买入持有3.57%20.54%0.17-37.17%0.10100.00%-0.2阶梯多头（日频）14.53%12.33%1.18-20.80%0.7036.79%25.470.2阶梯多头（周频）13.01%10.91%1.19-13.70%0.9537.50%10.740.2阶梯多空（日频）18.42%15.50%1.19-27.91%0.669.18%48.190.2阶梯多空（周频）20.68%14.21%1.45-13.65%1.5110.33%19.87，统计区间为2018/1/2-2026/9/3018.42%20.68%15.50%14.21%，最大回撤由−27.91%收窄至−13.65%，年换手也由48.19下降至19.87，是各组比较中较为明显的“收益提高、整空头仓位，容易受到市场快速修复的影响；使用5更侧重持续存在的负向状态，从而减少了空头仓位的频繁切换。图同本择略风收表现 30.00%年化收益%年化收益%

0.2阶梯多空（周频）0.2阶梯多空（日频）0.2阶梯多空（日频正负0.2阶梯多空（日频正负0/1多头（周频

正负±1多空（日频）正负±1多空（周频）0.2阶梯多头（周频）10.00%5.00%0.00%

买入持有量化策略10.00% 12.00% 14.00% 16.00% 18.00% 20.00% 22.00%量化策略年化波动率，数据区间为2018/1/1-2026/9/30。量化策略持续承压或震荡期间扩大，尤其是2022年至2024提示。量化策略图12：入有阶本的头/空略值 65432101/1/18 1/1/19 1/1/20 1/1/21 1/1/22 1/1/23 1/1/24 1/1/25 1/1/26买入持有 0.2阶梯多头（周频） 0.2阶梯多空（周频0.2阶梯多头（日频） 0.2阶梯多空（日频），数据区间为2018/1/1-2026/9/30。202120232025周频版本我们计算策略的年度收益率减去买入持有的年度收益率作为超额收益。从超额收20192021202520182022情绪指标对市场风险恶化具有较好的识别能力20202024情绪与行情相互确认时参与上涨。2018A29.66%，两个多空策略仍分别取得正收2022年指数下跌18.6634.70%30.28%；20235.19%，四种策略同样全部实现正收益。这说明情绪指标的负值状态在多数弱势年份能够有效识别不利市场环境。年是相关性系数与择时策略同时失效最为明显的一年。当年万得全A上涨 9.170/1多头、正负±1多空、0.2阶梯多头和0.2阶梯多空策略分别亏损量化策略1.2811.761.254.2153.0932.6