重要提示：通过本订阅号发布的观点和信息仅供中信建投证券股份有限公司（下称“中信建投”）客户中符合《证券期货投资者适当性管理办法》规定的机构类专业投资者参考。因本订阅号暂时无法设置访问限制，若您并非中信建投客户中的机构类专业投资者，为控制投资风险，请您请取消关注，请勿订阅、接收或使用本订阅号中的任何信息。对由此给您造成的不便表示诚挚歉意，感谢您的理解与配合！

本部分主要对国证价值（399371）和国证成长（399370）进行择时。

为了择时模型的简便，我们将国证价值比国证成长构造价值/成长线，在之后模型介绍中，我们都只对该线进行择时。

1.1.1 量价：价值成长动量 

通过过去净值可以发现，价值/成长风格2015年之前并无太大差距，处于长期平稳，短期震荡的状态中；而在2015年后，价值和成长风格具有明显的趋势效应，即：风格属性相对明确后，会持续一段时间，例如2016年至2018年的价值风格，2018年至2021年底的成长风格，2022年至今的价值风格。

因此，我们利用动量效应来构造一个模型对这种趋势性非常明显的价值成长风格进行跟随。在季度层面，我们每季度末计算过去半年的价值/成长收益，当价值/成长收益为正时，在接下来的一个季度配置多头价值/成长组合，反之空头。

策略自2013年6月至2023年12月取得10.57%的年化收益，同期价值/成长年化收益为3.47%。同时，策略的换仓频率并不高，仅有7次切换，季度择时准确率73.81%。

1.1.2 基本面：美债10Y趋势

以上我们用简单的动量就完成了季度上的风格择时，这是在量价维度上。基本面上，价值-成长的风格内核主要依托美债利率，美国货币政策的变化对全球资本流动有传导影响，深港通开通以来，美债利率对于A股市场的影响力度明显增强。

美债抬升会压制成长风格：一方面，美债利率抬升影响美元计价的投资资金成本，从而影响北向资金预期回报率；此外，美元流动性收紧通过全球资本市场流动抑制新兴市场的金融条件，挤压依赖远端现金流的成长股估值。

我们统计过去美债10年名义收益率和实际收益率和价值/成长线的变化，可以看到当美债利率抬升时，会压制成长股，这种变化需要传导时间，从过去10年经验来看大约是3个月，也就是正好一个季度。

因此，我们使用10年美债收益率1年同比，并滞后1个季度作为基本面上美债的价值/成长风格择时观点。当美债上行时，多头价值/成长，反之空头。

策略取得11.6%的年化收益，略高于量价角度的半年动量。信号端共计9次信号，季度择时准确率69.05%。

1.1.3切换识别：美债10Y切换

使用量价和基本面角度对价值/成长线进行择时后，我们发现这种简单跟随效果较好。但是存在问题即在风格发生变化的时间点会滞后一个甚至多个季度才会进行模式切换。为了让该风格择时模型更灵活，我们引入一个“模式切换按钮”。

美债10年利率的1年变动会滞后1个季度传导至国内价值和成长风格，我们用MA12的美债和自身对比，会发现美债利率上穿和下穿自身MA12线能够更精准提示风格切换的时点。

因此，我们每个季度末计算美债10年利率和自身MA12的数据，当美债10年利率大于MA12线时，配置多头价值/成长，反之空头。

策略取得8.44%的年化收益，信号端共计9次信号，季度择时准确率69.05%。在风格切换的时间点能够第一时间切换风格。

1.1.4 结合：“模式识别+动量跟随”

经过以上3小节，我们从3个角度构建了对价值/成长择时的模型，各有优劣。趋势跟随类的策略优点在于切换频率低且稳定，但缺点在于反应较慢。基本面类策略优点在于易于解释，缺点在于滞后效应不好把握。模式切换类策略优点为反应灵敏，缺点在于跟随效果较差。

因此，本小节我们使用逻辑上可解释的简单算法将以上三种小策略进行组合构造最终的策略。最终的策略分为两层：外层为模式识别，内层为跟随。

我们在每个季度末首先计算1.1.3介绍的信号，同时提取上个季度末该信号，当当期信号和上期信号不同时，即是发生了上穿/下穿。此时我们使用模式切换后的1.1.3信号；如果当期信号和上期信号相同，则此时进入跟随模式的识别。

跟随模式的识别里，我们取样1.1.1和1.1.2两组信号过去两年的正确率和命中率标准差，将正确率和命中率标准差相比得到置信度，该值越大表明过去2年该信号的准确性越高。我们在季度末将1.1.1的信号和1.1.2的信号置信度进行对比，使用置信度较高的信号作为当期信号。

策略取得17.9%的年化收益，信号端共计14次信号，季度择时准确率78.57%。

本部分主要对巨潮大盘（399314）和巨潮小盘（399316）进行择时。将全A股上市公司按照总市值从高到低分为20档，可以看到明显的头部聚集现象，第一档平均总市值1691亿元，前三档平均总市值之和为2202亿元；而后17档平均总市值之和为907亿元，甚至不足前三档同值的一半。

巨潮大盘的标的主要集中于第一档，占比接近100%，巨潮小盘的标的集中于2-7档，其中第三档占比最高。

2.1.1 量价：大小盘动量 

参考第一部分，同样为了择时模型的简便，我们将巨潮大盘比巨潮小盘构造大小盘线，在之后模型介绍中，我们都只对该线进行择时。

通过过去净值可以发现，大盘/小盘风格和价值成长风格线类似，存在长期的变动趋势，但在短期，大侠盘风格线的震荡走势会更强。从2010年至今，可以划分为2010-2011、2011-2013、2013-2015、2015-2021和2021至今几个大小盘交替的时间段。

我们同样利用动量效应来构造模型对大小盘风格进行跟随，由于大小盘风格短期层面震荡效应更强，因此我们将动量的回看长度拉长。在季度层面，我们每季度末计算过去一年半的大盘/小盘收益，当大盘/小盘收益为正时，在接下来的一个季度配置多头大盘/小盘组合，反之空头。

策略自2015年1月至2023年12月取得6.34%的年化收益，同期大盘/小盘年化收益为-0.1%。策略样本期内换仓6次，季度择时准确率52.78%。

2.1.2 基本面：信用利差信号 

信用利差代理变量使用5年期中短期票据到期收益率(AA+)与中债5年期国开债到期收益率的差值计算。由于中小企业融资外部依赖度更高，因而对信用利差的敏感度更高。 

我们利用信用利差的一年同比构造大小盘轮动的信号，当信用利差走强时，企业融资成本提升，中小企业收到冲击更大，策略多头大盘/小盘，反之策略空头大盘/小盘。

策略自2015年1月至2023年12月取得8.48%的年化收益。策略样本期内换仓17次，季度择时准确率55.56%。

2.1.3 基本面：货币宽松信号 

短端利率我们使用Shibor3M，长端利率使用国债到期收益率1Y，短端利率表示短期银行间资金面充裕程度，而国债到期收益率1Y表示短期投资无风险收益水平，短端利率相对较高表示银行相对投资短期一年国债，把钱在超短期拆给同业能获取更高收益，差额表示超短期拆借利率超出短期投资收益率水平，所以该相对值越高表示金融机构层面资金面越紧张。我们用短端利率减去长端利率代理货币宽松程度。

当货币宽松度一年半同比为正时，说明当前货币较为宽松，策略多头大盘/小盘，反之策略空头大盘/小盘。

策略自2015年1月至2023年12月取得6.2%的年化收益。策略样本期内换仓11次，季度择时准确率58.33%。

2.1.4基本面：修正货币活化指数

货币供应量是全社会可用于各种交易的货币总量，是某一时点承担流通和支付手段的金融工具总和。 

我国货币供应量依据货币流动性强弱，可以划分为M0，M1和M2三个层次。其中M0指流通中现金，M1为狭义货币供应量，M2为广义货币供应量：

M0=流通中现金。

M1=M0+企业活期存款；度量了居民及企业手中的现金流，是居民企业进行消费、投资的支付手段。M1高代表居民消费意愿高、储蓄意愿低，企业扩产意愿强、为投资和经营预留了充足的流动性，是微观主体活跃度的直观反应。

M2=M1+准货币（定期存款+居民储蓄存款+其他存款），度量了广义货币流动性。

我们用M1和M2的同比增速差，即M1M2剪刀差和其6个月MA的差值表示货币活化程度。在使用货币供应量数据时需要注意到，M1和M2数据通常为每月10-15日披露上月末值，因此我们每个月末使用值默认采用上个月末的M1和M2数据。

当M1M2剪刀差比6个月MA高时，策略多头大盘/小盘，反之策略空头大盘/小盘。

策略自2015年1月至2023年12月取得4.5%的年化收益。策略样本期内换仓12次，季度择时准确率69.44%。

2.1.5 策略结合 

我们将动量、货币宽松和信用利差三个信号先进行结合，取样每组信号过去三年的正确率和命中率标准差，将正确率和命中率标准差相比得到置信度，该值越大表明该信号的准确性越高。我们将当期信号使用置信度作为权重进行加权取和后进行方向化处理后得到三信号汇总。

策略自2015年1月至2023年12月取得13.8%的年化收益。策略样本期内换仓16次，季度择时准确率63.89%。

可以看到，我们用于择时的三个宏观变量和动量信号本身季度正确率并不算太高，都在60%以下，但是通过类似多因子模型中的加权处理后可以将三因子的准确度提升到60%以上；同时注意到，修正货币活化信号自身正确率也在60%以上，如果加进置信度多因子模型中反而会降低整体模型精度，因此我们考虑将三信号置信度结合后的模型和修正货币活化指数模型放在同一个水平位置上进行模型合并。

接下来，我们将三信号汇总和修正货币活化指数信号进行二次合并，我们注意到，尽管修正货币活化指数的季度择时准确率可以达到接近70%，但仅在M2相对较高的时候才会生效。换言之，修正货币活化指数在不同宽松度的货币政策下，择时强度也会完全相反。

因此，我们加入M2同比过去半年趋势，用该指标代理当前M2的高低，反应当下货币政策的宽松程度。当然，此处我们也考虑到了M2指标的可得性。之后将三信号和修正货币活化信号结合：当季度末修正货币活化信号和三信号相同时，遵循两者相同的信号，当两者信号不同时，则会比较当期M2同比趋势，如果当期M2趋势为正，采用修正货币活化信号，反之，采用三信号。

策略自2015年1月至2023年12月取得17.66%的年化收益。策略样本期内换仓14次，季度择时准确率75%。

我们对主动权益基金根据晨星风格分类分为价值、成长、风格轮动和风格均衡四类基金；从市值偏好分为大盘、中盘和小盘三类基金。基金标签每半年进行标签更换。

我们首先对基金标签的划分进行一个简短的回顾： 

价值因子：50%BP+50%EP

成长因子：50%ROE单季度同比增长+50%净利润单季度同比增长

对于上述价值和成长因子通过排序打分，并综合指标得分得到股票成长、价值得分OGS和OVS。

对于市值，将股票按照其总市值进行降序排列，计算各股票对应的累计市值占

全部股票累计总市值的百分比Cum-Ratio,且0<cum-ratio≤100%。

(1)大盘股：累计市值百分比小于或等于70%的股票，即满足Cum-Ratio≤70%。

(2)中盘股：累计市值百分比在70%-90%之间的股票，即满足70%<cum-ratio≤90%。< div="">

(3)小盘股：累计市值百分比大于90%的股票，，即满足Cum-Ratio>90%。

在完成规模分类的基础上，把大盘、中盘和小盘分别作为一个“打分集合”，对其中的股票衡量价值得分和成长得分。

使用VCG=OGS-OVS作为股票的价值-成长分位，当VCG小于价值阈值定义为价值型，大于成长阈值定义为成长型，中间区间划分为混合型。

在股票规模分类基础上，分别确定大盘股、中盘股、小盘股的价值门限值和成长门限值使得在上述每一规模分类中，价值型、混合型、成长型股票的流通市值合计各占总流通市值的三分之一。

在每个基金半年报和年报报告期个股均有对应的价值和成长分数，因此对于基金计算市值得分和风格得分。

对于单期风格，定义价值-均衡阈值和均衡-成长阈值定为全体基金池得分的上25%分位和下75%分位，超过价值阈值和成长阈值的基金定义为各自分类，同时为了防止基金经理更换导致基金风格变化，将基金经理ID-基金进行合并标签，对于基金经理ID-基金过去两年的时点风格进行划分，当两年4期风格均为价值则基金分类为价值，均为成长则基金分类为成长，均处于价值阈值和成长阈值之间为风格均衡基金，其余基金分类为风格轮动基金。

大中小盘基金的定义也和上文类似。

根据前文中的风格择时模型，我们在每个季度末依据信号等权配置价值基金池或成长基金池，如果是大小盘择时则配置对应的大盘和小盘基金。

对于价值-成长基金的择时，截至2023年12月29日，2016年Q3以来取得14.16%的年化收益，相对偏股混合型基金年化超额收益9.32%，信息比1.13。

对于大小盘基金的择时，截至2023年12月29日，2016年Q3以来取得13.38%的年化收益，相对偏股混合型基金年化超额收益8.57%，信息比1.38。 

根据之前报告构造的长期能力因子， 我们在之前的长期能力因子选基系列报告中有介绍过该因子在各个风格分类基金中的增强效果。

每期选择对应风格下因子排名前10的基金；价值-成长风格轮动基金组合截至2023年12月29日，2016年Q3以来取得19.89%的年化收益，相对偏股混合型基金年化超额收益14.81%，信息比1.53。

同样的方法下，大小盘风格轮动基金组合截至2023年12月29日，2016年Q1以来取得19.21%的年化收益，相对偏股混合型基金年化超额收益14.15%，信息比1.66。

回顾过去研究，我们在用选基因子进行基金组合构造时，往往过于注重选基因子本身带来的Alpha，而去选择性忽视因子所依靠的Beta。这样的结果就是最终策略的超额收益中Alpha和Beta“权责不明”：选基因子选出的是风格还是基金。在上篇报告中，我们也对各个固定风格（价值-成长）内的基金使用选基因子进行增强，并获得相对较好效果。

我们用风格轮动增强后的组合净值和原始风格轮动组合净值相除得到的相对收益线作为选基因子增强的结果。

价值-成长风格轮动和大小盘风格轮动中，选基因子增强所带来的年化超额收益分别为5.02%和5.17%；这和我们在之前研究中固定风格下选基因子的增强水平差不多。

使用选基因子对风格轮动基金组合进行增强另一个需要考虑的点就是，选基因子的基金组合的收益是放大Beta还是放大Alpha，最明显的观测指标就是在风格轮动错判的时候，增强基金组合在错判区间段内的收益是更高还是更低。

我们分别截取价值-成长风格轮动模型以及大小盘风格轮动模型错判的时间段，在价值成长风格错判时间段内，增强后的基金组合相比未增强每个季度收益率都更高，平均每个季度有1.96%的正超额，而在大小盘风格错判的8个季度内，增强后基金组合相比未增强基金组合有2个季度收益降低，平均每个季度0.94%的正超额。在判断正确的季度中，价值-成长风格轮动增强组合和大小盘轮动增强组合的季度超额平均为1.09%和1.52%。

因此，我们可以说选基因子在价值-成长和大小盘轮动内的增强效果均是Alpha层面的增强，而非Beta层面的放大。

在上文中，我们在季度风格轮动的模型前提下，在每个季度选取我们基金池内标签为对应风格的基金构造组合，并应用选基因子进行增强。但这种方式存在一个小问题，即根据我们打标签的定义，我们挑选的基金底池内标的均为成立时间和管理时间较长，同时在较长时间内相比全体主动权益基金风格没有发生明显的风格漂移。这些风格稳定的基金相比于全体主动权益基金的数量相对而言还是较少。而标签中的风格均衡和风格轮动类基金这一庞大的群体并未在基金组合中加入构造。

本节我们在每个季度末根据每只主动权益基金过去短期的动态标签，进行组合构造。具体短期动态标签我们使用基金日收益率对成长/价值、大盘/小盘的带约束OLS，估算基金分别在成长价值，大盘小盘的估算仓位，当估算仓位超过80%时，将该基金归类为该风格类别。

使用动态标签并不会比使用固定标签获得更好的效果，其原因可能在于两点：

1、带约束的回归对于基金的风格判断并不够准确；

2、基金发生风格漂移。

如果第二点原因占主要的话，上图可能表明主动权益基金在风格中做轮动要明显多于在市值中做轮动。

使用上一节中的标签方法，对ETF进行风格划分，并在每个季度末根据信号等权配置对应的ETF。

由于2016年大小盘轮动错判较为严重，因此无论是原始净值还是ETF拟合都无法超越Wind全A，但在其余年份，使用ETF拟合均能相对Wind全A有较好相对收益。全时段内，大小盘轮动年化收益6.5%，成长价值轮动年化收益10.17%，同期Wind全A年化收益0.62%。

本文利用美债利率对价值-成长风格进行择时，利用信用利差、货币宽松和货币供应对大小盘风格轮动分别构造了相关模型进行季度预测，最终价值成长风格轮动策略取得17.14%的年化收益，信号端共计14次信号，季度择时准确率80.95%；大小盘风格轮动取得17.66%的年化收益。策略样本期内换仓14次，季度择时准确率75%。

同时我们将两种风格轮动模型拓展应用于主动权益基金和ETF，价值-成长风格轮动基金组合截至2023年12月29日，2016年Q3以来取得19.89%的年化收益，相对偏股混合型基金年化超额收益14.81%，信息比1.53。大小盘风格轮动基金组合截至2023年12月29日，2016年Q1以来取得19.21%的年化收益，相对偏股混合型基金年化超额收益14.15%，信息比1.66。

使用ETF对策略分别进行拟合，大小盘轮动年化收益6.5%，成长价值轮动年化收益10.17%，同期Wind全A年化收益0.62%。

使用宏观变量进行风格轮动在过去尽管有较高胜率，但在部分季度仍会错判，在错判的季度，主动权益基金的风格轮动增强依然可以依靠选基效应产生超额收益。

1、基金过去业绩不代表未来收益，基于多种方法对基金收益处理后的收益数据同样不能代表基金未来业绩表现；

2、量化模型存在失效风险，从历史上看，突发政策，美债利率及贸易冲突等调头等宏观事件均可能导致大小盘及价值成长风格轮动产生季度层面错判从而影响后续应用；

3、基金标签仅为量化维度客观评价，不代表基金主观投资策略；

4、ETF拟合程度受到多种结果影响，可能会和理论净值产生较大差异；

5、风格轮动组合底层数据来源较多，可能存在样本外跟踪失效问题。

免责声明：