“选个股”和“选行业”是投资研究中的两大领域，从投资收益的本质来说，“选个股”即是“挖alpha”，“选行业”则是“追beta”，理想的情况是，即能挖到alpha，又能追上beta，我们需要对个股和行业都有一定的研究，然后将行业研究最终落地到个股层面。在上一篇报告《个股alpha与行业beta的双剑合璧》中，我们率先提出了一种新的框架将选股策略和行业轮动策略相结合并落地为股票组合，其核心思想是通过个股相对行业的弹性β将个股评价（选股策略）和行业评价（行业轮动策略）通过耦合模型衔接，构建alpha与beta双驱选股策略。耦合模型将选股策略和行业轮动策略通过弹性β进行并联，使得投资组合能同时获取来自于“个股alpha”和“行业beta”的收益。也就是说，个股自身因素和行业因素对个股的最终影响权重仅取决于个股相对行业的弹性β，我们并未给个股自身评价模型和行业评价模型本身赋予权重，没有去判断当下市场环境更适用的策略或者子策略本身是否失效，而是在策略维度进行了等权配置，使得双驱策略在单边策略失效时通过另一个策略进行“托底”。

图表1 为构成双驱策略的两个子策略，基于盈利、估值、技术面的三维个股alpha策略 (alpha，优选评分前50的个股，等权) 和 基于资金面和分析师预期的行业轮动策略（beta，优选评分前3个中信一级行业，等权） 2013-2022年的净值曲线，策略构建方法详见报告《个股alpha与行业beta的双剑合璧》。“个股alpha/行业轮动策略净值”为个股alpha策略的净值曲线/行业轮动策略的净值曲线，可以发现，两个策略在区间内有呈现三种相对状态：选股策略明显更强、行业轮动策略明显更强、选股策略和行业轮动策略不相上下，多数时间个股alpha策略表现更突出，如2013.1-2014.8、2015.6-2016.10、2021.10-2022.12，但2016.10-2018.02、2020.10-2021.09 则是行业轮动策略表现明显更好。

选股策略和行业轮动策略为什么会表现出明显的相对强弱？究其原因，一方面，从策略主观而言，任何策略本身都存在阶段性失效的可能性；另一方面，客观上，不同的市场环境，获取alpha和获取beta的难度不一样，有的市场更适合自下而上的“挖票”（alpha策略），而有的市场则更适合侧重中观的研究（行业轮动策略）。倘若同一时间，大部分行业轮动策略相对选股alpha策略都失灵，极有可能是当时的市场环境并不适合行业轮动型策略；反之，有的市场特征相对更不利于选股策略的发挥。以下为两个具体的场景：

(1)客观环境更适合行业轮动策略：以2017年为例，当年A股市场分化严重，全年上证指数收涨6.6%，上证50全年涨幅25.1%，而中证500收跌-0.2%，人们戏谑地将市场分为“漂亮50”和“要命3000”。“漂亮50”大放异彩，以贵州茅台、美的集团、中国平安、招商银行等为代表的大盘蓝筹股沐浴在春风之中，而剩下的则被称为“要命3000”，股价表现堪忧。在这种市场环境下，传统的自下而上的多因子选股策略很难选出“漂亮50”中的股票，也就是获取alpha的难度较大；但若采用行业轮动策略，在落地到选股时倾向于选择目标行业中的权重股，因此有较大的可能选中“漂亮50”成分股，也就是说，这种环境下，获取beta的难度可能低于获取alpha的难度。图表1中的两个示例策略也确实表明了这个现象，在整个2017年，选股/行业相对净值曲线为下行趋势，行业轮动策略相对占优。

总结而言，“策略本身”和“客观市场环境”都可能导致选股alpha策略和行业轮动策略在不同时期表现出明显的相对强弱特征，抛开“策略本身”这个主观因素，客观上选股alpha策略和行业轮动策略有自己的“舒适区”，如果在alpha更易获取的场景着重研究行业轮动或者在beta更易获取的场景全力挖alpha则可能功亏一篑。在上一篇报告中，我们并未正面去解决这个问题，而是提出了一种全新的解决方案，在未对市场更适用的策略类型进行预判的情况下，两种策略研究并行，将两个子策略进行等权配置，通过“或”逻辑使得在单边策略失效时通过另一个策略进行“托底”。

本篇报告，我们将从正面角度，直接解决这个问题：提前对市场进行预判，从不同的维度刻画当下市场更适合的策略类型（alpha策略还是行业轮动beta策略）。从实践角度，该研究能对研究资源的配置和组合实际操作起到一定的指引作用，让投资收益更上一层楼：

（1）指导研究资源的配置：根据更适合的策略类型对研究资源进行配置，若信号表明当下市场更适合做行业轮动，则可将重心放在中观的行业/产业研究；若信号表明更适合个股alpha策略，则可将重心放到微观的alpha研究。

为了构建相对客观的策略作为公允代表，我们以公募基金为样本池，根据实盘业绩构建具有代表性的alpha选股型FOF和行业轮动型FOF分别作为市场选股策略和市场行业轮动策略的公允代表。一般而言，alpha策略稳定性略高于行业轮动策略，风险收益、回撤、波动、下行风险等略优于行业轮动策略，但从长期业绩来讲，优秀的选股策略和优秀的行业轮动策略的收益表现不相上下。

传统的选股策略以挖alpha为主，组合分布相对均衡，无明显的行业偏好，倾向于中小市值股票。因此，我们以中证500和中证1000为业绩比较基准的指数增强基金作为样本池，基于该样本池优选基金构成“指增优选FOF”。由于我们希望用该方法构造的组合能客观反应市场是否选股策略的舒适区，需排除掉策略本身失效的因素，因此我们选择在每个调仓期的表现位于同类型中上水平的基金构成目标组合。按照这种方法构造的FOF组合，长期业绩在市场上属于比较优秀的，也就是说我们这里构建的公允选股策略是优秀的选股策略。

具体的优选逻辑为：每个月月末，对基金池中的基金按照未来20日收益进行排序，选择未来20日表现靠前的40%的基金，等权构成指增优选FOF组合，若基金池的基金数量少于10只，则选择未来20日表现靠前的5只基金。

由于我们很难主观鉴定市场上的基金是否为行业轮动型基金，因此我们选择基金名称中含有与“行业轮动”相关的关键词的基金构成基金池，包括“行业轮动”、“行业配置”、“轮动配置”、“行业精选”、“行业优选”、“行业轮换”、“行业景气轮换”、“行业基本面轮动”、“行业量化轮动”。2013年初此类型的基金有10只，截止去年底，市场上存量的行业轮动型基金33只。

图表11为公允行业轮动策略2013-2022年的表现，如果每个月末取下期表现位于65%分位的基金构成的组合在整个区间的年化收益为22.0%，同样在同期所有股票型/混合型基金中排名前1%，其表现仅次于行业轮动型基金农银汇理行业轮动型基金A（660015.OF）。

图表13为公允选股/公允行业轮动净值曲线，从图中可看出，两个策略在不同区间有明显的相对强弱，虽然两个策略整体表现都位列前茅，但两者仍然有自己相对舒适的区域：2017年，全年行业轮动占优，上半年，行业轮动策略表现更强势，之后剧烈波动，最终行业轮动略优于选股策略；2019-2020年，公允行业轮动策略占优；2021-2022年，公允选股策略表现更好，区间虽有波动，但趋势上，公允选股策略的优势更明显。通过公允策略得到的结论与我们第一部分提到的双驱策略的两个子策略的结论基本一致。

由于我们构造两个策略均是基于未来进行优选的，在一定程度可以排除因策略自身失效导致的相对弱势，但在实践中，我们的策略存在阶段性失效的可能性，如果在不适宜的环境叠加策略自身失效，将面临“双杀”局面。因此，如果我们能找到一个规律，将两种策略与各自适宜的市场环境相匹配，即对选股和行业轮动策略进行择时，极有可能较大幅度提升我们的投资收益。

我们从基本逻辑出发，构建了基于宏观与市场、中观、微观多维度的指标体系，每个维度选择多个子指标，共8个指标来综合评估当下市场环境更适合的策略类型。每个指标通过3种状态信号（1，-1，0）或两种状态信号（1，-1）表征当下环境为哪类策略的舒适区。

我们分两步检验单指标的有效性，时间区间为2013年-2022年，月频，共120个月，检验内容为统计结果显著性、收益指标有效性。

统计检验的逻辑为：

（2）若T期产生的信号为-1（行业轮动），计算T+1期行业轮动策略胜的概率和T+1期选股策略收益与行业轮动策略收益之差（选股M行业）的均值。若行业轮动策略的胜率高于50%且选股M行业的均值小于0，则说明该指标产生的行业轮动信号有效。

收益指标的有效性检验步骤为：

（1）策略择时策略构建：根据指标产生的信号确定下期选股策略和行业轮动策略的权重，若T期信号为+1，则T+1期量化选股策略的权重为1，行业轮动策略的权重为0；若T期信号为-1，则T+1期量化选股策略的权重为0，行业轮动策略的权重为1；若T期信号为0，则T+1期量化选股策略的权重为1，行业轮动策略的权重为0。

（2）策略择时策略的收益指标：如收益指标（总收益、分年度收益）、风险指标、风险收益指标、调仓胜率、年度胜率等指标，期望收益指标优于原量化选股策略的指标。

宏观经济是投资研究的基础，经济基本面的稳定程度和趋势与股市表现有着密切的关系。我们选取采购经理人指数PMI作为代理指标，PMI是通过对企业采购经理的月度调查结果统计汇总、编制而成的指数，涵盖了企业采购、生产、流通等各个环节，包括制造业和非制造业领域，是国际通用的监测宏观经济走势的先行指标之一。PMI是环比指标（本月相对上月），以50为临界点，PMI＞50则处于扩张区间，＜50处于收缩区间，能反应经济方向变化，PMI指数具有较强的预测、预警作用。PMI每月公布，相较于季频公布的GDP，数据频率更高；相较于工业增加值，PMI为主观调研同比指标，不受基数影响，短期环比改善的指示意义更强。

我们通过四象限来定义基本面的状态，稳定/不稳定、good/bad：

（1）“good+稳定”组合：基本面稳定向好（PMI处于扩张期，且波动小），具有自上而下的投资逻辑，市场可能存在可追踪的景气主线，如2020、2021年为景气投资年，行业轮动可能有较高的胜率；

（2）“good+不稳定”组合：PMI处于扩张期，但近几期上下波动的幅度较高，可能缺乏明显向上的主线逻辑；

（3）“bad+稳定” 或 “bad+不稳定”：经济呈现下行趋势，更需要自下而上的微观研究，寻找优质标的抵御市场大beta的下行，量化选股策略的胜率更高，如2022年，国内经济增速下行，前期的景气行业不景气，行业轮动失灵。

指标定义如下：good/bad 状态取决于近N个月和最近1个月的PMI值水平是否处于扩张区间；稳定/不稳定状态主要取决于近N个月PMI的波动值（PMI波动）是否高于近1年的“PMI波动”的中位数水平。

综合考虑了样本数和滞后性，本文计算短期波动的参数均为N=4个月，我们也在4.2.2测试了N=3、5、6个月的情况，3个月的结果不稳定，N=5、6个月存在一定的滞后性。

指标产生的信号结果见图表21，在统计的120个月中，策略信号调整次数占比为37%，即平均一个季度调整一次信号，信号整体符合逻辑，如2017年基本面信号以行业轮动策略为主，2022年的信号指示应以选股策略为主。

从统计结果看（图表22），“经济基本面信号”指标共产生选股策略（+1）信号27次，产生该信号后下期公允选股策略胜的概率为63.0%，选股M行业的均值为0.32；共产生行业轮动信号（-1）33次，产生该信号后下期公允行业轮动策略胜的概率为60.6%，选股M行业均值为-0.38；共产生不明确信号（0）56次，产生该信号后下期公允选股策略胜的概率为55.4%，选股M行业的均值为0.23。从收益指标看（图表23），策略择时后年化超额1.8%，夏普提升了0.1，年度胜率70%。

结果表明，策略信号调整次数占比为36.4%，即平均一个季度调整一次信号。2014中-2015年中，市场为上行状态，更适合选股策略的发挥，但对于2022年，受俄乌冲突影响，A股大跌并落入了下行区间，模型间断性给出行业轮动信号，与主观逻辑有出入。但统计结果和收益指标表明，该指标整体上确实有一定的指示作用，有效选股信号（信号为+1时，下期选股M行业为正）占比57.8%，有效行业轮动信号（信号为-1时，下期选股M行业为负）占比59.3%，策略择时后年度胜率90%。

3.2.1 风格切换：风格变动速度和分化程度

风格介于大势和行业之间，是不同公司之间所有的某种共同属性，具有跨行业属性。风格轮动本质上是市场中不同类型股票的涨跌分化现象，不同时刻是不同类型的股票在走强就形成了风格轮动。我们选用最常见的风格类型来判断风格切换的特征：（1）按照市值大小划分为大盘、小盘风格；（2）按照价值估值划分为成长风格、价值风格。风格切换包含两类：风格排名变动的速度和风格之间收益的分化程度。一般而言，风格切换快，行业可能切换速度更快；风格之间分化极致，行业之间的分化却不一定极致。

若风格排名变化速度很慢，由于因子的动量效应，有利于选股策略的发挥（+1）；若风格切换的速度极快，说明市场投资者交易的偏好在不断变化，或者是存量资金在来回切换，行业切换的速度可能更快，中观特征难以把握，分散持股、控制风格因子的暴露更有可能取得好的投资收益（+1）；若风格之间收益的分化程度（离散度）极高，因子选股策略的赔率高，因子选股的风险收益较行业轮动的更高（+1）；若风格切换速度居中，且风格间的收益适当分化，因子策略的赔率和胜率均不出彩，反而给行业轮动策略提供了一定的发挥空间，可以通过适当的轮动提升整体收益（-1）。

指标定义见图表29 ：

风格切换触发的明确信号（+1或-1）占比达到了61%，其中选股策略信号25次，行业轮动策略信号48次，但策略信号调整频率较高，平均2.5个月调整一次，2019-2020年信号更多指引做行业轮动，而2022年则是以选股策略为主，但11、12月切换为行业轮动策略。

从统计结果看（图表31），“风格轮动信号”指标共产生选股策略（+1）信号72次，信号的准确率为63.9%，选股M行业的均值为0.8；共产生行业轮动信号（-1）48次，信号准确率为64.6%，选股M行业均值为-1.0。从收益指标看（图表32），策略择时后年化收益提升至了29.0%，年化超额4.8%，夏普提升了0.14，调仓胜率提升至了72.5%，年度胜率80%。

3.2.2 行业切换：行业轮动速度和分化程度

相对于风格而言，行业分类标准则更具体，一般是基于公司业务的收入占比与利润占比等指标进行划分。行业切换是不同行业的股票的涨跌分化现象，不同时刻是不同行业股票在走强就形成了行业轮动。本文讨论的是选股策略和行业轮动策略的舒适区，因此“行业”是直接投资和研究的主体。虽然“风格切换”和“行业切换”有一定的正相关性，但是两个不同的维度，一般而言，风格切换行业大概率切换，但行业切换风格不一定有切换；风格之间分化极致，行业之间分化不一定极致。行业切换包含两类：行业排名变动的速度和行业之间收益的分化程度。

若行业切换速度极快（同一行业的收益排名时序变动大），准确的预测行业收益较难，轮动策略和投资操作层面都难以追上行业的切换速度，导致行业轮动策略的胜率低（2022年），分散持股更有可能取得好的投资收益（+1）；若行业切换速度极慢甚至不切换，行业切换徒劳无益，没必要在行业之间进行轮动（+1）；若行业之间的收益十分均衡，如果30个行业同涨同跌，通过行业轮动带来的增量收益有限，致力于自下而上的挖掘各个行业内优质公司可能更有价值（+1）；若行业切换速度居中，且行业之间的收益存在分化，行业轮动的难度居中且存在一定的收益预期，是做行业轮动比较舒适的区域（-1）。

指标定义见图表34 ：

行业切换指标触发选股信号65次，行业轮动信号55次，与“风格切换信号”类似，策略信号调整频率较高，平均2.2个月调整一次，2019-2020年中，信号更多指引做行业轮动，而2021-22年则是以选股策略为主。

从统计结果看（图表36），“行业切换信号”指标共产生选股策略（+1）信号65次，信号的准确率为60.0%，选股M行业的均值为0.2；共产生行业轮动信号（-1）55次，信号准确率为56.4%，选股M行业均值为-0.2。从收益指标看（图表37），策略择时后年化超额0.9%，年度胜率70%，近5年均为正贡献。

（1）如果北上资金在行业间切换的速度过快，说明资金对行业的分歧大或者没有明显的行业偏好，行业轮动策略必要性低，分散持股更有可能取得相对较好的投资收益（+1）。

（2）如果资金切换速度很慢或者不切换，说明资金基本没有对行业进行轮动，持续加仓、减仓某些行业，频繁在行业间进行切换可能是徒劳（+1）。

（3）若资金切换速度居中，可能资金也在做行业轮动，且速率适中，那么跟随资金做行业轮动可能具有一定价值（-1）。

具体的指标定义见图表39:

直观上，资金切换速度和行业行情的切换速度有很强的相关性，互为因果，那么“行业切换信号”和“资金切换信号”是否高度重叠呢？我们统计了截面上，两个指标本身和指标产生信号的相关性，指标的相关性为0.21，信号的相关性为0.14，说明两者的相关性较低，可分开作为两个指标/信号讨论。

资金切换信号的检测结果见过见图表40和图表41，策略信号调整频率居中，平均每个季度调整一次。指标共产生选股策略（+1）信号25次，信号的准确率为60.0%，选股M行业的均值为0.6；共产生行业轮动信号（-1）32次，信号准确率仅50.0%，选股M行业均值为-0.3，但从收益角度，信号整体为正贡献，夏普提升了0.14，2019-2021年均为正贡献。由于北上资金的数据区间短，资金切换对行业轮动策略的指引并不显著，但整体贡献有一定贡献，因此仍将此指标纳入最终的信号体系。

我们前边分别从宏观与市场、中观维度构造了相应的指标来判断市场适合选股还是行业轮动策略，接下来，我们继续下沉到个股维度，通过观察个股的特征反向指引策略的选择。

如果某个行业内的成分股走势分化严重，那么直接投资该行业而不做个股精选可能不是一个很好的选择；如果在全市场中，这种内部高度分化的行业的比例较大，说明当下市场更适合进行微观研究而不能仅停留在中观层面，也就是挖掘优质个股更有可能取得超额收益。

我们可以通过观察行业成分股近1个月（20日）相对行业指数呈现上涨的股票占比来衡量行业内成分股的分化程度。一般而言，如果行业内成分股涨跌均衡，行业内相对上涨的成分股的占比在0.4~0.6，记为“均衡行业”；相反，如果行业内不同个股的涨跌分化严重，相对行业上涨和下跌的个股呈现三七分甚至更极致，即相对行业上涨的个股占比低于30%或高于70%，记为“极度分化行业”。如果全市场超过1/3的行业为“极度分化行业”或“涨跌均衡”的行业不足1/3，则认为行业内个股高度分化，选股策略更适合（+1）。

由于行业内个股的分化程度不能反应行业之间的分化程度，无法判断是否有轮动的必要性。若行业内个股均衡且行业间均衡，则应集中挖票；行业内均衡而行业间分化，则应适当进行行业轮动提升收益。

行业内分化触发了28次选股信号（+1），策略信号调整频率居中，平均每3.7个月调整一次，在2022年信号相对比较明确，信号更多指向选股策略。选股策略信号的准确率为71.4%，剩余给出不明确信号（0）的92个月，选股策略胜的概率为46.7%。

对于某个景气度较高的行业，若分析师对其盈利预测观点（上调、下调）的一致性较强、分歧小，说明市场一致看好或不看好该行业，则可以通过超配或低配（或正面筛选和负面剔除）该行业提升组合收益，如果市场上这类有一致预期的行业的占比较大，那么对高景气产业/行业的研究具有较高的价值（-1）。相反，若分析师对某个高景气行业的分歧较大，说明该行业缺乏合力，如果这类分歧大的行业占比高，说明市场对行业的未来盈利能力、景气程度的观点出现了波动，未来市场的热点可能是分散格局，致力于微观的股票研究可能更适合（+1）。

我们将上述的逻辑进行定量转换，具体的定义和计算逻辑如下：

（1）高景气行业：分析师一致预测ROE_YOY位于前1/3的中信一级行业。

（2）分析师对某个行业的盈利预测分歧度：近3个月分析师对该行业的盈利预测累计调升记录的占比，计算步骤：

    a）个股盈利预测的上调记录和调整记录：对于股票i，近3个月分析师对其净利润预测进行上调的记录数和调整的总记录数；

    b）行业盈利预测累计调升占比：=(∑成分股的盈利上调记录)/(∑成分股的盈利调整记录)

（3）景气行业盈利预测分歧度：高景气行业中，“盈利预测分歧大”的行业占比超过了1/3，则认为市场整个的行业盈利预测分歧度高，适合选股策略（+1）；“盈利预测分歧小”的行业占比超过了1/3，则认为市场整个的行业盈利预测分歧度低，适合行业轮动策略（-1）；否则为不明确适合的策略类型（0）。

之所以选择分析师维度的盈利预测数据，而非行业层面或行业成分股层面的原因是，分析师维度的盈利预测数据颗粒度更细，极端值对结果的影响小（图表47）；选择盈利预测调整衍生指标而非盈利预测值本身的原因是，分析师盈利预测调整是对公司有效信息及时跟踪的结果，相较于盈利预测本身更具有信息价值；选择分析师对盈利预测调整的方向而非调整幅度值的原因是，调整幅度受个别分析师的极端上调或下调值的影响较大。

景气行业分歧度指标共触发了25次选股策略信号（+1），信号的准确率为56.0%，行业轮动信号（-1）37次，胜率56.8%；策略择时后年化超额1.6%，夏普提升了0.08，但年度胜率仅60%。

A股的投资者类型可简单划分为两大类，个人投资者（散户）和机构投资者，机构投资者又可分主观研究（非量化）和量化研究型。从研究特点来看，散户的时间精力成本限制，以个股研究为主；量化机构或量化产品通过量化策略构建组合，持股分散，行业均衡；非量化机构（主观研究）的研究资源丰富，有完善的研究框架，倾向于从产业逻辑挖掘投资机会，一般情况，不同行业的周期不同步，总会有“更优行业”，因此策略可能会有行业轮动的倾向性。因此，我们可以通过判断当下市场是哪类投资者主导来预测市场更适合选股策略还是行业轮动策略，若是散户+量化主导，选股策略更适合；若是主观研究主导，行业轮动策略更适合。由于要获取各细分类别（散户、量化、非量化）的投资者的数量或交易量的高频数据的难度大，我们通过资金流向数据作为代理指标。

一般而言，个人投资者（散户）的资金规模小，单笔成交额较小；机构投资者交易资金量大，单笔成交额大。但近年来，随着算法交易的普及，大部分量化机构或量化类产品会通过拆单减少冲击成本，因此拆分后的量化策略订单的单笔成交额与个人投资者的单笔成交额相当。

按照2月24日收盘价计算，A股全部个股均价24元，中位数13元，约80%的个股的股价低于30元，10手总金额3万元，低于“小单”的划分标准。因此，我们定义“小单”为来自于散户或量化机构投资者的订单，而“大单”和“超大单”定义为来自非量化主观机构投资者的订单，两者的订单差（order_diff）为小单与大单和超大单的双边成交额占比之差。

order_diff=(小单成交金额-（大单成交金额+超大单成交金额）)/总成交额

若订单差（order_diff）位于高位，则说明散户或量化机构主导性强，应重个股研究；若订单差（order_diff）位于低位，则说明主观机构的主导性强，应重视中观的产业或行业研究。怎么形容成交差到底高还是低？我们借鉴布林线的构造逻辑构造“订单差的布林轨道”，若订单差突破上轨线（+2倍标准差），则选择选股策略（+1）；若订单差下穿下轨线（-2倍标准差），则优选行业轮动策略（-1）；进入模糊带（±1倍标准差），则不明确（0）。定义如下：

（1）order_diff中轨线和标准差：计算order_diff的60日移动平均线（中轨线）和60日标准差；

（2）order_diff上下轨线：上轨线=中轨线＋2倍的标准差，下轨线=中轨线－2倍的标准差

（3）模糊带：order_diff位于[中轨线-1倍的标准差, 中轨线＋1倍的标准差]

投资者结构指标累计发出了45次明确的信号，2013~2014和2021-2022年以选股信号为主，而2017-2020则间歇发出不明确和行业轮动信号。统计结果表明，该指标触发了16次选股策略信号（+1），信号的准确率为68.8%，行业轮动信号（-1）29次，胜率65.5%；策略择时后年化超额2.9%，夏普提升了0.14，年度胜率80%。

图表55汇总了前文构建的含宏观、中观和微观3个维度的8个指标。

接下来，我们将三个维度、8个信号进行汇总构成信号系统，我们首先采用等权投票法来合成最终的策略择时信号（图表58），具体的步骤如下：

（1）在每个截面，分别计算产生选股策略（+1）、行业轮动（-1）、不明确（0）信号的次数；

（2）根据+1和-1信号出现的次数决定最终的信号类型：信号出现的频次较另一信号高于2次（a） 或 出现次数更多且不低于N次,N=1,2,3（b）。 

    a)若+1比-1多出现的次数多于或等于2次，最终信号为+1（case1）；若-1比+1多出现的次数多于或等于2次，最终信号为-1（case2）。

    b)若+1出现的次数高于-1出现的次数，且+1出现的次数不低于N次，最终信号为+1（case3）；若-1出现的次数高于+1出现的次数，且-1出现的次数不低于N次，最终信号为-1（case4）；

    c)其余情况，则为0（case5）.

我们为8个指标赋予相同的权重，按照前述的投票规则确定最终的信号类别，设定N=3次，即图表58 的规则，记作vote_single。

信号结果见图表59，信号（+1，-1,0）平均每两个月切换一次，但考虑到信号为0时，我们选股策略胜的概率高于50%（61.0%），我们将信号0调整为+1，即选股策略，结果为图表60，市场适合的策略类型平均2.5个月进行一次切换，去年11、12月信号指引更适合做行业轮动。

近两个月（2月、3月），合成信号均为+1，即策略择时信号表明当下市场更适合选股策略，而非行业轮动策略。

在前文，涉及到具体的选股策略和行业轮动策略时，我们是以公允策略做代理，最后生成了相对客观的、契合市场环境的策略类型信号。下边，我们将最终的指标合成信号vote_single拓展至其他的选股和行业轮动策略组合上，检验信号的有效性和稳定程度。若客观信号为选股（+1），则选股策略的权重为1；若客观信号为行业轮动（-1），在行业轮动策略的权重为1；若客观信号为0，则全部配置选股策略。

我们以报告《个股alpha与行业beta的双剑合璧》中的选股策略为例（记作“选股策略1”），分别检测与以下4个行业轮动策略进行策略择时后的表现：

（1）行业轮动（自下而上）：报告《个股alpha与行业beta的双剑合璧》中行业轮动策略，优选中信一级行业中得分前3构成等权组合；

（2）行业轮动（自上而下）：报告《行业轮动逻辑的标签化应用：重构轮动框架》中的宏观视角的行业轮动策略，优选中信一级行业中得分前3构成等权组合；

（3）公允行业轮动策略：本文第二部分构造的公允行业轮动策略；

（4）农银汇理行业轮动660015.OF。

回测结果如下表图表69，将选股策略1与行业轮动（自下而上）、行业轮动（自上而下）、公允行业轮动策略、农银汇理行业轮动结合进行策略择时后，收益、夏普、Calmar比例、调仓胜率、调仓盈亏比均有所提高，策略择时后相较于原选股策略均有增量。

我们再以公允选股策略为择时策略，分别检测与上述4个行业轮动策略进行策略择时后的表现：策略择时后，所有策略的收益表现、胜率、盈亏比等指标均有优化效果。

接下来，我们尝试将策略择时应用在报告《个股alpha与行业beta的双剑合璧》中的双驱选股策略，构造基于策略择时后的双驱选股策略，核心逻辑为：若策略信号为选股策略（+1），则降低行业轮动策略的权重，若策略信号为行业轮动（-1），则降低选股策略的权重。具体的构建过程如下：

（1）个股评价模型（alpha）：基于 “盈利因子”、“估值因子”和“技术因子”因子构造的rank-based模型，将每个维度的因子在横截面排名得分后等权加权得到最终的个股评分。

（2）行业评价模型（beta）：基于资金面和分析师预期调整构建行业评分模型。

（3）个股缩样，剔除低alpha个股：构造耦合模型的初衷是希望选出能兼顾alpha和beta的个股，alpha理应属于中上水平，因此我们可以剔除低alpha部分，保留alpha得分靠前的600只个股，平均每个行业20只个股。然后，将600只个股的评分缩放至行业评分的上下限，以保证个股和行业评分的平衡和直接运算的合理性。

（4）计算个股综合评分，β为个股相对所属行业指数的弹性β_(stock,ind)：

    若策略信号为不明确（0），w_选股策略=w_选股策略=1

策略的回测参数为：

（1）样本池：全A，剔除ST、*ST、上市3个月内、市值靠后的20%，以及北交所上市的个股

（2）回测时间：2013.1.1-2022.12.31；调仓频率：月频，第一个交易日

（3）手续费：单边千3

（4）基准：中证800

（5）组合数量：50只；组合内个股权重：等权

将策略择时应用在alpha与beta双驱策略后的“双驱+择时” 策略在2013.1.1-2022.12.31的表现见图表71~图表73，引入择时系统后的双驱策略较原双驱策略的收益有所提升、风险收益比进一步提高。双驱策略、vote_single择时信号下的双驱策略组合的年化收益分别为30.3%和33.0%，夏普分别为1.04和1.15；分年度看，相较于alpha选股策略和相较于双驱策略，“双驱+择时”策略的年度胜率均为80%，有8年引入策略择时系统后对年度收益带来了正贡献。

在上一篇报告《个股alpha与行业beta的双剑合璧》中，我们率先提出了一种新的框架将选股策略和行业轮动策略相结合并落地为股票组合，其核心思想是通过个股相对行业的弹性β将个股评价（选股策略）和行业评价（行业轮动策略）通过耦合模型衔接，构建alpha与beta双驱选股策略。模型中，个股自身因素和行业因素对个股的最终影响权重仅取决于个股相对行业的弹性β，我们并未给个股自身评价模型和行业评价模型本身赋予权重，没有去判断当下市场环境更适用的策略或者子策略本身是否失效，而是在策略维度进行了等权配置，使得双驱策略在单边策略失效时通过另一个策略进行“托底”。但从结果看，选股策略和行业轮动策略表现出了明显的相对强弱，一方面，从策略主观而言，任何策略本身都存在阶段性失效的可能性；另一方面，客观上，不同的市场环境，获取alpha和获取beta的难度不一样，有的市场更适合自下而上的“挖票”（alpha策略），而有的市场则更适合侧重中观的研究（行业轮动策略）。本篇报告，我们为上篇报告中尚未直接解决的问题提供了解决思路：提前对市场进行预判，从不同的维度刻画当下市场更适合的策略类型（alpha策略还是行业轮动beta策略），生成策略择时信号。

公允策略构建：“策略本身”和“客观市场环境”是导致选股alpha策略和行业轮动策略阶段性相对强弱的主要原因，为了构建相对客观的策略信号系统，我们构造了“公允选股alpha策略”和“公允行业轮动策略”，剥离掉策略本身失效导致的失灵。

策略择时系统构建：我们从基本逻辑出发，构建了基于宏观与市场（经济基本面、市场周期）、中观（风格切换、行业切换、资金切换）、微观（行业内分化、景气分歧度、投资者结构）共8个指标来综合评估当下市场环境更适合的策略类型。最后，通过指标投票法合成了策略择时信号vote_single。合成指标vote_single下，选股策略信号的准确率为76.0%，行业轮动策略的胜率80.0%，，策略择时后的年化超额7.4%，夏普提升了0.37，调仓胜率由65.8%提升至了72.5%，年度胜率90%。

在前文，涉及到具体的选股策略和行业轮动策略时，我们是以公允策略做代理，最后生成了相对客观的、契合市场环境的策略类型信号。我们也尝试将最终的指标合成信号vote_single拓展至其他的选股和行业轮动策略组合上，检验信号的有效性和稳定程度。我们将报告《个股alpha与行业beta的双剑合璧》中的选股策略和公允选股策略分别与行业轮动（自下而上）、行业轮动（自上而下）、公允行业轮动策略、农银汇理行业轮动结合进行策略择时后，收益、夏普、Calmar比例、调仓胜率、调仓盈亏比均有所提高，策略择时后相较于原选股策均有显著增量。

报告最后，我们将策略择时应用在报告《个股alpha与行业beta的双剑合璧》中的双驱选股策略，构造基于策略择时后的双驱选股策略，核心逻辑为：若策略信号为选股策略（+1），则降低行业轮动策略的权重，若策略信号为行业轮动（-1），则降低选股策略的权重。结果表明，“双驱+择时”相对原双驱策略的收益有提升、风险收益比进一步提高，双驱策略、vote_single信号下的双驱策略组合的年化收益率分别为30.3%、33.0%，夏普比率分别为1.04、1.15；分年度看，相较于alpha选股策略和相较于双驱策略，“双驱+择时”策略的年度胜率均为80%，10年中有8年引入策略择时系统后对年度收益带来了正贡献。

重要声明

适当性说明

《证券期货投资者适当性管理办法》于2017年7月1日起正式实施，通过本微信订阅号/本账号发布的观点和信息仅供华安证券的专业投资者参考，完整的投资观点应以华安证券研究所发布的完整报告为准。若您并非华安证券客户中的专业投资者，为控制投资风险，请取消订阅、接收或使用本订阅号/本账号中的任何信息。本订阅号/本账号难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本订阅号/本账号推送内容而视相关人员为客户。市场有风险，投资需谨慎。

投资评级说明

以本报告发布之日起12个月内，证券（或行业指数）相对于沪深300指数的涨跌幅为标准，定义如下：

行业及公司评级体系

买入—未来6-12个月的投资收益率领先市场基准指数15%以上；增持—未来6-12个月的投资收益率领先市场基准指数5%至15%；中性—未来6-12个月的投资收益率与市场基准指数的变动幅度相差-5%至5%；减持—未来6-12个月的投资收益率落后市场基准指数5%至15%；卖出—未来6-12个月的投资收益率落后市场基准指数15%以上；无评级—因无法获取必要的资料，或者公司面临无法预见结果的重大不确定性事件，或者其他原因，致使无法给出明确的投资评级。市场基准指数为沪深300指数。

分析师承诺

本人具有中国证券业协会授予的证券投资咨询执业资格，以勤勉的职业态度、专业审慎的研究方法，使用合法合规的信息，独立、客观地出具本报告，本报告所采用的数据和信息均来自市场公开信息，本人对这些信息的准确性或完整性不做任何保证，也不保证所包含的信息和建议不会发生任何变更。报告中的信息和意见仅供参考。本人过去不曾与、现在不与、未来也将不会因本报告中的具体推荐意见或观点而直接或间接收任何形式的补偿，分析结论不受任何第三方的授意或影响，特此证明。

免责声明

华安证券股份有限公司经中国证券监督管理委员会批准，已具备证券投资咨询业务资格。本报告中的信息均来源于合规渠道，华安证券研究所力求准确、可靠，但对这些信息的准确性及完整性均不做任何保证，据此投资，责任自负。本报告不构成个人投资建议，也没有考虑到个别客户特殊的投资目标、财务状况或需要。客户应考虑本报告中的任何意见或建议是否符合其特定状况。华安证券及其所属关联机构可能会持有报告中提到的公司所发行的证券并进行交易，还可能为这些公司提供投资银行服务或其他服务。

本报告仅向特定客户传送，未经华安证券研究所书面授权，本研究报告的任何部分均不得以任何方式制作任何形式的拷贝、复印件或复制品，或再次分发给任何其他人，或以任何侵犯本公司版权的其他方式使用。如欲引用或转载本文内容，务必联络华安证券研究所并获得许可，并需注明出处为华安证券研究所，且不得对本文进行有悖原意的引用和删改。如未经本公司授权，私自转载或者转发本报告，所引起的一切后果及法律责任由私自转载或转发者承担。本公司并保留追究其法律责任的权利。

有态度的金融工程&FOF研究

长按识别二维码关注我

本篇文章来源于微信公众号: 金工严选