►主要观点
当前，传统多因子选股模型遭遇瓶颈：一方面，基本面因子近两年遭遇较大幅度的回撤；另一方面，人工挖掘的价量因子增量有限。在当前alpha日益稀缺的环境下，本文尝试理解并拥抱beta，通过重构定义、探索规律和投资实践捕捉风格的转换，丰富策略收益。
重构大小盘和价值成长风格：对于大小盘风格，考虑到可投资性以及超大盘和微盘股的“独立行情”，利用分位数+流动性筛选机制进行划分；对于价值成长风格，补充分析师预期指标丰富对成长和价值维度的刻画，综合考虑个股的价值和成长大类得分，并基于分位数筛选和设定单项得分阈值划分价值和成长，使得两者互斥且保有自身特点。
宏观层面，基于逻辑先导+统计后验的原则，使用事件驱动法来研究风格和宏观因素之间的关系，综合信号表现和信号间的相关性来严格筛选宏观事件库。市场状态反映投资者情绪和风险偏好程度，同样采用事件研究法考察市场状态和风格轮动间的关系。微观层面，以多因子模型为基础，多样化风格微观特征的表达方式，从业绩变化、资金趋向和交易情绪三个方面挖掘有效指标，结果表明，历史业绩更佳、资金偏好或交易活跃的风格，未来仍会相对占优。通过指数投资或因子改进的形式考察风格轮动模型的实践性：仅做多条件下，大小盘轮动策略年化超额收益达16.72%，IR为1.80。价值成长轮动策略年化超额收益达13.6%，IR为2.06，月胜率75.6%。在可做空股指期货的条件下，大小盘轮动策略的年化收益达33.92%，夏普比为1.80。价值成长轮动策略的年化收益达27.39%，夏普比为2.07，月胜率约74.8%。结合风格轮动信号对BP因子进行改造，改进后相对初始BP在IC表现、多空收益和回撤方面均有明显提升，多头年化超额由3.74%提升至11.48%。本报告基于历史个股数据进行测试，历史回测结果不代表未来收益。未来市场风格可能切换，Alpha因子可能失效，本文内容仅供参考。
回归结果显示，基金公司规模与基金业绩呈负相关，实地调研频率与基金业绩显著正相关。因此中等规模的基金公司，实地调研次数越多，基金绩效越好1.1 挖掘Alpha因子愈发困难，拥抱风格beta势在必行
当前，传统多因子选股模型遭遇瓶颈：一方面，以成长、盈利、分析师为基石的基本面因子近两年遭遇较大幅度的回撤，我们对比了净利润超预期（SUE0）、营业收入超预期（SUR0）、单季度ROE、单季度ROA和分析师情绪类因子在全市场中不同时期的表现：可以看出，不管从哪个角度评价，无论从因子的整体或局部进行考察，基本面因子近年来的预测能力出现显著下滑已是不争的事实。
另一方面，受地缘政治、美联储加息等外部因素影响，风险偏好相对弱势，A股市场步入存量博弈的环境，价值、红利和量价类因子异军突起，撑起了因子选股模型的半边天。然而，由于因子交易拥挤、alpha因子beta化，迫使新因子的开发，因子模型的迭代不能停滞不前，但后发优势的逐渐丧失导致因子的挖掘周期越来越长，加之人工挖掘的价量因子不可避免地与已有因子有着较高的信息重叠性，增量十分有限，投资者开始尝试通过深度学习或集成学习来挖掘、合成因子，通过加强模型的特征提取能力，更准确地概括市场规律，虽有所成效，但“黑盒式”的决策过程、算力的需求以及高换手在交易、规模层面上的约束，导致了深度学习的广泛应用较难在短时间内落实于投资实践中。
1.2 风格轮动是A股市场永恒的话题，蕴含着丰富的收益
随着市场定价效率的提升，部分alpha因子，尤其是基本面因子，有逐渐风格化的趋势。从净利润超预期因子的IC累计曲线来看，2022年之前可视为一条平稳上升的直线，与价值风格的周期性表现近乎无关，而最近两年，IC累计曲线斜率趋平，且与价值因子IC走势呈现明显的背离趋势，这说明了净利润超预期因子的有效性一定程度上受价值风格占优的影响，超额收益开始呈现较大的波动。
面对alpha因子的大面积、持续性失效，作为量化从业者该如何应对呢？除了通过深度学习算法继续挖掘alpha之外，以科学的手段拥抱风格beta是提高策略收益的另一条途径，与其对具有“不确定性”的beta抱有恐惧而完全规避，不如更深入地理解风格切换时的规律及其影响因素。
A股市场中，风格轮动现象一直是投资者讨论的热点话题，常说的市场风格包括大小盘和价值成长，从量化的角度而言，市值和价值两大风险因子对横截面收益有很强的解释力度。以沪深300和中证1000指数表征大盘股和小盘股，国证价值和国证成长代表价值股和成长股，如图表3所示：可以看到，风格间的相对强弱关系历年来发生频繁的转换，但每次切换后强势风格的持续时间相较行业轮动更长，因此，对于右侧信号居多的量化策略而言，提供了合适的土壤，且蕴含着丰富的收益。
不妨简单模拟以下场景：若投资者能准确配置未来相对占优的风格，测算其所能获取的收益：以沪深300、中证1000、国证价值和国证成长指数表征大盘、小盘、价值和成长风格，每月末持有下个月表现更强势的风格指数，回测其表现：
结果表明，自2010年1月1日至2023年11月30日，在月度频率调仓的条件下，大小盘轮动策略年化收益约31.2%，绝对收益月胜率为65.3%，价值成长轮动策略年化收益约19.46%，绝对收益月胜率约63.5%，远胜配置任一宽基指数。不难想象，若能在保证胜率的基础上维持预测频率，将会获得丰厚的收益。
由此可见，在当前alpha日益稀缺的环境下，捕捉风格的转换有助于丰富策略收益。本文将尝试追寻A股市场中风格变迁的轨迹，探讨大小盘和价值成长风格轮动的规律：在余下的章节中，探讨如何对风格做更精细化的定义，多个维度探寻风格轮动的驱动因素并构建配置信号，以及如何运用于投资实践中。
构建一套成熟、有效的风格轮动策略之前，首先需要明确的是如何定义风格，合理、清晰的定义有助于投资者更有效地复盘和归因，不然得到的结论很有可能与市场主流观点和感知有所出入。
2.1 大小盘风格的再定义
定义大小盘风格一般以总市值指标为判断依据，根据市值大小将A股划分为大盘股、中盘股、小盘股以及微盘股。目前，业界对于市值风格的定义主要分为两类，第一类是数量恒定法，通常直接使用沪深两市常见的宽基指数，例如将沪深300、中证500、中证1000和中证2000作为大盘、中盘、小盘以及微盘风格的代表，一定程度上减少了额外维护风格指数成分股和净值的成本，且该定义方法简单直观，具备相当的合理性。不考虑因特殊情况被剔除的情况下，沪深300、中证500、中证1000和中证2000指数几乎囊括了沪深两市日均市值最大的300只、301-800位、801-1800和1801-3800位的个股，互相之间各不重叠。然而，用恒定数量法来划分大小盘风格存在明显的缺陷：一方面，恒定数量法灵活性较差，不具有动态代表性。从各宽基指数的总市值占比来看，早年A股市场股票数量较少，2010年年初，沪深300的股票数量占比近20%，总市值占比超过70%。随着全市场股票数量的日益增多，宽基指数的股票数和市值覆盖占比在不断被动降低，如今，沪深300总市值占比已回落至53%，未来这个数字很有可能会继续下降。
总之，以恒定数量的方法定义大小盘风格较难适应股票数量的变化，若股票数量太少，小盘风格可能无法被有效定义；若股票数量太多，且市值分布发生变化，大小盘成分股只是A股市场中的冰山一角。另一方面，恒定数量法也未考虑成分股属性的变化：考察宽基指数成分股的总市值中位数，长期来看，各指数的市值中枢呈现抬高的趋势，截至2023年10月末，中证500成分股的总市值中位数超过200亿，而中证1000指数成分股的总市值也逾百亿。从逻辑上说，当企业规模变大之后，会产生规模效应，更少需要通过外部融资来获得现金流再投入生产，完全可以做到自给自足，因此，规模较大的企业对外部环境变化的敏感性较弱，抗风险能力变强。由此可以想到，随着市场整体规模变大，中证500的头部成分股属性和股价走势应更接近大盘股，而中证1000头部成分股属性更接近中盘股，此为市值跃迁效应。
那么，是否存在一个临界值或范围，当股票超过临界值后，股价走势就更接近更大市值的风格，或低于某一临界值后，股价走势更接近更小市值的风格。
为考察这一现象，每个月末根据总市值绝对值将股票分为0-50亿，50-100亿，100-200亿、200-500亿，500-1000亿，1000-3000亿和3000亿以上7组，并以沪深300和中证1000作为大小盘风格的代理指数，考察其收益相关性：
从测算结果看，0-50亿的微盘股具有非常独立的收益特征，与其余市值组收益相关性处于较低水平，最高不超过20%；此外，当公司市值超过3000亿后，其收益特征亦呈现一定的特质性，可见超大盘风格和大盘风格也有一定区别，因此，在构建大盘风格时应考虑这一点；若仅从收益相关性的角度探讨大盘和中盘以及中盘和小盘的临界值，以沪深300为锚，大盘股与中盘股的黄金分割点应在200-500亿间，高于中证500成分股的中位数，以中证1000为锚，中盘股和小盘股的黄金分割点落在200亿附近，可见随着A股市值整体变大，中证1000指数成分股并不能很好地定义小盘股，而部分成分股愈发趋近中盘股的特征。
第二种方法是根据相对比例法来定义大小盘风格，常见的有根据股票数量分位数，或者根据累计市值占比来进行划分。
在全市场范围内根据总市值将股票等分为十组：结果表明，A股市场中市值分布存在显著的“一九分化”现象，平均来看，市值最大的10%的股票占据了64%左右的权重，第二组占据了约11%的权重，而剩余的80%的个股总计占据25%左右的市值权重，总体呈现非常明显的右偏分布。
采用相对比例的方法虽然解决了动态代表性这一问题，能保证风格的编制有效适用股票数量的变化，但亦存在一些瑕疵：
首先，尾部个股的可投资性相对较差。以市值最小的10%股票为例，从日均成交额统计来看，部分时期如2018年下半年，成交额中位数约600万元，在实际交易的过程会面临较大的冲击成本，收益难以获取，由此可见在构建小盘风格时也应考虑流动性。
其次，不能混淆小盘股和微盘股的概念。考察各宽基指数的分年度表现：从图中可以看出，市值在部分年份呈现非线性效应，出现“中间弱，两头强”的现象；此外，与前文市值跃迁效应部分的统计结论一致，微盘股似乎不受大小盘风格轮动影响，wind微盘股指数几乎在每一年都至少位列前二，几乎没有相对弱势的年份，说明微盘股业绩受市值因子的解释力度有限，走出了独立的行情，产生超额收益的机制独特，和传统意义上小盘风格的驱动因素有所不同。
基于前文分析，HA大小盘风格的构建规则如下：
（1）样本空间：全A，剔除ST、*ST股票，以及上市时间不足3个月等股票；（2）选样规则：大盘风格选取总市值最大的10%的股票；小盘风格选取总市值排名后70%的股票，并剔除过去一年成交金额后10%的股票；（4）个股加权方式：大盘风格成分股等权；小盘风格自由流通市值加权；分别构建HA大盘指数和小盘指数，测算分年表现和相对走势：2017年之前，主要是小盘股占优，尤其是2015年，两者的收益差距达72.8%，2017年-2020年，大盘股后来居上，连续4年跑赢小盘，而最近三年，小盘股又逆势而起，重新占据强势地位。长期而言，小盘股稍强于大盘股，但不存在哪种风格长期占上风，或明显占优势。
从大小盘成分股股票数量变化来看，2010年年初，大盘成分股数量为141只，截至2023年10月末，数量升至510只；小盘成分股的数量由最初的851只增加到3063只。由此可见，以数量比例法定义大小盘更能适应市场股票总数的变化。
对比等权和自由流通市值加权下的大盘成分股的行业分布，可以看到，等权重下的前五大行业分别为电子、医药、非银金融、电力设备新能源和计算机，总计41.57%，而市值加权下的前五大行业分别为食品饮料、银行、电子、非银金融和医药行业，总计49.17%，等权法下的行业配置相对更分散，受行业风格影响更小；其次，等权法下的大盘风格的金融行业占比更低，由于金融行业更多受政策面因素影响，因此会增加风格的收益预测难度。对比大小盘的中信一级行业分布，小盘股的行业分布更集中于机械、基础化工和TMT等成长行业，而大盘股中大金融板块、交通运输、公用事业等防御性板块占比相对更高，总体行业特征较为鲜明。
从HA大小盘的总市值中位数和宽基指数分布来看：大盘成分股总市值中位数480亿左右，主要覆盖沪深300成分股和中证500头部成分股；小盘风格市值中位数约44亿，覆盖中证1000和中证2000成分股为主。
2.2 价值成长风格的再定义
相比定义大小盘，划分价值成长风格的手段更灵活，因为区分大小盘风格的指标是固定的，差异仅在于根据恒定数量还是相对比例来划分；而定义价值和成长风格在指标选取上就存在一定分歧，所以可操作性更强。
当前市场上主流的价值、成长风格指数多是以因子维度出发，根据指标综合打分选取得分较高的股票表征对应风格。对目前市场上常见的价值成长风格指数的编制规则进行梳理，总结如下表：
纵览各指数编制方法，目前风格指数在编制时存在以下问题：1、样本代表性问题。上述风格指数无一不是选取固定数量的样本股，随着A股数量不断变多，其成分股代表性日益降低。另外，指数的样本域以中大市值的股票池为主，缺少对小盘价值、或小盘成长特征的捕捉，因而对风格刻画不够全面。2、对成长的刻画更多偏向于历史成长性指标。上述指数对成长的定义，多是以历史营业收入增长率和净利润增长率为主，但历史业绩仅代表公司过去增速较高，未来不一定可以持续，因此应尝试纳入分析师一致预测指标来进行补充。3、调仓周期较长。与常见的宽基指数类似，上述风格指数多是半年频进行样本股调整。由于当前风格轮动的节奏较快，伴随着一些外生性事件，公司的市值可能会发生较大的变化，半年频调仓对公司特征变化的反应相对比较迟滞。4、成长和价值的边界不清晰。目前，风格指数更倾向于认为两者非对立的，容许价值和成长风格成分股存在一定的重叠。于逻辑而言，价值股和成长股应呈现负相关性，未必是完全对立的；但从策略的角度来说，对价值与成长的定义应分明一些，若价值与成长多头端的重合度较高，两者收益分化会变得不明显。考察价值、成长风格的重合情况，其中，价值因子包括EP（市盈率倒数）、BP（市净率倒数）、DP（股息率）、OCFP（市现率倒数）、分析师一致预测BP和分析师一致预测EP；成长因子包括归母净利润TTM同比增长率、营业收入TTM同比增长率、分析师一致预测营业收入同比增速和分析师一致预测净利润同比增速。从因子值相关性来看，总体呈弱相关，在-9%到24%的范围内波动，截止至2023年10月31日，两者秩相关性为11%。进一步的，分别取价值和成长得分靠前的30%作为多头组，排名靠后的30%作为空头组，并考察相互之间的重合情况：可以看到，价值和成长因子的多头部分重合度不到30%，而空头部分的重合度高达43%，这说明，高估值的股票未必呈现高成长性，而低估值股票未必呈现低增速，可见两者并非对立。但由此衍生出的问题是，若轮动的对象本身并非互斥的，那轮动的意义何在？因此，是否存在一套分类标准，即可以保留价值、成长风格的特征，又使得两者呈现“人为”的对立，更有助于策略的构建和收益的获取。
基于前文分析，我们加入了分析师预期类指标以丰富价值成长维度的因子构成，具体指标和权重构成如下：另外，为保证价值和成长风格成分股不重合，并仍保有各个维度的特点，采用大类得分相减，并加入单项阈值筛选的方法进行分类，具体构建规则如下：
（1）样本空间：全A，剔除ST、*ST股票，以及上市时间不足3个月等股票；
（2）选样规则：价值风格内部加权打分合成大类价值得分，成长风格内部加权打分合成大类成长得分，计算成长与价值排名分位数的差异作为最终的复合得分；选取得分排名后30%的股票，且满足价值得分单项位于前40%作为价值风格的成分股；成长风格选取得分排名前30%的股票，且满足成长得分单项位于前40%。
（3）个股加权方式：自由流通市值加权；
分别构建价值指数和成长指数，测算分年表现和相对走势：长期来看，价值风格占优，相对成长风格的年化超额收益约1.9%。2010、2013、2015、2019和2020年是成长风格强势的年份，且收益弹性较强，同年相对收益差距较大；不难看出，成长风格强势的持续性相对较弱，但往往在中短期中获得较高的收益。从成分股数量变化来看，价值和成长风格成分股的数量大致相当，2010年年初，价值风格成分股数量为341只，成长风格成分股数量为349只；截至2023年10月末，价值成分股数量变为1225只；成长成分股数量增加到1231只。
对比价值和成长风格的行业分布，价值风格成分股的行业构成主要包括银行、非银金融、基础化工、有色金属、家电、交通运输和公用事业，整体偏向防御性，而成长风格的权重行业分别为食品饮料、电力设备及新能源、医药、机械、电子和计算机行业，更偏向于科技属性较强的行业。
大小盘和价值成长风格之间的关系并非相互独立的，一对风格在发生切换的过程中可能会影响另一对风格的相对状态。在过去，大盘价值和小盘成长似乎是一对约定俗成的风格组合，一定程度上也和大盘股和小盘股的行业属性有一定关联。早年，大盘股的行业分布以金融板块居多，整体偏向价值，而后在消费和新能源龙头股的市值相继不断攀升的过程中，大盘股的行业结构愈发均衡，价值属性不再突出。
分析大小盘风格和价值成长风格的相对净值走势和分年度业绩表现：2019年之前，每一年占优的风格只有大盘价值或小盘成长，但自2019年起，大盘成长和小盘价值一跃成为了更为主流的强势风格，大小盘和价值成长的相对净值走势也呈明显背离。
分段考察大小盘和价值成长收益的相关性：以2019年为界，可以清楚地看到，无论是以月度、季度还是年度的频率，两者在2019年之前呈较强的正相关性，即大盘强势期与价值风格强势期大致吻合，而小盘与成长风格强势期高度重叠。但近几年来，大小盘和价值成长之间的收益相关性得到较大幅度的扭转，呈现微弱的相关性，甚至变为负相关，说明大盘价值和小盘成长不再一同出现，取而代之的是大盘成长和小盘价值。
从市值因子和价值成长复合得分的截面相关性来看：正如我们所预期的，相关系数经历了由正相关性到负相关性变化的过程，于2017年年中达到峰值，自2018年年末起呈下降趋势，于2021年11月末达到谷点。进一步的，考察大小盘和价值成长风格成分股的重合度：大盘和价值的重合性仍然更高，但和大盘成长之间的差距越来越小，截止至2023年10月末，大盘价值重合度为37.8%，大盘成长风格重合度达21.9%；对于小盘风格，小盘价值和小盘成长之间的差距相对不明显，一定程度上可能是因为小盘的行业分布更分散，因而风格更均衡，且行业的价值、成长属性可能随着产业的变革存在较大的变化，因此小盘股的价值成长属性实质上并不稳定。总体来说，大小盘和价值成长风格之间存在错综复杂的关系，且这种关系显然是动态变化的，因此存在单独分析建模的必要，后文将从多个维度研究风格轮动的驱动因素，并尝试构建配置信号。本质而言，资产的价格是其未来现金流的贴现值。根据罗伯特·席勒资产定价模型，资产的定价取决于盈利预期、贴现率和投资者情绪。下图是广义的资产配置多层级金字塔：自上而下的看，最上层的是大类资产配置，第二层是风格配置，第三层是行业配置，最底层的是选股，决策难度依次递减。从定价模型的角度考虑，虽然各类资产定价本质都与盈利预期、贴现率、投资者情绪有关，但不同类型的资产所受不同维度信息影响的广度和深度均有所不同，越往资产决策的上层走，受影响因素的维度越复杂，且越偏外生性；越往下层走，更多地着眼于中观层面对产业政策或趋势的把握以及微观层面对公司的基本面质地扎实的研究。
研究风格轮动的方法论是以资产定价模型为基础，对影响盈利预期、贴现率和投资者情绪的因素进行归纳和总结，利用历史数据为佐证，构建讲逻辑、可量化、有效性强的策略。我们认为：宏观层面，经济增长、货币、信用等因素影响了资产的盈利预期以及对必要回报率的要求。一些偶发性的外部事件也会影响投资者的风险偏好，从而影响他们的投资决策；此外，市场状态亦是表征投资者情绪和风险偏好的重要维度，亦是宏观经济的良好补充。中观层面主要受产业政策、产业周期、景气度驱动，由此产生的风格之间的相对业绩优势影响了分子端的盈利预期，从而在二级市场上影响风格收益率形成阶段性强势风格，相对而言，这种影响途径是偏中长期的，持续时间较长；微观层面，上市公司的业绩变化、资金趋向和交投活跃度形成共振后可能会助推某一种强势的风格。因此，一个完善的风格轮动模型，应涵盖宏观、中观以及微观等多个维度的信息：其中，中观和微观通常以多因子模型为基础（通过个股基本面、技术面和资金面指标构建）进行研究，而基于宏观视角研究风格配置则是相对困难的一环，因为宏观变量和风格收益之间的逻辑和统计关系往往是复杂且模糊的，可能非简单意义上的线性关系。通过回归法或经济周期划分法研究，虽然易于解释，但统计结果往往不尽如人意，通常反映在系数不显著，或者在经济周期转变的过程中风格间收益分化不明显，导致较难通过回测结果得出显著性的结论，从而无法对投资做出有效指导。我们曾在《行业轮动逻辑的标签化应用：重构轮动框架》中尝试使用事件驱动法来研究行业和宏观因素之间的关系，取得不错的效果。然而，仅仅从统计的角度归纳历史结论，存在过拟合风险。本文将采取逻辑先导+统计后验的原则，保证每一条宏观规则与风格的对应符合直觉和逻辑。3.1 如何构建风格轮动的宏观事件库？
经验上讲，我们认为，当期限利差下行时，大盘股走强，这里对宏观事件的刻画涉及到两方面因素，一个是宏观因子的选取，另一个是宏观因子所处的状态或情景。因此，在研究宏观经济对风格的影响时，先基于经验性逻辑确定宏观因子对风格的影响方向，再通过统计手段对宏观因子、事件模式和参数之间的最优组合进行搜寻和优化，构建风格轮动的宏观事件库。
从经济增长、消费、货币、利率、海外、地产六个维度挑选常见的影响资产收益的宏观因子，为保证回测过程中宏观数据的可得性和统一性，根据发布时间取月末最新可得的宏观数据，对于日度、周度数据则取月末数据进行降频，其中，方向为正，表示该宏观因子上行时，看好大盘或价值风格，下行时，看好小盘或成长风格，后文不再赘述。
一个完整的宏观事件除宏观因子外，还包含事件模式的定义。对于每一个宏观因子，定义以下5种事件模式，分别是处于历史高（低）位，边际改善（恶化）趋势，是否超“预期”（根据历史值推测），以及创新高和新低。有别于经济周期划分法中对指标的处理方式（多为趋势判断），事件法相对更加灵活，且侧重于描述单宏观变量在特定状态下对风格产生的影响，例如，当某宏观因子创新高时，直观上该事件触发时对资产收益的影响力应大于趋势上行所带来的影响，因此会使得原本符合主观逻辑但统计层面不显著的规律，在部分特点事件模式下变得存在统计规律。
3.1.2 基于逻辑先导+统计后验筛选有效宏观事件如前文所述，构建宏观事件库的另一个环节是如何甄别事件是否有效：首先，逐一对宏观事件触发后风格指数的相对收益进行检验：对于每一对风格（大小盘/价值成长），考察如下指标：
1. 事件触发后未来一个月风格指数的相对收益（大盘-小盘，价值-成长）；
2. 超额收益的信息比率；
3. 超额月胜率；
4. 宏观信号之间的相关性。
从而综合判断该事件是否有效。为保证宏观事件检验的统计结果具有参考意义，设定如下筛选条件：
1. t值大于1.96；
2. 包含同一宏观因子的有效事件中仅保留信息比最高的，降低冗余性；
3. 从剩余符合条件的有效事件中选信息比最高的9个事件。
需要注意的是，与行业轮动模型中事件研究法的区别是，此处的宏观信号均是二元变量，不存在中间态。例如，当信用利差高于历史中位数时，看好大盘股，低于中位数时看好小盘股。
在上述筛选标准下，为各个风格找到了对应的有效事件，下表展示了大小盘风格和价值成长风格的宏观有效事件，总体符合经济逻辑：地产、消费、PMI是经济景气度的代表数据，从行业的角度来看，大盘和价值风格更多覆盖了金融、地产、消费类行业，其上市公司业绩和经济景气状况具有更高的关联性，而小盘和成长风格主要由科技、制造行业组成，行业分布更为均衡，拥有自身的产业周期，与经济关联度相对不高，因此在经济疲软期表现更好。货币和利率指标反映了宏观和微观流动性，大型企业往往现金流充足，对外部资金成本的变动影响较小；而小型企业更依赖于外部融资，因此对流动性环境更敏感。因此，在流动性宽松时期，风险偏好提振，更容易会出现小盘、成长行情，而当货币政策边际收紧，逻辑上来讲，大盘和价值风格表现更强势。期限利差定义为10年期国债收益率与1年期国债收益率差值。长期利率反映了经济预期，长端利率上升表明投资者看好未来经济，而短期利率更多是市场流动性的反映。期限利差下行主要是由于两者的上下行变化幅度的差异性导致的：若同时上行，且1年期国债到期收益率上行幅度更大，说明经济预期向好，货币政策边际收紧，此时大盘和价值风格会相对占优；在同时下行的环境下，10年期国债到期收益率下行幅度更大，此时经济悲观但市场流动性宽松幅度有限，在这种情况下大盘、价值风格占优。总的来说，期限利差收敛时，大盘和价值风格会相对占优。基于筛选后的宏观事件库构建风格轮动策略，具体细节如下：· 指数池：本文定义的大小盘风格或价值成长风格指数· 回测时间区间：2013年1月1日 - 2023年11月30日· 调仓策略：每个月末，依据事件库触发的配置信号通过等权投票法计算总得分，配置相应的风格指数。从回测结果看，宏观视角下的大小盘轮动策略年化超额收益达9.8%，年化IR为1.31，2014和2019年跑输基准，超额月胜率达64.1%，表现较好。从宏观信号分布来看，总体偏向小盘，信号变化相对缓慢，2017年和2020年更偏向大盘。宏观视角下的价值成长轮动策略年化超额收益达12.70%，年化IR为1.35，分年度表现稳定，所有年份均能战胜基准，超额月胜率达64.12%。价值成长风格轮动的宏观信号分布相对平均，2015、2019、2020和2022年明显更偏好成长风格，其余年份价值成长配置信号互有切换。从回测的角度来看，宏观模型表现较为出色，但模型的准确性很大程度上取决于宏观事件的选取。因此，我们对宏观事件的筛选标准中的条件3进行敏感性检验以确保模型足够稳健。可以看到，在不同的有效事件的数量筛选阈值下，宏观策略均有良好的表现，随着筛选阈值的提高，策略表现有所提升。总体来说，选取信息比最高的9个或11个事件是比较稳妥的选择。3.2 如何构建基于市场状态的风格轮动策略？
虽说股市是经济的晴雨表，但宏观经济对市场的传导并不一定是及时且直接的，市场状态也包含了宏观经济未蕴含的信息，能反映投资者情绪和风险偏好程度。例如，市场在放量上涨时，往往投资者风险偏好较高，弹性更强的小盘和成长风格通常占优；当市场成交量萎靡时，风险偏好弱势，此时大盘和价值的防御性凸显，更具有配置价值。计算中证全指指数的月涨跌幅、月换手率、月波动率、ERP、BP、DRP和中证红利指数的月超额收益作为反映市场状态的代理变量，具体指标如下所示：类似的，采取事件研究法来考察市场状态变量与风格间的关系，选取信息比最高的三个指标作为市场状态得分，汇总如下表：同样的，基于市场状态信号构建风格轮动策略，具体来说，每个月末，依据市场状态信号通过等权投票法计算总得分，配置相应的风格指数。
从回测结果看，市场状态视角下的大小盘轮动策略年化超额收益达11.02%，其中2015年贡献较大，说明信号能有效捕捉2015年市场交易情绪过热时期的小盘股行情，策略的年化信息比为1.5，所有年份均能跑赢基准，表现稳定。市场状态信号分布相对宏观信号更为平均，且切换频率更高。
价值成长风格轮动策略年化超额收益达13.8%，年化IR为1.47，除2019年以外，其余年份能跑赢基准，超额月胜率达66.4%，总体表现良好。从微观的视角来看，风格轮动的驱动因素来自上市公司的盈利边际变化、资金偏好以及交易情绪：盈利边际变化和景气度息息相关，主要通过业绩同比增速、业绩超预期和分析师情绪类指标来反映；交易情绪反映了市场参与者的投资偏好，追踪微观交易行为是典型的右侧布局的逻辑，对交易活跃度较高的风格进行趋势投资；而资金偏好是通过观察各类资金在风格层面的边际变化以此推断资金的配置观点。为避免复合逻辑（例如放量上涨）带来的过拟合问题，我们以选股领域中行之有效的单因子为基础，通过不同的计算方式表征风格层面的微观特征。对于风格而言，绝对值的相对大小没有意义，例如大盘股和小盘股的换手率没有可比性，价值股和成长股的业绩增速较难直接比较等等。
换言之，我们更需要考虑指标在时间序列上的相对大小来反映其变化，为此，计算每个因子向前滚动12期的ZSCORE来进行时序标准化，代表了当前时点风格在该特征上相较于过去一年的相对位置，再进行风格间的比较。
除了单因子的处理外，本文通过整体法或局部法来将个股因子汇总到风格上：整体法中，加权平均、中位数和算术平均是简单有效的计算方法；另外，通过计算指标在全市场中的分位数，考察极端样本占比亦是表达风格特征的一种方式，例如大盘风格虽然整体业绩增速并无明显变化，但其成分股中当期业绩增速处于全市场前95%分位的比例相对过去一年有显著提升，这也能反映大盘风格的基本面边际向好。综合考虑超额收益、信息比、胜率以及指标间的相关性，筛选出分别适用于大小盘和价值成长风格的微观指标，入选因子如下表所示：从测试结果来看，风格层面，业绩、资金和量价类因子均呈现动量效应，即历史业绩更佳、更受资金偏好或交易活跃的风格，未来仍会保持相对强势的地位，这一点和行业类似，而和个股层面显著的短期反转效应相悖。
至此，基于上文的测试结果构建微观视角下的风格轮动策略，具体细节如下：
· 指数池：本文定义的大小盘风格和价值成长风格指数
· 回测时间区间：2013年1月1日 - 2023年11月30日
· 调仓频率：月末调仓
· 基准：风格指数等权
· 成交价格：收盘价
· 调仓策略：每个月末，依据微观信号通过等权投票法计算总得分，配置相应的风格指数。
微观视角下的大小盘轮动策略年化超额收益达12.4%，年化IR为1.69，除了2019年以外，其余年份跑赢基准。从胜率的角度，相比于宏观策略，自下而上构建风格轮动策略的稳定性略逊一筹，说明风格作为众多个股、行业的聚合体，其相对收益较难通过微观因素进行稳定预测。
价值成长风格轮动微观策略年化超额收益达10.9%，年化IR为1.16，于2015年大幅跑输基准，相对回撤较大，一定程度上也和2015年市场微观层面反转效应较强有一定关联。3.4 基于宏观经济、市场状态和微观特征三维视角下的风格轮动模型表现出色
上文从宏观经济、微观特征、市场状态三个维度得到一系列有效的风格配置信号，我们通过结构化等权投票法进行得分复合。具体来说，三个维度内部均通过等权投票法合成大类得分，各大类得分经过0-1标准化处理后，再进行加权计算得到最终的复合得分，下表汇总了各类策略的绩效表现以及信号权重。
基于宏观经济、市场状态和微观特征的复合信号考察风格轮动策略的表现，具体细节如下：· 指数池：本文定义的大小盘风格和价值成长风格指数· 回测时间区间：2013年1月1日 - 2023年11月30日· 调仓策略：将宏观、微观和市场状态信号通过结构化等权投票法计算总得分，配置相应的风格指数。结果表明，大小盘风格策略相对基准超额收益达14.55%，年化IR为1.99，分年度表现相对稳定，其中2014和2015年贡献居多，总体超额月胜率约67.9%，相对三个子策略在超额收益和回撤控制方面均有明显提升。价值成长风格轮动策略相对基准超额收益达21.16%，年化IR为2.27，分年度表现稳定，所有年份均跑赢基准，且除今年以外，其余年份的月胜率均在66.67%以上，总体的超额月胜率达73.28%，策略表现十分出色。
第三章从宏观经济、微观特征和市场状态三个维度构建了风格轮动策略，取得不错的效果。在这一章节中，尝试在不同的场景下将策略运用于投资实践，并考察其表现。
一般来讲，风格轮动策略与实际投资的主要结合形式是通过指数ETF来配置风格。假设两种场景，第一种是仅能做多指数，第二种是既能做多指数ETF，又能做空股指期货。为简便起见，均以宽基指数作为测试对象考察策略表现。
· 指数池：沪深300、中证1000和中证2000；国证价值和国证成长指数
· 回测时间区间：2014年1月1日 - 2023年11月30日
· 调仓频率：月末调仓
· 基准：指数等权
· 成交价格：收盘价
· 调仓策略：将宏观、微观和市场状态信号通过结构化等权投票法计算总得分，配置相应的风格指数，其中沪深300指数代表大盘，小盘由中证1000和中证2000指数表征，价值和成长风格分别对应国证价值和国证成长指数。
从回测结果看，在仅多头配置的条件下，大小盘宽基指数轮动策略相对基准超额收益达16.72%，年化IR为1.80，2016年和2019年小幅跑输基准，超额月胜率约63.03%。总体来看，定义方式的区别对于策略的实施会产生影响，成分股的差异性会影响微观因子的构建，将大小盘信号直接应用于宽基指数轮动组合，部分年份的稳定性有所损耗。
类似的，仅多头条件下价值成长宽基指数轮动策略相对基准超额收益达13.6%，年化IR为2.06，分年度表现稳定，相对回撤较小，超额月胜率约75.6%，总体表现十分出色。
由于股指期货存在做空机制，风格轮动模型亦可结合多空策略进一步增强收益，例如，若模型发出信号配置大盘，则当月多头持有沪深300指数，并同时做空中证1000和中证2000指数。大小盘宽基指数轮动策略的年化绝对收益达33.92%，夏普比为1.80，2016和2019年表现相对较弱，月胜率为62.18%。
类似的，价值成长风格指数轮动策略的年化绝对收益达27.39%，年化夏普比为2.07，分年度表现稳定，月胜率约74.8%。
除了通过指数ETF实践风格轮动策略外，对因子选股的借鉴意义亦值得思考。以改进BP因子为例，当轮动信号看好价值风格时，因子值保持不变；看好成长风格时，以PB作为当期的因子值，回测其表现：结果表明，结合风格轮动信号的BP因子相对初始BP有显著提升，未做中性化处理的新BP因子的Rank IC均值达7.6%，年化ICIR为1.6，多头年化超额为14.3%，空头年化超额-19.11%，均远胜于原始BP因子。经过行业市值中性化处理后，改进后的因子同样在IC表现、多空收益和回撤方面有明显提升，尤其是多头端，年化超额由3.74%提升至11.48%。分年度来看，结合风格轮动信号的BP因子相对基准的超额收益更稳定，在价值因子回撤的2019和2020年仍有不俗的表现，在2013和2015年跑输基准，但对比BP因子仍有不小提升。总体而言，捕捉风格的转换对提升因子表现有较大的帮助，某种程度上实现风险因子alpha化。
当前，传统多因子选股模型遭遇瓶颈：一方面，以成长、盈利、分析师为基石的基本面因子近两年遭遇较大幅度的回撤；另一方面，后发优势的逐渐丧失导致因子的挖掘周期越来越长，人工挖掘的价量因子增量有限。在当前alpha日益稀缺的环境下，本文尝试从研究beta入手，对大小盘和价值成长风格做更精细化的定义，多维度探寻风格轮动的驱动因素，并最终运用于实际投资中。
构建风格轮动策略之前，首先需要明确的是如何定义风格：对于大小盘风格，考虑到可投资性以及超大盘和微盘股的“独立行情”，利用分位数+流动性筛选机制进行风格划分；对于价值成长风格，当前市场主流风格指数的编制存在样本代表性、成长定义迟滞以及价值成长边界不清晰的问题，通过补充分析师预期估值和业绩类指标分别构建价值和成长大类得分，以两者相减的形式得到复合得分，并通过分位数筛选和设定单项得分阈值来划分价值和成长。以资产定价模型为基础研究风格轮动策略：对影响盈利预期、贴现率和投资者情绪的因素进行归纳和总结，利用历史数据为佐证形成讲逻辑、可量化、有效性强的策略：宏观层面，基于逻辑先导+统计后验的原则，使用事件驱动法来研究风格和宏观因素之间的关系，从经济增长、消费、货币、利率、汇率和地产六个维度挑选常见的对资产收益具有显著影响的宏观因子，同时定义5种事件模式，其中涵盖了处于历史高（低）位，边际改善趋势，是否超“预期”，以及创新高（新低）。逐个考察单一宏观事件触发后未来一个月内风格指数的相对收益、信息比、超额月胜率和事件信号之间的相关性来严格筛选宏观事件库。市场状态包含了宏观经济未蕴含的信息，反映投资者情绪和风险偏好程度。通过计算中证全指的月涨跌幅、月换手率、月波动率、ERP、BP、DRP和中证红利指数的月超额收益作为反映市场状态的代理变量，同时采用事件研究法考察市场状态和风格轮动间的关系。微观层面，以多因子模型为基础，从上市公司的业绩变化、资金趋向和交易情绪三个方面构建有效的配置信号，结果表明，绝对数值的比较没有意义，相对位置的比较才有价值。从回测结果看，业绩、资金和量价类因子均呈现动量效应，即历史业绩更佳、资金偏好或交易活跃的风格，未来仍会保持相对强势的地位。基于三维视角下的大小盘风格策略相对基准超额收益达14.64%，年化IR为1.99，分年度表现稳定，超额月胜率约67.9%，相对三个子策略在超额收益和回撤控制方面均有提升。价值成长风格轮动策略相对基准超额收益达21.16%，年化IR为2.27，分年度表现稳定，所有年份均跑赢基准，超额月胜率达73.3%，表现十分出色。最后，通过指数投资和改进因子的形式考察风格轮动模型的实践表现：第一种考虑仅能做多指数，大小盘宽基指数轮动策略相对基准超额收益达16.72%，年化IR为1.80，超额月胜率约63.03%。价值成长宽基指数轮动策略相对基准超额收益达13.6%，年化IR为2.06，分年度表现稳定，超额月胜率约75.6%，表现相当出色。第二种假设可通过做空股指期货增强收益：大小盘宽基指数轮动策略的年化绝对收益达33.92%，夏普比为1.80，2016和2019年表现相对较弱。价值成长风格指数轮动策略的年化绝对收益达27.39%，年化夏普比为2.07，分年度表现稳定，月胜率约74.8%。结合风格轮动信号对BP因子进行改造：改进后相对初始BP有显著提升，未做中性化处理的新BP因子的Rank IC均值达7.6%，年化ICIR为1.6，多头年化超额为14.3%，远胜原始BP因子。经过行业市值中性化处理后，改进后的因子在IC表现、多空收益和回撤方面均有明显提升，多头年化超额由3.74%提升至11.48%。
本报告基于历史个股数据进行测试，历史回测结果不代表未来收益。未来市场风格可能切换，Alpha因子可能失效，本文内容仅供参考。本文内容节选自华安证券研究所已发布证券研究报告：《风格轮动三部曲：重构、探索和实践——量化研究系列报告之十四》（发布时间：20231217），具体分析内容请详见报告。若因对报告的摘编等产生歧义，应以报告发布当日的完整内容为准。分析师： 分析师：吴正宇|| 执业证书号：S0010522090001，严佳炜||执业证书号：S0010520070001“金工严选”公众号记录华安证券研究所金融工程团队的研究成果，欢迎关注重要声明
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。
本篇文章来源于微信公众号: 金工严选
