2023年寻找选股策略与行业轮动策略的“舒适区” 策略阶段性失灵的探讨

策略阶段性失灵的探讨

“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。

1.1 推本溯源：选股策略和行业轮动策略为什么会表现出明 显的相对强弱状态？

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。

(2) 客观环境更适合选股 alpha 策略：去年来，市场上的行业轮动策略纷纷失 效，整体表现不如微观的选股策略。回顾市场，从 21 年四季度以来，行业 之间快速轮动且收益分化极致，快速轮动使得我们很难精准的把 握行业轮动的特征，极致分化导致轮动错误的代价极高，也就是说，追 beta 的难度较高；另一方面，统计发现，每月涨幅前 300 的个股均衡分散在多 个行业，并未出现在“好行业”扎堆的情况，超 70%的个股分布在 Top2 行 业之外，由于 alpha 策略构建的组合具有行业集中度低的特点，在这种环 境下更占优。

1.2 预判策略“舒适区”具有实践意义

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。 (2) 指引组合配置：若信号指引更适合做行业轮动，则更倾向于配置行业权重股 及适当的放松行业敞口；若信号指引更适合 alpha 选股策略，则尽量保持组 合的分散，减少组合在行业、市值的暴露。

2 剥离自身因素，寻找公允策略代表

“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，在寻找两种策略各自的舒适区时，需要剥离掉策略本身失 效导致的失灵，因此，我们构造了“公允选股 alpha 策略”和“公允行业轮动策略”。 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。

2.1 公允选股策略：指增优选 FOF

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。

2.2 公允行业轮动策略：行业轮动优选 FOF

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。

基于该样本池优选基金构成“行业轮动优选 FOF”作为公允的行业轮动策略， 策略构建逻辑与公允选股策略的构建逻辑类似，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。但由于行业轮动型基金相对指增型基金的限制较 少，没有跟踪误差、选股范围、行业偏离等限定，弹性较大，样本池中至少有一只基 金重仓下期表现最好的行业的概率较大，但很难有基金能持续完美地踩对大节奏， 因此，不能像构建公允选股策略一样，选择下期表现靠前的基金构成组合。最后，通 过与公允选股策略的收益特征匹配后，最后选择下期回报位于中位数之上，65%分 位的基金。采用此方式构建的行业公允策略的长期业绩在市场上位列前茅，也就是 说公允行业轮动策略亦是优秀的行业轮动策略。

2.3 公允策略的表现亦存在相对强弱区间

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。

3 构建多维度的策略择时指标体系

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： （1） 若 T 期产生的信号为+1（选股策略），计算 T+1 期选股策略胜的概率和 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。 若选股策略的胜率明显高于 50%（公允策略选股胜的概率为 52.5%）且 收益差的均值大于 0，则说明该指标产生的选股策略信号有效。 （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。

我们以公允策略为客观代表，检验单指标的有效性，最后将有效指标合成最终 的策略信号。然后，再将合成信号系统拓展至其他的选股和行业轮动策略组合上，检 验合成信号的有效性和稳定程度。

3.1 宏观与市场：谋为以宽，筹计以远

3.1.1 经济基本面：经济趋势与稳定性

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。

3.1.2 市场周期：二级市场趋势

如果 A 股市场处于上行趋势中，市场整体处于较高水平，投资者信心较高，在 这种情况下，个股可能随着市场上涨而有较大的涨幅，那么选股策略就可能取得更 好的投资收益。相反，在市场处于下行周期时，许多股票可能表现不佳，如果采用行 业轮动策略选择低 beta 行业并投资行业内基本面相对稳定的个股，在市场整体较弱 的情况下相对更抗跌。总结而言，在市场上行时，选股策略可能更为适用；在市场 下跌周期，行业轮动策略可能更为适用。 判断 A 股所处的周期有多种方法，我们采用最直接的观察大盘指数（万得全 A） 走势来判断 A 股短期处于上升周期还是下跌周期。具体的观察指标为：短均线与长 均线的距离（均线距离=短均线/长均线-1），若均线距离超过一定水平，则认为市场 处于上行趋势；若均线距离低于一定水平，则认为市场处于下行趋势；其余则为震荡 态。我们选取的均线距离的阈值为 3%，实战中通常会选取 2%或 3%，我们测试后 发现模型对此参数并不敏感，2%和 3%整体效果相差不大。

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 中观：风格与行业特征

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）。

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，“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， 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）。

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，“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， 策略择时后年化超额 0.9%，年度胜率 70%，近 5 年均为正贡献。

3.2.3 资金切换：“聪明钱”的变动速率

从中观层面，我们从行情角度分别探讨了风格和行业切换特征如何影响策略类 型的选择，下边我们从资金的角度切入，继续探讨实盘资金的交易行为对策略的选 择有何指引。我们选择被称作“聪明钱”和“资金锚”的北上资金，通过其对行业净 买入排名的切换特征判断市场环境更有利于何种策略的发挥，选用指标为陆股通对各个行业相对增减持幅度的排名波动，即陆股通月度持股市值占比变化的排名波动 情况，其定义和指标计算逻辑与风格/行业切换信号类似。 (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）。

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。 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。

3.3 微观：通宏洞微，关联互馈

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。

3.3.1 行业内分化：行业成分股的走势分化

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%。

3.3.2 景气分歧度：分析师维度下高景气行业的分歧度

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）。

3.3.3 投资者结构：资金流的映射

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。

万得基于 level 2 高频行情，以金额为依据，衍生计算出资金流向数据，中国 A 股资金流向数据 AShareMoneyFlow。根据万得的划分，A 股的资金流数据可分为超 大单、大单、中单和小单，分别对应机构、大户、中户和散户。

4 基于宏观、中观、微观的策略择时信号系统

汇总宏观与市场、中观、微观三个不同维度的 8 个指标，整体上，指 标触发选股策略信号和行业轮动信号的次数相当，选股信号（+1）累计触发了 303 次，行业轮动信号（-1）累计触发了 261 次，不明确（0）信号触发了 329 次。从相 关性看，九个指标产生信号的相关性较低，两两之间最高仅为 0.2.

4.1 策略择时信号系统的构建概要

接下来，我们将三个维度、8 个信号进行汇总构成信号系统，我们首先采用投票 法来合成最终的策略择时信号，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）.

4.2 策略择时信号系统的构建

4.2.1 指标投票法：vote_single

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。

4.2.2 参数敏感性测试

在构建经济基本面、风格切换、行业切换、资金切换指标时，我们综合考虑了样 本数和滞后性后，计算短期波动的参数均为滚动 4 个月。

4.2.3 延展：非公允策略择时效果

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。

4.3 基于策略择时后的双驱选股策略

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。

编辑：荣耀2020