(一) 报告基本框架
本报告对中银量化行业轮动系列报告中介绍的七个行业轮动单一策略进行了系统梳理与总结。各策 略分别从行业景气度、投资者情绪、宏观经济指标、中长期动量反转、资金流向、财报表现以及传 统多因子等不同维度出发，构建了相应的行业轮动投资模型。经过长期的样本外跟踪，这七大策略 在收益和风险控制方面均表现出色。 报告的首先对七大策略的构建理念、方法及回测表现逐一进行简要介绍，再尝试分别从“风险预算” 和“波动率控制”两个维度对七大策略进行复合，并最终得到中银量化行业轮动复合策略。
(二) 行业因子回测框架
本报告所有涉及回测，均使用如下框架。 回测区间：2014 年 1 月 – 2025 年 4 月 换仓周期：S1、 S2 为周度换仓（使用截至每周三收盘信息计算因子，以每周四收盘价调仓）；S3-S6 为月度换仓（使用截至每月最后一个交易日信息计算因子，以下月第一个交易日收盘价调仓）、S7 为季度换仓（使用截至每季度最后一个交易日信息计算因子，以下季度第一个交易日收盘价调仓）。 备选资产：中信一级行业。 持仓数量及权重：S1、S2 每期等权持有最优的 3 个行业；S3、S4 每期等权持有最优的 6 个行业； S5-S7 每期等权持有最优的 5 个行业。 基准：中信一级行业等权配置。
(一)高景气行业轮动策略（周度换仓）
1. 策略理念概述
对应专题报告：《中银证券量化行业轮动系列（八）：“估值泡沫保护”的高景气行业轮动策略》 20221018。 行业盈利景气度追踪模型是通过 wind 分析师一致预期滚动行业数据建立的多因子模型。该模型旨 在挑选出当前盈利预期向上的行业。 在观察某个行业的景气度变化时，我们希望有一条时间序列曲线可以刻画其景气度的变化。基于这 样的想法，我们尝试通过行业盈利预期的原值 、斜率和曲率三个维度来描述盈利景气度的变化趋势， 具体操作时可根据分析师预期数据构建三大类因子： 一类因子：净利润预期同比与预期 ROE 相关指标，代表 3-5 年的赛道概念； 二类因子：景气度变化因子，为一类因子的季度变化，反映各行业的中短期景气度变化； 三类因子：短期情绪因子，为二类因子的月度变化，反映景气度变化的斜率，即加速上升或减速上 升，该类因子常用于日间 ETF 波动交易，在中长期策略中应用效果相对有限。
2. 单因子回测
我们设定 2010.01-2020.12 为样本内区间进行单因子测试：每周选排名前 3 的行业等权配置，业绩 基准为 30 个行业等权同期收益。下图为“年化超额>3%”的单因子结果，具体结论如下： 1) 分析师预期年限越远，单因子的年化超额收益越高，即 FY3 与 FY2 > FY1。其本质就是 FY1 的 覆盖度、准确性以及市场关注度高于 FY2 和 FY3，但信息过度拥挤，受上市公司业绩指引导致 同质化严重，反而 FY2，FY3 更能体现分析师的情绪边际波动。 2) 分析师预期的边际变化类因子（即盈利预期的 yoy、qoq、mom）表现优于传统的盈利预期同比 类因子（如 EPS_F1F0 等），大部分传统同比因子的年化超额收益未高于 3%。
3. 多因子复合优选
我们设定 2010.01-2020.12 为样本内区间，在该区间内进行因子复合优选，具体流程如下： 1) 选择样本内“单因子年化超额收益大于 3%”的因子作为备选因子池，共有 17 个单因子入选； 2) 通过“分层聚类方法”遍历因子数量（2 至 16）：在每个分类数量下，选择“超额收益最高”的单因 子作为该类因子代表，并与其他分类的最优单因子进行等权 Rank 复合，形成复合因子； 3) 先剔除 PB 分位数（5 个交易日平滑）高于 95%的中信一级行业，再筛选剩余行业中景气度 复合因子最高的 3 个行业，等权配置周度换仓。 4) 重复步骤 2-3，基于样本内回测结果，选择“年化超额收益最高”的复合因子作为策略最优选择。
4. 极端估值保护
极端估值保护机制具体实施步骤如下： 1) 时刻 t，剔除近“6 年”滚动窗口中最高前 10%和最低后 10%的 PB，以保证稳健估计（注：如 果窗口期包含 2015 年股灾，那么当前估值永远可能不是极端高估值）； 2) 计算当前 PB 处于剔除极值的窗口分位数； 3) 时刻 t，先剔除 PB 分位数（5 个交易日平滑）高于 95%的行业，再筛选剩余行业中景气度因子 最高的 3 个行业，等权配置周度推荐跟踪。
5. 单策略回测效果
截至 2025 年 4 月 21 日，高景气策略年化超额收益 16.69%，对应最大回撤-12.95%，卡玛比率 1.29。 高景气策略回测净值、超额累计净值及构建示意图如下。
(二) 隐含情绪动量策略（周度换仓）
1. 策略理念概述
对应专题报告：《中银证券量化行业轮动系列（七）：如何把握市场“未证伪情绪”构建行业动量 策略》20220917。 隐含情绪动量追踪策略主要针对“市场估值往往先于可获取的卖方盈利预期数据变动”的难题，构 建了一套能够“提前于盈利预期数据公布前”捕捉市场情绪动向的动量策略。 我们认为动量与反转在微观层面是量与价的博弈。当股票价格在低位，换手率突然增加时，可能存 在大量的投资者买入，推动股价上涨（量价同步的动量效应）； 当股价上涨一段时间后，股票的交 易量突然放大，很有可能是投资者在获利卖出股票，股价可能会出现一定程度的下跌（量价反向的 反转效应）。 从微观层面，股价的波动可拆解为两种“正交”的情绪贡献： 1) 交易中投资者的已经反应在换手率变化中“预期内情绪”； 2) 面对各种未证实传闻消息下的“未证伪情绪”,即市场对“常规换手交易对股价正常推动”之外 的定价。
从逻辑分析，“股价未证伪情绪”应体现出的是动量效应：因为动量效应产生的本质是市场中大部 分参与群体对某些信息反应的滞后性，待消息进一步证实后，群体会形成羊群效应。在后续测算中， 我们需要从行业日度收益率中剥离“预期内情绪”。
2. 策略构建方法
为了获取“未证伪情绪”，我们可以通过将行业日度收益率对日度换手率变化率进行截面回归，剥 离“预期内情绪”，其残差即为“未证伪情绪”，本质和因子中性化思想是一致的。 需要注意，在 OLS 回归时不应设定截距。原因在于残差应该包含各行业的截面 alpha 效应，本质是 各行业当期收益的固定效应，不应该被剥离。
3. 策略增强
为进一步提升该策略表现，我们进行了一系列改进与增强： 剥离基本面与预期影响：将个股 EPS(FY1)、EPS_yoy(FY1)作为基本面代理变量，运用中性化思想将 基本面与预期影响剥离。 针对个股自身波动进行波动率调整：在计算“未证伪情绪因子”时分别除以动量因子同期波动率， 以将不同行业波动率情况纳入模型。 多因子复合优选：使用多因子等权 Rank 复合的方法对不同时间长度的“未证伪情绪因子”进行复合， 结果显示半个月与 12 个月两因子复合表现最优。 加入“极端估值保护机制”：对估值过高的行业进行剔除。（估值计算方法与“景气度策略”一致）。
4. 单策略回测效果
截至 2025 年 4 月 21 日，“未证伪情绪”动量策略年化超额收益 18.61%，对应最大回撤-17.83%， 卡玛比率 1.04。
(三) 宏观指标风格轮动策略（月度换仓）
对应深度报告：《中银证券宏观基本面行业轮动新框架：对传统自上而下资产配置困境的破局》 20230518。
1. 策略理念概述
传统自上而下资产配置模型的困境：传统基于自上而下宏观基本面信息构建行业轮动框架的前提假 设是―未来情景可在历史中找寻统计意义上显著的相似性。但受制于 A 股历史较短和各行业尚未 稳健地进入成熟期，很多投资机会在历史上尚属首次，因此该前提假设很难成立。 将“行业风格”作为中介构建宏观基本面行业轮动模型是破局传统自上而下资产配置困境的方法之 一。结合中外学术研究与业界实践经验，我们认为在特定的经济、货币和信用周期下，风格特征可 能具有一定重复性，比如成长/价值，动量/反转，高低 beta，高低波动率，高低流动性等。
2. 策略构建方法
基于上文讨论，我们将“自上而下宏观基本面到行业优选”的框架梳理为如下四大部分： 基本面指标体系构建：旨在把握中外经济增长、通胀、货币、信贷以及市场情绪等维度信息； 行业风格体系构建：用定量标准优选行业风格因子，用于后续风格研判； 风格研判量化模型：突破传统自上而下建模方法的局限性，构建有效稳健的风格预测体系； 行业组合优选与归因：以月度周期推荐行业组合，基于当期影响风格的核心基本面指标对模型 推荐行业组合进行业绩归因，并完成策略业绩评价。
1) 基本面指标体系构建
指标构建原则：从刻画“经济增长”、“ 通货膨胀”、“ 货币”、“ 信贷”以及“市场情绪”等 维度优选指标。尽量规避中观结构性指标，且尽量规避每年 1 月存在缺失的相关指标。针对同一个 宏观指标，我们从如下三个维度进行刻画：
a) 指标所处历史中枢定位：滚动 6 年 zscore =（当前值–6 年时序中位数）/ 6 年指标标准差
b) 指标超预期：SUE_3Y =（当前值–过去 3 年同期指标均值）/ 3 年同期差值标准差
c) 指标边际变动：3 个月变动 = t 月值–(t - 3)月值
2) 行业风格体系构建
我们以中信一级行业为标的，计算行业在 t 时期基本面、估值、资金、量价等维度的因子暴露(??,?) 。 将各行业 t 时刻至 t+1 时刻的收益率与期初 t 时期各行业标准化后的因子暴露度（? ?,?）进行截面回 归，来估算 t+1 期各风格因子的预期多空收益率（??）。
3) 风格研判量化模型
预测目标：将各个风格多空的研判转为二分类问题：月度风格多空收益大于等于 0 时看多取类别值 1，反之看空取数值-1。 指标处理：将宏观基本面指标 3 个维度的子指标进行了哑变量处理，具体如下： a) 指标所处历史中枢定位(滚动 6 年 zscore):大于等于 0 时取 1，否则取-1； b) 指标超预期(SUE_3Y):大于等于 0 时取 1，否则取-1； c) 指标边际变动（d3m）：大于等于 0 时取 1，否则取-1。 单风格择时：针对优选的多个基本面指标对某个风格进行多空研判时，建议采用等权投票打分方式, 当宏观指标等权打分总分大于 0，则看多这类风格；如果打分总分小于 0，则看空该类风格；如果 总分等于 0，则对该风格保持中性观点。
4) 由风格优选映射至行业
a) 基于宏观基本面因子对未来的风格多空方向进行研判； b) 针对各行业对特定风格因子的标准化因子暴露度 (X) 进行打分：如果看多该风格则各行 业打分为标准化的因子暴露度，看空该风格则将各行业标准化暴露度取负号； c) 将多个风格研判所得的行业打分进行等权求和，以筛选出最优行业组合。
3. 单策略回测效果
截至 2025 年 4 月 21 日，该策略年化超额收益 7.01%，最大回撤-23.46%，卡玛比率 0.30。
(四) 中长期动量反转策略（月度换仓）
对应外发报告：《中银证券量化行业轮动系列（九）：“长期反转-中期动量-低拥挤”行业轮动策略》 20240914。
1. 策略理念概述
行业收益率存在“中短期动量，长期反转”的期限结构。通过构建行业“区间动量因子”和“单月 动量因子”，测试在不同区间的动量与反转效应，建立行业收益率“期限结构”。我们发现，行业 “历史单月收益”在 1 年内呈现稳定且显著的动量效应，在 2-3 年呈现强显著反转效应，在其余区 间则趋势性不显著。 行业“单月动量因子”期限结构构建方法：针对特定参数 n,基于 2006 年-2024 年区间中信一级行业 价格数据，每个月计算各行业过去第 n 个月的单月收益率排序与行业未来一个月收益排序的截面相 关系数 Rank_IC?，取 2006 年-2024 年期间各截面 Rank_IC?的均值作为参数 n 对应的月均 Rank_IC（参 数 n 的取值范围为 1 至 60）。最后将每个月的 Rank_IC 按 n=1 至 60 进行累计求和,即可得到“单月 动量因子”期限结构。
2. “长期反转，中期动量”期限结构成因分析
借鉴 Graham 对美国行业长期反转效应成因的讨论，我们首先定义相对赫芬达尔指数（Herfindahl Index，以下简称 HHI 指数）含义：
HHI 指数：数值越高代表行业内部竞争越小，龙头垄断效应越强；数值越低代表行业内部公司竞争 越剧烈，内卷严重。
3. 因子构建
长期反转+中期动量复合因子构建方法：定义复合因子（i_j_k）3 个参数分别为行业动量与反转两 个因子的区间参数，即基于过去各行业过去第 j 月至第 i 月区间收益率构建反转因子，以及行业过 去 k 个月区间收益构建动量因子，两个因子 Rank 等权复合构建“长期反转-中期动量”复合因子。 行业轮动策略：策略每月换仓，月初取得分前 5 行业等权配置，策略业绩基准为中信一级行业月度 等权换仓组合。
4. 单因子回测效果
截至 25 年 4 月 21 日，中长期困境反转策略年化超额 11.42%，最大回撤-14.91%，卡玛比率 0.77。
(五) 基于资金流的行业轮动策略（月度换仓）
1. 策略理念概述
对应深度报告：《中银证券量化行业轮动系列（十）：如何基于资金流构建行业轮动策略？》20250326。 资金流策略尝试从市场“主力资金流向与强度”和“尾盘资金流向与强度”两个维度切入，构建行 业轮动策略。 主力资金流向与强度：为跟踪主力资金的流动，我们从每只股票每笔交易的“挂单金额”（大小单） 的角度切入，构建了“机构单趋势强度因子”。 尾盘资金流向与强度：股票的成交额在尾盘通常显著高于盘中，一方面是投资者为规避隔夜风险平 仓，另一方面对当日盘中信息分析后的决策，对股票后期走势有一定指向意义。我们从尾盘资金的 流向入手，构建了“尾盘资金流入强度因子”。
2. 机构单趋势强度因子构建方法
鉴于万得对大小单的划分未考虑机构拆单，我们将万得标准下的中单和大单合并，称为“机构单” （挂单金额 4w–100w），并以此为基础构建“机构单趋势强度因子”。 机构单趋势强度因子构建步骤： 1) 将个股资金流向数据按照中信一级行业成分股加总为行业资金流向数据； 2) 计算各行业机构单每日净买入金额； 3) 机构单净买入金额 = 机构单买入金额–机构单卖出金额； 4) 计算近 3 个月机构单净买入金额的移动平均，记为 net_buy_ma3； 5) 计算近 3 个月机构单净买入金额绝对值的移动平均，记为 net_buy_abs_ma3;
3. 尾盘流入强度因子构建方法
“尾盘流入强度因子”基于万得 RDF 底层数据库“中国 A 股资金流向数据[AShareMoneyFlow]”表 中变量“尾盘资金流入金额(万元)[S_MFD_INFLOW_CLOSE]”构建。该指标表示每日 14:30 以后个 股的主动资金净流入金额，即主动买入金额–主动卖出金额。
尾盘流入强度因子计算步骤： 1) 将“个股尾盘资金流入金额”数据按照中信一级行业成分股汇总为“行业尾盘资金流入金额” 数据； 2) 计算近 6 个月行业尾盘资金流入金额平均值占 6 个月行业平均流通市值的比例； 3) 计算近 6 个月行业尾盘资金流入金额平均值占 6 个月行业平均日度成交额的比例； 4) 计算步骤③步骤④中两个比例的月度边际变化（因子值月度作差），并将边际变化从小到大排 序； 5) 将两个维度的边际变化排名相加，得到尾盘流入强度因子。
4. 剔除高拥挤行业
资金流策略的核心在于追踪主力资金和尾盘资金的流向。然而，这些资金在特定时期由于抱团现象， 可能导致行业出现较大回撤。因此，我们需要对各行业的拥挤度进行测算，并剔除那些拥挤度较高 的行业，以降低风险并提升策略的稳健性。 行业拥挤度的计算方法：首先，计算各行业指数近 252 个交易日的日均换手率（基于自由流通股）。 然后，将该指标在滚动 6 年的历史时间序列上进行 zscore 标准化，并与同期万得全 A 换手率经相同 处理后的结果进行差值计算。最后，将这一差值在滚动 6 年内计算历史分位值（若历史数据满 3 年 但不足 6 年，则使用全部可用历史数据进行计算）。 策略规避高拥挤行业处理方法：后续策略将在每个换仓日首先剔除拥挤度高于 90%的行业，再取因 子值最大的前五行业等权持有。
5. 单策略回测效果
我们将“机构单趋势强度因子”和“尾盘流入强度因子”等权 zscore 复合得到复合因子，再剔除拥 挤度高于 90%的行业，最后再取剩余行业中复合因子最大的 5 个行业等权持有。 截至 2025 年 4 月 21 日，基于资金流的行业轮动策略年化超额 11.64%，最大回撤-12.16%，卡玛比 率 0.96。
(六) 财报失效反转策略（月度换仓）
对应深度报告：《中银证券量化行业轮动系列（十一）：如何利用财报因子的阶段失效构建行业轮 动策略？》20250326。
1. 策略理念概述
底层假设：对于那些在长期周期内已被验证总体有效的因子，其有效性存在一定的均值回归特征。 也就是说，如果某个因子的长期胜率相对稳定，那么当该因子经历显著且持续的阶段性失效后，其 有效性很可能会随时间恢复。
财报失效反转策略利用上述底层假设，筛选长期年化超额达标，其近期回测净值连续跑输基准的财 报因子进行复合，构建财报失效反转策略。
2. 因子构建方法
1) 指标处理
我们认为常用的财报因子可分为两类： 盈利能力因子（类 ROA 体系）：主要衡量公司的盈利能力，通常将利润表指标与资产负债表指标 相结合，反映公司利用资产或资本创造收益的效率。典型如 ROE、ROA、净利率、毛利率等。 盈利增长因子（类净利润 YOY 体系）：主要衡量公司盈利能力的边际变化，反映公司盈利的增长 趋势和潜力。典型如净利润增长率、净利率变化率等。 接下来，我们按照上述两类因子构建财报因子库。
计算 MRQ 指标：我们需要先将个股上页的 8 个利润表/现金流表指标和 6 个资产负债表指标转化为 单季度 MRQ 指标。具体方法是对于利润表和现金流量表指标，除 1 季度外，其余季度数值减上季 度数值。资产负债表指标无需处理。 行业指标汇总：将个股各季度 MRQ 指标按财报截止日（0331、0630、0930、1231）根据行业成分 进行加总，得到各行业财报截止日的 MRQ 指标面板数据（例如行业总利润、行业总资产等指标）。 后续我们将使用该季频行业指标面板数据构建季频因子（例如构建 ROE 因子，整体法，详情见“财 报单因子构建”部分）再按照财报的公布截止日进行滞后和变频。 因子滞后：财报因子为季频，考虑到财报发布的滞后性，我们统一将因子滞后至财报发布截止日， 即一季报（0331 因子）滞后至 4 月底；中报（0630 因子）滞后至 8 月底；三季报（0930 因子）滞 后至 10 月底；年报（1231 因子）由于与一季报公布时间重合，做剔除处理。 因子变频：剩余月份因子使用最近有值因子填充。
2) 财报单因子构建
类 ROA 因子构建：分子部分使用 8 个利润表/现金流表指标，分母使用 6 个资产负债表指标，经过 排列组合，共生成 48 个类 ROA/ROE 基础因子。 类净利润 YOY 因子：对 8 个利润表/现金流表指标分别计算季度同比（yoy）和季度环比（qoq）， 分别得到 8 个季度同比基础因子和 8 个季度环比基础因子。 在得到 3 类 64 个基础因子后，我们分别对每个基础因子进行如下处理得到衍生因子： 保留原值； 将原值进行季度差分； 计算基础因子值在近 8 年的历史分位数。 经过上述处理，我们共可以得到 9 类共 192 个衍生因子。 为进一步提升单因子表现，我们参考 PB-ROE 思想，对所有衍生因子进行 BP 中性化。
3) 财报失效反转因子构建
步骤 1：以 3 年为滚动窗口，滚动筛选每期年化超额超过 5.5%的“长期有效因子” ； 步骤 2：测算“长期有效因子”近期表现，筛选出近 4 个月超额连续为负的“近期失效因子”；若 有因子满足条件，进入步骤 3，若无因子满足条件，筛选近 3 个月超额连续为负的“近期失效因子”， 若有因子满足条件，进入步骤 3，若仍无因子满足条件，进入步骤 4； 步骤 3：将“近期失效因子”按前文划分的 9 大类别，在每类中筛选年化超额最高的因子进行等权 zscore 复合，得到“财报反转优选因子” ；步骤 4：步骤 1 的长期有效因子按前文划分的 9 大类别，在每类中筛选年化超额最高的因子进行等 权 zscore 复合，得到“财报反转优选因子” 。
3. 单策略回测效果
截至 2025 年 4 月 21 日，财报反转优选行业轮动策略年化超额 9.13%，最大回撤-10.54%，卡玛比率 0.87。
(七) 传统低频多因子打分策略（季度换仓）
1. 策略理念概述
本策略采用传统多因子打分思路，从“动量”、“估值”、“流动性”和“质量”四个维度各优选 2 个单因子进行等权 Rank 复合。 由于是低频策略，持仓周期较长，出于风控考虑，本策略仅在中证 800 权重占比超过 2%的行业中进 行优选。
2. 因子构建方法
本策略从“动量”、“估值”、“流动性”和“质量”四个维度对各单因子的表现进行回测，筛选 4 类中超额收益最优的 2 个单因子进行等权 Rank 复合。
3. 因子解释
1) 动量因子： 1 年动量因子（正向）：看多过去 1 年涨幅高的行业（行业中短期动量效应）。 3 年动量因子（反向）：看多过去 3 年跌幅高的行业（行业长期反转效应）。 2) 估值因子： 股息率 3 年历史分位因子（反向）：看多当前股息率位于 3 年历史低点的行业（股息率低代表行业 企业保留更多的利润进行再投资，也一定程度代表行业处于快速增长阶段）。 PB_LF 两个月差分因子（反向）：看多近期估值下降明显的行业（估值下降可能由于股价暴跌或利 润大幅上行，股价暴跌未来可能出现行业的困境反转，利润大幅上行或能持续支撑股价）。 3) 流动性因子： 月均换手率因子（反向）：看多短期换手率低的行业（行业短期是情绪的博弈，短期换手率高意味 着拥挤，未来可能发生反转）。 季均换手率季度差分因子（反向）：看多中短期换手率下行的行业（构建逻辑与之前因子一致）。 4) 质量因子： ROE_TTM 季度差分因子（正向）：看多 ROE 提升幅度高的行业（ROE 或 ROE 预期越高代表公司 财务健康，管理效率良好，有较高的盈利能力）。 ROE_FY2 分析师一致预期因子（正向）：看多后年一致预期高的行业（构建逻辑与前因子一致）。
4. 单策略回测效果
截至 2025 年 4 月 21 日，传统低频多因子打分行业轮动策略年化超额 12.00%，最大回撤-13.25%， 卡玛比率 0.91。
(一)从策略权重映射至行业配比
策略复合的本质是对 7 个单策略分配资金，在根据不同配置模型得到策略权重后，我们将对应策略 看多的行业等权配置。 为方便理解，我们假设仅有 3 个策略，5 个行业，某期风险预算模型给出的 3 个策略资金分配比例 为 a%、b%、c%，且 a% + b% + c% = 1，其中 S1、S2 看多 2 个行业，S3 看多 1 个行业，因此 S1S2 的分配资金需要平均分配给看多的两个行业。最终各行业的配置比例等于各策略对该行业的配置比 例之和。
(二) 波动率控制复合法
我们尝试使用“负向波动率平价模型”代替之前的“风险预算模型”进行资金分配。各策略内部看 多行业仍等权配置。
1. 波动率控制法构建步骤
步骤 1：计算滚动窗口 T 日内，各策略下跌交易日的波动率（负向波动率）； 步骤 2：计算步骤 1 中各策略负向波动率的倒数，并归一化，得到各策略的资金配置比例。理论上 负向波动越高的策略配置比例越低，负向波动率越低的策略配置比例越高。
2. 调仓设置
由于 7 个策略拥有不同的换仓周期，涉及周度换仓、月度换仓和季度换仓。因此复合策略在构建时 需要兼顾子策略的换仓周期，具体安排如下：
每季度（1、4、7、10 月）第一个交易日对所有 7 个策略根据负向波动率平价模型给出的权重分 配资金，并以该日收盘价调仓；
每月度（除 1、4、7、10 月）第一个交易日，先计算除季频策略外其他策略当前的资金总和， 再对 6 个周频、月频策略根据负向波动率平价模型给出的权重将 6 个策略的资金总和分配出去， 并以该日收盘价调仓；
每周四交易日（除月、季第一个交易日），先计算 2 个周频策略当前的资金总和，再对 2 个周 频策略根据负向波动率平价模型给出的权重将 2 个策略的资金总和分配出去，并以该日收盘价 调仓。
3. 参数遍历
波动率控制算法仅 1 个参数，M 为计算负向波动率的滚动窗口长度。我们就该参数进行了遍历，可 以看到当整体回测效果与该参数的取值差异不大，最终我们选择年化超额最高的参数（M=63），对 应年化超额 12.2%，最大回撤-6.8%。
最终我们选择年化超额最高的参数组合，当 M=63 时对应年化超额 12.2%，最大回撤-6.8%，卡玛比 率 1.80。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
