1.1 传统择时策略的构建流程
当我们尝试使用量化的思路构建模型对资产进行择时，一般有两种方式： 1、 线性回归拟合。将资产的未来收益率作为因变量，并寻找有解释力度的基础指标作为 自变量，通过回归模型预测未来资产收益率或者涨跌方向。 2、 构建事件驱动模型。统计特定的事件发生时未来资产的涨跌情况，从中筛选出胜率高 的指标与相应事件，从而构建事件因子。这种方式能够更精准地捕捉特定情景下的有 效信号，且能更方便地融入其他信号构建多指标择时体系。因此，目前大多数情况下 我们都是使用事件化的方式来构建策略，辅助我们判断趋势。
通常我们会基于对数据的理解或图像走势的观察作为切入点，在历史区间上对大量信号进 行回测，从中筛选出较有效的一组信号来合成最终信号。这种方法一般都能构造出在测试 集上较有效的策略，但其实会存在以下问题： 1、 容易过拟合。以上步骤中，原始数据的处理、信号的构造与合成等各个步骤都会涉及 到参数寻优的工作，最终筛选出的信号普遍会面临过拟合的问题，在样本外信号快速 失效。 2、 稳健性较弱。通常策略是由优选出的少数几个指标组合而成，任意信号的择时能力变 化都可能导致最终策略效果出现调整；也无法保证新的择时信号能对策略带来整体提 升。 是否存在一种全自动化的择时框架，在确保生成信号的过程符合逻辑的前提下，尽可能降 低过拟合的可能性，同时极大程度简化挖掘有效信号的复杂度，并直接给到最终的择时策 略？
1.2 全自动择时框架结构介绍
我们的择时框架将在以下方面实现全自动优化： 1、 自动筛选有效指标。给定一组指标数据集与我们的择时对象，择时框架可以自动筛选 其中的有效指标，并寻找每个指标对应的最佳数据处理方式（同比、滤波等）； 2、 自动构建事件化信号。针对单个指标，择时框架能够找到其最有效的事件化方式，充 分挖掘单指标的择时信息，需要结合不同的事件化方法，生成每个指标的对应信号； 3、 滚动更新有效指标。择时框架定期检验各细分信号有效性，及时调节各信号的权重或 对失效指标进行剔除；4、 智能合成多信号打分结果。在任意指标集内或跨指标集之间，能够基于细分信号构建 加权投票系统，得到最终择时结果。 实现以上效果后，我们的新框架将在以下方面具备一定优势： 1、 指标的处理、信号的构建规则更贴合主观判断逻辑，摒除数据挖掘； 2、 指标与信号筛选过程中严格使用历史数据，无未来函数问题，确保框架稳健性； 3、 全自动的指标优选，可以对未知数据集进行探索； 4、 择时框架对任意标的均适用，无需对模型进行特殊调整即可针对任何资产进行策略构 建。 接下来，我们详细介绍整个择时框架的细节。
从具体细节上，整个框架可大致分为 3 个部分。以下是整个框架的全流程介绍：
2.1 择时框架第一层：数据选择
本次项目中，我们主要使用指数自身量价、宏观、期权、融资融券与成分股的基本面、资 金流数据。
框架会结合后续基于长历史数据的回测表现，选择对原始数据进行滤波等处理的方法。
2.2 择时框架第二层：指标预处理+用法判断
第二层负责对指标进行初步判断与处理，并且此处理方式后续不再更改。为确保检验效果 稳健以及无未来函数，我们推荐使用较长期的历史数据进行第二层判断。本项目中使用 2020 年之前的全部数据进行第二层测试。 具体判断的项目包括：
1、 方向判断
我们首先需要判断该指标与预测资产之间是否是同向关系或反之。直接在指标层面进行方 向判断、而不是事件化之后判断每个信号的方向，主要原因在于我们认为指标层面的方向 更具可解释性与稳定性，后者可能出现同一指标的不同事件化信号方向不同的情况，同时 也可能面临数量不足、过度数据挖掘的问题。具体判断时： a) 偏短期、高频数据使用差分线性回归来判断，将预测资产价格差分作为因变量， 指标数据差分项作为自变量，构建单变量回归，若回归系数显著为负，则判断为反向指标。 在回归时，回归系数不显著的指标会保留，在后续格式变动后进行再次检验。 b) 偏长期、低频数据使用 DTW 配对点方法，从前往后进行峰谷点的匹配，若指标的 波谷与资产波峰之间距离相对更近，则判断为反向指标，反之指标波峰与资产波峰更接近， 判断为正向指标。
2、 数据格式变动
我们会对每个指标数据进行如下操作，并在测试集上观察指标与标的是否会有相关性的提 升。格式变动与上述方向判断同步进行。
具体判断时会考察两项显著性：相关性显著大于 0 且相关性显著大于原指标。
3、 滞后性剔除
判断资产价格在滞后多阶的情况下，与指标之间的双重差分相关性是否出现明显提升。若 相关性出现提升，表明当前指标实际体现的是资产过去的价格变动，以此构造的信号很可 能不具备预示作用，或存在明显的信号滞后问题，因此会被择时框架剔除；无明显滞后的 指标则保留。
通过第二层检验后，择时框架会固定每个指标的使用方式，且后续事件化步骤中不再变更。 接下来的事件化步骤涉及滚动更新机制，会定期对指标的事件化方法与权重进行调整，但 指标本身处理方式不会变动。进行这一约束是为了确保信号的连贯性，防止出现“上一期使用正向的 PMI-YOY 指标，当期改为观测反向的 PMI-RAW 指标”这类情况，提升指标的连 贯性，且能进一步降低数据挖掘的可能。因此，我们需要使用尽可能长的历史数据进行第 二层判断。
2.3 择时框架第三层：事件化处理
择时框架的第三层负责将指标转换为 0、1 构成的多空观点序列，并对信号进行聚合得到 单指标以及整个策略的最终信号结果。择时框架不会考虑单一事件化结果作为该指标的信 号，而是将不同事件化信号进行加权合成得到指标的最终信号。不同事件化处理能够捕捉 指标的不同特征，可以捕捉原始指标在不同时间跨度上的各类特征，进而挖掘出最有效的 指标使用方法。因此，第三层核心目的在于更新不同事件之间的权重。 第三层将以固定的频率运行，在期初确定各事件化的权重并保持到下次调整。本次项目中 使用的是年度频率。
3.1 择时框架效果测试——以中证 A500 指数为例
我们首先以中证 A500 为例，对各细分指标集进行回测检验。以上框架得到的信号依旧是 介于 0、1 之间的数值，因此我们按照以下规则映射到最终的仓位结果：若最终信号大于 0.5，认为指标集整体给出看多判断，全仓；否则为空仓。 回测区间为 2020 年 1 月至 2025 年 7 月，每年初进行事件权重以及指标权重的调整。手续 费设置万分之五。
基本各数据集都能获得超过中证 A500 指数的收益表现，其中基于基本面、宏观数据得到 的信号质量显著较好，区间内年化收益分别达到 8.21%和 8.02%，年化超额收益分别为 7.80% 和 7.45%。而在信号胜率方面，资金流指标表现较突出，看多胜率达到 61.11%。受限于回 测区间的指数表现跌多涨少，因此信号整体的持有天数不长。 在回测前，我们并不清楚每类指标的具体择时效果，自动化择时框架相当于帮助我们进行 了初步的探索。若我们对某指标集的具体情况感兴趣，择时框架也支持输出内部的详细信 息。以其中的宏观指标集为例，我们可以看到其中每一层的指标筛选结果与各细分信号权 重情况。 各细分信号权重相差不大，Softmax 加权可以略微修饰其中的差异，提升整体策略表现。
将各领域的细分信号进行合成，得到最终的合成策略。合成策略年化收益率 10.61%， Sharpe 比率 0.813，各项指标相对基础信号都有一定提升，且分年度来看也有一定的超额 收益。
3.2 各宽基指数上测试效果
我们进一步在各宽基指数上进行择时框架的测试，使用的数据集与中证 A500 保持一致， 观察其在各资产上的择时效果。 在沪深 300 指数上，最终的合成择时策略年化收益 7.67%，年化超额 8.09%。
在中证 500 指数上，合成择时策略年化收益 7.59%，年化超额 5.96%，但分年度来看，策 略对部分上涨区间的把握较弱，相对效果一般。
在中证 800 指数上，合成择时策略年化收益率 9.28%，年化超额收益率 9.26%。回测区间 上大部分时间均为看空信号。
在中证 1000 指数上，合成择时策略年化收益 15.89%，年化超额 14.61%，看多胜率达到 63.16%，择时策略的各项指标在各宽基指数中综合最好。
最后，在创业板指上，合成择时策略的年化收益达到 16.22%，年化超额收益 14.13%。
3.3 行业指数上的回测效果
我们同样在中信一级行业指数上进行择时框架的测试，使用统一的原始数据。
从结果上可以看出，我们统一使用的指标集在部分行业上能有较好的择时效果，但在其他 行业上并无法带来稳定的超额收益。这与各行业的特性有一定关系，部分行业涨跌更依赖 于特定的指标，或走势相对稳定，因此统一的数据集无法起到稳定有效的判断效果，需要 添加有针对性的指标集并对无效的指标集进行整体剔除，才能提升最终择时效果。
本次报告提出了一种全自动化的择时策略生成框架，底层基于事件驱动思路生成信号。该框架可以在任意指标集的基础上挖掘出其中有效的信号，并构建对任意标的资产的择时信 号。整个构建流程中尽量控制了数据挖掘的可能，采用滚动更新的机制避免过拟合情况发 生；确保流程符合逻辑性、可解释性等要求，能输出流程中所有的中间信息；框架也具有 较好的泛化性，无需调整即可对不同标的进行测试，也因此计算速度较快；除了直接构建 策略外，该择时框架也可以帮助我们初步探索未知的数据集，寻找其中具有择时价值的指 标与事件。 我们在各宽基指数与行业指数上进行了回测测试，指标集选择了指数自身量价、宏观、期 权、融资融券与成分股的基本面、资金流数据。以中证 A500 指数为例，各数据集都能获 得超过中证 A500 指数的收益表现，其中基于基本面、宏观数据得到的信号质量显著较好， 区间内年化收益分别达到 8.21%和 8.02%，年化超额收益分别为 7.80%和 7.45%。而在信号 胜率方面，资金流指标表现较突出，看多胜率达到 61.11%。最终合成择时策略年化收益 率 10.61%，Sharpe 比率 0.813，各项指标相对基础信号都有一定提升。在其他宽基上， 也均有较明显的超额收益表现。而在行业指数上，各行业的择时策略表现各有优劣，主要 原因在于部分行业的涨跌更依赖于特定的数据指标，因此统一的数据集无法起到稳定有效 的判断效果，需要添加有针对性的指标集并对无效的指标集进行整体剔除，才能提升最终 择时效果。
（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。）
