A 股市场近年来呈现出显著的微观结构变迁，呈“高波动、快轮动、强博弈”等特征。本报告基于自适应市场假说(AMH)，构建了指数自适应双模态策略（下称：TS 策略）。该策略是一种基于市场微观结构变化的多因子轮动策略。策略的核心理念在于承认“市场并非总是处于同一状态”，通过动态识别市场当前的趋势强度与震荡特征，在“趋势跟随（Trend）”与“均值回归（Shock）”两种交易逻辑间自动切换。策略选取了 526 1只挂钩股票型 ETF 的指数作为研究样本，这一样本空间不仅覆盖了市场核心 Beta，更代表了具备实际可投资性（Invest ability）的资产集合。策略根据“市场温度”搭建自适应系统，通过日频监测市场526 只指数的价量变化，不预测市场，只动态适配当前胜率更高的交易模式，并在交易执行中设置“斜率保护”与“恐慌豁免”等机制。回测结果显示，该策略在 2018 年至2025 年的周期中，年化收益14.91%，夏普比率 1.00，最大回撤-15.16%。在 2018 年与2024 年均表现出较强的回撤控制能力，验证了“自适应双模态”策略的有效性。
本报告将从市场微观结构的演变出发，详细阐述自适应双模态策略（下称 TS 策略）的构建逻辑与实证表现。
2.1 A 股市场微观结构的阶段性演变与实证依据
策略的有效性往往依附于特定的市场环境。通过复盘过去近十年的A股历史，我们可以观察到市场微观结构经历了从“基本面抱团”到“微盘股博弈”的剧烈范式转移。
2.1.1 第一阶段：机构化与核心资产的趋势共振（2017-2020）
市场呈现趋势性特征，“以大为美”成为共识。这一时期，北向资金（陆股通）净流入年均超过 2000 亿元，叠加公募基金发行大年（2020年新发基金规模突破 3 万亿份），机构资金的定价权占优。沪深300 成分股之间的平均相关性在 2020 年最高时接近 0.58，这意味着“选股”不如“选赛道”，β收益远大于α收益。在此环境下，任何逆势操作（如左侧止盈）都有踏空风险。
2.1.2 第二阶段：存量博弈与均值回归的演化（2021-2025）
2021-2024 年，市场进入存量乃至减量博弈阶段，趋势性瓦解，结构性轮动加快，大小盘风格极致分化。龙头指数与微盘指数呈现剪刀差：2021年春节后，龙头指数见顶回落，而万得微盘股指数维持强势。这标志着流动性从“核心资产”向“边缘资产”溢出。该阶段市场呈现“低波动阴跌”与“脉冲式暴跌”交替的特征，趋势策略失效，存量资金场内高频博弈的震荡策略逐渐占据优势。2025 年则呈结构性牛市特征，微盘及主线行情表现占优。
2.2 理论基础：自适应市场假说(AMH)
Andrew Lo 提出的自适应市场假说认为：套利机会是进化的，市场效率也是动态变化的。在此框架下，我们将A 股走势抽象为两个互斥的模态：趋势模态(Trend Mode)：资金呈现正反馈机制，趋势交易是理性的，此时应持有高乖离率的强势资产。 震荡模态(Shock Mode)：资金呈现负反馈机制，均值回归是理性的，此时应在极度恐慌或缩量回调时介入，并在情绪高亢时离场。本策略为日频交易策略，强调信号的及时性，所以模型不依赖宏观基本面因子，而是基于量价微观结构来判定当前市场风格。
我们认为，样本空间的广度与深度决定了策略的有效性，而数据的纯净度决定了策略的稳健性。本报告考虑到策略的可投资性与底层资产本身的风险收益特征等属性，并未选取 ETF 基金净值作为回测对象，而是上穿了挂钩 ETF 的底层指数作为样本。
3.1 样本选择：526 只核心指数
我们并未直接回测 ETF 基金净值，而是选取了挂钩股票型ETF的526只底层指数作为研究对象。构建逻辑如下：
3.1.1 可投资性：
我们遍历了沪深两市所有已上市的股票型ETF，提取其跟踪的底层标的指数。仅回测有 ETF 挂钩的指数，确保了策略生成的每一个买入信号，在实盘中都能找到对应的 ETF 工具进行落地，提高了策略的可投资性。
3.1.2 广谱覆盖：
宽基/规模：覆盖了从大盘到中小盘等多种市值规模。行业/主题：覆盖了已上市 ETF 基金分布的多种细分行业与主题。风格/策略：涵盖红利低波、质量成长等Smart Beta 指数。
3.1.3 选择指数样本的优势： 相较于直接回测
ETF 基金净值，回测底层指数的数据治理优势如下：规避存续期偏差：近几年 ETF 基金发行加速，部分ETF基金仅有近1-2 年的数据。如果直接选择回测 ETF 净值，会导致历史数据大量缺失，无法验证策略在一轮完整牛熊中的表现。而指数通常具有更长的历史回溯数据，可以更好的检验策略的鲁棒性。剔除折溢价噪音：ETF 虽有套利机制，但流动性一般的ETF基金仍容易出现折价或溢价。这种偏离指数价格的波动会干扰指标的计算，导致错误的交易信号。
3.2 数据的预处理
为了消除回测中的“前视偏差”与“幸存者偏差”，我们实施了以下处理：
3.2.1 空值填充—向前填充法：针对不同指数发布日期差异或数据源不连续导致的缺失值，采用前向填充法，保证全样本交易日历的对齐。
3.2.2 无前视计算—杜绝未来数据：我们设计策略时，为避免前视计算，均要求模型严格使用 T-1 日数据或T 日收盘数据，杜绝利用未来数据污染回测结果。
在确立了 AMH 的理论框架与 526 只指数的样本基础后，本章将详细阐述 TS 策略的构建过程。我们采用逻辑透明、可解释性强的规则系统，将策略解耦为模态识别(Mode Identification)、趋势模态(TrendMode)与震荡模态(Shock Mode) 三大核心模块。
4.1 模态识别：自适应条件下的双模态“赛马机制”
如何客观地定义当下的市场模态？我们认为，通常可以基于基本面因子或宏观经济数据或统计学指标，然而，基本面因子与宏观数据往往存在滞后性，而统计学指标如 HMM 模型则面临过拟合风险。本策略属于日频跟踪交易体系，市场模态的判定需要由微观结构的日频信号触发。基于此，我们建构了一个在市场自适应条件下的双模态“赛马机制”。其核心逻辑：如果近 20 个交易日内，趋势模式收益大于震荡模式，则定义为趋势市；反之则是震荡市。
4.2 在 TS 策略中加入模态识别模式的优势
模态识别模式利用了市场交易惯性的特征，如果市场正在经历趋势型上扬，趋势得分会大于震荡得分，TS 策略会选择保持趋势模式，直到趋势效应衰减，震荡模式就会发出介入信号：自适应性：在 2019 年 Q1 市场启动初期，趋势组合的收益超过震荡组合，策略切换为趋势交易，策略由守转攻；相反，在2022年市场震荡磨底中，趋势模态信号衰减，震荡模态发出介入信号，策略切换为震荡，交易进入防御抄底。 去噪能力：模型设置 20 个交易日的平滑时间窗口，过滤了市场单日的随机波动的噪音，只有当某种风格在统计显著性上压倒另一种风格时，才会触发模态切换。减少了由高频切换带来的交易磨损，降低了摩擦成本，提高了组合胜率。
构建趋势模态的核心假设：强者恒强，价格包容一切信息。当模态识别判定市场进入趋势模态时，意味着市场微观结构呈现出“动量正反馈”特征。所以在该模态下，我们放弃了估值（PE/PB）均值回归因子，采取了纯粹的价量动量因子来捕捉阿尔法，但若简单采取“价格大于均线即买入”策略，组合收益极易回撤。因此，TS 策略引入了均线方向二阶确认——斜率保护策略。
当 TS 策略判定市场进入震荡模态时，意味着趋势瓦解，市场进入存量博弈或恐慌下跌。此时，策略逻辑翻转，目标从“进攻”转为“防守反击”。该模态下，“追涨策略”被禁止，从而转入“狙击手模式”，耐心捕捉市场犯错的机会（超卖）。
TS 策略作为一个日频交易策略，会在每日收盘后发出次日的交易信号，为确保回测结果的真实性和可靠性，避免未来函数，我们在交易执行层制定的是 T+1 执行标准。在其他约束条件不变的情况下，动态回测的风控以及回撤数据更好。所以在策略建构时，我们放弃了固定回撤比例止损的方案，采用了 ATR 和事件驱动动态止损方案。
基于上述模型架构，我们对 526 只指数构成的样本池进行了近8年（2018.01.01-2025.12.02）的逐日回测。采用无前视执行标准：所有信号均在 T 日收盘确立，T+1 日执行（买入按 T+1 日均价，卖出按T+1日开盘价），以确保业绩的真实可复现性。
8.1 整体绩效表现：真实环境下的非对称收益
回测结果显示，TS 策略呈现显著的“收益风险非对称性”特征：在捕获市场上行 Beta 的同时，通过震荡识别，大幅降低了下行风险。近8年夏普比率 1.00，卡玛比率 0.98。
净值曲线特征：策略曲线呈现“阶梯式”形态。在2019-2020年及2021年部分时段，曲线斜率陡峭（Trend 贡献）;在2018 年及2022-2024年的震荡下跌市中，曲线斜率趋平，表现为低波动的防御特征。
8.2 分年度绩效归因
通过分年度数据透视，我们可以更客观地评估策略在不同市场环境下的适应性：
8.2.1 2018 年（单边下行）：防御机制有效保护回撤幅度
表现：沪深 300 回撤-27.43%，策略回撤-12.16%，策略超额15.27%。归因：全年 85%的时间处于震荡模态。由于斜率保护机制的存在，趋势信号几乎未触发，策略长期维持空仓或极低仓位，成功规避了系统性杀跌。
8.2.2 2019 年（V 型反转）：模型滞后的代价
表现：策略录得+13.26%，显著跑输基准的+37.95%。归因：这是策略的典型失效年份。模态识别滞后：2019Q1 市场受政策驱动，情绪出现V型反转。但模型的模态识别系统是基于过去 20 日数据判定，所以模型在反弹初期仍将市场判定为震荡市。 过早止盈：在 2019Q1 的快速上涨行情中，大量指数迅速触发RSI>70超买信号。模态下的交易逻辑迫使策略在上涨中途“止盈离场”，导致踏空了后续 20%的主升浪。
8.2.3 2020 年（结构性牛市）：趋势模态的回归
表现：策略录得 31.41%，重新跑赢基准5.91%。归因：随着行情从普涨转为结构性上涨，模态识别确认进入趋势模态。乖离率排序机制发挥作用，锁定了创业板与半导体等核心赛道。
8.2.4 2021-2025 年（震荡/存量博弈）：捕捉阿尔法
表现：沪深 300 先抑后扬，TS 策略连续跑赢基准。归因：该阶段胜率较高。在存量博弈中，指数波动率加大，但缺乏持续性。TS 策略通过捕捉红利低波的波段和微盘股的“急跌反抽”，积跬步成千里，净值曲线与基准指数形成了显著的“剪刀差”，超额显著。
8.3 双模态下的胜率与赔率分析
我们对回测期内的交易记录进行了穿透分析，从策略的Tradelog来看，TS 策略接近于一个日频波段策略，更适合在高波动市场积累通过胜率来累积收益：
趋势模态：该模态通过不断尝试切入潜在的上涨趋势，通过承担一定的“试错成本”来捕捉市场的肥尾概率。为策略贡献了主要的凸性收益。震荡模态：相信均值回归。尽量为策略提供安全垫，同时利用恐慌豁免机制在超卖区进场，赚取反弹收益后迅速止盈。整体平滑了资金曲线。
8.4 动态回撤控制
策略的历史最大回撤出现在 2018 年(-15.16%)，其余年份最大回撤均被控制在 15%以内，其中 2021 年、2022 年、2024 年与2025年最大回撤不超过 10%（见表 3）。 这一稳健性得益于模态的 “短久期”特征。统计显示，在震荡模式下，持有天数主要集中分布在 3 天以内（按持有轮次算，持有期3天以内的交易笔数占震荡模式交易笔数的 86%），持有久期较低降低了风险暴露。
8.5 策略失效场景分析
我们需要承认，没有策略能够适应所有场景。本策略也存在失效场景，在特定环境中可能会出现阶段性失效：阴跌行情：价格沿 MA20 下方缓慢阴跌，既不触发趋势突破，RSI也没低到 30 以下。策略将因长时间无信号而跑输现金收益，损失机会成本。V 型反转前的“最后一跌”：若市场在极短时间内跌穿所有支撑，虽然有恐慌豁免，但若反弹初期波动率过大或会触发ATR止损条件，组合可能会在反弹前被震出。例如 2019 Q1，由于模态识别窗口为20 日，模型在前15%-20%的涨幅中仍判定为震荡市而执行了高频止盈，导致该年度策略仅录得 13.26%，大幅跑输基准的 37.95%。
为了验证策略是否存在“过拟合”风险，以及在真实交易环境下的有效性，我们进行了参数敏感性分析与执行压力测试。
9.1 模态识别窗口的敏感性分析
针对核心参数 （模态识别窗口，基准值W=20），我们测试了不同参数下的表现： W ∈ [15,25] （平原区）：策略表现高度稳定，年化收益维持在15%-17% 区间，夏普比率 > 1.0。证明“月度周期”是一个具备物理意义的稳健参数，而非过拟合的噪点。 W < 10 （噪音区）：对短期波动过于敏感，频繁切换Trend/Shock模态导致交易磨损大幅增加，净值曲线毛刺增多。W > 40 （迟钝区）：对趋势拐点反应迟钝，导致回撤控制显著变差，无法及时切入 Shock 防御模式。
（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。）
