基本面指导大类资产配置系列二之股票风格配置（下）

目录

传统框架下映射的风格特征 4

方差检验 5

主要结论 6

周期扰动下映射的风格特征 6

再论大小盘风格轮动 8

传统框架下的风格配置实践测算 10

选股策略的实践效果 11

因子投资的组合实践——SmartBeta 13

周期扰动下风格配置的测算 16

相对保守型配置方案 16

积极进取型配置方案 19

因子配置的系统性框架 21

总结 22

图表目录

图1：传统经济周期划分下各阶段对应的因子表现 4

图2：M1M2剪刀差、信用利差与大小盘轮动的关系 8

图3：依据信用利差和M1M2剪刀差的大小盘轮动策略表现 9

图4：因子配置的选股策略表现 12

图5：因子配置的SmartBeta投资策略净值表现 14

图6：保守型因子配置的选股策略净值表现 18

图7：进取型因子配置的选股策略净值表现 19

表1：不同经济状态下因子表现（单位：%） 5

表2：方差分析和Tukey检验结果 5

表3：因子在不同指标状态下的显著性检验结果 7

表4：因子在不同流动性指标状态下的显著性检验结果 7

表5：大小盘轮动策略的表现 10

表6：大小盘轮动策略的分年表现 10

表7：传统状态划分下的因子配置原则 11

表8：因子配置的选股策略分年表现 12

表9：因子配置的选股策略综合表现 13

表10：部分因子对应的SmartBeta指数 13

表11：因子配置的SmartBeta投资策略分年表现 14

表12：因子配置的SmartBeta投资策略综合表现 15

表13：美国代表性SmartBetaETF产品策略及规模 15

表14：传统状态划分下的因子配置原则 16

表15：单个指标状态对应下的因子配置原则 17

表16：保守型因子配置的选股策略分年表现 18

表17：保守型因子配置的选股策略综合表现 19

表18：因子的敏感性指标汇总 19

表19：进取型因子配置的选股策略分年表现 20

表20：进取型因子配置的选股策略综合表现 20

表21：单资产内部因子配置的常见方法 21

表22：跨资产因子及对资产的影响 21

回顾本篇（上）的内容我们选取成长、质量（ROE）、价值、Beta、波动率、财务杠杆、流动性、规模、反转、动量作为股票细分风格的代表来进行风格配置探究，依据传统的“产出水平+通胀+政策”三维度的框架可以印证基本面对于几个因子的解释作用。本文作为下篇分为以下几个部分：

1、首先重新梳理了上篇的主要结论，同时为了验证配置结果的稳健性，使用方差分析

（ANOVA）方法对统计结果进行显著性检验；

2、承接上篇验证在周期扰动下基本面和政策维度对不同因子表现的指导意义；

3、再论大小盘风格轮动现象，探索基本面及政策因素对于大小盘风格轮动解释程度；

4、验证传统周期划分方式及周期扰动下的风格配置结论的有效性；

5、最后一部分系统性梳理一下常见的单资产内部因子配置方法。

传统框架下映射的风格特征

传统划分方式以产出缺口（VAI）和CPI为信号，政策维度结合货币和信贷相关指标体系，在每一个状态下验证因子表现，主要结果参见图1和表1。

图1：传统经济周期划分下各阶段对应的因子表现

资料来源：DavidHillCompany,《不同市场阶段影响资产价格的因素》,

在每个阶段均能获取正收益率的强势因子有规模（小市值）、Beta、反转、流动性（低流动性），其中规模、反转和流动性三个因子特征是在滞胀前期即投资者情绪最为高涨的阶段表现最好，典型的风险偏好高下的受到投资者情绪影响最剧烈的因子。

表1：不同经济状态下因子表现（单位：%）

经济状态

成长

质量

价值

财务杠杆

规模

Beta

动量

反转

波动率

流动性

复苏

3.02

0.12

4.38

1.53

3.25

4.69

1.25

4.93

0.83

8.91

繁荣

2.50

1.70

3.70

0.30

8.60

5.31

4.53

3.35

4.44

8.76

滞胀

5.05

0.10

1.82

-3.46

24.58

5.50

-3.78

11.62

-5.76

12.64

滞胀后

1.42

-0.90

-2.21

1.87

12.73

3.81

-10.38

8.82

-20.76

4.29

衰退前

1.81

1.50

4.20

-2.02

5.75

1.58

0.48

6.31

3.53

5.78

触底

-0.99

-2.40

5.47

0.45

16.96

2.11

0.31

2.52

2.15

10.24

资料来源：Wind，

方差检验

传统框架下在每个状态下得到了因子收益表现结果，但是结果上的差异并不能说明因子表现与划分的状态之间的关联性，使用方差分析来验证宏观状态和因子表现之间关联的统计显著性。

方差分析由R.A.Fisher提出，一般用于两个及以上样本均数差别的显著性检验，由于各种因素的影响，样本数据呈现波动特征，方差分析认为波动的原因有两类，一种是由于随机因素导致的，一种则是由于特定处理方式确实对分组有效。基本原理如下：

对于总数为n，组数为m的样本，通过比较组间均方和组内均方来比较各组之间是否有显著不同。

特定分组方式造成的差异称为组间差异，用变量在各组均值与总均值之偏差平方和的总和表示，记作SSb，组间自由度dfb=m-1；

随机误差称为组内差异，用变量在各组的均值与该组内变量值之偏差平方和的总和表示，记作SSw，组内自由度dfw=n-m。

将组间SSb和组内SSw除以各自的自由度，分别得到均方MSw和MSb，如若组别之间有显著区别则存在MSb>>MSw，MSb/MSw比值构成F分布，用F值与其临界值比较。

除此之外，可以进一步使用Tukey方法或Duncan检验对两两组别进行遍历，找出差异性较大的组别。

表2：方差分析和Tukey检验结果

经济状态

成长

质量

价值

财务杠杆

规模

Beta

动量

反转

波动率

产出水平+通胀

***

**

*

-

***

-

**

-

*

产出水平+通胀+政策

*

*

-

*

***

**

*

**

*

六组别划分差异

触底+滞胀

繁荣+触底

复苏+滞胀后

-

衰退+滞胀

复苏+衰退

繁荣+滞胀

-

繁荣+滞胀后

复苏+紧缩

繁荣+宽松

-

滞胀+紧缩

滞胀+宽松

-

-

滞胀+宽松

复苏+紧缩

十二组别划分差异

触底+宽松

触底+宽松

-

触底+宽松

繁荣+紧缩

-

-

触底+紧缩

滞胀后+宽松

资料来源：Wind，

统计检验的结果见表2，其中‘***’、‘**’和‘*’分别代表置信度99.99%、99.9%、99%下的显著性。组别划分差异列举了各个因子表现差异最大的两组对应的状态。统计结果基本和上篇中不同状态下因子表现分析一致，有所区别的是规模因子虽然在大周期及加

了政策维度后的细分周期下收益率区别并不显著，但是在方差分析中出现了非常显著的差异，主要是由于规模因子在滞胀前期突出的表现与在其他状态下有显著的不同。

主要结论

总结上一部分统计结果及对应的因子收益来源，可以得到以下结论：

、在不考虑政策维度下，Beta、价值、成长在大的“产出水平+通胀”划分方式下有一定的收益区分度；质量和财务杠杆整体有效性弱于同为基本面因子的价值和成长，带来的风险溢价有限；

、动量和反转的轮动效果并不十分显著，表现为反转大部分阶段下优于动量，而政策维度的切入对两个因子表现的解释度都有所提升，尤其是反转因子，在宽松的流动性环境下更易获取超额收益；

、在市场由繁荣刚刚切换至滞胀前阶段时，市场情绪高涨，投资者风险偏好最高，此时表现得最好的因子是规模、反转和流动性，而这三个因子也是从2005年年初跟踪至今（2019年5月底）A股市场上年化收益率最高的三个因子，一定程度上反映了情绪面在过去长时间以来都具备较好的风险溢价能力；

、因子在大部分时候具备配置价值，这是由其本身特性及市场行为所决定的，但是与此同时，不同状态下，尤其是添加了政策后的细分阶段下我们所选取的几个因子间强弱关系并不恒定而与所处环境相关，说明不同因子的风险溢价来源确实存在差异，可以起到互补作用，新因子的挖掘也可以从这个方向进行考量；

、需要直面的问题是在时间序列上无论是宏观维度，还是A股的市场结构、因子收益来源都在发生变化。较为显著的是2016年之后宏观周期扁平化，总量指标衡量下的经济波动小，更多的是内部结构分化；宏观政策上，也一改以往的粗口径调控方式，从早期的直接信贷管控到间接数量调控并积极推动利率市场化，每一轮的调整都是市场及参与者学习和进化的过程；同期，过去很长一段时间表现较好的以规模为代表的因子出现较大回撤，基本面类因子有效性提升，背后是从宏观、政策到资本市场的传导，最后反映在因子表现上。

无论是进行因子轮动还是所谓的因子择时，从因子表现出发是一种舍本逐末的做法，把握背后核心驱动因素的变化更为重要。

周期扰动下映射的风格特征

考虑到传统周期划分方式并不能对所有因子进行较好解释，部分因子或在“产出缺口+通胀+政策”固定组合下有较好表现，但是在每个单独维度下，因子对指标的敏感度也可能存在较大差异。

下面测算各个因子对单个指标的敏感度，使用高低点划分的方式，将几个指标划分为上行、下行状态。在状态切分之后，统计因子表现和指标处于上行和下行状态是否存在显著相关。这里用线性回归的方法，以各个指标的上行、下行状态为区分建立0、1哑变量，作为自变量，因子收益率作为因变量，建立模型，以回归得到的斜率项的t值作为不同状态内收益率是否显著不同的标准。

首先是大周期划分指标，包括产出缺口、CPI同比及政策维度下几个指标合成的流动性，表3列出了在不同指标下各个因子的回归t值。t值的正负体现了指标上行状态对因子

收益能力的影响方向，t值大于0说明在该状态下因子的超额收益能力增加；t值的绝对值水平体现了当前区间对行业收益能力影响的程度，绝对值越大表明因子收益率对于该指标状态越敏感。

表3：因子在不同指标状态下的显著性检验结果

经济状态

成长

质量

价值

财务杠杆

规模

Beta

动量

反转

波动率

产出缺口

-0.8112

1.3425

-0.9708

1.2904

0.7126

0.5557

2.1818

2.4835

-1.6366

CPI

2.1706

1.8980

0.3406

0.6413

-0.7312

1.4126

1.3094

-0.1192

0.1404

流动性

1.2009

-0.6768

-1.4762

1.7264

-3.8078

0.7656

-1.7213

-3.4953

3.1877

资料来源：Wind，

在政策维度下，货币流动性和信贷流动性也时常存在分化，各个指标侧重面的不同对上市公司的影响存在差异，因此针对合成流动性的各个指标进行单独测算，包括新增信贷累计增速、社会融资规模存量同比（社融增速）、M1M2增速差、十年期国债收益率及信用利差。同样以t检验值的方向及绝对值大小衡量指标对因子的解释度。需要注意的是流动性指标中，上行和下行对应的宽松、紧缩方向是不一致的，如利率上行往往代表信贷环境紧张，社融增速上行则是流动性相对宽松。

M1、M2和社融增速是判断宏观信用环境松紧的最常用指标。M1M2剪刀差可突出反映企业资金占比和其资金活化程度，可追溯历史较长；社融增速和新增贷款增速的变化也是对信用周期的一种反映，区别在于社融增速包含了各类金融创新和一些表外融资渠道等，对于中小企业而言直接贷款的可得性有限，因此当社融增速受到的负面影响多于信贷增速时，往往体现的是中小企业受到了更大的冲击。

市场利率直接影响到股票定价模型的分母项。十年期国债收益率体现了市场无风险利率水平，一方面反映了投资者的资金成本，另外一方面也是衡量配置股债性价比的参考指标，体现了市场的风险偏好水平。信用利差在行业内部可以一定程度反应行业景气度，当信用利差收窄时，说明行业基本面向好，即使小企业也能够获取相对较低的融资成本。

表4：因子在不同流动性指标状态下的显著性检验结果

经济状态

成长

质量

价值

财务杠杆

规模

Beta

动量

反转

波动率

流动性

新增信贷

-0.3179

-1.7088

-1.0565

2.3069

-1.2969

0.9568

-1.5131

-2.1127

1.9058

-3.4606

M1M2

0.7630

-1.0750

-1.1527

1.6692

-3.5385

1.9488

-0.8062

-1.7454

2.3133

-2.5731

社融增速

0.9486

0.3673

-1.2491

2.4840

-1.6538

0.9318

-1.0609

-1.7548

1.0152

-2.5811

十年期国债收益率

1.2015

-0.8400

1.1561

-1.5821

-1.7051

-0.6513

-3.1934

-3.0579

1.7261

0.9606

信用利差

-1.4525

-2.0991

1.6176

-0.0304

-1.9251

0.2122

-0.3842

-1.2072

1.3617

-0.7367

资料来源：Wind，

对于检验出来较为显著的结果进行了标注，从表中给出的数据可以得到以下结论：

、在传统状态划分下即能区分收益表现的因子往往对单个指标的敏感度不高，如成长、质量、价值、Beta，说明其表现更多依据于多维度的组合而非单个指标的影响；

、难以在传统周期划分下解释的因子均能够找到紧密相关的单个影响指标，并大多是对流动性指标较为敏感，如规模、波动率和流动性，规模代表的小市值因子在流动性宽松的环境下更易有突出表现，细分指标中M1M2增速差和信用利差的影响最大。

、预料之外的发现有：成长因子对CPI同比敏感，或因为CPI上行对应的通胀上行阶段投资者对于公司业绩增速有更高要求；总量指标中产出缺口对动量和反转的表现有较为显著影响，流动性指标中动量和反转均对十年期国债收益率较为敏感，宽松的环境更有利于反转因子的表现。

、部分因子表现出对信贷环境和货币环境敏感度的差异，如财务杠杆在信贷宽松环境下有较好表现；流动性合成指标对质量因子无显著影响，但是信用利差扩大状态下质量因子往往表现较差。

单指标维度下的测算是对传统划分方式的补充，在固定的“产出缺口+通胀+政策”框架下无法有效解释的因子可以通过这种方式找到较为合适的解释维度。

再论大小盘风格轮动

从2005年至今，A股市场上年化收益率最高的因子是规模因子，对应的是小市值长时间较为稳定的风险溢价，结合前面两个部分的结论首先传统周期划分的方式并不能解释小市值的表现，考虑周期扰动后，在剔除一些因素如IPO暂停（如2012年11月3日

-2014年1月）等事件驱动影响后，我们发现规模因子与货币政策中货币供给、利率变动呈现较高相关性，而与大的经济周期相关性不高。不过纵观海外市场，基本面因素对于规模因子的作用将随着市场逐渐成熟而变强，A股市场近两年呈现同样趋势。

整体而言，当信用利差处于明显扩张期，且上升速率高于货币供给增长速率时，规模因子失效，与预期较为一致。一方面，当政策环境趋于紧缩时，相比于大公司，小公司更加难以获得融资，投资者对于小公司发展前景存疑；另一方面，在政策紧缩环境下，投资者风险偏好下降，更愿意持有确定性较强的大公司，因而市场整体风格偏向大市值股票。典型代表是2017年，政策环境上金融去杠杆，A股市场跟随美国市场进行加息，货币供应量也在下降，不利于小市值因子。

图2：M1M2剪刀差、信用利差与大小盘轮动的关系

资料来源：Wind，

过去几轮较长的大市值占优阶段具备的共同特征是信用利差上行叠加一定程度的货币紧缩，不过也会出现利差上行货币供应下行时小市值仍然保持强势的区间，典型的是2013年4月份至2014年2月份。

我们测算仅依据信用利差和M1M2剪刀差的大小盘配置策略的效果，测算过程如下：使用申万大盘指数、申万小盘指数作为配置对象，时间区间为2008-04至2019-06，当信用利差上行且M1M2剪刀差缩小时，配置申万大盘指数，反之，配置申万小盘指数。轮动效果如下图所示：

图3：依据信用利差和M1M2剪刀差的大小盘轮动策略表现

资料来源：Wind，

以大小盘的等权组合作为比较基准，主要的回撤发生在2008年4季度至2009年1季

度、2014年4季度以及2018年2季度。比较轮动策略、等权组合和大、小盘之间的净值走势，2016-2017年是个明显的分界点，在2016年之前小市值的强势表现无法单纯使用信用利差和M1M2剪刀差等宏观流动性因素解释，此后轮动策略的净值表现跑赢小盘指数。

表5：大小盘轮动策略的表现

策略

收益率

波动率

夏普比率

最大回撤

胜率

盈亏比

大小盘轮动

7.77%

29.85%

0.26

60.93%

54.71%

0.89

等权组合

3.17%

27.27%

0.12

57.81%

53.46%

0.91

申万小盘

5.71%

30.62%

0.19

71.39%

55.63%

0.85

申万大盘

-0.19%

26.87%

-0.01

58.28%

51.14%

0.98

资料来源：Wind，

从分年收益率来看，轮动策略大部分年份相对于三个基准均能有超额收益，但是从纯因子角度来看，在2016年之后规模因子不仅出现回撤，相较于其他因子及其本身历史表现，带来的Alpha也被削弱，大小盘轮动现象不明显。

表6：大小盘轮动策略的分年表现

年份

轮动

等权组合

申万小盘

申万大盘

超额等权

超额小盘

超额大盘

规模因子

2009

92.89%

82.30%

91.74%

72.85%

10.59%

1.15%

20.04%

21.19%

2010

30.09%

7.55%

30.83%

-15.73%

22.54%

-0.74%

45.82%

11.15%

2011

-26.38%

-31.65%

-36.92%

-26.38%

5.27%

10.54%

0.00%

5.98%

2012

3.54%

7.59%

3.54%

11.63%

-4.05%

0.00%

-8.09%

4.24%

2013

15.64%

8.11%

23.52%

-7.30%

7.53%

-7.88%

22.94%

13.52%

2014

26.23%

39.56%

34.52%

44.61%

-13.33%

-8.28%

-18.37%

10.96%

2015

59.46%

34.82%

59.46%

10.18%

24.64%

0.00%

49.28%

31.15%

2016

-13.47%

-14.14%

-18.87%

-9.41%

0.67%

5.40%

-4.06%

14.86%

2017

23.57%

5.31%

-12.96%

23.57%

18.27%

36.53%

0.00%

-7.71%

2018

-32.48%

-34.52%

-42.18%

-26.85%

2.04%

9.71%

-5.62%

3.74%

2019

19.47%

24.77%

30.06%

19.47%

-5.30%

0.00%

-10.59%

3.51%

资料来源：Wind，

传统框架下的风格配置实践测算

对因子表现的研究最终目的是进行风格即因子配置投资，多因子经过多年的发展，因子构建方式逐渐成熟也经过理论和实践上多重检验，其扮演的角色从以往收益分析和风险控制工具上升为新的独立投资方式。当考虑因子投资时，对因子筛选的标准将更为严格，并非所有的因子都能获得收益补偿，需要考量的因素主要包括可执行性、组合因子敞口选择、未来收益溢价、收益周期性等。除此之外，因子所对应的交易成本、流动性不足的股票、佣金、管理费用、借款成本等都会损耗因子的实际回报。因此，我们从两个方面进行因子配置策略的落地验证，第一是从因子映射到股票组合投资上，从基本面状态对应到因子配置，根据配置结果选择对应风格的股票；第二是考虑到各家对因子定义的差异以及配置基金时选择的局限性在市场中寻找契合风格的指数标的进行配置。

总结前面的结论可以得到一个粗略的因子配置原则如下表所示：

表7：传统状态划分下的因子配置原则

经济状态 流动性 配置因子

复苏繁荣滞胀滞胀后衰退前

触底

宽松 成长 价值 财务杠杆 规模 Beta 反转

紧缩 成长 ROE 价值 Beta 波动率宽松 成长 价值 财务杠杆 规模 Beta 动量 反转

紧缩 成长 ROE 价值 Beta 动量 波动率宽松 成长 规模 Beta 反转

紧缩 成长 Beta 波动率宽松 财务杠杆 规模 反转

紧缩 波动率

宽松 价值 规模 反转

紧缩 ROE 价值 波动率

宽松 价值 财务杠杆 规模 反转

紧缩 价值 波动率

资料来源：Wind，

选股策略的实践效果

策略一_因子配置的选股组合策略：资产及样本时间的选择：

测算时间：2005年2月—2019年6月；

选用资产：选择成长、ROE、价值、财务杠杆、规模、Beta、动量、反转及波动率几大风格因子所对应的特征个股，进行不同风格个股的筛选配置；

配置原则：根据产出缺口、CPI和流动性指标进行状态判断，不同状态下进行对应风格的配置；

调仓规则：在每个月底选取由合成因子获得的排名前10%的个股进行等权组合，月度再平衡，由于宏观指标公布滞后，以当月月底能够获取的数据来进行状态确认；

其他：剔除停牌、ST、*ST等不可交易或者存在重大交易风险的个股，同时加入涨跌监控机制，充分考虑到难以交易的市场情形，交易费用取双边0.3%。

图4：因子配置的选股策略表现

资料来源：Wind，

通过等权方式合成几个因子进行选股，构建等权组合作为比较基准之一，配置组合与等权组合及Wind全A相比均能积累超额收益，在2015年后配置组合相对于等权组合有持续的超额收益，一定程度上说明近些年来基本面对于因子配置的指导性有所增强。不过与大部分量化选股策略类似在近三年未能跑赢Wind全A。

表8：因子配置的选股策略分年表现

年份

配置组合

Wind全A

等权组合

超额全A

超额等权

2005

5.43%

-10.10%

-4.28%

15.53%

9.71%

2006

94.87%

108.71%

99.33%

-13.84%

-4.46%

2007

190.73%

164.07%

250.05%

26.66%

-59.32%

2008

-63.17%

-63.50%

-64.14%

0.33%

0.97%

2009

159.60%

97.82%

143.13%

61.78%

16.47%

2010

10.74%

-6.18%

5.67%

16.92%

5.07%

2011

-26.11%

-23.62%

-24.78%

-2.49%

-1.33%

2012

7.01%

6.41%

14.88%

0.60%

-7.87%

2013

11.63%

5.36%

14.44%

6.27%

-2.81%

2014

29.14%

52.04%

53.91%

-22.90%

-24.77%

2015

162.46%

35.42%

62.82%

127.04%

99.64%

2016

14.09%

-4.94%

5.32%

19.03%

8.77%

2017

1.95%

3.93%

-5.87%

-1.98%

7.82%

2018

-33.03%

-29.15%

-33.16%

-3.88%

0.13%

2019

25.25%

25.87%

24.29%

-0.62%

0.96%

资料来源：Wind，

综合来看，从年化收益率和夏普比率上比较，配置组合表现最优。

表9：因子配置的选股策略综合表现

组合

收益率

波动率

夏普比率

胜率

最大回撤

配置组合

25.99%

33.39%

0.78

60.95%

73.00%

Wind全A

16.71%

28.87%

0.58

59.17%

70.59%

等权组合

23.20%

31.01%

0.75

60.95%

74.63%

资料来源：Wind，

因子投资的组合实践——SmartBeta

策略二_因子配置的SmartBeta指数投资组合：

因子配置的意义不仅在选股上，对于国内FOF投资也有重要参考价值。受到大类资产类型的限制，FOF无法实现在大类上的充分分散，如若能通过基金投资的方式实现权益内部风格上的配置，也是一种较好的获取超额收益的方式。如我们在框架性报告《因子投资：策略概述及收益回测》中提到的通过SmartBeta指数的方式以较低成本实现因子投资，我们上述用到部分因子也可以在中证指数网站上找到对应的SmartBeta指数。

表10：部分因子对应的SmartBeta指数

因子

指数名称

指数代码

成长

沪深300成长

000918.SH

Beta

沪深300高Beta

H00828.CSI

价值

沪深300价值

000919.CSI

波动率

300波动

000803.CSI

规模

300等权

000984.SH

动量

300动量

H30260.CSI

ROE

基本300

H30362.CSI

资料来源：Wind，

财务杠杆、反转、流动性三个因子未能找到契合的SmartBeta指数，以上述7个SmartBeta为代表进行配置测算。

资产及样本时间的选择：

测算时间：2005年1月—2019年5月；

选用资产：选择成长、Beta、价值、波动率、规模、动量及ROE几大风格因子所对应的SmartBeta指数，进行不同风格指数的组合配置；

配置原则：根据产出缺口、CPI和流动性指标进行状态判断，不同状态下进行对应组合的配置；

调仓规则：SmartBeta指数之间进行等权组合，并在每个月底进行再平衡，由于宏观指标公布滞后，以当月月底能够获取的数据来进行状态确认。

图5：因子配置的SmartBeta投资策略净值表现

资料来源：Wind，

由于选用的SmartBeta指数是在沪深300内部进行风格暴露，配置组合相当于是对沪深300进行增强，组合走势和基准相比如上图所示，有较为稳定的超额收益表现。

表11：因子配置的SmartBeta投资策略分年表现

年份

配置组合

沪深300

超额300

2005

-6.63%

-6.96%

0.33%

2006

111.71%

116.80%

-5.09%

2007

178.28%

158.25%

20.03%

2008

-66.00%

-66.25%

0.25%

2009

79.06%

89.90%

-10.84%

2010

-7.11%

-11.51%

4.40%

2011

-16.72%

-26.46%

9.74%

2012

6.26%

9.75%

-3.49%

2013

-4.11%

-7.70%

3.59%

2014

60.32%

52.19%

8.13%

2015

10.77%

2.46%

8.31%

2016

0.10%

-4.58%

4.68%

2017

18.44%

20.60%

-2.16%

2018

-20.37%

-26.34%

5.97%

2019

28.02%

28.83%

-0.81%

资料来源：Wind，

策略的分年表现如上表所示，过去15年间，有10年跑赢沪深300。累积下来的年化收益率超额沪深300指数2.67%，夏普比率略高于基准。

表12：因子配置的SmartBeta投资策略综合表现

组合

收益率

波动率

夏普比率

胜率

最大回撤

配置组合

17.14%

26.02%

0.66

58.58%

71.07%

沪深300

14.47%

27.57%

0.52

59.17%

70.59%

资料来源：Wind，

因子配置在投资中的应用实践已经较为成熟，尤其是在海外，发展出了具备相当规模的多因子SmartBeta产品，根据ETF.com的统计，目前美国市场上SmartBetaETF产品规模合计为8808亿美元，数量占比超过ETF总数的一半，规模占比达到23.7%。代表性公司及产品策略如下表所示：

表13：美国代表性SmartBetaETF产品策略及规模

发行人

代表性产品

配置的因子

规模（$Mil）

iShare

iShareEdgeMSCIMultifactorConsumerStaplesETF

价值、质量、动量、规模

2.53

PrincipalGlobalInvestors

PrincipalU.S.SmallCapIndexETF

成长、价值、流动性、质量

354.17

GlodmanSachs

GoldmanSachsActiveBetaEuropeEquityETF

价值、质量、动量、低波动

23.70

J.P.Morgan

JPMorganDiversifiedReturnU.S.MidCapEquityETF

价值、质量、动量

173.72

Deutsche

DeutscheX-trackersRussell2000ComprehensiveFactor

ETF

价值、动量、质量、低波动、规模

9.98

GlobalX

GlobalXScientificBetaU.S.ETF

价值、动量、低波动、规模

100.18

FirstTrust

FirstTrustNasdaqBankETF

动量、低波动、股息率

147.19

资料来源：Bloomberg，

通过对长期表现优异的因子进行组合，多因子SmartBetaETF可以降低投资者获取Alpha的成本，同时在具有丰富SmartBeta产品的市场进行因子配置时的选择也会更为多样化。

以上两个策略只是对传统周期划分方式的有效性进行简单的验算，但是效果并不是非常稳健，主要原因在于：1）、正如我们在上一部分介绍的，传统划分方式较为粗糙，无法对某些因子失效做出较好的解释，需要结合周期扰动下的结论；2）、配置方式上也有更为灵活的选择，如在小市值失效的阶段对应的是大市值龙头效应的强势，此时选择规模因子仍然十分有效，但是却被忽略；因此后续策略效果上存在较大提升空间，关于因子配置方式也存在一些系统性的方法。

周期扰动下风格配置的测算

在周期扰动情况下因子的配置方式，可以分为积极进取型和相对保守型两种方案。

相对保守型配置方案

首先，对于成长、价值、Beta仍然依据传统划分方式进行配置，针对其他因子质量、财务杠杆、规模、动量、反转、波动率和流动性考虑单个指标影响下的配置方式。保守型方案即是考虑因子长期来看均是经过市场考验具备配置价值，只要当前市场状态对因子表现呈现利好因素即进行配置。具体配置方案如下：

表14：传统状态划分下的因子配置原则

经济状态 流动性 配置因子

复苏繁荣滞胀滞胀后衰退前

触底

宽松 成长 价值 Beta

紧缩 成长 价值 Beta

宽松 成长 价值 Beta

紧缩 成长 价值 Beta

宽松 成长 Beta

紧缩 成长 Beta

宽松紧缩

宽松 价值

紧缩 价值

宽松 价值

紧缩 价值

资料来源：Wind，

成长、价值、Beta仍然依据传统的状态划分方式来配置。

表15：单个指标状态对应下的因子配置原则

指标 状态 配置因子

产出缺口流动性新增信贷M1M2

社融增速

十年期国债收益率信用利差

资料来源：Wind，

上行 反转 动量下行

宽松 反转 规模

紧缩 波动率

宽松 财务杠杆

紧缩 波动率

扩张 规模

收缩 波动率

宽松 财务杠杆

紧缩 流动性

上行

下行 反转 动量上行

下行 波动率 规模

其他因子在对应指标处于利好状态时进行配置。资产及样本时间的选择：

测算时间：2005年2月—2019年5月；

选用资产：成长、Beta、价值三大指数根据表12的规则进行配置，波动率、规模、动量、ROE、反转、财务杠杆几大风格因子根据表13的规则进行配置；

配置原则：根据产出缺口、CPI和流动性指标进行状态判断对应表12的结果；表

13中的指标进行上行、下行状态划分，在对应状态下选择因子；

调仓规则及交易规则等同策略一_因子配置的选股组合策略。

图6：保守型因子配置的选股策略净值表现

资料来源：Wind，

与传统划分方式下因子配置选股策略相比，考虑单个指标影响的方式整体策略表现更佳。

表16：保守型因子配置的选股策略分年表现

年份

配置组合

Wind全A

等权组合

超额全A

超额等权

2005

0.06%

-10.10%

-4.28%

10.16%

4.34%

2006

96.74%

108.71%

99.33%

-11.97%

-2.59%

2007

194.01%

164.07%

250.05%

29.94%

-56.04%

2008

-57.22%

-63.50%

-64.14%

6.28%

6.92%

2009

164.96%

97.82%

143.13%

67.14%

21.83%

2010

6.06%

-6.18%

5.67%

12.24%

0.39%

2011

-27.33%

-23.62%

-24.78%

-3.71%

-2.55%

2012

8.09%

6.41%

14.88%

1.68%

-6.79%

2013

27.29%

5.36%

14.44%

21.93%

12.85%

2014

30.14%

52.04%

53.91%

-21.90%

-23.77%

2015

176.55%

35.42%

62.82%

141.13%

113.73%

2016

-0.90%

-4.94%

-4.62%

4.04%

3.72%

2017

-8.47%

3.93%

-5.87%

-12.40%

-2.60%

2018

-33.05%

-29.15%

-33.16%

-3.90%

0.11%

2019

27.30%

25.87%

24.29%

1.43%

3.01%

资料来源：Wind，

分年来看，保守型因子配置策略和Wind全A及等权指数相比在大部分年份中能够获取超额收益，近几年在传统量化多因子模型大多表现不佳的情况下，相比于等权指数也能获取一定超额收益。

整体比较来看，夏普比及最大回撤上都有所改善。

表17：保守型因子配置的选股策略综合表现

组合

收益率

波动率

夏普比率

胜率

最大回撤

配置组合

25.55%

31.77%

0.80

56.90%

71.77%

Wind全A

16.71%

28.87%

0.58

59.17%

70.59%

等权组合

23.20%

31.01%

0.75

60.95%

74.63%

资料来源：Wind，

积极进取型配置方案

积极型配置方案在因子权重上有所侧重，例如流动性合成指标、新增信贷、M1M2增速差及社融增速对反转因子的表现均有所影响，当几个指标状态均有利于反转因子的表现，那么配置反转因子的确定性和有效性将会增强，此时可以适当增加反转因子配置权重。

表18：因子的敏感性指标汇总

因子

影响指标

质量

信用利差

财务杠杆

新增信贷

社融增速

规模

流动形合成

信用利差

M1M2增速

动量

产出缺口

十年期国债收益率

反转

产出缺口

流动性合成

新增信贷

十年期国债收益率

波动率

流动形合成

新增信贷

M1M2增速

资料来源：Wind，

根据表15的规则进行权重分配，规模、反转和波动率有较大机会被配置较高的权重。

资产及样本时间的选择、测算时间及测算资产同上。配置规则参考表15，例如当同时出现产出缺口和十年期国债收益率利好于动量因子时，配置动量的权重是仅满足一项条件的两倍。调仓规则及交易规则等同策略一_因子配置的选股组合策略。

图7：进取型因子配置的选股策略净值表现

资料来源：Wind，

与传统划分方式下因子配置选股策略相比，考虑了单指标影响的方式整体策略表现更佳。

表19：进取型因子配置的选股策略分年表现

年份

配置组合

Wind全A

等权组合

超额全A

超额等权

2005

2.77%

-10.10%

-4.28%

12.87%

7.05%

2006

82.21%

108.71%

99.33%

-26.50%

-17.12%

2007

194.07%

164.07%

250.05%

30.00%

-55.98%

2008

-47.36%

-63.50%

-64.14%

16.14%

16.78%

2009

166.24%

97.82%

143.13%

68.42%

23.11%

2010

4.27%

-6.18%

5.67%

10.45%

-1.40%

2011

-26.10%

-23.62%

-24.78%

-2.48%

-1.32%

2012

4.60%

6.41%

14.88%

-1.81%

-10.28%

2013

29.10%

5.36%

14.44%

23.74%

14.66%

2014

30.91%

52.04%

53.91%

-21.13%

-23.00%

2015

160.33%

35.42%

62.82%

124.91%

97.51%

2016

-3.36%

-4.94%

-4.62%

1.58%

1.26%

2017

-7.54%

3.93%

-5.87%

-11.47%

-1.67%

2018

-30.26%

-29.15%

-33.16%

-1.11%

2.90%

2019

26.67%

25.87%

24.29%

0.80%

2.38%

资料来源：Wind，

分年来看，进取型因子配置策略相比保守型分年表现及综合表现更胜一筹，和Wind全

A及等权指数相比在大部分年份中能够获取超额收益。

表20：进取型因子配置的选股策略综合表现

组合

收益率

波动率

夏普比率

胜率

最大回撤

配置组合

26.13%

31.82%

0.82

62.31%

66.35%

Wind全A

16.71%

28.87%

0.58

59.17%

70.59%

等权组合

23.20%

31.01%

0.75

60.95%

74.63%