金融工程2023年度拨云见日终有时

1、当前市场环境与未来破局之道量化择时与资产配置在未来将至关重要今年以来海外通胀高金融环境收国内受疫情影复苏预期反在这样的宏观环境下市场出现了系统性的回撤波动加剧此时对权益资产的的择时就显得尤为重要，通过宏观择时的方式，或能较为有效的控制住下行风险。图表1：各股指2022年年初至今收(截至2022.11.30)图表2：各股指2022年年初至今走(截至2022.11.30)000%-50%-1.0%-1.0%-2.0%-2.0%

105109509085080750706506-3.0%-3.0%

创业板指数 沪深0 全A 中证0 中证0 宏观择时

全A 沪深0 中证 中证0 创业板指 宏观择时Wind Wind量化行轮动空间的增大与往相比单行业的波动明显放平均回也有所增过去投资者通过直接研判赛道长期持单一行业获取超额收在现阶将面临很大的风。同时行的频繁切换，也给量行业轮动更大的操作的空间通过模型预测行业收益有效轮动能够更好的捕获行业Beta的收益。图表3：近2年中信一级行业年化波动率37.0032.0027.0017.0012.00煤有钢消电食国石汽医农基电家建房计传综非电机综银通建轻交纺商炭色铁费力品防油车药林础子电材地算媒合银力械合行信筑工通织贸金 者设饮军石牧化产机金行及制运服零属 服备料工化渔工融金公造输装售务及融用新事能业源20212022Wind图表4：近10年中信一级行业中每年排名前5行业年份 第1 第2 第3 第4 第52013传媒(102.56)计算机(75.72)通信(45.25)电子(42.41)国防和军工(38.9)2014非银行金融(129.76)建筑(99.9)房地产(78.15)银行(71.83)交通运输(71.55)2015计算机(125.97)消费者服务(122.86)通信(115.46)轻工制造(97.11)纺织服装(94.68)2016食品饮料(7.56)家电(1.78)银行(0.69)煤炭(0.36)石油石化(-0.56)2017食品饮料(54.57)家电(44.94)煤炭(19.31)非银行金融(18.93)电子(18.54)2018消费者服务(-8.69)银行(-10.95)石油石化(-18.76)食品饮料(-20.37)农林牧渔(-22.03)2019食品饮料(72.84)电子(72.23)家电(60.55)建材(52.99)农林牧渔(48.16)2020电力设备及新能源(88.34)食品饮料(88.06)消费者服务(81.06)国防和军工(72.47)医药(50.4)2021电力设备及新能源(51.68)基础化工(50.08)有色金属(46.71)煤炭(44.51)钢铁(44.07)2022(截至11.30)煤炭(31.39)房地产(-0.07)交通运输(-1.81)建筑(-3.57)石油石化(-4.76)，传统低选股因子的风格化传统多因子模型换仓频率相对较低所用因子以基本面因子低频量价因子为主根据我们跟踪计算最近几年这类低频因子IC及多空收的稳定性都出现一些下，逐渐表现出风格化的特征为了解决当前因子面临的问题而越来越多的投资者开始在新的维度探寻和挖掘，包括高频因子、机器学习模型等。图表5：大类因子的C均值与多空收益图表6：一致预期、市值、成长和反转因子多空净值 图表7：质量、技术、价值和波动率因子多空净值期 市值 长 反转 质量 术 值 波动率21.81.41.210.80.6

3.12.61.60.6•••••••••TA2、基于动态宏观事件因子的股债轮动策略宏观择时的常用方法当量化分析师尝试使用宏观数据构建模型对未来资产收益率进行判断时一般有两种方式：1）进行线性回归拟合，将未来资产的收益率作为因变量，将宏观数据作为自变量进行线性回归通过回归模型预期未来资产收益率或者涨跌方向2)构建事件驱动模型通过统计某类特定的宏观事件发生时未来资产的涨跌情况从中筛选出胜率高的宏观事件从而构建事件因子但是对于宏观数据来说其与未来资产的收益率不一定呈现线性相关的关系,或者仅有弱相关性，例下图中展示的PPI同比与全A收益率的相关性只有-0.1336，并没有一个非常强的相关性，但是在某一时间段内，可能与资产收益率的相关性剧增例下图中红框所框出来的部分所我们希望使用构建宏观事件的方式去捕捉这类宏观数据的显著变化的时点，来辅助我们来做投资决。图表9：全A与PPI同比的线性相关性 图表10：全A与PPI同比的走势04万得全万得全次月收益02010-.1-.2-.3-.4

相相关性:-.136-0 -5 0 5 10 PP同比

7,0006,0005,0004,0003,0002,0001,0000

万得点位

比

-10-5051015Wind动态事件驱动的优势传统的事件驱动类策略的构建流程一般为使用样本内时间段数据去测试事件的胜率和可靠性等等然后在样本外长期沿用并不做任何改变或者说没有一个完善的体系去规范样本外该事件因子是否是持续有效使得投资者在样本外的使用过程中无法很好的把控事件因子与资产收益率之间关系的变动。例下图中显示的，南华工业品指数同比与PPI同比的相关性，在2012年之前，南华工业品指数同比的走势对于PPI同比有一定的领先性但是随着时间的推移目前南华工业品指数同比基本对于PPI同比的领先性逐渐减弱。下图中LME铜价与全A指同比的走势变化，也体现了同样的结论。若我们不能及时把握数据与资产关系变化的话，很有可能滞后或者甚至做出错误的投资决策。为了一定程度上解决传统事件驱动类策略的弊端本文尝试构建动态事件驱动策略框架。将事件因子的评价环节包含在每期事件因子的选择当中，动态选择与资产走势更相关的事件因子，解决样本外因子的评价问题和动态因子优选问题，使得投资者只需要关注于挑选更多有效的宏观数据进模型中，提升模型的信息输入就好。图表11：PPI同比与南华工业品指数同比时关系 图表12：全A同比与LME铜价同比时滞关系15105010PPI比 南华工业品指:同右)

1010806040200204060

30202010105005010A::比 :LME3:)Wind宏观事件因子构建框架及流程关于数据方面，我将经济、通胀、货币和信用四大类的30余个宏观指，包括PMI、PPISHIBORM1等数据纳入了测试的范围当中后续还可以对更广泛的数据做进一步的测试。图表13：经济、通胀、货币和信用类指标数据分类 指标名称频率数据发布时间制造业PMI月当月月末制造业PMI:生产经济制造业PMI:新订单月月当月月末当月月末制造业PMI:新出口订单月当月月末PMI:新订单-PMI:产成品库存月当月月末工业增加值:当月同比月次月月中产量:发电量:当月值月次月月中消费者信心指数月次月月末固定投资完成额:第一产业月次月月中国债利差10Y-1M日当日收盘国债利差10Y-3M日当日收盘PPI:同比月次月月中CPI:同比通胀PPI-CPI剪刀差月月次月月中次月月中PMI:原材料价格月当月月末SHIBOR:隔夜日当日收盘SHIBOR:2周日当日收盘SHIBOR:1个月日当日收盘银行间质押式回购加权利率:7天日当日收盘银行间质押式回购加权利率:14天日当日收盘银行间质押式回购加权利率:1个月日当日收盘银行间质押式回购加权利率:3个月日当日收盘货币 同业存单:1个月日当日收盘同业存单:3个月日当日收盘逆回购利率:7天-银行间质押式回购加权利率:7天日当日收盘中美国债利差10Y日当日收盘中国国债美国TIPs利差:10年日当日收盘国开债国债利差:10年日当日收盘AA级企业债国债:10年利差日当日收盘中间价:美元兑人民币日当日收盘M1:同比月次月月中M2:同比月次月月中M1-M2剪刀差信用社会融资规模:当月值月月次月月中次月月中社会融资规模存量:同比月次月月中金融机构:中长期贷款余额月次月月中Wind图表14：事件因子构建流程图对于数据的预处理方面我们分成了4个小步即对齐数据频率填充数据缺失值季节性调整和滤波处理以及数据格式的变动。其中根据对数据的理解不同的数据使用不同的数据格式使数据更能捕捉资产收益率变动方向。图表15：数据格式的变动数据格式 解释data_raw 原始数据data_YoY 数据的同比变化data_MoM 数据的环比变化data_diff 数据的差额变化data_MA12 数据的12个月移动平均data_diff_roll12_sum 数据的新增量的滚动12个月求和data_diff_roll12_sum_YoY 数据的新增量的滚动12个月求和同比变关于事件因子的构建我们将其拆解成7个小步即确定事件的突破方式确定数据与资产的领先滞后性生成事件因子因子事件初筛叠加事件因动态剔除低胜率的事件因以确定评判事件的最优滚动窗。其中我们构建了三类的事件因子包括数据突破数据均线数据突破数据中位数以及数据的同向变化，并且给这些因子事件赋予了不同的参数，这样一共构建了36个不同的因子事件。图表16：事件因子的构建因子事件 参数数据突破数据均线 均线长度：2-12数据突破数据中位数 滚动窗口：2-12数据同向变动 同向变动期数:1-5在生成完所有的事件因子之后我们就可以进入对事件因子的评价和筛选阶段我们列出了4种不同的衡量指标包:胜率收益率胜率波动调整收益率和开仓波动调整收益率。基于这些指标不同的特点，我们决定选择用收益率胜率作为每期事件因子的筛选指标；用开仓波动调整收益率作为后续确定数据滚动时间窗口的指。图表17：各类衡量指标介绍事件因子衡量指标 指标构建 指标优劣势∑𝑁1,𝑟>0∑胜率 𝑖 𝑁∑𝑖

，𝑁为总开仓次数 只考虑指标成功率∑𝑁𝑟,𝑟>0收益率胜率

𝑖𝑖 𝑖𝑖∑𝑁|𝑖∑𝑇𝑟/𝑇

，𝑁为总开仓次数 除了成功率，还包含盈亏比的信息 𝑖𝑖 ，为总期数 综合考虑指标成功率，收益率和波动率的信息，但是包含不开波动调整收益率

√1∑𝑇(𝑟−̅)2

仓时间段的信息，导致不开仓时间长的事件也可能有高数值𝑇−1𝑖𝑖 ∑𝑟𝑖𝑖 ，𝑁为总开仓次数 综合考虑指标成功率，收益率和波动率的信息，开仓波动调整收益率

√1 ∑(𝑟−̅)2

且重点关注开仓阶段的信息，但是要求数据量大些𝑁−1𝑖 𝑖确定好筛选指标之后我们对每期生成因子做个初步的有效性筛选包括a)满足t检验，能在95的置信区间内拒绝事件信号发出之后下一期资产收益为0的原假设b)事件益率胜>55。c)该事件的发生次>滚动窗口的时间期/6。最后我们通过计算样本内时间2005年1月-207年1230余个宏观数据构建的事件因子的开仓波动调整收益率，挑选出了样本内表现较好的11个因子，我们将其列在了下表中并且说明了每个数据的数据格式数据处理方法和对应的滚动窗口期我们将这11个因子分成了两大:经济增长和货币流动性经济增长包含经济通胀和信用三者都是不同维度描述经济的运行情况另外将货币类的指标单独划分成一类用来刻画市场的流动性。图表18：最终筛选的宏观因子因子分类因子名称数据处理方法滚动窗口M1:同比原始数据84PPI:YoY原始数据48PPI-CPI剪刀差X1348经济增长工业增加值同比X1372国债利差10Y-1M原始数据84产量:发电量:当月值:MA3:环比X13-HP84M1-M2剪刀差HP72中美国债利差:10年原始数据84货币流动性中国国债美国TIPs利差:10年X1396银行间质押式回购加权利率:7天原始数据48逆回购利率:7天-银行间质押式回购加权利率:7天:MA20原始数据96择时与股债策略表现在选定了最终使用的宏观指标之后我们使用这些宏观数据构建的宏观事件因子来搭建择时策略我们定义当大类因子内部的细分因子大于2/3的因子发出看多信号则当期该大类因的信号标记为1当大类因子内部的细分因少于1/3的因子发出看多信时，则当大类因信号标记为0若当大类因子内部的细分因发出看多信的比例处于两个区间之后则大类因子标记对具的比例最后我们将两个大类因子的得分取平均值，合成最当期的股票仓信号。图表19：择时策略仓位确定流程图下图展示的是该宏观事件因子择时策略的表现从2005年1至2022年1月年化收益率为18.73，同期全A指数为10.88，相对Wind全A有约的年化超额收益。该择时策略在波动率端也有比较好的表现，年化波动率由指数原来28.64的波动率下到了15.17最大回撤明显下降从指数的68.81下降到了13.77夏普比率上升1.13。图表20：宏观事件因子择时策略净值 图表21：宏观事件因子择时策略表现25 01/2005-11/2022 股票择时 Wind全A20年化收益率 18.73 10.88150 年化波动率 15.17 28.9450股票择时 wind全A

最大回撤 -13.77 -68.61夏普比率 1.13 0.46收益回撤比 1.36 0.16另外我们也尝试了使用择时策略中获得的股票仓位信息搭配风险预算模型来构建不同风险偏好的股债轮动策略。这里我们使用全A指数作为股票资产，中债综合财富总值指数作为债券资产来搭建股债轮动的模型。根据不同权益风险贡献度下的权益权重数据我们构建了三类不同风险等级的股债轮动模型:进取型:基于章节4.1构建的股指择时模型来搭建股仓位变动范围0-100使股指择时模型的股票仓位作为策略的股票仓位，剩余的仓位分配给债券。稳健型:基于风险预算模型来搭建，每期权益的风险贡献度为90-100，具体的变数值=90+(100-90)*股指择时模型股仓位。保守型:基于风险预算模型来搭建每期权益的风险贡献度为60-90具体的变动值=60+(90-60)*股指择模型的股仓位。下图中展示了这三类配置策略和基准的股债64组合未考虑交易成本的表现，回测期从2005年1至2022年11月期间保守稳健和进取三个策略年化收益率分别为6.26，11.96和22.44，同期股债64年化收益率为9.25，稳健和进取型从收益的角度都稳跑赢基准保守型虽然收益没有跑赢但是波动率最大回撤和夏普率都是4者里面最高的适合风险偏好较低的投资者而其他两个风险偏好的策略也同样在各维度上表现优于基准。图表22：宏观事件因子配置策略净值 图表23：宏观事件因子配置策略表现01/2005-01/2005-11/2022股债64保守稳健进取年化收益率9.256.2611.9622.44年化波动率17.243.398.7114.94最大回撤-46.24-3.55-6.77-13.72夏普比率0.531.461.211.36收益回撤比0.201.761.771.647 356 305 254 203 152 101 50 0股债64 保守 稳健 进取右轴)Wind Wind在最后我们也测试了下交易成本对我们配置策略的影响我们取换手率最高的进取型策略(年平均换手率仅432)作为例子，下中可以看到考虑手续费后，整体收益降幅可控，分一的单边手续费下年化收益仅下滑约0.5，分之二手续费下滑约1。手费对于该配置策略整体的影响不大。图表24：不同交易成本下，进取型策净值图表25：不同交易成本下，进取型策略表现4035302520151050无手续费 千一 千二 千

01/2005-11/2022无手续费千分之一千分之二千分之年化收益率 22.44 21.92 21.40 20.88年化波动率 14.94 14.95 14.97 14.98最大回撤 -13.72 -13.84 -13.97 -14.10夏普比率 1.36 1.33 1.30 1.27收益回撤比 1.64 1.58 1.53 1.48Wind Wind3、基于多维度行业景气度与估值动量的行业轮动策略行业景气度与估值动量行业轮动策略可以从不同周期以及多个维度进行构建短期可以关注市场情绪通过价量指标捕捉市场变化并构建预测信号中期则可以从行业基本面出发关注行业景气度与估值的变化；而长期需要对经济周期做出判断，并根据所处的经济周期筛选优势行业。行业景气度反映了行业中上市公司的整体经营状况景气度上行的行业往往会获得投资者的追捧行业估值的变化也表现出较强的持续性估值提升的行业在未来估值进一步上升的可能性也较大因此行业景气度和估值的变化能够对行业收益率的预测起到重要作用。我们从多个维度构建行业景气度和估值动量的因，探索中期行业配置策略。宏观中观经济周期微观景气度估值机构持仓北上资金宏观中观经济周期微观景气度估值机构持仓北上资金 短期价一致预期与业绩超预期研报情绪指标构建原则与测试方法行业层面的指标反映的是所属行业上市公司的整体情因我们可以通过个的相关指标合成行业的景气度与估值指下图展示的行业因子的构建流在因子构建的过程中，我们需要考虑以下几个问。首先上市公司每个季度会披露季报但由于许多行业的财务数据呈现出明显的季节性特征单季度数据直接比较会存在较大问题因此对于区间类数据如营业收入净利润等我们将单个季度数据调整为最近四个季度的数TTM对于时点类数据如总资产、净资产等，我们仍旧取期初和期末的均值。其次在将公司层面的财务数据合成行业指标时我们需要考虑不同的合成方式除了一般采用的整体法外我们还将采用中位数法流通市值加权法和龙头股法共四种方法来计算行业指标具体的行业因子合成方法如下表所示不同的计算方法其侧重点也有所同，具体的行业因子选取的合成方式因指标而异最后由于行业间盈利与估值等数据存在较大差异不能够直接比较因此我们将其转化为指标的边际变化这里主要采用常用的环比和同比的方式进行计算。图表27：行业因子构建流程个股个股T中位数法龙头股法环比盈利质量估值动因子构建我们共构建出盈利质量以及估值动量三大类行业因子为了评估因子对行业收益的预测能力我们采用因子IC测试和分位数组合测试来作为因子筛选的标准这里的行业收益，我们采用中信一级行指数的收益率由于行业分类中综合金融历史数据较短我们暂时从行业池中剔除样本内测区间取为2010年1月1日至2022年3月1日。图表28：盈利类因子定

行业的盈利数据是行业景气度的重要反映当行业盈利情况转暖时行业景气度上行受投资者关注的可能性更大未来存在更大的超额收益为了衡量行业的盈利情况我们选取了行业整体的毛利率、净利率、净利润ROA以及ROE等指标的变动构建因子。其中，毛利率净利率和净利润是反映行业盈利水平最直接的指标ROA和ROE是公司盈利质量的重要指标。因子名称 因子定义 加权方式 变动方法GrossMargin_Chg 毛利率变动 流通市值加权法 环比NetMargin_Chg 净利率变动 整体法 环比NetProfit_Chg 净利润变动 流通市值加权法 环比ROA_Chg 总资产收益率变动 流通市值加权法 环比ROE_Chg 净资产收益率变动 流通市值加权法 环比图表29：质量类因子定

行业的景气程度不仅可以通过盈利数据来看行业中企业的营运能力或偿债能力等指标也能够衡量营运能力通常用资产周转率或存货周转率等指标来刻画通常来说企业资产周转越快流动性越高资产获取利润的能力也越强而偿债能力可以用流动比率来衡量，偿债能力越强从侧面反了获利能力越强因此运营能力和偿债能力的边际改善通常预示着行业景气度的提升。我们选取了总资产周转率存货周转率以及流动比率的变化来构建质量类因子其中总资产周转率和存货周转率采用环比变化而流动比率采用同比变化同样各个因子采取了各自具有优势的加权方式。因子名称 因子定义 加权方式 变动方AssTurnover_Chg 总资产周转率变化 中位数法 环比InvTurnover_Chg 存货周转率变化 流通市值加权法 环比CurrentRatio_Chg 流动比率变化 龙头股法 同比价格的变化由盈利的变化和估值的变化两部分构成上文中我们通过盈利和质量类指标对行业景气度进行衡量接下来我们将聚焦在另一个重要的维度即估值个股的估值往往受到流动性市场情绪所处行业政策等多方面因素的影响在行业层面这些因素的改变对估值带来的影响会出现持续性的特征这与行业层面体现出的价格动量特征类似但也存在区别。我们认为当行业受到投资者追捧或行业本身迎来政策利好时短期龙头股的估值会率先提升随着伴随着涨势向非龙头股的扩散行业估值呈现出逐步提升的过程不同于价格变化估值变化剔除了因为盈利况变化带来的影响而盈利的影响因素我们放在行业景气度中来刻画因此我们将估值动量作为另一个重要的行业影响因素而没有用传统的价格动量。图表30：估值动量类因子定义因子名称因子定义加权方式变动方法BP_Chg市净率倒数变动流通市值加权法同比EP_Chg市盈率倒数变动龙头股法同比SP_Chg市销率倒数变动流通市值加权法同比我们用市净率市盈率以及市销率的倒数的变动来构建估值动量类因均采用同比变化量。其中，市盈率采用龙头股法来进行计算，市净和市销率采用流通市值加权法。我们将三个维度因素结合起来构建了体系化的行业预测模型首先将每个类别细分因子等权合成大类因子然我们分析了盈利因子质量因子和估值动量因子之间的相关性从结果可以发现三个因子之间整体相关性较低相关系数最大的是盈利因子与质量因子之间的0.2249。因此，可以通过将三个因子合成共同预测行业收益。图表31：行业因子Spearman相关系数行业因子盈利因子质量因子估值动量因子盈利因子1.00000.22490.1006质量因子0.22491.0000-0.0066估值动量因子0.1006-0.00661.0000，我们将盈利质量以及估值动量因子以等权的方式进行合成得到景气度估值因子因子表现方下图展示景气度估因子的IC时间序列可以看出大部分月份IC为正IC均值达到了8.88，风险调整的IC为0.32，说明合成之后的景气度估值因子的确可以从不同维度对行业收益进行解。图表32：景气度估值因子IC0600604020-02-04-06-08

景气度估值因IC 景气度估值因I移平均图表33：景气度估值因子IC因子平均值标准差最小值最大值风险调整的ICt统计量景气度估值因子8.8827.46-52.8164.730.323.91，我们对景气度估值因子进行分位数组合测，可以看出，从Top组合至Bottom组，年化收益率呈现出明显的单调递减的趋势Top组合和Bottom组合的差异非常明显。市场组合代表将29个行业等权构建的组合。从分位数组合的净值可以看出Top组合的表现显著跑赢市场组合年化收益率达到了14.28夏普比为0.48而Bottom组合的表现显著跑输市场组年化收益率为-4.23。从多空组合表现来看，景气度估值因子多空净值增加平稳，年化收益率达到了18.54，夏普比率达到了1.11多空净值在2021年12月有较大的回撤但2022年1和2月均表现较好，净值反弹。图表34：景气度估值因子分位数组合净值6543210op Btom 市场，图表35：景气度估值因子多空组合表现250%9200%8150%76543210-收益率

100%500%000%-50%-1.0%-1.0%-2.0%，图表36：景气度估值因子分位数组合指标组合年化收益率波动率夏普比率最大回撤率Top14.2829.590.4849.6319.4527.190.3549.7728.8026.440.3358.3332.8127.300.1058.9343.0226.070.1245.89Bottom-4.2326.90-0.1666.22市场6.1926.190.2453.63L-S18.5416.661.1118.88，景气度估值行业轮动策略我们构建的景气度估值因子在行业预测方面具有显著效果我们根据该因子构建行业轮动策略,每月初选取排名前1/6的行业，即5个行业，以等权方式构建行业轮动组合按照月度进行调仓手续费取千分之。然后我们将29个行业等权构建基准组合，月初再平衡。经过上节的展示我们构建的景气度估值因子在行业预测方面具有显著效我们首先根据该因子构建行业轮动策在构建策略时我们按照月度进行调仓每月初选取排名前1/6的行业即5个行以等权方构建行业轮动组合手续费取千分之三然后我们将29个行业等权构建基准组，月初再平。回测时间段为2010年1月4日至2022年12月1日，其中2022年3月1日至2022年12月1日为样本跟。下图展示的是景气度估值行业轮动策略的净值表可以看相比行业等权基景气度估值行业轮动策略的优势非常明超额净值也非常平稳的增从指标上来看景气度估值行业轮动策略的年化收益率为10.89，夏普比率为0.40，而行业等权基准的年化收益率仅为5.09夏普比率为0.21相较于行业等权基准行业轮策略的年化超额收益率为5.99，信息比率为0.71。54543535454353252151050行业等权净值 )超额净外 ，图表38：景气度估值行业轮动策略指标指标景气度估值行业轮动行业等权超额年化收益率10.895.095.99年化波动率27.2424.738.66夏普比率0.400.210.69最大回撤率56.2559.0015.14月换手率(双边)53.76--11月收益率10.769.701.03今年以来收益率-4.62-11.117.35总收益率280.2090.00112.07，行业轮动策略的月均双边换手率为53.76，由于其中包含了季度的财务数据，整体换手率不算特别高。从分年度表现可以看出，除2011年2012年、2015年和2016年策略的超额收益率为负其余年份均有正超额收同时负超额年份的负超额收益率也相对较低策略在最近6年均保持正超额收其中200年有接近20的超额收今年以来，在行业频繁切换的市场环境下，这类基本面轮动策略表现优异。截止12月初，策略超额收益率达到了7.35展望未来行业轮动的重要性不言而喻我们团队也将进一研究和探索，寻找能预测行收益的方。图表39：景气度估值行业轮动策略分年度超额收益率10%

景气度估值行轮动 行业等权基准 超额收益（右

7.3%200207.3%20020220320420520720820920020120262011201

% % -2% -5%-4% -1%4、基于高频快照数据的量价背离选因子高频量价背离背后的Alpha传统多因子模调仓频率相对较所因子以基本面因子低频量价因子为主近些年来这类因子的收益波动也越来越大国的私募等机越来越重视基于高频量价数据的短线策略相比传统因子其收益的稳定性也具有一定的优势国内的主要机构投资（例如公募基金等，目前还无法采用这类短线交易策略，而这类高频量价因子在低频化后，仍然可以提供增量信息并改善传统多因子模型因此高频量价因子越来越受到投资者的关注。本章将以我们构建的快照量价相关性因子举例来说明高频因子的优势以及对传统多因子框架的增强作用利用股票的价格与成交量的信息构建的价量因子已经被证明可以预测股票的未来收益投资者通常可以通过观察股票价格与成交量的关系捕捉交易机会传统的技术分析方法应用在高频方面也可以更好的提取有效特征我们将重点关注基于快照数据的股票价格与成交量的相关关系构建高频量价背离因子而后通过降频后构建了满足机构投资者要求的中证1000指数增强策略。股票价格和成交量在日内的变化各不相同量价关系可反映了日内投资者的博弈的不同情况当股票价格上涨而成交量却逐步减少时说明市场参与各方对股价后续的走势预期较为一致，此股票还未达到预期价格，未来上涨的可能性较大；而当股票价格上涨，同时成交量放大此时市场参与方分歧加大乐观和悲观的投资者的数量都很多市场情绪趋于“冷静，股价到达拐点的可能性较大对于下跌的情况也比较类似。图表40：价升量跌 图表41：价升量升 结合上述对于量价的形态的分析我们总结了不同形态下股价变动预期可以看出当量价出现背离时，无论当前股价处在上升还是下降通道，未来上涨的可能性均较高；同理，当量价趋时股价未来下跌的可能性较高因此通过分析股价与成交量之间的相关性，可以对未来价格走势进行预测。图表42：不同量价形态下股价变动预期量价相关性量价形态预期股价变动量价趋同价升量升下跌量价趋同价跌量跌下跌量价背离价升量跌上涨量价背离价跌量升上涨日内快照数据与量价因子构建传统的价格与成交量的研究往往是在相对较低的频率上进行分析例如对于分钟级别数据而言其会丧失分钟内重要的交易信息因此通过提高数据采样频率可以市更微观的结上获额外信息有获得更高超额收益的可能下图展示的A股市场的高频数据分类。图表43：高频数据分类快照数据价格成交量盘口委托挂单快照数据价格成交量盘口委托挂单逐笔数据逐笔成交逐笔委托/委托队列上交所，深交所，快照数据交易所3秒一次的最新市场行情包括了价格成交量以及成交笔数以及委托挂单等信息相比分钟级数据快照数据的频率大幅提高，捕捉的交易信息更加完整，能够更精准刻画股票日内价格波动能够展现价格成交量及成交笔数在时序上的分布和变化。基于上述优势我们利用快照数据构建因子对日内价格与成交量的相关关系进行衡量捕捉上文中提到的量价趋/背离特征。衡量两个因素相关关系的直接方法就是计算相关系数对于价格来说我们选取快照成交价和快照收益（即快照成交价相比上个快照成交价的变化。对于成交量来说，我们不仅选取了快照成交量，而且选取了成交笔数，同时还计算了每笔成交量。我们共构建了如下六个因子：𝑟𝑟𝑃𝑀=𝑟𝑟(𝑃𝑟𝑒𝑖,𝑀𝑎𝑡ℎ𝑖)𝑟𝑟𝑃𝑉=𝑟𝑟(𝑃𝑟𝑒𝑖,𝑉𝑢𝑚𝑒𝑖)𝑟𝑟𝑃𝑉𝑃𝑀=𝑟𝑟(𝑃𝑟𝑒,𝑉𝑢𝑚𝑒𝑖)𝑖𝑀𝑎𝑡ℎ𝑖𝑟𝑟𝑅𝑀=𝑟𝑟(𝑃𝑟𝑒𝑖𝑃𝑟𝑒𝑖1

−1,𝑀𝑎𝑡ℎ𝑖)𝑟𝑟𝑅𝑉=𝑟𝑟(𝑃𝑟𝑒𝑖𝑃𝑟𝑒𝑖1

−1,𝑉𝑢𝑚𝑒𝑖)𝑟𝑟𝑅𝑉𝑃𝑀=𝑟𝑟(𝑃𝑟𝑒𝑖𝑃𝑟𝑒𝑖−1

−1,𝑉𝑢𝑚𝑒𝑖)𝑀𝑎𝑡ℎ𝑖其中𝑟𝑟(…代表两个变量之间的相关系数𝑃𝑟𝑒𝑖表示i时刻快照成交价𝑉𝑢𝑚𝑒𝑖表示i时刻快照成交量𝑀𝑎𝑡ℎ𝑖表示i时刻快照成交笔数。当价格与成交量的相关系数为负时，意味着量价出现背离，按照此前推断，股价上涨的可能性较高，反之亦然。因此，上述因子取值与未来股票收益率应该存在负的相关关系。为了验证上述因子的预测能力，接下来我们将对上述6个因子的有效性进行测试测试的时间段为206年1月至2022年8月。一般而言这类量价因子在市值相对较小的股票上表现更好因此我们主要以中证1000指数成分股作为股票池进行因子有效性验证。同时，随着中证1000股指期货的上市，对冲工具的完善使得机构投资者对中证1000指数增强类产品的需求逐渐加大，因此本篇报告把重点放在中证1000指数增强策略上。在构建日频因子时，我们计算上一个交易日的因子值，然后以当日开盘价作为成交价。量价背离因子日频有效性验证首先我们基于日频构建量价背离因子即统计上个交易日内所有快照数据构建上文中的6个量价背因子我们对这些因子的有效性进行检验首先我们检验了因子日频收益的预测能力下表展示了6个因子的C统计指标可以看出量价背离因子整体的IC均值为负即日内价量背离时隔日个股的收益率相对较高符合上文中我们对量价背离因子的分析。其中CorrPV因子CorrRV因子以及CorrM因子C相对较高IC均值在3以上。图表44：量价背离因子IC指标（日频）因子平均值标准差最小值最大值风险调整后ICt统计量CorrPM-3.108.43-28.7336.90-0.37-14.83CorrPV-3.798.37-26.3735.80-0.45-18.22CorrPVPM-2.175.27-26.8220.03-0.41-16.57CorrRM-2.089.56-31.3229.94-0.22-8.78CorrRV-3.138.54-29.8326.18-0.37-14.75CorrRVPM-1.224.92-19.2326.65-0.25-9.96，上交所，深交所，量价背离因子降频后表现量价背离的现象对隔日股票的收益率具有明显的预测作用但对于大多数机构投资者来说，日频的预测周期相对较短交易难以实现且在手续费较高的情况下比较难获得实际收益在这种情况下扩大因子预测周期降低因子预测频率是一个重要的解决方法综合考虑因子有效性的衰减以及交易的可行性我们降低预测频率到周频对股票收益进行预测。在这里我们采用整体的方法即计算了过去一周单一股票所有日内快照成交量与价格的相关系数构建量价背离因子构建方法与日频因子类似这样做的好处是既保留了局部价格与成交量的相关信息，也降低频率，得到更长的预测周期。从下表的周频因子的表现可以看出，量价背离因子的IC均值差异较，其中CorrPVW因（W后缀代表周频因子下同和CorrPMW因子的IC相对较高IC均值分别达到和-6.37，而日频因子中表现较好的CorrPVPM因子在周频下表现较为一般。图表45：量价背离因子IC指标（周）因子平均值标准差最小值最大值风险调整的ICt统计量CorrPMW-6.378.03-31.3822.55-0.79-14.62CorrPVPMW-1.315.22-20.5817.71-0.25-4.61CorrPVW-7.008.21-31.0419.78-0.85-15.69CorrRMW-2.949.34-29.4232.24-0.31-5.79CorrRVPMW-2.965.78-26.7214.26-0.51-9.44CorrRVW-4.148.90-26.3928.65-0.47-8.57，上交所，深交所，我们进一步研究了周频因子的多空组合的表现可以看出CorrPMW因子和CorrPVW因子的多空组合表现优异，收益持续性相比日频因子更好，同时近几年因子也持续有效。CorrPVW因子的多空组合年化收益率达到了47.18，夏普比率达到了4.04。我们认为，这主要是因为随着近些年高频因子在私募机构中的广泛使用，策略逐步拥挤，导致之前有效的日频因子对隔日股票收益率的预测的波动性逐步加大甚至因子出现失效。而周频因子通过降低预测频率可以在一定程度上平滑量价波动从而提高预测的稳健性。orrW orrW orrPWorrVPW orrVWorrW orrW1451251058565452505，上交所，深交所，同样我们选取了周频因子中表现相对较好的CorrPMW因子和CorrPVW因子构建合成因子。从下表的相关性分析可以看出成交笔数和成交量相关性较高基于此构建的这两个因子的相关系数也较高，我们将这两个因子等权合成，得到代表这一类量价关系的因子CorrFactorW，同时通过市值行业中性化得到CorrFactorWAdjCI。图表47：量价背离因子相关系数（周频）因子CorrPMWCorrPVPMWCorrPVWCorrRMWCorrRVPMWCorrRVWCorrPMW1.000.050.870.310.080.29CorrPVPMW0.051.000.400.120.060.13CorrPVW0.870.401.000.340.100.33CorrRMW0.310.120.341.000.220.89CorrRVPMW0.080.060.100.221.000.41CorrRVW0.290.130.330.890.411.00，上交所，深交所，从因子的IC指标来看中性化后的合成因子相比单因子虽然C均值提升不明显但风险调整后IC达到了0.93说明因子的稳定性进一步提高从多空净值来看中性化后的合成因子的年化收益率低于中性化前的合成因子，但夏普比率大幅提升。CorrFactorWAdjCI因子的多空组合的年化收益率达到了38.88，夏普比率达到了4.08图表48：量价背离合成因子IC指标（周频）因子平均值标准差最小值最大值风险调整后ICt统计量CorrFactorW6.858.23-21.1631.890.8315.32CorrFactorWAdjCI6.276.74-11.5823.350.9317.13，上交所，深交所，orrcororrcordjIorrcorW86420，上交所，深交所，结合量价背离因子的中证1000指数增强策略周频量价背离因子具有显著的预测能力但由于单一类型的因子波动性较大同时由于高换频（日频周频的策略的换手率相对较高其对交易成本比较敏感因此对因子预测的胜率和收益有较高的要求所以我们选择将该因子与传统因子一起使用构建策略，达到控制换手率提高收益的效果下面我们将周频量价背离因子与传统因子结合到一起，构建中证1000指数增强策略。我们进一步探究了周频量价背离合成因子与传统因子的相关性可以看出量价背离合成因子与大部分因子的相关性不高，其与技术因子Technique_regM）因子相关系数最高，但也仅为0.21。因此，基于日内高频量价数据的因子的确可以提供与传统因子不同信息。0250201502502015010050，上交所，深交所，在构建中证1000指数增强策略前，我们首先在该成分股池中，检验了各个类别因子的有效性。从下表可以看出，中小市值成长风格的中证1000股票池中，一致预期因子（ConsensusFactor成长因（GrowthFactor以及技术因Technique_regM的预测能力相对较强。而量价背离因子表现仅次于技术因子，好于一致预期因子和成长因子。我们将一致预期因子成长因子技术因子以及量价背离因子以等权的方式合成量价背离增强因CGTCAdj同时为了对比量价背离合成因子带来的增量信息我们将前三个因子等权合成为传统合成因子CGT。从因子表现可以看出，量价背离增强因子的IC达到了7.66，相比单因子有了较大提高，风险调整后IC达到了1.02，而传统合成因子IC仅为5.91，风险调整后IC为0.79。图表51：中证1000成分股中因子IC指标（周频）因子平均值标准差最小值最大值风险调整后ICt统计量ConsensusFactor1.335.65-14.7817.490.244.33GrowthFactor2.507.52-17.8125.390.336.11Technique_regM7.188.28-16.7928.320.8715.98CorrFactorWAdjCI6.276.74-11.5823.350.9317.13CGT5.917.46-17.3027.060.7914.60CGTCAdj7.667.52-16.8931.051.0218.75，上交所，深交所，我们进一步构建多空组合从净值可以看出量价背离增强因子的多空净值稳步增加好于传统合成因子以及其他单因子，多空组合的年化收益率达到了55.60，夏普比率达了4.95，因子收益有较大的提高。而传统合成因子的多空组合的表现也好于单因子，但年化收益率仅为43.57，夏普比率为3.73，逊于量价背离增强因子。Gotactr Gotactr ecnqergMGT GAdjosesusacor oFctrAjI20181614121086420，上交所，深交所，图表5