成长价值轮动全景框架：宏观研判与微观量化协同

构建多维度的风格轮动分析体系

成长与价值作为权益市场的两大核心风格，其轮动节奏始终是影响组合超额收益的关键变量。把握这一轮动规律，不仅有助于穿透短期市场噪音，识别风格背后的宏观与产业驱动力，更是机构投资者在资产配置中实现回撤控制与收益增强的关键所在。为此，研究构建了包含交易、资金流、基本面、宏观四个维度的成长价值轮动框架，旨在通过多源数据的协同验证，提升风格判断的准确性与稳定性。

在交易维度，主要关注价格动量与成交额动量。价格动量策略通过衡量成长相对于价值的超额动量，判断趋势强度；成交额动量策略则通过观察成长板块成交额占比的变动方向，衡量相对活跃度的变化。这两个指标分别捕捉了市场趋势的延续性与资金关注的集中度，为短期风格切换提供高频信号支撑。

在资金流维度，重点考察超大单占比与融资买盘比。超大单占比反映了机构资金的流向偏好，而融资买盘比则体现了杠杆资金的风险偏好。通过对比成长与价值在这两类资金流入上的差异，能够更清晰地刻画不同性质资金在当前市场环境下的配置倾向，从而辅助判断风格轮动的资金面驱动因素。

基本面与宏观因子的深度映射机制

基本面维度选取净利润增速与股息比作为核心代理指标。净利润增速差的变动方向直接衡量成长风格的景气度变化，当成长板块盈利加速时，往往对应着成长风格的占优；而股息比则用于衡量价值风格的相对性价比，高股息资产在特定宏观环境下具备更强的防御属性与配置价值。这两个指标从企业盈利质量与股东回报角度，为风格轮动提供了坚实的底层逻辑支撑。

宏观维度则引入了PPI-CPI分位、固定资产投资额以及M1-M2分位三个关键指标。PPI-CPI剪刀差反映了上游资源品与下游消费品之间的利润分配格局，进而影响价值与成长的相对表现；固定资产投资额的同比变动反映了传统经济的扩张意愿，通常与传统价值板块密切相关；M1-M2分位差则作为资金市场风险偏好的代理变量，高分位往往对应着更高的风险偏好，利好成长风格。这三个宏观指标将风格轮动置于更广阔的经济周期背景中进行审视。

动态赋权模型与ETF轮动实战应用

基于上述九个子策略，研究进一步构建了等权综合模型与动态赋权模型。等权综合策略通过简单平均各子策略信号，实现了年化超额收益的提升，且次胜率与赔率均优于单一策略。然而，考虑到不同市场阶段主导轮动的驱动因素存在差异，动态赋权模型通过约束优化方法，根据历史表现动态调整各子策略权重，使得模型能够更灵活地适应市场环境变动。回测数据显示，动态赋权模型在保持较低最大回撤的同时，显著提升了年化信息比率与次胜率，展现出更强的稳健性。

在实战应用层面，研究基于动态赋权模型构建了风格ETF轮动组合。该组合在轮动信号指向成长时满仓成长ETF，指向价值时满仓价值ETF。相较于固定的50%成长加50%价值的基准组合，风格ETF轮动组合在所有测试年份均录得正超额收益，且年化信息比率显著提升。这一结果验证了宏观研判与微观量化协同验证框架在实际资产配置中的有效性，为投资者提供了可操作的工具化解决方案。