2023年纳入微盘股指数的宽基指数优选配置策略

（一）宽基指数优选配置策略：ALPHA+双 BETA 体系概述

本报告基于把握经典因子的Alpha并抓住市场Beta的目标，构建了宽基指数优选配置的“Alpha + 双 Beta 体系”策略框架，梳理为以下四个部分： 宏观 Beta 因子构建与测算：从宏观指标出发，以风格特征因子为桥梁，构建指数优选策略； 技术 Beta 因子构建与测算：通过基础技术指标构建“长期-短期”相结合的技术指标池，择时筛 选得到指数优选配置； Alpha 因子构建与测算：将个股多因子研究成果映射到指数配置上，通过“低估值-高换手-动量” 三大维度构建 Alpha 因子； 子策略复合：将 Alpha 因子、宏观 Beta 因子、技术 Beta 因子复合得到最终的指数优选因子，我 们以季度为周期，给出近 12 个周期的各备选指数推荐排序。

本报告在后续章节中，首先介绍了回测框架并阐述了指数样本池构建依据；随后在第（三）-（五） 章节中，针对“Alpha + 双 Beta 体系”中三个子策略框架进行建模与回测；最后在第（六）章节构 建复合策略以实现稳健超额。

（二）回测框架

样本池指数：沪深 300、中证 500、科创 50、中证 1000、创业板指、中证 100、中证 800、中证红利 指数、万得微盘股指数、基金重仓指数 业绩比较基准：中证 800 回测区间：2010.01.04 – 2023.10.09 换仓周期：分别以季度换仓，以截止周期末最后一交易日信息计算因子，以下一周期第一个交易日 收盘价换仓 持有指数数量：每期持有 2 个或 3 个指数。

（三）备选指数池构建依据

在建立备选指数池方面，我们综合考虑机构关注度和流动性，统计了不同指数的 ETF 跟踪数量和规 模，并剔除走势相近的指数。 最终选择沪深 300、中证 500、科创 50、中证 1000、创业板指、中证 100 进入备选指数池，以中证 800 作为基准指数。在此基础上加入中证红利指数，以及衡量基金经理持股 偏好的基金重仓指数，同时加入了今年以来量化领域关注热点万得微盘股指数。

在回测区间（2010 年-至今）内，我们观察到微盘股指数与其他宽基指数存在收益特征的大幅偏离。今年以来微盘股指数更是走出了独立行情，截止到 10 月底，万得微盘股 指数涨 39%，同期基准指数中证 800 跌 7%，衡量基金经理持股偏好的基金重仓指数跌 14%。

基于宏观指标的指数优选策略

1. 策略框架概述

传统的自上而下投资框架的方法是直接通过宏观基本面因子进行指数优选，但是我们通过测算发现 直接由宏观基本面指标出发对目标指数未来收益率进行预测效果不佳。其原因可能是基于自上而下 宏观基本面信息构建指数轮动框架的前提假设是“未来情景可在历史中找寻统计意义上显著的相似 性”，但受制于 A 股历史较短很多投资机会在历史上尚属首次，因此该前提假设很难成立。 结合中外学术研究与业界实践经验，我们认为在特定的经济、货币和信用周期下，风格特征可能具 有一定重复性，比如成长/价值，动量/反转，大小盘，高低波动率等。因此我们尝试从宏观指标出发， 以风格特征因子为桥梁，构建指数优选策略。

2. 基本面指标构建及处理

本文通过总量团队自上而下研判关注核心的宏观指标出发，具体指标构建原则和时滞处理方式如下： 指标构建原则：从刻画经济增长、通货膨胀、货币、信贷以及市场情绪等维度优选指标。尽量 规避中观结构性指标，且尽量规避每年 1 月存在缺失的相关指标。指标构建目标是基于最核心 的总量指标，实现自上而下对风格的研判。 指标时滞处理：除了 PMI、利率估值、市场情绪等指标能较为及时的获取，大部分当月/季宏观 指标通常在次月/季 8 号-20 号之间公布。基于指标公布日期的不同情况，对各指标进行 a 和 b 两类时滞处理。

3. 风格特征因子构建及择时

风格因子构建

通过对经典的风格因子测试，基于模型的相关性和稳健性，我们最终考虑从估值、动量和大小盘三 个角度构建风格因子，通过现有 10 个备选指数，在季度末筛选对某种风格表现最极端的 1/3 指数， 在下个季度分别做多、做空，以多空收益构建各风格因子，详细构建方法如下： 估值：以指数市净率(PB_LF）为标准，等权做多估值最高的前 1/3 指数，做空估值最低的后 1/3 指数。 动量：计算各指数近 1 年收益率，等权做多收益率最高的前 1/3 指数，做空收益率最低的后 1/3 指数。 大小盘：计算各指数成分股平均市值，等权做多成分股平均市值最大的前 1/3 指数，做空成分股 平均市值最低的后 1/3 指数。

风格因子择时建模

为了得到风格因子的多空收益率的预测值，我们使用弹性网络（ElasticNet）分别针对每一个风格因 子在每个季末使用近 10 年数据在时间序列上建立择时模型。我们首先介绍风格因子构建框架，之后 对弹性网络（ElasticNet）进行简单介绍： 自变量：季度末各宏观指标“当前值”、“边际变动(3 个月、12 个月）”； 因变量：自变量对应下一换仓周期该风格因子收益率。

弹性网络（ElasticNet）介绍及参数设定

弹性网络（ElasticNet）是一种在机器学习中广泛使用的线性回归模型，它结合了 L1 正则化（Lasso） 和 L2 正则化（Ridge）的特性，可以处理高维数据和具有多重共线性的特征，而且能够在模型训练 过程中进行变量筛选。它在特征选择和模型稳定性方面相对于单独使用 Lasso 和 Ridge 回归有更好 的性能。

4. 指数优选及回测

从风格因子到指数优选回测过程 在每期针对每个风格因子建立模型后，我们可以输入当前 t 时刻各宏观指标，对未来 t 时刻至 t+1 时 刻各风格因子值进行预测；若预测为正，则看多该风格因子，预测为负，则看空该风格因子。 接下来，我们将对多个风格研判的结论映射到指数优选组合上，具体来 说分为如下几步： Step1: 基于宏观基本面因子对未来的风格多空方向进行研判； Step2: 将各备选指数估值（PB_LF)、动量（近 1 年收益率）、大小盘（成分股平均市值）在各换仓 节点进行时间截面 zscore 处理。我们使用(,)表示第 i 个备选指数对应风格 j 进行 zscore 后的相应指 标。 Step3: 根据风格研判情况和风格因子构建多空收益的计算方式对各备选指数进行打分：若在 t 期对 风格 j 因子看多（或看空），则将参与构建风格因子的指数 i 对应该风格因子的指标(,)乘以 1（或 乘以-1），其余未参与风格因子构建的指数对应指标乘以 0; Step4: 最后将多个风格研判所得的指数打分进行等权求和，对得分最高的指数做多。

季度换仓回测结果

我们在回测区间（2010 年-至今）通过宏观指标对多个风格因子多空研判，进而构建指数优选组合。 我们分别测试了季度换仓在备选指数中优选 2 个或 3 个指数： 对于持仓个数为 2：可以看 出整体呈右偏分布，季度超额集中于 [-10%, 20%]区间，年化超额 9.1%，季度胜率为 63.6%，回 测区间最大回撤 62.7%。 对于持仓个数为 3：可以看 出整体呈右偏分布，季度超额集中于 [-10%, 20%]区间，年化超额 7.1%，季度胜率为 63.6%，回 测区间最大回撤 70.4%。

（四）基于技术指标的指数优选策略

1. 策略框架概述

技术分析和基本面分析一样都是重要的股票研究方法。技术分析的基本假设是市场行为涵盖一切信 息、证券价格沿趋势移动以及历史会重演，其基本要素包括价格、成交量、换手率等。技术投资可 以帮助投资者分析股票历史价格走势，识别市场买入和卖出信号，进而辅助投资者进行择时和风险 管理。 通过测算，我们发现通过单一技术指标对备选指数优选和择时效果不佳，其原因可能在于单一技术 指标很难同时对同一市场环境下不同特征的指数进行优选，容易多次触发信号，仍需主观判断。为 了完善指标，我们尝试从技术指标池出发，构建“长期+短期”结合的技术因子，构建指数优选策略。

技术指标特征刻画

针对一个技术指标，我们分别从指标“当前值”与指标“窗口值”两个方面进行刻画： 指标因子“当前值”：最小颗粒度为季频指标，用计算的最近季度末指标直接作为因子当前值， 在指标的计算上选取[21，63，126，252，756]个交易日不同周期，使技术指标可以覆盖当前时 点的长短周期。 指标 IC 的“窗口值”：使用季度末的技术指标进行择时，具有一定“偶然性”，通过计算技术 指标季度末“当前值”和下期预期收益率的相关性，得到各类技术指标的 IC 分布，然后滚动窗 口[4 季度（一年），12 季度（3 年），20 季度（5 年）]计算窗口中位数，作为刻画该技术指标 择时能力的 IC“窗口值”。 我们基于不同技术指标在不同周期下的衍生类型，构建了一共包括 89 个技术指标的“指标池”。 通 过测算“指标池”IC 在时间序列上的均值分布，观察到近一半技术指标在季度换仓上面，IC 均值都 为负，都具有一定的“反转”效应。

（五）宽基指数配置的 ALPHA 策略

1. 策略框架说明

宽基指数优选配置的 Alpha 策略框架主要梳理为三部分： Alpha 因子构建与测算：我们将个股多因子研究成果映射到指数配置上，经过大量经典选股因 子的测试，我们发现并不是所有优秀的选股因子都适用于指数优选，最终我们选取了“低估值高换手-动量”三个维度构建因子来挖掘具备超额能力的 Alpha 因子； 多因子滚动复合：在每一个滚动窗口筛选具备超额的单因子并进行复合，进一步提升单因子的 Alpha 的稳健性； 指数优选组合：以季度为周期推荐指数组合。

2. Alpha 因子构建与单因子回测

单因子构建 我们考虑分别从“低估值-高换手-动量”三大维度构建 Alpha 因子。在备选指数中，每个季末根据标 准化因子 rank 值筛选最高的 top2/top3 指数，在下一个季度第一个交易日分别做多。三个维度构建思 路分别如下： 预期低估值：衡量预期估值变动，对 PE_FY1 取倒数并做边际变动处理，区间分别取[63,126,252]， 做多 EP_FY1_yoy 最高的指数。 高换手：衡量市场博弈激烈程度，通过以下两个指标衡量： 高换手率：滚动计算各指数区间日度换手率均值，滚动窗口取值[63,126,252]，做多换手率 最高的指数。 高换手率波动率：滚动计算各指数区间内日度换手率标准差，滚动窗口取值[63,126,252]， 做多高换手率波动率最高的指数。 动量：计算各指数过去一段区间收益率，区间取值[63,126,252]，做多动量最高的指数。

预期低估值因子季度换仓回测结果

对于预期低估值因子（EST_EP_Y1_3）它的环比变动反映了分析师对未来一年估值预期季度重估的 幅度。该指标越高，反映了估值预期越高，也进一步反映了当下的估值较低。 对于持仓个数为 2：季度换仓策略在回测区间较基准指数中证 800 指数年化超额收益 12.0%，季 度胜率为 61.8%，回测区间最大回撤 51.5%； 对于持仓个数为 3：季度换仓策略在回测区间较基准指数中证 800 指数年化超额收益 9.6%，季 度胜率为 61.8%，回测区间最大回撤 51.5%；

高换手率因子季度换仓回测结果

高换手率因子（turnover_6、turnover_vol_6）反映了过去半年投资者博弈的剧烈程度，其中 turnover_vol_6 相较于 turnover_6 胜率更高且收益特征相近，因此，我们最终选择 turnover_vol_6。 对于持仓个数为 2：季度换仓策略在回测区间较基准指数中证 800 指数年化超额收益 14.9%，季 度胜率为 67.3%，回测区间最大回撤 68.8%; 对于持仓个数为 3：季度换仓策略在回测区间较基准指数中证 800 指数年化超额收益 10.0%，季 度胜率为 65.5%，回测区间最大回撤 64.0%。

动量因子季度换仓回测结果

动量因子（momentum_12）根据指数过去一年的收益率计算的动量因子，反映指数的长期趋势，该 指标越高，预示着指数未来一个季度存在更高的收益。 对于持仓个数为 2：季度换仓策略在回测区间较基准指数中证 800 指数年化超额收益 15.7%，季 度胜率为 64.4%，回测区间最大回撤 42.1%； 对于持仓个数为 3：季度换仓策略在回测区间较基准指数中证 800 指数年化超额收益 11.9%，季 度胜率为 67.8%，回测区间最大回撤 42.2%。

3. 多因子复合方法

通过对前文的 3 个单因子在每个滚动窗口进行 Alpha 有效性筛选并通过最优化加权得到复合因子： 对单因子获得 Alpha 能力进行窗口期筛选：在每个滚动窗口，我们分别对单因子过去一段时间 的 Alpha 能力求均值（计算取到 T-1 期，确保不包含未来信息），仅保留 Alpha 均值>0 的因子， 剔除在本窗口期没有 Alpha 贡献的因子； Alpha 最优化加权复合：在每个滚动窗口，对筛选后的因子根据夏普比率最优化(带约束条件权 重之和为 1)得到 T 期各个因子的权重，对 T 期因子 rank 值向量与权重向量求加权平均值得到 T 期的复合因子；窗口选择敏感性测试：我们进行了滚动窗口敏感性测试（测试窗口期为 1，2，3 年） ，具体测 试结果见后文。

4. 指数优选及回测

指数优选配置 Alpha 策略回测流程分为四步： 1. 生成单因子 rank 值与计算季度超额：对每个单因子分别回测，在每个季度末计算各个指数标 准化因子的 rank 值，选择 rank 值最高的一个指数在下一个季度初配置，并计算下一持仓期超 额收益； 2. 滚动计算最优化权重：根据每个滚动窗口超额收益均值筛选 Alpha>0 的因子，并根据最优化方 法在每个滚动窗口计算各个因子权重向量; 3. 复合多因子：对这 3 个单因子的 rank 值进行加权求均值，得到最终的指数优选配置多因子 Frank,t；4. 指数优选：根据指数优选配置多因子 Frank,t的 rank 值进行指数优选。

季度换仓策略回测结果

季度换仓策略在回测区间不同滚动窗口下（1 年，2 年，3 年）对应的年化超额显著，收益率在 [7.6%, 16.3%]区间。在不同滚动窗口参数下相较于等权配置、Alpha 加权的复合方式年化超额收益均有所提 升。我们推荐采用滚动窗口为 2 年（opt_8）。

具体来看，我们在最优复合方式下（opt_8）分别测试了季度换仓在备选指数中优选 2 个或 3 个指数：

对于持仓个数为 2：季度换仓策略在回测区间较基准指数中证 800 指数年化超额收益 16.3%，季 度胜率为 71.4%，回测区间最大回撤 48.4%； 对于持仓个数为 3：季度换仓策略在回测区间较基准指数中证 800 指数年化超额收益 10.7%，季 度胜率为 71.4%，回测区间最大回撤 53.2%。

季度换仓近 12 个季度指数推荐

最近一次换仓（2023.10.09）推荐买入指数 标的为万得微盘股指数、中证 500； 最近一次换仓（2023.10.09）推荐买入指数 标的为万得微盘股指数、中证 500、中证红利。

（六）策略复合与回测分析

1. 因子等权复合+等权“分仓”思想

我们构建了两种方式对前文的“Alpha+双 Beta”策略进行复合，具体介绍如下： “分仓”等权复合：采用“分仓” 模式对前文提出的“Alpha+双 Beta”策略进行等权复合。若 存在多个策略选择同一个指数，按照对应权重持有。

2. 策略复合与回测分析

配置 top2 指数不同复合方式对比

我们分别测试了不同复合方式下的在备选指数中优选 2 个指数的对比情况： 对于分仓等权复合：季度换仓策略在回测区间较基准指数中证 800 指数年化超额收益 14.2%，季 度胜率为 68.7%，回测区间最大回撤 44.2%； 对于因子等权复合：季度换仓策略在回测区间较基准指数中证 800 指数年化超额收益 10.6%，季 度胜率为 66.7%，回测区间最大回撤 50.8%。

配置 top3 指数不同复合方式对比

同时，我们也对不同复合方式下的在备选指数中优选 3 个指数的情况进行了回测，结果如下： 对于分仓等权复合：季度换仓策略在回测区间较基准指数中证 800 指数年化超额收益 10.4%，季 度胜率为 69.3%，回测区间最大回撤 48.0%； 对于因子等权复合：季度换仓策略在回测区间较基准指数中证 800 指数年化超额收益 11.0%，季 度胜率为 70.4%，回测区间最大回撤 47.1%。

因子等权复合近 12 个季度指数推荐

最近一次换仓（2023.10.09）优选 top2 指数模型推荐买入指数标的为万得微盘股指数、中证 1000； 最近一次换仓（2023.10.09）优选 top3 指数模型推荐买入指数标的为万得微盘股指数、中证 1000、 中证红利。

分仓复合”近 12 个季度指数推荐

最近一次换仓（2023.10.09）优选 top2 指数模型推荐买入指数标的为万得微盘股指数(权重 50%)、 中证 500（权重 16.7%）、科创 50 （权重 16.7%） 、中证红利（权重 16.7%） ； 最近一次换仓（2023.10.09）优选 top3 指数模型推荐买入指数标的为万得微盘股指数（权重 33.3%）、 中证红利（权重 22.2%）、中证 1000（权重 11.1%）、 中证 500 （权重 11.1%） 、科创 50 （权 重 11.1%） 、创业板指（权重 11.1%） 。

（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。）