2024年量化研究专题：破解Alpha投资困境，因子择时方案再探索

1 Alpha 因子的演化与挑战

多因子模型在海内外拥有深厚的发展积淀，其历史可谓源远流长。如今，国内量 化机构投资者在投资决策中，也主要依托多因子体系进行择股。在早期，得益于国内 量化研究存在一定的后发优势，加之从业人员对海内外学术文献的深入研读和广泛 涉猎，量化研究在近年来取得了显著的进步。特别是在因子挖掘和模型迭代方面，速 度迅猛，成果显著。

1.1 Alpha 因子 beta 化日益明显

构建一套完善的多因子模型关键在于广泛挖掘一系列既稳定有效，又具备多元 化收益来源的 alpha 因子。随后，运用特定的配置模型整合这些因子，以获得个股 的 alpha 预测值。最后，根据投资目标借助组合优化技术确定股票的权重。“工欲善 其事，必先利其器”，在多因子选股框架中，Alpha 因子的质量直接关系到收益预测 的精准度，因此它始终是量化研究领域的核心焦点。 然而，经过长期的市场观察，我们发现稳定且有效的 alpha 因子数量正日益减 少。为了考察这一现象，我们统计了两个时间段 2010 年 1 月到 2019 年 12 月，以 及 2020 年 1 月至 2024 年 7 月期间 alpha 因子的表现。 下图中，横轴代表 Rank IC 均值，而纵轴代表 Rank IC 标准差，可通过这两个 维度考察、区分 alpha 因子和风险因子：alpha 因子位于第四象限（即具有高均值和 低波动的特点），而风险因子落在第二象限（即具有低均值和高波动的特征）。至于位 于第一象限的因子，我们可将其视为处于 alpha 与风险因子之间模糊区域的因子。 值得注意的是，因子的整体绩效表现从原本主要聚集在右下角，即高均值，低波动 的区域，逐渐向左上方的高均值、高波动区域迁移。这一变化直观地反映出，真正 具备 alpha 特性的因子数量正在显著减少，越来越多的因子的选股能力展现出了不 稳定性，市场环境的复杂多变对因子有效性的挑战日益加剧。

上述统计数据主要揭示了从个体因子层面所展现出的稳定性下降的趋势，而多 因子模型的核心理念是通过多元化因子的融合，实现收益来源的分散，以此增强组 合超额收益的稳定性。在此框架下，即便个体因子存在波动，通过定期的因子筛选机 制或者增厚因子库的广度和深度，均可有效规避或平抑这些波动。那么，若我们将 视角拓宽至更为宏观的大类因子层面，是否还会观察到类似的现象呢？为此，从因子库中挑选长期表现优异的因子合成大类，在全市场内分十组回测其多空表现：长 期而言，量价类因子的多空表现显著强于基本面因子，但考虑到多空端收益分布以 及选股域的问题，实际上量价因子对多头组合的实际贡献低于“纸面”测试结果。另 外，从时序走势来看，各类因子的强弱周期分布较为清晰。具体来看，基本面因子在 2013、2015、2017、2019、2020 以及 2024 年表现出色；价值和低波因子强势期 主要集中在 2014、2016、2017 以及 2022 至 2024 年；而流动性因子可谓是大类因 子中的一颗常青树，长期以来保持稳定的表现，但由于其多头组合聚焦于那些流动 性较差的股票，导致换手类因子对于组合的边际增量贡献大打折扣。 由此可见，即使是大类因子，其表现也具有一定的周期性。严格来说，很难找到 在任何市场环境下都能发挥完美作用的 alpha 因子。目前，我们面临的主要问题并 非因子数量不足，因为每一年都可以找到表现突出的因子，真正的挑战在于如何准 确把握因子的周期性，以便在实际投资中加以有效利用。

1.2 alpha 增量难寻，深度学习存在可解释性难题

面对上述挑战与现状，业界始终保持着对 alpha 因子挖掘和优化的不懈追求。 当前，主流的挖掘思路可归纳为两大方向：（1）对既有因子的深度重构和优化，例 如：早年颇为流行的超预期因子，其本质是对季度业绩增速进行时序标准化处理，表 达超预期的同时捕捉了季度利润变化的稳定性；在估值因子的优化上，笔者曾通过 引入可比公司法的视角，虽丰富了企业估值的逻辑框架，但也在无形之中加剧了因 子与其他基本面指标的相关性；至于量价因子领域，研究人员更是孜孜不倦地以各 种方法探索反转的切割和重构，取得了诸多不错的成果。我们亦曾通过捕捉换手率 特定时刻的动态变化，成功构建了更有效的换手率因子。需要警惕的是，这些改进方 法的核心在于巧妙的平衡了因子在不同维度上的暴露度，即降低因子在原有维度上 的暴露，同时增加了在其它因子上的暴露，由于叠加方式往往是非线性的，从回测结 果看可能会存在一些理论增量，但实际对组合的边际贡献并不明显，且最终可能会 不经意地增加组合在某些维度上的暴露。

举例来看，通过对比《加速换手因子：“适逢其时”的换手奥秘》一文中构造的 加速换手因子和原始换手率因子的绩效表现，可以清晰地看到：长期而言，无论是多 空还是多头超额表现，加速换手因子相对月换手率因子表现更出色，多空年化收益 从 26.3%提升至 32.9%，多头年化超额从 7.6%提升至 13.2%，改进效果显著。 然而，观察时间序列走势，我们发现，加速换手因子和原始换手率因子的强势期 和弱势期分布仍然呈现较高的同步性，特别是在换手率因子遭遇回撤的时期，加速 换手也难挽颓势，甚至于 2017 和 2024 年略微跑输原始换手因子，可见其更多扮演 着锦上添花的作用。另外，由于加速换手因子在构造过程中间接引入了反转的信息， 导致其在反转特征上的暴露相较原始换手率有提升，因此，反转溢价波动会间接对 加速换手因子的表现产生了影响。换言之，如果不严格控制反转上的暴露，最后构建 的组合会在该风险上偏离更多，虽说从长期视角看这种偏离带来正贡献，但短期内 一旦两者同时发生回撤，组合所面临的损失将会放大。

（2）探索与既有因子库保持低相关性的新因子，这一方向通常依赖新的数据源， 例如财报或分析师文本数据、高频逐笔数据等，这些另类数据资源为挖掘独特因子 提供了可能。然而，尽量这些因子在异质性上占据优势，但单独应用时效果往往平 庸，需要大量的弱因子合成使用。另一方面，深度学习模型的崛起为量化投资领域 带来了巨大的变化，通过模型复杂化和参数膨胀化，深度学习能更精细地捕捉特征 和股票未来收益间复杂的关系，然而，今年年初的市场波动却给量化从业者敲响了 警钟，相较于逻辑清晰、易于理解的传统因子，在深度学习模型遭遇回撤时，其“黑 箱”特性使得投资者难以直观判断并迅速调整策略。因此，如何有效管理其潜在风 险，确保策略的稳定性与透明度，也是量化从业者亟待解决的重要课题。

1.3 亟待破局：规避风险与因子择时的抉择

在当前 alpha 日益稀缺的市场环境下，从业者亟需进行策略的创新与优化，以 提升投资组合的业绩稳定性。基于回测分析和市场观察经验，总结出两种主要的改进思路：其一，采用回避式策略，即认为因子收益难以预测，在投资实践中追求均衡 配置，辅以控制大类因子权重上限来进行风险控制，以应对市场的不确定性从而实 现更稳健的回报。 以中证 500 增强策略为例，我们从华安证券因子库中挑选数十个长期有效的因 子，涵盖价值、成长、盈利、分析师、运营、反转、波动、流动性、另类等多个维度。 在坚持均衡配置的原则下，中证 500 增强策略取得了稳定的超额收益，历年表现均 成功超越基准，且今年以来超额收益达 13.85%。然而，我们也注意到，自 2020 年 以来，该策略的超额收益有所收窄，这主要是由于早年各类因子普遍表现优异，而近 年来则更多地表现为因子间的轮动行情。尤其是在基本面因子整体疲软的年份，例 如 2022 年，组合的整体超额收益受到了一定的影响，超额表现相对较低。

此外，为提升组合业绩的稳定性，我们也可以进一步在因子层面或组合层面对 风险因子的敞口进行严格控制。然而，从长期的市场规律来看，因子天然暴露的风 格能带来正向超额收益，但同时也无疑会提高组合超额净值的波动。因此，投资者 需要在信息比和超额收益之间进行权衡和考量。然而，在实际投资实践中，回避式 的投资模式往往与人性相悖，经历了如 2019-2020 年的“价值已死”以及 2022-2023 年的“基本面因子全军覆没”等市场情况后，投资者很难抵挡住降低相应因子权重， 甚至直接止损，剔除使用的“诱惑”，这种做法在一定程度上也是遵循了因子时序动 量的思路。因此，回避式解决模式在顺应人性和市场考核机制方面存在挑战。 第二种解决思路是因子择时。实际上，这种做法更贴近投资者在实际管理投资 组合时的决策流程。例如，当组合管理者判断市场风险偏好降低时，他们会倾向于配 置价值、红利、低波等具有防御属性的因子。然而，要实现长期有效的因子择时，关 键在于构建一套系统化、可量化的因子择时体系。这一体系不能仅依赖于因子的内 生性统计特征，如简单地根据因子历史动量进行筛选。在当前复杂多变的市场环境 中，建立一个多维度的因子评价体系显得尤为重要。本文将从外生性和内生性两个 视角出发，深入探讨因子择时的方法论，并尝试将择时策略应用于主流的 alpha 模 型中。

2 融合宏观周期与事件，探析因子择时的外生性

2.1 揭秘因子择时的定义与应用

在以往的研究中，我们观察到无论是行业轮动还是风格轮动，它们对 alpha 模 型，或市场上主流量化组合的借鉴意义都相对有限。然而，因子择时作为中观配置领 域和多因子选股领域相交叉的一个重要研究方向，其独特的研究价值在于能够直接 指导多因子选股组合的实践。 首先，我们需要明确因子择时的定义。因子择时，从本质上讲，是一种择时策 略，而非配置策略。在方法论上，因子择时与因子轮动、因子配置有着显著的区别。 因子轮动或风格轮动通常针对数量较少且相互对立的研究对象，如大小盘或价值成 长，研究中会综合运用横截面比较和时序择时的方法。而因子配置主要通过线性回 归或集成学习模型对多个因子进行加权，以得到最终的 alpha 预测，其核心在于如 何准确预测各因子的收益和协方差，且主要基于横截面维度对因子进行比较。这实 际上是一种横截面动量策略，即假设过去表现更好的因子在未来仍会延续其良好表 现，但这种策略对参数估计的精确性要求较高。 相比之下，因子择时侧重于时序上的分析和判断，它更类似于一个分类任务， 关键在于明确何时应该使用某个因子，以及在何时应该避免使用。简而言之，因子配 置解决的是“用多少”的问题，即如何合理分配各因子的权重；而因子择时解决的 是“用不用”的问题，即在特定时机下是否选择使用某个因子。

其次，我们需要探讨的是择时的对象是什么。通常情况下，风格轮动的研究聚 焦于风险因子，例如市值或价值成长等，其研究目的类似于决定配置这些因子的多 头或空头部分，这需要因子的两端信息都是可被利用的。而因子配置则主要是针对 用于预测个股收益的 alpha 因子。但在因子择时的情境下，考虑到 alpha 因子长期 胜率较高，历史上回撤的样本数量相对较少，直接将其作为研究对象存在较大的难 度。因此，我们选择退而其其次，转而研究位于风险和 alpha 因子之间的模糊区域 的因子，这些因子可以作为连接因子择时模型和 alpha 模型的桥梁。一方面，这些 因子本身的绩效特点介于风险因子和 alpha 因子之间，长期看来具有不错的胜率， 但表现不够稳定；另一方面，我们所选择的因子尽可能地具有普适性和易于理解的 特点，与大部分的 alpha 因子都存在一定的关联性。

在对大类内因子进行等权合成之后，从根号总市值加权后的 Rank IC、分十组多 空收益以及多头超额三个维度考察大类因子收益间的相关性：结果显示，成长、盈利 和分析师因子由于均归属于基本面范畴，且底层的选股逻辑具有相似性，因此展现 出较高的相关性；另一方面，作为防御性因子的代表，价值、红利和波动率三者具有 较高的信息重叠性，值得注意的是，流动性因子在 IC 和多空收益方面与波动率因子 的相关性较高，但在多头超额收益来源上存在显著差异，其相关性仅 25%，这意味 着，高换手、高波动、高估值在一定程度上存在交叉性，但低换手的股票却未必是低 波或低估值的股票。

基于对上述因子收益相关性的统计分析，以及对各因子经济逻辑的综合考量， 我们决定进一步简化研究对象的复杂度，对部分大类因子进行合并。具体来说，我们 将成长、盈利和分析师因子归为“基本面”一类；同时，将价值、红利和波动率整 合为“防御性因子”一类；至于反转与流动性因子，由于它们各自独特的性质，分别 单独作为一类进行研究，这样的分类方式有助于我们更清晰地理解和把握各类因子 的核心特征，以及主要的时序趋势变化。 经过进一步等权合成处理后，大类因子的选股能力不仅进一步获得提升，同时， 基本面和防御性因子基本概况了其各自子类的主要趋势。此外，大类因子间具有收 益分散性作用，超额收益周期分布鲜明。

与股债择时不同的是，因子本身是一个更为抽象和虚拟的概念，且因子间还存 在正交性，因此，如何界定因子的有效性及其对投资组合的正向贡献，确实是一项颇 具挑战性的任务。考虑到全市场股票市值分布呈现出的右偏特性，我们选择了根号 总市值加权后的 Rank IC 作为主要的择时信号有效性的考察指标。之所以没有采用 多空或多头超额收益，原因在于分组具有一定的偶然性，以及在因子加权的过程中 IC 通常扮演着更为关键的角色。 此外，在界定有效性的标准时，我们需要考虑时序上的参考点。一种方法是与 因子自身的历史平均水平进行比较，但考虑到中枢在不断变化，以零为界作为参考 标准可能更为合适。鉴于观察到因子的 IC 分布呈现一定程度的左偏性，我们的目标 是通过构建一套合适的择时系统，以准确识别并甄别出 IC 值小于 0 的部分。换言 之，我们更注重于打造因子择时的负面剔除信号系统。为此，下文主要从外生性和 内生性两个角度出发，全面构建因子择时的分析框架，旨在为投资者提供更为稳健 和可靠的投资决策依据。

2.2 战略性视角：基于货币-信用周期的因子择时

因子择时的首要方向是通过寻找外生性变量来解释因子收益的波动。近年来， 笔者在中观配置系列报告中尝试了诸多方法，归纳而言，自上而下的研究路径主要 涵盖以下两种： （1）经济周期法：根据宏观指标来划分经济周期，并根据行业或风格的特性将 景气周期与经济周期进行对应。其优点在于逻辑清晰，易于理解，且在实际投资过程 中，可以依据主观判断进行微调。此外，由于周期划分的过程与最终的应用方向并非 “端对端”，即不以预测收益为直接目标，因此过拟合风险较低。然而，该方法的缺 点在于不同风格、因子所面临的宏观风险各异，缺乏定制化，对因子收益的解释能 力相对一般。 （2）宏观因子或宏观事件法：对不同标的建立特定的宏观因子库，以预测收益 为直接目标来筛选因子、优化参数。其优点在于灵活性较高，能够充分考虑各种因 素。缺点在于极易出现过拟合现象，单一变量较难确定与因子之间是否存在实质性 的解释和被解释的关系，甚至影响方向都可能是模糊的，总体受参数、测试区间影响较大。此外，该方法中的单变量测试也并未考虑宏观变量之间的相互作用，模型整 体的鲁棒性和泛化能力相对有限。 基于上述比较分析，我们意识到两种方法在各自的应用过程中都存在一些痛点。 那么，是否可以考虑将这两种方法进行有机结合，以充分发挥它们各自的优势呢？ 在本节中，我们将基于货币-信用周期，探讨在不同的经济环境下，因子的收益是否 存在显著的差异性。 美林时钟理论，作为深入人心的经典经济周期模型，通过经济增长和通货膨胀 这两个核心维度，将经济周期划分为复苏、过热、滞胀和衰退四大阶段。然而，令人 遗憾的是，这一理论在我国的实际应用中却显露出其局限性。从工业增加值同比与 CPI 同比的数据变化中，我们可以清晰地观察到，自 2012 年迄今，两者的周期性波 动已明显减弱，整体趋势基本维持稳定，这成为了美林时钟理论适用性的主要障碍。 这一经济现象表明，我们难以根据美林时钟理论准确地界定当前所处的经济阶段， 从而削弱了该理论在解释各阶段因子表现方面的有效性。

在现有的研究体系中，货币-信用分析框架已然成为大类资产配置研究的经典方 法之一，该方法分别从狭义流动性（基础货币）和广义流动性（信用派生）两个维度 出发，将经济周期分为四个阶段：宽货币-紧信用、宽货币-宽信用、紧货币-宽信用和 紧货币-紧信用。在各个阶段中，不同因子表现各有强弱。与美林时钟理论相比，货 币-信用框架更加贴合我国市场的实际特征，因此在实践中具有更高的应用价值。

2.2.1货币流动性

货币层面是银行体系流动性的体现，它对权益资产市场存在显著的影响机制。 当央行实施扩张性货币政策时，诸如降低存款准备金率、降低基准利率、进行公开市 场操作购买国债等举措，其核心目的在于为银行体系注入充沛的流动性，从而推动 了社会整体货币流通量的增加，进而降低单位货币价值和资金成本。投资者在这一 时期的风险偏好往往有所改善，对未来市场走势的乐观预期也随之增强。总之，货币因素主要对股票定价的分母端产生积极影响，从理论上讲，这也意味着风险资产的 收益潜力会相应提高。 银行体系是央行基础货币调控的直接作用点，因此央行的市场调控举措通常首 先影响银行间市场。相应地，我们首选观察该市场的价格数据来评估货币流动性。 当流动性收紧时，市场利率因供需变化而上升；反之，当流动性宽松时，市场利率也 会随之下降。在指标选择上，我们秉持精简和代表性的原则，选用 R007 和三个月 SHIBOR 来反映价格变化。具体指标处理和划分方法如下： （1）缺失值处理：对于缺失值，采用上一期值与过去 12 个月的差分值相加来 进行填充，以确保数据的完整性和连贯性； （2）趋势和噪音处理：为避免使用未来数据或修改过往数值，我们将采用单边 HP 滤波技术对数据进行降噪处理，以更准确地识别数据中的趋势成分。 （3）指标合成方法：我们将采用合成指数法来综合各成分指标的变化特征。首 先，提取经过 HP 滤波处理后的趋势项???，进而得出月度差分值???。

2.2.2信用环境

信用环境反映经济实体从金融体系中获得的资金规模，主要体现在实体的债务 水平和融资规模上。货币政策实施的效果最终会在社会信用层面显现，涵盖银行信 贷以及整个社会融资的范围。信用规模的扩张，首先得益于信用环境的放宽，降低了 企业融资的难度，并增加了投资者对企业债券的需求，这反映出投资者对企业的信 心在增强，从而推动股价上涨；其次，银行信贷规模的变化直接影响了企业融资，有 助于企业扩大规模和提升盈利能力，进而提高其股票的内在价值。与货币不同的是， 信用环境更多的是通过改善分子端来影响资产乃至因子的表现。 在指标选取上，我们选择了社融存量同比数据作为代理变量。考虑到 2016 年之 前，社融存量同比数据仅以年度或季度形式呈现，我们通过社融各子项的当月新增 数据，反推出社融存量的月度数据，最后基于这些月度数据计算得出同比增速。 采用与前文相同的宏观指标处理方法构建信用周期，并将其与现实中信用环境 的松紧状况进行对比：2010 年，为应对通胀压力，政策转向结构性信贷调整，减少 对产能过剩行业的贷款，导致信用规模下降，形成“紧信用”时期。2013 年 7 月， 央行放宽了对金融机构贷款利率的下限，引发信贷市场非理性竞争，这种情况一直 持续到 2015 年，期间信用环境持续收紧。而在 2015 年末至 2016 年初，供给侧结 构性改革推动信贷资金更多地流向小微企业、创新型企业等实体经济领域，从而阶 段性地形成短期的“宽信用”环境。 由此可见，我们划分的信用周期大体上能反映信贷投放力度、社会信用规模的 “松”与“紧”情况，基本都能在现实中情况找到大致印证。

2.2.3货币-信用周期对因子收益的影响

上文对货币-信用周期的划分方法进行了深入阐述，并验证了其划分结果的合理 性。为了考察在不同的货币-信用周期下因子表现的差异性，我们测试了 2004 年 12 月-2024 年 7 月期间，不同货币-信用阶段下各类因子的 Rank IC 和多空组合的平均 表现。通过观察结果，我们可以得出以下结论： 在紧货币-宽信用时期，这通常与经济过热阶段对应。在这一阶段，央行的紧缩 型货币政策尚未传导至信贷，企业仍在加大投资扩张。这个时期更容易形成市场投 资主线，各因子表现均相对平稳。 在紧货币-紧信用时期，大致对应滞胀期。随着紧货币政策的推进，社会融资需 求逐渐下滑，金融机构也相应收紧信贷规模，在这一背景下，企业投资扩张需求减 弱，所以防御和流动性因子这一阶段表现相对较好。 在宽货币-紧信用时期，大致对应衰退期。此时，经济环境较悲观，政府的宽货 币政策尚未起效，金融机构也普遍持谨慎态度，企业生产疲软，投资者信心低迷。权 益市场内存量博弈效应凸显，市场难以形成一致合力。因此，该时期基本面因子表 现较差，而反转因子表现较好。 在宽货币-宽信用时期，通常标志着经济复苏阶段的到来，随着宽松货币政策实 施的推进，社会融资需求回升，信用也开始呈现扩张态势，企业业绩持续修复，基本 面因子所代表的那些业绩优良、盈利质地较好的企业会有强势表现，相比之下，防 御性因子在这一阶段表现较弱。

总体来看，各个时期下因子的表现与现实投资的经验性逻辑相符合，从另一个 角度验证了本文对货币-信用周期划分的合理性。经济周期法可作为中长期因子择时 的战略性依据。然而，经济周期法本身的设计目的并不直接服务于因子择时，且在跟 踪时存在一定的滞后性，对因子收益的区分能力相对有限。因此，在下一节中，我们 将结合宏观事件法，更及时、灵活地捕捉宏观信息对因子表现的影响，从而提升我们 分析和预测因子未来短期收益的准确性。

2.3 战术性视角：分区制宏观事件择时策略

笔者曾在中观配置报告中尝试运用宏观事件法来研究行业或风格与宏观因素之 间的关系，我们遵循逻辑先导与统计后验结合的原则，即先基于经验性逻辑确定宏 观因子对风格的影响方向，进而通过统计手段对宏观指标、事件模式和参数之间的 最优组合进行搜寻和优化，以期构建一个完善的宏观事件库。然而，在策略复盘和跟 踪的过程中，我们观察到，单一宏观事件与资产收益之间的关系在不同时期表现出 了不稳定性。 为初步评估宏观变量对因子收益的影响，我们从经济增长、消费、货币、利率、 海外、地产六个维度挑选常见的影响资产收益的宏观指标。为确保回测过程中宏观 数据的可得性和一致性，我们采用了统一的数据处理标准：对于月度发布的数据， 根据发布时间取月末最新可得的数据；对于日度、周度数据则取月平均值作为当月 数据进行降频处理。在数据处理过程中，我们对各指标先进行平滑处理，以消除短期 波动带来的噪声，进而计算月度差分值，根据差分值的正负情况判断该指标的上行 或下行趋势。进一步的，我们根据指标上行和下行阶段中，选股因子的平均 IC 和 ICIR 的差异性来判断该宏观因子的有效性。为保证测试结果的稳健性和说服力，我 们以策略集合作为统计单位，而非单一事件，即，我们会在不同的平滑参数下对宏 观因子进行循环测试，以得出其平均表现，并以此作为该宏观因子的最终评价依据。 此外，将样本期划分为两个阶段，分别是 2005 年 1 月-2014 年 12 月和 2015 年 1 月-2024 年 7 月，以便更细致地考察宏观因子在不同时期的表现。 以基本面因子为例，下表展示了宏观因子在两个阶段的择时表现，表格根据 2005 年 1 月-2014 年 12 月期间宏观因子的表现进行了降序排序：可以看到，宏观因子在两个时期的择时有效性存在明显差异。在早年的测试集，排名前十的宏观因 子中，仅有三个因子的表现在后续阶段有所提升，而其余 7 个宏观因子表现均有所 下滑，其中有一半因子甚至出现了完全反向的表现。这种情况表明，如果以较为严格 的标准进行筛选，很难找到持续稳定有效的宏观因子。

为何宏观因子在不同阶段的择时表现会出现如此显著的差异呢？一种可能的解 释是，宏观因子实际上对因子择时或中观配置并不具备指导性，但这种猜想和我们 的实际投资直觉并不相符。在实际投资中，自上而下的投资视角一直以来都是非常 重要的，对经济大势的判断，对宏观指标的解读，确实对风格选择、行业配置具有不 可忽视的参考意义。因此，我们更倾向于另一种解释：在不同时期，投资者观察宏观 经济的角度以及对宏观主要矛盾的理解存在差异性。例如，今年，市场的核心投资 逻辑主要围绕“弱复苏交易”和“降息交易”展开。这种差异可能导致某些在过去表 现优异的宏观因子在当前环境下失效，甚至出现反向效果。 因此，如何准确地对当前经济环境进行定调显得尤为重要。基于这一思路，我们考虑将前文构建的货币-信用周期与宏观事件相结合进行测试，以探究同一宏观事件 集在不同阶段是否表现出差异性。同样地，为确保测试结果有足够的说服力，我们同 样以宏观事件策略集为单位进行测试，该集合涵盖了不同的模式类型和时间参数， 我们要求同一宏观指标在不同的事件模式和时间参数下均能展现出良好的表现。数 据的训练集为 2004 年 12 月-2019 年 12 月，测试集为 2020 年 1 月-2024 年 7 月。 事件模式的定义如下，其中包括处于历史高位、处于历史地位、创新高、创新 低，以及趋势上行和趋势下行，其中根据含义将处于历史高位、创新高和趋势上行归 为一种模式类型，处于历史低位、创新低和趋势下行则被归为另一种模式类型。

在测试过程中，我们发现，宏观指标确实在不同货币-信用阶段具有不同的择时 效果。以 PPI-CPI 剪刀差为例，该指标在不同货币-信用时期拥有截然相反的定价效 果：在宽货币-宽信用时期，触发创新低事件后的一个月，基本面因子月均 IC 为 6.9%， 年化 ICIR 为 2.71；在紧货币-宽信用时期，触发创新低事件后，基本面因子月均 IC 为 1.4%，年化 ICIR 为 0.43。 于逻辑而言，投资者对 PPI-CPI 剪刀差的下行在宽货币-宽信用和紧货币-宽信 用时期的解读确实存在差异：宽货币-宽信用时期，PPI-CPI 剪刀差下行可能表明生 产成本上涨的压力正在减轻，而消费需求正在增强，经济整体向好的趋势。在紧货币 -宽信用时期，PPI-CPI 剪刀差下行则可能更多反映企业面临的高融资成本和消费需 求的疲软，暗示经济可能面临一定下行压力。

为考察分货币-信用阶段筛选宏观事件的方法是否能更好地适应不同的环境，我 们基于训练集对每个宏观事件策略集的参数进行稳健寻优，经过严格筛选后应用于测试集中，具体筛选和评估流程如下： 首先，逐一对宏观事件触发后因子未来一个月的表现进行检验：对于每一个宏 观事件的有效性，考察如下指标： 1. 事件触发后未来一个月因子的 Rank IC 均值； 2. 年化 ICIR； 3. IC 月胜率； 接着，对属于同一类事件模式、以及不同时间参数的宏观事件结果求算术平均， 从而综合判断该类宏观事件策略集是否有效。为保证宏观事件检验的统计结果具有 参考意义，设定如下筛选条件： 1. 单事件触发次数超过 10 次； 2. 同一周期内，对于同一宏观指标的一对相反事件，触发后两者的 IC 差异大 于 0.02，确保指标对于因子未来收益具有对称性的预测能力； 3. 同一策略集中仅保留择时效果最佳的，即 IC 最低的事件，降低冗余性； 4. 在每一个周期内，从剩余符合条件的有效事件中选 IC 最低的 N 个事件，每 个月末进行信号计算，触发任意信号都视为看空该因子。 从回测结果看，分周期下的宏观事件法对基本面因子强弱的识别在样本内外均 能取得较为稳健的效果，触发后未来一个月的平均 Rank IC 为-2%，IC 月胜率低于 29.17%。随着事件数的增多，识别负样本的准确性有所减弱，可以根据自身对因子 收益的容忍度设定事件入选的阈值。

3 挖掘因子择时的内生性因素

前文我们主要采用外生变量——即宏观经济因素，来进行因子择时的分析，核 心做法是通过货币-信用周期来对宏观环境进行划分，进而在不同的场景下根据严谨 的统计检验筛选合适的宏观事件作为因子择时的依据，这种方法在样本内外均取得 不错的表现。 在这一章节中，我们的研究焦点转向利用内生性变量进行因子择时，即探究“因 子的因子”。这一策略的有效性根植于金融市场交易行为的深刻洞察，特别是资金的 交易行为如何塑造动量效应与均值回归的规律。具体而言，当某个因子在过去一段 时间内的表现显著优于其他因子或市场平均水平，资金往往会追逐这种趋势，进一 步推动该因子或风格的上涨，从而形成动量效应。这种基于动量效应的趋势跟随策 略，虽能有效捕捉市场机遇，但过度交易却可能成为双刃剑，集中的资金易引发交易 拥挤，进而压缩因子的潜在收益空间。另一方面，如果因子长期处于无效，不被定价 的状态，其估值相对其它因子以及自身历史水平较低，这意味着，该因子未来有望实 现价值修复，呈现均值回归。此外，市场微观结构的动态变化亦不容忽视，它们通过 影响投资者的决策行为与市场价格的形成机制，间接作用于因子的内生性特征，并 最终体现在其未来表现上。 海外学者在这一领域的研究较为丰富，频繁提及的概念包括因子动量、估值价 差、因子离散度以及因子拥挤度等。然而，这些研究主要侧重于横向比较不同选股 因子的吸引力以进行配置，却忽视了对这些指标在各类因子时间序列上择时适用性 的深入探讨。换句话说，我们仍需审视：所有因子过去的表现是否都呈现出动量特 征？离散度在不同类型的因子时间序列上的适用性又如何？为了更全面地揭示内生 性特征在因子择时上的作用，下文将对这些问题展开深入的探讨。

3.1 因子动量：有效区间突破信号

目前，横截面因子动量在因子配置或赋权方面应用最广泛，且相较于等权配置 确实有所提升。传统多因子组合构建的首要步骤便是进行因子筛选，这一过程中，我 们通常会回测所有因子在过去三年或五年的绩效表现，并剔除那些IC、ICIR或多空、 多头超额收益未达到标准的因子。这一操作步骤实际上体现了时序因子动量的逻辑。 接下来，对于筛选后入选的因子进行赋权处理。在线性加权的过程中，无论是采用回 归法，还是基于 IC、ICIR 进行加权，其核心思想都是基于因子的历史表现来预测其 未来一期的收益。由此可见，因子动量的理念已经深深地融入到了多因子模型之中。 时序动量信号的定义方式多种多样，其组成部分包括用于度量有效性的指标以 及信号的具体设计：在变量的选择上，我们通常通过 IC 和 ICIR 来度量因子的有效 性。然而，涨跌幅这一指标可能受到多种因素的影响。为了研究交易层面更纯粹的因 子有效性，我们创新性地引入了 IC_TO 这一概念，它表示因子值与未来一个月换手 率的横截面相关系数，我们将其命名为“换手 IC”。 在择时信号的设计上，以往投资者主要通过因子的历史平均表现来刻画动量， 然而，这一方法受时间参数的影响较大，常呈现中短期动量效应以及长期反转效应， 且经过平滑处理后，实际触发信号的次数非常有限。为克服这一局限，我们借鉴了 CTA 的做法，将“CTA”择时理念引入因子有效性走势的分析之中。具体来说，采 用 ZSCORE 的方法来对指标进行时序标准化处理，并基于标准化后的数据划定信 号触发区间，高于有效区间后，发出突破/反转信号，这种方法也能够更迅速地捕捉到当期因子预测能力的变化，以期在不同的时间跨度下都能展现出一致的动量或反 转特征。 具体而言，在每个月末计算因子的换手 IC，并滚动计算该指标相对过去 6 年的 ZSCORE，以此预测因子未来一个月的表现：从图中可以看到，对于基本面因子而 言，换手 IC 的 ZSCORE 与未来因子收益之间存在明显的正相关关系。这意味着， 当市场对因子的交易逻辑给予关注和认可，从而引发交易换手的增加时，该因子在 未来一期大概率会延续其良好的表现。

为探究因子换手 IC 对因子择时的实际应用，我们将其事件化，并测试其择时效 果。具体计算步骤如下： （1） 每个月末，计算个股因子与未来一个月换手率的横截面秩相关系数，即 换手 IC； （2） 评估当月换手 IC 相对于过去 N 个月的 ZSCORE 值。如果 ZSCORE 大 于 1 倍标准差，将其定义为突破区间上轨信号。相反，若 ZSCORE 低 于-1 倍标准差，视为突破区间下轨信号。 下表详细列出了在不同的时间参数设置下，触发择时信号后未来一个月的 Rank IC 均值、年化 ICIR 和 IC 月胜率。结果表明，无论时间参数如何变化，换手 IC 区间 突破信号均能有效地辨别出因子的“高光”与“低迷”时期。随着时间参数的增加， 触发次数相应减少，择时信号对因子未来表现的预测准确性更强。

对比换手 IC 和常规 IC 区间突破信号对基本面因子表现的择时效果：我们发现， 换手 IC 的区间突破信号展现出了明显优于常规 IC 的择时效果，一定程度上揭示了 基本面因子的时序动量效应更多地体现在交易情绪的活跃程度上。

类似的，考察因子换手 IC 与常规 IC 区间突破信号在防御性因子上择时效果。 结果显示，换手 IC 区间突破信号对防御因子未来表现仍具有一定的正向预测能力， 但随着时间参数的增加，其预测能力逐渐减弱，特别是当参数超过 3 年时，该指标 几乎丧失了择时效果。

有趣的是，当我们采用历史 Rank IC 作为择时指标对防御性因子进行测试时， 所得结论与换手 IC 截然相反。具体而言，我们在每个月末计算防御因子的 Rank IC， 并以过去 36 个月的数据对其进行 ZSCORE 标准化处理。结果表明，防御性因子 Rank IC 的时序 ZSCORE 与因子未来表现明显呈负相关。换言之，随着价格变化因 素的引入，防御性因子在不同的时间跨度下均呈现显著的因子反转现象。

同样的，将防御因子 Rank IC 的区间突破信号事件化，测试其择时效果，具体 计算步骤如下： （1） 每个月末，计算个股防御因子与未来一个月涨跌幅的横截面秩相关系数， 即 Rank IC； （2） 评估当月 Rank IC 相对于过去 N 个月的 ZSCORE 值。如果 ZSCORE 高 于 1 倍标准差，定义为突破区间上轨。相反，若 ZSCORE 低于-1 倍标准差，视为突破区间下轨。 下表展示了不同的时间参数下，触发择时信号后未来一个月的 Rank IC 均值、 ICIR 和 IC 月胜率。结果表明，不同时间参数下，IC 区间突破信号对因子未来表现 均有较好的区分能力，随着时间参数的提高，择时信号对因子表现的预测性先变高 后降低，相对而言，当参数取 36 时，负向择时效果最强。

由于篇幅限制，以下是对因子换手 IC 与常规 IC 的区间突破信号对反转和流动 性因子的择时效果的总结： 对于反转因子而言，换手 IC 和 Rank IC 的区间突破信号均展现出对未来表现的 正向预测能力。其中，Rank IC 在动量效应上表现更为突出，尤其是在较长的时间周 期内，它能有效捕捉反转因子的强势和弱势阶段。 在考察流动性因子时，我们发现测试结果与防御性因子相似，即换手 IC 与 Rank IC 信号在择时方向上相反。具体来说，当因子的换手 IC 突破区间上轨时，这往往预 示着未来可能会产生较高的超额收益。相反地，当 Rank IC 突破区间下轨时，因子 在未来可能会展现出更佳的表现。由于流动性因子长期表现稳定，择时信号对流动 性因子负收益的捕捉次数相对有限。

总结而言，在横向比较因子动量时，通常会假设历史表现优异的因子在未来仍 能延续其良好表现。然而，根据上文的时间序列分析，我们发现这一规律并非普遍适 用。对于基本面因子和反转因子而言，确实存在显著的动量效应，但对防御性和流动 性因子却并不成立。这一结果与我们的直觉相吻合，可能是因为防御性因子的选股 逻辑本身是基于均值回复，从而使得其内生性特征亦顺应了选股的基本原则。此外， 本文提出的换手 IC 在动量效应上对不同性质的因子更具有普适性。因此，在进行因 子历史表现的横向比较时，纳入换手 IC 这一变量或许能为我们提供更全面的视角。

3.2 因子离散度：高/低位突破信号

因子离散度衡量的是因子多空组合在因子值上的绝对差异。在极端情况下，倘 若所有股票在该因子上的暴露完全一致，则该指标将无法有效区分股票。换句话说， 只有当因子在横截面股票间的差异性足够显著，该因子才具备潜在强大的选股能力。 一个自然的疑问是，从时间序列的角度，是否所有因子都会展现出离散度在高 位突破后，能够一致性地预示着高预期收益的到来？下文将重点探究这一问题。 以基本面因子的特征离散度为例，简要说明一下计算方法： （1）在每一个中信一级行业内，按照因子的大小将行业内股票分为五组，计算 全市场多头组（各一级行业多头组汇聚而成）和空头组的股票因子值的中位数； （2）计算多头组和空头组的因子值中位数的绝对值差异作为因子离散度； （3）我们以过去 12 个月的数据的最大值和最小值对因子离散度进行 0-1 标准 化，若高于 0.8，发出突破高位信号，反之，若低于 0.2，则发出突破低位信号，对 信号触发后未来一个月基本面因子的 IC 表现进行回测统计。 从回测结果看，我们发现并非所有基本面子类因子的离散度高位突破信号都能 对基本面因子的未来收益产生正向预测效果。具体而言，分析师类因子离散度的高 位突破信号展现出了一致的正向预测能力。在成长性指标中，季度营业收入增速具 有显著的择时效果；盈利类指标中，季度 ROE 指标本身带有季节性，并不适合在时 间序列上进行比较分析，其余盈利类因子的离散度突破信号几乎没有预测能力。

基于上述统计分析，我们筛选出了季度营业收入同比增速和分析师 EPS_FY1 变化率，通过计算这两个因子离散度时序标准化得分的算术平均值，构建基本面因 子的综合离散度突破信号。若信号值高于 0.8，发出高位突破信号；而当信号值低于 0.2，发出低位突破信号。结果表明，综合离散度突破信号对时间参数的选择相对不 敏感，总体均能有效区分基本面因子的表现。

与因子动量规律相似的是，防御因子普遍存在由离散度突破高位后引发的反转 效应，根据对防御因子子类特征离散度的测试结果，我们可以观察到：除 EP 因子 外，其余子类因子离散度在突破高位后对未来收益均呈现负向择时能力，即触发信 号后，这些因子的未来收益往往会偏弱；相反，在离散度低位突破的状态下，因子更 有可能表现更佳。

进一步的，在剔除 EP 因子后，我们计算剩余 4 个因子离散度时序标准化得分 的算术平均值，以此合成防御因子的综合离散度突破信号，若信号值高于 0.85，发 出高位突破信号，低于 0.15，发出低位突破信号。 从回测结果看，综合离散度对于防御性因子具有显著的择时能力，当参数取 12 个月时，看空信号触发后，未来一个月的 Rank IC 为-2.56%，月胜率仅 45%，负向 择时效果突出。

我们采用相同的筛选和计算步骤构建了反转因子和流动性因子的综合离散度信 号，并进一步测试其择时效果。结果表明，在不同的时间参数下，反转因子的离散度 信号对因子未来表现具有一致且显著的正向预测能力，即当因子离散度突破高位后， 未来更有可能产生较高的超额收益。

流动性因子的离散度突破信号对其未来收益的预测性具有相当的复杂性。从全 局的视角来分析，我们发现离散度得分与因子未来的 Rank IC 表现以及多空收益之 间呈现正相关。但从对因子多头超额区分情况来看，择时信号呈现截然相反的结果， 在离散度高位突破的状态下，多头超额相比于离散度低位突破时更低。

4 因子择时在指数增强模型中的应用

本文从宏观经济、因子动量和离散度三个维度构造了一系列预测能力显著的择 时信号。在本章节中，我们将宏观事件、因子动量和离散度信号进行复合，探讨如何 将择时信号与多因子选股体系进行有效结合，进一步验证复合信号对已经相对成熟 的增强组合所带来的增量贡献。

首先，检验复合信号在单个因子择时上的具体表现，遵循如下步骤： （1）在每月月末，判断当前的货币-信用状态，据此计算适合当前环境的宏观事 件信号，该信号取值为 1 或-1，同时，我们还会分别计算因子的动量和离散度信号， 这些信号的取值是 1、0 或-1；（2）将所有事件信号的得分进行加总，若最终的择时信号值小于 0，那么对该 因子持看空观点，并选择持有基准组合；相反，若择时信号值大于等于 0，选择持有 多头组合，并通过回测其多头超额净值来评估择时策略的实际效果。 从回测结果来看，基本面因子的择时信号在关键时期展现了其有效性，特别是 在 2021 年 8 月开始的多头超额回撤期间，该信号成功地帮助规避了风险，并且这种 有效性一直持续到 2022 年 4 月。此外，该策略在 2023 年初起也持续通过择时操作 成功地减少了损失。2024 年以来，策略成功了避开了 7 月的回撤，但在上半年的反 弹趋势中，策略未能精准捕捉机会。总体上，负向信号触发后，基本面因子的多头超 额收益胜率仅 38.98%。

对于防御性因子而言，择时策略展现出较高的预测效力，它成功规避了 2013 年 的回撤期，且在 2019 年起的下跌中，择时策略也持续发出看空信号，避开了大部分 回撤时段。总体上，负向信号触发后，防御因子的多头超额收益胜率仅 42.62%。

择时策略对反转因子的多头超额的贡献主要在于其精准捕捉了关键的拐点。具 体而言，在 2016 年 8 月因子回撤前夕，择时策略成功发出了看空信号，2019 年 4 月之后也能短暂的避开因子的回撤点。总体来看，负向信号触发后，反转因子的多头 超额收益胜率仅 30.30%。

最后，鉴于单一子策略对流动性因子的择时效果有限，且流动性因子 IC 和多头 超额走势相较于其它大类因子差异性更大，综合后择时信号对流动性因子多头超额 的区分能力亦相对一般。我们推测，这可能与流动性因子的表现受到更微观的投资 者结构的阶段性变化有关。由于这些变化较为复杂且难以预测，因此通过自上而下的视角或依据内生性特征进行有效预测的难度较大。

以上回测主要从单因子多头组合的角度考察择时策略的有效性，对于流动性因 子而言，单因子择时结果并未显示出显著的成效。然而，在实际投资场景中，若信号 发出看空指示时，我们会使用其他因子构建组合，变相提高了其它因子的权重和对 alpha 因子整体的使用效率。因此，即使在某些时期负向择时信号发出后，因子未来 一个月超额收益略微为正，但从组合的整体角度来看，剔除这些因子可能仍然会带 来正向的增益。为了更贴合实际地考察择时策略的有效性，我们将结合指数增强组 合进行检验。 具体而言，我们首先对因子库中的每个alpha因子与因子择时模型中的基本面、 防御性、反转和流动性因子进行因子值的相关性分析。根据相关系数大小，我们确定 每个 alpha 因子所属的分类。进一步地，每月月末我们将所属大类因子的择时信号 值进行加总，作为当月该 alpha 因子的择时信号。例如，季度 EP 因子与基本面因子 的相关系数最高，因此我们认为它主要受基本面因子的影响。在每月月末，我们会参 考基本面的择时信号值来判断是否使用季度 EP 因子。由于我们的基准模型是基于 弹性网络加权构建的多因子增强组合，对符合条件入选的因子亦根据弹性网络进行 加权。

基于因子择时策略的中证 500 增强组合的年化超额收益为 19.59%，信息比 3.32， 最大相对回撤约-7.34%，相较于原增强组合在年化超额收益方面提升了 2.6%，信息 比由 3.02 提升至 3.32，表现尤为出色。与预期不符的是，策略的最大相对回撤并未 显著减小，我们推测，组合的最大相对回撤主要发生原因是由于市场风格的极致切 换导致的，较难通过对单一因子的择时模型进行改善和控制。 分年度表现来看，策略历年来均能稳定跑赢基准，在大部分年份内都能战胜原 增强策略，且跑输的年份超额收益均在-1%以内，说明择时策略带来的增益相对稳定。 在 2020 年 1 月至 2024 年 8 月的样本外期间，该策略的表现依然十分突出，稳定地 超越了原始增强策略的表现。

基于因子择时策略的中证 1000 增强组合的年化超额收益为 19.84%，信息比 3.14，最大相对回撤约-8.24%，相较于原增强组合在年化超额收益方面提升了 2.1%， 信息比由 2.87 提升至 3.14，最大相对回撤由-9.8%降低至-8.2%，表现出色。 分年度表现来看，策略历年来均能稳定跑赢基准，同样在大部分年份内都能战 胜原增强策略。在 2020 年 1 月至 2024 年 8 月的样本外期间，该策略的表现依然稳 健，除 2022 年外均超越了原始增强策略的表现。

5 总结

多因子模型作为投资领域的重要工具，其发展历程跨越海内外，积累了深厚的 理论与实践基础。在当今国内资本市场，机构投资者亦普遍采用多因子体系作为择 股决策的核心框架。然而，随着市场环境的变化，alpha 因子 beta 化的趋势愈发明 显，具备持续 alpha 特性的因子日益稀缺，而众多因子的选股稳定性也面临严峻挑 战。这一背景下，挖掘新的、有效的 alpha 因子变得异常艰难，传统的因子挖掘和优 化方法，本质是对因子信息的切分和重组，虽然平衡了因子在不同维度上的暴露度， 但已难以满足当前需求。同时，深度学习虽然展现出强大能力，但由于其“黑箱”特 性，在发生回撤时及时调整显得尤为困难。因此，在当前复杂多变的市场环境中，建 立一个多维度的因子择时体系显得尤为重要。本文从外生性和内生性两个不同视角 出发，深入探索因子择时的方法论。

外生性变量方面，我们创新的宏观因子择时框架融合了货币-信用周期与宏观事 件，首先通过货币-信用周期来划分宏观环境，进而根据不同场景，利用严谨的统计 检验方法筛选出合适的宏观事件，以此作为因子择时的依据。具体而言，我们选用 R007 和三个月 SHIBOR 作为货币流动性变化的指标，同时采纳社融存量同比数据 作为衡量信用环境的代理变量。为了捕捉周期变动，我们基于单边 hp 滤波提取趋势 项，并计算其月度差分值。经过标准化处理后，该值的正负成为我们判断周期阶段的 依据。若该值大于 0，则意味着当前处于上行期；反之，则表明已进入下行期。更进 一步地，将货币-信用周期分析与宏观事件筛选进行结合，发现同一宏观事件在不同 周期阶段的择时表现存在显著差异，且这种差异在一定程度上与我们的逻辑预期相 吻合。从回测结果来看，分周期宏观事件择时法在不同因子的择时效果上均展现出 了稳健的效果。 内生性变量方面，探讨因子动量和离散度对于因子收益时间序列上的择时有效 性：因子动量信号方面，我们创新性地引入了 IC_TO 这一概念，表示因子值与未来 一个月换手率的横截面相关系数。信号设计上，我们借鉴了 CTA 的做法，将“CTA” 择时理念引入因子有效性走势的分析之中，采用 ZSCORE 的方法来对指标进行时 序标准化处理，并基于标准化后的数据划定信号触发区间，这种方法也能够更迅速地捕捉到当期因子预测能力的变化。结果表明，基本面因子和反转因子在时序上也 存在显著的动量效应，而防御因子和流动性因子则展现出反转特性。离散度信号方 面，我们发现，在大类因子内部，不同子类特征的离散度在高位突破后，对未来收益 的预测能力不一致，且大类因子间，综合离散度信号对未来收益的预测方向亦存在 不一致性，其中，基本面、反转和流动性因子的离散度在突破高位后，能正向预测未 来收益，对于防御因子而言是负向预测信号，这一点与因子动量的测试结果一致。

将宏观事件、因子动量和离散度信号进行复合，进一步验证复合信号对指数增 强组合所带来的增量贡献：基于因子择时策略的沪深 300 增强组合的年化超额收益 为 15.32%，相较于原增强组合在年化超额收益方面提升了 2.6%，信息比由 3.10 提 升至 3.46，最大相对回撤由-7.3%降低至-5.3%，表现尤为出色。基于因子择时策略 的中证 500 增强组合的年化超额收益为 19.59%，相较于原增强组合在年化超额收 益方面提升了 2.6%，信息比由 3.02 提升至 3.32，分年度提升稳定。基于因子择时 策略的中证 1000 增强组合的年化超额收益为 19.84%，相较于原增强组合在年化超 额收益方面提升了 2.1%，信息比由 2.87 提升至 3.14，最大相对回撤由-9.8%降低至 -8.2%，表现出色。

编辑：火腿肠