2024年量化视角多维度构建大小盘风格轮动策略

1. A 股大小盘轮动频繁、月度效应明显

1.1. A 股历史上不同风格轮动频繁

风格是影响股票收益的重要因素。在之前的报告《基于 Barra CNE6 的 A 股风险模型实践》系列中，我们构建了 A 股风格因子，通过对主要指数进 行归因，可以发现风格是影响股票收益和风险的重要因素。在历史上 A 股 市场存在着明显的风格轮动效应，市场重点关注的问题包括针对于市值风 格的大小盘轮动，以及针对于估值风格的成长价值轮动等。我们曾在《从量 化视角复盘 A 股 1995 年以来的风格轮动和选股因子表现》报告中，对大小 盘轮动做过初步分析和研究。风格轮动系列研究的目标是针对这些市场所 关心的风格研判问题，构建起有逻辑有依据，可量化可追溯的轮动框架。 回顾历史，可以发现不同风格轮流搭台唱戏，依次占优。没有哪一种风格能 够始终战胜市场。想要战胜市场获得较好的超额收益，投资者需要对未来风 格进行提前预判和布局。因此，国君金融工程团队从量化的方法论出发，构 建多维度的风格轮动跟踪模型和策略，目的正是希望帮助投资者把握风格 轮动线索，获取战胜市场的超额收益。本报告作为风格轮动系列开篇之作， 主要关注大小盘轮动的问题。

1.2. 大小盘风格历史复盘

目前市场上的大盘指数主要有沪深 300、上证 50、申万大盘指数等，小盘指 数主要有中证 2000、中证 1000、申万小盘指数等。充分考虑到对大小盘刻 画的准确性和策略的可落地性，本文使用沪深 300 和中证 2000 作为代表指 数。下面对大小盘风格走势进行历史复盘，从中长期看（几年维度），大致 可以分为四个阶段：

阶段一：2014 年-2016 年底，小盘风格占优。2014 年初在宏观经济整体降 速、货币流动性宽松、科技创新迭代升级的大背景下，以 TMT 为代表的主 题投资盛行；2014 年 5 月国务院发布国九条，鼓励资本市场并购重组，小 盘风格持续占优。期间， 2014 年 12 月大盘短暂大幅占优。2015 年上半年 的大牛市期间，杠杆资金规模快速膨胀，进一步抬升了小盘风格的相对优势。 2016 年工信部印发《关于促进中小企业发展规划》，提出重点培育“专精特 新”中小企业，小盘风格继续占优。 2014 年 12 月大盘短暂大幅占优。2014 年 11 月 21 日央行突然降息，标志 货币政策转向，直接带动 2014 年底股市行情；此后一个多月非银金融指数 大涨 90%、银行指数大涨 50%，同期中证 2000 指数涨幅基本为 0，大盘风 格短期大幅占优。

阶段二：2017 年 5 月-2021 年 2 月，大盘风格占优。2017 年初受金融去杠 杆、并购重组监管加强、小盘股成本结构恶化等多重因素影响，小盘风格开 始表现不佳；随着北向资金持续流入等因素影响，大盘风格开始占优。2018 年受贸易摩擦影响，大盘股补跌，小盘股跌无可跌，小盘股超额收益回撤出 现一定修复。但 2019 年以后，大盘风格行情继续演绎，直到 2021 年春节 后大盘股见顶回落，市场风格悄然切换。这一轮大盘风格占优的大背景是 A 股纳入 MSCI、以北向资金、公募基金为代表的机构资金话语权逐渐增大， 持续抱团白马蓝筹股，出现了一波以上证 50、沪深 300、创业板指等指数 成分股为代表的结构化牛市行情，在此期间小盘股被完全抛弃。

阶段三：2021 年 5 月-2023 年底：小盘风格占优；2021 年春节后白马股抱 团行情瓦解，风格发生切换，小盘重新崛起。在宏观经济进入高质量发展的 转型阶段，小盘风格受益于科技创新政策扶持，阶段持续占优。随着北向资 金持续流出，公募基金发行数量显著回落，偏好大盘股的资金力量逐渐减弱， 进一步推动了大小盘风格分化，在这期间微盘股获得了远超市场的超额收 益。

阶段三 or 新阶段四：2024 年上半年：大盘相对占优：2024 年 1 月受市场 回调过程中情绪下行、衍生产品敲入导致基差扩大、DMA 策略降仓位、量 化产品的调仓等多重因素影响，小微盘风格开始大幅回撤，押注小市值风格 的产品收益回撤较大，部分私募自营资金亏损较多。春节后由于市场风险偏 好进一步降低，在 4-6 月份大盘风格相对占优；下半年以来大小盘风格分化不明显。

1.3. 大小盘轮动具有明显月度效应

大小盘风格具有明显的月度效应。其背后原因尚待研究，这里仅做统计学分 析供投资者参考。根据 2014 年以来的历史数据，在 2、3、5、8 月，小盘风 格明显超过大盘； 1、4、12 月，大盘风格明显超过小盘。

将各年度小盘/大盘超额收益进行简单平均，从而计算出平均净值曲线，以 直观展现年内风格占优情况。从平均净值曲线可以看到，从年初开始，1 月 份明显大盘风格占优，到 2 月初开始小盘风格触底反弹。3 月中旬，大小盘 再次转向，大盘风格占优约 1 个半月。从 5 月到 11 月，总体而言小盘相对 更强，期间在 6 月大盘阶段性胜过小盘。直到年末，大盘再次胜出，12 月 明显强于小盘。后续在对大小盘风格进行研判预测时，我们也会参考月度效 应；不过由于这完全是对历史样本的统计分析，因此在构建量化模型时不纳 入考虑范围，仅在样本外跟踪时参考。

由于大小盘表现并不是完全对立的关系，我们亦统计了小盘/中证全指与大 盘/中证全指的月度收益，可供参考。

2. 大小盘轮动策略介绍

本章首先从宏观、估值、基本面、资金、情绪、量价 6 维度出发构建量化模 型，测试并选取在历史上有效的因子。对于风格轮动研究，量化模型无法完 全刻画市场，因此我们希望将模型的打分结合主观分析进行调整。其中，量 化模型能够进行历史回测从而检验其有效性，样本外再引入主观分析适当 调整，最终生成每月更新的风格轮动观点。

2.1. 量化模型：宏观维度

从宏观维度研究资产配置，最先想到的自然是美林时钟模型中的增长和通 胀两因子。然而，美林时钟模型更加适用于股、债、商的大类资产配置，与 大小盘之间很难确认逻辑关系。例如，增长下行到底是利好盈利确定性较高 更加抗跌的大盘风格，还是利好受益于主题性博弈行情的小盘风格，难以从 基本面分析中的分子分母端推导得到明确的对应关系。从量化的统计学角 度来看，我们也对美林时钟的增长、通胀因子进行了历史回测，对大小盘轮 动确实缺少指示作用。 相比而言，货币、信用两因子的逻辑更加适用于大小盘轮动。宽货币阶段， 小盘股对流动性宽松更加敏感，从而小盘风格相对占优；反之紧货币阶段大 盘风格相对占优。宽信用阶段，中小上市公司更加受益于较低的融资成本， 从而小盘风格相对占优；反之紧信用阶段大盘风格相对占优。

2.1.1. 宏观维度复合测试

宏观维度的细分因子包括期限利差因子、货币活化因子和信用利差因子，将 信号等权合成宏观维度复合信号，进行回测。月频调仓，若月末信号看多大 盘风格，则下月配置大盘指数；若月末信号看多小盘风格，则下月配置小盘 指数；若月末为中性信号，则大小盘指数等权配置。以大小盘等权组合作为 基准，回测区间为 2013/12/31-2024/09/30。 宏观维度复合信号月度胜率 65.12%，超额年化收益 14.59%，在历史上指导 大小盘轮动效果较好，不过在近两年表现一般，出现一定回撤。下面对宏观 维度各个因子进行详细测试和分析。

2.1.2. 期限利差因子

首先从“价”，即利率的角度刻画流动性。相比于直接采用利率债收益率和 Shibor 等利率，更好的刻画方式是期限利差因子，即使用长久期利率减去短 久期利率得到的差值。这么做的目的，是因为长久期利率更多体现了投资者 对未来经济的预期，不同久期相减来剔除其他因素从而更好地刻画货币流 动性水平。下面使用 10 年期与 1 年期的国开债收益率计算期限利差因子， 其与大小盘相关关系如图所示。一般而言，当期限利差走阔时，流动性处于 宽松阶段，小盘风格占优；当期限利差收窄时，流动性处于收紧阶段，大盘风格占优。

对期限利差因子进行历史回测。使用长短均线来捕捉因子趋势信号，当短均 线上穿长均线时，意味着期限利差因子趋势上行，流动性阶段宽松，发出小 盘信号；当短均线下穿长均线时，意味着期限利差因子趋势下行，流动性阶 段收紧，发出大盘信号。均线参数分别选取 5 日和 250 日，以大小盘等权 组合作为基准，回测区间为 2013/12/31-2024/09/30。期限利差因子信号月度 胜率 58.91%，超额年化收益 13.16%，对指导大小盘轮动具有一定的效果。 期限利差因子指导大小盘轮动失效的区间可以分为两段，一段是 2023 年下 半年，宏观流动性偏紧，而小盘风格却占优，即二者之间对应逻辑的失效。 这一段时期，市场的关键词是“哑铃型策略”，在弱现实、弱预期的背景下， 通过高股息的安全资产打底+小微盘题材股博取弹性成为投资者广泛采取 的策略，红利和小微盘并存而非对立。收益方面，微盘股>中证红利>中证 2000>中证全指>沪深 300（2023 年 7-12 月）。另一段是 2024 年开始，期限 利差走阔，流动性逐渐宽松，但由于市场风险偏好过低，资金主要在债市打 转并未进入股市，导致流动性对小盘风格的传导失效。

2.1.3. 货币活化因子

下面从“量”的角度刻画货币供给和结构。将 M1-M2 剪刀差与 M2 的走势 进行综合判断，分为以下四种情况。 M2 同比上行，M1-M2 剪刀差上行：货币供给边际提升，同时货币结构 边际活化，此时宜持有受益于经济复苏的大盘。M2 同比上行，M1-M2 剪刀差下行：货币供给边际提升，货币结构边际 固化。货币供给与经济预期存在分歧，此时宜持有对流动性更敏感的小盘。 M2 同比增速下行，M1-M2 剪刀差上行：货币供给边际下降，货币结构 边际活化。货币供给与经济预期存在分歧，此时宜持有具备题材属性的小盘；M2 同比增速下行，M1-M2 剪刀差下行：货币供给边际下降，货币结构 边际固化，此时宜持有具备防御属性的大盘。

对货币活化因子进行历史回测。同样使用长短均线来捕捉趋势信号。由于 M1、M2 为月频指标，因此均线参数分别选取为原始值和 12 月均线。以大 小盘等权组合作为基准，回测区间为 2013/12/31-2024/09/30。货币活化因子 信号月度胜率 57.36%，超额年化收益 7.24%，对指导大小盘轮动具有一定 的效果。可以发现货币活化因子失效的区间也是 2023 年下半年，原因与上 文中对期限利差因子失效的分析一致。

2.1.4. 信用利差因子

由于小盘股所对应的中小上市公司往往对外部融资依赖度较高，因此对融 资成本也更为敏感。使用信用利差，即企业融资利率相对无风险利率的差。 来刻画中小企业的融资成本变化。此处对信用利差定义为 5 年期 AA 级中 短期票据收益率-5 年期国开债收益率，其与大小盘相关关系如图所示。在 信用利差显著上行阶段，宜持有外部融资难度较小、外部融资依赖度较低的 大盘股；信用利差显著下行阶段，上市公司的融资难度与融资成本有所下降， 外部融资难度较大、外部融资依赖度较高的小盘股显著受益。

对信用利差因子进行历史回测。使用长短均线来捕捉因子的趋势性信号，当 信用利差因子趋势下行，企业融资成本降低，发出小盘信号；当信用利差因 子趋势上行，企业融资成本上升，发出大盘信号。均线参数分别选取 5 日和 250 日，以大小盘等权组合作为基准，回测区间为 2013/12/31-2024/09/30。 期限利差因子信号月度胜率 60.47%，超额年化收益 7.56%，历史上对指导 大小盘轮动具有一定的效果。 信用利差因子在 2023 年下半年以来持续回撤。可以观察到在 2023 年下半 年后，信用利差快速收窄，但此时并未进入宽信用阶段，指标与实际感知发 生一定背离。这期间由于债市资产荒和化债，投资机构大量买入高收益的信 用债，阶段性的机构行为导致信用利差被快速抹平。

2.2. 量化模型：估值维度

风格的估值可以辅助判断大小盘配置性价比，在历史上具有均值回归特性。 由于小盘股中有较多亏损企业，不适用于 PE 估值，因此使用 PB 估值。首 先使用整体法计算沪深 300 和中证 2000 指数的 PB 估值，再与中证全指 PB 相减即得到各自的估值溢价。估值溢价与指数走势的对应关系如下图所示， 当估值溢价进入高估阶段，由于均值回归特性，对应指数很容易下跌从而出 现风格切换。

当估值溢价过高时，可以认为对应风格进入了顶部区间，此时若估值溢价从 高位回落则应该进行低配；当估值溢价过低时，认为指数进入了底部区间， 此时若估值溢价从低位回升则应该进行高配。顶底参数分别设置为滚动 3 年 的 80%分位数和 20%分位数，当估值回到中位水平则调回标配。 估值维度分别对大小盘产生信号，再进行等权合成。以大小盘等权组合作为 基准，回测区间为 2018/01/31-2024/09/30。可以观察到信号触发的次数并不 多，但胜率较高达到 68.18%，在估值溢价大幅偏离情况下对大小盘轮动具有较好的指示作用。

2.3. 量化模型：基本面维度

在进行风格研判时，基本面的变化亦非常重要。相比于财务报表，分析师预 期的变化更具有指示作用。将国君金工选股因子库中的分析师预期因子进 行成分股加权，得到大小盘各自的分析师预期因子值。将小盘指数分析师预 期因子值减去大盘指数分析师预期因子值，展示如下图。可以观察到。根据 分析师预期因子刻画的基本面变化对大小盘走势具有一定指示作用，二者 之间具有比较明显的正相关性。

对基本面维度进行历史回测。使用月度边际变化来产生信号，每个月末分别 计算大小盘指数分析师预期因子相比于上月末的边际变化，若大盘指数分 析师预期边际增量更高，则发出大盘信号；反之若小盘指数分析师预期边际 增量更高，则发出小盘信号。以大小盘等权组合作为基准，回测区间为 2015/01/30-2024/09/30。基本面维度信号月度胜率达到 64.66%，超额年化收 益 11.99%，对指导大小盘轮动具有较好效果。

2.4. 量化模型：资金维度

资金是驱动大小盘轮动的直接原因，通过对市场中各类重要资金分别进行 跟踪，观察他们对大小盘轮动的影响效应，构造了多个细分因子，并合成资 金维度的复合信号。

2.4.1. 资金维度复合测试

资金维度的细分因子包括大单资金因子、外资流入压力因子、ETF 份额因 子、龙虎榜因子、融资买入因子，将细分因子信号等权合成资金维度复合信 号，进行回测。若月末信号看多大盘风格，则下月配置大盘指数；若月末信 号看多小盘风格，则下月配置小盘指数；若月末为中性信号，则大小盘指数 等权配置。以大小盘等权组合作为基准，回测区间为 2013/12/31-2024/09/30。 资金维度复合信号月度胜率 62.18%，超额年化收益 12.54%，指导大小盘轮 动效果较好。下面对资金维度各个因子进行详细测试和分析。

2.4.2. 大单资金因子

大单资金是市场风向的观察重点。首先将国君金工选股因子库中的大单资 金买入占比进行成分股加权，得到风格指数的大单资金买入占比。为综合考 虑绝对数值和边际变化，将大单资金买入占比与其月度变化等权相加，得到 新的大单资金因子。将小盘风格指数与大盘风格指数的大单资金因子相减 展示如下图，可以观察到对大小盘走势具有一定指示作用。

对大单资金因子进行回测。每月末对比大盘指数和小盘指数的大单资金因 子，若大盘指数的因子较高则发出大盘信号；若小盘指数的因子较高则发出 小盘信号。以大小盘等权组合作为基准，回测区间为 2015/02/27-2024/09/30。 大单资金因子信号月度胜率 59.13%，超额年化收益 9.13%，对指导大小盘 轮动具有较稳定的效果。

2.4.3. 外资流入压力因子

由于沪深港通的标的选取标准和外资的价值投资偏好，外资一直偏好大市 值风格。北向资金数据可以作为观察外资动向的窗口，但根据沪深交易所通 知，以后北向资金数据将停止日频公布。因此，我们希望构造出对外资动向 更具有领先性和可得性的指标。 使用中国主权 CDS 利差、美元兑人民币离岸汇率和中美利差三个指标等权 合成外资流入压力因子。当指标走阔，意味着外资流入中国的压力增大，大 部分情况下与北向资金净买入呈反向关系。

当外资流入压力因子走阔时，往往小盘股占优；反之当外资流入压力因子下 行时，北向资金有动力进一步流入境内，往往大盘股占优。

对外资流入压力因子进行历史回测。使用长短均线来捕捉因子的趋势性信 号，均线参数分别选取 5 日和 250 日。以大小盘等权组合作为基准，由于 沪深港通于 2014 年底开通，因此该因子回测区间设置为 2014/12/31- 2024/09/30。外资流入压力因子信号月度胜率 54.70%，超额年化收益 9.32%， 对指导大小盘轮动具有一定的指示效果。

2.4.4. ETF 份额因子

随着投资者对被动式投资、工具化投资的认可度逐渐提升，ETF 基金成为 市场资金的重要组成部分。我们希望通过 ETF 的份额变化来捕捉被动资金 的风格特征。将追踪小盘风格的 ETF 份额变化与追踪大盘风格的 ETF 份额 变化相减，作为 ETF 份额因子，展示如下图，可以观察到对大小盘走势具 有一定指示作用。

对 ETF 份额因子进行历史回测。当 ETF 份额因子趋势上行，则发出小盘信 号；当 ETF 份额因子趋势下行，则发出大盘信号。使用长短均线来捕捉因 子的趋势性信号，参数分别选取 5 日和 120 日，以大小盘等权组合作为基 准，回测区间设置为 2013/12/31-2024/09/30。ETF 份额因子信号月度胜率 51.16%，超额年化收益 4.99%，对指导大小盘轮动效果一般，不过仍不失为 一个观测的视角。且随着被动资金重要性持续提升，该因子有效性有机会逐 渐提高。

2.4.5. 龙虎榜因子

游资是股票市场的另一方重要参与者，往往偏好于小盘风格。因此，当游资 成交活跃时，往往小盘股风格阶段占优。从龙虎榜的角度刻画游资的活跃程 度，每日计算龙虎榜上榜股票的成交额占全市场的比例，作为龙虎榜因子。 当龙虎榜因子上行时，意味着游资交易活跃，小盘风格有望占优。

对龙虎榜因子进行历史回测。使用长短均线来捕捉因子的趋势性信号，当龙 虎榜因子趋势上行，游资活跃度提升，发出小盘信号；当龙虎榜因子趋势下 行，游资活跃度降低，发出大盘信号。均线参数分别选取 20 日和 120 日， 以大小盘等权组合作为基准，回测区间为 2013/12/31-2024/09/30。龙虎榜因 子信号月度胜率 54.33%，超额年化收益 4.41%，对指导大小盘轮动具有一 定效果。

2.4.6. 融资买入因子

融资买入数据代表了市场中杠杆资金的动向。一般来说，融资买入呈现明显 的滞后效应，当市场进入阶段性顶部区间时，融资买入极为活跃，可以作为 反向信号使用。分别计算大小盘各自的融资买入占比，将小盘融资买入占比 减去大盘融资买入占比，展示如下图。可以观察到。融资买入占比对大小盘 走势具有一定指示作用，二者之间具有比较明显的负相关性。

将小盘与大盘的融资买入占比之差作为融资买入因子，进行历史回测。使用 长短均线来捕捉因子的趋势性信号，当融资买入因子趋势上行，小盘相对过 热，发出大盘信号；当融资买入因子趋势下行，大盘相对过热，发出小盘信 号。均线参数分别选取 1 日和 60 日，以大小盘等权组合作为基准，回测区 间为 2016/01/29-2024/09/30。融资买入因子信号月度胜率 60.58%，超额年 化收益 5.95%，对指导大小盘轮动具有较好效果。

2.5. 量化模型：情绪维度

小盘风格的弹性更高，在市场交投热情高涨的时候往往能收获超额收益；大 盘风格更加抗跌，在市场较为冷淡的时候具备防御属性。通过多角度构造情 绪维度的细分因子，对市场整体情绪进行跟踪，从而帮助进行大小盘轮动的 判断。

2.5.1. 情绪维度复合测试

情绪维度的细分因子包括换手率因子、创新高新低因子、超买超卖因子、上 行趋势因子，将细分因子信号等权合成情绪维度复合信号，进行回测。月频 调仓，若月末信号看多大盘风格，则下月配置大盘指数；若月末信号看多小 盘风格，则下月配置小盘指数；若月末为中性信号，则大小盘指数等权配置。 以大小盘等权组合作为基准，回测区间为 2013/12/31-2024/09/30。 情绪维度复合信号月度胜率 59.46%，超额年化收益 5.67%，指导大小盘轮 动效果较好。下面对情绪维度各个因子进行详细测试和分析。

2.5.2. 换手率因子

首先从量的角度刻画市场情绪。成交活跃度是观测情绪最重要的变量，由于 过去数年来市场整体体量在快速扩大，相比于成交量，换手率指标用来代表 成交活跃度更加合理。如下图所示，为全市场换手率与大小盘的相关关系， 可以发现一般在换手率明显上升时期，小盘风格更易占优。

对换手率因子进行历史回测。使用长短均线来捕捉因子趋势信号，当换手率 因子趋势向上，市场情绪上行，发出小盘信号；当换手率因子趋势向下，市 场情绪下行，发出大盘信号。均线参数分别选取 5 日和 250 日，以大小盘 等权组合作为基准，回测区间为 2013/12/31-2024/09/30。换手率因子信号月 度胜率 61.24%，超额年化收益 5.01%，对指导大小盘轮动具有一定的效果。

2.5.3. 创新高新低因子

通过观察创新高、创新低个股的成交额，可以跟踪乐观交易者和悲观交易者 的活跃程度。以创 3 月新高个股的成交额占比与创 3 月新低个股的成交额 占比之差作为创新高新低因子，刻画市场情绪。可以观察到，根据超买超卖 因子刻画的情绪变化对大小盘走势具有一定指示作用，二者之间具有比较 明显的正相关性。

对创新高新低因子进行历史回测。使用长短均线来捕捉因子趋势信号，当创 新高新低因子趋势向上，市场情绪上行，发出小盘信号；当创新高新低因子 趋势向下，市场情绪下行，发出大盘信号。均线参数分别选取 5 日和 250 日， 以大小盘等权组合作为基准，回测区间为 2013/12/31-2024/09/30。创新高新 低因子信号月度胜率 55.04%，超额年化收益 2.62%，对指导大小盘轮动具 有一定的效果。

2.5.4. 超买超卖因子

从价的角度，计算全市场处于超买状态的个股占比与处于超卖状态的个股 占比之差，以刻画市场情绪。如下图，可以观察到根据超买超卖因子刻画的 情绪变化对大小盘走势具有一定指示作用，二者之间具有比较明显的正相 关性。

对超买超卖因子进行历史回测。使用长短均线来捕捉因子趋势信号，当超买 超卖因子趋势向上，市场情绪上行，发出小盘信号；当超买超卖因子趋势向 下，市场情绪下行，发出大盘信号。均线参数分别选取 5 日和 250 日，以大 小盘等权组合作为基准，回测区间为 2013/12/31-2024/09/30。超买超卖因子 信号月度胜率 57.36%，超额年化收益 4.77%，对指导大小盘轮动具有一定 的效果。

2.5.5. 上行趋势因子

全市场位于月度均线上方的个股占比代表了市场上行趋势的强弱，展示如 下图。可以观察到。根据上行趋势因子刻画的情绪变化对大小盘走势具有一 定指示作用，二者之间具有比较明显的正相关性。

对上行趋势因子进行历史回测。使用长短均线来捕捉因子趋势信号，当上行 趋势因子趋势向上，市场情绪上行，发出小盘信号；当上行趋势因子趋势向 下，市场情绪下行，发出大盘信号。均线参数分别选取 5 日和 250 日，以大 小盘等权组合作为基准，回测区间为 2013/12/31-2024/09/30。上行趋势因子 信号月度胜率 52.71%，超额年化收益 4.59%，对指导大小盘轮动具有一定 的效果。

2.6. 量化模型：量价维度

大小盘风格具有明显的中长期动量效应，过去相对占优的风格往往倾向于 在未来一段时间保持这种优势。使用风格相对净值的均线突破代表动量因 子捕捉趋势性特征，同时引入拥挤度因子来规避短期过热带来的风格切换 拐点。

2.6.1. 量价维度复合测试

结合动量和拥挤度因子，进行量价维度历史回测。当未触发拥挤度信号时， 直接以动量信号作为量价维度信号；当触发拥挤度信号时，以拥挤度信号优 先。月频调仓，若月末信号看多大盘风格，则下月配置大盘指数；若月末信 号看多小盘风格，则下月配置小盘指数；若月末为中性信号，则大小盘指数 等权配置。以大小盘等权组合作为基准，回测区间为 2013/12/31-2024/09/30。 量价维度复合信号月度胜率 57.52%，超额年化收益 6.18%，指导大小盘轮 动效果较好。

2.6.2. 动量因子

使用小盘/大盘相对净值的短期均线与长期均线的相互突破来捕捉趋势性走 势，构建动量因子。如下图可以观察到，风格的中长期动量效应较强，过去 相对占优的风格往往倾向于在未来一段时间保持这种优势。

对动量因子进行历史回测。当相对净值的短均线上穿长均线时，发出小盘信 号；当相对净值的短均线下穿长均线时，发出大盘信号。均线参数分别选取 20 日和 180 日，以大小盘等权组合作为基准，回测区间为 2014/09/30- 2024/09/30。动量因子信号月度胜率 54.17%，超额年化收益 1.54%，可以发 现动量因子能够较好捕捉趋势性行情，但容易在风格切换期遭遇大幅回撤， 因此还需引入拥挤度因子。值得一提的是，日频调仓的动量因子效果极佳， 但考虑到风格研判若频率太高不符合投资实际，因此不予采用。

2.6.3. 拥挤度因子

使用小盘与大盘的相对波动来刻画拥挤度，先根据分位数水平初步判断，超 过向上阈值则认为小盘拥挤，低于向下阈值则认为大盘拥挤。为避免过早发 出信号，结合短周期均线（相对净值的 5 日和 20 日均线互相交叉）确认走 势拐头，才能发出拥挤度信号。

对拥挤度因子进行历史回测。月度调仓，当月若触发过小盘拥挤度信号，则 下月配大盘；当月若触发过大盘拥挤信号，则下月配小盘。拥挤度阈值分别 设置为 1 年分位数的 95%、5%，以大小盘等权组合作为基准，回测区间为 2015/04/30-2024/09/30。拥挤度因子信号月度胜率 57.78%，超额年化收益 2.54%，虽单因子效果不明显，但添加到动量因子上有一定改进。

2.7. 主观分析：月度效应+政策维度

以上部分介绍了量化模型中各维度的打分因子。除了上述考虑的定量分析 方法外，在样本外跟踪时，将主观分析的打分也作为一个等权信号，纳入到 量化模型 6 维度信号中，最终 7 个信号综合得出风格研判观点。 如第一章所述，大小盘轮动在历史上有着明显的月度效应。2、3、5、8 月， 小盘风格明显占优； 1、4、12 月，大盘风格明显占优。在样本外进行跟踪 研判时，也将结合月度效应对量化模型打分进行调整。 此外，政策因素对大小盘风格轮动也有着重要影响，政策的周期性变化也会 影响中长期的风格切换。对于历史回测，政策因素难以定量刻画，因此我们 在样本外会对政策维度进行主观分析，最终叠加在量化模型的打分结果上。 可能影响大小盘风格的政策因素主要包括经济政策和产业政策（技术变革）、 并购重组政策和 IPO 发行节奏等的变化。相比于真实发生的经济数据，政 策带来的预期改变，以及对于政策发布本身的预期，都有可能更早地反应在 市场变化中。

2.7.1. 经济政策历史回顾

经济政策的定调可能带来大小盘风格的切换。通常而言，经济政策展望中的 新兴产业发展政策利好小盘风格，而供给侧结构性改革、基础设施投资等旨 在稳增长的政策则更利好大盘风格。 对每年年末的中央经济工作会议进行历史回顾。2014 年末中央经济工作会 议确立了强化战略性新兴产业与现代服务业支撑的政策导向，随后在 2015 年 3 月推出了“互联网+”战略，加速了成长型行业的快速增长，推动了小 盘风格占优的行情。类似地，2017 年底提出大力培育新动能，强化科技创 新，2020 年底提出的增强产业链供应链自主可控能力均在短期内提升了市 场对小盘成长风格的风险偏好。 此外，2018 年底提出的促进形成强大国内市场，加大基础设施投资力度重 点在稳增长，利好基建产业链等大盘风格相关板块。2015 年底提出的供给 侧结构性改革也增强了大盘股的吸引力。

技术变革与外部环境也可能带动板块主题性行情，从而带动大小盘风格切 换。例如，2013 年 12 月 4 日工信部正式向三大运营商发布 4G 牌照，标志 着全面步入移动互联网时代，科技成长板块行情持续。2023 年 2 月 ChatGPT 爆火直接带动一轮 AIGC 板块行情，小盘风格显著占优；2022 年 10 月美商 务部宣布扩大对华芯片出口限制，“国产替代”逻辑下信创板块收获一轮强 势上涨，2022 年 10 月份计算机行业涨幅位列第一，在此过程小盘风格明显受益。

2.7.2. IPO 发行节奏与并购重组政策历史回顾

IPO 发行节奏在多次经历放缓、加快的周期性变化。历史上一般当 IPO 发 行节奏加快时，由于新上市公司对市场资金的分流对小盘风格影响更大，且 此时小盘股“壳价值”也随之降低，小盘风格往往阶段性跑输。并购重组与 IPO 呈现“跷跷板”效应，在 IPO 发行节奏放缓的时期，并购重组市场往往 比较活跃，并购重组能扩大企业规模，带来盈利的外延式增长，对中小企业 影响较为显著，因此一般当并购重组市场活跃时，小盘风格相对占优。

3. 量化模型回测与结果分析

将上述介绍的宏观、估值、基本面、资金、情绪、量价 6 维度信号综合，各 维度打分统一为 1（看好小盘）、0（中性）和-1（看好大盘），6 维度打分等 权复合，从而输出量化模型的最终得分。下面，对量化模型进行历史回测， 并对历史表现进行分析。历史回测中不引入主观分析部分。

3.1. 回测结果

量化模型月度调仓，若复合打分大于 0，则看好小盘，次月配置小盘；若复 合打分小于 0，则看好大盘，次月配置大盘；若复合打分等于 0，则模型发 出中性观点，次月大小盘等权配置。以大小盘等权组合作为基准，回测区间 为 2013/12/31-2024/09/30。 大小盘轮动量化模型绩效表现：月度胜率达 73.28%；策略年化收益 26.04%， 超额年化收益 17.45%；策略年化波动 24.38%，超额年化波动 9.55%；策略 最大回撤-52.00%，超额最大回撤-14.82%；策略夏普比率 1.07，超额夏普比 率 1.83；策略收益回撤比 0.50，超额收益回撤比 1.18。

考虑到大盘指数沪深 300 中有较多高分红股票，也使用全收益指数进行回 测，结果相近。

统计量化模型逐年逐月的超额收益，从而对历史表现进行更细致分析。逐年 表现：从胜率来看，模型在 2020 年、2021 年表现最佳，胜率达到 83.33%； 在 2016 年、2018 年、2019 年、2023 年表现相对一般，胜率为 66.67%；从 相对于大小盘等权的超额收益来看，模型在历史上的每一年均获得正向超 额收益。

3.2. 几次误判的复盘分析

2022 年 9 月底：模型打分-0.17 略偏向大盘，然而实际该月小盘比大盘的超 额收益达到 11.99%，导致模型相对基准收获了-6.11%的负向超额。 当期，宏观维度指向小盘：流动性整体偏宽松，信用利差处于低位；估值维 度持中性；基本面维度指向小盘：大小盘风格的分析师预期均边际向下，但 后者幅度较低；资金维度指向大盘：5 个资金维度因子中有 3 个发出大盘信 号；情绪维度指向大盘：市场经历了一个月快速下跌，情绪冷淡；量价维度 指向大盘：从长周期看小盘风格处于上行趋势，但短期波动变大触发拥挤度 信号，因此量价维度判断将出现风格切换。

当时的背景，2022 年 9 月前由于外部环境压制风险偏好（美国通胀超预期、 美元指数维持高位、俄乌冲突升级等），大盘连续下跌 3 个月，同期小盘先 涨后跌，后半程跌幅超过大盘。2022 年 9 月底，由于微观层面 3 个维度均 指向大盘，模型看好大盘。之后，从 2022 年 9 月底到 2022 年 10 月底，持 续一个月小盘收获超额，具体可以分为两部分：前一半大小盘同时上涨并且 小盘涨幅更大，后一半大盘明显下跌而小盘横盘震荡。 复盘这段行情，在 2022 年 10 月中的重要会议前，市场有所回暖。在这期 间，10 月 7 日美国商务部宣布扩大对中国芯片及设备的出口限制，“国产替 代”逻辑下信创板块收获一轮强势上涨，2022 年 10 月份计算机行业涨幅位 列第一，在此过程小盘风格明显受益。这给带来启发，在未来的研究中，如 何把握政策影响调整量化模型打分是十分重要的。

2023 年 10 月底：模型打分-0.17 略偏向大盘，然而实际该月小盘比大盘的 超额收益达到 7.14%，导致模型相对基准收获了-3.52%的负向超额。 当期，宏观维度指向大盘：流动性整体偏紧，信用利差处于高位；估值维度 持中性；基本面维度指向小盘：大小盘风格的分析师预期均边际向下，但后 者幅度较低；资金维度指向大盘：5 个资金维度因子中有 3 个发出大盘信 号；情绪维度指向大盘：交投情绪冷淡；量价维度指向小盘：从长周期动量 看小盘风格仍处于上行趋势。

当时的背景，2023 年下半年在弱现实、弱预期的宏观环境下市场持续调整，大小盘均连续下跌 3 个月，其中大盘跌幅略深。2023 年 10 月底，由于宏 观、资金、情绪三维度均指向大盘，模型看好大盘。之后，从 2023 年 10 月 底到 2023 年 11 月底，一个月时间小盘持续上涨而大盘继续回撤，小盘风 格超额明显。 复盘这段行情，2023 年 10 月 23 日中央汇金宣布买入 ETF 且未来还会继续 买，市场情绪受到提振，大小盘一同短暂上涨。之后 10 月 31 日公布的宏 观数据低于预期，在弱现实、弱预期的环境下市场持续调整，在此期间小微 盘风格却走出独立上涨行情。这一轮行情的关键词是“哑铃型策略”，即一 端配置高股息的安全资产打底，一端配置小微盘题材股博取弹性。面对高景 气行业减少、赚钱效应欠佳、资金存量博弈，同时外部风险持续扰动的市场， 市场行情进入到“哑铃型”的状态（2023 年 7-12 月收益，微盘股>中证红 利>中证 2000>中证全指>沪深 300）。量化模型将大小盘作为完全对立的两 面来看待，但在有些历史区间，二者并存（红利可以看作极致的大盘，微盘 股可以看作极致的小盘）的配置方案也可能成为最优选择，如何处理模型层 面对立的二元思维，亦是未来改进的方向之一。

3.3. 全部历史信号

对量化模型全部历史信号进行复盘如下。总共 129 期测试样本中，策略发 出有效信号共 116 次（其中 67 次看好大盘，49 次看好小盘），中性信号共 13 次。有效信号中共 85 次预测正确，胜率 73.28%。

4. 总结

本文研究了风格轮动中的大小盘轮动问题。为了建立尽可能全面的风格轮 动跟踪因子库，本文从宏观、估值、基本面、资金、情绪、量价这 6 个维度 出发，测试并选取在历史上有效的因子。各维度内部的因子信号进行等权复 合，生成各维度信号，若看好小盘则信号为 1，若看好大盘则信号为-1，若 持中性则信号为 0。然后，将不同维度的信号再等权复合，从而得到量化模 型最终打分。对模型进行历史回测，模型在回测期内（2013/12/31-2024/09/30） 表现优秀，月度胜率 73.28%，超额年化收益 17.45%，夏普比率 1.83，收益 回撤比 1.18。 量化模型无法完全刻画市场，还需要考虑月度效应和政策维度进行主观分 析。月度效应方面，统计过去的历史数据，可以发现 2、3、5、8 月小盘风 格占优，1、4、12 月大盘风格占优。政策维度主要关注经济政策、技术变 革、并购重组政策与 IPO 发行节奏等对大小盘风格可能带来切换动能的因 素。在样本外将主观分析的结果也作为一个等权维度的信号，与量化模型 6 维度信号进行复合，从而生成最终风格观点。

通过分析目前模型的不足，我们认为未来的改进思路主要有三点： 一是宏观维度引入经济周期的思想。目前宏观维度简单地使用三个因子的 趋势进行判断，较为粗糙。未来更加完善的做法是对当下所处的经济周期进 行划分，从而判断大小盘风格较为长期的相对优势。再进一步，还可以将各 个因子结合经济周期进行分段，即因子在不同周期下可能有不同的逻辑，从 而进行更细致的分析。 二是如何确定各维度权重，把握主线维度。目前对各维度信号进行等权汇总， 但实际上有些维度不起主导作用，有些维度可能已经定价，在预测未来走势 时需要找出真正起主导作用且未被充分定价的维度，赋予更高权重。 三是如何在模型层面兼容“哑铃型策略”。目前的量化模型把标的资产作为 Y，因子作为 X 去构造映射函数，无法兼容“哑铃型策略”这种两头配置的 思路。未来如何在模型层面去实现这一效果，也是改进思路之一。

编辑：火腿肠