2025年金融工程专题报告：相对收益解决方案，以个股截面增强与市场多空分域构建低换手风格轮动策略

1. 引言

近年来，A 股市场的风格轮动效应显著，但风格特征趋于极致化，资金流的变化成为 影响风格轮动的重要因素。存量资金的内部流动和增量资金的边际变化共同驱动了 市场风格的分化与收敛，形成了周期性的轮动效应。 传统风格轮动策略在预测稳定性方面存在不足，主要受限于因变量样本量较少、市场 风格的非线性与动态变化，以及数据频率与预测周期的匹配问题。 为应对这些问题，本文引入多因子风格增强矩阵进行截面增强提升风格因子的风险 收益比；以多维度择时模型进行市场多空分域划分。最终，以个股截面增强与市场多 空分域构建低换手风格轮动策略，实现较高相对收益且低换手的全天候风格轮动资 产配置策略。

2. 风格轮动策略特征

2.1A 股具有显著的风格轮动效应，但近年风格特征趋于极致化

2.1.1 资金流的变化影响风格的轮动

风格本质是不同类型股票的涨跌分化现象，资产价格的涨跌受资金的流入与流 出影响，同时风格的分化不能一直持续，当风格从理性的投资决策变成投资信仰，风 格分化因脱离基本面的支撑而难以持续，过度的分化使得风格反向收敛，形成周期性 的轮动效应。 资金流的变化可分为市场存量资金的内部流动和增量资金的边际变化： (1) 存量资金：投资者基于个股质地、行业趋势、宏观经济多维度做的投资决策。当 市场形成共识时，存量资金流入特定的行业或风格、加速资产价格分化。 (2) 增量资金：反映了居民配置风险资产需求。当市场上涨刺激配置需求，风险偏好 的推升带动风险资产价格上涨，形成资金流入的正向循环，新流入的资金进一步强化 风格形成。

2.1.2 近三年风格呈现极致化

市值风格：2023 年以来主流市值（大盘、中盘、小盘）风格收益率趋同，微盘风格 表现突出。

成长、价值风格：2023 年以来成长风格回撤、波动较大，价值风格整体表现较优。

成长、价值风格因子：拆解到因子层面来看，价值因子近三年收益表现稳定。

过去一年，每月胜出风格：2024 年全年，红利风格整体表现最好，估值风格胜率较 低。

2.2传统风格轮动策略的预测稳定性不足

传统风格轮动策略通过捕捉不同市场风格（如价值、成长、动量等）的相对表现，试图在不同市场环境下实现超额收益。然而，这种策略在实际应用中面临预测稳定性不 足的问题，主要体现在以下几个方面。

2.2.1 因变量相较于股票多因子模型较少

在股票多因子模型中，因变量通常是股票收益率，而自变量（因子）包括价值、动量、 质量、波动率等多种特征。由于股票数量庞大，多因子模型可以利用丰富的横截面数 据，通过统计方法（如回归分析）提取有效的因子暴露和收益预测。 相比之下，传统风格轮动策略的因变量通常是风格指数的收益率或风格之间的相对 表现。由于风格指数的数量有限（如价值指数、成长指数、动量指数等），因变量的 样本量显著少于股票多因子模型。这种数据稀缺性导致以下问题：

1、统计显著性不足： 风格轮动策略的预测模型通常基于时间序列数据，而时间序列数据的样本量远 小于横截面数据。这使得模型的参数估计和预测结果更容易受到噪声干扰，统计 显著性较低。 2、模型过拟合风险： 在样本量有限的情况下，复杂的预测模型（如机器学习模型）容易过拟合历史数 据，导致在样本外表现不佳。 3、因子选择受限： 风格轮动策略的因子选择通常局限于风格指数本身的特征（如价值与成长的估 值差异），难以引入更广泛的宏观经济因子或市场情绪因子，限制了模型的预测 能力。

2.2.2 市场风格的非线性与动态变化

市场风格的表现往往具有非线性和动态变化的特征，这进一步加剧了风格轮动策略 的预测难度： 1、风格轮动的非线性： 风格之间的相对表现并非简单的线性关系，而是受到市场情绪、宏观经济环境、 政策变化等多种因素的共同影响。传统的线性模型难以捕捉这种复杂的非线性 关系。

2、风格轮动的动态性： 市场风格的主导地位会随着时间变化而切换。例如，在经济复苏期，价值风格可 能表现优异；而在经济衰退期，防御性风格可能更具吸引力。这种动态变化使得 基于历史数据的预测模型难以适应未来的市场环境。

2.2.3 数据频率与预测周期的匹配问题

风格轮动策略的预测周期通常较长（如月度或季度），而市场风格的表现可能在更短 的时间尺度上发生变化。这种数据频率与预测周期的不匹配可能导致以下问题： 1、信号滞后： 基于低频数据的预测模型可能无法及时捕捉市场风格的切换，导致策略的信号滞 后，错失最佳调仓时机。 2、噪声干扰： 在较短的时间尺度上，市场风格的表现可能受到噪声的干扰，导致预测模型的稳定 性进一步下降。

3. 多因子风格增强策略矩阵

3.1通过截面增强策略提升风格因子的风险收益比

国联民生金工风格增强指数通过量化方法对各类风格指数进行增强，相对原本风格 因子具有较为优秀的增强功能。

3.2增强后的部分风格具备全天候的稳定收益价值

以红利增强指数为例，增强后的红利风格指数，具有全天候超额收益增长较为稳定， 低回撤，高夏普等特点。

国联民生金工红利增强指数自 2014 年以来年化收益率 22.12%，相对原本红利风格指 数年化超额收益率 17.82%。

4. 基于成熟的多空择时策略分域因子轮动

4.1国联民生金工——多维度择时模型

4.1.1 宏观、中观、微观信号的大周期择时模型

根据宏观、微观、中观信号将 A 股周期划分为 9 个状态，分别对应多空信号形成三维 大周期择时信号。

4.1.2 基于日内股指期货基差信号的高频择时模型

在理想状态下，如果全市场套保者和投机者的结构是稳定的，那么在高频分钟层面上， 基差应该是平稳的，高频基差变化和行情变化的相关系数（即全域相关系数）应该接 近于 0。但现实情况却是全域相关系数会随着贪婪抑或恐慌情绪的传播会出现明显的 抖动，这也就为捕捉市场情绪提供了一个视角。 构建信号值步骤： 1. 将原始的日频相关系数进行 N 日的算术平均，降频处理； 2. 将算术平均值进行 M 日的排序，归一化处理； 3. 归一化处理的信号值对未来收益进行 IC 测试； 4. 得到归一化的信号值后对未来 T 个交易日进行 IC 矩阵测试。

4.1.3 择时策略 2024 年样本外运行胜率

2024 年全年，以中证 500 与 IC（中证 500 期货）基差构建的择时信号，累计 5 个波 段，信号持有 20 日胜率达 89.36%，累计收益 13.90%。

三维度择时叠加衍生品择时信号的多维度择时策略，在 2024 年全年样本外相对中证 500 指数累计超额 29.98%。

4.2风格增强指数特征

4.2.1 全样本高相关性，分年度来看各类因子相关性分散度较高

分年度来看，大部分因子之间的相关性并不稳定，不同经济周期下下因子表现规律不 一致。

4.2.2 分域风格增强策略统计表现

基于三维度择时信号和股指期货择时信号，上述风格因子在不同多空信号分域的累 计收益表现如下： 红利增强组合在各个分域都表现优异； 大周期模型为空头信号下，红利、质量、低波因子表现较好； 大周期模型为多头信号下，除红利外，成长、动量因子表现较好；

4.3基于市场多空分域的风格指数配置

4.3.1 市场多头分域配置：红利增强、动量增强、成长增强

红利、动量、成长风格在大周期择时模型多头时表现较好。

4.3.2 市场空头分域配置：红利增强、低波增强、质量增强

红利、低波、质量风格在大周期择时模型空头时防御性较强。

5. 构建低换手的稳健风格轮动策略

5.1以红利增强作为底仓的组合构建

基于格因子在各个择时周期的表现，形成以下配置策略： 1、大周期择时模型多头时配置红利、动量、成长增强风险预算模型，预算比例为 （3：2：1）； 2、大周期择时模型空头时配置红利、低波、质量增强风险预算模型，预算比例为 （3：2：1）。

5.2风格轮动策略绩效表现

策略在 2017 年 1 月 3 日至 2025 年 4 月 25 日相对中证全指年化超额收益 17.94%，年 化收益率 17.52%，年化波动率 14.82%，最大回撤-19.24%，组合年化换手率约 12.9%。 截至 2025 年 4 月 25 日，最新大周期择时信号为多头；配置红利、动量、成长风险预 算模型，红利风格权重 56.13%，动量风格权重 29.85%，成长风格权重 14.02%。

（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。）