2025年投资策略专题报告：超越基准，组合管理2.0

1. 如何挑选一个“好”的基准

1.1 公募基金相对基准的表现

不论美股还是 A 股，不论胜率还是赔率，权益基金跑赢基准指数的难度都很高。 过去近 20 年，A 股主动权益基金年度跑赢基准的比例平均在 50%左右，而美股这一 数值仅约 35%。即使拉长考核周期，按滚动 3 年的累计收益来看，胜率也并未显著超 过 50%。即使我们假定投资者可以完全不在乎波动而长期持有基金，计算按基金规模 加权处理后的收益率，行业整体也并未给投资者带来超越基准的回报。

1.1.1 沪深 300 是主动型公募基金最常用的业绩基准

从组合的基准指数顺次来看，主动型基金的第一基准指数以权益指数为主，第 二、三基准指数则更多为债券指数。而权益指数中，选择将沪深 300 作为基准的基 金产品比例更高。我们将银行间存款利率剔除，不考虑基准组合形式，对主动型基金 的业绩基准指数进行梳理。其中，第一基准指数主要是权益指数，且数量分化明显， 沪深 300 和中证 800 的数量占比合计超 60%，其余多为宽基指数和主题指数。而第 二、三基准指数多为债券指数，包括各种中债指数、国债指数、中证全债等；第四基 准指数多为港股相关宽基或行业指数，主要由于对应基金多为港股相关产品。

跟踪沪深 300 指数的主动型基金规模占比自 2010 年以来大幅下滑，近几年中证 800、港股以及部分新兴产业主题指数的规模占比明显提升。基金规模方面，从跟踪 相应基准指数的基金规模占比来看，沪深 300 指数的规模占比从 2009 年底的 80%左 右降至 2025 年一季报的不到 50%，与此同时上证 A 指、中证全债的占比也有所下降。 从近几年来看，2025Q1 年相较 2020 年规模占比提升较多的包括中证 800、800 医药、 内地低碳、智能制造、港股综合、中证全指半导体、中证新能等，规模占比下降较多 的包括沪深 300、中证新兴、内地消费、中证 700、中证 TMT、MSCI 中国 A 股等。

1.1.2 虽然基金长周期跑赢基准，但超额来源相对单一，均源于新兴产业 趋势

长周期来看，公募基金大幅跑赢基准，表现出低风险、高回报的特征。自 2011 年以来，普通股票型基金指数（等权）显著跑赢除中证红利全收益外的其他宽基指数， 呈现低风险、高回报特征。但按规模加权计算，无论是混合型基金还是股票型基金整 体表现均未能超越沪深 300 全收益，未体现出显著超额收益。近三年，基金整体业绩 明显下滑，无论等权或加权指数，均未能跑赢沪深 300、中证 800、中证 500、中证 700 及中证红利，仅优于新兴成指。

公募超额来源的宏观背景相对单一，均在新兴产业驱动的牛熊周期中超额明显 （2013 年,2019 年-2021 年）。将 2008 年以来的 A 股市场划分为 6 轮牛熊周期，分别 是：1）2008 年 11 月-2012 年 11 月：全球金融危机后，“一揽子”刺激驱动的复苏行 情；2）2012 年 11 月-2014 年 5 月：“互联网+”主题行情；3）2014 年 5 月-2016 年 1 月：杠杆融资推动的快速牛熊；4）2016 年 1 月-2019 年 1 月：供给侧改革与结构 性行情；5）2019 年 1 月-2024 年 9 月：新能源主导的成长牛市；6）2024 年 9 月至 今：“924”行情。在这六轮中，仅“互联网+”（2012/11–2014/5）与新能源（2019/1– 2024/9）两轮主题驱动行情中，公募基金相较沪深 300 全收益指数取得显著超额。其 余阶段，公募整体未能跑赢基准，显示超额收益主要源于对新兴产业趋势的把握，而 在缺乏明确产业主线的行情中，超额表现有限。

1.1.3 跑赢基准有多难？——单年度看，A 股年均仅 55%的产品打败基准

单年度来看，A 股长期年均仅 55%的产品打败基准，美股为 36%。2007 年至今， A 股每年跑赢沪深 300 全收益指数的平均比例为 55%，而美股跑赢标普 500 的比例仅 36%。 从滚动 3 年维度观察，挂钩沪深 300 的产品胜率与赔率均最低，挂钩中证 700 的表现最佳。按公募基金常用的 3 年考核期回测沪深 300、中证 800、中证 500 及中证 700 这 4 个主流宽基基准，结果显示：1）胜率维度（3 年中，月度相对涨跌幅大 于 0 的比例），中证 700 高于中证 800 和中证 500，高于沪深 300。2）赔率维度（滚 动 3 年相对涨跌幅的均值）：中证 700 高于中证 800、中证 500 和沪深 300。综合来 看，挂钩中证 700 的基金在 3 年期相对表现上胜率与赔率均占优。但考虑到挂钩中 证 800、中证 500 和中证 700 的产品数量远少于沪深 300，结果的稳健性可能有所欠 缺，我们将在下文中更细致地讨论一个“好”的基准应该具备的几个特征。

对行业风格突出的主动股票型基金，将基准替换为对应行业指数，并不必然改 善相对表现。历史数据来看，“医药”型和“大金融”型产品可以改善。样本为成立 满 3 年的主动股票型基金，根据持仓行业暴露度进行分类：在周期制造、消费、医 药、科技、金融地产、稳定六大板块中，单一板块暴露超过 50%的划为对应行业型， 否则定义为宽基型。将行业型基金的基准替换为对应行业指数后，按滚动 3 年计算 胜率（相对涨跌幅>0 的月份占比）与赔率（相对涨跌幅均值），结果显示，仅“医药” 型与“大金融”型产品的胜率和赔率显著提升，其余行业型基金无明显改善。

按新的浮动费率模式模拟过去基金产品的实际费率，只有约 3 成比例的产品和 基金经理能够拿到最高档费率（1.5%），有约 3 成比例的产品和基金经理只能拿到 0.6% 费率。浮动费率模式下的 3 档收费标准细则为：1）低档：当基金的年化收益率低于 等于基准 3%时，基金收取 0.6%的固定管理费率。2）升档：当基金的年化收益率超过 基准 6%且为正收益时，基金可以收取 1.5%（固定+或有+超额）的管理费率。3）基础： 当基金的年化收益率不属于低档或升档的情景时，基金可以收取 1.2%（固定+或有） 管理费率。

1.2 “好基准”应当具备的两个特征

一个“好”的基准，应当具备两方面特征：一是具备超额收益（alpha）的成分 股比例更多，容易选中优质个股；二是权重足够分散，权重上优化的空间更多。如果 基准中大市值个股权重过高，这些个股本身涨幅又较好，而具备超额收益的中小市值 个股占比较低，那么该基准在主动管理中就天然难以获得超额表现。标普 500 与沪 深 300 正是典型例子：权重集中于大市值龙头，且这些龙头的市场表现往往强于大 盘，留给主动管理的可增强空间有限。相较之下，中证 700 和中证 500 的权重分布更 均衡，中小市值成分多，具备超额收益潜力的标的覆盖面更广，因此对于追求增强收 益的投资策略而言，更具可操作性与提升空间。

1.2.1 特征 1：选股胜率高，具备 Alpha 的个股比例更高

选股胜率维度，指数成分股内部有超额收益的个股比例越高，越容易增强指数， 选到有 Alpha 个股的概率越大。无论是年度平均，还是 2016 年至今，统计沪深 300、 中证 800、中证 500、中证 700 及标普 500 成分股的相对表现发现，中证 700 和中证 500 在超额收益与超额 Sharpe Ratio 两个维度上均表现突出，跑赢指数的个股占比 高于其他指数；而标普 500 成分股的潜在 Alpha 极低，无论是超额收益比例还是超 额 Sharpe Ratio，均远低于 A 股宽基指数，这也在一定程度上解释了标普 500 指数 长期跑赢的难度。

1.2.2 特征 2：收益集中度低，头部个股权重越高、涨幅越好的指数越难 跑出超额

个股权重越集中且头部个股涨幅越高，意味着收益集中度越高（抱团缩圈），理 论上更难跑出超额。将成分股按 2010 年–2024 年平均权重从小到大分为 10 组，并 计算各组成分股的平均涨跌幅发现，沪深 300 权重高度集中，第 7–10 组高权重股 的涨幅显著更高；中证 500 和中证 700 的权重及涨幅分布则相对均衡。中证红利虽 在权重与涨幅分布上较均匀，但因成分股数量较少，头部权重占比依然偏高，跑赢难 度同样较大。

横向比较宽基指数的权重分布对指数涨幅的贡献发现，中证 800 中权重前 10%的 成分股贡献接近 50%，沪深 300 和标普 500 的头部贡献也均超过 40%，集中度较高； 相比之下，中证 500 和中证 700 头部权重股对涨幅的贡献相对较小，权重层面的增 强空间更大。

2. 超额收益的风筝线，在合理约束下去偏离

2.1 引言：如何打败基准，基于约束视角拆解基金收益率

打败基准有多难？——主动权益基金跑赢基准指数的年度胜率约为 50%-60%，但 每年战胜基准比例波动较大。本章内容基于基准锚定沪深 300 指数的偏股型基金为 统计样本展开研究，统计区间为 2010 年 1 月 1 日至 2025 年 6 月 30 日，基金样本池 的选取需满足以下条件。①主动股票型基金：即基金分类为普通股票型、偏股混合型、 平衡混合型和灵活配置型；②以沪深 300 指数为基准的基金：沪深 300 指数占业绩 比较基准中的绝大多数权重，即权重大于等于 55%；③存续时间不短：基金成立日期 早于 2022 年年初。 总体来看，多数基金胜率在 40%至 70%之间，胜率分布近似为正态。只有极少数 基金可以长期跑赢基准，同样长期跑输基准的基金也较少。分年度看，各年度战胜基 准比例稳定性较弱，2021 年至 2024 年胜率大幅持续下滑。

在偏股基金的基准设置环节中，沪深 300 指数的权重设置或尤为讲究。历史经 验来看，权重和胜率呈现正比关系，基准中沪深 300 权重越高，基金战胜基准的胜率 越高。而权重和赔率呈现“倒 U 型”关系，适中权重对应的赔率较高，两端权重对应 的赔率较低。综合来看，通过设置合适的权重，或可在牺牲小幅胜率的条件下，大幅 提高赔率。由于权重设置并非本章的重点，故此处不多做展开讨论。

如何打败基准？——超额表现源于对基准的偏离，但价值的实现有赖于偏离的 正确性，即合理约束下偏离。基于约束视角拆解基金收益率，“跑赢基准问题”转化 为“多维度约束下的最优化问题”。 在策略构建的各个环节中，投资者都应充分发挥工匠精神。鉴于策略选择并无绝 对普适的“最优解”，但投资者必须深刻认识到其决策应紧密围绕策略目标进行审慎 权衡。短期内看似微不足道的选项，其长期累积效应或边际贡献往往随时间推移而显 著显现。在约束框架下审视策略构建，策略构建的每一环节都不可避免地受到关键制 约因素的影响。这些因素并非孤立存在，而是交织形成四类结构性的核心挑战。 风格&行业约束——问题一：相较于基准，基金产品的风格偏离和行业偏离应控 制在什么区间？偏离的合理安全阈值是多少？ 选股能力约束——问题二：投资者自身选股能力如何？对于偏离约束及仓位约 束的异质性影响如何？ 总仓位约束——问题三：现金仓位和总权益仓位如何分配？总权益仓位中，跟 踪基准仓位和超额收益仓位又应如何权衡？ 跟准基准——问题四：设定好跟踪基准仓位后，应如何用最少的个股稳定跟踪 基准？不同宽基指数基准的跟踪难度是否有区别？

如何定义偏离？——基于核心风格因子“复制”指数收益，将区间收益解释为各 类风格的贡献。我们构建的收益拆解模型，可以将任一产品通过风格因子捏合。将产 品拆解所得风格权重与基准拆解所得风格权重作差，差值则为各类风格上的偏离度。 在计算行业偏离时，方式相同，基于申万一级行业因子复制指数收益，将区间收益解 释为各行业的贡献。

2.2 风格偏离：适当偏离或可小幅牺牲胜率大幅提升赔率

相较基准，主动权益的风格普遍偏向哪里？——主动权益主要偏向质量、景气 和动量，几乎不配低估值、红利和低波动。2010 年以来，偏股混合型基金主要由质 量、景气和动量构成，较沪深 300 在质量、景气和动量上分别偏离 8%、16%和 13%。

不同基金经理，风格偏离有哪些不同的特点？——大部分基金经理偏离适中， 小部分基金经理偏离极端，极少数基金经理处于几乎不偏离状态。从不同维度的偏 离指标来看，偏离分布都近似正态，略微左偏但右侧厚尾。

在不同风格上，有偏离的人有多少？——偏质量风格的人最多，且“豪赌”质量 风格的人也最多。约有 89.6%和 89.3%的基金产品在质量和动量风格上存在偏离。

基金经理的主风格（偏离最多的风格）都是什么？——绝大多数基金往质量、动 量和景气风格偏离。不到 5%的基金产品，主风格在低波、红利等价值类；超过 60%的 基金产品，主风格在质量、景气等成长类。

把基准换成风格指数是否更加“合适”？——偏成长风格基金的胜率分布显著 改善。照各基金的最大偏离风格，将其基准换成对应的风格指数，重仓质量或景气风 格的基金胜率普遍提升，重仓低估值或低波或红利风格的基金胜率普遍下降。

平均风格偏离度控制在什么区间内比较好？——适当的风格偏离可以小幅牺牲 胜率大幅提升赔率，但波动率也会显著加剧。对比不同平均风格偏离度下，基金的胜 率、赔率、波动率和实现规模增长的比例，我们发现风格偏离对胜率的影响呈阶梯型， 即超过一定偏离后，偏离对胜率的影响趋近于零；风格偏离对赔率和波动率均呈单调 正相关；风格偏离和产品实现规模增长或并无关系。

最大风格偏离度控制在什么区间内比较好？——适当风格偏离可以提升赔率， 但过度风格偏离会使得胜率和赔率双双下降，赔率或是影响基金规模增长的核心因 素。对比最大风格偏离所属风格分类下，基金的胜率、赔率、波动率和实现规模增长 的比例，我们发现第一大重仓超配动量风格的产品具有最低的胜率、最高的波动率和 最高的赔率，实现了较高比例的规模增长；但第一大重仓超配质量风格的产品具有较 低的胜率、较低的波动率和最低的赔率，但却实现了最低比例的规模增长。

2.3 行业偏离：极端偏离会导致赔率大幅下降且胜率极低

不同基金经理，行业偏离有哪些不同的特点？——大部分基金经理偏离适中， 小部分基金经理处于几乎不偏离状态，极少数基金经理偏离极端。从不同维度的偏 离指标来看，偏离分布都近似正态，但行业偏离分布与风格偏离分布略有差异，呈现 略微左偏但左侧厚尾。这意味着极少数基金经理会选择极端的行业偏离，大多数基金 经理还是会倾向于“行业中性化”；但是不少的基金经理会选择极端的风格偏离，对 于“风格中性化”的关注较弱。

在重点行业上，有偏离的人有多少？——偏食品饮料行业的人最多，大幅偏离 电力设备行业的人最多。约有 80.5%和 79.8%的基金产品在食品饮料行业和电力设备 行业上存在偏离，此处衡量的是长区间的偏离情况，与单一横截面基金的超配比例略 有差异。

哪些行业最受基金欢迎（偏离最多的行业）？——绝大多数基金往电力设备、食 品饮料和电子等行业偏离。约 32.3%的基金产品，第一大重仓超配行业是电力设备； 约 18.9%的基金产品，第一大重仓超配行业是食品饮料。

平均行业偏离度控制在什么区间内比较好？——极端的行业偏离会同时拉低胜 率和赔率。对比不同平均行业偏离度下，基金的胜率、赔率、波动率和实现规模增长 的比例，我们发现行业偏离度小于一定阈值时，偏离对胜率的影响趋近于零；行业偏 离对赔率和波动率均呈单调正相关；行业偏离和产品实现规模增长或并无关系。

最大行业偏离度控制在什么区间内比较好？——极端的最大行业偏离会导致赔 率大幅下降且胜率极低。对比最大行业偏离所属行业分类下，基金的胜率、赔率、波 动率和实现规模增长的比例，我们发现第一大重仓超配电子行业的产品具有高波动 且高收益的特征，且实现规模增长的概率高。但与风格不同，行业层面暂未发现影响 基金规模增长的核心因素。

2.4 约束边界：要想胜率赔率兼顾，合适的约束边界在哪里

如何定义业绩优秀？——不能从跑赢基准的角度出发，赔率和胜率应兼顾。我 们认为，优秀的基金产品应同时具备高胜率和高赔率的特质。横向比较，选取胜率和 赔率均处于前 40%分位数的基金产品为优秀基金样本；胜率和赔率均处于后 40%分位 数的基金产品为普通基金样本。

想要业绩优秀，合适的约束边界在哪里？——重仓风格超配比例低于 25%，重仓 行业超配比例低于 20%，前十大个股占比介于 45%-65%之间，成为优秀基金的概率更 高。对比优秀基金样本和普通基金样本的风格偏离度、行业偏离度和持股集中度分布， 我们发现优秀基金的最大风格偏离和行业偏离普遍较低，存在明显的安全分割线。

简单而言，对于以沪深 300 指数为基准的基金产品——质量风格仓位控制在 50% 以内，景气风格仓位控制在 40%以内为佳；电子行业仓位控制在 30%以内，食品饮料 行业仓位控制在 28%以内为佳。

不改变基金持仓，将偏离过大的风格压回到合理的偏离约束范围后，基金是否 会“变好”？——全体维度来看，收益分布显著更优。对比偏离度约束前后基金产品 的收益率分布，结果来看尽管收益极端高的基金比例有所下降，但业绩极端差的基金 比例下降更多，分布整体往中间收缩。在全局层面上，基金产品的收益率改善明显。

“不可能三角”——业绩优秀的人里，几乎不会同时出现风格集中、行业集中、 个股集中的“三集中”现象，但至少有一个维度有较高的偏离。在前文中，我们探讨 了基金在风格、行业和个股各自维度上的合适约束边界，此处将三者结合来看试图找 到一些规律。基于三者不同分位数分组下的业绩表现，核心结论如下： 1）若风格、行业、个股都很集中，似乎业绩表现并不优秀；但若三者都过于均 衡，业绩表现也较为平庸。 2）大部分的优秀管理人，在风格和行业层面都有较好的偏离控制。 3）个股集中度对于业绩表现的提升有一定效果，但前提条件是管理人在风格和 行业层面的适度偏离。

2.5 选股能力：基于选股能力强弱，偏离约束上有什么区别

如何定义选股能力？——基金经理的全部持仓个股，在未来 1 个月和 3 个月跑 赢基准的胜率。其中，总体选股能力可以进一步细分为选行业β能力，即全部持仓所 涉及的行业跑赢基准的胜率；以及选股α能力，即个股跑赢所属行业的胜率。历史数 据来看，基金经理总体选股胜率在未来 1 月和 3 月维度上较为稳定。选行业β能力 随时间变化较大，未来 3 月较未来 1 月的胜率显著提升。选股α能力随时间变化的 方向与选行业β能力相反，未来 3 月较未来 1 月的胜率显著下降。

选股能力和业绩有多大关系？——能不能选对能跑赢行业的个股，比选对跑赢 基准的行业更重要。对比未来 1 月维度和未来 3 月维度上，基金经理的选股能力和 基金业绩表现（赔率和胜率）的相关性。 结果来看，在月度维度上，选行业β能力对于基金业绩的作用近乎无效。或因市 场波动与行业轮动频繁，导致选行业β能力难以转化为持续业绩贡献。 在季度维度上，选股α能力远比选行业β能力重要。随着短期噪音消散，选股α 能力成为驱动基金业绩的核心引擎，其贡献率在总体选股能力中占比极高，选行业β 能力的影响则相对式微。此外，随着评估周期拉长（月度到季度），选股能力的价值 逐渐凸显。

广义来看，越重仓的行业，选对跑出行业超额的胜率是否越高？——多数基金 越重仓的行业，选股能力其实并不突出。计算每支基金产品在各行业的偏离度及其在 各行业的选股α能力之间的相关性，历史数据来看，仅 17%的基金产品在其重仓行业 具有一定的选股胜率优势。

若只看最重仓行业，选对跑出行业超额的胜率是否越高？——其选股胜率确有 一定优势，半成以上基金最重仓行业选股胜率高于其它行业。放松约束，关注基金的 最大偏离行业与该行业选股α能力之间的关系。历史数据来看，在未来 1 月维度上， 约 64%的基金最重仓行业选股胜率高于总体选股胜率。在未来 3 月维度上，约 54%的 基金最重仓行业选股胜率高于总体选股胜率。

基于选股能力的强弱，在偏离约束上有什么区别？——选股能力强的基金经理， 其风格和行业偏离反而不会过于夸张。直觉上我们常会认为，一个选股能力很强的基 金经理，会对个股更加自信且更加重仓，从而很容易形成风格和行业的过度集中。 但事实上，基于客观数据，选股能力强、业绩又好（胜率&赔率都高）的基金经 理，反而很少出现重仓同一个风格或者行业的情况。反而选股能力较弱的基金经理可 能在风格偏离和行业偏离上有较弱的约束边界。

2.6 仓位管理：不同偏离特征的人应如何进行仓位管理

现金仓位、跟踪基准仓位和超额收益仓位三者间，是否存在权重分配的最优解？ ——仓位管理其实本质上是胜率和赔率的权衡，所谓的“最优解”其实也因人而异。 模拟不同仓位组合下基金产品的业绩表现，结果来看赔率和胜率的规律并不一致。① 固定现金仓位时，随着跟踪基准仓位的提高，赔率会单调性下降；胜率则呈现先提升 或持平，而后逐渐下降。②固定跟踪基准仓位时，随着现金仓位的提高，赔率同样会 单调性下降；胜率则呈现先上升后下降的形态。 结合胜率和赔率来看，比较高性价比的长期仓位比例大约为：20%-30%的现金仓 位，即 70%-80%的总权益仓位。细分来看，0%-20%跟踪基准仓位搭配 60%-80%超额权 益仓位较为合适。

不同风格偏离特征的人怎么选？——风格偏离或行业偏离越极致，超额收益仓 位的分配或应越低。尽管进行风格或行业偏离能带来超额，但风险敞口也随之扩大。 在投资组合管理中，通过仓位管理夯实安全基础也是至关重要的。基于基金产品的风 格偏离度和行业偏离度进行分组，分别模拟不同仓位组合下基金产品的业绩表现。随 着偏离度的增加，性价比较高的“最优解”会朝向表格的右下方移动，即更高的跟踪 基准仓位和更高的现金仓位。

2.7 跟踪基准：如何用最少数量标的跟住基准

在合理约束下，适度偏离基准有助于获取超额收益，但主动型基金经理同样需 要具备性价比的跟踪方式。60 只以上权重股可稳定跟踪沪深 300 和中证 800，而中 证 500 和中证 700 较难跟踪。通过选取前 10 至前 100 只权重股跟踪基准，并从两方 面评估：1）跟踪误差：滚动 3 年相对基准涨跌幅均值，反映平均偏离程度；2）跟踪 风险：滚动 3 年相对基准最大回撤均值，反映最大可能跑输幅度。结果显示，沪深 300 和中证 800 因权重与涨幅集中，跟踪难度较低，配置 60 只以上权重股即可稳定 贴近基准；而中证 500 与中证 700 的权重分布更分散，稳定跟踪的难度明显更大。

同样地，对于基金经理相对不擅长的行业，也可采用简化的选股方式实现有效 跟踪。回测显示，配置 6–10 只权重股即可较好地跟踪多数一级行业指数。从跟踪 误差维度看（滚动 3 年相对基准涨跌幅均值，反映平均偏离程度），多数行业使用 4– 10 只权重股即可获得一定程度的正超额；从跟踪风险维度看（滚动 3 年相对基准最 大回撤均值，反映最大可能跑输幅度），多数行业配置 6 只及以上权重股即可将风险 控制在 20%以内。需要注意的是，不同行业的权重集中度、成分股波动特性及主题驱动因素差异较大，导致跟踪难度天然存在差异，行业跟踪策略应结合行业特征灵活调 整。

3. 如何跑赢基准？——Sharpe Ratio>1 的风险凹 性策略

我们的目标是构建一个 Sharpe Ratio>1 的策略，也最终构建了一个年化收益 20%， 波动率 15%，最大回撤 16%的策略。我们主要用了两种方式对策略进行增强： 1） 资产选择：我们根据市场所处的波动率水平选择不同风格：在低波动环境下， 选择低估值+质量的混合风格达到攻守兼备的效果；在中波动环境下，选择低 估值风格适当进行防御；在高波动环境下，选择小市值风格博取高弹性。 2） 市场择时：我们同时使用了一个代表市场位置的指标和一个趋势性指标，从 市场中筛选出斜率最高的时间段，进行满仓配置，并在其他斜率比较平缓的 时间段进行半仓配置，达到控制风险的效果。

3.1 策略的底层资产——Smart Beta 因子

在 Sharpe Ratio>1 的策略中，我们选取自研的 8 个 Smart Beta 因子作为底层 资产，因子从进攻性最强到防御性最强依次为：动量、小盘、质量、景气、价值、红 利、低波、大盘。 因子成分股的筛选标准为：全 A 市值在 50 亿元以上、且非 ST 股票。因子成分 股每年换仓三次，均安排在财报完全披露之后执行。各因子的具体构建方法如下图所 示。 从长期回测表现来看，8 个因子的收益能力排序为：质量 > 价值 > 小盘 > 动 量 > 红利 > 低波 > 大盘 > 景气。这一结果表明，质量与价值类因子在长期具备 更稳健的超额收益能力，而动量、小盘等进攻性因子在特定市场阶段表现突出；红利、 低波等防御性因子虽收益略低，但在波动控制和回撤管理方面具备优势。

3.1.1 低相关的质量、低波、动量因子混合后，收益提升、风险降低

根据相关性分析，Smart Beta 因子可大致分为三类：第一类为质量，第二类为 动量、小盘、景气，第三类为价值、低波、红利、大盘。三类因子之间的相关性整体 较低。统计 2010 年以来的数据发现，红利、价值、低波、大盘在超额收益与绝对收 益维度的相关系数均较高，达到 70%以上；在超额收益方面，质量与大盘的相关系数 最高，为 0.36，而动量、景气、小盘之间的相关性也相对较高。这说明同类因子往 往在市场周期中呈现相似的表现模式，而不同类别因子之间能够提供一定的分散化 收益机会。

低相关性的因子在组合后，往往能够提升整体收益率。在此前的《资产管理的工 业化——组合管理新时代》报告中也指出，因子之间若具备较低相关性，通过多样化 组合不仅可以降低组合波动，还能提升长期回报。具体来看，我们将两个因子各自暴 露度排名前 400 名的个股取交集，发现收益表现突出的混合因子组合包括景气+小盘、 质量+小盘、动量+低波，这些因子之间的相关性均较低，从而形成了更优的风险收益 特征。

相关性最低的三个因子——质量、低波、动量，在组合后呈现出“收益高、回撤 小”的特征，可作为获取超额收益的 Alpha 增强因子。具体方法是，将这三个因子按得分方式加总，并选取整体排名靠前的 100 只个股构建质量低波动量因子。回测结 果显示，该混合因子在收益率、波动率、收益波动比及最大回撤等指标上均明显优于 单一因子，且超额收益表现突出，体现了低相关性因子组合带来的显著优势。质量因 子提供了稳健的基本面支撑，低波因子在控制风险方面具备天然优势，而动量因子则 捕捉市场趋势带来的进攻性收益。三者在市场驱动逻辑上差异明显、相关性低，能够 在不同市场阶段形成互补，从而提升组合的风险调整后收益，并增强在多种市场环境 下跑赢基准的能力。 除此之外，我们还构建了一个顺周期因子，其与 A 股市场走势及公募基金净值 的相关性较高，但整体收益表现更优，可作为 Beta 增强工具。该因子的构造方法为： 在全 A 股中筛选市值 50 亿元以上且非 ST 股票，计算个股与 PMI、M1 增速在过去三 年的滚动相关性，并选取相关性最高的 100 只个股构成顺周期组合。因子每年换仓 三次，均在财报完全披露后执行。顺周期因子能够在经济上行和流动性改善的阶段捕 捉市场的系统性上涨机会，放大 Beta 收益。

3.1.2 稳健性验证：单一特征的“短板”，对复合因子的影响不大

在构建复合因子时，单一特征的“短板”并不会显著影响复合因子的最终表现。 例如，质量低波动量因子由质量、低波、动量三个单一因子组合而成；景气因子和质 量因子则分别基于不同的财务指标构建，这些因子本身均可能存在潜在的“短板效 应”。为验证影响，我们限制单一特征的暴露程度后重新构造因子，并观察净值变化。以质量低波动量因子为例，当要求质量、低波、动量三个因子的暴露度均位于前 50% 或前 70%时，构造出的因子净值与此前不加限制的结果差异较小。对景气因子和质量 因子进行同样测试，净值差异同样有限。从成分股重合度来看，质量因子与质量低波 动量因子的重合比例在 40%–90%之间波动，虽重合度不算高，但最终净值差别不大， 进一步验证了 Smart Beta 因子的稳健性。

跨越时间周期，质量因子的风险收益属性最为稳定，动量和小盘因子波动较大。 为检验 Smart Beta 因子在历史不同时间点的稳定性，我们统计了 2010 年至 2025 年 期间，每年底的滚动三年年化收益率与年化波动率分布情况。分布越宽，说明该因子 的收益和波动在不同年份的波动幅度越大；分布越集中，则表明因子的表现更为稳定。 结果显示，质量因子在不同时间节点下的收益和波动相对稳定，波动范围较小；动量 因子与小盘因子的波动幅度较大，表现受市场环境影响更显著；而价值、低波、红利 因子虽具备防御属性，但在个别年份波动率也会显著放大，反映出其在极端市场环境 下仍存在阶段性风险暴露。

3.1.3 成分股数量优化：100 只是不错的标准化选择，40 只可作简化方案

相较于时间区间的变化，成分股数量的变化对 Smart Beta 因子表现的影响更为 显著。我们以 2010 年、2016 年、2019 年为起始点，分别统计至 2025 年 7 月期间， 在成分股数量从 10 只变化至 200 只时，各因子的滚动三年收益率均值和滚动三年最 大回撤均值。结果显示，无论起始时间如何，同一成分股数量下的因子表现高度相似， 说明因子在不同时间区间的稳定性较好。但当调整成分股数量时，因子的收益与回撤 表现会发生明显变化。综合分析各因子的表现，80–110 只成分股能够在较高收益与 较低回撤之间取得较优平衡，因此我们在此前因子构建中选择 100 只作为成分股数 量。

对于主动公募基金而言，单个因子配置 100 只成分股在实际操作中可能过多， 因此我们尝试进一步压缩成分股数量，以在降低操作难度的同时尽量保持收益与回 撤的优势。我们统计 Smart Beta 因子成分股数量从 10 只变化至 100 只时，其 2010 年以来滚动三年的年化收益率均值与最大回撤均值，并绘制为路径散点图（颜色由蓝 至红代表成分股数量由少至多）。分布位于右上角的因子具有高收益、低回撤的特征。 综合各因子的分布稳定性与表现水平，我们得出优化配置方案：景气因子、质量因子 配置 30 只以上权重成分股；价值、质量低波动量配置 40 只以上；大盘、小盘、动量 配置 50 只以上；低波配置 70 只以上，以实现收益与风险的最优平衡。

3.2 基于波动率环境的资产选择

3.2.1 国内公募产品的波动率 vs 夏普率：控制/降低波动，是获取高夏普 必要条件

控制波动率是提升组合性价比的重要一环。我们计算了 2010 年至 2025 年 6 月 以及 2016 年至 2025 年 6 月两个不同期限下，公募基金权益产品的波动率与夏普率 的相关关系；我们发现对于绝大部分权益产品而言，高夏普率的产品往往波动率都很 低，也就意味着，控制波动率是提升夏普率的重要一环。

如果从波动率视角出发，我们自然而然会想到一个问题：如果我们只在低波动 环境下全仓配置，而在高波动环境下控制仓位，那产品的波动率就会得到有效的控 制，这样的策略是否有效？——由此，我们展开了第一个重要工具的研究，在波动率 环境下进行风格轮动和资产选择。

3.2.2 波动率对权益资产的影响

对于权益资产而言，波动率越低，收益越高；债和黄金在高波动率环境下更优。 我们选择权益（各市场主要宽基指数）、债券、黄金几类资产，并且根据各自资产波 动率历史分位数，将各资产切割成从低波动到高波动的五部分。我们发现对于权益资 产而言，波动率越低，收益越高；对于其他资产则不然。我们认为波动率是对已发生信息的全部定价，而估值是对未来预期的定价，因而波动率是更可靠的定价锚，尤其 是中短期；而估值的有效性更偏长期。

A 股的“风险厌恶”突出：要想提高收益，则必须用更好的方式暴露在高波环境， 同时赚到中低波的钱。我们将万得全 A 的各月收益率，按照各月的波动率从低到高 重新排列。对于 A 股夏普率，具有典型的“风险厌恶”特点，随着波动率的提升，夏 普率趋势下降；波动率超过 25%的月份累计来看，收益甚至是负的。

“风险厌恶”的波动率敏感性规律稳健吗？——美股和日股也遵循类似的规律。 如果将各市场的收益率按照波动率排列，中、美、日三国市场均呈现明显的“风险厌 恶”的波动率特征；此外，对于权益资产而言，<15%、15%—25%、>25%的波动率环境， 是区分各类宏观和市场情景的有效指标。

基于以上研究，我们在后文中将<15%的波动率环境称为低波动，15%—25%波动 率的环境称为中波动，>25%的波动率环境称为高波动。 如果按照<15%、15%—25%、>25%的波动率环境对 A 股进行划分，A 股处于低、中、 高波动率环境的时间占比为 3：5：2。

“风险厌恶”的波动率敏感性规律稳健吗？——国内各轮宏观周期内，规律仍 然一致。我们查看了不同宏观周期中，A 股是否能一直呈现“风险厌恶”的波动率特 征。针对绝大部分周期而言，波动率敏感性规律无疑是稳健的；2010-2014 年比较特 殊，A 股波动率绝大部分时间处于中波，导致市场的趋势性较弱。

3.2.3 不同波动率环境下的收益规律

我们进一步研究了在不同波动率环境下，市场的收益规律。无论是国内权益市场还 是海外权益市场，波动率和收益率往往呈现明显的负相关：低波动环境对应低波动 收益，高波动环境对应高波动收益。

波动率环境跟什么有关？为什么波动率和收益率有明显的负相关？——宏观环 境可以解释一部分。低波容易出现在经济较好区间，利率上行、PMI 上行、PPI 上行； 高波动容易出现在经济较差区间，利率下行、PMI 下行、PPI 下行，这也就解释了为 什么高波动环境下的市场往往表现更差。

3.2.4 如何预测波动率？——波动率变迁有两点核心规律：延续性+回落 性

如果我们想利用波动率和收益率负相关的特性进行投资，我们不可能直接已知 未来的波动率，因而我们需要做两件事：1）预测波动率；2）研究基于过去波动率的 投资策略。我们将在这部分展示波动率迁移的过程。 与收益率不同，波动率的韧性明显更强，延续之前波动率水平的可能性往往是 最大的。无论是低波还是中波，下月延续的可能性都超过 50%；如果当月高波，下月 维持高波和波动率下降到中波动的概率几乎均等。

波动率的转移规律背后，朴素的逻辑在于： 1、波动率越低，往往意味着不确定性越少，市场已经充分定价，趋势越稳定； 波动率越高，往往意味着不确定性越高，趋势越紊乱。2、为什么波动率短期延续性很强？——短期市场维持原有趋势的能量很强。 为什么波动率易降不易升？——低波动是更稳定的状态，这意味着市场已经充分定 价了已发生的信息。市场定价得越多，波动率就越低。 3、波动率变化：波动率放大，通常来自突发事件。而突发的“好消息”是少见 的，突发的“坏消息”更多见。（因而高波区间，收益往往不好）“好消息”通常润物 细无声，在潜移默化中慢慢被定价（所以低波收益稳）。 4、预测波动率的“跃迁”是困难的。但如果已经处于高波环境，更应该提高仓 位。（因为通常坏消息带来的波动放大式暴跌，不会超过 1 个月）

3.2.5 如果用当月波动率，预测次月收益率，高波下的收益也很可观

我们将在这部分继续介绍如何基于过去的波动率进行交易。我们在之前的部分 已经介绍过，波动率和收益率有明显的负相关性，也就是说在低波动的月份有更高的 收益，高波动的月份有更低的收益。但是当月波动率和下月收益率的规律则大不相同。 如果用当月波动率，预测次月收益率，低波下的高收益仍会延续，但与之前不同 的是，高波下的收益也很可观。无论是万得全 A、标普 500 还是日经 225，在市场高 波动后，收益率都会明显放大。

从波动率的跃迁看，无论是国内还是海外都有较为相似的规律；从宏观环境出发， 我们能比较好地解释为什么在不同波动率环境下，市场涨跌幅有如此大的差异。 1） 低波→低波：市场稳定上行，收益率较高； 2） 低波→中波：市场震荡下行，收益率较低； 3） 低波→高波：事件驱动下，市场波动加剧；容易引发市场大幅上涨或者大幅下跌， 但是上涨的赔率足够高，并且概率也偏高，因而整体收益率水平较高； 4） 中波→低波：震荡上行，收益率中高水平； 5） 中波→中波：市场宽幅震荡，处于横盘阶段，收益率接近 0%的水平； 6） 中波→高波：市场震荡后，容易外部事件影响下出现突然下行； 7） 高波→低波：市场在大幅下行后 V 型反转，出现频率极低（高波直接降低至低波 的难度较大），收益率较高； 8） 高波→中波：市场在大幅下行后 V 型反转，出现频率较高，收益率较高； 9） 高波→高波：市场高位震荡上行，赔率足够高，收益率尚可。

3.3 Sharpe Ratio>1 的风险凹性策略

3.3.1 Sharpe Ratio>1 风险凹性策略的框架

我们将基于波动率环境做出一个 Sharpe Ratio>1 的风险凹性策略。所谓风险凹 性策略，就是在低波和高波环境中，尽量提升组合的收益率，做高组合的 Sharpe Ratio，并在中波环境下尽量控制风险。 我们主要使用了两种方式提升策略收益率：1）通过市场择时，降低策略的波动 率；2）通过资产选择，在不同波动率环境下提升收益率。最终，我们将通过以上两 种方式，做出年化收益 20%，波动率 15%，回撤 16%的策略。

从波动率出发，我们自然会想到如果只做低波动+高波动区间、在中波动时期空 仓，收益率是否会有提升？——从结果看，我们如果只做低波动+高波动区间，策略 的波动率会有较好的控制，但不会明显提升收益率，背后的原因则是中波时期的平均 收益率没有大幅度低于 0%，因而策略收益率方面的提升较为有限。

我们想到的第一个提升收益率的方式是，在不同波动率环境下，选择不同的 Smart Beta 风格因子替代万得全 A，提升策略的收益率。在我们之前组合管理的研 究中发现，国内市场有大量的Smart Beta风格因子的收益率明显比万得全A要更高， 而在不同波动率环境下，这一分化可能更为明显。因而，我们计算了 8 种风格因子在 不同波动率环境下的收益率和胜率。 1） 低波动环境：市场本身表现较好，趋势向上，进攻性和防御性相对均衡；2） 中波动环境：市场表现平平，防御性风格占优； 3） 高波动环境：市场爆发性强，小盘风格明显占优。

我们在不同波动率环境下，选择不同风格，本质原因是不同风格在不同波动率环 境下表现出了截然不同的特质。我们分别按照市场当月和上月波动率从高到低排序， 将各月的全 A、质量、低估值和小盘风格的收益率和净值重新排列。 1） 按照当月波动率排序重新组合净值，风格资产也有典型的“风险厌恶”特点，也 就是波动率越高，夏普比越低； 2） 按照上月波动率排序重新组合净值，质量、低估值、小盘的净值曲线有截然不同 的特点：质量在所有波动率下都有不错的夏普率，比较均匀；低估值在中低波环 境下有较高的夏普率；小盘在高波动环境下的夏普率尤为突出。

加入 Smart Beta 风格资产后，策略效果明显改善。从效果看，2010 年至 2025 年 6 月，加入风格资产后策略的年化收益率达到 20.7%，夏普率达到 0.90；2016 年 至 2025 年 6 月，策略的年化收益率达到 21.5%，夏普率达到 1.13。

但是如果我们再次将策略的净值按照波动率排序，策略缺陷在于高波区间的净 值波动和回撤依然很大，夏普依然是“风险厌恶”的。如果我们想要降低策略的“风 险厌恶”特征，就需要通过一些择时方式，降低策略在高波动时期，尤其是高波动回 撤时期的仓位，从而获得更高的收益率和夏普率。

3.3.2 如何进行市场择时？

择时方面，根据我们以往的研究，在市场处于低位并且趋势向上的时候进行择 时，往往具有较高的弹性。我们分别计算了在市场处于各类估值区间、情绪指标处于 各区间时候的未来收益率，发现在估值处于低位、情绪指标处于低位的时候，未来收 益预期有明显提升。 在经历各种尝试后，我们最终选择使用 GLDI 结合 MACD 进行大级别择时：极端 低的位置（赔率）+右侧趋势买点（胜率）。其中，买点的条件是：GLDI<底部反转阈 值且 MACD 金叉；卖点的条件是：GLDI>顶部反转阈值且 MACD 死叉。

以全 A 指数为例，GLDI&MACD 择时策略优化了高波区间的持有体验。我们在触发 择时信号后全仓万得全 A 指数，并在触发卖出信号后，开始空仓得到择时策略的净 值。我们同样按照市场波动率的从低到高，将各月的收益率进行排序，发现在正常的 万得全 A 市场里面，在高波动区间，净值会出现明显回撤，但是在经过择时策略的改 良后，高波动区间的回撤消失了。

3.3.3 Sharpe Ratio>1 的风险凹性策略：资产选择+市场择时

为了将择时策略和资产选择策略进行结合，我们就需要在触发择时信号后全仓 按照选择的资产进行配置，而在触发卖出信号后，将仓位降低到一定比例；经过计 算，30%-50%的仓位控制是较为合适的比例。为了保证在策略的波动率水平和夏普率 得到控制的同时，策略的收益率同样有所保证，我们最终选择在触发卖出信号后，将 策略的仓位降低至 50%。

3.0 版本风险凹性策略：择时优化前后的对比，高波区间改善明显。事实上，由 于带择时的策略在非买点区间仅持有半仓，相较于满仓策略会损失一些收益。但图中 显示，高波区间，半仓择时策略不但没有损失收益，还大幅降低了波动和回撤。

从夏普率的角度看，择时+风格资产优化后，累计夏普从“风险厌恶”优化为“风 险凹性”。在正常的权益市场里面，无论是 A 股、美股还是日本市场，随着波动率的 提升，夏普率往往逐步降低，但是经过我们的改良后，3.0 版本风险凹性策略在市场 处于低波动和高波动时期具有较高的夏普率，而在中波动时期的夏普率较低。

最终，通过结合资产选择和市场择时两类工具，我们构建了风险凹性策略：在择 时买入期间全仓运行，在择时卖出期间半仓运行。从 2010 年至 2025 年 6 月，策略 的年化收益率达到 16.3%，夏普率达到 1.13；从 2016 年至 2025 年 6 月，策略的年 化收益率达到 20.3%，夏普率达到 1.37。

编辑：火腿肠