2026年金融工程：A股风格的四周期框架与ETF轮动策略——资产定价系列之二

如何研究风格：一些关键认知

由于同样是研究相对收益，很多投资者会将风格轮动和行业轮动视作为相同的研究课题， 但两者无论从运行强度、轮动频率、驱动逻辑还是可投产品等角度而言都相去甚远。因此 我们先从几个关键问题出发，探讨风格轮动的研究思路。

1.1 全球因子数据库：JKP Global Factor Data

单一市场的风格规律往往具有偶然性，挖掘程度过深不可避免容易落入过拟合的陷阱，因 此横向增加不同国家的风格因子数据是一个对抗过拟合的有效措施。 Jensen, Kelly, and Pedersen(2023) 的论文《Is There a Replication Crisis in Finance》 在实证过程中覆盖了全球 93 个股票市场，按照统一的标准构建了 153 个小类因子，13 个 大类风格，JKP 全球因子数据库便是在此论文的基础上进行设计和构建的。 13 个大类风格如下，每一个大类风格中的小类因子均来源于其他学术研究或者学界共识， 具体的因子定义、股票池选择、分组方式、因子组合加权方式等细节均在 Global Factor Data Documentation 中有所阐述，感兴趣的投资者可自行下载和查阅。

1.2 做个减法，哪些风格值得研究？

尽管 Barra 风险因子模型定义了接近 10 个风险维度（风格维度），JKP 全球因子数据库有 13 个大类因子，但真实投资中的风格研究和投资存在各种约束，如： 在量化研究中，机构审美要求指增产品严控风险因子暴露。在主观研究中，排序偏后的风险（风格）因子不直观，难以感受和暴露。在 FOF 研究中，只有大小盘、价值成长风格的 ETF 满足可投的流动性约束。

1.3 风格的统计特征：全球市场的经验

为了探索多个国家风格运行的长期规律，我们采用以下数据集： 时间选取：1980 年-2024 年；股票市场数量：发达市场和新兴市场总计 51 个股票市场的数据。 此处采用 Bry-Boschan (BB) 算法对风格走势进行拐点识别，算法核心逻辑和流程为： 1) 初筛极值：基于前后 12 个月的窗口寻找局部极大值和极小值。 2) 强制交替：确保拐点必须是“峰-谷-峰-谷”交替出现的。 3) 相位约束：相邻峰谷的时间间隔大于 6 个月。

1.4 宏观与风格的关系，如何定位？

基于宏观因子的风格轮动策略一直是投资者孜孜不倦探索的课题，但是近年来也有不少研 究论证宏观环境与风格并无长期稳定的统计关系，那么宏观与风格，甚至更广义一些，宏 观与各类资产的关系，应该如何定位？

基于 Factor Mimicking 方法将宏观数据高频化。首先我们通过“寻找宏观相关备选资 产->资产和宏观相关性检验->多资产回归寻找最优匹配关系”来实现宏观变量的高频化， 其本质是利用“市场先生”，通过多资产的联合分布来映射市场隐含的宏观预期。 我们利用股票、商品和房地产这三个最能反应宏观经济的资产构造的模拟组合 来拟合中国经济走势。从实证结果来看，增长隐含因子确实能够领先预测到中国经济的拐 点，同时这种方法也提升了宏观因子的频率，方便后续量化研究的展开。

基于宏观隐含因子构建宏观风险归因模型。基于五个高频的宏观隐含因子我们构建了 “资产->宏观”的线性回归映射模型，核心结论如下： 1) 大类资产是宏观驱动品种（宏观解释 63%），股债商能被宏观解释 60%以上的收益。 2) 行业是微观驱动品种（宏观解释 28%），用宏观来指导行业轮动或有较大的投研错配 。3) 风格资产（宏观解释 40%）介乎上述两者之间，属于宏微观均衡驱动的资产类型。

（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。）