下载掌阅APP，畅读海量书库
立即打开
◆ 摘要 ◆
市场上的投资者，不管是价值投资者，还是投机者，或者短线交易者，都会根据某些因子来判断股票的涨跌。当有一群交易者同时采用某个因子的时候，就会造成该因子有效。例如，当很多投资者认为低PE的价值型的股票是好的投资标时，他们纷纷买入低PE的股票，会使得该股票出现上涨，或者超越大市。这样就使得低PE这个因子的有效性得到体现。
市场上有很多这样的因子，它们在不同的市场环境下，或多或少会起作用，从量化分析的角度来看，这些因子和收益率之间存在因果关系。本节的多因子模型就是要研究市场上有哪些因子对最终收益率的作用比较大，它们在不同市场阶段的表现如何。
多因子模型是一类重要的选股模型，它的优点是能够综合很多信息最后得出一个选股结果。多因子模型的表现相对来说也比较稳定，因为在不同的市场情况下，总有一些因子会发挥作用。因此，在量化投资界，不同的投资者和研究者都开发了很多不同的多因子模型。各种多因子模型核心的区别一是在因子的选取上，二是在如何用多因子综合得到一个最终的判断。
一般而言，多因子选股模型有两种判断方法，一是打分法，二是回归法。
打分法就是根据各个因子的大小对股票进行打分，然后按照一定的权重加权得到一个总分，根据总分再对股票进行筛选。打分法根据加权方法的不同又可以分为静态加权和动态加权。打分法的优点是相对比较稳健，不容易受到极端值的影响。
回归法就是用过去的股票的收益率对多因子进行回归，得到一个回归方程，然后把最新的因子值代入回归方程得到一个对未来股票收益的预判，最后以此为依据进行选股。回归法的优点是能够比较及时地调整股票对各因子的敏感性，而且不同的股票对不同的因子的敏感性也可以不同。回归法的缺点是容易受到极端值的影响，在股票对因子敏感度变化较大的市场情况下效果也比较差。
多因子选股模型的建立过程主要分为候选因子的选取、选股因子有效性的检验、有效但冗余因子的剔除、综合评分模型的建立和模型的评价及持续改进5个步骤。
1.候选因子的选取
候选因子可能是一些基本面指标，如 PB、PE、EPS 增长率等，也可能是一些技术面指标，如动量、换手率、波动等，或者是其他指标，如预期收益增长、分析师一致预期变化、宏观经济变量等。候选因子的选择主要依赖于经济逻辑和市场经验，但选择更多和更有效的因子无疑是增强模型信息捕获能力，提高收益的关键因素之一。
2.选股因子有效性的检验
一般检验方法主要采用排序的方法检验候选因子的选股有效性。具体而言，对于任意一个候选因子，在模型形成期的第一个月初开始计算市场中每只正常交易股票的该因子的大小，按从小到大的顺序对样本股票进行排序，并平均分为n个组合，一直持有到月末，在下月初再按同样的方法重新构建n个组合并持有到月末，每月如此，一直重复到模型形成期末。
组合构建完毕后，计算这n个组合的年化复合收益、相对于业绩基准的超出收益、在不同市场状况下的高收益组合跑赢基准和低收益组合跑输基准的概率等。为确定选股因子的有效性，建立如下数量标准：
（1）序数为1到n的组合年化复合收益应满足一定的排序关系，即组合因子的大小与收益应具有较大的相关关系，从统计的角度看，因子能较为显著地影响组合预期收益。假设序数为i 的组合年化复合收益为x i ，那么x i 与i的相关性绝对值Abs（Corr（x i ，i））应满足如下关系：
其中，MinCorr 为模型所设定的收益和序数最小相关性阈值。
（2）令序数为1和n的两个极端组合相对基准的超额收益分别为AR 1 和AR n ，如果AR 1 ＞AR n （该假设表示因子越小，收益越大），那么两者应满足如下条件：
反之，如果AR 1 <AR n （该假设表示因子越大，收益越小），那么与上面不等式类似，两者应满足：
其中MinAR top 、MinAR bottom 分别为两个极端组合的最小超出收益阈值，以上条件保证因子最大和最小的两个组合中，一个是明显跑赢市场的赢家组合，另一个是明显跑输市场的输家组合。
（3）无论在上涨、下跌还是整个模型形成期，序数为1和n的两个极端组合中，较高收益的组合应该能以较高的概率跑赢市场，而较低收益的组合则能以较高概率跑输市场。
符合以上3个条件的因子至少说明在过去的一段时期内表现出较好的选股能力，可以作为进一步筛选的有效选股因子。
3.有效但冗余因子的剔除
不同的选股因子可能由于内在的驱动因素大致相同等原因，所选出的组合在个股构成和收益等方面具有较高的一致性，因此其中的一些因子需要作为冗余因子剔除，而只保留同类因子中收益最好，区分度最高的一个因子。假设需要选出k 个有效因子，样本期共m 月，那么具体的冗余因子剔除步骤如下：
（1）先对不同因子下的n个组合进行打分，分值与该组合在整个模型形成期的收益相关，收益越大，分值越高，具体方法：令组合1和n相对基准的超额收益分别为 AR 1 和 AR n ，如果AR 1 <AR n ，则将组合i的分值设为i；反之，AR 1 >AR n ，组合i的分值为n-i+1，即所有组合的分值取1 到n间的连续整数。组合得分确定后，再将其赋给每月该组合内的所有个股。
（2）按月计算个股的不同因子得分间的相关性矩阵，令第t月的个股因子得分相关性矩阵为：（Score_Corr t， u ， v ），u，v=1，2，...，k，u 和v 为因子序号。
（3）在计算完每月因子得分相关性矩阵后，计算整个样本期内相关性矩阵的平均值，计算公式为：
，u，v=1，2，…，k。
（4）设定一个得分相关性阈值 MinScoreCorr，对得分相关性平均值矩阵中大于该阈值的元素所对应的因子只保留与其他因子相关性较小、有效性更强的因子，而其他因子则作为冗余因子剔除。
4.综合评分模型的建立和选股
综合评分模型选取去除冗余后的有效因子，在模型运行期的每个月初对市场中正常交易的个股计算每个因子的最新得分，并按照一定的权重求得所有因子的平均分。如果有的因子在某些月份可能无法取值（例如，有的个股因缺少分析师预期数据无法计算预期相关因子），那么按剩下的因子分值求加权平均。最后，根据模型所得出的综合平均分对股票进行排序，然后根据需要选择排名靠前的股票。例如，选取得分最高的前20%股票，或者选取得分最高的50～100只股票等。
5.模型的评价及持续改进
一方面，由于量化选股方法是建立在市场无效或弱有效的前提之下，随着使用多因子选股模型的投资者数量的不断增加，有的因子会逐渐失效，而另一些新的因素可能被验证有效而加入到模型中；另一方面，一些因子可能在过去的市场环境下比较有效，而随着市场风格的改变，这些因子可能短期内失效，而另外一些以前无效的因子会在当前市场环境下表现较好。
另外，计算综合评分的过程中，各因子得分的权重设计、交易成本考虑和风险控制等都存在进一步改进的空间。因此在综合评分选股模型的使用过程中，会对选用的因子、模型本身做持续的再评价和不断改进以适应变化的市场环境。
本案例选取1997—2010年共14年作为样本期，其中1997—2004年作为因子检验筛选期（共8年），2005—2010年作为选股模型的样本外检验期（共6年）。所选股票样本为所有正常交易且上市时间超过一个季度的A股股票，业绩基准为上证指数。
1.候选因子的选取
案例从估值、成长性、资本结构、技术面等角度，选取了30个较为常见的指标作为模型的候选因子，具体的因子选取如表2-1所示。
表2-1 多因子选股模型候选因子
注：再投资率=[（过去12 个月每股收益—每股分红）/期初每股净资产]，反映了公司将盈利留存并进行再投资的情况。
震荡指标=[（前月最高价-最低价）/（前月月初股价+月末股价）]，来源于一个简单的市场经验：横有多长，竖有多高。
数据来源： [潘凡 2011]
2.选股因子有效性的检验
首先，在1997年1月到2006年12月间的每个月初，根据表2-1所列的候选因子，分别计算每只个股相应的因子得分，具体步骤如下：
（1）在每个月初计算每支个股的各因子指标，在涉及财务指标的计算上尽量采用最新报表以反应最新的财务信息，例如，EPS 的计算采用12个月的EPS。
（2）根据因子指标的计算结果，从小到大对样本股票进行排序并分为5个等份组合，从而在整个样本期内形成不同因子下的5个排序组合。
（3）分别计算不同因子下的5个排序组合的流通市值加权年化复合平均收益、相对于业绩基准的平均年化超额收益、在不同市场环境下第1和第5组合战胜或跑输基准的概率，如表2-2所示。
表2-2 多因子模型候选因子初步检验
续表
数据来源： [潘凡 2011]
从表2-2中可以看出，表现最好的是盈利收益率这个指标，8年的年化复合平均收益为8.29%，而同期的上证指数年化复合平均收益只有4.12%。
综合考虑了复合收益、超额收益及相关性后，获得如表2-3所示的经过检验过的有效因子。
表2-3 多因子模型中通过检验的有效因子
数据来源： [潘凡 2011]
3.有效但冗余因子的剔除
对这些初步有效的因子计算相关性矩阵，假定得分相关性阈值取 0.5，表2-3中的盈利收益率和PEG相关性为0.89，ROA 变动和ROE变动相关性为0.70，盈利收
益率和收入净利率相关性为0.59，这些项目的相关性均超过阈值，因此取其中超额收益相对较高的因子，最终剔除的因子为PEG、ROE变动和收入净利率，总共剩下9个选股因子，如表2-4所示。
表2-4 多因子模型中剔除冗余后的因子
数据来源： [潘凡 2011]
4.综合评分模型的建立和选股
最终的综合评分模型由9个分值相关性较小的有效因子组成。为了评估个股的综合表现，模型在选股日对所有正常交易的股票按9个因子分别评分后再按照一定的权重计算加权平均值，如果有的因子没有取值，那么该因子不参与平均值的计算。在综合打分后，去掉所有的 ST、PT 股票，将市场所有股票按平均分重新排序，选取其中得分最高的若干股票进入当月组合，即完成了模型选股的完整过程。
5.模型的检验
本案例采用2005年1月到2010年12月共6年的数据验证该模型的有效性。每月初将样本股票按最新的综合评分从大到小排序，分为Q1到Q5共5个股票数量相同的流通市值加权组合，持有到月末，再在下月初用同样的方法重新构建组合，一直到检验期末。假设在2005年初将1000元投资于这5个组合及上证指数，那么在2010年末，Q1到Q5的净值分别为 6184.51、4863.20、3562.70、2309.13 和 2138.92，而投资于上证指数的组合净值仅为 2217.20。另外，如果投资于沪深300指数，则期末净值为3128.26；如果投资于中证 500 小市值公司指数，则期末净值为 5002.09。详细的组合收益描述如表2-5所示。
表2-5 多因子模型组合分段收益率
数据来源： [潘凡 2011]
组合及各指数的净值走势如图2-1所示。得分最高的Q1组合年化复合收益为35.48%，而同期上证指数年化收益为14.19%，超出指数21.29%；信息比率为 1.14，大约68.06%的月份跑赢上证指数，其中上证指数上涨的月份中，大概有76.09%的月份跑赢指数，而指数下跌的月份中有53.85%的月份跑赢指数，总体而言，上升市场中的表现要好于下跌市场。
图2-1 多因子模型净值表现
数据来源： [潘凡 2011]
本节小结
总体而言，本案例所建立的多因子选股模型简单易行，有较好的稳健性，样本外的表现也很好，当然，也仍然存在较大的改进空间。
首先，在因子选择上还可以选取更多的指标，例如，可以在候选因子中增加分析师预期因子，如6个月一致预期的改变、未来两年分析师每股收益预测相对前两年的复合增长、基于一致预期的市盈率等，也可以加入一些宏观指标，使得选股模型能包含更多的信息，提高选股能力。
其次，本案例采取静态的因子评分加权平均的方法，而在实际模型构建中，可以根据因子在前期的表现、个股所在行业、市场状况等，动态调整因子评分的比重，使得选股模型能更加贴近市场的现实状况。
最后，组合持有期长短的动态调整、交易成本的优化、模型运行过程中的风险控制等都可以考虑到选股模型中，使得模型具有更大的灵活度和更有操作性。
◆ 摘要 ◆
市场上的投资者是有偏好的，有时候会偏好价值股，有时候偏好成长股，有时候偏好大盘股，有时候偏好小盘股。由于投资者的这种不同的交易行为，形成了市场风格，因此在投资中，利用市场风格的变化，进行轮动投资会比一直持有的效果好很多。
本节研究如何判断市场风格，以及如何利用风格的轮动构建投资策略获取超额收益。
投资风格是针对股票市场而言的，是指投资于某类具有共同收益特征或共同价格行为的股票，即某类投资风格很受欢迎，并且在某一个时间段内具有持续性和连续性（譬如，价值投资和成长型投资两种风格，或者大盘股和小盘股这两种风格总是轮流受到市场追捧）。由于投资风格的存在，从而产生一种叫做风格动量的效应，即在过去较短时期内收益率较高的股票，未来的中短期收益也较高；相反，在过去较短时期内收益率较低的股票，在未来的中短期也将会持续其不好的表现。
投资风格的形成主要来源于对股票市场异象的研究成果。在长期市场研究中，研究人员发现存在大量市场异象，主要包括公司属性效应、趋势效应等。市场有效性程度不是一层不变的，会随时间不断变化。也就是说，追逐这些市场失效现象能获取超额投资收益。所以，风格投资从本质上来说是通过执行各种投资决策，从某些特定分割的、异质的市场或从某类错误定价的股票中获得超额收益。
1.风格鉴别方法
国外投资风格鉴别技术一般可分为两种：一种是持股特征基础的投资风格鉴别法（HBS），包括晨星公司的风格箱法和新风格箱法、罗素公司的风格分类系统、富兰克罗素和所罗门兄弟公司开发的风格分类系统等；另一种是收益率基础的投资风格鉴别法，如夏普的鉴别方法等。
1）持股基础判别法
晨星风格箱法是一个3×3矩阵，从大盘和小盘、价值型和成长型来对基金风格进行划分，介于大盘和小盘之间的为中盘，介于价值型和成长型之间的为混合型，共有9类风格，如表2-6所示。
表2-6 晨星市场风格判别法
数据来源： MorningStar
（1）规模指标：市值。通过比较基金持有股票的市值中值来划分，市值中值小于10 亿美元为小盘；大于50亿美元为大盘；10亿～50亿美元为中盘。
（2）估值指标：平均市盈率、平均市净率。基金所持有股票的市盈率、市净率用基金投资于该股票的比例加权求平均，然后把两个加权平均指标和标普500成分股的市盈率、市净率的相对比值相加，对于标普500来说，这个比值和是2。如果最后所得比值和小于1.75，则为价值型；大于2.25为成长型；介于1.75～2.25之间为混合型。
2）夏普收益率基础的投资风格鉴别
夏普将收益率基础的投资风格鉴别将所有股票分为4类：
（1）将标普500指数成分股按净市比（B/P）排序分为两类，分界点是两类股票的总市值大小一样，高B/P的股票为价值股，其余为成长股，更新频率是6个月。
（2）将非标普500指数成分股按市值高低分为两类，从高到底排序后占总市值前80%的股票称为中市值股，剩下的则为小市值股。
收益率基础投资风格鉴别如表2-7所示。
表2-7 夏普收益率基础投资风格鉴别
2.经济解释
（1）经济周期。宏观经济表现强劲时，小市值公司有一个较好的发展环境，易于成长壮大，甚至还会有高于经济增速的表现，因此，小盘股表现突出的概率高于大盘股。而当经济走弱时，由于信心的匮乏和未来市场的不确定性，投资者可能会倾向于选择大盘股，起到防御作用，即使低通货膨胀、货币走强，也不足以冒险去选择小盘股。
研究发现，经济名义增长率是用来解释规模效应市场周期的有力变量。当名义增长率提高时，小市值组合表现更优，因为小公司对宏观经济变动更为敏感，当工业生产率提高、通货膨胀率上升时，小公司成长更快。
（2）反应过度/不足。Fama and French（1995）认为风格的周期性轮换是由于投资者的趋势追逐特性造成的。当某类风格的股票在某段时间内具有较好走势时，趋势投资者就会增加对该风格资产的投资，风格走势得以延续。但过度反应会使得该种风格的股票积累过多风险，泡沫最终破灭，形成了不同风格的周期性表现。
（3）价值回归。过度反应的最后结局还是泡沫破灭，而反应不足最终也会被市场纠错，这是由价格最终要向价值回归的本质决定的。这也为我们研究风格策略提供了方向。通过研究某一风格的股票价格是否远离其价值、扣除手续费等费用后是否有足够的利润空间，来给出策略建议。
盈利预期生命周期模型，刻画了投资者对盈利预期演化的各个阶段，如图2-2所示。该模型认为几乎所有的股票都会经历上述的部分阶段，不过并非任何股票都要完整经历所有阶段，而且不同股票经历盈利预期生命周期循环的速度不同。此外，在子阶段中也可能存在完整的盈利预期循环。
图2-2 盈利预期生命循环周期模型
数据来源： Bernstein，Richard，＂Style Investing：Unique Insight into Equity Management＂，JohnWiley&Sons，1995
1.阶段特征
（1）反转：反转策略投资于具有较低盈利预期的股票，多数投资者认为这些股票不具有吸引力或风险过高。
（2）正向收益超预期：具有较低预期的公司开始发布稍微乐观的信息，股票重新获得投资者的注意，对于这些股票的研究覆盖开始增多。
（3）正向收益超预期模型：基于实际盈利和分析师预期有显著正向差异的选股模型。传统的正向收益超预期模型指持有股票直至实际盈利发布，这样就从盈利预期生命周期模型的第3 阶段过渡到了第2 阶段。
（4）预期修正：随着正向的收益超预期，市场一致预期开始调升盈利水平，部分分析师的滞后调整是因为他们不愿相信这种超预期意味着基本面的改变。
（5）EPS动量：盈利动量策略的投资者基于预期和实际盈利的增长，以及EPS的年度同比增加而买入股票。
（6）成长性：当强劲的盈利动量持续相当长一段时间时，股票被认为具有成长性。这些股票既不是像在第4 或第5 阶段那样，属于被先知先觉的投资者新挖掘的成长股；也不是使得商业环境改变的真正的成长性公司。不过，大多数投资者认为这些股票具有较优秀的特质，这些股票的盈利预期非常高，因此也是盈利预期生命周期模型中不符合预期的风险最高的阶段。反转策略的投资者认为此时是抛售的最佳时机。
（7）破灭：公司开始达不到盈利预期。盈利预期和股价开始崩塌。
（8）负向收益超预期模型：和第3 阶段相对应，不过此时实际盈利和分析师预期有显著负向差异，这些股票是最好的卖出对象。
（9）预期修正：随着负向的收益超预期，市场一致预期开始调低盈利水平。同样，部分分析师的滞后调整是因为他们不愿相信这种低于预期意味着公司基本面的改变。
（10）蹩脚货：当公司实际盈利持续低于盈利预期一段时间后，投资者开始回避这些股票。有关并购、重组或破产的谣言会使得股价发生短期波动，但投资者会尽量回避这些股票。
（11）被忽略的：投资者对这些股票兴趣索然，研究机构认为其毫无覆盖的价值而将其剔除，缺乏相关的研究信息也许意味着一个新周期的开始。
2.投资风格
按照此盈利预期生命周期模型，区分了成长风格和价值风格的投资者。成长风格的投资者一般对投资标的有较高的预期，而与之对应，价值风格的投资者对投资标的的预期较低。因此，成长风格和价值风格的投资者分别处于盈利预期生命周期模型图的上半部分和下半部分。
根据盈利预期生命周期模型，还可以区分基于好公司和坏公司的投资策略，我们也可以理解为基于盈利预期动量和盈利预期反转的投资策略。基于好公司的投资策略寻找那些处于预期上升阶段的公司，而不管盈利预期较好或较坏，只要预期改善即可；而基于坏公司的投资策略则高买低卖，即在预期最乐观的时候卖出，在最悲观的时候买入。因此，基于好公司和坏公司的投资策略，分别处于盈利预期生命周期模型图的左半部分和右半部分。
将以上两种划分结合起来，就可以得到4种风格策略：成长动量、成长反转、价值动量和价值反转。
1.传统的风格预测方法
实施风格轮换战略，在不同的风格类别之间进行切换，需要对各类风格的收益特性有较好的把握和对未来风格走势有较准确的判断。风格评估和预测的方法可分为相对价值法和场景预测法两类。
（1）相对价值法的核心是均值回归理论，被低估的股票价格最终将被市场发现而向均值回归，被高估的股票价格也将下跌至均值水平。能获得低估或高估收益的投资者，必然是对某类股票、企业有着长期的追踪研究并具备价值发现能力的投资者。当市场出现价格偏差时，能在第一时间发现并调整组合，及时判断出市场未来走势。
（2）场景预测法的核心：同一风格股票的收益率间存在某种相似属性和因素敏感性，因此当外部环境发生变化时，受某类因素正面影响的风格类型将取得超额收益，反之则会获得低于市场的收益。场景预测法可分为两个步骤：
①对影响股票收益的各个因素建立因素模型。
②设想未来可能出现的不同场景，对未来风险状况进行预测。
2.风格轮动的定量预测
由于市场风格轮动，保持单一的投资风格并不一定是最佳的投资策略，积极的风格转换策略有助于提高投资绩效。风格转换主要涉及两个问题，即在何时进行风格转换，以及风格转换能否弥补交易成本。
风格转换策略模型实际上是在建立了一系列基本预测变量的基础上，寻找一个适用于风格转换的合理模型。从已有文献看，主要有以下3类方法：
（1）将风格相对收益率对相关变量进行回归。但由于建立精确关系较为困难，因此这种方法基本被排除。
（2）Markov Switch 模型。该模型主要关注相对收益率的历史表现（按照Levist的变量分类办法，这些指标主要是技术变量），并不关注其他基本经济变量，因此这种方法可能遗漏了很多可用信息。
（3）Logistic 概率模型。在任意时点，风格转换的结果无非有两种，即转换或不转换。如果预期下期某类风格占优，则将现有风格转化为占优的风格。
标准 Logistic 模型如下：
其中，如果构建期后一月份的某风格（如价值股）收益率大于另一风格（如成长股）收益率，则y t+1 =1，否则y t+1 =0。建立递归预测方法，当构建期往后延伸时，则形成时间序列y 1 ，y 2 ，…，Y T 。
在建立Logistic 预测模型前，需要首先选择n个可能的影响因素（宏观、基本面与技术面等），这可以通过逐步回归、主成分分析等方法选择。然后，利用Y对n个解释变量建立多元Logistic回归模型。可采用Jackknife method等检验方法对多元Logistic模型的稳定性进行检验，并确定模型最佳的判别点。比较按最佳判别点确定的风格转换策略所获得的收益，是否大于任何简单的买入并持有策略，若难以超越，则认为简单的买入持有策略为最佳策略；若超过，则考虑交易成本后的最佳转换风格的交易策略。
案例 风格轮动策略
本案例的实证数据采用了中信标普风格指数进行，选取的数据段为2004年1月至2007年9月的A股数据，如表2-8所示为中信标普风格指数。
表2-8 中信标普风格指数
资料来源：
中信标普指数服务
在中信标普的风格指数中，构建了两类风格指数系列：穷尽型风格指数和纯风格指数系列。穷尽型风格指数系列可以有效地成为指数基金和衍生品的构成基础，使产品能够宽泛且经济地投资于某种特定的风格板块；纯风格指数系列包括风格指数系列中那些具有显著成长或价值特征的股票。
纯成长指数和纯价值指数之间没有任何重合的股票。这些指数没有因使用市值权重而造成规模偏差。相反，股票按其相对的风格吸引力被赋予权重。因此，纯风格指数系列较为适合实证研究，更能体现出指数的不同风格收益差。
本案例所选用的具体数据为：选择6个风格指数，它们分别是大盘价值（100纯价值）、大盘成长（100纯成长）、中盘价值（200纯价值）、中盘成长（200纯成长）、小盘价值（小盘纯成长）、小盘成长（小盘纯价值）。
为了避免牛市/熊市效应，对动量策略和反转策略的检验，采用了多头/空头的配置方法，而不是仅仅考虑多头组合的盈利情况。
1.风格动量策略
（1）构建投资组合的观测期为j个月（j=1，3，6，12），计算每个指数的收益率。
（2）根据风格组合收益率从大到小进行排序，其中最高的一个（或者两个）风格组合被定义为赢者组合，最低的一个（或者两个）风格组合被定义为输者组合，通过买入赢者组合、卖空输者组合来构建多空头套利组合，并持有k个月。
（3）持有期分别为1个月、3个月、6个月、12个月。
（4）在持有期末，重复步骤（2）和（3）的操作。
2.风格反转策略
风格反转策略除了步骤（2）为构建相反的头寸，即买入输者指数，卖出赢者指数，并持有k个月外，其余步骤均与动量交易策略相同。
结果判定：如果套利组合具有正的月均收益，则认为是风格动量；如果套利组合是负的月均收益，则认为是风格反转。同时，对套利组合的收益进行t检验，如果t值统计显著，则认为存在相应的动量或者反转效应。
3.实证结果
按照上述策略，为了使得实证结果贴近实际投资绩效，所有股票的收益结果都采用了几何平均值。分别按照观测期J=1，3，6，12和持有期k=1，3，6，12构建了16个套利组合，并分别测算了赢家组合、输家组合和套利组合的月均收益，如表2-9所示。
表2-9 风格动量策略组合月均收益率
注：**标记表明t值在1%水平上统计显著，*标记表明t值在5%水平上统计显著
资料来源：
[宋曦 2007]
从上面的实证结果可以发现如下一些结论：
（1）风格动量效应不明显：所有套利组合中，仅有3个组合出现了风格动量效应，即观测期j和持有期k分别为（1，1），（1，6），（6，12），这3个组合中其中只有（1，1）统计显著性达到了1%。
（2）风格动量效应时间较短：实证结果表明只有在观测期为1月，买入并持有1个月的组合统计上1%水平上显著，而其余两个具有动量的效应的组合都只在5%水平上显著。
（3）中期风格反转迹象较为明显：在观测期为3个月的4个组合中，其中3个组合具有风格反转效应（套利组合收益为负，且统计显著），即观测风格动量3个月并分别持有前3个月表现最差的组合3个月、6个月和12个月均出现了显著的风格反转效应。
（4）长期风格动量与反转效应均不明显：在观测期为6个月和12个月时，8个投资组合中仅有1个组合出现了较为显著的风格动量，中国市场并未出现长期的风格动量或者反转效应，这与国外已有的实证结果——“中期动量，长期反转”差异较大。
各种实证研究研究结论表明，中国股市风格投资具有如下特点：
（1）积极的风格管理能创造出超额收益。
①如果一个投资者能够准确进行风格选时，就能制造出显著超额的收益。
②进行大盘/小盘风格选时潜在获利能力强于价值/成长。
③对大盘/小盘轮动的选时频率可以频繁进行，一年内可以多次进行，但价值/成长轮动频繁转换的意义不大，适合进行年度或者更长时间周期的选时及轮动。
（2）建立风格选时的量化投资模型，操作难度较大。虽然通过运用支持向量机（SVM）方法进行风格选时的预测，但结果依然差强人意。预测精度与国外同类模型的输出相比，仍然较差。主要原因如下：
①中国股市与宏观经济指标的关联性差。
②数据来源受限，无法得到一些风格指数的成分数据。
（3）风格动量效应不明显，持续时间较短。如果要进行积极的风格动量投资，应当加强对前1个月的受欢迎投资风格进行重点观测，即增强配置前1个月受欢迎风格的股票，降低配置不受欢迎风格类股票能够显著提高组合的投资收益。
（4）中期风格反转效应较明显。3个月的风格效应容易出现反转，即密切观测以3个月为一个周期的风格动量具有比较强的现实意义。对于一个积极风格管理者，不妨以3个月为周期进行风格反转操作，建议持有期在3个月以上。
（5）积极风格管理的适用对象为中短期投资者。由于长期的风格收益差及风格动量并不十分明显，因此，主动风格轮动策略适用于积极的中短期投资者。对于长期投资者来说，构建风格中性的投资组合或许是最佳的选择（风格中性：指投资组合不偏向某一种特定投资风格，平衡配置各种风格的股票）。
案例 大小盘风格轮动策略
大小盘轮动最为投资者所熟知，本案例就A 股市场的大小盘风格轮动进行实证研究，通过建立普通的多元回归模型来探寻A 股的大/小盘轮动规律。
1.大小盘风格轮动因子
大小盘风格轮动因子如下。
（1）M2同比增速：M2同比增速为货币因素，表征市场流动性的强弱。当流动性趋于宽松时，小盘股相对而言更容易受到资金的追捧。
（2）PPI同比增速：PPI反映生产环节价格水平，是衡量通胀水平的重要指标；且PPI 往往被看成CPI的先行指标。
（3）大/小盘年化波动率之比的移动均值：波动率表征股票的波动程度，同时也在一定程度上反映投资者情绪；可以认为大/小盘年化波动率之比能够反映出一段时间内大/小盘风格市场情绪的孰强孰弱，而经过移动平滑处理后的数值则更加稳定。
2.预测模型
基于上面所讲的风格因子建立如下回归模型：
其中，
D（R t ）为当月小/大盘收益率差（对数收益率）；MG t-1 为上月M2同比增速；PG t-3 为3个月前PPI同比增速；σ t-3 为3个月前小/大盘年化波动率之比的移动平滑值；ε t 为误差项。
本案例采用滚动78个月的历史数据对模型进行回归，得到回归系数后对后一期的D（R t ）进行预测，由修正预测值的正负来进行大/小盘股的投资决策。数据预测期为2004 年6 月至2010 年11 月。
3.实证结果
在78 个月的预测期中，准确预测的月数为42 个月，准确率约为53.85%，并不十分理想。但值得一提的是，2009年10月至2010年12月，模型的预测效果非常好，准确预测的月数为12个月（仅在2010年6月和10月出现了差错），该段时间的预测准确率达85.71%，结果如表2-10所示。
表2-10 大小盘风格轮动策略月收益率均值
资料来源：
[曹源 2010]
若从2004年6月开始按照轮动策略进行投资，则截至2010年11月底轮动策略的累积收益率为307.16%，同期上证综指的收益率为81.26%，小盘组合的累积收益率为316.97%；轮动策略稍逊于小盘组合，但仍较大幅度地跑赢了市场指数。
如图2-3所示，轮动策略在2007年的大牛市中能够很好地跟随大盘股的节奏，而在2009年以来的结构性行情中又能较好地捕捉小盘股的投资机会。
若从2007年初开始采用轮动策略进行投资，则截至2010年11月底累积收益率可达458.65%，大幅超越同期上证综指及大、小盘组合的收益率。
图2-3 大小盘轮动策略收益率曲线
资料来源：
[曹源 2010]
本节小结
本节阐述了有关风格轮动的原理、策略和方法，并且用两个案例来验证该方法的有效性。从实证的结果来看，风格轮动策略比单纯的持有策略具有明显的超额收益，这说明A股市场确实存在风格效应。
◆ 摘要 ◆
与风格轮动类似，行业轮动是另外一种市场短期趋势的表现形式。在一个完整的经济周期中，有些是先行行业，有些是跟随行业。例如，对某个地方基础设施的投资，钢铁、水泥、机械属于先导行业，投资完后会带来房地产、消费、文化行业的发展，这就属于跟随行业。
研究在一个经济周期中的行业轮动顺序，从而在轮动开始前进行配置，在轮动结束后进行调整，则可以获取超额收益。本节研究这种行业轮动的规律和策略。
1.行业配置与宏观经济
自上而下的投资分析方法认为，宏观经济决定了资产的收益率，因此对于一个坚持自上而下分析的投资者来说，一般先关注宏观经济运行指标的变动，然后进行资产配置，或者调整投资组合的风格，并且指导股票资产中的行业组合进行积极管理。
从股票投资的方向来看，利用宏观经济指标驱动行业配置的理念和作用在于：
（1）在自上而下的投资分析中，行业层面是最基本的分析，也是由宏观经济来指导的。
（2）在股票收益分解过程中，实证结果表明行业因子是股票收益的重要贡献因子，因此，能够预测到行业未来的变动，选择强于整体市场的行业进行配置，获得超额收益的概率也将较高。
2.宏观经济周期对行业配置的指导
作为自上而下投资策略的重要组成部分，行业配置是投资管理中一个重要的环节，国外许多实证研究表明，在环球资产配置中，行业配置对组合收益的贡献的重要性甚至超过了国家配置，而且认为行业配置的重要性在未来相当长一段时间内也将保持。行业轮动策略的有效性原因是，资产价格受到内在价值的影响，而内在价值则随着宏观经济因素变化而波动。而周期性行业在不同经济周期表现差异较大的原因是，其经济产业链上的位置所决定的现金流量不均衡。
研究表明，板块/行业轮动在机构投资者的交易中最为获利的盈利模式是基于行业层面进行周期性和防御性的轮动配置，这也是机构投资者最普遍采用的策略。此外，周期性股票在扩张性货币政策时期表现较好，而在紧缩环境下则支持非周期性行业。行业收益差在扩张性政策和紧缩性政策下具有显著的差异。
3.货币政策周期的划分标准
国际上的研究者一般根据FED 的利率方向性变化采用FED 贴现率来划分货币政策的周期，他们认为依赖于FED 的贴现率而不是联邦基金利率具有两个好处：一是FED 贴现率自FED 成立以来就一直存续，比基准利率存在时间长；二是贴现率与联邦基金利率存在相对应的转换点。
由于我国利率并没有实现市场化，而是由政府管制的，因此我国货币政策实际能运用的利率进行调整的范围并不大。如果按照利率政策来看，进行行业轮动期间跨度过长，并不能反映中央银行实际所执行的货币政策及货币周期的变动。
除了按照央行的货币政策对利率和存款准备金率进行调整外，央行实际可以运用的货币政策手段还有公开市场操作、调整再贴现利率及窗口指导等，而这些手段最终可以反映货币供应量的变化。根据货币供应量的变化来判断货币政策周期，而M2正是广义的货币，反映了社会总需求的变化和未来通货膨胀压力。M2同比增速则可以反映流通中的货币供应量变化，即货币政策效果的实际反应。因此，可以用M2来判断货币政策或者货币供应处于扩张还是紧缩的周期。
由于月度M2的波动仍然比较剧烈，需要采用移动平均的方法进行平滑，结果如图2-4所示。
图2-4 国内经过移动平均平滑后的M2同比增速
数据来源： [卜永强 2012]
通过移动平均线平滑后的M2增速，将2007年6月至2011年12月划分成如表2-11所示的几个货币周期。
表2-11 中国货币周期分段（2007—2011年）
数据来源： [卜永强 2012]
从货币周期来讲，货币周期的一个阶段持续时间最短为一个季度，最长达到了一年半左右，平均持续时间在12个月左右，比较适合作为中期战术性组合管理的 依据。
4.行业分类：周期性VS非周期性行业
为了将行业划分为周期性行业和非周期性行业，这里选取沪深300行业指数，并且以沪深300 指数作为市场组合，利用CAPM 模型计算行业的Beta值和均值方差。
从Beta 值来对行业的周期性和非周期性进行区分，周期性行业有能源、材料、工业、和金融；非周期性行业有可选、消费、信息、医药、电信和公用。
从表2-12中可以看出年均收益率最高的行业为医药，其次是金融和公用，收益率最低的行业是可选。
表2-12 沪深300行业指数统计
数据来源： [卜永强 2012]
案例M2行业轮动策略
针对上述对周期性和非周期行业的划分，构建周期性行业和非周期性行业的轮动策略。
数据与轮动策略的建立
（1）信息的同步性：考虑到M2 的披露时间及信息的传导时间，所有投资时段都滞后了一个月的时间。
（2）组合的构建策略：在货币政策处于扩张时等权重配置周期性行业，紧缩时等权配置非周期性行业。
首先统计周期性行业和非周期性行业在货币政策处于扩张或者紧缩时期的不同表现，同时计算每个阶段要进行10个行业的等比例投资，具体情况如表2-13所示。
表2-13 不同货币阶段不同行业的收益率
资料来源：
[卜永强 2012]
通过对周期性行业和非周期性行业在不同阶段收益的比较，3个紧缩阶段非周期性行业组合全部战胜了周期性行业组合，胜率为100%。在3个扩张周期中，两次周期性行业战胜非周期性行业的表现，胜率为67%。在两次较大的下跌市场环境中，投资于非周期性行业均规避了较大的市场风险，其防御性特征可见一斑。而在牛市中，周期性行业和非周期性行业的投资收益相差较小。
按照顺周期策略（即策略1）构建投资组合并查看组合的收益及对应的逆向投资（扩张时投资非周期性行业，紧缩时投资周期性行业，初始资金一千万）。
如图2-5所示为周期性行业和非周期性行业按照顺周期策略进行轮动的资产损益变动图。在每个周期开始时都重新调整等比例投资，等权分配所投资行业的权重。
图2-5 顺周期行业轮动策略的收益率图示
资料来源：
[卜永强 2012]
从2007年6月至2011年12 月的策略收益来看，不考虑交易成本，顺周期行业轮动策略获得最高的累积收益（-19.65%）远胜于行业平均（-40.50%）和逆周期策略（-59.13%），逆周期策略表现最差。
此期间业绩基准为沪深300 指数的收益为-37.57%，顺周期的行业轮动策略则战胜沪深300 指数达到17.92%，年化超额收益超过3.6%。即便扣除2%的单次换仓成本，行业轮动策略同样远远战胜同期沪深300 指数和行业平均投资策略的表现。
该策略具有如下优点：理念容易理解，且符合自上而下的投资理念，适合机构投资者进行行业配置；将行业划分为周期性和非周期性进行投资，这种分类标准与实际投资中对行业属性的认识也非常接近，减少了对行业基本面和公司信息的依赖；在紧缩时由于选择投资于非周期性行业能够避免较大的不确定性，使得整个组合的风险大大降低，抗风险能力得到增强；依据货币供应增速M2进行轮动，使得策略具有较强的可操作性。
从对货币周期的划分，再到按照货币周期的紧缩和扩张进行行业轮动策略的实证来看，货币供应量M2是宏观经济运行中的重要指标，也是货币政策效果的集中体现，用它来指导行业配置确实能够起到增强组合收益、降低组合风险的作用。
从上述实证研究可以看到，在行业配置过程中考虑到了行业周期性和非周期性因素的影响，实际上如同在组合配置过程中进行风格配置一样，是价值股还是成长股，抑或是大盘股和小盘股的风格轮动。
在投资中，风格选时对组合收益的贡献大约为50%，如果对周期性和非周期性行业做出正确的判断而进行适时轮动，则对组合收益的贡献将不低于风格选时，且持续性较强。从难易程度上讲，驱动风格轮动的因子变量仍不明确，一般采用宏观经济模型、基本面模型和风险模型进行综合建模；而周期性行业和非周期性行业基本可以确信为由宏观经济因子，特别是货币因素所驱动，因此，判断难度大大降低，增强了进行周期性和非周期性行业轮动的可操作性。
轮动投资策略主要是通过对特定代理变量的观测适时投资强势投资品种，从而获取超额收益。轮动投资策略有主动轮动和被动轮动之分。对于行业轮动来说，主动轮动通过代理变量的预示作用选择未来表现强势的行业进行投资；被动轮动则在轮动趋势确立后进行相关行业的投资，代理变量主要用来刻画轮动趋势。
前一节的基于M2这一代理变量观测货币政策周期进行周期性行业和非周期性行业的轮动策略就属于主动轮动策略，本节探讨一种被动轮动策略：基于市场情绪的行业轮动。
市场情绪指标种类繁多，最常见的是市场技术指标。对于趋势型技术指标，虽然指标值完全基于历史市场信息，但在趋势性市场中这些指标也能刻画出市场趋势动量的强度。基于此，可以认为趋势性市场情绪指标对行业轮动具有一定的指导意义，有可能开发出实用的被动型行业轮动策略。
1.策略模型
基于市场情绪设计行业轮动投资策略主要考虑两点：一是哪些行业处于上扬趋势，即哪些行业从市场情绪来看变得可投资；二是这些可投资的行业中哪些行业更具备比较优势，即哪些行业具有比业绩基准更强的上扬趋势。
市场情绪的刻画手段有很多，例如，种种技术指标都是从某一角度来刻画市场情绪的，但必须选择交易信号指示明确的趋势性市场情绪指标。值得注意的是，一般市场情绪指标由于过度依赖历史信息而在遭遇行情剧烈波动时往往会发生误判，所以基于市场情绪的行业轮动策略中止损策略的考虑必不可少。
本案例主要设计了两种行业轮动策略，如图2-6所示，策略1主要利用市场情绪指标评估行业的绝对趋势强度和相对趋势强度；策略2主要利用市场情绪指标评估业绩基准趋势强度，然后在此基础上评估行业的相对趋势强度。这两个策略的投资标的为沪深300的十大行业。
图2-6 市场情绪行业轮动策略1和策略2
2.实证案例
案例 市场情绪轮动策略
案例中设计的行业轮动策略中，市场情绪指标采用最普遍的MACD 市场指标进行刻画，MACD 属于趋势类指标，在趋势型市场中比较有效，但在剧烈波动或盘整市场中效率比较低。在本案例的行业轮动策略中，MACD 指标的短期均值取历史20 周，长期均值取历史40周。
策略观测频率为周，因为周数据可以过滤大量的市场噪声而保留市场主要趋势。策略回溯期为2003年至2009年4月3日，时间跨度6年3个多月，共349周，沪深300 指数同期收益率为129.45%。止损水平设定为5%，即当周亏损达到5%时，当期头寸完全退出。业绩基准采用沪深300 指数在市场情绪MACD指示下择时投资的累积收益。可投资行业的权重配置策略为平均配置，即每周符合投资条件的行业以平均权重进行配置。
设计的两个市场情绪行业轮动策略的最终收益率如图2-7所示，策略1的收益率为1093.93%，策略2的收益率为965.26%，策略收益远远大于择时性质的业绩基准，当然也远远大于沪深300 指数同期收益水平。
图2-7 市场情绪行业轮动收益率曲线
资料来源：
[谢江 2010]
逐年来看，除2003 年外，其余年份两个轮动策略均跑赢沪深300 指数；除2003年、2008 年外，其余年份两个轮动策略也均跑赢业绩基准。
策略成功的关键在于市场情绪指标的选取、指标计算参数的选择及适当止损。市场情绪指标必须选择交易信号指示明确的趋势性市场指标；情绪指标计算参数的选择决定了交易机会的触发和中止，主要决定策略的收益率水平；而止损水平则是一把双刃剑，在控制策略的系统性风险的同时有可能损失高波动中的收益机会。
情绪指标计算参数及止损水平的选择对策略收益影响较大，这些经验参数的设置可通过历史回溯获得。从提高策略稳健性的角度出发，可选择多组参数多策略地同时进行轮动投资。
本节小结
行业轮动的原理来自于宏观经济周期，在中国的宏观经济调控中，不同的行业会有不同的受益程度，从而形成了独特的行业轮动现象。本节讨论了行业轮动的基本思想和主要策略，介绍了两个行业轮动的策略。
从宏观经济运行出发，找到M2同比增速来作为测量货币政策环境的一个重要变量。在此基础上，构建了周期性行业和非周期性行业轮动策略，该策略的理念是：周期性行业具有较大的风险和较高的收益，因此在货币环境宽松、宏观经济繁荣时表现更好；而在货币环境处于紧缩时往往意味着经济下滑，而非周期性行业更具有防御性，投资效果会较好。通过实证研究发现，周期性行业能够在货币政策处于扩张阶段远远战胜非周期性行业；而紧缩时期即在市场下跌时，非周期性行业能够起到更好的防御优势。
第二个策略是基于市场情绪指标进行被动型行业和行业龙头股的轮动投资策略。策略的设计有两大要点：一是通过市场情绪择时选择强势行业；二是在此基础上进一步选择更具比较优势的行业进行最终投资。策略成功的关键在于市场情绪指标的选取、指标计算参数的选择及适当止损。市场情绪指标必须选择交易信号指示明确的趋势性市场指标；情绪指标计算参数的选择决定了交易机会的触发和中止，主要决定策略的收益率水平；而止损水平则是把一双刃剑，在控制策略的系统性风险的同时有可能损失高波动中的收益机会。