|
林晓明 S0570516010001 SFC No. BPY421 研究员 李 聪 S0570519080001 研究员 韩 晳 S0570520100006 研究员 报告发布时间：2021年7月2日 摘要 统一框架检验单一资金面指标择时效果，并构建多指标择时体系 本文将参与A股投资的资金分为产业资本和金融资本，又将金融资本细分为境外机构投资者（北向资金）、境内机构投资者（公募基金、信托、私募、券商资管、保险）、境内个人投资者、杠杆资金等大类；在各资金类型中遴选和构建代表性指标，并采用统一的择时框架进行测试。以上证指数及其同期的最佳择时策略为参照，本文从北向资金、杠杆资金、产业资本、信托、私募类资金中筛选出9个有效的择时指标，并基于单指标测试结果构建多指标择时策略，回测结果表明，该择时系统在考虑交易费用的情况下仍具备显著超额收益。 从资金类型出发构建资金面择时指标 从产业资本和金融资本出发，本文将A股市场的资金分为北向资金、杠杆资金、公募基金、产业资本、境内个人投资者、保险、信托、私募、券商资管等9类，共构建了32个择时指标。对北向资金，选用陆股通流量数据；对杠杆资金，选用融资融券流量数据；对公募基金，选用股票型ETF净流入和新发行股票型基金份额；对产业资本，选用增减持和股票回购数据；对境内个人投资者，选用A股新开户数量；对保险，选用保险资金运用余额变化值；对信托，选用新发行证券投资信托规模；对私募，选用股票型私募基金管理规模变化；对券商资管，选用新成立股票型产品份额。 单指标检验发现北向、杠杆、产业资本、信托、私募等指标具有择时能力 为了避免过拟合，本文对日、周频指标采用布林带和分位数策略，对月频指标采用同比动量策略。对比不同策略和参数下的表现，发现陆股通买入/卖出、陆股通净流入、融资融券交易金额、融资融券余额变化、高管总增持、高管增持/减持、股票回购实施金额、新发行证券投资信托规模、股票型私募基金发行规模等9个指标超过同期上证指数及其最佳择时策略的表现，具有显著择时能力；陆股通成交额、股票型ETF净流入、股票型基金新发行份额、券商资管新成立股票型产品份额、保险资金运用余额变化值等指标未能超过同期上证指数或其最佳择时表现，认为不具有显著择时能力。 构建多指标择时系统在考虑手续费用的情况下仍具有显著超额收益 基于单指标回测结果，本文遴选出14个代表性资金面指标以构建多指标择时系统。测试对比不同指标集合、调仓频率、加权方式、信号档位等参数，总体来看，不考虑手续费情况下，择时能力较强的9个单指标构建的集合优于所有14个指标构建的集合、日频调仓优于月频和周频调仓、简单等权的加权方式表现较好。以此构建的择时策略从2011.7.1到2021.5.31回测期间，信号档位为2、3、5时回测夏普比分别为1.08、1.02、0.89，同期上证指数夏普比为0.14、上证指数最佳择时策略夏普比为0.52。最后，对不同调仓频率引入手续费测试，周频和月频下仍可取得显著超额收益。 风险提示：择时等量化模型都是对历史投资规律的挖掘，若未来市场投资环 境发生变化，则量化投资策略存在失效的可能。本报告对历史数据进行梳理总结，不构成任何投资建议。根据历史数据的规律总结，存在失效的可能，历史结果不能简单预测未来。 报告正文 本文导读 本文延续上篇《A股择时之情绪面指标测试》（2021年2月4日），继续测试资金面指标相关表现。具体来说，我们仅考虑实际参与A股市场投资的各类资金，而不考虑利率等代表全资本市场的资金面宽裕程度的指标。我们将投资者分为以下几个类别。1：产业资本，以股东增减持和股票回购为代表指标；2：金融资本中的境外投资者，以北向资金为代表；3：金融资本中的境内机构投资者，以公募基金为代表，重点观察新发股票基金的份额、股票型ETF的资金流入；兼顾考察信托、保险、券商资管、私募基金；4：金融资本中的个人投资者，通过上交所新开账户数进行观测；5：杠杆资金，即融资融券交易。
资金流入股市，可以归结为以下两方面因素驱动，1：资金规模增加导致配置股票类资产的需求增加，即流动性的驱动；2：资金投资股票意愿的增强，即投资者情绪的驱动。这两方面因素均可形成合理的择时逻辑。一方面，资金流入将给股市带来上涨空间；另一方面，作为投资者的择时信号，资金流入代表投资者对市场有乐观预期。本篇研究更倾向于将资金面指标作为投资者的择时信号使用，通过追踪该类投资者的资金行为来构建择时策略。如果能以相对合理的策略和参数构造出稳健择时策略，则认为该类资金有择时能力。 我们将首先通过一套统一的择时框架进行单指标择时有效性的检验，然后构建多指标择时策略，对比不同构建方式的优劣，并考察交易费用对结果的影响，最后发现，基于有效资金面指标集构建的多指标择时策略可以获得显著超额收益。 单指标择时有效性检验 对于单指标有效性的检验，我们将首先选取适当的指标作为该类资金的代理变量，然后通过不同代理变量和市场涨跌的秩相关系数以及单一指标的择时效果，分析多个代理变量中，哪个更有效；最后对选中的代理变量进行参数的筛选和敏感性检验，考察在一组较优、稳健的参数组合下，该指标的择时效果是否能显著超过市场（以上证指数为代表）同期表现。
对于每一类资金选取代理变量时，特别是代理变量较为丰富的日频资金面指标，本文将从流量、存量、增长率三个角度选取，并评估三者的相对优劣。1：流量，即资金的单日流量，流入、流出、净流入、全部成交额等（例如北向资金每日的净流入，融资买入额，融券卖出额，某些流量指标需要通过Δ存量来计算）。2：存量，即资金目前的存量金额（例如两融余额等） 3：增长率，即流量/存量，体现资金的边际变化。 为了避免策略的过拟合，本文将尽可能简化择时策略的逻辑和参数。对于日频指标，使用布林带策略和分位数策略进行择时，分别代表趋势型和位置型策略；对于月频指标，使用同比动量策略进行择时。各个策略的择时逻辑和参数取值范围如下（尽管参数的取值有可能造成一定程度的数据挖掘，但由于不同资金的行为习惯有差异，我们认为有必要在参数层面进行一些优化，而不适合以一个固定的参数去适配所有的指标。相对应的，在对比基准时，我们也选取了优化后的较优择时策略，而非指数自身表现作为基准）。
北向资金 代表变量的选择和构建 北向资金最具代表性的是其每日净流入数据，即陆股通资金净流入。我们省去前100个交易日的数据，因为此时陆股通才刚开通，资金正在建仓。从图中来看，2019年及以后陆股通资金净流入的绝对值明显增大，反映北向资金对A股的重视程度提高。
如下表所示，我们从流量、存量、增长率这三个角度，筛选和构建了5个北向资金指标。
择时有效性检验 秩相关性检验：通过考察指标与滞后一日上证指数收益率的秩相关系数，初步判断陆股通资金净流入/累计净流入、陆股通买入/卖出、陆股通资金净流入等三个指标可能具有相对较好的择时能力。
择时策略构建：对上述指标遍历日频策略所有参数，根据回测夏普比的分布筛选指标。如下图所示，存量类指标的表现整体差于流量和增长率类，故剔除；剩余4个指标中，陆股通成交额的表现明显差于其它三个指标，即北向资金的流向比其活跃度更具择时意义，这与北向资金“聪明钱”的属性一致。于是，进一步剔除陆股通成交额。在剩余的3个指标中，因陆股通资金净流入/陆股通累计净流入的择时逻辑与陆股通资金净流入类似且择时效果不如后者，故舍弃。仅保留陆股通买入/卖出和陆股通资金净流入两指标。
对上述的两个指标选择合适的策略及参数。因分位数策略的表现整体好于布林带策略，选用分位数策略。
在该策略中，随着回看窗口的增长，回测表现也相应变好且趋于稳定；就阈值而言，分位数策略在较窄的分位数区间表现较好，在较极端的分位数区间表现不佳。综上所述，选取分位数策略、260日窗口、70%-30%分位数对所选指标进行择时。
同期上证指数自身表现：为了确保资金面指标和标的自身的表现可比，我们对同期上证指数也采用上述两个日频策略进行择时，并筛选稳健较优的参数组合。我们发现，分位数策略的表现整体略好于布林带策略，故选用分位数策略做择时。
在该策略中，随着回看窗口的增长，回测表现也相应变好且趋于稳定，回看窗口为120日时周围参数表现也较好；就阈值而言，分位数策略在较窄的分位数区间表现较好，在较极端的分位数区间表现不佳。因此，选取分位数策略、120日窗口、60%-40%分位数对上证指数进行择时。值得注意的是，在测试期内，上证指数自身的择时结果均不如买入并持有，后者的夏普比为0.27。
在测试期2016年6月8日到2021年5月31日内，将上述指标和同期上证指数择时策略、上证指数自身走势进行对比，统计量和净值表现如下：
由此，我们认为北向资金的陆股通买入/卖出、陆股通资金净流入指标具有较好的择时能力。其他指标和同期上证指数的参数筛选过程同理，下文不再一一展示。 杠杆资金 代表变量的选择和构建 杠杆资金主要指通过融资融券业务进入A股市场的资金。融资即证券公司出借资金给信用账户供其买入上市证券，融券即证券公司将上市证券出借给信用账户供其卖出。杠杆资金的典型指标“融资融券交易额”是一个不平稳的序列，在上证指数出现较大波动的时点往往也有趋势类似的波动，如2015年，融资融券交易金额在上半年迅速上行，在下半年又大幅回落，与指数的走势非常相似。
如下表所示，基于不同口径和量的类型对杠杆资金构建了11个指标。其中，资金口径分为融资、融券、融资融券（两融）；量的类型分为流量、存量，其中流量又细分为流量、存量变化、增长率。对所有存量类指标，均默认除以全体A股流通市值以避免A股扩容的影响。
下表展示了指标的具体构建方法：
择时有效性检验 秩相关性检验：通过考察指标与滞后一日上证指数收益率的秩相关系数，我们初步判断不同分类和口径下的杠杆资金指标都可能有较好的择时结果，即该类资金的择时没有太大的指标依赖性。
择时策略构建：对上述指标遍历日频策略所有参数取值，根据回测夏普比的分布筛选指标。在融资、融券和融资融券这三个口径下，测试结果无太大差异，融资融券略优于其它两个口径。鉴于融资融券最具代表性，只考虑该口径下的指标。在剩余指标中，流量类指标和存量类指标的表现各有千秋，前者均值略高，但后者分布更集中。
对上述四个指标选择合适的策略及参数。观察不同参数下各个指标的择时结果我们发现，布林带策略的表现整体好于分位数策略；在布林带策略中，阈值为2倍标准差时表现最好；窗口长度为120时结果最稳定。因此，我们选取布林带策略、120日窗口、2倍标准差对所选指标进行择时。此时存量类指标融资融券余额表现不佳，故剔除；增长率类指标择时逻辑与流量类指标及存量变化类指标类似而表现不如后者，亦剔除。仅保留融资融券交易金额和融资融券余额变化这两个指标。然而，杠杆资金相关指标的回测表现严重依赖于是否能对2015-2016年的极端行情做优化，存在较高的过拟合风险。 从2014年2月13日到2021年5月31日，选中策略的夏普比率、年化收益率均高于上证指数的同期指标；年化波动率和最大回撤的绝对值则小于上证指数的同期指标。同期上证指数的稳健较优择时策略和参数为：布林带策略、60日窗口、2倍标准差。入选策略的夏普比和年化收益率高于上证指数最佳择时结果。
杠杆资金类指标对应的最优策略阈值较高，触发阈值的难度较大，每年换仓次数较低，降低了策略的灵活性。但总体而言，还是可以超越同期基于指数自身的最优策略，因此，也认为这两个指标有一定的择时能力。 公募基金 股票型ETF净流入 ETF是交易所交易产品的一种，按投资范围可分为股票类、债券类、商品类、货币类、跨境类等。ETF使投资者能够更好的分散风险，而和指数基金相比，它又能够在二级市场进行交易。资金可能通过ETF流入（出）市场推动股价上（下）行；也可能因低买高卖而导致ETF净流入与股市反向波动。ETF相关资金面指标较少，仅考察股票型ETF净流入作为代理变量。 为剔除股价涨跌的影响，我们用t日的ETF复权收盘价乘以t日与t-1日的ETF份额之差作为t日该ETF的净流入。为避免份额拆分造成的影响，若某只ETF某日为份额拆分日，则该日近似处理当只ETF的净流入为零。在历史上，共有85个被这样近似处理的数据点。下图展示了处理后的全部股票型ETF净流入数据和上证指数走势。
秩相关性检验：股票型ETF净流入与滞后一日的上证指数收益率微弱的正相关；而与滞后一周、一月、一季的上证指数收益率负相关，所以该指标的择时方向仍需进一步检验。
择时策略构建：用布林带和分位数策略对股票型ETF净流入指标进行正向和反向的择时回测，遍历所有参数。正向择时的结果整体好于反向择时，认为该指标的择时方向为正。
由于分位数策略的表现整体好于布林带策略，所以选用分位数策略进行择时。考察策略参数，60%-40%分位数时回测表现最好，此时回看窗口取60日参数较为稳健，故采用分位数策略、60日窗口、60%-40%分位数对所选指标进行择时。
从2006年3月15日到2021年5月28日，股票型ETF净流入分位数策略的回测结果好于买入并持有指数。同期上证指数的稳健较优择时策略和参数为：布林带策略、60日窗口、2倍标准差。入选策略的夏普比低于上证指数的最佳择时结果，说明股票型ETF净流入的择时能力有限。
股票型基金新发行份额 基金是股票市场的重要参与者，资金可通过基金发行进入市场。由于基金发行相关指标较少，故仅选取股票基金新发行份额作为代理变量。由于不是每日都有基金发行、且基金建仓需要时间，所以将该指标的日度数据通过加总转化为月度数据，用零填充缺失值。一方面，资金可通过基金发行进入市场；另一方面，基金发行也进行择时，牛市时发行份额更多。新发行股票基金份额的走势和上证指数有一定相关性，如15年上半年牛市时新发行的股票型基金份额大幅攀升，股灾后又迅速回落；这可能是由于基金倾向于在市场表现好时发行，但这种基金的主动择时可能具有滞后性。
秩相关性检验：股票型基金新发行份额与上证指数收益率的秩相关系数也反映了二者之间的领先滞后关系，上证指数收益率的领先值与股票型基金新发行份额之间的秩相关系数较高，即指数的变化先于新发行基金份额的变化。这暗示股票型基金新发行份额可能不是一个很好的择时指标。
择时策略构建：用同比动量策略对该指标进行回测。如下表所示，从2011年3月1日到2021年5月31日，择时策略表现与直接对上证指数进行择时相当，并无显著超额收益，认为该指标择时效果不理想，与前文推断一致。
产业资本 产业资本增减持 产业资本的增减持既可以成为资金的供给方，也可能成为资金的需求方。因此，我们需先重点考察其择时逻辑。一般认为产业资本是和金融资本（商业资本或借贷资本）相对立的一种资本形式，在资本循环中依次以货币资本（用来购买原材料、雇佣劳动力）、生产资本（原材料和劳动力）、商品资本（生产出的商品）的形式存在，支配了整个社会的生产过程。按照Tobin’s Q理论，当一个公司的市场价值高于其重置成本（资产价值或内在价值）时，金融资本便有动机转化为产业资本，即买入实体资产、卖出金融资产；反之，当企业重置成本高于其市场价值时，产业资本将有动机转化为金融资本，即以低价买入金融资产、高价卖出实体资产。所以，产业资本一般被认为会在股价处于高位时减持、在股价处于低位时增持以套利，即产业资本增减持对股票收益率的择时逻辑为负。 关于产业资本增减持择时的另一种逻辑是：就预期而言，首先，产业资本因对公司的经营管理比较了解，所以能较好地判断其Q值的大小，因此当它增（减）持时，会被市场认为是公司估值过低（高）的信号，所以产业资本增（减）持后应导致股价上（下）行。其次，产业资本增持后市场上资金增加、流通股票数量减少；减持后市场上资金减少、流通股票数量增加，供求关系的变化也会推动股价出现上述方向的波动。最后，产业资本可能会在股价较低时增持以增强投资人的信心，从情绪面上推动之后的股价上行。总之，这种理论认为产业资本增减持对股票收益率的择时逻辑为正。 下图展示了2014年以来高管口径下产业资本净增减持与上证指数净值的关系。以15年为例，当上半年股票市场急剧上行时，产业资本基本上一边倒的减持；而当下半年股灾到来后产业资本开始增持。这似乎暗示产业资本增减持的择时逻辑为负。
基于产业资本增减持数据，我们构建了如下的8个指标，分属四个类别和两个口径：
秩相关性检验：我们考察以上各指标的n日累计值与滞后n日（保证无重叠）上证指数的n日累计收益率之间的秩相关系数，以5日为步长，遍历n = 1到120（6个月）。对增持类指标，高管口径和全市场口径下的指标累计值与滞后的上证指数累计收益率之间的秩相关系数均为负，且其绝对值随窗口期的增长而增大。这暗示我们产业资本增持预示着未来股票将下跌。
对减持类指标，高管口径和全市场口径下指标累计值与滞后的上证指数累计收益率之间的秩相关系数呈现先负后正的趋势。这暗示我们产业资本减持后短期内股票将上涨，但长期看将下跌。
对净增减持类指标，高管口径和全市场口径下指标累计值与滞后的上证指数累计收益率之间的秩相关系数基本为负，在给定窗口长度下，高管口径的秩相关系数绝对值更大。这暗示我们产业资本净流入后股票将下跌。
对增持/减持类指标，全市场口径下增持/减持与滞后的上证指数累计收益率的秩相关系数先负后正；高管口径下的秩相关系数一直为负。在给定窗口长度下，高管口径的秩相关系数绝对值更大。这也暗示我们产业资本净流入后股票将下跌。
总之，相关性分析结果更支持产业资本增减持的择时逻辑为负。 择时策略构建：我们用布林带和分位数策略遍历所有指标进行回测，反向择时逻辑明显好于正向择时，即回测结果也更支持产业资本增减持的择时逻辑为负。因此，只保留反向择时的策略。
减持类指标的表现明显弱于其它三个指标，该类指标在秩相关系数检验中也是和上证指数累计收益率负相关性最弱的一组，符合预期，故将其剔除。高管口径的表现优于全市场口径，或是因为高管对公司经营管理情况了解更多，故能更好的判断上（下）行趋势。基于此，只保留高管口径下的三个指标：高管总增持、高管净增减持、高管增持/减持。
接下来对上述三个指标选取策略和参数。分位数策略的表现整体好于布林带策略。在分位数策略中，时间窗口较短时策略表现更好、阈值较宽时策略表现更好；基于此，选择分位数策略、20日窗口、90%-10%分位数对所选指标进行择时。此时，高管净增减持指标的择时逻辑与高管增持/减持一致但表现不如后者，故剔除。 从2015年1月28日到2021年5月31日，遴选出的产业资本增减持类指标的回测结果好于买入并持有上证指数；同期上证指数的稳健较优择时策略和参数为：布林带策略、20日窗口、2倍标准差。入选策略的夏普比亦高于上证指数择时结果，说明高管总增持、高管增持/减持两指标具有较好的择时能力。入选指标的统计量和净值表现如下：
股票回购 股票回购一般是公司认为股价被低估，从而收回股份所有权，向资本市场注入资金。股票回购实施代表着资金的流入，一般会导致指数上涨。以股票回购实施金额（万得指标“重要持股人：股票回购明细”）作为股票回购的代表，数据频率为月频。
该指标与滞后一个月上证指数收益率的秩相关系数约为10.00%，呈正相关，初步判断该指标有正向择时作用，这也与该指标的经济意义相符。
采用同比动量策略对该指标和同期上证指数进行择时，回测结果如下图表所示：从2015年1月30日到2021年5月31日，基于股票回购实施金额的同比动量策略夏普比率、年化收益率均远高于上证指数的同期指标和上证指数同期的同比动量策略择时结果，我们认为该指标具备较显著的择时能力。
境内个人投资者 以上证所A股新增开户数（万得指标“上证所：A股账户新增开户数（M0010401）”）近似代表境内个人投资者的变化，数据频率为月频。2015年及以后该指标规模明显变大。
该指标与滞后一个月上证指数收益率的秩相关系数约为4.45%，呈正相关，初步判断该指标有正向择时作用。
采用同比动量策略对该指标和同期上证指数进行择时，回测结果如下图表所示：从2013年2月10日到2021年5月31日，夏普比率、年化收益率均高于上证指数的同期指标，但均低于上证指数同期的同比动量策略择时结果，我们认为该指标择时能力一般。
其他境内机构投资者 本部分考察境内其他机构投资者，由于数据可得性所限，部分指标的代理变量不能完全反映资金流入，以规模变化作为近似替代，主要结论如下：
保险 以保险资金运用余额变化值（根据万得指标“保险公司：保险资金运用余额：股票和证券投资”（M5876382）一阶差分得出，这一部分包括对股票和基金的投资）近似代表保险公司投资于股市的资金，数据频率为月频。从图中发现，在股指上涨时，保险资金运用余额变化值（投资于股票）一般为正；在股指下跌时，保险资金运用余额变化值（投资于股票）一般为负。因此初步认为，保险资金运用余额变化值对股指的择时方向为正。事实上，这部分资金的增长一部分来源于新发行，一部分来源于已经完成的资产配置部分的组合价值随着价格的变化，未剔除股市自身上涨趋势的影响。
通过指标与滞后一个月上证指数收益率的秩相关系数，我们初步判断，指标具有正向择时作用。
采用同比动量策略对该指标和同期上证指数进行择时，回测结果如下图表所示：
从2013年6月3日到2021年4月30日，该策略夏普比率、年化收益率均高于上证指数的同期指标，均低于上证指数同期的同比动量策略择时结果。我们认为该指标择时能力一般。 信托 以新发行证券投资信托规模（万得指标“信托产品大全-发行总览-信托产品发行统计-证券投资信托规模”）作为信托资金的代表，数据频率为周频。
该指标与滞后一周上证指数收益率的秩相关系数约为3.51%，呈正相关，初步判断该指标有正向择时作用。
我们采用布林带、分位数、同比动量三种策略对该指标进行择时，发现布林带策略较为适用。以下仅展示布林带择时的效果，并考察该策略在不同参数下的表现：窗口（12周、24周、36周、48周、52周、60周、72周、84周、96周、108周）和标准差倍数（0.5、1、1.5、2）。
随着回看窗口的延长，夏普整体上呈上升趋势；随着标准差倍数的增加，夏普呈下降趋势。出于兼顾经济意义和避免过拟合的考虑，我们选取布林带策略、52周窗口、0.5倍标准差对指标进行择时，回测结果如下图表所示：
从2010年5月5日到2021年5月31日，该策略夏普比显著超越同时间段内上证指数自身和上证指数同期的布林带策略择时结果，我们认为该指标具备显著的择时能力。 私募 股票型私募基金发行规模可以近似代表股票型私募基金流向A股市场的金额，数据频率为月频。然而，2018年及以后，受到中国金融市场监管政策影响，股票型私募基金发行规模明显变小。我们同时考察了股票型私募基金发行规模、股票私募基金管理规模变化，发现股票私募基金发行规模的择时能力不如股票私募基金管理规模变化，故只展示股票私募基金管理规模变化指标（“万得指标：私募基金管理：证券：管理规模”（M5543215））。类似于保险资金，这部分资金的增长一部分来源于新发行，一部分来源于已经完成的资产配置部分的组合价值随着价格的变化，未剔除股市自身上涨趋势的影响。
下面是指标与滞后一个月上证指数收益率的秩相关系数，我们初步判断，股票型私募基金管理规模变化指标可能有较好的正向择时能力。
采用同比动量策略对该指标和同期上证指数进行择时，回测结果如下图表所示：
从2015年3月2日到2021年4月30日，该策略夏普比率、年化收益率均远高于上证指数同期指标和上证指数同期的同比动量策略结果，我们认为该指标具备较显著的择时能力。 券商资管 以券商资管新成立股票型产品份额（万得指标“券商资管大全-市场概况-产品发行统计”）近似代表券商资管流入股市金额，数据频率为月频。
下面是指标与滞后一个月上证指数收益率的秩相关系数，券商资管新成立股票型产品份额与股指走势负相关，然而，排除A股扩容影响（即除以A股流通市值）调整后的指标与股指走势变为正相关。我们初步判断，券商资管指标可能没有好的择时能力。
采用同比动量策略对该指标和同期上证指数进行择时，回测结果如下图表所示：从2012年12月3日到2021年5月31日，该策略的夏普比近似于上证指数的同期择时指标；但年化收益率低于上证指数的同期择时指标。我们认为该指标没有好的择时能力。
多指标综合择时策略构建 构建方法 通过上文的单指标筛选和检验，我们共筛选出14个对各类资金有代表性的指标，其中9个指标我们认为具备较显著的择时能力。下表展示了参与合成的单指标及其择时效果。接下来，我们将单指标的原始信号进行加总，构建多指标择时策略。
在单指标信号加总时，我们尝试使用不同的指标集、调仓频率、变频方式、加权方式、信号挡位等。下表展示了信号加总时上述几种方案的具体做法及相对应的二级自由度。
测试结果 我们首先在不考虑手续费用的理想条件下测试上述参数取值对策略结果的影响。测试期为2011年7月1日至2021年5月31日，如上表所示共有180个测试组（2×5×6×3）。对比基准为同期上证指数走势和上证指数最优择时策略的表现（同样不考虑手续费）。在测试过程中，原始信号均允许做空（即包含-1）。 在加权方式上，等权与胜率加权相差不大，因过去的准确未必意味着将来的准确。在此基础上，高频信号转化方式取末尾值好于取平均值。其原因可能是取平均值时牺牲了信号的时效性。
指标集方面，优化后指标集的表现整体略好于优化前。因为优化后指标剔除了单指标回测表现较差的指标。但值得注意的是，日频调仓下优化前和优化后指标集的表现差别不大。
就调仓频率而言，日频好于周频好于月频。频率越高，能够捕捉到的有效信息也就越多，在不施以频繁交易惩罚（交易成本）时，策略表现也就越好。就档位而言，分3档和分5档的表现均较好。
基于上述分析，选取最优合成方法为“日频调仓、调整后指标集、等权”。下表展示了该合成方式下分2、3、5档的择时结果，随着档位增加，策略的收益率和波动率下降，反映了不同的风险水平。在回测期内，上证指数自身的最佳择时为布林带策略、20日窗口、2倍标准差，夏普比为0.52。我们遴选的合成策略的表现优于同期上证指数及其最佳择时策略的表现。
选取“日频调仓、调整后指标集、等权、分2档”合成方法为例，多指标综合策略的年化收益率为13.35%、年化波动率为12.34%、夏普比为1.08、最大回撤为24.14%；同期上证指数夏普比为0.14，上证指数最佳择时夏普比为0.52。策略的超额收益主要来自2015年下半年、2016年上半年及2018-2020年。
手续费对择时策略的影响 根据上文测试结果，最优信号合成方式为“优化后指标集、高频信号取末尾值、日频、等权、分2档”，为更好模拟真实交易场景，接下来测试在收取双边万分之五到千分之五手续费的情境下上述择时模型的表现，测试期仍为2011年7月1日到2021年5月31日。考虑到日频调仓可能交易磨损较为严重，我们也在周频、月频下测试了上述模型的表现，并综合对比，在不同调仓频率下分析手续费对结果的影响。对比基准为同期上证指数走势和同等手续费下上证指数最优择时策略的表现。 总体而言：随着费率增加，夏普比下降，年化收益下降、波动变化不大，与预期一致；月频调仓的表现最稳定，说明调仓频率越低、交易磨损越小。
具体分析不同调仓频率下手续费的影响，下表展示了“优化后指标集、高频信号取末尾值、等权、分2档、日频/周频/月频”时，收取0%到0.5%手续费的测试结果。 日频调仓下，在手续费小于等于0.2%时，模型可超过上证指数同等费率下最佳择时策略的夏普比；但在0.3%费率及以上时，则低于指数自身择时效果； 周频调仓下，在手续费小于等于0.4%时，模型可超过上证指数同等费率下最佳择时策略的夏普比；但0.5%费率时，则低于指数自身择时效果； 月频调仓下，在测试手续费范围内（0.5%及以下），模型均可超越上证指数无手续费最佳择时夏普比（0.52）。 总之，在周频或月频调仓下，考虑手续费后合成信号仍能够取得超额收益。
本报告对历史数据进行梳理总结，不构成任何投资建议。模型系根据历史规律总结，存在失效的可能，历史结果不能简单预测未来。若市场出现超预期波动，可能导致拥挤交易而使策略失去超额收益。 风险提示 本报告对历史数据进行梳理总结，不构成任何投资建议。模型系根据历史规律总结，存在失效的可能，历史结果不能简单预测未来。若市场出现超预期波动，可能导致拥挤交易而使策略失去超额收益。 免责声明 
公众号平台免责声明 本公众平台不是华泰证券研究所官方订阅平台。相关观点或信息请以华泰证券官方公众平台为准。根据《证券期货投资者适当性管理办法》的相关要求，本公众号内容仅面向华泰证券客户中的专业投资者，请勿对本公众号内容进行任何形式的转发。若您并非华泰证券客户中的专业投资者，请取消关注本公众号，不再订阅、接收或使用本公众号中的内容。因本公众号难以设置访问权限，若给您造成不便，烦请谅解！本公众号旨在沟通研究信息，交流研究经验，华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。 本公众号研究报告有关内容摘编自已经发布的研究报告的，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。如需了解详细内容，请具体参见华泰证券所发布的完整版报告。 本公众号内容基于作者认为可靠的、已公开的信息编制，但作者对该等信息的准确性及完整性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。 在任何情况下，本公众号中的信息或所表述的意见均不构成对客户私人投资建议。订阅人不应单独依靠本订阅号中的信息而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。普通投资者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。 本公众号版权仅为华泰证券股份有限公司所有，未经公司书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。本公司具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。 华泰金工深度报告一览 金融周期系列研究（资产配置） 【华泰金工林晓明团队】2020年中国市场量化资产配置年度观点——周期归来、机会重生，顾短也兼长20200121 【华泰金工林晓明团队】量化资产配置2020年度观点——小周期争明日，大周期赢未来20200116 【华泰金工林晓明团队】风险预算模型如何度量风险更有效-改进风险度量方式稳定提升风险模型表现的方法 【华泰金工林晓明团队】周期双底存不确定性宜防守待趋势——短周期底部拐头机会渐增，待趋势明朗把握或更大20191022 【华泰金工林晓明团队】二十年一轮回的黄金投资大周期——黄金的三周期定价逻辑与组合配置、投资机会分析20190826 【华泰金工林晓明团队】如何有效判断真正的周期拐点？——定量测度实际周期长度提升市场拐点判准概率 【华泰金工林晓明团队】基钦周期的长度会缩短吗？——20190506 【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（下） 【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（上） 【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究 【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略报告（上） 【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（四）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（三）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（二）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（一）——华泰金工周期系列研究 【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索 【华泰金工林晓明团队】金融经济系统周期的确定（下）——华泰金工周期系列研究 【华泰金工林晓明团队】金融经济系统周期的确定（上）——华泰金工周期系列研究 【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列 【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探 周期起源 【华泰金工林晓明团队】金融经济周期的耗散结构观——华泰周期起源系列研究之十 【华泰金工林晓明团队】经济系统中有序市场结构的进化——华泰周期起源系列研究报告之九 【华泰金工林晓明团队】企业间力的产生、传播和作用效果——华泰周期起源系列研究之八【华泰金工林晓明团队】耦合振子同步的藏本模型——华泰周期起源系列研究之七【华泰金工林晓明团队】周期在供应链管理模型的实证——华泰周期起源系列研究之六 【华泰金工林晓明团队】不确定性与缓冲机制——华泰周期起源系列研究报告之五【华泰金工林晓明团队】周期是矛盾双方稳定共存的结果——华泰周期起源系列研究之四 【华泰金工林晓明团队】周期是不确定性条件下的稳态——华泰周期起源系列研究之三 【华泰金工林晓明团队】周期趋同现象的动力学系统模型——华泰周期起源系列研究之二 【华泰金工林晓明团队】从微观同步到宏观周期——华泰周期起源系列研究报告之一 FOF与金融创新产品 【华泰金工林晓明团队】养老目标基金的中国市场开发流程--目标日期基金与目标风险基金产品设计研究 【华泰金工】生命周期基金Glide Path开发实例——华泰FOF与金融创新产品系列研究报告之一 因子周期（因子择时） 【华泰金工林晓明团队】市值因子收益与经济结构的关系——华泰因子周期研究系列之三 【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二 择时 【华泰金工林晓明团队】波动率与换手率构造牛熊指标——华泰金工量化择时系列 【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的应用 中观基本面轮动 【华泰金工林晓明团队】行业配置落地：指数增强篇——华泰中观基本面轮动系列之十 【华泰金工林晓明团队】行业配置策略：拥挤度视角——华泰中观基本面轮动系列之九【华泰金工林晓明团队】行业配置策略：景气度视角——华泰中观基本面轮动系列之八【华泰金工林晓明团队】行业配置策略：趋势追踪视角——华泰中观基本面轮动系列之七【华泰金工林晓明团队】行业配置策略：宏观因子视角——华泰中观基本面轮动系列之六【华泰金工林晓明团队】行业全景画像：投入产出表视角——华泰中观基本面轮动系列之五 【华泰金工林晓明团队】行业全景画像：改进杜邦拆解视角——华泰中观基本面轮动系列之四 【华泰金工林晓明团队】行业全景画像：风格因子视角 ——华泰中观基本面轮动系列之三【华泰金工林晓明团队】行业全景画像：宏观因子视角 ——华泰中观基本面轮动系列之二【华泰金工林晓明团队】确立研究对象：行业拆分与聚类——华泰中观基本面轮动系列之一行业轮动 【华泰金工林晓明团队】不同协方差估计方法对比分析（二）——华泰行业轮动系列报告之十三【华泰金工林晓明团队】拥挤度指标在行业配置中的应用——华泰行业轮动系列报告之十二 【华泰金工林晓明团队】基于投入产出表的产业链分析 ——华泰行业轮动系列报告之十一 【华泰金工林晓明团队】不同协方差估计方法对比分析——华泰行业轮动系列报告之十 【华泰金工林晓明团队】景气度指标在行业配置中的应用——华泰行业轮动系列报告之九 【华泰金工林晓明团队】再探周期视角下的资产轮动——华泰行业轮动系列报告之八 【华泰金工林晓明团队】“华泰周期轮动”基金组合改进版——华泰行业轮动系列报告之七 【华泰金工林晓明团队】“华泰周期轮动”基金组合构建——华泰行业轮动系列之六 【华泰金工林晓明团队】估值因子在行业配置中的应用——华泰行业轮动系列报告之五 【华泰金工林晓明团队】动量增强因子在行业配置中的应用——华泰行业轮动系列报告之四 【华泰金工林晓明团队】财务质量因子在行业配置中的应用——华泰行业轮动系列报告之三 【华泰金工林晓明团队】周期视角下的行业轮动实证分析——华泰行业轮动系列之二 【华泰金工林晓明团队】基于通用回归模型的行业轮动策略——华泰行业轮动系列之一 Smartbeta 【华泰金工林晓明团队】重剑无锋：低波动 Smart Beta——华泰 Smart Beta 系列之四 【华泰金工林晓明团队】投资优质股票：红利类Smart Beta——华泰Smart Beta系列之三 【华泰金工林晓明团队】博观约取：价值和成长Smart Beta——华泰Smart Beta系列之二 【华泰金工林晓明团队】Smart Beta：乘风破浪趁此时——华泰Smart Beta系列之一 【华泰金工林晓明团队】Smartbeta在资产配置中的优势——华泰金工Smartbeta专题研究之一 多因子选股 【华泰金工林晓明团队】华泰单因子测试之历史分位数因子——华泰多因子系列之十三 【华泰金工林晓明团队】桑土之防：结构化多因子风险模型——华泰多因子系列之十二 【华泰金工林晓明团队】华泰单因子测试之海量技术因子——华泰多因子系列之十一 【华泰金工林晓明团队】因子合成方法实证分析 ——华泰多因子系列之十 【华泰金工林晓明团队】华泰单因子测试之一致预期因子 ——华泰多因子系列之九 【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八 【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七 【华泰金工林晓明团队】华泰单因子测试之波动率类因子——华泰多因子系列之六 【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五 【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四 【华泰金工林晓明团队】华泰单因子测试之成长类因子——华泰多因子系列之三 【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二 【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一 【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二 人工智能 【华泰金工林晓明团队】深度卷积GAN实证——华泰人工智能系列之四十四 【华泰金工林晓明团队】因子观点融入机器学习——华泰人工智能系列之四十三 【华泰金工林晓明团队】图神经网络选股与Qlib实践——华泰人工智能系列之四十二 【华泰金工林晓明团队】基于BERT的分析师研报情感因子——华泰人工智能系列之四十一 【华泰金工林晓明团队】微软AI量化投资平台Qlib体验——华泰人工智能系列之四十 【华泰金工林晓明团队】周频量价选股模型的组合优化实证——华泰人工智能系列之三十九 【华泰金工林晓明团队】WGAN生成：从单资产到多资产——华泰人工智能系列之三十八 【华泰金工林晓明团队】舆情因子和BERT情感分类模型——华泰人工智能系列之三十七 【华泰金工林晓明团队】相对生成对抗网络RGAN实证——华泰人工智能系列之三十六 【华泰金工林晓明团队】WGAN应用于金融时间序列生成——华泰人工智能系列之三十五 【华泰金工林晓明团队】再探AlphaNet：结构和特征优化——华泰人工智能系列之三十四 【华泰金工林晓明团队】数据模式探索：无监督学习案例——华泰人工智能系列之三十三 【华泰金工林晓明团队】AlphaNet：因子挖掘神经网络——华泰人工智能系列之三十二 【华泰金工林晓明团队】生成对抗网络GAN初探——华泰人工智能系列之三十一 【华泰金工林晓明团队】从关联到逻辑：因果推断初探——华泰人工智能系列之三十 【华泰金工林晓明团队】另类标签和集成学习——华泰人工智能系列之二十九 【华泰金工林晓明团队】基于量价的人工智能选股体系概览——华泰人工智能系列之二十八 【华泰金工林晓明团队】揭开机器学习模型的“黑箱” ——华泰人工智能系列之二十七 【华泰金工林晓明团队】遗传规划在CTA信号挖掘中的应用——华泰人工智能系列之二十六 【华泰金工林晓明团队】市场弱有效性检验与择时战场选择——华泰人工智能系列之二十五 【华泰金工林晓明团队】投石问路：技术分析可靠否？——华泰人工智能系列之二十四 【华泰金工林晓明团队】再探基于遗传规划的选股因子挖掘——华泰人工智能系列之二十三 【华泰金工林晓明团队】基于CSCV框架的回测过拟合概率——华泰人工智能系列之二十二 【华泰金工林晓明团队】基于遗传规划的选股因子挖掘——华泰人工智能系列之二十一 【华泰金工林晓明团队】必然中的偶然：机器学习中的随机数——华泰人工智能系列之二十 【华泰金工林晓明团队】偶然中的必然：重采样技术检验过拟合——华泰人工智能系列之十九 【华泰金工林晓明团队】机器学习选股模型的调仓频率实证——华泰人工智能系列之十八 【华泰金工林晓明团队】人工智能选股之数据标注方法实证——华泰人工智能系列之十七 【华泰金工林晓明团队】再论时序交叉验证对抗过拟合——华泰人工智能系列之十六 【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五 【华泰金工林晓明团队】人工智能选股之损失函数的改进——华泰人工智能系列之十三 【华泰金工林晓明团队】人工智能选股之特征选择——华泰人工智能系列之十二 【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一 【华泰金工林晓明团队】宏观周期指标应用于随机森林选股——华泰人工智能系列之十 【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九 【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八 【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七 【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六 【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五 【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四 【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三 【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二 指数增强基金分析 【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位分析专题报告 【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证 基本面选股 【华泰金工林晓明团队】华泰价值选股之相对市盈率港股模型——相对市盈率港股通模型实证研究 【华泰金工林晓明团队】华泰价值选股之现金流因子研究——现金流因子选股策略实证研究 【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究 【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究 基金定投 【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四 基金评价 【华泰金工林晓明团队】基金评价及筛选全流程研究框架——股票型与债券型基金多种维度定量与定性评价法 【华泰金工林晓明团队】基金选股择时能力的定量分析法——我国公募基金大多具有较强选股能力 【华泰金工林晓明团队】基金业绩持续性的规律与策略构建——采用有效影响因子筛选出持续性较好的绩优基金 ETF季度盘点 【华泰金工林晓明团队】2020Q4中国ETF市场全景回顾——总规模创新高，行业主题类ETF渐成市场新主角20210112 【华泰金工林晓明团队】2020年三季度中国ETF市场回顾——产品百花齐放、投资者结构日渐成熟，规模创新高20201021 【华泰金工林晓明团队】ETF产品细分差异化或成突围之道——2020二季度中国ETF市场全景回顾盘点与展望20200803 【华泰金工林晓明团队】ETF规模数量大涨品类不断丰富——2020一季度中国ETF市场全景回顾盘点 其它 |
|
|
