核心观点 本报告提出了一种基于相似性算法的风格轮动策略，旨在通过寻找与当前市场走势相似的历史阶段，来预测未来风格（大小盘、成长价值）的相对表现，并生成交易信号。报告的核心结论是，基于相对收益视角、采用带约束的动态时间规整算法（DTW-S-2D）构建的相似性指标，能够有效指导风格轮动，并且可以显著提升作者团队此前提出的基于赔率和胜率的复合轮动框架的表现[1][4]。 一、算法介绍与比较 - **DTW算法**：允许时间序列非线性对齐，解决时间轴偏移问题，但对整体趋势匹配效果好，缺点是计算量大且易出现过度扭曲[4][12][22] - **DTW-S算法**：在DTW基础上引入Sakoe-Chiba带状约束，限制路径在对角线附近移动，能提升计算效率并防止过度扭曲，例如设置窗口为2时，允许A序列一日的行情在B序列3日内完成相似走势[4][23][28] - **SBD算法**：基于形状匹配，抗干扰能力强且计算效率高（通过FFT加速），但局部模式识别能力弱，对全局轮廓相似的序列更有效[4][31][35] - **MSM算法**：操作设计直观，对时间轴畸变鲁棒性强，但受关键代价参数c影响较大，计算复杂度为O(nm)[4][36][40] 二、模型构建关键发现 - **收益视角选择**：相对收益视角（直接比较风格间的相对净值）明显优于绝对收益视角（分别比较各风格的绝对净值）。原因在于绝对视角下两个风格的最相似历史阶段可能不匹配，且在模糊的估计结果上进行精确比较有失偏颇[4][42][54] - **算法有效性比较**：DTW系列算法整体表现最为稳健，相互间差异不大；MSM算法在大小盘策略中相对偏弱；SBD算法在成长价值策略中表现不佳。结合主观逻辑，允许当日行情在3日内完成相似走势（DTW-S-2D）比5日内（DTW-S-4D）更为合理，因此最终选用DTW-S-2D[4][54] - **相似阈值设定**：以近五年样本数据的均值加两倍标准差作为相似度下限的筛选标准，该阈值对标准差倍数参数不敏感[4][61][71] - **时间衰减改进**：引入时间衰减函数（半衰期n年）为历史阶段的权重，认为时间更近的阶段因市场环境更相似而更具参考价值。该改进对大小盘策略形成有效性提升，当n取20时表现较好；对成长价值策略影响不显著，但为保持一致性，两者均采用n=20[4][76][80] 三、独立相似性策略表现 - **大小盘轮动策略**：采用DTW-S-2D算法并引入时间衰减（n=20）后，策略总收益达**246.84%**，年化超额收益为**10.93%**，信息比率为**1.18**，最大回撤为**12.43%**[82][85] - **成长价值轮动策略**：采用相同配置，策略总收益达**512.02%**，年化超额收益为**15.54%**，信息比率为**1.25**，最大回撤为**15.47%**[82][89] 四、与赔率胜率框架的融合提升 - **框架回顾**：作者团队已有的复合模型结合了“赔率”（基于估值差分位数与历史收益率的线性关系）和“胜率”（基于多个宏观、市场、动量等指标）来生成配置信号[91][97][100] - **融合效果**：将前述相似性指标作为一个新的胜率指标纳入原有框架后，策略表现得到显著边际改善[4][100] - **大小盘策略**：年化超额收益从**16.76%** 提升至 **18.13%**，信息比率从 **1.85** 提升至 **2.01**[4][100][102] - **成长价值策略**：年化超额收益从**13.79%** 提升至 **15.27%**，信息比率从 **1.11** 提升至 **1.23**[4][100][107]

报告核心观点 - 报告介绍了多种基于ETF的风格轮动策略，通过在不同市场风格（如价值/成长、大盘/小盘）间进行切换，以获取超越基准指数的超额收益 [1][2] 季度风格轮动策略 - 季度策略从宏观环境与微观量价两大维度挖掘驱动风格切换的因子，并构建宏观量价风格轮动模型 [2] - 价值成长轮动模型（配置红利及创业板ETF）在2014年1月至2026年2月期间，相对中证800指数的年化超额收益达到20.40%，月度胜率为63.70% [2] - 大小盘轮动模型（配置沪深300及中证1000 ETF）在2017年1月至2026年2月期间，相对中证800指数的年化超额收益达到8.97%，月度胜率为61.82% [2] 月度风格轮动策略 - 月度价值成长轮动策略从宏观、估值、基本面3个维度选取因子构建打分模型 [3] - 该策略在2014年至2026年2月期间实现了22.67%的年化收益，相对中证800指数的年化超额收益为16.32%，月度胜率为63.19% [3] - 月度大小盘轮动策略从宏观、估值、基本面、资金、情绪、量价6个维度构建量化模型 [3] - 该策略实现了26.84%的年化收益，相对中证800指数的年化超额收益为20.64%，月度胜率为71.23% [3] 月度红利成长轮动策略 - 该策略通过分析红利股与债券性价比、美债利率、信用与经济环境、行业景气度等因素对红利风格的影响来构建 [3] - 对指标使用长短期均线差构建趋势因子并合成，最终策略以300全收益指数为基准，可获得13.29%的年化超额收益，月度胜率为61.19% [3] - 在众多单因子中，表现最好的为美债利率因子 [3]

ETF配置策略 - 我国ETF市场已形成覆盖范围广、类型完整的产品体系 覆盖中国内地、香港、沪港深及海外主要发达与新兴市场 资产类型涵盖股票、债券及商品三大类 为投资者提供了精细化、多元化资产配置的基础工具池 [2] - 绝对收益策略通过股票、债券、商品和黄金等低相关性资产构建组合 列举了5个策略及其历史表现 例如目标波动率3%策略年化收益6.74% 目标波动率5%策略年化收益8.04% 基于权益增强的多元资产配置策略年化收益11.66% [3] - 相对收益策略包括风格轮动与行业轮动 风格轮动旨在通过成长、价值、大盘、小盘等风格切换获取超额收益 列举了5个模型 如宏观量价成长价值风格轮动模型年化收益26.65% 行业轮动旨在捕捉结构性机会 列举了2个组合 如四维度行业轮动策略年化收益20.17% [4] 军工与商业航天 - 长征十号运载火箭与梦舟载人飞船成功完成首次低空演示验证与最大动压逃逸飞行试验 这是我国载人登月任务的关键飞行试验 验证了火箭与飞船相关功能性能及系统接口匹配性 为后续任务积累了宝贵数据和经验 [7] - 我国探月工程总体进展顺利 计划在2030年前实现中国人首次登陆月球 载人登月任务已全面启动实施 具体过程包括发射月面着陆器与载人飞船在环月轨道交会对接等 [9] - 根据计划 我国将在2026年发射“嫦娥七号” 2028年发射“嫦娥八号” 并在2028年前构建国际月球科研站基本型 2030年前实现载人登月 2040年前建成完善型国际月球科研站 后续建设“应用型月球科研站” [9] - 十五五期间 以载人登月工程为代表的太空探索项目有望顺利开展 太空旅游、太空数智基础设施、太空资源开发、太空交通管理等太空经济新领域有望迎来高速发展 商业航天赛道有望成为十五五军工行业核心投资方向之一 [9]

核心观点 - 根据量化模型信号和日历效应，报告建议2026年2月超配小盘风格，均衡配置价值与成长风格 [1][2][5] - 中长期观点（未来一年）继续看好小盘风格和成长风格 [1][2][5] 大小盘风格轮动观点 月度观点 - 截至2026年1月30日，量化模型最新信号为0.5，指向小盘风格占优 [5][9] - 历史日历效应显示，2月份小盘风格相对占优，建议2月超配小盘风格 [5][9] - 1月份复盘：超配小盘的观点判断正确，等权配置价值与成长的观点判断错误 [9] - 截至1月底，大小盘轮动模型本年收益为8.16%，相对等权基准（4.91%）的超额收益为3.26% [5][9] - 当前量化模型6个维度中，宏观、基本面、情绪、量价4个维度指向小盘，仅资金维度指向大盘 [10][11] 中长期观点 - 当前市值因子估值价差（小市值组PB中位数/大市值组PB中位数）为0.88，近期有所下降 [5][9] - 该估值价差距离历史顶部区域（1.7~2.6）仍有距离，显示中长期并不拥挤，未来一年继续看好小盘风格 [5][9][19] - 估值价差的历史高点对于判断大小盘风格切换有较强的指示作用，当前价差或许仍有60%以上的提升空间 [19][23] 日历效应分析 - 基于1995年以来的历史数据，小市值组（市值最小10%）在2、3、5、8月明显跑赢大盘，月度平均超额收益分别为3.25%、4.28%、3.67%、3.31% [15][16] - 大盘风格则在1、4、12月明显占优 [15] - 2月份小盘风格的历史胜率高达84% [16] 价值成长风格轮动观点 月度观点 - 截至2026年1月30日，量化模型信号为0，建议2月等权配置成长和价值风格 [5][26] - 当前模型宏观维度指向成长，估值维度指向价值 [29][32] - 截至1月底，价值成长轮动模型收益为4.01%，与等权基准收益持平，超额收益为0% [5][26] 中长期观点 - 未来一年更看好成长风格 [5][26] 风格因子表现跟踪 大类因子表现（1月及本年迄今） - **正向收益较高因子**：价值因子（1.37%）、波动率因子（1.17%）、成长因子（0.69%）[34][35] - **负向收益较高因子**：大市值因子（-1.37%）、质量因子（-0.40%）、红利因子（-0.35%）、动量因子（-0.20%）、流动性因子（-0.01%）[34][35] 风格因子表现（1月及本年迄今） - **正向收益较高因子**：贝塔因子（0.98%）、长期反转因子（0.80%）、中市值因子（0.78%）、盈利收益因子（0.76%）、动量因子（0.60%）[39][40] - **负向收益较高因子**：大市值因子（-1.44%）、残差波动因子（-1.32%）、行业动量因子（-1.08%）、投资质量因子（-1.03%）、股息率因子（-0.45%）[39][40] 因子协方差矩阵更新 - 报告更新了截至2025年12月31日的最新一期因子协方差矩阵，该矩阵是股票组合风险预测的核心 [5][44] - 利用多因子模型将股票协方差矩阵拆解为因子协方差矩阵和股票特质风险矩阵的结合，以完成准确估计 [5][44] 策略模型方法论 大小盘轮动策略模型 - 策略从宏观、估值、基本面、资金、情绪、量价6个维度构建量化模型，共使用16个因子 [48][49] - 宏观维度因子包括期限利差、货币活化、信用利差；估值维度使用大小盘估值溢价因子；基本面维度使用分析师预期因子；资金维度包含大单资金、外资流入压力、ETF份额、龙虎榜、融资买入等因子；情绪维度包含换手率、创新高新低、上行趋势、超买超卖等因子；量价维度包含动量和拥挤度因子 [49] - 结合量化模型打分与主观分析（如政策维度、月度效应）生成最终观点 [48][50] 价值成长轮动策略模型 - 月度模型从宏观、估值、基本面3个维度选取因子构建打分模型 [51][53] - 宏观维度因子包括国内流动性、海外流动性、信用因子、通胀因子；估值维度使用相对估值因子；基本面维度使用分析师预期和深度学习因子 [53] - 此外，还构建了纯量价维度的周度模型（包含动量和拥挤度因子），用于在月内对月度观点进行调整 [51][53]

量化模型与构建方式 1. 短期择时模型 * **模型名称**：短期择时模型[11][12][13][15] * **模型构建思路**：从宏观基本面、估值面、情绪面和流动性四个维度选取多个二级指标，通过判断各指标在历史分位数上的位置来生成看多或看空的信号，最后综合四个维度的信号得出总体的择时观点[11][12][13][15]。 * **模型具体构建过程**： 1. **指标选取与信号生成**：模型包含四个一级指标（基本面、估值面、情绪面、流动性），每个一级指标下包含若干二级指标。每周计算每个二级指标的最新值在过去5年历史数据中的分位数，并根据预设的阈值规则将其转化为“乐观”、“谨慎”或“中性”的二级择时信号[11][12][13][15]。 2. **一级信号综合**：根据各二级指标信号，综合判断其对应的一级指标信号（乐观/谨慎/中性）[11][12][13][15]。 3. **总仓位信号生成**：综合四个一级指标的信号，最终生成整体的“乐观”或“谨慎”的总仓位信号，用于指导仓位配置[4][11][15]。 2. 成长价值风格轮动模型 * **模型名称**：成长价值风格轮动模型[22][23][24] * **模型构建思路**：从动态宏观、估值回归、短期动量、风格广度和风格拥挤度五个维度构建信号，综合判断并推荐超配成长风格或价值风格[23][24]。 * **模型具体构建过程**： 1. **多维度信号构建**：模型包含五个维度的独立信号：动态宏观信号、估值回归信号、短期动量信号、风格广度信号、风格拥挤信号。每个信号独立计算，并输出0%（看空）或100%（看多）的仓位建议[24]。 2. **信号综合**：对上述五个维度的信号进行综合（报告中展示了两种综合方式：“无中性仓位”和“5日平均仓位”），得到最终的成长风格配置仓位建议[24]。 3. **轮动建议**：根据最终的综合信号，给出超配成长或超配价值的建议[4][22]。 3. 小盘大盘风格轮动模型 * **模型名称**：小盘大盘风格轮动模型[22][27][28] * **模型构建思路**：从流动性、交易情绪、估值分化、技术指标等多个角度选取11个有效轮动指标，构建综合的大小盘轮动信号[27][28]。 * **模型具体构建过程**： 1. **多指标信号构建**：模型包含11个轮动指标，例如：A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、beta离散度、PB分化度、大宗交易折溢价率、中证1000 MACD、中证1000交易量能。每个指标独立生成看多大盘(0%)或看多小盘(100%)的信号[28]。 2. **信号综合**：将所有指标的信号进行综合（报告中采用了“3日平滑”的综合方式），生成最终的综合轮动信号，判断当前应超配大盘还是小盘[27][28]。 模型的回测效果 1. 短期择时模型 * **回测区间**：2012年底至今（全区间）及2024年以来[14][18][20] * **基准策略**：月度中性持仓再平衡[14][18] * **全区间表现（2012年底至今）**：年化收益率16.61%，年化超额收益率11.58%，最大回撤15.05%，夏普比率0.9788，收益回撤比1.1042，月度胜率66.46%[14][18] * **近期表现（2024年以来）**：年化收益率30.23%，年化超额收益率（相对基准）未明确给出具体数值但净值表现显著优于基准，最大回撤11.04%，夏普比率1.5665，收益回撤比2.7388，月度胜率73.08%[20] 2. 成长价值风格轮动模型 * **回测区间**：2011年至今[23][24] * **基准策略**：月度风格均衡配置（国证成长价值等权）[23][24] * **综合信号2（5日平均仓位）表现**：累计收益758.23%，年化收益率14.64%，年化超额收益率7.98%，最大回撤40.08%，夏普比率0.65，年化信息比率(IR)1.36，月度超额胜率66.49%[23][24] * **2026年以来表现**：超额收益率1.50%[23][24] 3. 小盘大盘风格轮动模型 * **回测区间**：2014年以来[28] * **基准**：沪深300与中证1000全收益指数等权配置[28] * **综合信号（3日平滑）表现**：年化收益率20.82%，年化超额收益率13.20%，最大回撤40.70%，胜率（按交易）50.32%[28] * **分年度表现**：2014年至2026年（截至报告期）每年均产生正向超额收益[28] * **2026年以来表现**：超额收益率1.23%[28] 量化因子与构建方式 1. 基本面择时因子 * **因子群名称**：基本面择时因子[11][15] * **因子构建思路**：选取反映经济景气度、信贷环境与货币供应的宏观指标，通过其在历史分位数上的位置来判断对股市的利好或利空影响[11][15]。 * **因子具体构建过程**： * **制造业PMI因子**：直接使用最新制造业PMI数值，与50的临界值比较，判断景气度强弱[11][15]。 * **信贷脉冲因子**：计算“人民币中长期贷款脉冲同比增速”，并求其过去5年分位数，用以衡量信贷增速的强弱[11][15]。 * **M1增速因子**：对M1同比增速进行HP滤波去趋势处理，计算处理后的数据在过去5年的分位数，用以衡量货币供应增速的强弱[11][15]。 2. 估值面择时因子 * **因子群名称**：估值面择时因子[12][15] * **因子构建思路**：使用市场整体估值水平的历史分位数，基于均值回归原理判断估值上行或下行的压力[12][15]。 * **因子具体构建过程**： * **PE分位数因子**：计算全A股PE中位数在过去5年的滚动分位数[12][15]。 * **PB分位数因子**：计算全A股PB中位数在过去5年的滚动分位数[12][15]。 3. 情绪面择时因子 * **因子群名称**：情绪面择时因子[13][15] * **因子构建思路**：选取反映市场内部结构、交易活跃度和波动风险的指标，用以度量市场情绪[13][15]。 * **因子具体构建过程**： * **Beta离散度因子**：计算A股整体Beta离散度，并求其过去5年分位数，衡量市场分化程度[13][15]。 * **量能情绪因子**：计算A股整体量能情绪得分，并求其过去5年分位数，衡量基于成交量的市场情绪强弱[13][15]。 * **波动率因子**：计算A股整体年化波动率，并求其过去5年分位数，衡量市场风险水平[13][15]。 4. 流动性择时因子 * **因子群名称**：流动性择时因子[13][15] * **因子构建思路**：从货币市场利率、汇率预期和场内杠杆资金变化三个层面评估市场流动性环境[13][15]。 * **因子具体构建过程**： * **货币利率指标因子**：计算特定货币利率指标在过去5年的分位数[13][15]。 * **汇率预期指标因子**：计算汇率预期指标在过去5年的分位数，反映人民币汇率强弱预期[13][15]。 * **融资额变化因子**：计算两市5日平均新增融资额，并求其过去5年分位数，反映杠杆资金入场意愿[13][15]。 5. 小盘大盘轮动因子 * **因子群名称**：小盘大盘轮动因子[28] * **因子构建思路**：从资金流向、流动性环境、主题热度、信用利差、期权市场、市场结构、估值分化、技术指标等多个角度构建11个用于判断大小盘风格的因子[27][28]。 * **因子具体构建过程**：报告列出了11个因子的名称及其独立测试表现，但未详细描述每个因子的具体计算公式。这些因子包括：A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、beta离散度、pb分化度、大宗交易折溢价率、中证1000MACD(10,20,10)、中证1000交易量能[28]。 因子的回测效果 （注：报告中对单个因子的回测效果仅在小盘大盘轮动部分有详细列示） 1. 小盘大盘轮动因子 * **测试基准**：沪深300与中证1000全收益指数等权配置[28] * **各因子独立表现（年化超额收益率）**： * 融资买入余额变化：5.72%[28] * 大宗交易折溢价率：9.45%[28] * A股龙虎榜买入强度：5.27%[28] * R007：4.53%[28] * 主题投资交易情绪：5.66%[28] * 等级利差：5.07%[28] * 期权波动率风险溢价：5.41%[28] * beta离散度：3.42%[28] * pb分化度：9.53%[28] * 中证1000MACD(10,20,10)：8.89%[28] * 中证1000交易量能：9.90%[28]

量化模型与构建方式 1. **模型名称：多资产时序收益率联合重新排列（非参数蒙特卡洛模拟）**[13] * **模型构建思路**：通过随机抽取历史交易日，并将该日所有资产的收益率作为一个整体数据块进行重排，来生成模拟价格路径[13]。 * **模型具体构建过程**： 1. 获取多资产的历史日收益率序列[18]。 2. 随机抽取一个交易日，将该日所有资产的收益率作为一个“数据块”完整取出[18]。 3. 将抽取的“数据块”按顺序拼接，形成一条新的模拟路径[18]。 4. 重复此过程，直至生成所需时间长度的模拟序列[18]。 * **模型评价**：优点是完全依赖历史数据，无需对收益率分布做参数假设，且能自然保持抽取当日所有资产间的截面相关性[14]。局限是破坏了原始数据的时间序列结构（如波动率聚集性、自相关性），且对收益率均值的估计可能因样本的牛熊市主体而有偏[14]。适用于对均值不敏感的策略，如最小方差组合、风险平价组合优化[15]。 2. **模型名称：多资产时序收益率分块 Bootstrap（非参数蒙特卡洛模拟）**[19] * **模型构建思路**：将历史收益率序列划分为固定长度的时间块，并随机抽取整个时间块进行重排，以生成模拟路径[19]。 * **模型具体构建过程**： 1. 将多资产的历史收益率序列划分为固定长度（如20个交易日）的重叠或非重叠时间块[19]。 2. 随机抽取一个时间块，将该时间段内所有资产的收益率序列整体取出[19]。 3. 将抽取的时间块按顺序拼接，形成模拟路径[19]。 * **模型评价**：优点是在时间块内部，保留了资产间的截面相关性以及一定程度的短期时间序列特性（如波动率聚集和自相关性）[20]。局限是时间块边界处可能存在不连续性，且块长度的选择具有主观性，会影响对长周期依赖关系的捕捉[20]。适用于依赖于市场短期记忆效应的交易策略，如趋势跟踪、波动率目标、均值回归策略[21]。 3. **模型名称：残差 Bootstrap（因子模型法）**[23] * **模型构建思路**：基于多因子模型分离资产的系统性风险和特质性风险，通过对模型残差进行重抽样，并结合真实因子路径来重建资产价格路径[23]。 * **模型具体构建过程**： 1. **风险因子构建与收益计算**：选取并计算市场、市值、价值、动量等风格因子的历史日收益率序列[23]。 2. **多因子回归与残差提取**：将每个资产的收益率对所选因子进行截面回归，估计其因子暴露（β）。资产收益率中无法被多因子模型解释的部分即为残差收益率[23]。 3. **残差的重抽样**：对残差矩阵进行跨时间的全局随机重排。此举彻底破坏了残差中可能存在的任何时间序列依赖，但严格保留了资产残差之间的横截面相关性结构[23]。 4. **路径重建**：使用历史的风险因子真实路径与估计的β相乘，再加上打乱后的残差，生成模拟价格路径[23]。 * **模型评价**：优点是清晰分离收益来源，是分析策略特质性Alpha和风险敞口的工具[24]。局限是条件于历史系统性风险情景的模拟，无法评估策略在未经历过的宏观环境或因子范式切换下的表现[24]。适用于资产有强有力的收益解释模型（因子模型解释力R²较高）的场景[25]。 4. **模型名称：基于几何布朗运动（GBM）的恒定协方差模拟**[28] * **模型构建思路**：假设资产价格服从几何布朗运动，通过估计历史收益率均值和协方差矩阵，并利用Cholesky分解生成相关的随机路径[28]。 * **模型具体构建过程**： 假设有n个相关资产，每个资产价格$S_i(t)$遵循几何布朗运动： $$d S_{i}(t)=\mu_{i}S_{i}(t)d t+\sigma_{i}S_{i}(t)d W_{i}(t),i=1,\ldots,n$$ 其中，$\mu_i$是资产i的漂移率（预期收益率）；$\sigma_i$是资产i的波动率；$W_i(t)$是标准布朗运动[28]。 经价格对数化和协方差矩阵Cholesky分解后，得到资产的离散化价格路径： $$S_{i}^{(j)}(t_{k})=X_{i}(0)\,e x p[(\,k\Delta t+\sum_{l=1}^{k}\sum_{p=1}^{n}L_{i p}Z_{l,p}^{(j)}\,]$$ 其中，$X_i(0) = \ln (S_i(0))$，$\Delta t$为时间步长，$L$为协方差矩阵进行Cholesky分解后得到的下三角矩阵，$Z_{l,p}^{(j)}$是第j条路径第l步第p个独立标准正态随机变量[28]。 * **模型评价**：优点在于模型仅需均值和协方差矩阵两个参数，即可快速生成大量相关资产路径，特别适合需要进行大量模拟的蒙特卡洛回测；且收益率是随机生成的，而非采样于历史样本[28]。局限在于正态性假设与“尖峰厚尾”现实不符，无法刻画现实中资产收益率分布的“尖峰厚尾”特征，因此严重低估极尾部风险发生的概率；且GBM路径是连续的，无法模拟由突发事件引起的价格跳跃[28]。适用于非尾部市场状态下的风险价值（VaR）、条件风险价值（CVaR）及最大回撤分布研究，以及多资产组合的分散化效果研究[29]。 5. **模型名称：A股风格轮动策略（截面动量与波动率双因子打分模型）**[35] * **模型构建思路**：使用经典的截面动量和波动率双因子，对风格ETF进行标准化打分，并持有得分最高的风格，以构建轮动策略[35]。 * **模型具体构建过程**： 1. 选择A股四种风格（红利、成长、大盘、中小盘）及其代表ETF作为轮动候选池[34]。 2. 计算每个风格ETF的动量因子和波动率因子。因子的计算涉及回望窗口长度N（参数，文中测试N ∈ [15, 20, 40]个交易日）[35]。 3. 对单个因子在截面上（即四个风格间）进行ZScore标准化[35]。 4. 将标准化后的动量因子得分和波动率因子得分进行等权加总，得到每个风格的综合得分[35]。 $$S c o r e_{i}=0.5*Z S c o r e_{i,m o m}+0.5*Z S c o r e_{i,v o l}$$ 5. 每日调仓，持有得分最高的风格ETF[35]。 模型的回测效果 （注：以下回测效果主要基于风格轮动策略模型在不同价格路径和参数下的测试结果） 1. **A股风格轮动策略模型**，在**历史真实价格路径**上，不同回望窗口（N）对应的**夏普比率**分别为：N=15日: 0.84， N=25日: 0.96， N=40日: 0.66[45]。 2. **A股风格轮动策略模型**，在**收益率联合重排模拟路径**上，不同回望窗口（N）对应的**夏普比率**分别为：N=15日: 0.22， N=25日: 0.19， N=40日: 0.16[45]。 3. **A股风格轮动策略模型**，在**GBM模拟路径**上，不同回望窗口（N）对应的**夏普比率**分别为：N=15日: 0.19， N=25日: 0.17， N=40日: 0.19[45]。

核心观点 - 综合量化模型信号和日历效应，报告建议在2025年11月超配小盘风格和价值风格 [1][4] - 大小盘轮动量化模型本年至今（截至2025年10月31日）收益为27.85%，相对等权基准的超额收益为2.86% [4][8] - 价值成长风格轮动策略本年至今收益为18.96%（另一处数据为19.95%），相对于等权基准的超额收益为1.35% [4][23] 大小盘风格轮动观点 - **月度观点**：10月底量化模型信号为-0.17，指向大盘风格；但基于历史11月小盘相对占优的日历效应，建议11月超配小盘风格 [4][8] - **模型维度分析**：当前量化模型6个维度中，宏观、情绪、基本面、资金、量价维度均指向小盘，仅估值维度指向大盘 [9][10] - **中长期观点**：当前市值因子估值价差为0.88，相对历史顶部区域1.7~2.6仍有超过60%的提升空间，中长期继续看好小盘风格 [4][16] - **历史表现复盘**：10月观点（建议超配大盘风格）判断错误，当月实际为中证2000跑赢沪深300 [8] - **日历效应**：历史数据显示（1995年以来），11月小盘风格月均超额收益为3.58%，胜率达70%，是小盘风格相对占优的月份 [14][15] 价值成长风格轮动观点 - **月度观点**：月度量化模型信号为1（截至2025年10月31日），建议11月超配价值风格 [4][23] - **模型维度分析**：当前量化模型3个维度（宏观、估值、基本面）全部指向价值风格 [26][27] - **策略历史表现**：价值成长风格轮动策略在2025年10月31日的成长/价值相对净值为0.82 [27] A股风险模型因子表现跟踪 - **大类因子10月表现**：红利因子（+0.43%）、动量因子（+0.38%）、价值因子（+0.15%）获得正向收益；大市值因子（-1.31%）、波动率因子（-1.03%）、成长因子（-0.61%）负向收益较高 [29][32] - **大类因子本年至今表现**：波动率因子（+10.17%）、动量因子（+1.54%）、成长因子（+1.29%）正向收益较高；流动性因子（-7.70%）、大市值因子（-2.14%）、红利因子（-1.32%）负向收益较高 [29][32] - **风格因子10月表现**：盈利收益因子（+0.65%）、股息率因子（+0.49%）、动量因子（+0.29%）正向收益较高；大市值因子（-1.47%）、收益能力因子（-1.15%）、贝塔因子（-0.93%）负向收益较高 [33][36] - **风格因子本年至今表现**：贝塔因子（+8.75%）、盈利波动因子（+4.26%）、动量因子（+4.11%）正向收益较高；中市值因子（-5.50%）、流动性因子（-4.96%）、大市值因子（-2.74%）负向收益较高 [33][36] 量化模型方法论 - **大小盘轮动模型**：从宏观、估值、基本面、资金、情绪、量价6个维度构建量化模型，共包含16个细分因子，并结合主观分析和月度效应进行调整 [42][43] - **价值成长轮动模型**：从宏观、估值、基本面3个维度构建月度打分模型，并辅以纯量价周度模型进行月内调整 [45][47] - **风险模型框架**：采用多因子风险模型（参考Barra CNE6框架），涵盖20个风格因子并汇总为8个大类因子，用于股票组合的收益和风险分析 [28][49][50]

核心观点 - 报告基于创新的投资期望模型（投资期望=胜率*赔率-（1-胜率））进行风格轮动分析，最新一期模型强烈推荐成长风格，其投资期望为0.32，远高于价值风格的-0.22 [4] - 历史回测显示，自2013年以来，该风格轮动模型策略年化收益率高达27.99%，夏普比率为1.04，表现显著优于单一风格及市场基准 [4][22] 赔率分析 - 赔率定义为平均正收益与平均负收益绝对值的比值，市场风格的相对估值水平是影响其预期赔率的关键因素，两者呈负相关关系 [2][9][14] - 根据最新估值差分位数计算，当前成长风格的赔率估计为1.08，价值风格的赔率估计为1.12 [2][14] - 相对估值水平通过计算风格组合的账面市值比之差，并经过全市场估值水平修正后的历史分位数来刻画 [11][12][13] 胜率分析 - 胜率由七个宏微观指标综合判断，当前五个指标指向成长风格，两个指标指向价值风格，成长风格胜率为63.24%，价值风格胜率为36.76% [3][19][20] - 宏观指标包括十年期国债收益率、美国六个月国债收益率、PMI、中长期贷款同比、CPI-PPI剪刀差；微观指标包括动量和强势股占比 [19][20] 近期市场表现与风格构建 - 上周全市场成长风格组合收益为4.58%，价值风格组合收益为2.24%，成长风格表现领先 [1][8] - 成长与价值风格组合通过因子合成构建，价值风格采用账面市值比和净利润市值比，成长风格采用净利润、营业利润和营业收入的同比增速，并经过市值中性化和标准化处理 [8]

核心观点 - 报告基于赔率和胜率的定量模型进行风格轮动分析，最新一期模型推荐成长风格 [1][4] - 成长风格的投资期望为0.32，显著高于价值风格的投资期望-0.22 [4] - 该风格轮动模型自2013年至今的年化收益率为27.59%，夏普比率为1.03 [4] 赔率分析 - 市场风格的相对估值水平是预期赔率的关键影响因素，两者呈负相关关系 [2][14] - 根据最新估值差分位数，成长风格的赔率估计为1.09，价值风格的赔率估计为1.12 [2][14] - 估值差的计算采用风格暴露前20%和后20%股票组合的账面市值比平均数之差，并除以全市场估值平均数以剔除市场整体估值影响 [11][12] 胜率分析 - 胜率评估基于七个指标（五个宏观指标和两个微观指标），当前五个指标指向成长，两个指向价值 [3][16] - 具体来看，十年国债收益率、六个月美债收益率、PMI、中长期贷款、动量指标均指向成长；CPI-PPI和强势股占比指标指向价值 [16][17] - 根据映射方案，当前成长风格的胜率为63.24%，价值风格的胜率为36.76% [3][16] 投资期望与策略表现 - 投资期望的计算公式为：胜率*赔率-（1-胜率）[4][18] - 基于此公式，成长风格的投资期望为0.32，价值风格的投资期望为-0.22，模型明确推荐成长风格 [4][18] - 策略历史表现优异，自2013年以来总收益达2161.49%，相对市场基准的超额收益为315.22%，年化波动率为26.85% [19] 风格组合近期表现与构建方法 - 上周全市场成长风格组合收益为-4.23%，全市场价值风格组合收益为-1.17% [1][8] - 风格组合通过因子合成构建：价值风格使用账面市值比和净利润市值比；成长风格使用单季度净利润同比增速、营业利润同比增速和营业收入同比增速 [8] - 组合构建时对因子进行了市值中性化和标准化处理，并选取风格暴露前20%的个股，采用周度换仓 [8]

核心观点 - 基于投资期望模型 最新推荐风格为成长 其投资期望为0.33 显著高于价值风格的-0.22 [4][18] - 成长风格胜率为63.24% 价值风格胜率为36.76% 七个胜率指标中五个指向成长 [3][16] - 成长风格赔率估计为1.11 价值风格赔率估计为1.13 两者接近但价值略高 [2][14] - 策略历史表现优异 自2013年以来年化收益率达28.06% 夏普比率为1.04 [4][19] 赔率分析 - 赔率定义为平均正收益与平均负收益绝对值的比值 反映收益率序列的盈利亏损比 [9][10] - 采用相对估值水平的历史分位数法 通过账面市值比计算估值差并做全市场调整 [11][12] - 当前成长风格估值差分位数为0.36 价值风格为0.74 显示成长估值相对较高 [14][15] - 相对估值水平与预期赔率呈负相关关系 据此推得两类风格赔率 [2][14] 胜率分析 - 胜率指标包含五个宏观因素和三个微观因素 共七个指标 [16] - 宏观指标包括:十年国债收益率分位数 六个月美债收益率分位数 PMI偏离度 中长期贷款偏离度 CPI-PPI剪刀差 [16] - 微观指标包括:动量效应 强势股占比 北向资金持仓变化 [16] - 当前信号分布:十年国债(成长) 六个月美债(成长) PMI(成长) 中长期贷款(价值) CPI-PPI(成长) 动量(价值) 强势股(成长) [17] 投资期望与策略表现 - 投资期望计算公式:胜率*赔率-(1-胜率) 综合评估胜率与赔率 [4][18] - 成长风格投资期望为0.33 价值风格为-0.22 模型明确推荐成长风格 [4][18] - 策略总收益达2236.55% 相对市场超额收益319.81% 年化波动率26.88% [19] - 最大回撤50.48% 优于成长风格的62.02%和价值风格的46.96% [19] 风格收益表现 - 上周全市场成长风格组合收益-0.48% 价值风格组合收益-0.82% [1][8] - 策略采用周度换仓方式 选取风格暴露前20%个股构建组合 [8] - 价值风格使用账面市值比和净利润市值比因子 成长风格使用净利润增速 营业利润增速和营业收入增速因子 [8] - 因子经过市值中性化和标准化处理 确保风格纯粹性 [8]