因子风格择时策略（2022年1月期）-20220107-国金证券-24页_2mb

因子风格择时策略（2022年1月期）总结

核心内容概述

本报告基于XGBoost模型构建了两个相互独立的因子择时策略，分别用于股票风格因子择时和沪深300与中证500指数轮动。策略综合考虑了宏观经济数据、市场情绪变量、因子拥挤度、离散度、估值价差、配对相关性等指标，以期为投资者提供风格配置建议。

主要观点

1. 因子择时策略

• 模型选择：采用XGBoost模型替代之前的决策树模型，以提高预测准确率。
• 输入变量：包括因子拥挤度、宏观经济数据（如经济增速、物价、货币政策等）、市场情绪指标（如流动性、波动率、估值等）。
• 策略表现：
  • 模型在测试集（2019年至今）中，平均月度胜率为 61%，年化收益为 26.36%，相对于中证500的年化超额收益为 20.60%。
  • 2022年1月模型建议高配小市值、质量、低换手因子，低配beta、动量、低波动、成长、估值因子。
  • 12月份因反转效应和小市值因子占优，策略超额收益为负。

2. 指数轮动策略

• 模型结构：使用嵌套XGBoost模型，分别构建基于宏观经济数据和市场情绪变量的信号，并进行等权打分。
• 策略表现：
  • 宏观经济模型胜率 76%，年化超额收益 6.56%，夏普比率 1.27。
  • 市场情绪模型胜率 71%，年化超额收益 6.84%，夏普比率 1.33。
  • 综合信号夏普比率提升至 1.63，超额收益较单信号有所下降，但波动性更小。
  • 2017年和2020年综合信号表现优异，但2018年出现较大回撤，2021年以来年化超额收益为 9.11%。
• 当前判断：2022年1月两个信号方向一致，看多沪深300，原因包括：
  • 中证500与沪深300的盈利预期差缩小。
  • 沪深300估值处于回复阶段。
  • 消费领域存在困境反转可能，大金融板块估值和性价比良好。

关键信息

1. 因子体系

• 包括：beta、动量、小市值、质量、低波动率、成长性、估值、低换手率因子。
• 每个因子都有对应的定义和计算方式，例如：
  • beta因子：基于市场杠杆、资产负债率、账面杠杆等。
  • 动量因子：基于RSTR长期动量。
  • 小市值因子：基于LNCAP对数市值。
  • 质量因子：基于市场杠杆、资产负债率、账面杠杆。
  • 波动率因子：基于月超额波动率、日超额收益波动率、HSIGMA。
  • 成长性因子：基于营业收入增速、利润同比增速。
  • 估值因子：基于PB。
  • 换手率因子：基于月流动性STOM、季流动性STOQ。

2. 模型构建与回测

• 训练与测试集：训练集为前40期~前10期数据，测试集为最近10期数据。
• 特征重要性：
  • 宏观经济数据模型中，工业增加值、税收收入、社会消费品零售总额等为重要特征。
  • 市场情绪模型中，交易量、盈利预期差、估值差diff等为重要特征。
• 组合优化：以中证500为基准，通过控制行业偏离（不超过3%）和个股权重上限（设置为5%时超额收益最高）进行优化。

3. 策略有效性

• 离散度测试：高离散度因子未来收益区分能力较强，但近两个月离散度收窄。
• 拥挤度测试：因子拥挤度越高，未来收益为负的可能性越大，近两个月小市值因子拥挤度上升，动量、成长因子下降。
• 配对相关性测试：低配配对相关性较低的因子，近两个月小市值、质量、低波动因子相关性降低。
• 多空波动率测试：波动率较低的因子更适合作为配置对象，近两个月波动率变化不大。

风险提示

• 模型基于历史数据，未来市场可能发生变化。
• 因子择时策略不能保证未来收益，需结合市场实际情况灵活调整。

附录：策略建议与数据参考

1. 因子配置建议（2021年10月~2021年12月）

2. 指数轮动模型信号（2020年11月~2021年12月）

总结

本报告通过XGBoost模型构建了因子择时和指数轮动策略，结合宏观经济与市场情绪变量，为投资者提供了系统的风格配置参考。模型在多个维度上表现出较强的预测能力，但需注意市场变化可能导致策略失效。2022年1月，模型建议高配小市值、质量、低换手因子，低配其他因子，同时看多沪深300指数。