20211205-国金证券-量化投资策略报告_因子风格择时策略（2021年12月期）_24页_3mb

因子风格择时策略总结（2021年12月期）

核心内容

本文通过XGBoost方法构建了两个相互独立的策略：因子风格择时策略与指数轮动策略，旨在帮助投资者在A股市场中实现风格配置的优化。

1. 因子风格择时策略

• 策略目标：预测未来一个月风格因子收益正负，帮助投资者进行风格轮动配置。
• 输入变量：因子拥挤度、宏观数据（多指标）、市场情绪变量。
• 回测结果：
  • 平均月度胜率 61%，年化收益 26.06%。
  • 相对于中证500的年化超额收益为 20.55%。
  • 2021年以来超额收益 8.25%。
• 最新建议（2021年12月）：
  • 高配：beta、动量、质量、成长因子。
  • 低配：小市值、低波动因子、估值因子。
• 模型逻辑：
  • 当前经济尚未完全复苏，市场流动性宽松，但风格偏好不明显。
  • 模型倾向于保持风格敞口的均衡配置。
  • 本期偏好利率敏感性强的成长因子，同时控制质量和大市值因子敞口。

2. 指数轮动策略

• 策略目标：判断沪深300与中证500未来一个月收益高低，实现大小盘轮动配置。
• 模型构建：
  • 偏长期维度使用宏观经济数据构建XGBoost模型，胜率 76%，年化超额收益 6.59%，夏普比率 1.27。
  • 偏短期维度使用市场情绪、估值盈利差等因素构建XGBoost模型，胜率 71%，年化超额收益 7%，夏普比率 1.36。
• 综合信号：
  • 两个信号等权打分，当方向不一致时等权配置沪深300与中证500。
  • 综合信号夏普比率提高至 1.65，有效熨平波动。
  • 2017年和2020年表现优异，2018年回撤较大。

主要观点

• 因子择时必要性：随着因子投资的深入，因子失效问题日益显著，因此因子择时成为重要参考。
• 模型改进：从原来的决策树模型升级为XGBoost模型，提升预测能力。
• 变量选择：
  • 宏观经济数据：包括经济增速、物价、货币政策、利率、进出口等。
  • 市场情绪变量：包括流动性、波动率、估值、指数涨幅等。
• 策略表现：
  • 因子择时策略在测试集上表现稳定，胜率较高。
  • 指数轮动策略综合信号波动更小，夏普比率更高，但超额收益有所下降。
• 风格变化：2017年注册制推出后，市值风格发生转向，沪深300占优比例上升。
• 投资建议：建议投资者在风格配置上采取均衡策略，避免单一因子敞口过大。

关键信息

• 因子体系：包括beta、动量、小市值、质量、低波动、成长性、估值、低换手率因子。
• 模型优势：
  • XGBoost模型在预测因子收益正负方面效果优于决策树。
  • 综合信号在降低波动的同时提高夏普比率。
• 特征重要性：
  • 宏观经济数据对动量、低波动、估值因子影响较大。
  • 市场情绪变量对beta、成长性因子影响较大。
• 回测窗口：
  • 滚动回测窗口为40期，测试集为最近10期。
  • 组合优化时，个股权重上限设为 5% 时超额收益最高。
• 风险提示：
  • 模型基于历史数据，市场未来可能发生变化。
  • 投资者应综合考虑其他因素，避免单一依赖模型建议。

策略总结

图表概览

• 图表1：风格轮动策略框架
• 图表2：近一年A股风格走势
• 图表3：近四个月风格因子拥挤度历史分位数
• 图表4：近一年各风格因子IC
• 图表5：中证500近三个月因子配置建议
• 图表6：近3个月风格因子月度收益IC
• 图表7：多因子框架展示
• 图表8：大类风格因子构成
• 图表9：A股纯因子收益（2016-2021.11）
• 图表10-17：风格因子在不同指标上的变化与多空收益
• 图表18-20：宏观指标、市场情绪指标及衍生变量
• 图表21-23：XGBoost模型原理与特征选择
• 图表24-25：XGBoost模型构建流程与滚动回测
• 图表26-33：各因子在XGBoost模型中的重要性
• 图表34-35：滚动回测准确率与组合优化超额收益
• 图表36-38：轮动模型月度超额收益与模型收益
• 图表39-46：沪深300与中证500指数走势、市值分布、行业分布、PE水平
• 图表47-53：指数轮动模型构建流程与信号准确率
• 图表54-57：信号方向对比与综合信号收益

风险提示

• 模型测试基于历史数据，市场未来可能发生变化。
• 投资者应结合自身情况和市场环境综合决策，避免单一依赖模型输出。

联系方式

• 熊颖瑜：xiongyingyu@gjzq.com.cn，(8621) 60753902
• 张剑辉：zhangjh@gjzq.com.cn，(8610)66211648