量化策略｜超预期逻辑下的多维度资产轮动和择时框架
量化策略｜超预期逻辑下的多维度资产轮动和择时框架
本文针对传统的资产轮动框架中存在的诸如灵活性低、打分标准固定等问题进行了改进，并对输入变量进行了超预期视角下的处理，采用因子相关性加权的方式计算资产的最终得分，提高了模型的综合性和自适应性。我们采用26个指标构建的行业轮动模型在2017年-2025年1月的回测期间实现了32%的年化绝对收益，远超同期的沪深300和全行业等权组合的表现，显示了模型的有效性。以2025年2月末最新的数据来看，模型推荐的前五大行业为电子、计算机、医药、传媒及通信。
常见的轮动框架：周期法和打分法均存在劣势
多资产轮动是投资领域中的一个重要策略，其核心逻辑在于通过对宏观经济面、基本面和技术面等多维度指标的综合分析，选择在不同市场环境下最适配的行业或资产类别，以优化投资组合并实现超额收益的目标。
基于宏观经济周期划分的策略，以美林时钟为代表。美林时钟通过经济增长和通货膨胀两个维度将经济周期划分为四个阶段：复苏期、过热期、滞胀期和衰退期，并在不同阶段分别推荐配置股票、商品、债券和现金。这种方法不依赖于对经济周期运行的具体假设，对经济周期的认知和运行路径较为理想化，未充分考虑各类经济指标之间的领先和滞后关系。
基于因子打分的轮动框架，更加突出量化的综合性和灵活性。在指标层面，打分法考虑的维度更为全面和综合；在配置周期层面，基于经济周期的切换通常需要较长的时间，而基于多维度打分的框架则能够更加快速灵活地调整占优资产的配置。
打分法仍旧存在诸多操作层面的细节问题，如：a) 宏观因子的时间对齐；b) 基础数据到信号生成的方法选择；c) 打分方法及权重设定等。
超预期视角：市场关心的不是数据本身，而是预期的变化
对于宏观经济数据，我们均采用超预期的方式进行处理。市场对于宏观数据的关注度主要在于是否超预期，其绝对幅度的大小与资产的涨跌幅之间的线性关系并非完全明确，基于此，我们将每月公布的宏观经济数据与市场一致预期进行对比，分别用1，0，-1来表示超预期、符合预期以及低于预期的情况。
在因子有效性检测以及打分方面，我们采用计算相关性并加权合成的方式进行。即在每一个调仓日将所有资产的下一期收益序列及历史指标序列一对一计算相关系数，并以相关系数作为权重对最新一期的变量进行加权计算最终得分。
轮动模型的建立：配置和择时模型均有明显优势
在指标的选择方面，为尽可能保证全面性我们选取了经济增长、通胀、货币、利率和市场五个维度共计26个指标，为了确保宏观经济变量的比较具有合理性和一致性，我们采用Wind一致预期数据作为基准。
以行业轮动模型为例，在每月底根据指标的历史相关性对最新一期指标进行加权，并得到综合得分，选择综合得分最高的五个行业构建最终的行业轮动配置组合。
以回测结果来看自2017年1月-2025年1月，超预期策略和原始策略的年化收益分别达到32%和13%，同期的沪深300和全行业等权组合的年化收益仅为1%和2%，上述两个策略的夏普比率分别达到2.05和0.37。
通过将综合得分与阈值0进行比较，构建多空择时模型，从结果来看，在2017年9月-2025年1月的回测期间，不论是只多策略还是多空策略，在所有中信一级行业上均实现了超越行业指数本身的年化收益，并且相较而言多空策略的年化收益更为显著。
2025年3月推荐行业信号强度
模型看多行业前五：电子、计算机、医药、传媒及通信。
模型看空行业前五：煤炭、房地产、交通运输、综合金融及建材。