三、经典风格

三、经典风格

正如前文所述，Fama和French在CAPM模型的基础上，提出股本市值和账面市值比可以解释股票的收益率变动。小盘溢价与价值溢价也被许多国内外研究所证实。

在我国进行风格投资时，价值与成长、大盘与小盘等风格的轮动也一直是市场关注的重点，实际操作中多将两种指标结合起来，形成如表6-1所示的9种风格类别（盘子的大小以累计市值进行排序，成长性类别按照账面市值比划分）：

不同的投资风格在不同阶段及市场环境下的表现具有明显差异。大、小盘风格轮动是A股常态。以大盘价值指数与小盘成长指数为例（见图6-2），从近几年的表现可以看出，在2015年的牛市及股灾中，小盘成长股在前期表现显著优于大盘价值股，但在股灾来临后，两者均大幅下跌；自2016年以来，大盘价值股的表现一直稳步上行，小盘成长股则表现弱势，因市场的避险偏好而表现为震荡下行。在A股市场上，几乎不会看到大盘股和小盘股同幅上涨或下跌的情况。投资者经常会发现“赚指数不赚钱”，即配错了风格。若能很好地把握在不同宏观环境下市场的风格偏好，并相应地构建策略来捕获这种收益，那么将为投资者带来超额收益。⁽⁴⁾

宏观因素、股指涨跌、投资者情绪及前期走势等都是影响大、小盘风格轮动的重要因素：

﹡当宏观经济向好时，小市值公司有好的发展环境，易于成长壮大，投资者比较乐观，会给予这类公司较高的估值，小盘股会明显跑赢大盘股；当宏观经济较差时，投资者会在避险的驱动下，追捧经营相对稳健的大市值公司，此时大盘股表现会明显好于小盘股。

﹡大盘股和小盘股的估值差会遵循一种均值回复的过程。股指上涨时，小盘股一般会跑赢大盘股（约60%的概率）；在市场看多情绪高涨时，可能会不断推高某一风格指数；若某一风格指数前期涨幅较大，投资者获利了结的意愿增强，接下来走弱的概率就会增加。

﹡当市场上某种风格的股票走势较强时，羊群效应会让投资者继续追逐这类股票，使这类股票的强劲走势得以延续，故投资者情绪可能会强化风格轮动，并延长轮动的时间。然而，风格轮动持续一段时间以后，估值相对优势就会减弱，市场可能会追逐另一种风格。

上述因素都可以用技术指标来反映：RSI（相对强弱指数）是涨跌幅的对比，如果某种风格指数前期涨幅大、跌幅小，则该类风格后市有望继续走强；PSY（心理线）是涨跌天数的对比，如果某种风格指数前期上涨的天数明显较长，则该指数有可能已经“强”过头了，后市转弱的可能性较大。从各技术指标、估值指标与风格指数相对收益的相关性来看，RSI和风格指数一般有一定的正相关关系，可看作动量因子；而涨跌幅、PSY、估值指标、成交量与风格指数的负相关性显著，可看作反转因子。成交量也是反转因子，表明前期成交清淡的风格指数，后市转强的可能性较大。

至此，风格轮动被简化为一个二元问题——要么小盘股领先大盘股，要么大盘股领先小盘股；或者一个三元问题——小盘强于大盘、大盘强于小盘、大盘与小盘相当。将这些状态再次拆分，就转化为两个问题：谁会领先谁？领先的幅度是多少？下面的Logit模型可以提供风格转换的概率，概率越高，领先的幅度可能越大。

采用Logit模型预测风格的条件是，风格转换的概率应当与指标的关系是非线性关系（S型曲线），随着指标的绝对值增加，概率接近0或1的速度会越来越慢。例如，中证500、中证100的PE差在15倍左右波动，PE差从15倍增加到25倍时，小盘跑赢大盘的概率可能会从50%上升至70%；PE差从25倍增加到35倍时，概率可能会从70%上升为80%；PE差从35倍增加到45倍时，概率可能会从80%上升为85%……

Logit模型可以表示为：

(https://www.daowen.com)

其中为风格转换的概率，当自变量无限增大（假定系数为正）时，P_t→1；反之，P_t→0。在最简化的单因子情况下，该模型的难点在于如何估算风格转换的概率P_t。在实际操作中，研究人员把自变量相近的样本集中起来，统计成功的次数，据此估算概率P_t。考虑到不同的自变量在数量级上有较大差异，我们先把这些自变量进行标准化处理，再计算各样本之间的欧式距离，选择欧式距离最小的N_t个样本，统计成功的次数，并估算每个样本成功的概率。N_t不能太大也不能太小，N_t太大，选的样本较多，样本间的差异较大，对概率估计的精确度会下降；N_t太小，选的样本较少，缺乏代表性。另外，所选的N_t个样本最好分布在不同的时间点，如果所选样本集中在某个特定的时间段，代表性也较差。

研究机构每周根据最新的变化判断一次风格变化，获得了239个样本。为兼顾代表性和准确性，N_t设为10～15个。选择其中相关性较大的指标——6月涨幅、6月PSY、PE，采用Logit模型进行拟合，并据此预测风格轮动，如表6-2、表6-3所示。

可以看出，单因子Logit模型对后1月的风格轮动预测效果一般，只有以6月涨幅为自变量预测风格的效果较好，其准确率为61%，单调性也较好，当概率大于60%（或小于40%）、大于70%（或小于30%）时，准确率可以进一步提高到70%～80%。6月涨幅和6月PSY对后3月的风格预测效果较好，准确率可以达到62%～64%。6月PSY和PE对后6月的风格预测效果较好，准确率可以达到61%～62%。它们的单调性都很好，表明所选的因子符合逻辑，可以很好地解释风格变化。从残差的标准差可以看出，概率的预测值和实际值的差异一般在10%以内（约68%的概率），表明模型拟合的效果较好。另外，从表6-3还可以看出，因子的系数均为负数，表明这些因子都是反转指标，这与上文提到的相关性一致。

在经典风格的基础上，越来越多的机构开始融合更多的风格指标来做决策。重新定义风格、定量计算各风格的相对强弱，有时候在判断强弱之前还会加入聚类分析，利用数学模型，摆脱数据线性的限制，以使最终的风格划分更清晰，显著性更强。天风证券按照风格定义对全市场股票进行分组，并对前后10%的组别建立多空组合，得到与风格配对对应的相对强弱关系（如小盘对大盘、低估值对高估值、反转对动量等）。

从风格的多空收益来看，低估值vs高估值、高盈利vs低盈利、短期反转vs动量能够维持单方面风格长期占优的风格配对，虽然短期内出现过小幅的波动，但长期来看，低估值、高盈利、短期反转的风格表现相对强势。明显可以看到大、小盘风格的多空收益高出其他风格一个数量级，也是风格择时中最重要的风格配对。据此构建各种风格的资金流动强度指标，并模拟整个市场随机分组下的资金流动强度分布，以此来评判每个时点上风格资金流动强度异于市场随机波动的显著性。发现流动强度具有提示风险的作用：低流动强度意味着投资者并未在风格的不同档位间切换，即各风格投资者倾向于保持原有投资风格；高流动强度意味着风格投资者发生了“风格信仰”的动摇，开始在风格之间切换，此时对风格进行择时更有价值。最后，依据流动强度判断择时时机，以资金流向判断择时方向，构建大、小盘轮动策略，实测择时效果良好，进一步用纯多头大、小盘配置策略（因为A股不可做空，该策略即出现小盘信号时，仅做多头部10%；出现大盘信号时，仅做多尾部10%），可以获得超额收益。

上文介绍了部分经典的风格轮动策略，它们因为有广泛的理论基础，加上量化回测证实存在超额收益，受到投资者的热捧。不同的机构会在算法、因子筛选上有自己独到的见解，除了经常见到的从宏观基本面、市场行情数据、动量趋势相对强弱指数等维度寻找有效的因子外，还有机构通过数据挖掘分析财经网站个股新闻，统计各板块成分股每日新闻数量，构建新闻热度指标这样的新思路，在板块内，分别构建新闻热度布林线。通过市场情绪分析、财经文本分析、新闻热点捕捉、主题挖掘等，从中挖掘出有效信息。大数据将为量化投资提供新的研究视野，驱动量化投资深入创新。