技术指标择时效果的局限与挑战 [page::2]

• 传统技术指标假设场景特定且参数依赖强，直量化裸奔效果差。

- 历史参数未必对未来有效，需考虑指标逻辑及参数的普适性检验。

QRS择时指标构建及逻辑实现 [page::4][page::5]

• 基于最高价与最低价线性回归，β作为阻力支撑相对强度代理指标。

- β值与未来10日沪深300收益率相关系数最高达到0.63，具较强预测能力。

• 指标标准化后结合相关系数$R^2$设计惩罚项，有效过滤噪音。

QRS择时模型回测表现及指标改进 [page::6][page::7][page::8][page::9][page::10][page::11]

• 选取参数(N=18,M=600,S=0.7)构建QRS择时模型，样本内外均表现优异。

- 对指标惩罚项次方进行归一调整，提升择时表现，最优惩罚为相关系数平方。

• 精简信号项实验显示完整指标预测能力更强，核心相关系数成分不可删减。

- 参数N选择影响预测能力稳定性，与未来收益相关系数呈倒U型分布。

动态参数模型设计以减少过拟合及路径依赖 [page::13][page::14][page::15]

• 通过计算指标值区间与未来收益均值相关性，构建择时能力系数作为参数优化目标。

- 动态参数模型避免直接净值计算路径依赖，基于择时能力系数滚动最优参数选取。

• 对开平仓阈值采用“对折”函数方法选取，确保择时信号稳定且高效。

QRS指标在多指数上的动态择时能力检验 [page::16][page::17]

| 指数标的 | 年化收益(%) | 夏普比率 | 最大回撤(%) | 开仓胜率(%) | 平均盈亏比 |
|----------|-------------|----------|-------------|------------|------------|
| 上证50 | 12.1-14.5 | 0.85-1.01| 17.2-20.1 | 56.7-70.4 | 2.43-4.83 |
| 沪深300 | 11.1-15.0 | 0.78-1.04| 14.6-29.2 | 59.4-65.5 | 1.9-3.63 |
| 中证500 | 7.6-12.7 | 0.43-0.67| 50.0-65.2 | 46.4-49.6 | 2.53-2.84 |
| 上证综指 | 2.5-4.9 | 0.34-0.82| 20.6-40.0 | 52.3-69.4 | 1.58-2.87 |

• 动态模型验证QRS在多个宽基指数均具择时能力，沪深300表现最佳。

- 窗口长度加大，模型稳定性及效果提升，回撤明显低于指数基准。

总结与风险提示 [page::18][page::19]

• 推荐不依赖市场行情假设的择时逻辑进行量化构造。

- 通过指标拆解与改进，提升指标实用性及稳定性。

• 动态参数模型有效减少过拟合，能更真实反应择时能力。

- 择时指标未来表现不保证，存在模型失效和结构性风险。

量化策略报告详尽分析

1. 元数据与报告概览

报告标题： 量化择时系列（1）：金融工程视角下的技术择时艺术
作者： 刘均伟、王汉锋
发布机构： 中国国际金融股份有限公司（中金公司）
发布日期： 未明确，但数据分析时间跨度至少涵盖2005至2020年
主题： 基于金融工程方法构建量化技术择时指标，重点围绕针对A股市场的技术指标有效性分析及改进，最终开发出QRS量化择时指标模型
核心论点：

• 传统技术指标机械量化在A股市场表现不佳

- 通过金融工程方法，寻求不依赖于市场风格假设的择时逻辑更适合量化实现

• 利用最高价与最低价构造衡量阻力与支撑强度的代理指标β，能够较好预示后市走势

- 进一步通过金融工程拆解和改进该指标，构建QRS择时模型，实现较优择时效果

• 运用动态参数模型减少过拟合，验证QRS模型在多个指数的择时有效性及普适性

评级与建议： 报告为策略研究，无股票评级，强调风险提示，提醒模型基于历史数据，未来表现不保证

2. 逐节深度解读

2.1 技术择时指标现状与挑战（第2页）

• 传统技术指标（均线、MACD、RSI等）依赖假设（趋势行情或震荡行情），且对未来市场风格缺乏预判能力；

- 投资者实际运用时基于经验判断市场环境选择指标信号，机械程序化往往误用，导致择时效果不佳；

• 历史重复性假设受市场结构变迁影响，参数历史最优未必未来有效，形成模型过拟合现象[page::2]。

- 结构图（图表1）清晰总结了两大缺陷：场景假设依赖与参数稳定性衰减。

2.2 寻找适合量化的择时逻辑（第3页）

• 解决技术指标未能跨行情有效的难题，提出绕开市场行情假设的择时逻辑；

- 用阻力与支撑的“相对强度”作为关键量化逻辑，通过比较阻力与支撑的方差（投资者看法分歧程度）反映“强度”；

• 判断支撑强度大于阻力强度，后市倾向牛市，反之偏熊市，无需先验行情判断，兼容趋势与震荡；

- 图表2总结阻力支撑强度与市场情绪/走势的内涵与对应行情表现[page::3]。

2.3 代理指标构造（第4-5页）

• 关键数据点：取最近N日最高价（high）与最低价（low）序列，建立线性回归模型

$$
hight = \alpha + \beta \cdot lowt + \epsilont
$$

• 参数β解释为低价波动1单位时，高价的波动单位，越大显示支撑相对强阻力弱，反之亦然；

- 结合牛熊市实际案例（图表3-6）和统计（图表7-8），β值与未来10日指数收益存在正相关，相关系数0.63（剔除样本量小区间），说明β具备一定的预测能力；

• 指标做正态标准化（zscore），并结合回归拟合优度$R^2$作为惩罚项，最终指标定义为

$$
\text{指标} = zscore(\beta) \times R^2
$$

• 这样设计是为了过滤无效的线性关系噪音信号[page::4][page::5]。

2.4 QRS择时模型构建及效果（第6-7页）

• 利用上述指标建立买卖规则（指标突破阈值S买入，小于负阈值卖出），参数包括N、M(β值正态化窗口长度)、S(开平仓阈值)；

- 样本内参数选定为(N=18, M=600, S=0.7)；

• 样本内年化收益14%，最大回撤50%，开仓胜率54%，同期沪深300年化收益-3%，最大回撤72%；

- 样本外年化收益11%，最大回撤14%，表现优秀；

• 拆解指标结构，发现指标可写为

$$
zscore\left(\frac{std(high)}{std(low)} \times corr(high, low)\right) \times corr(high, low)^2
$$

• 实验不同幂次惩罚项对择时的影响，幂次越高惩罚越强，但未归一化量级下会过度过滤有效信号，导致交易次数减少；

- 量级归一后，幂次2次方达到最佳择时效果，年化收益约13.6%，夏普0.96，开仓胜率约60%；

• 对比保留与精简信息项（删除相关系数项目），精简会损失预测能力，相关系数降低近0.06，择时效果下降明显；

- β取值N应控制在17-22保障预测稳定性，过小样本不稳定，过大样本又减少相关系数差异[page::6][page::7][page::8][page::9][page::10][page::11]。

2.5 改进后的QRS指标（第12页）

• 改进版指标引入对$R^2$的滚动窗口均值归一化，稳定指标量级；

- 指标具体构建：
1. 最近N日回归计算β与$R^2$；
2. 最近M日计算β的zscore；
3. 最近M日计算$R^2$均值；
4. 指标 = zscore(β) × $R^2$ / 样本均值($R^2$)

• 改进后QRS择时模型性能提升显著：

- 年化收益从13.2%提升至16.1%
- 夏普比率从0.81升至0.96
- 最大回撤降低至46.2%
- 开仓胜率提升至61.1%

• 净值表现（图表21）改进指标在样本内外均优于改进前及沪深300基准[page::12]。

2.6 估计择时指标外推有效性与动态参数模型构造（第13-15页）

• 指出技术指标易过拟合，市场结构与投资者行为变化影响后续有效性；

- 提出动态参数模型思想：每期滚动选取最优参数组，提升参数自适应，实现更真实的择时能力评估；

• 避免传统优化依赖“净值计算”带来的路径依赖，创新提出直接用“择时能力系数”（指标取值与未来10日收益的相关系数）优化参数；

- 通过区间未来收益函数$f(s,r)$定义指标在取值区间的未来收益平均，计算相关系数衡量指标择时能力，代替净值相关统计量；

• 设计算法自动计算动态参数与开平仓阈值，开平仓阈值通过对称设定及“对折函数”挑选最小满足正收益区间的参数，并设定最小阈值0.5避免过度交易；

- 图表22、23清晰介绍该动态参数模型流程及开平仓阈值选择逻辑[page::13][page::14][page::15]。

2.7 多指数动态模型验证（第16-17页）

• 运用动态参数模型在沪深300上测试，确认QRS择时指标具有稳健择时能力，年化收益稳定在约15%左右，夏普比率约1；

- 动态参数模型表现低于固定参数QRS模型，暗示后者可能含部分过拟合效果；

• 多个宽基指数实证（上证50、沪深300、中证500、上证综指）显示QRS指标在各指数均有效，尤其沪深300、上证50效果优于中证500；

- 概括动态模型滚动窗口越长，模型越稳健，择时效果越好；

• 中证500相对较弱提示不同市场结构对择时有效性的影响；

- 创业板与科创板指标测试因数据量不足未涵盖[page::16][page::17]。

2.8 总结与风险提示（第18-19页）

• 通过金融工程视角给出技术择时指标开发完整路径：

1. 独立于市场行情假设寻求择时逻辑；
2. 构建代理指标与择时模型；
3. 指标拆解与改进；
4. 利用动态参数评估指标外推能力与适合标的场景；

• 构造的QRS指标在沪深300上表现优异，且具普适性，有助投资者择时应用；

- 明确风险提示：基于历史数据，存在模型过拟合风险，市场结构变化可能导致择时策略失效，不保证未来收益[page::18][page::19]。

3. 图表深度解读

• 图表1（第2页）：总结了技术择时传统指标效果不佳的两大根本问题（市场场景依赖和参数稳定性弱），为后文提出新思路做理论铺垫。
• 图表2（第3页）：表格形式表述阻力支撑强度与市场牛市、震荡市、熊市的对应含义，核心是阻力相对支撑强时市场会出现动能衰减、见顶或加速下跌的信号，反之则对应加速上涨或企稳反弹。
• 图表3-6（第4-5页）：通过牛市和熊市中的实际K线案例，展示β值（最高价相对最低价的回归系数）与行情转折、加速的直观联系，图中手写注释说明了高β对应支撑强、低β对应阻力强的状态。
• 图表7-8（第5页）：

- 图7展示β的历史取值分布，呈现近似正态分布，说明指标分布适合做标准化处理；
- 图8展示不同β区间对应的未来10日收益平均，呈现上升趋势，证明β指标的择时信号有效。

• 图表9（第6页）：沪深300指数样本内外净值对比，QRS模型净值显著优于指数本身，净值曲线增长平滑，验证择时指标有效。
• 图表10-11（第7页）：不同幂次惩罚项对策略收益率、夏普比率、最大回撤、交易频率、胜率、盈亏比的影响，数据表明适度惩罚有利策略稳定，幂次2效果平衡。
• 图表12-13（第8页）：

- 图12净值曲线显示未做量级统一时，不同幂次惩罚项带来净值差异显著；
- 图13柱状图说明不同幂次对指标量级有系统影响，需统一量级避免误差。

• 图表14-15（第9页）：量级归一后，策略性能趋同且整体性能提升；净值曲线体现调整后持续超越基准。
• 图表16-17（第10页）：精简指标与原指标择时效果对比，精简指标性能明显下降，特别是年化收益、夏普和平均盈亏比，视觉上净值曲线弱于原指标。
• 图表18（第11页）：参数N不同取值下原与精简指标择时预测能力的相关系数差值分布呈倒U型，展示了N取值适中的重要性。
• 图表19（第11页）：β相关系数标准差随着N增大显著减小，说明较小样本量导致相关系数不稳定。
• 图表20-21（第12页）：改进前后QRS指标各项统计数据及净值对比，改进后显著提升收益与夏普。
• 图表22（第14页）：展示传统基于净值计算参数优化与直接基于择时预测能力系数优化的差异，后者减少路径依赖。
• 图表23（第15页）：“对折”函数计算开平仓阈值的示例，两案例均显示共同正收益区间，确定阈值为0.5以上。
• 图表24-25（第16页）：动态参数模型设置及不同滚动窗口宽度下QRS择时效果统计，展示收益、风险指标，动态参数的鲁棒性与有效性验证。
• 图表26（第17页）：四个指数多种动窗口下模型择时效果比较，强调各指数异质性及普适性。
• 图表27（第18页）：报告概要框架图，总结整个金融工程视角技术择时指标开发流程。

4. 估值分析

本报告为量化策略研究，未涉及公司估值分析或目标价制定，不适用传统的DCF、PE、EV/EBITDA等估值方法。核心分析是择时指标构造、参数优化及策略绩效评估。

5. 风险因素评估

• 历史数据与未来表现不一致风险：指标基于历史数据开发，未来因市场结构、投资者行为或政策环境显著变化，指标失效可能性存在。
• 模型过拟合风险：基于参数优化或历史净值表现可能存在过拟合，动态参数模型尝试减缓该风险，但不完全消除。
• 市场环境适应性风险：择时逻辑虽设计普适，但仍对不同市场、投资者结构敏感，某些指数上表现较弱。
• 交易成本与执行风险未考虑：策略忽略交易成本、滑点等，实际收益可能受影响。
• 风险提示明确无样本外收益保证，投资者应保持谨慎，动态调整参数及风险管理策略为必要[page::19]。

6. 批判性视角与细微差别

• 择时逻辑为支撑与阻力强度对比，该逻辑未经传统市场行情分类，显著避免了行情错误假设依赖，极具创新性与实用意义。同时较易量化实现。
• 使用线性回归β与$R^2$的组合指标简单而有效，且能直观解释，体现金融工程的优势。但简单线性模型可能无法捕获高阶非线性市场动态，限制指标进一步提升。
• 动态参数模型对抗过拟合的思路创新，尤其直接用“择时能力系数”替代净值优化，有助于减少路径依赖，但参数滚动频率和窗口长度的主观选择仍影响最终稳定性。
• 数据集中于A股宽基指数，缺乏创业板、科创板等新兴市场验证，未来工作可拓展验证范围。
• 虽然指标表现突出，但最大回撤相对较高（样本内46.2%），实际应用需辅以资金管理和风险控制。
• 实际交易成本、执行策略等细节未展开，模型真实落地性能待验证。
• 报告未涉及对异常市场事件（如极端非理性波动）下策略表现的分析，关注这一点有助于完善风险评估。
• 图表数据未包含置信区间或统计显著性测试，增强结论说服力的空间尚存。

7. 结论性综合

本报告以金融工程视角出发，深入剖析量价数据中的阻力与支撑的相对强度，构建了创新的量化择时指标QRS。通过经济学视角解读该指标的本质——投资者对市场波动预期的一致性（方差与相关性），实现了对趋势牛熊或震荡市场环境下均适用的择时逻辑突破传统技术指标假设局限。

具体流程包括：

• 利用线性回归β值描述支撑相较阻力的强弱，结合$R^2$惩罚项过滤噪声建立代理指标。
• 通过指标拆解发现，合理设计惩罚项的幂次（2次方）与归一处理显著提升指标稳健性与择时效果。
• 维持信息项中的相关系数，保证指标预测能力，合理选择参数窗口，避免不稳定性。
• 采用动态参数模型评估指标外推能力，绕开“净值计算”路径依赖，动态调整构建参数和开平仓阈值。
• 指标及择时模型在沪深300及其他主流宽基指数均表现出稳健的择时能力，年化收益率在12%-16%间，夏普比率接近或高于1，最大回撤大幅优于指数基准。
• 报告全面结合大量历史数据、多角度统计指标及真实回测净值曲线，充分验证了该量化择时范式的创新性、有效性与普适性。
• 同时，报告充分提示量化策略存在的模型过拟合及历史依赖风险，强调动态参数优化必要性与多指数验证的重要性。

综上，QRS技术择时指标及其背后的金融工程开发范式为市场提供了一条兼顾有效性和稳健性的量化择时路径，尤其适合A股市场宽基指数，但实际应用需关注风险控制与参数动态调整策略。

---

综述图表示例

• 

技术择时经典指标存在的两大局限，明确了择时难点。

• 

改进前后QRS指标择时净值对比，显示明显性能提升及净值曲线平稳增长。

• 

绕开净值计算的动态参数优化思路，减少路径依赖，提升鲁棒性。

• 

QRS择时模型样本内外净值表现，显著超越沪深300指数。

• 

全流程开发框架图，清晰展示金融工程视角择时指标研究范式。

---

参考溯源标识

本文所有结论和分析均严格基于报告原文内容，引用页码如标注：
[page::2], [page::3], [page::4], [page::5], [page::6], [page::7], [page::8], [page::9], [page::10], [page::11], [page::12], [page::13], [page::14], [page::15], [page::16], [page::17], [page::18], [page::19]

---

总结： 本报告在量化择时领域提供一整套金融工程范式指导，创新构造了性能卓越的QRS技术择时指标，兼顾理论创新与严格的实证验证，具有较高的研究和应用价值。 按不同参数计算择时指标 -->基于指标计算相应净值 –> 通过净值测算目标统计量 –> 选择最优目标统计量对应的参数。容易发现，在这样的参数优化过程中有大量净值的计算。而净值计算本身就极易带来路径依赖的问题。这就使得即使是通过滚动来动态设置的参数，在未来一段时间内仍然可能因路径依赖而令模型效果极不稳定，从而一定程度上背离了使用动态参数的初衷。

因此，我们在本文将构造一种能够绕开净值计算的动态参数模型。


图表22: 直接通过指标预测能力挑选参数，能减少在净值计算上造成的路径依赖
资料来源：中金公司研究部

绕开净值计算的核心是找到一个能够直接描述指标择时预测能力的变量。我们可以通过构造指标值对应未来期望收益序列来达到这一目的。首先，我们定义一个名为区间未来收益率的函数，其输入为一个实数与正实数，输出为实数:

$$
f(s,r)\colon[\mathbb{R},\mathbb{R}^{+}]\to\mathbb{R},
$$

其中，s 表示指标取值，r 表示距离长度。s 与 r 共同决定了一个取值区间 [s-r, s+r]，而函数值 𝑓(𝑠, 𝑟) 的含义为：样本中所有取值在 [s-r, s+r] 区间内的指标值对应的未来 10 日收益率的均值。

如果我们将择时指标的取值范围按照固定长度切分成完全覆盖又互不重叠的各个小区间，那么我们就能得到一个给定样本里所有指标值数据构成的指标值对应未来期望收益序列。例如，如果样本里的指标值都是取值在-3.05 到 3.05 之间，按 0.1 为间隔分成一个个小区间，那么就可以计算形成如下序列：

$$
f(-3.0,0.05),f(-2.9,0.05),\cdots,f(0,0.05),\cdots,f(2.9,0.05),f(3.0,0.05)
$$

计算该函数序列与各个区间的中点值 s 形成的序列之间的相关性，得到的相关系数即可表征该指标在这个样本中对未来 10 日走势的预测能力。为了后文方便引用，我们不妨将该相关系数称为择时能力系数。

在拥有择时能力系数作为参数的优化目标后，动态参数模型的构建就摆脱了对净值计算的依赖。我们沿着技术择时模型整体流程的两个步骤：1.计算指标；2.将指标与开平仓阈值比较。依次优化相应的参数组：

优化参与指标构建的参数。遍历指标计算涉及的参数取值范围，找到在滚动窗口期内，预测能力最强的指标对应的参数。其流程如下：

1. 对每一组参数下（在本例中，有两个参数，分别是运用回归计算β的样本长度，与对β作标准化的窗口长度）计算出的择时指标，计算其指标取值与其对应标的 10 天后预期收益率的择时能力系数。

2. 为了增加选取的参数的稳定性，对每一组参数，我们计算其邻域内所有参数对应择时能力系数的均值，作为择时指标在该组参数下的预测能力。

1. 选取最大预测能力所对应的参数组作为计算择时指标的参数。以该组参数计算的择时指标记为“滚动最优指标”。

优化决定持仓观点的参数。针对“滚动最优指标”，选择在滚动窗口期内，最合适的开平仓阈值，该部分的实现比确定“滚动最优指标”稍显复杂，其实现思路如下：

1. 为了减少模型复杂度与过拟合概率，开平仓阈值仅需一个参数对称设置（例如开仓看多阈值是 1 倍标准差，那平仓或反向空仓的阈值就是-1 倍标准差）。
2. 考虑“滚动最优指标” 的指标值对应未来期望收益序列。若指标有效，我们预期能见到如下现象：当指标值大于 0 时，其未来 10 日预期收益也大于 0，且有着随指标值变大而一同变高的趋势。同时，当指标值小于时，其未来 10 日预期收益也小于 0，且有着随指标值变小而一同变低的趋势。
3. 为了能同时综合考虑到指标在正数时的正向预测能力与指标为负时的负向预测能力。我们针对区间未来收益率函数 f 进行一些变形，构造其“对折”函数 h：对于任意 s>0 与 r>0，我们有

$$
g(s,r)=\left(f(s,r)-f(-s,r)\right)/2,
$$

$$
\begin{array}{r}{h(s)=\sum{s{i}{i},r)/n,i\in\{1,2,\cdots,n\}}\end{array}
$$

1. 将滚动样本里的指标值按 0.1 为间隔分成一个个相互独立的小区间，并依次计算每个指标节点对应的“对折”函数 h 的值，形成“对折”取值序列。我们找到最小的节点 x，使得对于所有大于 $\textsf{x}$ 的节点 s，其“对折”函数 h(s)的值都大于 0。我们取这样的节点 x 作为滚动样本期间开平仓阈值的最优参数。进一步，为了避免择时信号过于频繁的变动，我们规定开平仓阈值最小不能低于正负 0.5倍标准差，因此最终开平仓阈值的最优参数为： $\mathsf{m a x}(\mathsf{x},\mathsf{0}.5)$ 。

图表23: 从“对折”函数中挑选最优交易阈值参数 示例
资料来源：中金公司研究部

通过动态模型确认择时指标的真实择时能力与适合的标的场景

运用上述动态参数模型，回撤 QRS 择时模型在沪深 300 上的净值效果，从而估计 QRS 指标择时的过拟合程度与外推能力。动态参数择时模型的流程分两步：

1. 在每个年末，用滚动过去固定长度的一段历史时期作为样本，运用动态参数模型选取最优参数组；

2. 在接下来的一年里，用上年末确定的最优参数组作为参数，计算相应 QRS 指标并相应确定择时信号。

图表24: 动态参数模型测试设置

设置项	设置值
净值计算区间	2012/1/1-2020/12/11
数据标的	沪深300指数
动态参数调整频率	1年
样本滚动窗口	n年（n可取2、3、4、5)

资料来源：中金公司研究部

通过比较不同滚动窗口下动态参数模型的净值统计，可以得出以下结论：

QRS 择时模型对沪深 300 的确拥有较好的择时能力。无论用来设置动态参数的滚动窗口是长是短，最终净值的收益率、夏普比率、最大回撤相比同期沪深 300 指数，都有明显优势。

QRS 择时模型未来择时表现（外推性）可能弱于当前回测展现出的效果。从动态参数模型的结果可以看出，所有滚动窗口下，动态模型净值的表现均弱于当前固定参数下的 QRS 择时模型。随着滚动窗口宽度不断增大，确定动态参数的样本更为稳定，参考意义更大一些。在滚动 4 年窗口及滚动 5 年窗口的动态模型中，模型净值的年化收益与夏普比率逐渐稳定在 15%与 1.0 左右。我们认为该数据更为接近 QRS 指标在沪深 300 上的真实择时能力。

图表25: QRS 择时模型在动态参数下的择时效果统计

	滚动2年 动态模型	滚动3年 动态模型	滚动4年 动态模型	滚动5年 动态模型	QRS择时	沪深300
年化收益	12.20%	11.10%	15.00%	14.90%	17.60%	8.70%
夏普比率	0.9	0.78	1.04	1.03	1.19	0.49
最大回撤	29.20%	18.50%	14.60%	19.10%	13.90%	46.70%
开仓胜率	65.50%	59.40%	65.50%	70.00%	62.50%	N/A
平均盈亏比	1.9	2.48	3.63	2.32	4.52	N/A

资料来源：万得资讯，中金公司研究部； 注：全样本净值区间为2012/1-2020/12

在确认 QRS 指标在沪深 300 指数上的择时能力后，我们将目光投向下一个业界择时研究领域的关注点。普遍上，我们说一个技术指标如果能有效实现一个底层普适择时逻辑，那么把它应用在各个不同的资产或标的上，都应该呈现出或多或少的有效性。

不同标的或指数的特征存在一定差异，例如投资者结构、成分股投资逻辑特征不同等。因此择时指标可能在有些特征匹配的指数上择时效果更强，而在另一些指数上的效果稍弱一些。

在多个不同指数上采用动态模型测试择时指标，有助于我们验证指标的择时逻辑普适性，同时对该指标在那些标的场景下更为适用，也给出了一定指导。我们分别在主流宽基指数：上证 50、沪深 300、中证 500、上证综指，分别采用动态模型进行测试。这里没有放入创业板指及科创板指数，原因在于动态模型对于测试样本的长度有一定要求，创业板指自 2010 年，科创板指数自 2019 年才有编织，故数据量上难以满足运用动态模型进行稳定测试。

多指数动态模型测试结果显示，QRS 指标各个主流宽基指数上均有明显的择时效果，验证了择时底层逻辑的普适通用性。测试统计数据主要体现出以下特征：

滚动窗宽较长的动态模型（4 年、5 年）效果普遍好于滚动窗宽较长的动态模型（2年、3 年）。从稳定性角度来说窗宽较长的动态模型数据对 QRS 指标在各个指数上的真实择时能力有更真实的反映。
QRS 指标的有效性在不同指数间存在差异。整体上沪深 300 上择时能力最强，上证50 与上证综指上择时能力也不错，超额收益与回撤控制上都有显著效果；相比之下中证 500 上择时能力相对稍弱。

图表26: QRS 指标在各指数上均展现择时能力

指数标的	统计项	指数基准	混动2年	混动3年	混动4年	混动5年
			动态模型	动态模型	动态模型	动态模型
上证50	年化收益	8.80%	10.40%	10.30%	14.50%	12.10%
	夏普比率	0.48	0.75	0.71	1.01	0.85
	最大回撤	44.70%	20.10%	22.30%	17.20%	18.40%
	开仓胜率		60.60%	58.30%	70.40%	56.70%
	平均盈亏比		2.43	2.9	4.65	4.83
沪深300	年化收益	8.70%	12.20%	11.10%	15.00%	14.90%
	夏普比率	0.49	0.9	0.78	1.04	1.03
	最大回撤	46.70%	29.20%	18.50%	14.60%	19.10%
	开仓胜率		65.50%	59.40%	65.50%
	平均盈亏比		1.9	2.48	3.63	70.00% 2.32
中证500	年化收益	7.60%	8.50%	8.30%	12.70%	9.20%
	夏普比率	0.43
	最大回撤	65.20%	0.51	0.5	0.67	0.54
	开仓胜率		49.60%	48.80%	47.50%	46.40%
	平均盈亏比		50.00%	50.00%	60.70%	48.30%
上证综指	年化收益		3.28	2.51	2.77	2.87
	夏普比率	4.90%	7.60%	8.40%	10.40%	11.10%
	最大回撤	0.34	0.68	0.66	0.75	0.82 20.60%
	开仓胜率	52.30%	14.60% 65.40%	20.30% 54.80%	20.30% 67.60%	69.40%
	平均盈亏比		2.53	2.84	1.87	1.58

资料来源：万得资讯，中金公司研究部； 注：全样本净值区间为2012/1-2020/12

总结

本篇报告从金融工程与量化的角度，探讨技术择时指标的开发范式。

寻找适合量化实现的择时逻辑

绝大部分传统技术指标仅在特定的市场场景有效，主动投资者基于经验先判断场景，再选择是否利用指标。量化模型较难对市场切换迅速反应。不依托于市场行情假设的择时逻辑，更加适合量化实现。

构造代理指标，实现择时逻辑

通过寻找合适的代理指标与算法模型，形成对择时逻辑的初步实现。测试初步指标对市场未来收益的预测能力，并以此构造相应择时模型。以择时净值与统计数据判断模型的择时效果。

指标构造的拆解、剖析与改进

站在模型构造的角度，将指标拆的越细越简单，逻辑的核心就越清晰。将指标拆解后，从逻辑与结构多个角度剖析，尝试对原指标进一步改进。

估计指标效果外推性 & 适用场景与标的

构造动态参数模型，估计指标更真实的择时能力与外推效果。基于动态参数模型测试不同择时标的下指标的择时效果，评估指标是否拥有普适的择时能力，并判断其更适合应用的标的场景。


图表27: 金融工程视角下的技术择时指标开发
资料来源：中金公司研究部

同时，本文基于该范式，构造了 QRS 技术指标及相应的择时模型。该指标在沪深 300 上择时效果优秀，在 2007-2020 年间，择时净值年化收益 $16.1\%$ ，夏普比率 0.96，开仓胜率超 6 成。同期沪深 300 指数年化收益 $0.7\%$ ，夏普比率 0.16。通过在多个主流宽基指数测试，亦进一步验证了该择时指标底层逻辑的普适性与有效性。

风险提示

本篇报告中的测试结果均基于模型与历史数据。历史数据存在不被重复验证的可能，模型存在过拟合的风险，在市场有投资者结构或投资行为模式大幅变化的情况模型亦有可能失效。本报告不对模型样本外的择时收益表现作任何保证。

法律声明

一般声明

本报告由中国国际金融股份有限公司（已具备中国证监会批复的证券投资咨询业务资格）制作。本报告中的信息均来源于我们认为可靠的已公开资料，但中国国际金融股份有限公司及其关联机构（以下统称“中金公司”）对这些信息的准确性及完整性不作任何保证。本报告中的信息、意见等均仅供投资者参考之用，不构成对买卖任何证券或其他金融工具的出价或征价或提供任何投资决策建议的服务。该等信息、意见并未考虑到获取本报告人员的具体投资目的、财务状况以及特定需求，在任何时候均不构成对任何人的个人推荐或投资操作性建议。投资者应当对本报告中的信息和意见进行独立评估，自主审慎做出决策并自行承担风险。投资者在依据本报告涉及的内容进行任何决策前，应同时考量各自的投资目的、财务状况和特定需求，并就相关决策咨询专业顾问的意见对依据或者使用本报告所造成的一切后果，中金公司及/或其关联人员均不承担任何责任。

本报告所载的意见、评估及预测仅为本报告出具日的观点和判断，相关证券或金融工具的价格、价值及收益亦可能会波动。该等意见、评估及预测无需通知即可随时更改。在不同时期，中金公司可能会发出与本报告所载意见、评估及预测不一致的研究报告。

本报告署名分析师可能会不时与中金公司的客户、销售交易人员、其他业务人员或在本报告中针对可能对本报告所涉及的标的证券或其他金融工具的市场价格产生短期影响的催化剂或事件进行交易策略的讨论。这种短期影响的分析可能与分析师已发布的关于相关证券或其他金融工具的目标价、评级、估值、预测等观点相反或不一致，相关的交易策略不同于且也不影响分析师关于其所研究标的证券或其他金融工具的基本面评级或评分。

中金公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本报告意见及建议不一致的市场评论和/或交易观点。中金公司没有将此意见及建议向报告所有接收者进行更新的义务。中金公司的资产管理部门、自营部门以及其他投资业务部门可能独立做出与本报告中的意见不一致的投资决策。

除非另行说明，本报告中所引用的关于业绩的数据代表过往表现。过往的业绩表现亦不应作为日后回报的预示。我们不承诺也不保证，任何所预示的回报会得以实现。
分析中所做的预测可能是基于相应的假设。任何假设的变化可能会显著地影响所预测的回报。

本报告提供给某接收人是基于该接收人被认为有能力独立评估投资风险并就投资决策能行使独立判断。投资的独立判断是指，投资决策是投资者自身基于对潜在投资的目标、需求、机会、风险、市场因素及其他投资考虑而独立做出的。

本报告由受香港证券和期货委员会监管的中国国际金融香港证券有限公司（“中金香港”）于香港提供。香港的投资者若有任何关于中金公司研究报告的问题请直接联系中金香港的销售交易代表。本报告作者所持香港证监会牌照的牌照编号已披露在报告首页的作者姓名旁。

本报告由受新加坡金融管理局监管的中国国际金融（新加坡）有限公司 (“中金新加坡”) 于新加坡向符合新加坡《证券期货法》定义下的认可投资者及/或机构投资者提供。提供本报告于此类投资者, 有关财务顾问将无需根据新加坡之《财务顾问法》第 36 条就任何利益及/或其代表就任何证券利益进行披露。有关本报告之任何查询，在新加坡获得本报告的人员可联系中金新加坡销售交易代表。

本报告由受金融服务监管局监管的中国国际金融（英国）有限公司（“中金英国”）于英国提供。本报告有关的投资和服务仅向符合《2000 年金融服务和市场法 2005年（金融推介）令》第 19（5）条、38 条、47 条以及 49 条规定的人士提供。本报告并未打算提供给零售客户使用。在其他欧洲经济区国家，本报告向被其本国认定为专业投资者（或相当性质）的人士提供。

本报告将依据其他国家或地区的法律法规和监管要求于该国家或地区提供。

特别声明

在法律许可的情况下，中金公司可能与本报告中提及公司正在建立或争取建立业务关系或服务关系。因此，投资者应当考虑到中金公司及/或其相关人员可能存在影响本报告观点客观性的潜在利益冲突。

与本报告所含具体公司相关的披露信息请访 https://research.cicc.com/footer/disclosures，亦可参见近期已发布的关于该等公司的具体研究报告。

中金研究基本评级体系说明：

分析师采用相对评级体系，股票评级分为跑赢行业、中性、跑输行业（定义见下文）。

除了股票评级外，中金公司对覆盖行业的未来市场表现提供行业评级观点，行业评级分为超配、标配、低配（定义见下文）。

我们在此提醒您，中金公司对研究覆盖的股票不提供买入、卖出评级。跑赢行业、跑输行业不等同于买入、卖出。投资者应仔细阅读中金公司研究报告中的所有评级定义。请投资者仔细阅读研究报告全文，以获取比较完整的观点与信息，不应仅仅依靠评级来推断结论。在任何情形下，评级（或研究观点）都不应被视为或作为投资建议。投资者买卖证券或其他金融产品的决定应基于自身实际具体情况（比如当前的持仓结构）及其他需要考虑的因素。

股票评级定义：

跑赢行业（OUTPERFORM）：未来 $6\sim12$ 个月，分析师预计个股表现超过同期其所属的中金行业指数；中性（NEUTRAL）：未来 $6\sim12$ 个月，分析师预计个股表现与同期其所属的中金行业指数相比持平；跑输行业（UNDERPERFORM）：未来 $6\sim12$ 个月，分析师预计个股表现不及同期其所属的中金行业指数

行业评级定义：

超配（OVERWEIGHT）：未来 $6\sim12$ 个月，分析师预计某行业会跑赢大盘 $10\%$ 以上；标配（EQUAL-WEIGHT）：未来 $6\sim12$ 个月，分析师预计某行业表现与大盘的关系在- $.10\%$ 与 $10\%$ 之间；低配（UNDERWEIGHT）：未来 $6\sim12$ 个月，分析师预计某行业会跑输大盘 $10\%$ 以上。

研究报告评级分布可从https://research.cicc.com/footer/disclosures 获悉。

本报告的版权仅为中金公司所有，未经书面许可任何机构和个人不得以任何形式转发、翻版、复制、刊登、发表或引用。

V190624编辑：赵静

中国国际金融股份有限公司
中国北京建国门外大街1 号国贸写字楼2 座28 层 | 邮编：100004
电话： (+86-10) 6505 1166
传真： (+86-10) 6505 1156

美国

英国

CICC US Securities, Inc 32th Floor, 280 Park Avenue New York, NY 10017, USA Tel: (+1-646) 7948 800 Fax: (+1-646) 7948 801

China International Capital Corporation (UK) Limited
$25^{\mathrm{th}}$ Floor, 125 Old Broad Street
London EC2N 1AR, United Kingdom
Tel: $(+44-20)$ 7367 5718
Fax: $(+44-20)$ 7367 5719

新加坡

China International Capital Corporation (Singapore) Pte. Limited
6 Battery Road,#33-01
Singapore 049909
Tel: $(+65)$ 6572 1999
Fax: $(+65)$ 6327 1278

香港

中国国际金融（香港）有限公司香港中环港景街1 号国际金融中心第一期29 楼电话：(852) 2872-2000传真：(852) 2872-2100

上海

中国国际金融股份有限公司上海分公司
上海市浦东新区陆家嘴环路1233 号
汇亚大厦32 层
邮编：200120
电话：(86-21) 5879-6226
传真：(86-21) 5888-8976

深圳

中国国际金融股份有限公司深圳分公司
深圳市福田区益田路5033 号
平安金融中心72 层
邮编：518048
电话：(86-755) 8319-5000
传真：(86-755) 8319-9229