摘要

净值化时代，为满足客户的绝对收益需求，多资产配置是一种必然思路。CTA作为一类不同于股票、债券等传统资产的另类资产，策略本身的运作手段丰富，历史净值表现优异，同时众多优异的CTA产品回撤控制较好，收益风险比极佳。

从多资产配置视角看，对于CTA策略，首先我们需要明了的是，什么样的宏观及市场环境下，CTA策略具有较好的性价比，因为CTA策略也有小年和大年，当环境不利时，即使表现再好的CTA策略，可能收益也不及中性、股票多头等其他策略，此时从自上而下的视角看，最优的选择应该是增配其他更优的资产，而不是在CTA策略中“火中取栗”。这其实就是CTA策略的择时问题。本文中，我们构建了一套

摘要

资产配置的本质是资产选择以及市场择时

资产配置就是在给定的预期收益条件下，期望组合风险最小；在给定期望组合风险条件下，期望投资收益最大。实现其目标主要包括资产选择和权重配置两部分。

隐马尔可夫模型的本质是对复杂数据进行降维，学习低维隐藏状态的转移进行预测

隐马尔可夫模型将每一个可观测值的产生对应着市场状态的变化，通过观测序列得知对于目前市场状态建模，进而帮助择时判断。市场状态是隐藏状态不可观测的，其通过可观测变量来进行推断。模型本质上是将市场观测状态用隐藏状态进行降维，之后再对低维的隐藏状态空间拟合状态转移，根据状态转移概率对未来市场状态形成预测。

摘要

自2017年以来，我们撰写了一系列报告对于因子择时模型的构建进行了讨论。现有的因子择时模型多通过修正因子的收益预期来影响多因子加权权重，最终通过影响股票综合打分或者收益预期来实现因子择时。简单来说，该类模型通过收益预测模型实现因子择时。然而，收益预测模型是因子择时的唯一实现途径吗？答案是否定的。

本文构建了一整套动态风险控制框架，旨在通过风险控制模型来实现因子择时。本文第一章阐述了模型整体构建思路。本文第二章详细介绍了动态风险控制框架的构建。本文第三章分别基于沪深300指数以及中证500指数构建了风险控制组合并对于组合的具体表现情况进行了展示。

因子择时既可通过收益预测模型实

小样本学习(Few-Shot Learning，FSL)是一种新颖的机器学习方法，旨在从少量的标记数据中学习。

深度神经网络在大数据上取得了骄人的成绩，但在仅有少量样本时表现得不尽如人意，而在很多实际情况中，数据难以取样或大量累积。为解决问题，小样本学习越来越受关注。

机器学习是从数据中学习，使完成任务的表现越来越好，而小样本学习则是具有有限监督数据的机器学习。

近年来，各种机器学习方法己被广泛应用到金融时间序列预测方面。这些方法往往是基于历史大样本数据进行训练，且假设训练样本和预测样本的分布是一致的。但股市分布并不稳定，在不同时间段，分布也不同。

为避免股市数据分布变化的问题，一个有

报告摘要

本文从基金投资组合和单个基金两个层面考察了共同基金基于市场定价偏差的择时能力。有显著证据表明，当存在系统性低估时，择时能力强的基金经理会增加对于市场的暴露。在排除1987年市场崩盘、2000年互联网崩盘和2008年金融危机之后，本文的结果依然成立。

此外，本文的分析表明，在考虑了市场择时、波动率择时、流动性择时和情绪择时的情况下，以及控制了其他潜在风险因子之后，本文构建的定价偏差择时模型仍然有效。

本文还进行了bootstrap分析，以判断定价偏差是否源于运气或随机。本文发现定价偏差择时能更多的可以归于基金经理的投资管理能力。进一步，本文发现定价偏差择时能力为共同

摘要

文献来源：Park, Sangkyun. The P-E Ratio, the Business Cycle, and Timing the Stock Market. The Journal of Portfolio Management, forthcoming November 2021.

推荐原因：本文利用1871-2020年的月度股市数据，分析了市盈率与未来股票市场表现之间的关系，以及错误定价是否为股市择时提供了机会。研究发现，市盈率与已实现的股权溢价成反比；而与公允市盈率这一基本面指标成正比。这些发现表明，市盈率可能同时反映了被误导的市场情绪和理性的投资者预

摘要

因为权重行业相对小市值行业走弱，我们转为短期谨慎态度。近期行业配置发出市值加权配置信号，从而减少小市值因子暴露。重点推荐的行业有国防军工、医药、农林牧渔、传媒和交通运输。

1. 行业月度涨跌幅排名：

   银行涨跌幅排名在处于历史 90%分位数，而食品饮料、医药和电子元器件的涨幅排名在下降。从涨跌幅排名上看市场风险高；

2. 行业波动率排名：

   银行和医药的波动率有所下降，非银处于历史 10%分位数以下，食品饮料和电子元器件行业波动率从低点回升；从波动率排名上看市场风险中等；

3. 前五名权重行业中：

   a. 没有行业符合急涨

摘要

宏观周期的界定:货币、信用、经济、通胀为常见维度

宏观周期的界定，往往依赖于划分标准的选取，常见有经济-通胀周期(美林时钟)、货币-信用周期、货币-经济周期等，此三种划分结果其实是围绕着货币、信用、经济、通胀而展开的。相比于美林时钟而言，货币-信用周期和货币-经济周期更加贴合中国的市场，但是也各自有一些瑕疵。以上三种框架的问题皆为维度考虑不够，如果能够添加更多的维度进行切分，效果都会不错。本报告我们选择“货币-经济周期”框架进行讨论，主要原因在于货币和经济维度相对更重要且时间跨度较宽，有利于后续精细化分析。

经济状态和货币松紧的衡量

经济状态:工业增

导读

1. 作为西学东渐--海外文献推荐系列报告第一百三十九篇，本文推荐了Andrew Chin和Wenxuan Tang于2020年发表的论文《Factor Timing in Fixed-Income Strategies》；

2. 随着市场波动不断加剧，因子择时所受关注也在不断上升。如何判断基金经理的择时能力也成为了热门话题之一，本文提出了一套完整的框架体系对固收基金经理的因子择时能力进行评估，对于我们进行基金经理筛选有着重要启发；

3. 本文主要探讨了如何评估固收基金经理的因子择时能力，主要贡献如下：

   构建框架将固收基金经理的主动收益分解为战略因子贡献、战术因子贡献（因

报告摘要

基金经理行业择时能力与基金业绩

本文研究了对冲基金能否对特定行业进行择时，以及这种择时能力是否能预测对冲基金的未来业绩。结果表明，有相当比例的基金能够对制造业进行择时，并且那些具有较强的制造业择时能力的基金在接下来的几个月产生了更高的回报。多变量Fama-MacBeth截面回归也表明，在控制了各种基金特征和基金的其他择时能力后，制造业择时系数的预测能力依然存在。

长期预测能力测试表明，制造业择时系数与未来收益之间的正相关性可以持续到未来6个月。除了产生更高的回报外，本文还发现制造业择时能力强的基金未来有更多的资本流入，并且在接下来的6-12个月期间有更高的

摘要

人工智能系列之59：强化学习初探与DQN择时

本文介绍强化学习基础概念和经典算法，并构建股指日频择时策略。有别于传统监督学习对真实标签的拟合，强化学习不存在标准答案，而是针对长期目标的试错学习。其核心思想是个体通过与环境交互，从反馈的奖励信号中进行学习，数学上使用马尔可夫决策过程刻画。本文围绕基于价值的方法和基于策略的方法两个方向，依次介绍蒙特卡洛、时序差分、Sarsa、Q学习、DQN、策略梯度、REINFORCE、演员-评委算法。使用DQN构建上证指数择时策略，原始超参数样本外2017年至2022年6月年化超额收益率18.2%，夏普比率1.31，年均调

报告摘要

本文从基金投资组合和单个基金两个层面考察了共同基金基于市场定价偏差的择时能力。有显著证据表明，当存在系统性低估时，择时能力强的基金经理会增加对于市场的暴露。在排除1987年市场崩盘、2000年互联网崩盘和2008年金融危机之后，本文的结果依然成立。 此外，本文的分析表明，在考虑了市场择时、波动率择时、流动性择时和情绪择时的情况下，以及控制了其他潜在风险因子之后，本文构建的定价偏差择时模型仍然有效。 本文还进行了bootstrap分析，以判断定价偏差是否源于运气或随机。本文发现定价偏差择时能更多的可以归于基金经理的投资管理能力。进一步，本文发现定价偏差择时能力为共同基金投资者创

摘要

调整结束信号如期呈现，超跌板块有望卷土重来

我们在上周的周报中从宏观事件、价量以及日历效应来看，下周初若出现缩量将是较好的入场时机

两市成交总额在上周一和上周三两次跌破万亿，随后迎来反弹，调整结束信号如期兑现。过去一周，wind全A反复震荡，上涨1.27%，市值维度上，上周代表小市值股票的国证2000指数再创新高，大涨2.89%；中盘股中证500上涨1.11%，沪深300上涨0.39%，创业板指上涨0.78%;中信一级行业上，国防军工和轻工制造领涨，军工大涨4.54%；食品饮料和煤炭调整幅度较大，下跌均超4%。上周成交活跃度上，中信一级行业中医药与军工板块资金

摘要

缩量到什么幅度或可确认调整结束？

我们在上周的周报中从宏观事件、价量以及日历效应来看，市场有望延续反弹走势，期待开门红。但市场完全超出预期，过去一周，wind 全 A 持续调整，下跌 2.61%，市值维度上，上周代表小市值股票的国证 2000 指数再创出新高后出现调整，下跌 2.5%；中盘股中证 500 下跌 2.5%，沪深 300 下跌 2.39%，创业板指大跌 6.8%;中信一级行业上，家电和房地产领涨，涨幅均超 4%；军工和电力设备调整幅度较大，军工下跌超 8%。上周成交活跃度上，中信一级行业中银行与消费者服务板块资金流入明显。 从择时体系来看，我们定义的用来区别市场整

摘要

择时雷达六面图。国盛金工的择时雷达六面图主要综合了宏观流动性、宏观经济、市场估值、资金流向、技术指标、情绪指标这六个维度的信息，使用了三十多个指标对未来权益市场给出择时观点并进行研判。基于各项指标的观点，综合给出[-5,5]的择时打分，当前的综合打分为 2.38 分，整体相较上周仍维持看多观点。

流动性

代表货币政策与银行间流动性的 DR007 与 SHIBOR 均处于历史较低区间，且相较于上周继续下行，维持看多信号。代表信用的 M1 同比、M1与 PPI 剪刀差等指标本月新披露数据后，均继续处于上行趋势，综合来看维持上周的显著看多信号。

经济面

当前

摘要

期权作为现货的衍生产品，其交易情况暗含了投资者对市场的观点，期权交易日益活跃，可以从中获得有效且领先于现货市场的信息，兴业水晶球策略于2015年中推出，至今已有三年多样本外数据，其致力于挖掘期权市场中符合经济学逻辑且统计规律显著的因子，对期权标的现货（50ETF）进行短期的预测，无论是策略的整体表现，还是在历次市场拐点的判断上，都非常优秀。

目前上证50ETF期权的主要投资群体是通过考试的专业投资者，具有一定的前瞻性，他们对现货的未来走势预期可能相对会更加准确。如果能够充分地挖掘这部分投资者的情绪，就可以利用从期权中获得的信息对现货进行择时，这也是水晶球择时的基本逻辑。

符

摘要

“基底”价格形态下的CANSLIM模型基本逻辑A股实证研究。本报告借鉴美国著名投资学家欧奈尔的“基底”理论和CANSLIM模型理论，结合A股市场现状，推出了适用于当前A股市场的申万A股欧奈尔CANSLIM选股模型。申万A股欧奈尔CANSLIM选股模型的基本思路为：找出“基底”价格形态的股票和买点；依据欧奈尔CANSLIM模型同时考虑基本面因子和技术面因子，实现价格形态，基本面和技术面三者的共振。

“基底”价格形态、基本面因子、技术面因子和市场走势。本报告采用一些规则刻画“基底”价格形态（含“杯柄形态”、“双重底”、“蝶形”等）的共性；基本面因子关注净利润增长、营业收入增长率和投资

摘要

自2017年以来，我们撰写了一系列报告对于因子择时模型的构建进行了讨论。现有的因子择时模型多通过修正因子的收益预期来影响多因子加权权重，最终通过影响股票综合打分或者收益预期来实现因子择时。简单来说，该类模型通过收益预测模型实现因子择时。然而，收益预测模型是因子择时的唯一实现途径吗？答案是否定的。 本文构建了一整套动态风险控制框架，旨在通过风险控制模型来实现因子择时。本文第一章阐述了模型整体构建思路。本文第二章详细介绍了动态风险控制框架的构建。本文第三章分别基于沪深300指数以及中证500指数构建了风险控制组合并对于组合的具体表现情况进行了展示。

因子择时既可通过收益预测模型实现

\

摘要

“货币+信用”体系的再梳理

货币因子的预测能力来源于货币政策的滞后性与外生性，信用因子的预测能力来源于信用指标与经济之间的稳健领先性。 “货币+信用”体系并不适用国外：一方面海外央行货币政策独立性较强，且明显受规则制主导，基本内生于经济环境；另一方面发达国家基本转型为价格型货币政策框架（信用指标不再设为中介目标），且没有信贷驱动经济的特征。 “货币+信用”体系中，股票市场择时表现优于债券市场的原因：债券市场对货币政策与基本面的反馈方向相同（经济好利空债券，货币收紧也利空债券）；由于债券市场对基本面变化非常敏感，且货币政策具备滞后性特征，其所反应的部分信息很大概率上已经

摘要

单向波动差值择时模型信号准确率与成交额关系随着成交额的增加，发出看多信号时预测的准确度进一步提高。看空信号胜率并未显示与成交额的相关性。因而可以考虑将成交额信息加入看多信号的判断对原模型进行改进。

相对成交额过滤转多信号vs成交额共同确认看多信号1）方法一策略收益16.40倍，信号切换胜率0.5231，总交易次数130次。从逻辑上更加符合一次趋势较强上涨的确认过程。更能在收益及风险间取得平衡，且维持更低的交易次数。调参检测结果显示，相对成交额阈值取1.1效果最优。 2）单向波动差值及相对成交额共同确认看多信号的方法相对谨慎，适合只做多头的投资者。策略收益为9.27倍，信号切换胜

摘要

从择时信号发出频率的角度看，择时系统可划分为两类，其中常用的一个是连续性择时系统，即一个系统在任何时刻均会对资产的未来走势作出看涨看跌的判断，如均线择时系统，不过，连续性择时系统胜率不高但盈亏比较高，需要投资者承受较大的心理压力且一旦失效对资产的配置权重影响较大。

不同于连续性择时，事件驱动择时并不要求择时系统在任何时候都发出看涨看跌信号，仅当某一特定事件出现时该指标才有意义，其优点在于该类择时信号出现后对未来市场研判的胜率较高，但信号频率偏低，不能将其作为主择时策略，因此事件驱动择时可用于对资产配置权重在一定幅度内的动态调节。

本文主要从三个维度构建事件驱动策略，包括宏观事

摘要

一维回撤率控制策略原理根据回撤调整引理（DrawdrownModulationLemma）可以构造出一个使用样本内数据，无论在任何股票价格走势下，都能确保最大回撤率维持在容忍度之内的策略。基于以上理论，我们构造出一个不涉及未来数据的回撤率控制策略，后续用实例证明其有效性。

回撤率控制仓位管理策略的沪深300实证沪深300回撤率控制策略，在5%的最大回撤率容忍度设定参数下，基本可以将月度回撤率控制在10%以内。该策略中参数具有以下特点，投资比例分布在0%和100%附近居多且最优γ*往往取得取值范围的最大值。

基于回撤率的指数择时策略将沪深300回撤控制策略退化成简单的择时

摘要

2017年以来，随着市场上量化策略的增多，许多以前十分有效的因子，如市值因子、动量因子、波动率因子等，都出现了比较明显的震荡或者失效。想要靠传统多因子模型取得超越基准的稳定收益变得越来越难。对于因子择时模型的研究需求也在持续上升。

本篇报告分为三部分：

首先，我们介绍了因子择时常用的几个指标，包括因子估值差与配对相关性等，并测试了其与因子未来收益的相关性。

然后，我们使用随机森林函数，构建因子择时模型。与大多数因子择时模型不同，我们的预测目标是因子收益的历史移动平均与实际因子收益的差距。对于收益波动较大的因子，移动平均比较难抓到因子短期的趋势。而择时

摘要

正文

/wiki/static/upload/83/83ccedd5-74ef-4dfe-8e5e-85a7bcb33548.pdf

\

摘 要

人工智能系列之59：强化学习初探与DQN择时

本文介绍强化学习基础概念和经典算法，并构建股指日频择时策略。有别于传统监督学习对真实标签的拟合，强化学习不存在标准答案，而是针对长期目标的试错学习。其核心思想是个体通过与环境交互，从反馈的奖励信号中进行学习，数学上使用马尔可夫决策过程刻画。本文围绕基于价值的方法和基于策略的方法两个方向，依次介绍蒙特卡洛、时序差分、Sarsa、Q学习、DQN、策略梯度、REINFORCE、演员-评委算法。使用DQN构建上证指数择时策略，原始超参数样本外2017年至2022年6月年化超额收益率18.2%，夏普比率1.31，年均调仓42.0次，