目 录
1、引言 ......................................................................................................................- 3 -
2、因子择时标的 ......................................................................................................- 3 -
3、基于参数化策略的因子择时策略 ......................................................................- 4 -
时序模型 ..........................................................................................................- 4 -
横截面模型 ......................................................................................................- 5 -
4、不同设定下因子择时表现 ..................................................................................- 6 -
变量筛选 ..........................................................................................................- 6 -
动态滚动模型选择 ..........................................................................................- 7 -
5、总结 ......................................................................................................................- 7 -
附录 ............................................................................................................................- 8 -
图表 1、风格因子列表 .............................................................................................- 3 -
图表 2、风格因子IC 表现（）.....................................................- 4 -
图表 3、风格因子 IC 表现（）.....................................................- 4 -
图表 4、拓展模型流程图 .........................................................................................- 5 -
图表 5、时序模型合成因子 IC 表现（）.....................................- 5 -
图表 6、时序模型合成因子多空净值曲线 .............................................................- 5 -
图表 7、时序模型合成因子多空组合表现 .............................................................- 5 -
图表 8、横截面模型合成因子 IC 表现（）.................................- 6 -
图表 9、横截面模型合成因子多空净值曲线 .........................................................- 6 -
图表 10、横截面模型合成因子多空组合表现........................................................- 6 -
图表11、时序模型保留不同主成分合成因子IC 表现..........................................- 6 -
图表 12、滚动模型流程图.......................................................................................- 7 -
图表 13、时序模型不同动态滚动模型下合成因子IC 表现..................................- 7 -
图表 14、宏观经济变量...........................................................................................- 8 -
图表 15、宏观经济变量详细介绍...........................................................................- 8 -
图表 16、市场状态变量...........................................................................................- 9 -
图表 17、市场状态变量详细介绍.........................................................................- 10 -
图表 18、因子特征变量详细介绍......................................................................... - 11 -
报告正文
1、引言
因子择时从本质来说是对因子权重进行更好的动态配置。传统的因子择时方
法通常将问题转换为如何更好的估计因子收益以及因子收益协方差矩阵。
Drobetz W 等人于 2019 年在《Financial Analysts Journal》发表的论文《Optimal
Timing and Tilting of Equity Factors》，提出了一种使用外生变量构建因子择时策略
的新方法，对因子权重直接进行参数化设计（Parametric Portfolio policy ,下文简称
为PPP）。PPP 方法有着多种优势：
1） 更全面：PPP 方法隐含地考虑了外生变量对因子收益的均值、协方差矩阵
的影响，可认为PPP 方法是传统方法的近似解。
2） 更简单：基于外生变量构建预期变量的预测模型相对来说更为可行，但用
外生变量估计协方差矩阵存在较大难度，例如我们很难保证估计的协方差矩阵满
足正定性。而PPP 方法无需对协方差进行估计，降低了模型的难度。
3） 更具效率：使用一般方法，若要构建N 个因子的配置模型，我们必须估计
预期收益率的 N 个参数，以及协方差矩阵的 N(N+1)/2 个参数。而使用 PPP 方法，
只需要估计 N 个参数，便可得到最优权重，对于计算效率的提升是显然的。
在《西学东渐--海外文献推荐系列之六十三》中，我们对原文进行了完整的翻
译和推荐。而本文，我们将基于 A 股数据，对上述论文提出的因子择时模型进行
实证分析。最终结果表明，该方法能够超越等权基准，具有一定的实践意义。
2、因子择时标的
本文采用兴业因子择时系列报告《基于机器学习方法的 A 股市值风格轮动研
究》中所构建的因子择时指标体系作为外生变量建立模型（具体指标列表详见附
录），同时我们将以下七个常用风格因子作为因子择时标的。
图表1、风格因子列表
风格 顺序 因子含义
BP_LR 价值 降序 股东权益合计_最新财报 / 总市值
RTN_20D 动量反转 升序 复权收盘价 / 复权收盘价_20 天前 - 1
NetProfit_SQ_QoQ 成长 降序 单季度营业收入环比增长率
ROE_TTM 质量 降序 滚动12 个月净资产收益率
Turnover_20D_Avg 流动 升序 过去20 天日均换手率
FloatCap 规模 升序 流通市值
RealizedVolatility_240D 风险 升序 过去240 天日收益率数据计算的标准差
资料来源：兴业证券经济与金融研究院整理
2005 年以来各因子 IC 表现如图表 2 所示。从中我们不难发现，大部分因子
长期来看具有显著的选股能力，FloatCap、BP_LR、 RTN_20D 等因子呈现出明显
的高收益、高风险特点。
图表2、风格因子 IC 表现（）
IC 均值 IC 标准差 IC_IR t 值
BP_LR % %
RTN_20D % %
NetProfit_SQ_QoQ % %
ROE_TTM % %
Turnover_20D_Avg % %
FloatCap % %
RealizedVolatility_240D % %
资料来源：Wind，聚源，兴业证券经济与金融研究院整理
然而长期有效的因子，短期同样存在波动。2017 年以来受到宏观政策等要素
影响，不少因子表现出现明显变化，图表 3 为17 年以来各因子 IC 表现。可以看出，
FloatCap、RTN_20D 等因子有效性出现较大降低，而 RealizedVolatility_240D、
Turnover_20D_Avg 因子有效性大幅度提升，这说明因子择时相关研究是十分必要
的。
图表3、风格因子 IC 表现（）
IC 均值 IC 标准差 IC_IR t 值
BP_LR % %
RTN_20D % %
NetProfit_SQ_QoQ % %
ROE_TTM % %
Turnover_20D_Avg % %
FloatCap % %
RealizedVolatility_240D % %
资料来源：Wind，聚源，兴业证券经济与金融研究院整理
本文将上述七个因子的等权策略作为基准，在等权合并前对因子进行分位数
标准化处理，即只保留因子排名信息，把所有因子的分布均变换为标准正态分布。
3、基于参数化策略的因子择时策略
时序模型
本文根据信息来源将因子择时模型分为时序与横截面两类，模型具体方法可
参见《西学东渐--海外文献推荐系列之六十三》。我们对实证使用的一些模型细节
进行介绍。
1） 变量处理：在时序模型中，本文基于因子择时指标库中宏观经济、市场状
态两个维度的外生变量进行建模（具体变量列表参见附录一），同时借鉴论文我们
采用主成分分析（PCA）对变量进行降维，保留第一主成分。
2） 样本选择：本文采用拓展样本法进行滚动建模。在每期建模时剔除存在缺
失值的变量，并对预测变量进行Zscore 标准化处理。拓展建模流程如图表4 所示，
具体的，我们以 2005 年 1 月为固定起点，在 2014 年1 月得到第一个最优化权重，之
后每月滚动进行建模。
图表4、拓展模型流程图
资料来源：兴业证券经济与金融研究院整理
我们基于每期所得最优权重进行加权得到时序模型合成因子，同时采用以下
两个指标对结果进行评价：1）合成因子 IC 表现；2）合成因子分位数组合测试。
从图表5 可以看出，时序模型合成因子的IC 均值为%，IC_IR 达，较
等权基准的 %、 有所提升。
图表5、时序模型合成因子 IC 表现（）
IC 均值 IC 标准差 IC_IR t 值
等权基准 % %
时序模型合成因子 % %
资料来源：Wind，聚源，兴业证券经济与金融研究院整理
图表6、时序模型合成因子多空净值曲线
9
8 等权基准 合成因子
7
6
5
4
3
2
1
0
2014/2/28 2015/2/28 2016/2/29 2017/2/28 2018/2/28 2019/2/28
资料来源：Wind，聚源，兴业证券经济与金融研究院整理
时序模型合成因子的多空组合的夏普比率有一个较为明显提升，可以看出择
时策略在风险控制上表现更佳。
图表7、时序模型合成因子多空组合表现
年化收益率 年化波动率 夏普比率 最大回撤
等权基准 % % %
时序模型合成因子 % % %
资料来源：Wind，聚源，兴业证券经济与金融研究院整理
横截面模型
在横截面模型中，我们基于因子自身特征指标进行建模（具体指标列表参见
附录二），外生变量处理与动态模型选择方式与时序模型一致。然而，由于因子数
据从 2005 年1 月起始，我们将拓展模型起点改为2007 年1 月，其余保持一致。
横截面合成因子表现如图表 8 所示，其中 IC 均值提升较时序模型有所增加，
但在 IC_IR 指标上的提升不及时序模型。
图表8、横截面模型合成因子 IC 表现（）
IC 均值 IC 标准差 IC_IR t 值
等权基准 % %
横截面合成因子 % %
资料来源：Wind，聚源，兴业证券经济与金融研究院整理
图表9、横截面模型合成因子多空净值曲线
9
8 等权因子 合成因子
7
6
5
4
3
2
1
0
2014/2/28 2015/2/28 2016/2/29 2017/2/28 2018/2/28 2019/2/28
资料来源：Wind，聚源，兴业证券经济与金融研究院整理
图表10、横截面模型合成因子多空组合表现
年化收益率 年化波动率 夏普比率 最大回撤
等权基准 % % %
横截面合成因子 % % %
资料来源：Wind，聚源，兴业证券经济与金融研究院整理
4、不同设定下因子择时表现
上文我们主要借鉴原文设定构建模型，可以发现合成因子（时序模型合成因
子、横截面合成因子）较等权基准表现有所提升，这一定程度上说明此方法的有
效性。下面我们对不同参数设定下的因子择时表现进行介绍，这里选用时序模型
作为代表进行测试。
变量筛选
原文仅保留了第一主成分用于建模，可以最大程度上降低模型难度。这里，
我们尝试牺牲一定的简洁性，图表11 为保留不同主成分个数后结果。可以看出在
保留 2 个主成分时，IC 均值和 IC_IR 在原始基础进一步提升。
图表 11、时序模型保留不同主成分合成因子IC 表现
IC 均值 IC 标准差 IC_IR t 值
等权基准 % %
时序合成因子 % %
PCA=2 % %
PCA=3 % %
资料来源：Wind，聚源，兴业证券经济与金融研究院整理
动态滚动模型选择
上文，我们与论文一致采用拓展模型进行建模，下面我们采用滚动模型进行
建模，滚动模型流程如下：
图表12、滚动模型流程图
资料来源：兴业证券经济与金融研究院整理
图表13 为不同动态滚动模型下合成因子 IC 表现，可以看出各滚动模型IC_IR
较等权基准有所提升。然而，表现与拓展模型相比有所差距，我们认为样本量更
多对于此模型的效果更好。
图表13、时序模型不同动态滚动模型下合成因子 IC 表现
IC 均值 IC 标准差 IC_IR t 值
等权基准 % %
时序合成因子 % %
滚动周期 12 月 % %
滚动周期 30 月 % %
滚动周期 60 月 % %
滚动周期 90 月 % %
资料来源：Wind，聚源，兴业证券经济与金融研究院整理
5、总结
本报告在《西学东渐--海外文献推荐系列之六十三》的基础上进行 A 股实证。
原文提出了一种基于外生变量构建因子择时策略的新方法。在此方法下，我们对
因子权重进行了参数化设计，将外生变量直接与最终权重相关联。基于原文方法
构建的合成因子较等权基准有所提升，这一定程度上说明了此方法的有效性。同
时本文为我们构建因子择时策略提供了一个很好地框架，在此框架下我们可以对
变量筛选等细节进行进一步改进，提升模型效果。
附录
附录一：时序因子择时指标
宏观经济变量
针对宏观经济变量，本文主要从经济增长、价格水平、货币环境、国际贸易、
利率水平五大类选取指标作为代表变量。
图表14、宏观经济变量
资料来源：兴业证券经济与金融研究院整理
图表15、宏观经济变量详细介绍
滞
指标分类 二级分类 指标名称 指标起始时间 频率
后
经济增长
固定资产
固定资产
社会消费
社会消费
需求端
PPI:生产资料：同比
PPI：生产资料：环比
PPI:生活资料：同比
PPI：生活资料：环比 2011-01 月 1
M0 同比 1979-12 月 1
M1 同比 1986-12 月 1
货币环境 M2 同比 1986-12 月 1
金融机构:短期贷款余额 1994-01 月 1
阶
数
工业增加值：当月同比 1990-01 月 1
生产端
工业增加值：环比季调 2011-02 月 1
产量:发电量：当月同比 1995-01 月 1
工业企业:出口交货值:当月同比 2002-03 月 1
PMI 2005-01 月 1
PMI：生产 2005-01 月 1
PMI:新订单 2005-01 月 1
PMI:新出口订单 2005-01 月 1
PMI：在手订单 2005-01 月 1
PMI：产成品库存 2005-01 月 1
PMI:采购量 2005-01 月 1
PMI：进口 2005-01 月 1
CPI 同比 1987-01 月 1
CPI 环比 1995-01 月 1
PPI：全部工业品：同比
PPI：全部工业品：环比价格水平
1996-10
2002-01
月
月
1
1
累计同比 1992-02 月 1
投资完成额:环比:季调 2011-02 月 1
品零售总额:当月同比 1995-01 月 1
品零售总额:环比:季调 2011-02 月 1
1996-10 月 1
2011-01 月 1
1996-10 月 1
金融机构:中长期贷款余额 1994-01 月 1
金融机构:各项贷款余额 1978-12 月 1
社会融资规模：当月值 2002-01 月 1
社会融资规模：新增人民币贷款 2002-01 月 1
社会融资规模：新增外币贷款 2002-01 月 1
进出口金额当月同比 1995-01 月 1
进口金额当月同比 1995-01 月 1
出口金额当月同比 1995-01 月 1
国际贸易 季调：进出口金额:当月同比 2009-03 月 1
季调：进口金额:当月同比 2009-03 月 1
季调：出口金额:当月同比 2009-03 月 1
美元兑人民币汇率 1994-08-31 日 0
国债利率：3 个月 2002-01-04 日 1
国债利率：6 个月 2002-01-04 日 1
国债利率：1 年 2002-01-04 日 1
国债利率：10 年 2002-01-04 日 1
中债国开债：3 个月 2006-02-27 日 1
中债国开债：6 个月 2002-01-04 日 1
利率水平 中债国开债：1 年 2002-01-04 日 1
中债国开债：10 年 2002-01-04 日 1
shibor 利率：隔夜 2006-10-08 日 0
shibor 利率：一周 2006-10-08 日 0
shibor 利率：1 个月 2006-10-08 日 0
shibor 利率：3 个月 2006-10-08 日 0
shibor 利率：6 个月 2006-10-08 日 0
资料来源：Wind，兴业证券经济与金融研究院整理
对于宏观数据的处理，我们认为需要考虑其发布滞后性和及时使用性，特别
是在进行预测时需要注意没有使用未来信息。本文将所有宏观数据按其发布时间
滞后使用。例如，8 月份的 CPI 通常于 9 月份中旬公布，因此我们将在 9 月底基于
8 月的CPI 数据建模。
市场状态变量
我们从市场表现、市场流动性、市场波动率、市值估值、市场风格、跨市场
联动等多角度捕捉市场状态。
图表16、市场状态变量
资料来源：兴业证券经济与金融研究院整理
图表17、市场状态变量详细介绍
指标分类 指标名称 指标算法
Past 1m Market
Perf 过去 20 日中证全指涨跌幅
Past 3m Market
Perf 过去 60 日中证全指涨跌幅
Past 6m Market
市场表现
市场
流动性
市场
波动率
Perf 过去 120 日中证全指涨跌幅
Market level 中证全指价格指数，月末水平
MA20 中证全指价格指数，20 日均线水平
Above MA20
中证全指月末水平高于 20 日均线，令哑变量为 1；否则，
哑变量为 0
Illiquidity 中证全指涨跌幅绝对值/成交额
ADT_1m 过去 20 日每日平均中证全指换手率
ADT_3m 过去 60 日每日平均中证全指换手率
ADT_6m 过去 120 日每日平均中证全指换手率
ADT_12m 过去 240 日每日平均中证全指换手率
ADV_1m 过去 20 日每日平均中证全指交易额
ADV_3m 过去 60 日每日平均中证全指交易额
ADV_6m 过去 120 日每日平均中证全指交易额
ADV_12m 过去 240 日每日平均中证全指交易额
Market Realized
Vol 1m 过去 20 日中证全指波动率
Market Realized
Vol 3m 过去 60 日中证全指波动率
Market Realized
Vol 6m 过去 120 日中证全指波动率
市场估值
PE_whole
market
PB_whole
market
中证全指的 PE_TTM
中证全指的 PB_lf
市场风格
跨
dividendyield 中证全指股息率
市场强弱指标 中证全指收益为正的股票比例 大
小盘收益差 沪深 300 收益率-中证500 收益率
大小盘波动差
沪深 300 波动率-中证 500 波动率，其中波动率采用过去 60
天波动率
期限利差 十年国债到期利率-一年期国债到期利率
市 债券
场
联
动 商品
信用利差
1 年中债中短期票据到期收益率 （AAA)-1 年国债到期收
益率
南华商品指数收
南华商品指数收益率
益率
资料来源：Wind，兴业证券经济与金融研究院整理
市场状态指标多基于交易数据计算，即一般为日频数据。本文采用月底最后
一个交易日的数值将日频指标转换为月频。
附录二：横截面因子择时指标
本文选用市值因子多头组和空头组估值中位数的比率计算因子的估值价差。
这里，和大多数文献一样，本文选择比率而非多头组和空头组估值中位数的差来
计算因子估值价差指标。从理论的角度来看，这样做的优势并不是很明显，但这
种方法可以避免价格水平变化的影响。
同时我们将估值价差的概念推广至其他指标（如波动率、换手率），市值因子
的*差值（Spreads）的具体计算方法如下：
1） 将股票按因子值分为 10 组，将第 1 组作为高组别，第 10 组作为低组别；
2） 计算高组别和低组别对应指标如 BP 的中位数之比；
同时我们将因子过去一段时间的业绩表现加入模型，即因子过去 12 个月 IC
均值和标准差。
图表18、因子特征变量详细介绍
指标分类 指标名称 指标算法
Value Spread1 因子多头组和空头组的 BP_LR 中位数的比值
风格因子
特征差值
风格因子
业绩
Value Spread2 因子多头组和空头组的 EP_TTM 中位数的比值
Vol Spread 因子多头组和空头组的过去 60 个交易日波动率中位数的比值
Turnover Spread 因子多头组和空头组的过去 20 天日均换手率中位数的比值
12m IC mean 过去 12 个月IC 均值
12m IC std 过去 12 个月的IC 标准差
资料来源：Wind，兴业证券经济与金融研究院整理
附录三：衍生指标计算方法
考虑到投资者对于指标的边际变动更敏感，本文基于差分法计算上述指标的
变动放入模型。具体的：
a） 对于宏观经济变量
在宏观经济指标中有计算两种增长率的方式，同比与环比。其中:同比用于消
除季节变动的影响，是本期数据与上年同期作对比；环比用于衡量指标逐期的发
展速度，是本期数据与上期数据做对比。同比指标与环比指标无法直接对比。
本文对环比指标计算年变动（本期数减上年同期）；同比指标计算月变动（本
期数减上月同期），希望能使衍生变量囊括更多的信息。同时对于 PPI、社会融资
规模等水平值，我们将其月变动、年变动、年变动的月变动一并放入指标库。
b）市场状态指标
前面我们提到市场状态通常为日频指标，我们采用月末值将其转换为了月频。
本文也加入了市场状态指标的月变动值，来衡量指标本月与上月的变化。
c）季节与月度效应
为了探究季度与月度效应的影响，本文将当月和当季两个变量放入指标库。
参考文献
【1】 Dichtl H , Drobetz W , Lohre H , et al. Optimal Timing and Tilting of Equity
Factors[J]. Social Science Electronic Publishing.
风险提示：报告中的结果均通过历史数据统计、建模和测算完成，在政策、市场
环境发生变化时模型存在失效的风险。
