量化策略籃子與市場風格的方案分析

我們先看一張表。下面是 A 股幾個年份裡，小盤（中證1000）和大盤（滬深300）、成長（300成長）和價值（300價值）各自的全年收益差：

這種差別，在 A 股投資者的語言裡叫“風格”：某一年是小盤的天下，另一年是大盤藍籌的天下；某一年成長股一飛沖天，另一年價值股更扛跌。如果手裡有一組量化策略，分別擅長不同的風格，再能判斷出當下是哪種風格，似乎就可以在合適的時候用合適的策略。

不過，在討論“怎麼切換”之前，有幾個更基礎的問題。上面這些差別，是一種會持續一段時間的規律，還是隻是每年隨機波動的結果？如果市場風格確實存在，它應該用什麼來描述，持續多久，怎麼從資料裡認出來？市面上的產品和研究有沒有在做這件事，它們是怎麼設計的？如果我們自己來設計一個“策略籃子 + 風格判定”的系統，它應該長什麼樣，又該怎麼檢驗？

本文按這個順序，從風格是否存在，一直講到一個可以落地的方案。

一、市場風格是否存在

要檢驗的是什麼

表 1 裡的收益差很大，但“差別大”本身證明不了什麼。即使每天的漲跌完全隨機，一年下來大盤和小盤的收益也會有差別。“風格”這個說法隱含了更多的東西：它會持續一段時間。今年小盤佔優，接下來幾個月大機率還是小盤佔優；市場處在劇烈波動的階段，接下來一段時間也大機率繼續劇烈波動。

所以檢驗的思路是：把真實的日收益隨機打亂順序，再計算同樣的統計量。打亂以後，每天的漲跌幅度原封不動，只是時間順序沒了，任何“持續性”都會消失。如果真實資料的統計量明顯落在打亂結果的範圍之外，就說明資料裡確實有打亂破壞掉的那種結構，也就是風格。

資料用 2005 年到 2026 年 10 月的滬深300、中證1000、300價值、300成長全收益指數¹，港股用 2008 年以來盈富基金的復權價²。每個統計量都和 200 次打亂的結果比較。

證據一：波動會聚集

最直接的一種持續性是波動。我們算每天的 20 日波動率，再看它和 60 個交易日以前的 20 日波動率之間的相關係數：

四條序列全部遠高於打亂後的上限。波動狀態是確定存在的：市場會在“平靜”和“劇烈”兩種狀態之間切換，每種狀態都會持續好幾個月。這也是金融時間序列裡最穩健的經驗事實之一，Ang 和 Bekaert 在國際股市裡觀察到的“高波動、高相關”的熊市狀態³，說的也是這件事。

證據二：趨勢在某些尺度上會持續

第二種持續性是方向。用來衡量它的工具叫方差比（variance ratio）：把 q 天的累計收益的方差，除以 q 倍的單日收益方差。如果每天的漲跌互不相關，這個比值應該接近 1；大於 1 說明漲了之後還會漲（趨勢），小於 1 說明漲了之後會回落（反轉）。

這張表比表 2 複雜，可以分三點看：

• 大盤的趨勢是長週期的。 滬深300 在 5 天、20 天上和隨機遊走沒有區別，到了 60 天、250 天，方差比明顯大於打亂後的上限。也就是說，A 股的“牛市”“熊市”在季度和年度的尺度上是真實存在的，但在幾天、幾周的尺度上看不出來。
• 大小盤的短期慣性要打個問號。 用指數算，小盤相對大盤的 5 天、20 天方差比高達 1.40 和 1.57，看起來風格慣性很強；可用兩隻真實 ETF 的價格算同一個量，結果和隨機遊走一樣。原因是小盤指數里總有一部分成分股成交稀少，收盤價“慢一拍”，第二天才補漲補跌，於是指數收益出現了虛假的正自相關，這是 Lo 和 MacKinlay 討論過的不同步成交效應⁴。這裡是根據兩組數字的差別做的推斷，沒有逐只檢查成分股。
• 港股的月度節奏相反。 港股 20 天的方差比只有 0.78，低於打亂後的下限，說明在月度尺度上更容易“漲多了就回落”。A 股和港股不能共用一套風格假設。

證據三：不同狀態下，市場的樣子不一樣

如果風格存在，那麼在不同的狀態裡，收益的分佈應該明顯不同。我們先用一個簡單的規則（第二節會詳細介紹）把每天分成四種狀態，再看各狀態下的統計量：

證據四：趨勢段的長度，大部分隨機遊走也能產生

最後一個檢驗是一個反面的提醒。用同一套規則，在真實資料和打亂後重建的價格上分別切分狀態，比較每種狀態平均持續多少天：上漲趨勢真實是 109 天，打亂後是 82 天（97.5% 分位 114 天）；下跌趨勢 64 天對 59 天；低波震盪 22 天對 16 天（97.5% 分位 19 天）；高波震盪 15 天對 15 天。

只有低波震盪的持續時間明顯長於隨機遊走。一段看起來很長的“上漲趨勢”，隨機遊走也能走出來。 這提醒我們：肉眼看到的趨勢段，不等於可以利用的規律，判斷風格是否存在要靠統計檢驗，不能靠看圖。

小結：風格存在，但分層次

把四組證據放在一起，可以得到一個比“有”或“沒有”更具體的回答：

• 波動狀態：確定存在，持續數月，A 股和港股都是如此。
• 大盤的趨勢狀態：在季度到年度的尺度上存在，在周的尺度上看不出來。
• 風格分化：幅度很大，大小盤年度收益差的中位數是 12.4 個百分點，近三分之二的年份超過 10 個點；成長價值是 10.4 個點。但大小盤在短期內的“慣性”主要是指數的統計假象。
• 市場之間：港股在月度尺度上偏反轉，和 A 股不同。

既然風格存在，它應該用什麼樣的形式來描述？

二、市場風格的描述方式

兩個層面：市場狀態與風格偏好

上一節的證據提示，“風格”至少包含兩個層面的東西。

一個是市場狀態（regime）：整個市場處在什麼樣的環境裡，比如在漲還是在跌，平靜還是劇烈。資產配置文獻主要研究的是這一層，學術起點是 Hamilton 1989 年的馬爾可夫切換模型⁵：市場在幾個看不見的狀態之間切換，每個狀態下收益的均值和波動不同，我們只能從觀察到的價格反推當前處在哪個狀態。

另一個是風格偏好：在同一個市場裡，哪一類股票佔優，比如大盤還是小盤、價值還是成長。A 股賣方報告裡的“風格輪動”主要指這一層。

兩個層面有關聯但不相同。表 4 顯示，高波震盪裡小盤明顯佔優，低波震盪裡價值相對成長佔優，所以市場狀態可以作為判斷風格偏好的線索之一。

風格的幾個性質

從第一節的檢驗結果，還能讀出風格的幾個性質，它們直接決定了判定方法該怎麼設計：

1. 潛在的。風格不能直接觀察，只能從價格、成交、估值等資料裡推斷，推斷總有誤差。
2. 事後清楚，事前模糊。回頭看，2015 年是小盤年一目瞭然；身在 2015 年 3 月，只能看到最近幾周小盤在漲。
3. 有確定的部分，也有模糊的部分。波動狀態的持續性很強，判斷出來就比較可靠；趨勢方向在短期內接近隨機，判斷出來也未必延續。
4. 切換是跳躍的。狀態往往在幾天之內從一種變成另一種，判定規則既要跟得上切換，又不能被噪聲帶著來回跳。

一種可操作的定義

按這些性質，我們給市場狀態一個簡單的定義，用兩個維度：

• 趨勢維度：滬深300 的價格和它的 120 日均線。價格在均線上方、而且均線本身在 20 個交易日裡抬高了，是上漲趨勢；價格在均線下方、均線也在下降，是下跌趨勢；其餘情況，價格和均線方向不一致，是震盪。
• 波動維度：只用來細分震盪市。20 日年化波動率高於過去 3 年的中位數，是高波震盪，否則是低波震盪。

為什麼趨勢市不再按波動細分？因為趨勢市裡方向已經決定了大部分事情，再分一層，每一格里的樣本就太少了。

這樣每天得到一個標籤：上漲趨勢、下跌趨勢、低波震盪、高波震盪。第一版跑出來有一個問題：價格在均線附近徘徊時，標籤今天是“上漲”，明天是“震盪”，一年要切換 13.5 次。針對“切換是跳躍的”這個性質，我們加了一個確認期：新狀態連續出現 5 天才算數。加了以後，一年切換 5.6 次。

風格偏好這一層，我們不另外定義標籤，而是交給策略工具本身去處理：大小盤輪動、價值成長輪動這類工具，本身就是在跟蹤風格偏好。這一點在第四節設計籃子時會具體說明。

這樣的定義是不是太簡單了？在動手設計之前，先看看市面上的產品和研究是怎麼做的。

三、同行的做法

有沒有這樣的產品

答案是有，而且形態差別很大。我們對照了國內外能找到公開資訊的平臺、賣方研究和產品。

國內量化平臺提供的主要是資料、回測和交易通道。聚寬、米筐、優礦、掘金這類平臺不直接判定風格，但米筐的資料介面提供風格因子暴露和因子收益⁶，可以作為風格判定的輸入；BigQuant 的策略模板裡有一個“大盤風控”開關：上證指數 5 日跌幅超過 4% 就清倉⁷；果仁網把大盤擇時做成了可配置的獨立模組⁸。“判定狀態，再切換策略”這一層，平臺上沒有現成的模組。

國內賣方和基金做得更深入。國金證券用宏觀（長週期）和情緒（短週期）兩個維度各訓練一個 XGBoost 模型，在滬深300 和中證500 之間輪動，兩個訊號方向衝突時兩邊各配一半⁹；天風證券的擇時框架分估值賠率、宏觀勝率、資金趨勢、擁擠反轉四個維度打分¹⁰；國聯期貨按利率、期限利差、信用利差的週期判斷大小盤和價值成長¹¹。公募產品裡，匯安啟程混合用宏觀增長、流動性、風險偏好、交易擁擠度四個維度判斷大盤還是中小盤佔優，再切換下層的量化選股策略¹²，結構和本文要討論的方案几乎一樣。

海外的代表做法有四種。Two Sigma 用高斯混合模型對 17 個因子的收益聚類，得到危機、平穩、通脹、“如履薄冰”四個狀態，輸出每個狀態的機率¹³；Kritzman 等人對市場動盪、通脹、增長三個維度各用一個兩狀態的馬爾可夫切換模型¹⁴；MSCI 的中國因子模型讓因子協方差隨市場狀態自適應¹⁵；iShares 的因子輪動 ETF（DYNF）按經濟週期、估值、情緒和因子自身的指標，在幾個因子之間輪動¹⁶。另一方面，AQR 的研究提醒，因子擇時訊號常常只是某個已有因子的變形，擇時組合應該和靜態的多風格組合比較¹⁷。

設計上的共同點和分歧

把這些做法拆開看，一個風格系統要回答四個設計問題，同行在每個問題上的選擇各不相同：

• 輸入用什麼：價格和波動（BigQuant、果仁、本文）、因子收益（Two Sigma、米筐）、宏觀和利率（國聯、國金、DYNF）、估值和擁擠度（天風、DYNF）。
• 用什麼方法判定：手寫規則、多維打分、統計模型（馬爾可夫切換、高斯混合）、機器學習（XGBoost）。
• 輸出是什麼：一個確定的標籤，或者每個狀態的機率。
• 怎麼從狀態走到倉位：全倉切換到一個策略，按打分或機率加權，訊號衝突時回到中性。

共同點也很清楚：狀態由少數幾個可解釋的維度組成；判定和執行分開；越成熟的做法，越傾向於輸出機率、按權重混合，而不是非此即彼地切換。

參照這些做法，我們的方案可以怎麼設計？

四、系統設計

設計目標

前三節回答了“風格存在、可以描述、同行在做”。要把策略籃子和市場風格做成一個系統，核心是把兩件原本分開的事連起來：判斷現在是什麼風格，和決定現在用哪些策略、各用多少。連起來以後，還要能回答三個問題：每天的決定是怎麼一步步得出來的（可解釋）；風格變了，下游怎麼跟著變（聯動）；用了一段時間，系統怎麼知道自己哪裡錯了、怎麼改（閉環）。

按這三點，系統的設計目標是：

1. 判定和執行分離。風格識別只輸出“現在是什麼狀態”，不直接決定買什麼；策略工具只按自己的規則給出目標權重，不關心現在是什麼狀態。兩者由配置引擎連線，任何一層都可以單獨替換。這和 QuantConnect 演算法框架把 Alpha、組合構建、風控、執行分成獨立模組是同一個思路¹⁸，BigQuant 的模板也是先算好狀態訊號、交易邏輯再查表。
2. 所有決定都可追溯。每天儲存狀態記錄、所用的對映表版本、每個工具的訊號和最終訂單，事後能復原任何一天的決策過程。
3. 只用當時可得的資料。每一層的輸入都按“訊號時點”對齊，防止回測裡出現前視偏差。
4. 用結果反哺上游。實盤的成交、收益和工具表現定期回寫，更新對映表和工具檔案。

總體架構

系統由七個模組組成，圖 2 中間是每天執行的決策鏈，右邊是策略籃子，底部是覆盤與回寫：

• 資料層：提供指數點位、ETF 盤口、成交額、估值，以及規劃中的利率、信用利差等月頻慢變數。它的關鍵職責是對齊時點：每條資料都帶上“何時可得”，下游只能取訊號時點之前可得的值。
• 風格識別引擎：由幾個獨立的“識別器”組成，每個識別器負責一個維度，輸出這個維度的標籤。目前有趨勢識別器（價格與 120 日均線、均線斜率）和波動識別器（20 日波動率與過去 3 年中位數）。合成器把各維度的標籤組合成市場狀態，再經過 5 天確認期，輸出兩樣東西：當前確認的狀態，以及“狀態是否剛發生切換”的事件。
• 策略籃子：存放所有策略工具。每個工具實現同一個介面：輸入行情，輸出它想要的目標權重。每個工具還有一份檔案，記錄它的規則、對應的 ETF、單邊成本、在各狀態下的歷史表現，以及當前是“在用”“觀察”還是“下線”。
• 配置引擎：連線識別和籃子的樞紐。它持有一張“狀態 × 工具”的對映表，表裡是每個工具在每種狀態下的歷史平均收益。每天根據當前狀態查表，決定用哪個工具或按什麼權重組合幾個工具，再把各工具的目標權重加總成組合的目標權重。
• 組合風控：對目標權重做最後的約束：總倉位、單個資產上限、組合回撤超過閾值時降到中性組合（回撤熔斷），以及按 ETF 成交額檢查流動性。
• 執行：把目標權重和現有持倉的差額變成訂單。差額小於 5% 不調；先掛限價，14:57 前沒成交改市價。執行終端可以是券商的 QMT 或 PTrade，它們只負責下單。
• 覆盤與回寫：收盤後對賬，記錄實際成交價和滑點；做績效歸因，把收益拆成“判定對錯”“工具選擇”“工具本身”“交易成本”四部分；月末用走查重算對映表併發布新版本，檢查工具是否衰減，決定工具的上線和下線。

前後聯動

各模組之間按三個節奏聯動：

在每日決策鏈裡，上下游之間有幾條明確的聯動規則：

• 狀態切換是事件。識別引擎確認狀態發生變化時，配置引擎重新查表，可能換成另一個工具，這是換手最大的時刻。狀態不變的日子，配置引擎沿用原來的工具，組合只會因為工具自己的訊號（比如趨勢跟蹤的均線開關）或倉位漂移而調整。
• 確認期是識別和配置之間的緩衝。原始標籤變了，要連續 5 天才觸發切換事件，下游不會被一兩天的噪聲帶著來回換倉。
• 衝突時回到中性。如果以後加入更多識別器，比如趨勢判斷為上漲、利率識別器判斷為緊縮，兩者方向矛盾時，配置引擎不選任何一邊，退回十個工具等權的中性組合。這是借鑑國金證券“訊號衝突各配一半”的做法。
• 風控有最終否決權。配置引擎給出的目標權重，風控可以削減但不能放大；回撤熔斷觸發後，配置引擎的輸出暫時不生效。
• 回寫只在月末發生。對映表、工具檔案在月中保持不變，當月每天的決定都基於同一個版本，便於事後覆盤。

一次完整的狀態切換

用一個真實的例子把這些聯動串起來。2026 年 10 月 12 日起，滬深300 跌破了 120 日均線，均線也開始向下，原始狀態變成“下跌”；到 10 月 16 日，已經連續 5 天，確認期滿。

這一天，系統依次做了這些事：識別引擎確認狀態從低波震盪切換到下跌趨勢，發出切換事件；配置引擎查 9 月末釋出的對映表，下跌趨勢一列里港股趨勢的歷史收益最高（年化 +11.8%），選中它；港股趨勢工具按自己的規則檢查盈富基金，24.82 港元低於 120 日均線 25.47，給出“持有債券”的訊號；組合層把目標從前一天的 510300（大小盤輪動選的大盤）全倉，改成 511010 全倉，差額 100%；風控檢查透過；執行層生成一賣一買兩筆訂單，預計成本約 7bp。

可以看到，狀態切換並不直接決定買什麼，它只決定由哪個工具來做決定；具體持有什麼，由工具自己的規則給出。這就是“判定和執行分離”在一次切換中的體現。

工具的生命週期

策略籃子不是一成不變的。一個工具要進入籃子，需要滿足幾條標準：能用日均成交額足夠大的 ETF 實現；和已有工具的收益相關性不太高，否則只是重複；在至少一種狀態下，歷史表現明顯好於籃子的平均水平。新工具先進入“觀察”狀態一個季度，只記錄訊號、不分配資金。

在用的工具每月做一次健康檢查：它在被選中的狀態下，實盤表現是否持續低於對映表裡的歷史值；它依賴的統計規律是否還在（比如大小盤輪動依賴的風格慣性，可以用 ETF 價格的自相關和方差比來監控）。連續不合格的工具先降權，再下線。

系統的骨架就是這樣。接下來看每個模組的具體實現，以及實現中的取捨。

五、各模組的實現

風格識別：選哪些指標

第二節的定義只用了趨勢和波動兩個維度。同行的打分卡往往用上十幾個指標，估值、成交額、股債價效比、風格動量都在裡面。為了決定加哪些，我們先對常用指標做一次“體檢”：每個月末取指標值，和下一個月的收益算秩相關係數（Spearman），共 250 個月。秩相關是 0 表示毫無關係，括號裡的 t 值超過 2，大約相當於 5% 的顯著性。再把樣本切成前後兩半，看穩定性。

這張表和第一節的結論對得上：波動是最可靠的狀態變數，20 日波動率是唯一全期顯著的指標，高波動之後小盤相對更強（和表 4 一致）；趨勢、動量、成交額在月度尺度上不穩定，前十年正相關，後十年負相關；估值是慢變數，對下個月幾乎沒有預測力，更適合用在年度的大類配置上。

據此，識別引擎保留“趨勢 × 波動”兩個維度：波動維度最可靠；趨勢維度在月度上不穩定，但在季度到年度上存在（表 3），120 日均線大致對應半年的尺度。多加幾個不穩定的指標，合成權重本身又是一組要從歷史裡挑出來的引數，這正是多重檢驗文獻警告的情形¹⁹。

我們也試了統計模型的路線：對滬深300 的周收益擬合一個兩狀態的高斯隱馬爾可夫模型（HMM），每年年末只用截至當時的資料重新估計，第二年用前向濾波（只用過去的資料）算出處在“好狀態”的機率，機率過半就持有滬深300，否則持有債券。2008 年以來，它的年化收益是 −4.2%（按“收益 / 波動”高的算好狀態）或 2.9%（按低波動的算好狀態），同期 120 日均線擇時是 9.2%。原因是 A 股的高波動既出現在大漲裡，也出現在大跌裡：2008 年初估出來的“好狀態”年化收益 134%、波動 32%，其實是 2006–2007 年的高波動牛市，於是 2008 年的高波動大跌也被認成了好狀態。只看收益分佈的兩狀態模型，很難把這兩種高波動分開。

策略工具籃子

選工具有兩條約束：每個工具都要能用場內 ETF 實現，這樣才能真正交易，也才能用真實價格檢驗；工具之間的“好年份”要儘量錯開，否則十個工具其實是同一個工具的十個變體。

按這兩條，我們選了十個工具，分三類。持有類一直持有某個指數，代表一種風格的底倉；擇時類在同一個指數上按訊號決定持有還是換成債券，趨勢跟蹤對應時間序列動量的文獻²⁰，和 Faber 的 10 個月均線是同一個思路²¹，波動率目標來自 Moreira 和 Muir 的研究²²；輪動類在兩種風格之間二選一，直接跟蹤風格偏好。

對映表：狀態與工具的對應

籃子和狀態都有了，下一步是確認每個工具在哪種狀態下效果最好。回測的約定如下：第 t 天收盤後用截至當天的資料算訊號，從第 t+1 天起按新倉位計收益；成本按實際換手乘單邊費率扣除，A 股 ETF 不交印花稅²³，滬深300 按 4bp、中證1000 按 6bp、債券按 3bp，港股 ETF 免印花稅²⁴，按 10bp；另設一檔約三倍的悲觀成本。

把每個工具每天的收益，按“前一天收盤時判定的狀態”分組，算年化平均：

對照表 8 最後一列的直覺，有符合的，也有不符合的。下跌趨勢裡躲開 A 股、上漲趨勢裡用進攻性工具，和直覺一致；“低波震盪用均值迴歸”“高波震盪用波動率目標”這兩條直覺，資料並不支援：均值迴歸在低波震盪裡虧得最多，只在高波震盪裡賺錢。高波震盪裡持有中證1000 的年化高達 59.7%，這種狀態多半出現在暴跌之後的反彈段，和表 4 裡“高波震盪小盤佔優”是同一件事。

做這張表要注意一個細節：必須用“前一天的狀態”配“當天的收益”。當天的狀態是用當天收盤價算的，當天的收益也取決於當天收盤價，兩者天然相關。用當天的狀態算，高波震盪裡持有滬深300 只有 3.7%，用前一天的狀態是 21.2%，差一天，結論就不同。

對映表的更新：走查

表 9 是用 2008 到 2026 年全部資料算的，直接拿它回測，等於 2008 年就看過了 2026 年的答案。配置引擎更新對映表的做法是走查（walk-forward）：每個月末只用截至當時的歷史，重新算一遍“狀態 × 工具”的收益表；下一個月裡，每天收盤後判定狀態，到表裡對應的那一列挑收益最高的工具。表只在月末更新，任何一天的選擇都只用到了過去。

走查需要熱身期來積累第一張表，我們留了 2005 到 2007 年三年，所以後面的檢驗從 2008 年開始。

走查選出的對應關係很穩定，2010 年以後幾乎每個月都是同一張對映：上漲趨勢和低波震盪用大小盤輪動，下跌趨勢用趨勢跟蹤（2015 年和 2026 年有幾個月換成了港股趨勢），高波震盪持有中證1000。工具一年平均切換 4.4 次。2026 年 10 月 16 日收盤，狀態剛確認從低波震盪變成下跌趨勢，選出的是港股趨勢。

作為對照，我們也把憑直覺寫的那套對應關係當作一個方案，叫“經驗對映”：上漲持有滬深300，下跌持有債券，低波震盪用均值迴歸，高波震盪用波動率目標。

最小實現

識別引擎和配置引擎的最小實現如下，輸入是截至今天的指數點位，MAP 是當前版本的對映表：

import numpy as np, pandas as pd

def regime(c: pd.Series, confirm=5) -> pd.Series:
    """c: 沪深300 每日点位。返回每天的状态，新状态连续 confirm 天才切换。"""
    ma = c.rolling(120).mean()
    slope = ma / ma.shift(20) - 1
    vol = c.pct_change().rolling(20).std() * np.sqrt(252)
    hi = vol > vol.rolling(750, min_periods=250).median()
    raw = pd.Series(np.where(hi, '高波震荡', '低波震荡'), index=c.index)
    raw[(c > ma) & (slope > 0)] = '上涨趋势'
    raw[(c < ma) & (slope < 0)] = '下跌趋势'
    out, cur, cand, n = [], None, None, 0
    for r in raw:
        cur = cur or r
        if r == cur:
            cand, n = None, 0
        else:
            cand, n = (r, n + 1) if r == cand else (r, 1)
            if n >= confirm:
                cur, cand, n = r, None, 0
        out.append(cur)
    return pd.Series(out, index=c.index)

MAP = {'上涨趋势': '大小盘轮动', '低波震荡': '大小盘轮动',
       '下跌趋势': '趋势跟踪', '高波震荡': '持有中证1000'}   # 每月末用走查重算

def target(hs300: pd.Series, zz1000: pd.Series) -> dict:
    tool = MAP[regime(hs300).iloc[-1]]
    if tool == '持有中证1000':
        return {'512100': 1.0}
    if tool == '趋势跟踪':
        up = hs300.iloc[-1] > hs300.rolling(120).mean().iloc[-1]
        return {'510300': 1.0} if up else {'511010': 1.0}
    strong_big = hs300.pct_change(20).iloc[-1] > zz1000.pct_change(20).iloc[-1]
    return {'510300': 1.0} if strong_big else {'512100': 1.0}

系統搭起來了，接下來回答另一個問題：這種模式靠不靠譜，能不能真的產生收益？

六、這種模式靠不靠譜

比較物件

檢驗一個風格切換方案，要和三類基準比：

1. 持有滬深300，代表不做任何判斷。
2. 十個工具等權，每月再平衡，代表有工具籃子、但不判斷風格。AQR 強調擇時要和靜態的多風格組合比¹⁷。
3. 單一均線擇時，它本身就是一個最簡單的兩狀態判定，用來衡量四狀態加十個工具多帶來了什麼。

另外放一個“事後最優對映”作為上限：直接用表 9（含未來）選工具。它和走查的差距，就是“看過答案”的價值。

指數上的結果

為了判斷這些差別是不是運氣，我們用塊自助法（block bootstrap）檢驗：把兩個方案的日收益差切成 20 天一塊，有放回地重新抽樣 3000 次，看年化超額收益的分佈。結果是：

• 相對持有滬深300，年化超額 +9.4%，95% 區間 [+1.2%, +18.4%]，p = 0.012，顯著。
• 相對十個工具等權，+7.2%，p = 0.015，顯著。說明“判斷風格再選工具”比“有工具但不判斷”更好。
• 相對單一均線，+3.2%，區間 [−3.8%, +10.7%]，p = 0.16，夏普相近，不顯著。

另外幾個方案的結果也能說明一些設計問題：選前 3 個等權只有 5.9%，因為表裡排第二、第三的工具和第一名差距很大，平均進來是稀釋；經驗對映只有 5.1%，說明工具和狀態的對應關係要從資料裡來；事後最優對映比走查高 4.4 個點，這是直接用全樣本統計表回測會高估的部分。

換成可交易的價格

上面用的是指數。第一節已經發現，小盤指數存在不同步成交造成的假慣性，而大小盤輪動正是走查選得最多的工具，所以必須用真實的 ETF 價格再檢驗一次：訊號仍然用指數算（指數點位在收盤前就能看到），收益改用 ETF。512100 在 2016 年 9 月上市，加上均線熱身，檢驗視窗是 2017 年 5 月到 2026 年 10 月。

港股

把盈富基金當作“大盤”，用同一套狀態定義和工具（持有、趨勢跟蹤、均值迴歸、波動率目標、債券）再走查一遍，2011 年以來年化 2.9%，持有盈富基金 3.4%，單一均線 2.8%，相對持有 −1.9%（p = 0.66）；最大回撤從 −49% 降到 −23%。這裡的避險資產暫時用中證全債代替港元現金，含了匯率和利率的差異，數字只能作為參考。港股月度偏反轉的特點（表 3）也意味著，照搬 A 股的趨勢型判定未必合適。

檢驗結論

把三組檢驗放在一起：

• 風險控制部分是成立的。 無論指數還是 ETF、A 股還是港股，方案的最大回撤都明顯小於持有指數，大約降低一半。這部分主要來自“下跌趨勢時離開股票”，對應的是第一節裡確定存在的長週期趨勢。
• 收益增強部分在指數上顯著，在 ETF 上尚不顯著。 相對持有滬深300，指數上年化多 9.4 個點（p = 0.01）；換成 ETF 價格，點估計多 0.9 到 4.3 個點，但 p 值在 0.14 以上。差距的一大部分來自指數的不同步成交，這部分在交易中拿不到。
• 相對單一均線的增量還需要更多證據。 四狀態加十個工具，在各種假設下比單一均線多 1.4 到 6.1 個點，都不顯著。
• 近幾年的效果弱於早年。 2021 年以來各方案的收益都接近持有債券，圖 6 裡指數的大小盤自相關也從 0.31 降到了 0.03。

這些結果說明系統裡還存在哪些問題？

七、存在的問題與改進

檢驗中暴露的問題

回顧從設計到檢驗的過程，有幾個問題值得單獨記錄：

1. 指數和可交易價格的差別。 這是影響最大的一條。用指數日線回測、日頻換手的輪動工具，都需要用真實的 ETF 價格複核。
2. 起點敏感。 從 2006 年起算，持有滬深300 年化 10.0%，單一均線 17.5%，走查方案因為熱身期拿著債券只有 10.5%；從 2008 年起算，排名完全不同。A 股的牛熊集中，報告結果要給多個起點和分時段的數字。
3. 小樣本的格子。 高波震盪總共 295 天，大約 20 段行情，“持有中證1000 年化 59.7%”主要來自其中幾次暴跌後的反彈，證據最弱。
4. 規律在變化。 2016 年以後趨勢類指標的月度方向反轉（表 7），2021 年以後各方案收益都接近債券。
5. 多次嘗試。 本文跑過二十個左右的變體（確認期、成交時點、成本檔位、選幾個工具、HMM 的兩種排序）。按 Bailey 和 López de Prado 的縮水夏普（DSR）²⁵，20 次嘗試對應的最低年化夏普是 0.31。把走查學到的對映壓縮成一條規則（滬深300 在 120 日線上方做大小盤輪動，下方持有債券）、每週調倉，指數上的年化夏普 0.65，可以透過這道門檻，DSR 為 0.92；用 ETF 價格算，按成本和成交假設不同，夏普在 0.03 到 0.52 之間。

改進方向

結合這些問題和第三節同行的做法，下一版可以從這幾處改：

1. 回測一律用可交易價格。 ETF 上市以前用指數，但把日頻換手的工具改成周頻或加一天延遲，壓掉不同步成交的影響。
2. 從“選第一名”改成“按把握加權”。 借鑑 Two Sigma 和國金證券：工具權重和它在當前狀態下的歷史優勢成正比，樣本少的格子向全樣本平均收縮；兩個維度的訊號衝突時回到等權組合。
3. 單個工具設上限。 借鑑 DYNF 長期保持多個因子分散暴露的思路，單個工具不超過 40% 到 50%，用分散換取對判斷錯誤的容忍度。
4. 補充慢變數維度，按月使用。 利率、信用利差（國聯期貨的思路）、估值、擁擠度這類慢變數，適合決定月度或年度的大類傾向，不適合決定日頻切換。
5. 把衰減監控做實。 第四節工具生命週期裡的月度健康檢查，要落實成具體的閾值：比如大小盤 ETF 收益差的方差比連續 6 個月接近 1，就把大小盤輪動降為觀察。
6. A 股和港股分開建模。 港股月度偏反轉，成本也更高（個股印花稅 0.1%，ETF 免），狀態定義和換手頻率都要單獨設定。

八、小結

1. 市場風格是否存在？ 存在，但分層次。波動狀態確定存在，持續數月；大盤趨勢在季度到年度的尺度上存在；風格分化幅度大，大小盤年度收益差中位數 12.4 個點；大小盤的短期慣性主要是指數的統計假象；港股在月度上偏反轉。
2. 風格怎麼描述？ 分市場狀態和風格偏好兩層。它是潛在的、事後清楚事前模糊、切換跳躍的。本文用趨勢 × 波動定義四種市場狀態，加 5 天確認期，風格偏好交給輪動類工具跟蹤。
3. 同行有沒有、怎麼做？ 平臺提供資料和通道；賣方和基金用多維打分或機器學習判定，公募已有“判定大小盤再切換選股策略”的產品；海外用馬爾可夫切換、高斯混合，越成熟的做法越傾向於輸出機率、按權重混合。
4. 系統長什麼樣？ 資料層、風格識別引擎、策略籃子、配置引擎、組合風控、執行、覆盤七個模組；識別和執行分離，由配置引擎查“狀態 × 工具”對映表連線；每天收盤前跑一遍決策鏈，狀態切換是觸發換倉的事件；每月末用走查重算對映表回寫，事件和季度審查負責改引數、換工具。
5. 各模組怎麼實現？ 識別引擎用最可靠的波動和長週期趨勢兩個維度；籃子裡十個可用 ETF 實現的工具；對映表用前一天的狀態統計、月末走查更新。
6. 靠不靠譜？ 風險控制部分成立，最大回撤大約減半；收益增強在指數上顯著，在真實 ETF 上點估計為正但尚不顯著；相對單一均線的增量需要更多證據；近幾年效果減弱。
7. 還有什麼問題、怎麼改？ 可交易價格回測、按把握加權、衝突回中性、單工具上限、補慢變數、衰減監控、A 股港股分開建模。

本文的資料、指令碼和全部中間結果按“下載 → 整理 → 風格檢驗 → 工具 → 狀態 → 走查 → 複核”的順序分成了幾個指令碼，換一組指數或一個起點，可以照著重跑一遍。

參考資料