量化策略篮子与市场风格的方案分析

我们先看一张表。下面是 A 股几个年份里，小盘（中证1000）和大盘（沪深300）、成长（300成长）和价值（300价值）各自的全年收益差：

这种差别，在 A 股投资者的语言里叫“风格”：某一年是小盘的天下，另一年是大盘蓝筹的天下；某一年成长股一飞冲天，另一年价值股更扛跌。如果手里有一组量化策略，分别擅长不同的风格，再能判断出当下是哪种风格，似乎就可以在合适的时候用合适的策略。

不过，在讨论“怎么切换”之前，有几个更基础的问题。上面这些差别，是一种会持续一段时间的规律，还是只是每年随机波动的结果？如果市场风格确实存在，它应该用什么来描述，持续多久，怎么从数据里认出来？市面上的产品和研究有没有在做这件事，它们是怎么设计的？如果我们自己来设计一个“策略篮子 + 风格判定”的系统，它应该长什么样，又该怎么检验？

本文按这个顺序，从风格是否存在，一直讲到一个可以落地的方案。

一、市场风格是否存在

要检验的是什么

表 1 里的收益差很大，但“差别大”本身证明不了什么。即使每天的涨跌完全随机，一年下来大盘和小盘的收益也会有差别。“风格”这个说法隐含了更多的东西：它会持续一段时间。今年小盘占优，接下来几个月大概率还是小盘占优；市场处在剧烈波动的阶段，接下来一段时间也大概率继续剧烈波动。

所以检验的思路是：把真实的日收益随机打乱顺序，再计算同样的统计量。打乱以后，每天的涨跌幅度原封不动，只是时间顺序没了，任何“持续性”都会消失。如果真实数据的统计量明显落在打乱结果的范围之外，就说明数据里确实有打乱破坏掉的那种结构，也就是风格。

数据用 2005 年到 2026 年 10 月的沪深300、中证1000、300价值、300成长全收益指数¹，港股用 2008 年以来盈富基金的复权价²。每个统计量都和 200 次打乱的结果比较。

证据一：波动会聚集

最直接的一种持续性是波动。我们算每天的 20 日波动率，再看它和 60 个交易日以前的 20 日波动率之间的相关系数：

四条序列全部远高于打乱后的上限。波动状态是确定存在的：市场会在“平静”和“剧烈”两种状态之间切换，每种状态都会持续好几个月。这也是金融时间序列里最稳健的经验事实之一，Ang 和 Bekaert 在国际股市里观察到的“高波动、高相关”的熊市状态³，说的也是这件事。

证据二：趋势在某些尺度上会持续

第二种持续性是方向。用来衡量它的工具叫方差比（variance ratio）：把 q 天的累计收益的方差，除以 q 倍的单日收益方差。如果每天的涨跌互不相关，这个比值应该接近 1；大于 1 说明涨了之后还会涨（趋势），小于 1 说明涨了之后会回落（反转）。

这张表比表 2 复杂，可以分三点看：

• 大盘的趋势是长周期的。 沪深300 在 5 天、20 天上和随机游走没有区别，到了 60 天、250 天，方差比明显大于打乱后的上限。也就是说，A 股的“牛市”“熊市”在季度和年度的尺度上是真实存在的，但在几天、几周的尺度上看不出来。
• 大小盘的短期惯性要打个问号。 用指数算，小盘相对大盘的 5 天、20 天方差比高达 1.40 和 1.57，看起来风格惯性很强；可用两只真实 ETF 的价格算同一个量，结果和随机游走一样。原因是小盘指数里总有一部分成分股成交稀少，收盘价“慢一拍”，第二天才补涨补跌，于是指数收益出现了虚假的正自相关，这是 Lo 和 MacKinlay 讨论过的不同步成交效应⁴。这里是根据两组数字的差别做的推断，没有逐只检查成分股。
• 港股的月度节奏相反。 港股 20 天的方差比只有 0.78，低于打乱后的下限，说明在月度尺度上更容易“涨多了就回落”。A 股和港股不能共用一套风格假设。

证据三：不同状态下，市场的样子不一样

如果风格存在，那么在不同的状态里，收益的分布应该明显不同。我们先用一个简单的规则（第二节会详细介绍）把每天分成四种状态，再看各状态下的统计量：

证据四：趋势段的长度，大部分随机游走也能产生

最后一个检验是一个反面的提醒。用同一套规则，在真实数据和打乱后重建的价格上分别切分状态，比较每种状态平均持续多少天：上涨趋势真实是 109 天，打乱后是 82 天（97.5% 分位 114 天）；下跌趋势 64 天对 59 天；低波震荡 22 天对 16 天（97.5% 分位 19 天）；高波震荡 15 天对 15 天。

只有低波震荡的持续时间明显长于随机游走。一段看起来很长的“上涨趋势”，随机游走也能走出来。 这提醒我们：肉眼看到的趋势段，不等于可以利用的规律，判断风格是否存在要靠统计检验，不能靠看图。

小结：风格存在，但分层次

把四组证据放在一起，可以得到一个比“有”或“没有”更具体的回答：

• 波动状态：确定存在，持续数月，A 股和港股都是如此。
• 大盘的趋势状态：在季度到年度的尺度上存在，在周的尺度上看不出来。
• 风格分化：幅度很大，大小盘年度收益差的中位数是 12.4 个百分点，近三分之二的年份超过 10 个点；成长价值是 10.4 个点。但大小盘在短期内的“惯性”主要是指数的统计假象。
• 市场之间：港股在月度尺度上偏反转，和 A 股不同。

既然风格存在，它应该用什么样的形式来描述？

二、市场风格的描述方式

两个层面：市场状态与风格偏好

上一节的证据提示，“风格”至少包含两个层面的东西。

一个是市场状态（regime）：整个市场处在什么样的环境里，比如在涨还是在跌，平静还是剧烈。资产配置文献主要研究的是这一层，学术起点是 Hamilton 1989 年的马尔可夫切换模型⁵：市场在几个看不见的状态之间切换，每个状态下收益的均值和波动不同，我们只能从观察到的价格反推当前处在哪个状态。

另一个是风格偏好：在同一个市场里，哪一类股票占优，比如大盘还是小盘、价值还是成长。A 股卖方报告里的“风格轮动”主要指这一层。

两个层面有关联但不相同。表 4 显示，高波震荡里小盘明显占优，低波震荡里价值相对成长占优，所以市场状态可以作为判断风格偏好的线索之一。

风格的几个性质

从第一节的检验结果，还能读出风格的几个性质，它们直接决定了判定方法该怎么设计：

1. 潜在的。风格不能直接观察，只能从价格、成交、估值等数据里推断，推断总有误差。
2. 事后清楚，事前模糊。回头看，2015 年是小盘年一目了然；身在 2015 年 3 月，只能看到最近几周小盘在涨。
3. 有确定的部分，也有模糊的部分。波动状态的持续性很强，判断出来就比较可靠；趋势方向在短期内接近随机，判断出来也未必延续。
4. 切换是跳跃的。状态往往在几天之内从一种变成另一种，判定规则既要跟得上切换，又不能被噪声带着来回跳。

一种可操作的定义

按这些性质，我们给市场状态一个简单的定义，用两个维度：

• 趋势维度：沪深300 的价格和它的 120 日均线。价格在均线上方、而且均线本身在 20 个交易日里抬高了，是上涨趋势；价格在均线下方、均线也在下降，是下跌趋势；其余情况，价格和均线方向不一致，是震荡。
• 波动维度：只用来细分震荡市。20 日年化波动率高于过去 3 年的中位数，是高波震荡，否则是低波震荡。

为什么趋势市不再按波动细分？因为趋势市里方向已经决定了大部分事情，再分一层，每一格里的样本就太少了。

这样每天得到一个标签：上涨趋势、下跌趋势、低波震荡、高波震荡。第一版跑出来有一个问题：价格在均线附近徘徊时，标签今天是“上涨”，明天是“震荡”，一年要切换 13.5 次。针对“切换是跳跃的”这个性质，我们加了一个确认期：新状态连续出现 5 天才算数。加了以后，一年切换 5.6 次。

风格偏好这一层，我们不另外定义标签，而是交给策略工具本身去处理：大小盘轮动、价值成长轮动这类工具，本身就是在跟踪风格偏好。这一点在第四节设计篮子时会具体说明。

这样的定义是不是太简单了？在动手设计之前，先看看市面上的产品和研究是怎么做的。

三、同行的做法

有没有这样的产品

答案是有，而且形态差别很大。我们对照了国内外能找到公开信息的平台、卖方研究和产品。

国内量化平台提供的主要是数据、回测和交易通道。聚宽、米筐、优矿、掘金这类平台不直接判定风格，但米筐的数据接口提供风格因子暴露和因子收益⁶，可以作为风格判定的输入；BigQuant 的策略模板里有一个“大盘风控”开关：上证指数 5 日跌幅超过 4% 就清仓⁷；果仁网把大盘择时做成了可配置的独立模块⁸。“判定状态，再切换策略”这一层，平台上没有现成的模块。

国内卖方和基金做得更深入。国金证券用宏观（长周期）和情绪（短周期）两个维度各训练一个 XGBoost 模型，在沪深300 和中证500 之间轮动，两个信号方向冲突时两边各配一半⁹；天风证券的择时框架分估值赔率、宏观胜率、资金趋势、拥挤反转四个维度打分¹⁰；国联期货按利率、期限利差、信用利差的周期判断大小盘和价值成长¹¹。公募产品里，汇安启程混合用宏观增长、流动性、风险偏好、交易拥挤度四个维度判断大盘还是中小盘占优，再切换下层的量化选股策略¹²，结构和本文要讨论的方案几乎一样。

海外的代表做法有四种。Two Sigma 用高斯混合模型对 17 个因子的收益聚类，得到危机、平稳、通胀、“如履薄冰”四个状态，输出每个状态的概率¹³；Kritzman 等人对市场动荡、通胀、增长三个维度各用一个两状态的马尔可夫切换模型¹⁴；MSCI 的中国因子模型让因子协方差随市场状态自适应¹⁵；iShares 的因子轮动 ETF（DYNF）按经济周期、估值、情绪和因子自身的指标，在几个因子之间轮动¹⁶。另一方面，AQR 的研究提醒，因子择时信号常常只是某个已有因子的变形，择时组合应该和静态的多风格组合比较¹⁷。

设计上的共同点和分歧

把这些做法拆开看，一个风格系统要回答四个设计问题，同行在每个问题上的选择各不相同：

• 输入用什么：价格和波动（BigQuant、果仁、本文）、因子收益（Two Sigma、米筐）、宏观和利率（国联、国金、DYNF）、估值和拥挤度（天风、DYNF）。
• 用什么方法判定：手写规则、多维打分、统计模型（马尔可夫切换、高斯混合）、机器学习（XGBoost）。
• 输出是什么：一个确定的标签，或者每个状态的概率。
• 怎么从状态走到仓位：全仓切换到一个策略，按打分或概率加权，信号冲突时回到中性。

共同点也很清楚：状态由少数几个可解释的维度组成；判定和执行分开；越成熟的做法，越倾向于输出概率、按权重混合，而不是非此即彼地切换。

参照这些做法，我们的方案可以怎么设计？

四、系统设计

设计目标

前三节回答了“风格存在、可以描述、同行在做”。要把策略篮子和市场风格做成一个系统，核心是把两件原本分开的事连起来：判断现在是什么风格，和决定现在用哪些策略、各用多少。连起来以后，还要能回答三个问题：每天的决定是怎么一步步得出来的（可解释）；风格变了，下游怎么跟着变（联动）；用了一段时间，系统怎么知道自己哪里错了、怎么改（闭环）。

按这三点，系统的设计目标是：

1. 判定和执行分离。风格识别只输出“现在是什么状态”，不直接决定买什么；策略工具只按自己的规则给出目标权重，不关心现在是什么状态。两者由配置引擎连接，任何一层都可以单独替换。这和 QuantConnect 算法框架把 Alpha、组合构建、风控、执行分成独立模块是同一个思路¹⁸，BigQuant 的模板也是先算好状态信号、交易逻辑再查表。
2. 所有决定都可追溯。每天保存状态记录、所用的映射表版本、每个工具的信号和最终订单，事后能复原任何一天的决策过程。
3. 只用当时可得的数据。每一层的输入都按“信号时点”对齐，防止回测里出现前视偏差。
4. 用结果反哺上游。实盘的成交、收益和工具表现定期回写，更新映射表和工具档案。

总体架构

系统由七个模块组成，图 2 中间是每天运行的决策链，右边是策略篮子，底部是复盘与回写：

• 数据层：提供指数点位、ETF 盘口、成交额、估值，以及规划中的利率、信用利差等月频慢变量。它的关键职责是对齐时点：每条数据都带上“何时可得”，下游只能取信号时点之前可得的值。
• 风格识别引擎：由几个独立的“识别器”组成，每个识别器负责一个维度，输出这个维度的标签。目前有趋势识别器（价格与 120 日均线、均线斜率）和波动识别器（20 日波动率与过去 3 年中位数）。合成器把各维度的标签组合成市场状态，再经过 5 天确认期，输出两样东西：当前确认的状态，以及“状态是否刚发生切换”的事件。
• 策略篮子：存放所有策略工具。每个工具实现同一个接口：输入行情，输出它想要的目标权重。每个工具还有一份档案，记录它的规则、对应的 ETF、单边成本、在各状态下的历史表现，以及当前是“在用”“观察”还是“下线”。
• 配置引擎：连接识别和篮子的枢纽。它持有一张“状态 × 工具”的映射表，表里是每个工具在每种状态下的历史平均收益。每天根据当前状态查表，决定用哪个工具或按什么权重组合几个工具，再把各工具的目标权重加总成组合的目标权重。
• 组合风控：对目标权重做最后的约束：总仓位、单个资产上限、组合回撤超过阈值时降到中性组合（回撤熔断），以及按 ETF 成交额检查流动性。
• 执行：把目标权重和现有持仓的差额变成订单。差额小于 5% 不调；先挂限价，14:57 前没成交改市价。执行终端可以是券商的 QMT 或 PTrade，它们只负责下单。
• 复盘与回写：收盘后对账，记录实际成交价和滑点；做绩效归因，把收益拆成“判定对错”“工具选择”“工具本身”“交易成本”四部分；月末用走查重算映射表并发布新版本，检查工具是否衰减，决定工具的上线和下线。

前后联动

各模块之间按三个节奏联动：

在每日决策链里，上下游之间有几条明确的联动规则：

• 状态切换是事件。识别引擎确认状态发生变化时，配置引擎重新查表，可能换成另一个工具，这是换手最大的时刻。状态不变的日子，配置引擎沿用原来的工具，组合只会因为工具自己的信号（比如趋势跟踪的均线开关）或仓位漂移而调整。
• 确认期是识别和配置之间的缓冲。原始标签变了，要连续 5 天才触发切换事件，下游不会被一两天的噪声带着来回换仓。
• 冲突时回到中性。如果以后加入更多识别器，比如趋势判断为上涨、利率识别器判断为紧缩，两者方向矛盾时，配置引擎不选任何一边，退回十个工具等权的中性组合。这是借鉴国金证券“信号冲突各配一半”的做法。
• 风控有最终否决权。配置引擎给出的目标权重，风控可以削减但不能放大；回撤熔断触发后，配置引擎的输出暂时不生效。
• 回写只在月末发生。映射表、工具档案在月中保持不变，当月每天的决定都基于同一个版本，便于事后复盘。

一次完整的状态切换

用一个真实的例子把这些联动串起来。2026 年 10 月 12 日起，沪深300 跌破了 120 日均线，均线也开始向下，原始状态变成“下跌”；到 10 月 16 日，已经连续 5 天，确认期满。

这一天，系统依次做了这些事：识别引擎确认状态从低波震荡切换到下跌趋势，发出切换事件；配置引擎查 9 月末发布的映射表，下跌趋势一列里港股趋势的历史收益最高（年化 +11.8%），选中它；港股趋势工具按自己的规则检查盈富基金，24.82 港元低于 120 日均线 25.47，给出“持有债券”的信号；组合层把目标从前一天的 510300（大小盘轮动选的大盘）全仓，改成 511010 全仓，差额 100%；风控检查通过；执行层生成一卖一买两笔订单，预计成本约 7bp。

可以看到，状态切换并不直接决定买什么，它只决定由哪个工具来做决定；具体持有什么，由工具自己的规则给出。这就是“判定和执行分离”在一次切换中的体现。

工具的生命周期

策略篮子不是一成不变的。一个工具要进入篮子，需要满足几条标准：能用日均成交额足够大的 ETF 实现；和已有工具的收益相关性不太高，否则只是重复；在至少一种状态下，历史表现明显好于篮子的平均水平。新工具先进入“观察”状态一个季度，只记录信号、不分配资金。

在用的工具每月做一次健康检查：它在被选中的状态下，实盘表现是否持续低于映射表里的历史值；它依赖的统计规律是否还在（比如大小盘轮动依赖的风格惯性，可以用 ETF 价格的自相关和方差比来监控）。连续不合格的工具先降权，再下线。

系统的骨架就是这样。接下来看每个模块的具体实现，以及实现中的取舍。

五、各模块的实现

风格识别：选哪些指标

第二节的定义只用了趋势和波动两个维度。同行的打分卡往往用上十几个指标，估值、成交额、股债性价比、风格动量都在里面。为了决定加哪些，我们先对常用指标做一次“体检”：每个月末取指标值，和下一个月的收益算秩相关系数（Spearman），共 250 个月。秩相关是 0 表示毫无关系，括号里的 t 值超过 2，大约相当于 5% 的显著性。再把样本切成前后两半，看稳定性。

这张表和第一节的结论对得上：波动是最可靠的状态变量，20 日波动率是唯一全期显著的指标，高波动之后小盘相对更强（和表 4 一致）；趋势、动量、成交额在月度尺度上不稳定，前十年正相关，后十年负相关；估值是慢变量，对下个月几乎没有预测力，更适合用在年度的大类配置上。

据此，识别引擎保留“趋势 × 波动”两个维度：波动维度最可靠；趋势维度在月度上不稳定，但在季度到年度上存在（表 3），120 日均线大致对应半年的尺度。多加几个不稳定的指标，合成权重本身又是一组要从历史里挑出来的参数，这正是多重检验文献警告的情形¹⁹。

我们也试了统计模型的路线：对沪深300 的周收益拟合一个两状态的高斯隐马尔可夫模型（HMM），每年年末只用截至当时的数据重新估计，第二年用前向滤波（只用过去的数据）算出处在“好状态”的概率，概率过半就持有沪深300，否则持有债券。2008 年以来，它的年化收益是 −4.2%（按“收益 / 波动”高的算好状态）或 2.9%（按低波动的算好状态），同期 120 日均线择时是 9.2%。原因是 A 股的高波动既出现在大涨里，也出现在大跌里：2008 年初估出来的“好状态”年化收益 134%、波动 32%，其实是 2006–2007 年的高波动牛市，于是 2008 年的高波动大跌也被认成了好状态。只看收益分布的两状态模型，很难把这两种高波动分开。

策略工具篮子

选工具有两条约束：每个工具都要能用场内 ETF 实现，这样才能真正交易，也才能用真实价格检验；工具之间的“好年份”要尽量错开，否则十个工具其实是同一个工具的十个变体。

按这两条，我们选了十个工具，分三类。持有类一直持有某个指数，代表一种风格的底仓；择时类在同一个指数上按信号决定持有还是换成债券，趋势跟踪对应时间序列动量的文献²⁰，和 Faber 的 10 个月均线是同一个思路²¹，波动率目标来自 Moreira 和 Muir 的研究²²；轮动类在两种风格之间二选一，直接跟踪风格偏好。

映射表：状态与工具的对应

篮子和状态都有了，下一步是确认每个工具在哪种状态下效果最好。回测的约定如下：第 t 天收盘后用截至当天的数据算信号，从第 t+1 天起按新仓位计收益；成本按实际换手乘单边费率扣除，A 股 ETF 不交印花税²³，沪深300 按 4bp、中证1000 按 6bp、债券按 3bp，港股 ETF 免印花税²⁴，按 10bp；另设一档约三倍的悲观成本。

把每个工具每天的收益，按“前一天收盘时判定的状态”分组，算年化平均：

对照表 8 最后一列的直觉，有符合的，也有不符合的。下跌趋势里躲开 A 股、上涨趋势里用进攻性工具，和直觉一致；“低波震荡用均值回归”“高波震荡用波动率目标”这两条直觉，数据并不支持：均值回归在低波震荡里亏得最多，只在高波震荡里赚钱。高波震荡里持有中证1000 的年化高达 59.7%，这种状态多半出现在暴跌之后的反弹段，和表 4 里“高波震荡小盘占优”是同一件事。

做这张表要注意一个细节：必须用“前一天的状态”配“当天的收益”。当天的状态是用当天收盘价算的，当天的收益也取决于当天收盘价，两者天然相关。用当天的状态算，高波震荡里持有沪深300 只有 3.7%，用前一天的状态是 21.2%，差一天，结论就不同。

映射表的更新：走查

表 9 是用 2008 到 2026 年全部数据算的，直接拿它回测，等于 2008 年就看过了 2026 年的答案。配置引擎更新映射表的做法是走查（walk-forward）：每个月末只用截至当时的历史，重新算一遍“状态 × 工具”的收益表；下一个月里，每天收盘后判定状态，到表里对应的那一列挑收益最高的工具。表只在月末更新，任何一天的选择都只用到了过去。

走查需要热身期来积累第一张表，我们留了 2005 到 2007 年三年，所以后面的检验从 2008 年开始。

走查选出的对应关系很稳定，2010 年以后几乎每个月都是同一张映射：上涨趋势和低波震荡用大小盘轮动，下跌趋势用趋势跟踪（2015 年和 2026 年有几个月换成了港股趋势），高波震荡持有中证1000。工具一年平均切换 4.4 次。2026 年 10 月 16 日收盘，状态刚确认从低波震荡变成下跌趋势，选出的是港股趋势。

作为对照，我们也把凭直觉写的那套对应关系当作一个方案，叫“经验映射”：上涨持有沪深300，下跌持有债券，低波震荡用均值回归，高波震荡用波动率目标。

最小实现

识别引擎和配置引擎的最小实现如下，输入是截至今天的指数点位，MAP 是当前版本的映射表：

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}

系统搭起来了，接下来回答另一个问题：这种模式靠不靠谱，能不能真的产生收益？

六、这种模式靠不靠谱

比较对象

检验一个风格切换方案，要和三类基准比：

1. 持有沪深300，代表不做任何判断。
2. 十个工具等权，每月再平衡，代表有工具篮子、但不判断风格。AQR 强调择时要和静态的多风格组合比¹⁷。
3. 单一均线择时，它本身就是一个最简单的两状态判定，用来衡量四状态加十个工具多带来了什么。

另外放一个“事后最优映射”作为上限：直接用表 9（含未来）选工具。它和走查的差距，就是“看过答案”的价值。

指数上的结果

为了判断这些差别是不是运气，我们用块自助法（block bootstrap）检验：把两个方案的日收益差切成 20 天一块，有放回地重新抽样 3000 次，看年化超额收益的分布。结果是：

• 相对持有沪深300，年化超额 +9.4%，95% 区间 [+1.2%, +18.4%]，p = 0.012，显著。
• 相对十个工具等权，+7.2%，p = 0.015，显著。说明“判断风格再选工具”比“有工具但不判断”更好。
• 相对单一均线，+3.2%，区间 [−3.8%, +10.7%]，p = 0.16，夏普相近，不显著。

另外几个方案的结果也能说明一些设计问题：选前 3 个等权只有 5.9%，因为表里排第二、第三的工具和第一名差距很大，平均进来是稀释；经验映射只有 5.1%，说明工具和状态的对应关系要从数据里来；事后最优映射比走查高 4.4 个点，这是直接用全样本统计表回测会高估的部分。

换成可交易的价格

上面用的是指数。第一节已经发现，小盘指数存在不同步成交造成的假惯性，而大小盘轮动正是走查选得最多的工具，所以必须用真实的 ETF 价格再检验一次：信号仍然用指数算（指数点位在收盘前就能看到），收益改用 ETF。512100 在 2016 年 9 月上市，加上均线热身，检验窗口是 2017 年 5 月到 2026 年 10 月。

港股

把盈富基金当作“大盘”，用同一套状态定义和工具（持有、趋势跟踪、均值回归、波动率目标、债券）再走查一遍，2011 年以来年化 2.9%，持有盈富基金 3.4%，单一均线 2.8%，相对持有 −1.9%（p = 0.66）；最大回撤从 −49% 降到 −23%。这里的避险资产暂时用中证全债代替港元现金，含了汇率和利率的差异，数字只能作为参考。港股月度偏反转的特点（表 3）也意味着，照搬 A 股的趋势型判定未必合适。

检验结论

把三组检验放在一起：

• 风险控制部分是成立的。 无论指数还是 ETF、A 股还是港股，方案的最大回撤都明显小于持有指数，大约降低一半。这部分主要来自“下跌趋势时离开股票”，对应的是第一节里确定存在的长周期趋势。
• 收益增强部分在指数上显著，在 ETF 上尚不显著。 相对持有沪深300，指数上年化多 9.4 个点（p = 0.01）；换成 ETF 价格，点估计多 0.9 到 4.3 个点，但 p 值在 0.14 以上。差距的一大部分来自指数的不同步成交，这部分在交易中拿不到。
• 相对单一均线的增量还需要更多证据。 四状态加十个工具，在各种假设下比单一均线多 1.4 到 6.1 个点，都不显著。
• 近几年的效果弱于早年。 2021 年以来各方案的收益都接近持有债券，图 6 里指数的大小盘自相关也从 0.31 降到了 0.03。

这些结果说明系统里还存在哪些问题？

七、存在的问题与改进

检验中暴露的问题

回顾从设计到检验的过程，有几个问题值得单独记录：

1. 指数和可交易价格的差别。 这是影响最大的一条。用指数日线回测、日频换手的轮动工具，都需要用真实的 ETF 价格复核。
2. 起点敏感。 从 2006 年起算，持有沪深300 年化 10.0%，单一均线 17.5%，走查方案因为热身期拿着债券只有 10.5%；从 2008 年起算，排名完全不同。A 股的牛熊集中，报告结果要给多个起点和分时段的数字。
3. 小样本的格子。 高波震荡总共 295 天，大约 20 段行情，“持有中证1000 年化 59.7%”主要来自其中几次暴跌后的反弹，证据最弱。
4. 规律在变化。 2016 年以后趋势类指标的月度方向反转（表 7），2021 年以后各方案收益都接近债券。
5. 多次尝试。 本文跑过二十个左右的变体（确认期、成交时点、成本档位、选几个工具、HMM 的两种排序）。按 Bailey 和 López de Prado 的缩水夏普（DSR）²⁵，20 次尝试对应的最低年化夏普是 0.31。把走查学到的映射压缩成一条规则（沪深300 在 120 日线上方做大小盘轮动，下方持有债券）、每周调仓，指数上的年化夏普 0.65，可以通过这道门槛，DSR 为 0.92；用 ETF 价格算，按成本和成交假设不同，夏普在 0.03 到 0.52 之间。

改进方向

结合这些问题和第三节同行的做法，下一版可以从这几处改：

1. 回测一律用可交易价格。 ETF 上市以前用指数，但把日频换手的工具改成周频或加一天延迟，压掉不同步成交的影响。
2. 从“选第一名”改成“按把握加权”。 借鉴 Two Sigma 和国金证券：工具权重和它在当前状态下的历史优势成正比，样本少的格子向全样本平均收缩；两个维度的信号冲突时回到等权组合。
3. 单个工具设上限。 借鉴 DYNF 长期保持多个因子分散暴露的思路，单个工具不超过 40% 到 50%，用分散换取对判断错误的容忍度。
4. 补充慢变量维度，按月使用。 利率、信用利差（国联期货的思路）、估值、拥挤度这类慢变量，适合决定月度或年度的大类倾向，不适合决定日频切换。
5. 把衰减监控做实。 第四节工具生命周期里的月度健康检查，要落实成具体的阈值：比如大小盘 ETF 收益差的方差比连续 6 个月接近 1，就把大小盘轮动降为观察。
6. A 股和港股分开建模。 港股月度偏反转，成本也更高（个股印花税 0.1%，ETF 免），状态定义和换手频率都要单独设定。

八、小结

1. 市场风格是否存在？ 存在，但分层次。波动状态确定存在，持续数月；大盘趋势在季度到年度的尺度上存在；风格分化幅度大，大小盘年度收益差中位数 12.4 个点；大小盘的短期惯性主要是指数的统计假象；港股在月度上偏反转。
2. 风格怎么描述？ 分市场状态和风格偏好两层。它是潜在的、事后清楚事前模糊、切换跳跃的。本文用趋势 × 波动定义四种市场状态，加 5 天确认期，风格偏好交给轮动类工具跟踪。
3. 同行有没有、怎么做？ 平台提供数据和通道；卖方和基金用多维打分或机器学习判定，公募已有“判定大小盘再切换选股策略”的产品；海外用马尔可夫切换、高斯混合，越成熟的做法越倾向于输出概率、按权重混合。
4. 系统长什么样？ 数据层、风格识别引擎、策略篮子、配置引擎、组合风控、执行、复盘七个模块；识别和执行分离，由配置引擎查“状态 × 工具”映射表连接；每天收盘前跑一遍决策链，状态切换是触发换仓的事件；每月末用走查重算映射表回写，事件和季度审查负责改参数、换工具。
5. 各模块怎么实现？ 识别引擎用最可靠的波动和长周期趋势两个维度；篮子里十个可用 ETF 实现的工具；映射表用前一天的状态统计、月末走查更新。
6. 靠不靠谱？ 风险控制部分成立，最大回撤大约减半；收益增强在指数上显著，在真实 ETF 上点估计为正但尚不显著；相对单一均线的增量需要更多证据；近几年效果减弱。
7. 还有什么问题、怎么改？ 可交易价格回测、按把握加权、冲突回中性、单工具上限、补慢变量、衰减监控、A 股港股分开建模。

本文的数据、脚本和全部中间结果按“下载 → 整理 → 风格检验 → 工具 → 状态 → 走查 → 复核”的顺序分成了几个脚本，换一组指数或一个起点，可以照着重跑一遍。

参考资料