报告提出了一种基于多指标、多事件的全自动化择时框架,通过事件驱动生成择时信号,兼顾稳健性与泛化能力。框架采用三层结构:数据选择与滤波、指标预处理及方向判断、事件化信号构建并加权合成,支持多标的适用,避免过拟合。以中证A500为例,基于量价、宏观、期权、两融、基本面和资金流指标集均实现超额收益,合成策略年化收益达10.61%,Sharpe为0.813,多指数回测显示显著超额表现。行业指数回测揭示需针对性指标集优化,进一步提升效果
| 指标集 | 年化收益率 | Sharpe率 | 年化超额收益率 | 最大回撤率 | 看多胜率 |
|---|---|---|---|---|---|
| 基本面 | 8.21% | 0.629 | 7.80% | -18.57% | 51.43% |
| 宏观 | 8.02% | 0.786 | 7.45% | -11.09% | 54.72% |
| 两融 | 5.58% | 0.397 | 4.60% | -19.41% | 45.71% |
| 资金流 | 5.90% | 0.424 | 5.45% | -17.48% | 61.11% |
| 期权 | 3.86% | 0.380 | 2.85% | -28.33% | 51.79% |
| 量价 | 7.53% | 0.753 | 6.84% | -11.30% | 56.92% |
| 指数基准 | 0.57% | 0.029 | - | -44.30% | - |
| 行业 | 年化收益率 | Sharpe | 年化超额收益率 | 看多胜率 |
|---|---|---|---|---|
| 计算机 | 17.73% | 0.801 | 16.10% | 34.88% |
| 国防军工 | 17.78% | 0.824 | 12.24% | 58.14% |
| 电子 | 14.60% | 0.686 | 11.63% | 68.57% |
| 机械 | 14.80% | 0.968 | 10.79% | 62.16% |
| 通信 | 12.92% | 0.637 | 9.17% | 51.43% |
| 房地产 | 0.18% | 0.010 | 7.37% | 31.25% |
| 医药 | 1.86% | 0.112 | 1.05% | 32.61% |
| 纺织服装 | -6.07% | -0.427 | -5.87% | 35.00% |
《Beta猎手系列之十三:多种类、多周期事件化的开放式择时框架》
作者:高智威,胡正阳
机构:国金证券股份有限公司
发布时间:2025年9月10日
本报告聚焦于构建一种基于事件驱动的全自动化、多周期、多种类择时框架,旨在摒除传统择时策略中存在的过拟合和稳健性不足问题,突破单一指标对策略表现的影响限制。通过该框架,能够在任意指标集上自动挖掘有效信号,并应用于不同资产类别,完成从信号筛选、构建、合成乃至滚动修正的闭环过程。
该披露的主要内容包括传统择时策略构建的流程与痛点、自动化择时框架的设计与流程分层介绍、多个指数及行业的回测验证以及风险提示。报告核心观点是自动化框架能显著提升择时信号的泛化能力及策略稳健性,从而实现显著的超额收益和风险调整后表现优异的择时策略。报告采用数据驱动的方法,结合广泛的指标数据,包括量价、宏观指标、期权信息、两融数据及资金流,进行了体系化的优选与事件化处理。
通过框架测试,报告展示了以中证A500指数为代表的多个宽基及行业指数的择时效果,综合收益与波动率指标均明显优于基准,年化超额收益能达到5%~15%以上不等,Sharpe比率维持在0.5至0.9区间,整体表现稳健,表现最佳的是中证1000和创业板指,年化收益率分别达到15.89%和16.22%,1,9-16]。
传统择时策略依赖线性回归或事件驱动模型。回归方法试图通过基础指标预测资产未来收益率,缺乏应对非线性和事件冲击能力;事件驱动模型则通过统计特定事件后的资产表现,识别高胜率因子构建择时信号。常规构建流程包括:指标计算与预处理、事件信号构造、信号筛选、信号合成四个步骤(图表1),但该流程存在:
因此,需要新框架解决自动筛选指标、事件构造及策略合成难题,减少人为调整和数据挖掘风险,实现自动化。
整体框架划分为三层,分别对应数据处理、指标预处理和事件化信号构造与加权合成:
第一层:数据选择及预处理
输入包括指数量价、宏观、期权、两融、成分股基本面和资金流六大指标集。结合历史数据回测表现,选择滤波方法(HP滤波、卡尔曼滤波或不滤波)对原始数据进行降噪处理,得到更平滑的指标序列,保证后续信号质量。指标总数达195个以上(见图表2)。
第二层:指标预处理和方向判断
对降噪后的指标,分别使用两类方法判断指标和资产的关系方向及格式:
第三层:事件化处理与信号加权合成
针对每个经过第二层筛选的指标,基于34种事件定义(突破均线、均线交叉、震荡指标突破、通道突破、分位数突破及同向变动等,具体参数见图表6)构造不同事件化信号,计算过去10年回测的Sharpe比率,使用Softmax函数加权归一化各信号权重,放大优质信号贡献,同时保留多元信号特征。
事件信号加权后,若指标对应信号加权值大于0.5则判定仓位1(看多),否则0(看空)。各指标信号再通过相同的Softmax Sharpe比率加权方法合成为最终择时策略信号,实现多层级、多角度动态调整(流程详见图表7、8)。
以2020年1月至2025年7月数据样本为区间,设置年初调整事件权重和指标权重,手续费万分之五。各指标集单独的择时策略均优于指数基准,年化收益从3.86%(期权)到8.21%(基本面)不等,均超指数0.57%的收益,且整体回撤明显小于指数。
具体看:
进一步测试沪深300、中证500、中证800、中证1000、创业板指表现,均采用上述指标与参数框架。
对中信一级行业指数使用统一指标集测试,大致可分为表现优良与表现一般两类。
表现较好的行业包括计算机、国防军工、电子、机械、通信等,年化收益达到12~18%区间,Sharpe和Calmar均较好。表现较差的行业则包括纺织服装、食品饮料、非银金融、建筑、石油石化等,年化收益微幅甚至为负。主要原因在于各行业的行情驱动逻辑不同,部分行业强依赖特定指标,统一指标集难以捕获全部有效信息,需进一步定制行业专用指标及剔除无效数据以提升效果(图表30)。
本报告虽无直接的估值预测部分,但通过策略回测的表现评估了框架策略的风险回报比。值得注意的风险包括:
报告强调框架采用滚动更新机制,持续剔除失效信号、动态调整权重,旨在缓解长期稳健性风险。但模型本质仍受限历史数据和指标覆盖范围,投资者应注意系统风险与模型局限,18]。
优点:
限制与挑战:
数据和指标维度: 大量指标的纳入固然丰富了信号源,但指标预处理层和事件化层需要确保非重复和极端值过滤,否则低质量信号可能被权重放大。同时,指标的滞后判断及格式变换均保持不变,实际中可能需要更动态的调整机制。
总体而言,该报告构建的择时框架在设计理念和实证上都有突破,显示出较好的收益和风险调整优势,但未来仍需关注模型的稳健性提升和行业适用范围扩展,17,18]。
图表1(事件驱动择时策略构建流程)
明确了传统择时策略的四步流程,分别是指标计算(清洗、滤波、方向判断)、事件信号构造(均线突破、变动事件)、信号筛选(胜率、收益表现)和信号合成(多信号融合),旨在捕捉事件驱动的有效择时信息。
图表2(回测指标集情况)
列示六大指标集,总数高达195个以上,涵盖量价39个、宏观37个、资金流93个等,显示数据维度丰富。这为事件驱动模型提供了坚实的数据基础。
图表3(择时框架第一层流程)
数据从原始指标开始,进行滤波处理(HP滤波、Kalman滤波或不滤波)并生成降噪数据集,是框架的基础保障数据质量。
图表5、6(第二层流程与数据格式变动)
体现指标方向判断采用回归差分(短期指标)或DTW匹配(长期指标),同时对指标进行多种格式变换(原始、同比、环比等)提升预测相关性。流程确保筛选出更具领先性和解释能力的指标。
图表7、8(第三层信号合成流程)
展示了多事件信号对单指标的Softmax Sharpe加权,以及对不同指标信号的二次加权,最终构建全面、多元的择时信号。通过软加权避免抹去弱信号,同时突出优势信号,实现策略的稳健性和灵活性。
图表9-14(中证A500及其他宽基指数回测表现)
各曲线图清晰展示了不同指标集及合成策略在2019-2025年的净值演进,表明所有指标集策略优于基准指数,合成策略表现最佳。对应统计表显示年化收益、波动率、Sharpe、最大回撤、Calmar、Sortino指数等多维风险收益指标,进一步验证策略稳健且有效的多维财务表现。
图表15-29(多个指数和行业择时效果)
系统展示不同指数策略年化收益率从7%到16%不等,波动率及最大回撤均显著改善,分年度收益突出显示策略优势。行业回测表揭示不同行业间策略表现分化,年化收益和信息比率差异较大,提示需针对行业特性进行定制指标及剔除无效信号。
图表31-33(全部指标方向和滞后判断结果)
详细列出了各指标类别中的单项指标方向(与资产同向或反向)、领先滞后性判定和最优数据格式,体现框架对大量基础指标的系统剖析和筛选过程,是本择时模型的重要基础数据支持。
报告明确风险提示,尤其强调:
报告中提及的滚动更新与剔除机制,有助于部分缓解但不能彻底消除这些风险,投资者需谨慎关注实际应用中的模型适用性和风险管理,18]。
本报告创新性地提出一个基于多级事件化、多数据集、全自动流程的择时框架,填补了传统事件驱动择时策略抗过拟合、稳健性不足的空缺。框架通过数据预处理、方向判断和事件信号加权合成为核心,严格限制未来函数风险并结合滚动更新机制,有效提升了策略的收益稳定性和泛化能力。
回测显示,框架在多个宽基指数(中证A500、沪深300、中证500、中证800、中证1000、创业板指)和部分行业指数均表现出显著超额收益和改善的风险指标,年化收益最高达16.22%,Sharpe比率均保持在0.5以上,多数回撤指标优于指数基准。特别是中证1000与创业板表现最佳,体现框架对中小盘及成长风格标的更有优势。资金流指标在信号胜率方面尤为突出,宏观和基本面指标贡献最大。
同时,行业层面差异突显统一指标集不足,对行业特征指标的补充与剔除无效信号被指出为下一步改进方向。
报告最终强调框架虽表现优异但存在历史因子失效风险,事件因子的政策和市场环境敏感性及市场极端波动带来的风险,敦促投资者理性应用。
整体而言,该择时框架为量化择时研究提供了一套逻辑严密、自动化程度高且实证证明稳健的全流程解决方案,具有较高的实用价值和推广潜力,为量化投资者提供了一个可复制、可扩展的信号构建范式,19-23]。
图表1(事件驱动择时策略构建流程)
图表4(数据格式变动类型)
表格形式,详见正文描述。
图表5(择时框架第二层流程)
图表7(信号合成流程)
图表9(各指标集A500净值表现)
图表12(中证A500合成择时策略净值)
图表15(沪深300合成择时策略净值)
等若干图表详细见报告正文。
本报告通过严密的理论设计、详细的指标剖析和丰富的实证回测,系统展示了一种创新的、全自动化的、多周期的事件驱动择时策略生成框架。实现了择时信号构造由人工转向机器自动筛选与权重动态调节,增强了择时策略的稳健性和泛化能力。多指数、多行业的回测验证了该框架在实际中的适用效果和潜力。未来该框架在行业定制化指标补充和动态调整机制完善方面还具备优化空间,值得量化研究和投研团队重点关注和应用。
以上分析均基于报告正文内容,页码标注如下:
,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23]
(完)
多种类、多周期事件化的开放式择时框架.pdf