【中金 · 固收+】风格轮动：规律、策略与Python实现

当固收+的投资者们提到“选结构”，风格的倾向几乎是首要的问题。从去年以来，市场至少经历过大盘成长转向小盘（2021年1月末）、小盘转向大盘价值（2021年10月）两次体感较为明显的风格转向。虽然个股、转债层面还有诸多值得讨论的细节，但风格上站错位置，几乎很难拿回好的回报。而在近期，投资者更加集中关注的，是成长是否有抄底价值。在此，我们基于历史情况和数据分析，给出一些可行的思路。

一、A股特征：趋势与边界并存

两个月窗口，正负20%是关键边际值

我们对近10年的风格相对跑赢幅度进行统计，以上证50和中证1000分别代表大\小盘，国证成长和国证价值代表成长\价值。相对稳定的结论是，两个月窗口下，市场整体的轮动偏移幅度基本在正负20%以内（不考虑2015年那一次过大的波动）。这意味着在统计意义上，正负20%是风格偏移的边际值，若触及则后续大概率会出现均值回归。若进一步细看，正负10%已经具备较大约束力。同时我们发现成长价值的分化较大小盘而言更弱，即使不考虑2014-2015年。但值得注意的是，在来到边界值之前，市场倾向于延续原来的方向。

图表1：股市风格轮动情况(40天涨跌幅差值，单位%)

资料来源：万得资讯，中金公司研究部，注：蓝线代表大票跑赢小票幅度，橙线代表价值跑赢成长幅度

轮动从两象限变为四象限

以2020年为节点，我们进一步观测到在此以前，风格相对跑赢幅度的散点具备较明显的正斜率，这意味着市场整体呈现着“小盘≈成长”、“大盘≈价值”的格局，即轮动是一个两象限互动。而随着2020年以来创业板企业体量明显增长，大盘成长股和小盘价值股的结构性机遇，上图的散点的分散度加剧，市场风格轮动的可能性增多。成为典型的四象限运动，也就是大盘不再与价值挂钩，小盘也不一定就意味着成长——而就实际样本来看，“小盘价值”多为一些小周期股，而这些标的可能股票的覆盖度不高，但却常常作为转债的发行人。

图表2：分年度股市风格轮动情况(2012-2019)

资料来源：万得资讯，中金公司研究部

图表2(续)：分年度股市风格轮动情况(2020-2022YTD)

资料来源：万得资讯，中金公司研究部，注：2022年数据截至2022年3月24日

长期趋势偏好成长

而如果我们拉长窗口，能看到成长更容易在长时间窗口占据优势。也即，上述“40交易日20%”的约束关系聚焦于中短期，与更长期限视角下，风格的优劣势具备趋势性不矛盾。但在大小盘中，这样的趋势性则更不明显。

下图则试图说明这个问题：横轴为观测窗口，纵轴为99%的概率下，成长\价值或大盘\小盘的极限跑赢幅度。可以看到，就成长与价值而言，存在时间窗口越大，可能累计的分化越大的情况。而对于大小盘而言，极限分化度不稳定地随窗口扩大而扩大（而图上小盘在100日左右的占优主要来自行情整体强势后，小盘弹性更大，并非严格的风格问题）。

图表3：板块轮动偏离阈值情况(大小盘)

资料来源：万得资讯，中金公司研究部

图表3(续)：板块轮动偏离阈值情况(价值成长)

资料来源：万得资讯，中金公司研究部

二、转债与风格轮动的适配度

考虑边界和趋势的转债轮动策略

固收+投资者的一个显著特征是可以用转债补足一些“深挖个股”触及不到的风格。而我们经过测算，风格轮动型策略也与转债的策略相适配。延续上述观察，市场的风格是一个趋势与约束并存的变量，我们很容易得到如下的一个策略：当换仓时，风格偏离未接近阈值时，我们遵循市场风格偏移的势能；若突破阈值，则做反向处理。

具体实现方式上，我们需要下面的辅助函数，以得到当前风格偏移的状态，程序如下。这里相当于生成一个1.a中的图表。实现上没有其他需要注意之处，但为避免后续编号混乱，在设定风格与对应代码的字典时选择了OrderedDict。

图表4：观测板块轮动的基础程序

def getDictPairs():
    return OrderedDict({"BigSmall": ["000016.SH", "000852.SH"],
            "ValueGrowth": ["399371.SZ", "399370.SZ"]})

def divergence(dictPairs, start, end, lstDay=None):
    if lstDay is None:
        lstDay = [40]
    
    lstCodes = []
    for v in dictPairs.values():
        lstCodes += v

    _, dfPct = w.wsd(",".join(lstCodes), "Close", dayOffset(start, -max(lstDay) - 1),
                     end, usedf=True)

    dfRet = pd.DataFrame(index=dfPct.index)

    for n in lstDay:
        for k, v in dictPairs.items():
            dfPctRolling = dfPct.rolling(n).apply(lambda x: 100 * (x[-1] / x[0] - 1))
            dfRet[k + ":{_n} days".format(_n=n)] = dfPctRolling[v[0]] - dfPctRolling[v[1]]
            
    dfRet.index = map(lambda


    
 x: x.strftime("%Y/%m/%d"), pd.to_datetime(dfRet.index))
    
    return dfRet.dropna(how="any")

资料来源：万得资讯，中金公司研究部

在选择风格时，我们首先判定其偏移度距离阈值是否较远，然后判定是否超出阈值，按照下图逻辑：

图表5：板块轮动策略逻辑示意

资料来源：万得资讯，中金公司研究部

由于已经设定好偏移数据，这里可以直接进入择券程序，择券框架请见《是时候，选出优秀的策略了》[1]。具体实现较为简单，没有值得特别注意之处。

图表6：具体择券程序

def rotation(obj, codes, date, tempCodes, dfAssetBook):
    # 获取市场风格分化情况.
    if not hasattr(obj, 'divergence'):
        obj.divergence = divergence(dictPairs, start, end)

    # 获取转债标的风格数据，得到dictStyle为字典，共有size和style两个字段，各保存一个表格以注明大小盘、成长价值风格
    if not hasattr(obj, 'dictStyle'):
        obj.dictStyle = getStyle(obj)

    sizeScore, styleScore = obj.divergence.loc[date, ["BigSmall:40 days","ValueGrowth:40 days"]]

    # 获取阈值的相关数据，这里我们采取动态把控，而非定量的阈值
    drSize, drStyle = 1 if sizeScore > 0 else


    
 -1,1 if styleScore > 0 else -1
    idx = obj.divergence.index.get_loc(date)
    # theta代表该风格过去1年在40交易日内累计偏移度的95%分位数，epsilon则是这一偏移度绝对值的0.5倍标准差
    # 下面判断当前状态与阈值距离时，则以 score - theta的绝对值是否大于epsilon为准
    thetaSize, thetaStyle = obj.divergence.iloc[idx - 250:idx].abs().quantile(0.95)
    epsilonSize, epsilonStyle = obj.divergence.iloc[idx - 250:idx].abs().std() / 2.
    
    # 经过计算后，下面stylePick的choice将显示为所选风格的字符
    stylePicks = {'size': {'score': sizeScore, 'direction': drSize, 'theta': thetaSize, 'epsilon': epsilonSize,
                           'choice': 0, 'category': ['large', 'small']},
                  'style': {'score': styleScore, 'direction': drStyle, 'theta': thetaStyle, 'epsilon': epsilonStyle,
                            'choice': 0, 'category': ['value', 'growth']}}

    for k, v in stylePicks.items():
        # 判定：当前状态距离阈值是否较远
        if abs(v['score'] - v['theta'


    
] * v['direction']) >= v['epsilon']:
            
            v["choice"] = v["direction"] if abs(v["score"]) < v["theta"] else -v["direction"]

        else:
            v['choice'] = -v['direction']
            
        v['choice'] = v['category'][0] if v['choice'] == 1 else v['category'][1]
    # 这里选择对应风格的品种，取交集
    srs = obj.dictStyle['size'].loc[date, tempCodes] == stylePicks['size']['choice']
    srs *= obj.dictStyle['style'].loc[date, tempCodes] == stylePicks['style']['choice']

    return srs[srs].index

资料来源：万得资讯，中金公司研究部

上述策略的效果我们测算如下：

图表7：策略具体情况

资料来源：万得资讯，中金公司研究部，回测数据自2017年12月29日至2022年4月6日

图表8：策略净值情况

资料来源：万得资讯，中金公司研究部，回测数据自2017年12月29日至2022年4月6日

同时这一策略的“生产率”也相对比较稳定，没有出现某一风格长时间占据主导地位的情况：直观角度来看大票仍然占比不低，因此我们认为加权策略的稳定性具备一定保证。

图表9：策略实际选择板块情况

资料来源：万得资讯，中金公司研究部

三：固收+择股的风格轮动

在《再看固收+的绝对收益》[2]中，我们谈到固收+择股普遍具有分散、低估值、近似复制宽基的特性。我们希望借助风格轮动这个话题，再进一步推拟固收+择股还有什么可能性。根据我们测算，按照上述方式直接则股，亦可在250日的滚动窗口下，以接近76%的胜率战胜万得全A。而与债券结合后，在例如简单的股二债八分配下，亦可得到明显的增强效果。投资者可以考虑将股票、转债策略与债券结合，得到更加适合自己的风险回报分布（以下债券市场以债券指数为替代）。

图表10：固收+策略具体情况

资料来源：万得资讯，中金公司研究部，回测数据自2016年12月29日至2022年4月6日

图表11：固收+策略净值情况

资料来源：万得资讯，中金公司研究部，回测数据自2016年12月29日至2022年4月6日

[1] https://research.cicc.com/document/detail?id=221571

[2] https://research.cicc.com/document/detail?id=260562

文章来源

本文摘自：2022年4月8日已经发布的《固收+与风格轮动：规律、策略与Python实现》

杨冰 SAC执业证书编号：S0080515120002；SFC CE Ref: BOM868

房铎 SAC执业证书编号：S0080519110001

罗凡 SAC执业证书编号：S0080120070107

陈健恒 SAC执业证书编号：S0080511030011；SFC CE Ref: BBM220

法律声明

向上滑动参见完整法律声明及二维码