分析师 / 张青（执业证书编号S0890516100001）
研究助理 / 余景辉
投资要点：
大类资产配置的核心是获取资产的Beta收益，而资产的beta收益，不仅来源于主动承担的市场系统性风险，还来源于主动承担的某类风格暴露带来的收益。经典的Carhart模型把股票市场的收益拆解为4类来源，即市场收益，规模因子收益、价值因子收益以及动量因子收益，后三者即为主要的风格收益来源，而对于风格因子的投资，即为SmartBeta的投资思路。
我们考虑采用多因子框架，依次构建大小盘、价值成长、动量反转的风格轮动模型。多因子风格轮动模型主要考察宏观经济运行、市场微观结构以及动量趋势三类指标。从模型回测结果看，2010年7月~2018年8月，大小盘风格轮动模型录得7.62%的年化收益率，价值成长轮动模型录得7.49%年化收益率，动量反转轮动模型录得年化收益率为5.55%，同期沪深300指数收益率仅1.93%，且轮动模型跑赢各自成分指数，Calmar比率也优于成分指数，说明构建的模型是有效的。
我们考虑将轮动结果运用至公募FOF的组合构建中。首先，我们按照固定权重构建三个风格轮动模型的风格加权指数；其次，根据多期相关系数对基金进行初始筛选，构建初始基金组合，该组合与风格加权指数走势基本一致，高度相关，不存在严重风格漂移问题；最后，我们加入基金二次筛选指标构建FOF组合。历史回测看，经二次筛选后的FOF组合，2011年以来年化收益率为7.01%，同期沪深300指数收益率为1.10%，组合Calmar比率1.26倍，同期沪深300指数仅0.14，另从业绩贡献度看，最终构建的FOF组合中风格轮动与基金筛选的贡献各自占一半左右，从而基本实现了中观策略与微观筛选的相互融合。
风险提示：数量化策略研究主要基于历史数据，可能存在模型设定偏差的风险。
目录
正文
大类资产配置的核心是获取资产的Beta收益，而资产的beta收益，不仅来源于主动承担的市场系统性风险，还来源于主动承担的某类风格暴露带来的收益。经典的Carhart模型把股票市场的收益拆解为4类来源，即市场收益，规模因子收益、价值因子收益以及动量因子收益，后三者即为主要的风格收益来源，而对于风格因子的投资，即为Smart Beta的投资思路。
Smart Beta投资的核心是对因子轮动规律的把握。在前期我们外发的专题报告《价值、成长风格轮动及FOF策略构建》一文中，我们提出了一个基于多因子框架的风格轮动模型，我们计划将这一模型构建思路拓展至大小盘以及动量反转两类风格的轮动策略构建。此外，考虑到单一风格轮动模型要承担过大的市场风险，为分散风险，平滑策略净值曲线，我们考虑对三个风格轮动模型进行加权，构建综合轮动模型。最后，基于我们构建的加权风格轮动策略，我们提出了一个从中观风格视角构建公募FOF组合的思路，供投资者参考。
1.风格轮动因子测试框架及说明：
构建多因子风格轮动模型的一个关键，是搜寻可行的因子。因子不仅要测试有效，同时要符合一定的经济或交易逻辑。
宏观经济运行类指标应是一类重要因子，因为无论是大小盘、价值成长还是动量反转的轮动，一个重要因素就是由经济逻辑驱动的。为避免过度的数据挖掘，宏观经济运行我们仅选取比较有代表性的几个指标：一是表征经济增长类的指标，具体选择PMI类指标（PMI总指数、PIM生成指数、PMI新订单指数）以及工业增加值当月同比增速，前者是经济运行的景气调查指数，具有一定先行性，后者则是月度频率下最能表征经济运行状态的综合性宏观指标；二是表征通胀类的指标，具体选择CPI、PPI同比增速这两个最常用的指标；三是表征流动性的指标，按照经济逻辑具体划分为量价两类，前者选取M1以及M2增速、M1-M2以及人民币贷款余额增速，社会融资规模增速；后者选取1年期国债收益率、10年期国债收益率、7天质押式回购利率等不同期限的利率价格指标。四是利差指标，这类指标是对流动性、经济增长以及投资者情绪的综合反映，故我们也纳入因子测试体系中，具体选择两个指标，一个是期限利差指标，另一个是产业债信用利差指标，前者主要反映流动性的变化，后者则反映的是信用风险以及投资者情绪的变化。
除宏观基本面指标外，微观市场结构在风格轮动上也有一定逻辑与价值。具体包括市场涨跌状况、市场波动率、市场换手率等，不同市场结构下可能会呈现完全不同的轮动规律。
最后，动量趋势类技术指标也有一定意义，因为资产价格具有一定的时间序列动量效应，而这种效应可能在风格轮动上也会有所体现，即在风格轮动中的两个配对资产，如大小盘轮动，倘若前期大盘股表现优于小盘股，那么在资产的动量效应下，可能依旧会延续这一表现。轮动模型的动量趋势类技术指标的构建，需要借助于相对强弱指数，虽然相对强弱指数有很多种构建方法，但不同方法下基本趋势一致，我们采用
需要说明的是，我们更加关注的是因子涨跌的方向，而非因子值本身的大小。例如，对于工业增加值同比增速，相较于5%还是6%的绝对增速，工业增加值同比增速变动的方向，也即处于上涨还是下跌趋势，对风格的演绎有更显著的影响。于是，这就涉及到了对因子指标趋势的定义。为避免使用到未来数据，我们仅基于回测时点已存在的数据划分指标运行趋势，也即站在事前交易的视角对指标运行方向进行划分。由于宏观指标按月发布，且众多指标于下月月中才发布，为避免滞后过大，已有研究对于宏观指标的趋势确认仅比较最近2期数据，即当期值大于上期值，则认为指标处于上行趋势；反之认为处于下行趋势。这一方法最大限度减少了指标时滞，但由于宏观指标月度同比之间经常发生跳跃，若仅采用2期数据判定趋势，会导致划分出的指标上行下行波段过短，信号切换过于频繁。鉴于此，我们采用最近3期值划分波段。我们固定于月底进行判定，当月底可得的最近一期指标值大于上一期值，且上一值大于上上期值时，我们认为指标处于上行趋势，下行趋势的判断与此相似。采用这一方法虽然加大了时滞，但划分出的波段基本可以延续3个月以上，指标平滑了许多。除此之外，作为该划分方法的补充，我们还引入另一个波段划分方法，即当期值超过过去3期值的高点时，也确定为上行趋势，这样对于那些宏观数据十分强劲的月份，我们可以早一个月划分出上行波段，以此作为要求连续2月上升的波段划分方法的补充，下行趋势的划分与此类似，不再赘述。
不过，对于换手率、波动率这两个微观市场结构因子，与宏观基本面因子不同，我们更关注的是其数据的绝对大小，即市场是处于低换手率（波动率）状态，还是其他状态。由于市场的换手率与波动率随时间变迁，定义高低的阈值会发生变化，故无法采用固定阈值，我们以沪深300指数作为市场整体代表，并采用历史分位数定义状态。此外，虽然换手率、波动率逻辑上应存在低、正常及高三种状态，但首先我们回测时仅需定义两种状态；其次，从A股市场运行看，市场处于低换手率、低波的时间远比处于高波动率、高换手率的时间要长，这源自于A股熊长牛短的特性，尤其是A股历史上经常存在长达数年的阴跌行情，而阴跌行情下无论是市场的波动率还是换手率都会由于市场做多情绪的涣散而逐步下降，演变成低波或低换手率状态。因此，我们仅划分低波与非低波状态，以及低换手率与非低换手率状态。以波动率为例，当市场的波动率（以沪深300指数表征市场整体状况）位于过去N年（N取3或5年）30%以下历史分位时，我们定义为低波状态，其余的状态我们则定义为非低波状态。低换手率以及非低换手率的定义与此类似。
最后，对于市场的涨跌状态，我们也基于事前交易视角于每月底进行判断。当沪深300指数创过去3个月新高时，则定义市场处于上涨状态；当沪深300指数创过去3个月新低时，则定义市场处于下跌状态。
2.多因子风格轮动模型构建：
2.1.大小盘风格轮动模型
2.1.1.单因子测试
我们从宏观基本面、市场微观结构以及相对强弱指数的动量趋势三个维度搜寻有效的因子。大盘指数采用申万大盘指数，小盘指数采用申万小盘指数。
由于各指标对大小盘轮动影响的逻辑不同，有些指标可能上行时有助于大盘股跑赢小盘股，而有些指标则可能下行时更利好大盘股。因此，我们对每一个指标均做正向与反向测试。所谓正向，是指当测试指标上行时，我们买入大盘，下行时买入小盘；所谓反向，是指当测试指标下行时，我们买入小盘，上行时买入大盘。
单从统计结果看，一个呈现出较好绩效的指标，应具备的特征包括：（1）指标处于上升、下降（对于换手率、波动率是低与非低）不同状态时，均应呈现出大于50%的胜率。假定该指标为正向指标，那么当该指标处于上行波段时，大盘指数跑赢小盘指数的概率应大于50%；而当该指标下行时，小盘指数跑赢大盘指数的胜率也应超过50%,这才意味着指标具有较好区分度；（2）指标轮动策略按月计算的胜率应大于55%（即在大样本范围内策略长期具有一定程度显著的胜率）。之所以考虑这一评估标准，是考虑到指标历史划分的波段数量并不是特别多，平均15个波段，某些指标划分的波段甚至不足10个，直接按波段统计的胜率由于样本不够大，可能存在偏差，因而我们还考察了月度胜率情况，这样样本就足够大，测试结果也更可信。（3）样本区间内按该指标构建轮动策略收益率应高于申万大盘及申万小盘指数，即跑赢其中任意一个成分指数，否则单从收益率的角度看，最好的策略应是买入并持有其中表现较好的一个成分指数，因为轮动策略无法战胜该指数。
不过，由于待测试的指标多数具有时滞，再加上我们对于指标波段的划分是基于事前交易视角的，进一步加大了时滞，因而很难有指标完全满足上述三个条件，这样多因子模型实际上就无法构建了。鉴于此，我们放宽了指标通过测试的条件，要求满足上述任意一个条件，且符合一定的经济或交易逻辑就算作通过测试了。这样做的好处是：一是可用于构建多因子风格轮动模型的因子数量会显著增加，避免轮动模型的结果过于依赖于某一两个指标，而这本身也是符合多因子策略的构建逻辑，多因子策略的基本逻辑就是把若干弱解释或弱区分力度的因子综合在一起，以发挥群体的力量。这其实就是现实决策中“三个臭皮匠，顶个诸葛亮”的逻辑在数量化策略领域的直观体现。二是避免了数据的过度挖掘，样本外的可复制性更强。基本面量化研究同传统完全基于数据挖掘的量化研究最大的不同就是：基本面量化更注重指标的逻辑，逻辑先行，而统计结果更多扮演的是一种辅助决策的角色，只要能通过基本的验证即可。
测试时间设定为2010年7月~2018年8月，由于待测试的指标较多，且每一个指标均要做正向与反向测试。我们仅列出通过测试且符合经济逻辑的指标。
从以上两个表格可以看出，在基本面因子中，我们最终选择了CPI、M1-M2、PMI新订单指数以及国债期限利差；在技术面因子中，最终选择了波动率以及相对强弱指数。
基本面因子中，CPI上行时小盘风格表现较好，下行时大盘风格表现较好，这是因为CPI上行预示着通胀，资金会追求更高的超额收益，因此小盘股表现较好；PMI新订单指数上行时大盘风格表现较好，下行时小盘风格表现较好，这是因为大小盘轮动实际上是周期与非周期的轮动，当经济处于上行阶段，周期性行业企业盈利由于弹性因素改善幅度会较大，从而大盘股表现更优，而当经济处于下行阶段，小盘股表现相对占优；期限利差上行时大盘风格表现较好，下行时小盘风格表现较好，这是因为利差下行意味着企业未来现金流的折现因子缩小，而小盘股未来增长不确定性大，其未来现金流结果可看作是较大盘股有更长的久期，从而对折现因子更敏感，故利差下行时小盘股估值提升的空间更大；M1-M2上行时小盘股表现较好，下行时大盘股表现较好，这是因为M1-M2上行意味着流动性的改善，小盘股由于其弹性较大因此表现较好。
技术面因子中，波动率处于低波状态时大盘风格表现较好，处于非低波动率时小盘风格表现较好，这是因为波动率反映了市场的情绪，当市场处于低波状态时，意味着投资者情绪低迷，确定性溢价上升，而大盘股无论是在盈利能力还是盈利质量方面，均较小盘股的确定性更大，故在市场低波环境下更受投资者青睐。大盘相对小盘强弱指数上行时大盘风格表现较好，反之小盘风格表现较好，这说明动量效应在大小盘风格轮动中是有效的。
2.1.2.大小盘多因子轮动模型构建与回测
我们考虑将上述指标整合，构建一个多因子打分模型，用于研判大小盘市场风格。每个指标均给予0分或10分。当指标交易信号是大盘时给予10分，交易信号是小盘时给予0分。具体在权重设定上，由于市场微观结构及基于强弱指数的动量趋势指标测试效果普遍好于宏观基本面指标，且市场微观结构以及动量趋势类指标较宏观基本面指标与市场的联系更紧密些，不易失效，故在权重设定上，我们对宏观类指标的整体权重设定要稍低于市场微观结构及动量趋势指标，但两大类指标内部的细分指标，我们按照等权进行设定。
通过对单一指标的加权打分，多因子轮动模型最终输出的是介于0~10分之间的具体分值。根据这一分值，我们不仅可以研判大小盘风格轮动的方向，更可以据此评估大小盘风格分化的程度。分值越高，越能说明风格倾向于大盘风格，分值越低则越说明风格倾向于小盘风格。我们于每月最后一个交易日收盘后对下月风格进行研判。为了避免风格研判的结果频繁切换，提升实战指导价值，我们设定了一个中间缓冲带，仅当综合打分大于缓冲带上限时，才认为下期风格为大盘风格，当综合打分小于缓冲带下限时，认为下期风格为小盘风格，当指标分值位于中间缓冲带之内时，则将本期研判结果赋予下期，即认为下期风格不变。
从回测结果看，大小盘轮动组合的年化收益率达到7.62%，而同期沪深300指数的收益率仅1.93%，不过大小盘轮动组合的最大回撤幅度要大于沪深300指数，主要源于2015年下半年股市暴跌中，风格轮动模型持有的是申万小盘指数，而申万小盘的跌幅显著大于申万大盘。不过从250天滚动最大回撤均值看，轮动组合的回撤幅度要小于沪深300指数。最终，由Calmar比例表征的轮动组合经风险调整后的收益水平要显著高于沪深300指数，前者为0.97，后者仅0.24。此外，轮动模型的收益率跑赢任意成分指数，即申万大盘与申万小盘指数，且Calmar比率也高于任意成分指数。这说明轮动模型是有效的。
2.2.价值成长风格轮动模型
2.2.1.单因子测试
对于价值成长的风格轮动，我们按照统一模板以及统一的因子库进行测试，价值风格选取国证价值指数，成长风格选取国证成长指数，测试结果如下：
价值成长轮动模型中，基本面因子我们最终选择了PPI、一年期国债利率；技术面因子中波动率、换手率以及相对强弱指数。
在基本面指标中，PPI上行时价值风格表现较好，下行时成长风格表现较好，原因可能在于PPI是传统制造业行业盈利的先行指标，当PPI同比增速上行时，预示着制造业企业的毛利改善，企业盈利趋于上行，反之盈利恶化，而制造业企业的估值又普遍偏低，多数被划分为价值股。一年期国债收益率对价值与成长的风格轮动区分度也较好，利率上行时价值股表现较好，下行时更利于成长股。这可能一方面源自于债券收益率是日频发布，没有时滞，同时国债收益率本身是权益类资产定价时无风险利率的锚。当利率下行，预示着权益资产未来现金流的折现因子变小，而成长股的现金流回报较之价值股期限要长，也即成长股的“久期”更大，从而更受益于无风险利率的下行，而当利率上行时，自然未来现金流贴现受损较之价值股更大，从而易跑输价值股。
在技术面指标中，波动率处于低波状态时，价值风格表现较好，处于非低波状态时，成长风格表现较好，这是因为当市场处于低波环境时，往往意味着投资者的风险偏好下降，避险情绪上升，而价值股的低估值属性刚好发挥了防御功能，更受资金青睐，故表现好于弹性相对较大的成长股。换手率处于低换手时，价值风格表现较好，处于非低换手时，成长风格表现较好，逻辑与波动率类似。动量趋势方面，强弱指数指标也依旧有效。
2.2.2.价值成长多因子轮动模型构建与回测
我们参照大小盘风格轮动模型中的因子赋权方法，构建多因子价值成长轮动模型，回测结果如下：
从回测结果看，价值成长轮动组合的年化收益率达到7.49%，而同期沪深300指数的收益率仅1.93%，国证价值指数收益率5.79%，成长指数收益率仅0.33%，轮动组合收益率跑赢任意成分指数及市场比较基准。轮动组合的最大回撤幅度略小于沪深300指数，250天滚动最大回撤均值幅度也小于沪深300指数，主要源于国证价值指数本身的回撤小于沪深300所致。最后，从风险调整后的收益即Calmar比率看，轮动组合的Calmar比率达到1.20，显著高于价值指数的0.97，成长指数的0.03以及沪深300指数的0.24。整体看，轮动组合是有效的，在提升收益的同时还降低了组合的风险。
2.3.动量反转风格轮动模型
2.3.1.单因子测试
对于动量反转风格轮动模型在初始因子的选择方面和前面两个因子相同，这里唯一相较前两个轮动模型多的步骤是要先构建动量指数和反转指数，因为市场目前缺乏具有代表性的动量与反转指数。这里我们用国证1000指数成分股作为初始股票池，在每季度末将这些成分股按照过去一年收益率进行排序，选择排名前300的股票构建动量指数，选择排名后300的股票构建反转指数。
按照相同的因子库及测试方法进行测试，结果如下：
根据前文所定义的因子筛选标准，基本面因子中我们最终选择了CPI、M1-M2、一年期国债利率、产业债利差；在技术面因子中，最终选择了波动率、换手率、相对强弱指数。
在基本面因子中，CPI上行时动量表现较好，下行时反转表现较好，可能的逻辑是CPI的上行往往是由经济需求驱动的，多数CPI的上行期位于经济上行时期，而此时投资者情绪偏多，市场活跃，热点不断扩散，故前期滞涨的个股反而会表现较好，CPI的下行多数是由经济下行，需求不振导致，此时投资者情绪多数倾向于悲观，资金抱团导致动量效应更强；M1-M2上行时反转表现较好，下行时动量表现较好，源自M1-M2下行时流动性变差，仅前期强势个股更受资金青睐，因此动量表现较好；一年期国债利率上行时动量表现较好，下行时反转表现较好，该指标同样反映了流动性，因此逻辑和M1-M2类似；产业债利差上行时动量表现较好，下行时反转表现较好，产业债利差上行意味着风险溢价的上升、投资者情绪的悲观，同样表现为资金的抱团行为，因此动量表现较好。
技术面因子中，波动率处于低波时动量效应表现较好，非低波动率时反转效应表现更强，这主要源自于低波状态下投资者情绪低迷，资金抱团导致强者恒强；换手率处于低换手时动量表现较好，非低换手率时反转表现较好，内在逻辑与波动率指标类似；动量相对反转强弱指数上行时反转表现较好，下行时动量表现较好。这意味着动量指数与反转指数之间存在反转效应，也即物极必反，值得注意的是，这是与大小盘轮动以及价值成长轮动模型中，动量趋势效应不太一致的地方。
2.3.2.动量反转多因子轮动模型构建与回测
参照前述两个模型的构建方法，我们构建动量反转的多因子轮动模型。回测结果如下：
从回测结果看，动量反转轮动组合的年化收益率为5.55%，同期沪深300指数的收益率为1.93%，动量指数收益率为-0.24%，反转指数收益率为1.53%，轮动组合收益率跑赢任意成分指数及市场比较基准。另从历史表现看，A股市场在个股层面2017以前反转效应更加显著，长期跑赢沪深300基准指数，但2017年以来反转效应失效，动量效应开始变得显著（个股层面的动量反转效应与市场宽基指数的动量反转效应规律并不相同，对于指数层面，由于指数成分股的龙头股带动及滞涨个股的补涨效应，指数的动量效应长期看明显强于反转效应）。风险回撤方面，轮动组合的最大回撤小于成分指数及市场宽基指数，250天滚动最大回撤均值与成分指数及宽基指数基本相近。最后，从风险调整后的收益即Calmar比率看，轮动组合的Calmar比率为0.68，显著高于动量指数、反转指数及市场宽基指数。整体看，轮动组合是有效的。
3.基于风格加权的FOF组合构建
以上我们分别构建了大小盘轮动策略、价值成长轮动策略以及动量反转轮动策略。现实中，股票的超额收益并非来自于单一风格，而是多种风格的合力贡献之结果。此外，倘若仅关注单一风格轮动，那么就会导致组合的绩效过于依赖于对某一风格的研判结果，从而风险较大，可能带来组合净值较大回撤。
3.1.风格加权策略构建
为克服单一风格轮动策略存在的风险，我们考虑将三个风格进行加权。从历史回测看，由于大小盘风格轮动在A股市场最为显著，无论是价值成长风格轮动还是动量反转轮动均会一定程度受大小盘风格轮动的影响，且从历史回测，大小盘风格轮动的收益率最高，鉴于此，在三个轮动模型的加权中，我们给予大小盘风格轮动最高权重，动量反转轮动模型效果最差，我们给予最低权重，价值与成长风格轮动则给予中等权重。最终三个风格轮动模型确定的权重为5：3：2。我们按照这一比例加权得到一个新的风格加权指数。为便于后续我们基于这一风格加权指数构建公募基金组合构建策略，我们把回测时间设定为2011年1月到2018年8月。（后续我们会把这一风格加权策略用于公募基金筛选，为确保可用于筛选的基金数量足够多，故把测试样本起始时间后推6个月）
从上图可见，三个风格加权后的综合轮动模型收益率与大小盘风格轮动模型的收益率基本相当，为6.53%，但最大回撤以及250天滚动最大回撤均值要小于大小盘风格轮动模型，从而提升了轮动策略的收益风险比。
3.2. 基于风格加权的公募FOF组合构建
公募FOF组合的一个关键是挑选优质的公募基金。从长期看，基金筛选的核心是考核基金经理的阿尔法能力，但从中短期看，市场风格对基金业绩的贡献更大，这其实就是Smart Beta的投资思路。从确保策略模型理念的贯彻实施角度看，选取Smart Beta型的被动指数基金是最合适的。但目前国内Smart Beta指数基金尚处于发展初期，相应标的较少，且普遍规模不大，倘若直接采用被动指数标的构建风格轮动策略，对于资金量较大的机构投资者而言，必然存在流动性问题。我们考虑采用主动管理型基金进行替代，这有两个好处，一是解决了采用Smart Beta指数基金存在的潜在流动性问题，因为规模上亿元的主动管理型基金比比皆是，二是采用主动管理型基金，通过进一步的挖掘与筛选后，可以获取较之被动指数型基金的阿尔法收益。
不过，采用主动管理型基金也有一定风险，就是存在风格漂移问题，从而会导致轮动模型不能较好贯彻实施。为此，我们首先要研究的是采用主动管理型基金为标的构建出的组合，与基于股票指数构建的风格加权指数是否高度相关，倘若相关性较低，则意味着采用主动管理型基金进行风格投资并不可行。
我们以普通股票型、偏股混合型以及灵活配置型基金作为初始样本，剔除换仓当日规模小于1亿、成立时间小于1年、当日暂停申购及暂停大额申购的基金作为备选标的，根据风格轮动信号及基金风格暴露度进行打分排序，定期筛选与风格加权指数暴露度最高的前100只基金作为初始基金标的，于每季末后的首个月份的最后一个交易日收盘后重新计算基金打分，并于下一交易日进行换仓。
以上为利用指数加权的综合指数以及利用基金构建的综合指数，从上图可以看到，构建的基金组合跑输了风格加权指数，我们认为这是正常的，原因主要有二：一是构建的基金组合考虑了手续费率（申购费率按照0.75%，即主动管理型基金申购费率5折计算，赎回费率按照0.5%计算）；二是该模型中对主动管理型基金的筛选，仅考虑了其与加权风格指数的相关度，即在基金风格上与市场加权风格指数相关度最高的前100个基金标的，这些基金本身可能良莠不齐，业绩差异较大。不过，从构建的基金组合与风格加权指数的相关性看，两者走势高度相关，收益率相关系数达到95%，这说明采用主动管理型基金组合基本可以拟合出市场风格加权指数，不存在严重的风格漂移问题。
由于构建的初始基金组合每期涵盖了100个基金标的，而实战中不可能会配置这么多标的，且这些标的我们并没有做进一步的绩效评估，而这也不符合组合构建的实战需要。因此，我们在初始100个基金标的中，采用最为传统的基于净值的绩效评估指标，具体涵盖收益率、波动率以及收益风险比三个维度，站在事前交易视角对基金组合进行二次筛选，每期筛选出排名前20的基金作为最终配置标的。
从加入基金筛选后的二次筛选组合的回测结果看，二次筛选后的组合年化收益率提升至7.01%，大幅跑赢沪深300指数的1.10%，且较之初始筛选组合，年化收益率提升了3个百分点。从回测幅度看，二次筛选组合的回撤幅度较初始筛选组合并未扩大，无论是最大回撤还是250天滚动最大回撤，均与初始筛选组合基本相当，最终风险调整后的收益指标Calmar比例提升至1.26倍，显著高于初筛筛选组合的0.72，并高于采用股票标的构建的风格加权指数0.97的Calmar比率，这说明采用公募基金构建轮动组合，可以达到比采用股票构建轮动组合更好的效果，因为以公募基金为投资标的较之股票为投资标的，还多了一层基金能力的专业股票投资能力，而大量的实践证明，多数基金经理是具有择股能力的。另外，从业绩归因角度看，较之沪深300指数，风格轮动策略对我们构建的FOF组合业绩贡献了2.91个百分点（4.01%-1.10%），而基金筛选对FOF组合业绩贡献了3个百分点（7.01%-4.01%），两者的贡献大致相当。最后，我们计算了二次筛选基金组合的历次换手率（季度频率），每次平均替换约30%的基金标的，整体看这一换手率水平在季度频率上是适中的。
总之，本报告初步展示了基于多因子框架的风格轮动模型构建，以及基于风格轮动策略如何从中观视角构建公募FOF组合，报告算作是对中观市场策略研究与微观基金筛选相互融合的一个具体运用，后续我们将继续尝试其他中观市场策略与微观基金筛选的融合思路。
