来源：华泰金融工程
S0570516010001SFC No. BPY421 研究员
黄晓彬 S0570516070001 研究员
张泽 S0570520090004 研究员
报告发布时间：2020年10月21日
摘要
基于净值和持仓数据，构建风格稳定的绩优股票基金筛选策略
本文对国内股票型基金进行风格类型、风格稳定度检验和业绩比较优选，从而得到风格稳定且业绩优良的基金池。我们首先对股票型基金从价值规模和行业板块两种视角进行风格的划分，分别按照风格稳定性指标（SDS）及重仓板块的持续性排序，筛选出风格稳定的基金池；再从不同风格的基金池中根据净值指标优选出业绩持续领先的基金；然后对筛选出的绩优基金进行配置并与各风格指数的表现进行比较，最后用基金组合实现板块轮动策略，回测显示基金配置策略相对基准均有一定超额收益。
从价值成长和规模视角划分基金风格，并检测基金风格稳定性
我们采用Fama-French模型和Sharpe模型从价值/成长和规模风格视角定量划分基金风格，并在此基础上，测算所有样本基金的SDS值以衡量风格的稳定程度，从而筛选出风格稳定性较高的基金。在利用384只普通股票型基金2010/01/04-2020/08/31的历史业绩数据对基金风格进行定量测算的过程中，Fama-French模型和Sharpe模型均具有较好的回归拟合度，且二者对基金风格的划分结果较为一致。通过对基金SDS值从小到大排序，筛选出大盘价值、大盘成长、小盘价值、小盘成长等四类风格稳定的基金池，其中大盘成长型基金数量较多。
从行业板块视角划分基金风格，通过历史持仓筛选出板块风格稳定的基金
通过持仓法筛选出专注投资于周期、消费、金融、成长里某一个板块的股票型基金。我们首先对基金年报和半年报中披露的所持股票进行行业划分，然后依据各行业配置比例加总得到该基金在各板块下的持仓比例，如果该基金的第一重仓板块始终保持不变且仓位较高，则判定该基金为此板块下风格稳定基金。按照这种方法可以最终得到各板块风格稳定的基金池。
在风格稳定的基础上，根据基金净值指标筛选业绩持续领先的基金
在大盘价值、大盘成长、小盘价值、小盘成长、周期、消费、金融、成长8个风格稳定的基金池里进一步筛选出业绩优秀的基金。在每个风格下，判断基金每半年的复权单位净值收益是否能够总是处于同风格基金前1/3，当处于前1/3的次数占比越大，则说明该基金业绩越好，每类风格选取前5只绩优基金，据此得到8类风格稳定且业绩优秀的基金池。
等权配置风格稳定的绩优基金，相对风格指数和大盘指数均具有超额收益
将基金样本池在股票型基金基础上再增加股票配置比较较高的混合型基金，每半年都根据历史已有数据筛选出风格稳定，业绩良好的基金池，然后等权配置基金并进行滚动回测，每类风格下的基金配置策略均相对其风格指数具有超额收益。进一步用筛选出的绩优基金组合实现基于周期状态构建出的板块轮动策略，基金策略表现优于万得全A指数。
风险提示：模型根据历史规律总结，历史规律可能失效；模型结论基于统计工具得到，在极端情形下或存在解释力不足的风险。本文因研究所提及到的任何基金产品，均不构成对该产品的推荐。
正文
研究导读：风格稳定的绩优基金具有业绩持续性的原理分析
股票基金通常具有较高的股票资产配置比例，基金管理的核心在于选股。主动股票型基金的基金经理在实际挑选股票时，会采取两种常见做法：第一种是在全市场范围内选股，紧跟市场热点并切换行业板块；第二种是专注投资于自己擅长的某个板块的股票。第一种做法里基金经理既承担了选股的工作，也承担了对市场风格判断的工作，二者都会对基金收益做出贡献；而第二种做法里基金经理则聚焦于选股的操作，这类基金的业绩好坏直接反映的就是基金经理选股能力的强弱。
在对基金进行筛选时，通常首先需要对基金进行风格上的分类。基金的风格实际上既可以按照行业板块进行划分，也可按照价值、成长、大盘、小盘等进行划分。两种角度划分出的风格有一定重叠性（例如金融板块大多属于大盘风格），但划分的出发点也存在明显不同。
对于FOF投资人来说，一般需要选取风格稳定、业绩较优的基金。风格稳定是保证收益来源清晰，业绩较优是保证FOF组合能获得更高的收益，专注于配置某一行业板块并具有业绩优势的股票基金则可以兼具这两个特点。
因此本文首先要挑选出风格稳定的基金。如果从基金经理选股范围的角度为出发点，那么风格划分可以从行业板块角度进行，各股票基金可以被划分为周期、成长、消费、金融、稳定等等风格。而另一方面根据晨星风格箱等进行基金评价时，则会把基金分为大盘、小盘、价值、成长等风格。两种划分方式下的风格稳定度可以分别采用持仓法和净值法进行测算。
接下来在基金优选环节，由于风格稳定的股票基金的收益来源是清晰的，因此我们可以直接观测其收益表现从而筛选出绩优基金。在衡量收益表现时，既需要考虑长时间的基金业绩表现，也需要考察该基金在不同时期里的业绩表现。本文每半年会将基金收益在同类基金中进行排序，然后选出在多数时间里业绩排名都靠前的基金，最终得到风格稳定且业绩优良的基金池。
选取风格稳定的绩优基金的重要原因在于，基金的风格稳定说明该基金经理在该风格下持续深耕，投资经验正在逐步积累，投资能力的延续性和基金业绩的持续性相对较高；而在同风格下进一步选出绩优的基金，则相当于选出该风格下最优秀的一批基金，它们的管理人可以被视为该风格的投资专家，代表着这一风格领域的最高投资水平。
简而言之，为了筛选出风格稳定且业绩优秀的股票基金，本文首先将基于基金持仓数据对周期、消费、成长、金融等行业风格进行确定，同时基于净值回归方法将基金划分为大盘价值、大盘成长、小盘价值、小盘成长等风格并进行风格稳定度的测算。然后得到两种划分方式下的风格稳定的基金池，并对同风格下的基金进行业绩优选。最后测算这些绩优基金相对于风格指数的超额收益，并构建板块轮动下的基金组合。本篇报告的逻辑框架汇总如下：
基于净值数据测算股票基金的价值/成长、大小盘风格稳定性
对于价值/成长和规模的风格划分，定量研究方法包括基于基金历史业绩的方法以及基于基金持仓信息的方法。对于基于业绩的方法，我们可以用Sharpe模型、Fama-French模型来进行研究，并根据回归的系数大小度量基金的风格；而基于持仓的方法将基金持仓个股风格暴露水平进行加权，以此度量基金的风格。
从两种方法的优劣比较来看，对于基于历史业绩的方法，由于开放式公募基金每日都会披露最新净值，因此基于历史业绩可以更紧密地跟踪测算基金风格，但回归因子的不同也会造成风格判定上的差异。对于基于持仓信息的方法，我们通过计算基金完整持仓的风格暴露情况能够得到基金风格的准确值。然而持仓信息的获取存在滞后，且一季报、三季报获取的持仓信息有限，因此根据持仓来判断当下的基金风格可能存在一定的误差。
在价值/成长和大/小盘的风格测算上，本部分我们将采用基于基金历史业绩的方法以观测连续时间上的风格变化特征，然后构造SDS指标以定量刻画基金风格的漂移情况，从而挑选出在价值/成长和大/小盘风格表现稳定的基金。
基于净值数据的回归模型在测算价值/成长规模风格时具有较高的解释度
Fama-French三因子模型测算基金在市场风险、市值和账面市值比因子上的暴露程度
Fama-French模型用三个因子来解释股票回报率。在该模型中，一个投资组合(包括单个股票)的超额回报率由它对三个因子的暴露来解释，这三个因子分别是：市场因子(MKT)、市值因子(SMB)、账面市值比因子(HML)，这个多因子模型可以表示为：
本文中，我们用对应的巨潮风格指数构造大/小盘、以及成长/价值风格的表现。具体来看，我们选择巨潮大盘指数、巨潮小盘指数、巨潮价值指数、巨潮成长指数，并利用小盘、大盘指数的相对表现代表SMB因子，利用价值、成长指数的相对表现代表HML因子。
我们以三只普通股票型基金景顺长城量化精选（000978.OF）、鹏华环保产业（000409.OF）和安信价值精选（000577.OF）为例，运用Fama-French模型进行回归分析。从景顺长城量化精选的结果来看，该基金在市值因子（SMB）上的回归系数为0.44，在账面市值比（HML）上的回归系数均为0.14，说明该基金的风格偏向于小盘以及价值型。从鹏华环保产业的结果来看，该基金在市值因子（SMB）上的回归系数为0.24，在账面市值比（HML）上的回归系数为-0.27，说明该基金的风格偏向于小盘以及成长型。从安信价值精选的结果来看，该基金在市值因子（SMB）上的回归系数为-0.24，在账面市值比（HML）上的回归系数为-0.25，说明该基金的风格偏向于大盘以及成长型。
接下来，我们从时间序列的角度运用Fama-French模型对基金风格进行量化分析。从基金成立至今，以1年为时间窗口，将基金的日频净值涨跌幅与市场因子(MKT）、市值因子(SMB)、以及账面市值比因子(HML)进行滚动回归。以景顺长城量化精选（000978.OF）、鹏华环保产业（000409.OF）和安信价值精选（000577.OF）为例，运用Fama-French模型的回归R方较高，长期来看景顺长城量化精选的R方均值0.96，鹏华环保产业的R方均值0.85，安信价值精选的R方均值0.90，回归解释度均较高。
Sharpe模型测算基金在价值/成长和规模风格因子上的暴露程度
Sharpe模型也是一类可以用来研究判断基金风格的方法。该模型在确定了主要的风格类别，并分别用对应的市场指数来度量这些风格的表现后，通过回归的方法计算基金在各个风格类别上的暴露水平，并将基金的收益分解到各个风格上。我们可以此作为分析基金风格以及基金表现的依据，公式如下：
Sharpe模型的回归系数代表了相应风格对基金整体收益的贡献程度，在应用Sharpe模型时，确定主要的风格即确定因子，不同因子的选择，回归得到的系数会存在一定差异，因子选择的多样性也使得Sharpe模型更为灵活。
本文中，我们采用巨潮风格指数作为不同风格的股票类资产的代表。从编制方法上来看，其中巨潮价值指数以每股收益与价格比率、每股经营现金流与价格比率、股息收益率、每股净资产与价格比率来筛选成份股；而巨潮成长指数以主营业务收入增长率、净利润增长率和净资产收益率来筛选成份股。对于债券类资产，我们采用中债总财富指数，无风险收益选取1.5%。
我们以三只普通股票型基金景顺长城量化精选（000978.OF）、鹏华环保产业（000409.OF）和安信价值精选（000577.OF）为例，运用Sharpe模型进行回归分析。从景顺长城量化精选的结果来看，该基金在小盘价值指数上的敏感程度最大，为0.61，说明该基金的风格偏向于小盘价值型。从鹏华环保产业的结果来看，该基金在小盘成长指数上的敏感程度最大，为0.61，说明该基金的风格偏向于小盘成长型。从安信价值精选的结果来看，该基金在大盘成长指数上的敏感程度最大，为0.44，说明该基金的风格偏向于大盘成长型。
接下来，我们从时间序列的角度运用Sharpe模型对基金风格进行量化分析。从基金成立至今，以1年为时间窗口，将基金的日频净值涨跌幅与大盘价值指数等因子进行滚动回归。以景顺长城量化精选（000978.OF）、鹏华环保产业（000409.OF）和安信价值精选（000577.OF）为例，运用Sharpe模型的回归R方较高，长期来看景顺长城量化精选的R方均值0.95，鹏华环保产业的R方均值0.84，安信价值精选的R方均值0.89，回归解释度均较高。
不同样本区间风格回归系数的方差（SDS指标）衡量基金风格的稳定程度
接下来我们构造SDS指标来检测基金风格的稳定程度。SDS指标可以测量基金在某一时期内投资组合风格变化的整体波动率，能有效及时地测量基金投资风格的一致性。该指标是在 Sharpe 风格分析模型回归参数的基础上进一步计算而来的。基金的SDS 值越大，说明其发生风格漂移程度越大 其风格一致性越弱。SDS指标的计算公式如下：
SDS指标能有效地反应基金投资风格的稳定程度，该值越大，说明在相同的市场环境下，该股票基金风格稳定性越低，则发生风格漂移的概率也越高。在探究股票型基金的风格时，由于债券权重占比较低，我们更关注的是大盘价值、大盘成长、小盘价值、小盘成长这4类价值/规模风格是否稳定，因此我们在Sharpe模型的基础上，去除中债总财富指数的风格暴露，保留Sharpe模型当中反映价值/规模风格的大盘价值、大盘成长、小盘价值、小盘成长4个因子的风格暴露，对每只基金的SDS值进行测算，考虑到Sharpe模型回归需要一年的基金数据样本，在此我们剔除了成立不足一年的基金。
下图是三只普通股票型基金景顺长城量化精选（000978.OF）、鹏华环保产业（000409.OF）和安信价值精选（000577.OF）的SDS指标计算结果。从图中可以看出，景顺长城量化精选的SDS指标为0.17，是三只中的最小值，说明其基金风格更稳定。
下图是景顺长城量化精选（000978.OF）、鹏华环保产业（000409.OF）和安信价值精选（000577.OF）在时序上Sharpe模型大盘价值等5个因子在时序上的暴露情况。可以看出，SDS值最小的景顺长城量化精选各因子暴露的波动不明显，小盘成长因子暴露始终处于最大值，其风格稳定性较高。相较于景顺长城量化精选，SDS值较大的鹏华环保产业，各因子暴露的波动更大，在2019/12出现各因子暴露的大小区分不明显的现象，表明该基金的风格不稳定性较高。安信价值精选在2019/05至今，小盘成长、小盘价值和大盘成长三个因子的暴露数值大小关系区分不明显。
我们对普通股票型基金测算SDS指标并按照从小到大的顺序排列后，选取排名前三分之一的基金，并利用Fama-French模型对基金的价值和规模风格进行划分，作为价值/成长和大/小盘风格稳定的基金。下表代表了各基金成立以来风格稳定性较高的基金池，包含大盘价值类基金17只、大盘成长类基金46只、小盘价值类基金13只和小盘成长类基金29只。
从行业板块视角划分基金风格，构建各板块风格稳定的基金池
采用聚类分析将股票板块划分为周期、消费、金融、成长、稳定五类
在华泰金工2020年3月发布的深度报告《确立研究对象：行业拆分与聚类》当中，我们以中信一级行业和二级行业为基础，分析了每个行业内个股收益和基本面的分化度，并综合考虑各行业的生命周期发展阶段，以及市值占比因素，并采用蒙特卡洛模拟和最大生成树算法构建行业间关联网络，最终将所有行业聚类成周期、消费、金融、成长、稳定五大风格，以及上游资源、中游材料、中游制造等八大主题板块：
（1）周期风格，下辖上游资源（石油石化、煤炭、有色金属），中游材料（钢铁、基础化工、建材），中游制造（机械、电力设备及新能源、国防军工）三大板块；
（2）消费风格，下辖可选消费（汽车、家电、酒类），必须消费（食品、饮料、医药、纺织服装、农林牧渔、商贸零售、轻工制造、消费者服务）两大板块；
（3）金融风格，下辖大金融板块（银行、证券、保险、多元金融、综合金融、房地产）；
（4）成长风格，下辖TMT板块（计算机、电子、传媒、通信）；
（5）稳定风格，下辖公共产业板块（交通运输、电力公用事业、建筑）。
后文我们将基于该聚类的结果作为划分基金所属板块的依据，即根据基金的持仓数据先判断其所属的中信行业，然后同一板块下的中信行业持仓加总得到该板块的持仓比例。
根据基金的历史持仓确定板块风格，筛选出板块风格相对稳定的基金池
基金的半年报和年报会披露基金的所有持仓数据，据此我们可以提取并分类加总得到基金的持仓股票所属的行业板块分布，并加总行业持仓得到五个板块下的持仓，从而筛选出板块风格稳定的基金池。具体操作步骤如下：
（1）为了回归分析其时间序列，首先直接剔除成立不满一年的基金（日净值个数小于252）。
去除其在某时间截面上（中报/年报）所有板块持仓总和少于50%的基金的数据点，认为该基金此时可能处于建仓状态。
（2）在某时间截面上，若基金持仓某一板块占比最大且比重超过30%，则认为该基金在该时刻重仓该板块。
（3）若在该基金的过去所有时间截面上（不考虑未建仓完毕的时间），该基金都重仓该板块，则可以认为该基金的在这一板块风格上保持稳定。
按照以上流程，我们可以得到板块风格保持稳定的基金池，以下按板块对各基金池进行分类展示，这些基金可以被认为是专注于投资某一行业板块的基金。
周期板块下，基金多数投资于资源能源、国防军工、机械制造等上中游周期性行业，与分类预期相吻合。消费板块下的基金数量最多，多数为医药、消费、汽车、食品。从A股上市公司分布角度来看，消费行业对应的公司最多，基金在此板块投资占比相对较高，此板块下稳定的基金数量也相对较多。金融板块数量相对较少，主要为金融行业相关基金。成长板块的基金池集中了TMT产业的相关的基金，这类基金专注于投资计算机、电子、传媒、通信等行业。在上述筛选标准下，稳定板块中没有基金池。
前文我们得到了规模、价值风格以及板块风格保持稳定的基金，进一步的，我们可以筛选出两种风格均保持稳定的股票型基金，也就是挑选出在某一板块下价值/成长和大/小盘风格保持稳定的基金。
我们将所有基金SDS指标的均值0.40后减去SDS指标一倍标准差0.19，得到0.21作为筛选风格稳定的基金的阈值，对上文得到的板块稳定的基金的SDS值进行筛选，找出各板块风格稳定下，价值/成长和大/小盘风格保持稳定的基金，合计24只。
各板块下，基金的价值/规模风格分布呈现出不同的分布特点。其中，消费板块筛选出12只基金，基金风格多集中在大盘成长类；金融板块的3只基金，风格偏向于大盘价值类；成长板块的7只基金均为小盘成长类，而周期板块有1只大盘成长类基金和1只小盘价值类基金。
在风格稳定的基金池中，优选业绩排序持续领先的基金
按绝对或相对收益优选股票基金均发现绩优基金集中于消费、成长板块
基金业绩的好坏可由基金净值的涨跌来衡量，本节我们将首先提取股票型基金的复权单位净值数据，每半年根据基金净值的涨跌幅度进行从大到小的排序，然后挑选出业绩总是领先的基金，构成绩优基金池。但如果把所有股票型基金放在一起的进行业绩排序的话，选出的绩优基金大多都是重仓配置消费和成长板块，即便把筛选指标从基金净值的绝对涨跌幅度替换为基金相对其基准的超额收益，这一现象依然存在。因此我们在前文规模价值风格以及板块风格稳定的基金池的基础之上，在同风格中挑选出业绩持续领先的基金，作为该风格里的绩优基金，也即选出风格稳定且业绩优秀的基金。
在以绝对收益为业绩衡量指标进行基金优选的过程中，我们的样本为384只普通股票型基金，总规模约为5037亿元，复权单位净值取值时间为2010/01/04-2020/08/31。由于早期基金数量较少，因此从2014/12/31进行收益的排序来判定基金是否能够在大多数年份业绩排名靠前。最后在相同存续年限的基金中进行板块分类排序。具体筛选步骤如下：
下表是普通股票型基金依据绝对收益进行业绩排序后得到的业绩排名前20的基金。从中可以发现大部分业绩排名靠前的基金第一重仓行业所属板块都是消费。通过计算中信风格指数2010年至今的收益率，我们发现消费、金融、成长、周期、稳定这5个中信风格板块中，消费板块大幅领先其他板块。我们认为业绩排名靠前的基金集中在消费板块，这可能是因为近年来消费板块股票表现较好，进而导致该板块基金业绩较好。这也反映出依据绝对收益进行业绩排序时，容易出现由于个别板块股票行情较好而导致业绩排名靠前的基金同属于该板块的现象。
依据绝对收益进行业绩排序时，各类基金在相同的比较基准下，容易出现业绩排名靠前的基金同属于一个板块的现象，接下来我们将探究相对收益是否可以有效改善此类现象。相对收益是基金相较于其业绩比较基准而言的收益，它也是评价基金业绩时的重要参考指标。我们将利用基金收益减去其基准收益后得到的相对收益对基金业绩进行排序，筛选出业绩表现优良的基金。具体筛选步骤如下：
下面是普通股票型基金依据相对收益进行业绩排序后得到的业绩排名前20的基金。我们对两种业绩排序方式下，排名前20的基金第一重仓行业所属板块进行了统计，发现相较于绝对收益排序，第一重仓行业属于消费板块的基金由11只降至9只，业绩排名前20的基金仍有近半数基金同属于消费板块，排名靠前的基金所属板块集中于某一板块的现象并没有得到明显的改善。这或许是因为，大部分基金的业绩比较基准为市场指数，不同风格特征基金的业绩比较基准并没有明显差异。
对同风格基金业绩进行比较，可选出风格稳定且业绩良好的基金
考虑到相对收益并不能有效改善业绩排名靠前的基金同属于一个板块的现象，因此我们在各个风格稳定的基金池中，分别依据绝对收益进行业绩排序，得到同一风格下的绩优基金。每只基金的业绩排序都是在同风格的基金中进行，业绩靠前1/3的基金即认为当期表现较优，该基金成立以来表现较优的比例越大，则认为该基金业绩在同类基金中的表现较好。具体的业绩优选方法如下：
对每个风格类别下各自筛选出业绩排名前五的基金，合计20只，得到业绩优选后的风格稳定基金列表如下：
在板块风格稳定的基金池中，我们依据绝对收益的业绩排序，在每个板块类别下各自筛选出业绩排名前五的基金，合计20只，得到业绩优选后的板块稳定基金列表如下：
绩优基金配置策略相对风格指数和大盘指数均有超额收益
等权配置风格稳定的绩优基金相对基准风格指数具有超额收益
前文我们利用2020年基金中报及之前的所有历史数据，对Wind普通股票型基金进行了风格的划分、风格稳定度的测算和业绩的排序，最终选出了当前普通股票型中风格稳定且业绩优秀的基金池。本章我们将延续前文的策略方法，采用历史数据进行滚动回测，也即在每个时间截面都只采用该时刻之前的数据进行基金的筛选操作，每半年都会重新筛选出新的基金池并进行调仓和配置。
同时，由于Wind分类中普通股票型基金数目较少，因此本章为了扩大早期样本数量，将股票基金的定义进行了扩充。本章股票基金实际上指代的是权益资产配置比例较高的基金，我们首先提取了Wind中普通股票型、偏股混合型、平衡混合型和灵活配置型四类基金，在剔除了基金建仓期股票配置比例较低的数据之后，保留所有半年度里股票平均持仓在80%以上的基金，作为股票基金的总样本池。
需要说明的是，基金半年报/年报所反映的是6/30或者12/31的数据，但由于披露的时滞性，我们实际获取数据会稍晚2个月左右，因此为了更加贴近实际地进行模拟，我们在回测时将基金调仓时间分别定在了9/1和3/1，以确保当时已完整获得了基金的半年报/年报的持仓数据。
每半年我们都会按照前文的策略方法，筛选出的风格稳定，业绩良好的基金池，然后进行基金的调仓，最后按照不同风格类别进行观测。基金配置策略为等权配置该风格下的5只绩优基金，策略的比较基准为各种风格指数。
以下是大盘价值、大盘成长、小盘价值和小盘成长四类风格稳定的绩优基金与其基准风格指数的净值对比。可以看到小盘价值和小盘成长的基金超额收益更加明显。
以下是周期、金融、成长、消费四类板块风格稳定的绩优基金等权策略与其基准风格指数的净值对比。由于早期存在某板块基金数量不足的情况，因此下面从2015年6月30日开始回测，四类板块的基金配置策略均相对其板块风格指数有超额收益。
用风格稳定的绩优基金组合实现板块风格轮动，策略表现优于大盘指数
2019年7月2日华泰金工推出的深度报告《再探周期视角下的资产轮动》里，基于经济周期和流动性周期的上行和下行研究了不同周期状态下的板块轮动规律。经济周期和流动性周期的合成逻辑如下：1、全球金融经济体是一个统一的、相互关联的整体，这个统一的整体在运动的过程中是有规律的，体现为三个系统级别周期的波动；2、各种宏观变量和资产价格都是系统状态在低维视角下的投影，但会由于观测视角的差异，导致相位上出现领先滞后关系；3、从DDM资产定价的视角，可以将纷繁复杂的指标体系分类为经济周期（表征实体景气程度）和流动性周期（表征资金宽裕程度）两类，筛选满足条件的代理指标并进行主成分合成，可以指导资产配置。
结合经济周期和流动性周期进行历史阶段划分，统计每个阶段下四大板块的区间累计收益，以及整个历史区间内特定状态下的累计收益，将A股板块投资时钟构建如下，并梳理A股不同时期的周期状态和强势板块。
可以看出，基金轮动配置策略相比万得全A具备一定的超额收益。在基金板块轮动的测试中，我们相当于在每个时刻都对市场有风格/板块的判断观点，然后再落地到基金的配置上。实际上，FOF投资人也可以根据自己的风格/板块轮动观点，按照本文基金筛选的方法，获得对应风格稳定的绩优基金进行配置，以便在风格/板块轮动的实践过程中，能够进一步增厚收益。
风险提示
模型根据历史规律总结，历史规律可能失效；模型结论基于统计工具得到，在极端情形下或存在解释力不足的风险。本文因研究所提及到的任何基金产品，均不构成对该产品的推荐。
免责声明与评级说明
公众平台免责申明
本公众平台不是华泰证券研究所官方订阅平台。相关观点或信息请以华泰证券官方公众平台为准。根据《证券期货投资者适当性管理办法》的相关要求，本公众号内容仅面向华泰证券客户中的专业投资者，请勿对本公众号内容进行任何形式的转发。若您并非华泰证券客户中的专业投资者，请取消关注本公众号，不再订阅、接收或使用本公众号中的内容。因本公众号难以设置访问权限，若给您造成不便，烦请谅解！本公众号旨在沟通研究信息，交流研究经验，华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。
本公众号研究报告有关内容摘编自已经发布的研究报告的，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。如需了解详细内容，请具体参见华泰证券所发布的完整版报告。
本公众号内容基于作者认为可靠的、已公开的信息编制，但作者对该等信息的准确性及完整性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。
在任何情况下，本公众号中的信息或所表述的意见均不构成对客户私人投资建议。订阅人不应单独依靠本订阅号中的信息而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。普通投资者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。
本公众号版权仅为华泰证券股份有限公司所有，未经公司书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。本公司具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。
华泰金工深度报告一览
金融周期系列研究（资产配置）
【华泰金工林晓明团队】2020年中国市场量化资产配置年度观点——周期归来、机会重生，顾短也兼长20200121
【华泰金工林晓明团队】量化资产配置2020年度观点——小周期争明日，大周期赢未来20200116
【华泰金工林晓明团队】风险预算模型如何度量风险更有效-改进风险度量方式稳定提升风险模型表现的方法
【华泰金工林晓明团队】周期双底存不确定性宜防守待趋势——短周期底部拐头机会渐增，待趋势明朗把握或更大20191022
【华泰金工林晓明团队】二十年一轮回的黄金投资大周期——黄金的三周期定价逻辑与组合配置、投资机会分析20190826
【华泰金工林晓明团队】如何有效判断真正的周期拐点？——定量测度实际周期长度提升市场拐点判准概率
【华泰金工林晓明团队】基钦周期的长度会缩短吗？——20190506
【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（下）
【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（上）
【华泰金工林晓明团队】周期轮动下的BL资产配置策略
【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究
【华泰金工林晓明团队】市场拐点的判断方法
【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略报告（上）
【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型（四）——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型（三）——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型（二）——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型（一）——华泰金工周期系列研究
【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索
【华泰金工林晓明团队】市场周期的量化分解
【华泰金工林晓明团队】周期研究对大类资产的预测观点
【华泰金工林晓明团队】金融经济系统周期的确定（下）——华泰金工周期系列研究
【华泰金工林晓明团队】金融经济系统周期的确定（上）——华泰金工周期系列研究
【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列
行业指数频谱分析及配置模型：市场的周期分析系列之三
【华泰金工林晓明团队】市场的频率——市场轮回，周期重生
【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探
周期起源
【华泰金工林晓明团队】企业间力的产生、传播和作用效果——华泰周期起源系列研究之八
【华泰金工林晓明团队】耦合振子同步的藏本模型——华泰周期起源系列研究之七
【华泰金工林晓明团队】周期在供应链管理模型的实证——华泰周期起源系列研究之六
【华泰金工林晓明团队】不确定性与缓冲机制——华泰周期起源系列研究报告之五
【华泰金工林晓明团队】周期是矛盾双方稳定共存的结果——华泰周期起源系列研究之四
【华泰金工林晓明团队】周期是不确定性条件下的稳态——华泰周期起源系列研究之三
【华泰金工林晓明团队】周期趋同现象的动力学系统模型——华泰周期起源系列研究之二
【华泰金工林晓明团队】从微观同步到宏观周期——华泰周期起源系列研究报告之一
FOF与金融创新产品
【华泰金工林晓明团队】养老目标基金的中国市场开发流程--目标日期基金与目标风险基金产品设计研究
【华泰金工】生命周期基金Glide Path开发实例——华泰FOF与金融创新产品系列研究报告之一
因子周期（因子择时）
【华泰金工林晓明团队】市值因子收益与经济结构的关系——华泰因子周期研究系列之三
【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二
【华泰金工林晓明团队】因子收益率的周期性研究初探
择时
【华泰金工林晓明团队】波动率与换手率构造牛熊指标——华泰金工量化择时系列
【华泰金工林晓明团队】A股市场低开现象研究
【华泰金工林晓明团队】华泰风险收益一致性择时模型
【华泰金工林晓明团队】技术指标与周期量价择时模型的结合
【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的应用
中观基本面轮动
【华泰金工林晓明团队】行业全景画像：投入产出表视角——华泰中观基本面轮动系列之五
【华泰金工林晓明团队】行业全景画像：改进杜邦拆解视角——华泰中观基本面轮动系列之四
【华泰金工林晓明团队】行业全景画像：风格因子视角 ——华泰中观基本面轮动系列之三
【华泰金工林晓明团队】行业全景画像：宏观因子视角 ——华泰中观基本面轮动系列之二
【华泰金工林晓明团队】确立研究对象：行业拆分与聚类——华泰中观基本面轮动系列之一
行业轮动
【华泰金工林晓明团队】拥挤度指标在行业配置中的应用——华泰行业轮动系列报告之十二
【华泰金工林晓明团队】基于投入产出表的产业链分析 ——华泰行业轮动系列报告之十一
【华泰金工林晓明团队】不同协方差估计方法对比分析——华泰行业轮动系列报告之十
【华泰金工林晓明团队】景气度指标在行业配置中的应用——华泰行业轮动系列报告之九
【华泰金工林晓明团队】再探周期视角下的资产轮动——华泰行业轮动系列报告之八
【华泰金工林晓明团队】“华泰周期轮动”基金组合改进版——华泰行业轮动系列报告之七
【华泰金工林晓明团队】“华泰周期轮动”基金组合构建——华泰行业轮动系列之六
【华泰金工林晓明团队】估值因子在行业配置中的应用——华泰行业轮动系列报告之五
【华泰金工林晓明团队】动量增强因子在行业配置中的应用——华泰行业轮动系列报告之四
【华泰金工林晓明团队】财务质量因子在行业配置中的应用——华泰行业轮动系列报告之三
【华泰金工林晓明团队】周期视角下的行业轮动实证分析——华泰行业轮动系列之二
【华泰金工林晓明团队】基于通用回归模型的行业轮动策略——华泰行业轮动系列之一
Smartbeta
【华泰金工林晓明团队】重剑无锋：低波动 Smart Beta——华泰 Smart Beta 系列之四
【华泰金工林晓明团队】投资优质股票：红利类Smart Beta——华泰Smart Beta系列之三
【华泰金工林晓明团队】博观约取：价值和成长Smart Beta——华泰Smart Beta系列之二
【华泰金工林晓明团队】Smart Beta：乘风破浪趁此时——华泰Smart Beta系列之一
【华泰金工林晓明团队】Smartbeta在资产配置中的优势——华泰金工Smartbeta专题研究之一
多因子选股
【华泰金工林晓明团队】华泰单因子测试之历史分位数因子——华泰多因子系列之十三
【华泰金工林晓明团队】桑土之防：结构化多因子风险模型——华泰多因子系列之十二
【华泰金工林晓明团队】华泰单因子测试之海量技术因子——华泰多因子系列之十一
【华泰金工林晓明团队】因子合成方法实证分析 ——华泰多因子系列之十
【华泰金工林晓明团队】华泰单因子测试之一致预期因子 ——华泰多因子系列之九
【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八
【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七
【华泰金工林晓明团队】华泰单因子测试之波动率类因子——华泰多因子系列之六
【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五
【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四
【华泰金工林晓明团队】华泰单因子测试之成长类因子——华泰多因子系列之三
【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二
【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一
【华泰金工林晓明团队】五因子模型A股实证研究
【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二
人工智能
【华泰金工林晓明团队】WGAN应用于金融时间序列生成——华泰人工智能系列之三十五
【华泰金工林晓明团队】再探AlphaNet：结构和特征优化——华泰人工智能系列之三十四
【华泰金工林晓明团队】数据模式探索：无监督学习案例——华泰人工智能系列之三十三
【华泰金工林晓明团队】AlphaNet：因子挖掘神经网络——华泰人工智能系列之三十二
【华泰金工林晓明团队】生成对抗网络GAN初探——华泰人工智能系列之三十一
【华泰金工林晓明团队】从关联到逻辑：因果推断初探——华泰人工智能系列之三十
【华泰金工林晓明团队】另类标签和集成学习——华泰人工智能系列之二十九
【华泰金工林晓明团队】基于量价的人工智能选股体系概览——华泰人工智能系列之二十八
【华泰金工林晓明团队】揭开机器学习模型的“黑箱” ——华泰人工智能系列之二十七
【华泰金工林晓明团队】遗传规划在CTA信号挖掘中的应用——华泰人工智能系列之二十六
【华泰金工林晓明团队】市场弱有效性检验与择时战场选择——华泰人工智能系列之二十五
【华泰金工林晓明团队】投石问路：技术分析可靠否？——华泰人工智能系列之二十四
【华泰金工林晓明团队】再探基于遗传规划的选股因子挖掘——华泰人工智能系列之二十三
【华泰金工林晓明团队】基于CSCV框架的回测过拟合概率——华泰人工智能系列之二十二
【华泰金工林晓明团队】基于遗传规划的选股因子挖掘——华泰人工智能系列之二十一
【华泰金工林晓明团队】必然中的偶然：机器学习中的随机数——华泰人工智能系列之二十
【华泰金工林晓明团队】偶然中的必然：重采样技术检验过拟合——华泰人工智能系列之十九
【华泰金工林晓明团队】机器学习选股模型的调仓频率实证——华泰人工智能系列之十八
【华泰金工林晓明团队】人工智能选股之数据标注方法实证——华泰人工智能系列之十七
【华泰金工林晓明团队】再论时序交叉验证对抗过拟合——华泰人工智能系列之十六
【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五
【华泰金工林晓明团队】对抗过拟合：从时序交叉验证谈起
【华泰金工林晓明团队】人工智能选股之损失函数的改进——华泰人工智能系列之十三
【华泰金工林晓明团队】人工智能选股之特征选择——华泰人工智能系列之十二
【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一
【华泰金工林晓明团队】宏观周期指标应用于随机森林选股——华泰人工智能系列之十
【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九
【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八
【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七
【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六
【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五
【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四
【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三
【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二
指数增强基金分析
【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位分析专题报告
【华泰金工林晓明团队】酌古御今：指数增强基金收益分析
【华泰金工林晓明团队】基于回归法的基金持股仓位测算
【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证
基本面选股
【华泰金工林晓明团队】华泰价值选股之相对市盈率港股模型——相对市盈率港股通模型实证研究
【华泰金工林晓明团队】华泰价值选股之FFScore模型
【华泰金工林晓明团队】相对市盈率选股模型A股市场实证研究
【华泰金工林晓明团队】华泰价值选股之现金流因子研究——现金流因子选股策略实证研究
【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究
【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究
基金定投
【华泰金工林晓明团队】大成旗下基金2018定投策略研究
【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四
【华泰金工林晓明团队】基金定投3—马科维茨有效性检验
【华泰金工林晓明团队】基金定投2—投资标的与时机的选择方法
【华泰金工林晓明团队】基金定投1—分析方法与理论基础
