来源：华泰金融工程
S0570516010001SFC No. BPY421 研究员
黄晓彬 S0570516070001 研究员
张 泽 S0570118080149 研究员
刘依苇 S0570119090123 联系人
报告发布时间：2020年11月03日
摘要
社融/GDP接近周期顶部，择时模型预判股市月线或偏震荡
华泰金工量化资产配置月报新改版，新版月报发布时间调整为每月月初，内容上增加了“每月新观察”和“6个择时模型短线观点”。GDP可以用来观察国家经济增长情况，而社融数据可以用来观察金融体系对实体经济的支持力度。我们发现社融/GDP指标存在明显的42个月周期，且当前已接近本轮周期的顶部位置，通过与历史上相同周期位置进行对比可以发现，社融/GDP周期触顶下行往往预示货币政策趋紧，未来房价大幅上涨或者下跌的可能性较小，而股市可能在明年二季度之后受不利影响。对于11月股市走势，6个择时模型中有3个看多3个看空。
10月全球股市涨跌不一，亚太股市优于欧美，CRB商品涨幅减弱
近一月（2020/10/1-2020/10/31）全球股票表现不佳，商品涨幅减弱。全球主要股指中，孟买SENSEX30领涨，欧洲股市领跌。A股各行业涨跌各半，汽车行业表现亮眼，综合金融等行业调整。今年以来消费和成长股表现较优，但当前PE_TTM分位数已处于自2013年的历史高位。10月CRB指数中，纺织现货上涨较多。
中国短期限国债利率上涨，欧美长债利率走势分化，美元指数走势震荡
10月中国短期限国债利率走高，中期限国债利率下跌，美国各期限国债利率也有所上升，欧盟公债利率下降。中债新综合净价指数、国债净价指数、信用债净价指数近一月总体平稳。自今年3月份疫情在全球爆发以来，美元指数持续走弱，但近三个月维持震荡。
周期模型显示当前风险资产基钦短周期上行，或于2021年上半年触顶
我们使用10月最新资产价格数据，对华泰周期三因子模型结果进行更新后发现，当前全球主要股指和CRB商品指数均处于短周期上行接近顶部、中周期上行、长周期位于底部的周期状态，其中短周期触顶时间在2021年上半年。全球重要国家利率则均处于短周期上行即将接近顶部，中周期上行，长周期位于顶部区域的状态，其中短周期达到顶点的时间在2021年4月前后。美元指数受长周期影响最大，当前美元指数中长周期均处于下行区间，短周期下行接近底部，三周期共振下行或带动美元指数呈现下行趋势。
11月股市短线观点：6个量化资产择时模型中3个看涨，3个看跌
对于11月沪深300所代表的股市走势，6类量化资产择时模型分别给出了多空观点。其中量价择时模型、利用PE变动指标构建量化择时策略、根据波动率和换手率构造牛熊指标看空市场，而风险收益一致性择时模型、双均线择时策略和北向资金布林带择时策略看涨市场。
风险提示：本文基于系列研究对全球各类经济金融指标长达近百年样本的实证检验结果，确定使用的市场周期长度。然而市场存在短期波动与政策冲击，就每轮周期而言，暂无法判断具体长度。基于历史规律的总结存在失效风险。
报告正文
10月境内外大类资产表现：欧美股指、原油再现大幅震荡
近三月（2020/08/01-2020/10/31）商品表现优异，股票指数整体震荡，中债-新综合财富指数先跌后涨，美元指数表现平稳。
全球股市：涨跌不一，A股汽车与家电行业发力
全球股指：亚太股市表现较优，欧美股市普跌，德国DAX大跌9.44%
10月份全球股市涨跌不一，亚太股市整体上涨，欧美股市表现不佳。主要股指中孟买SENSEX30表现最优，上涨4.06%。A股中证500和中证1000表现相对较差。
A股市场：汽车行业表现亮眼，金融、消费板块调整
10月汽车行业指数收益最高，上涨12.24%；家电行业指数收益次之，为7.44%。在下跌的行业指数中，综合金融跌幅达5.11%；综合、房地产、国防军工等行业也表现落后。
年初至今，食品饮料、电力设备及新能源、消费者服务、医药和国防军工等5个行业上涨幅度靠前；综合金融、石油石化、银行表现不佳。
今年以来，消费、成长风格指数涨幅领先，周期股表现较弱。但当前消费和成长股的PE_TTM分位已接近或高于自2013年以来90%的历史高位。
大宗商品：CRB纺织现货上涨较多，油价跌幅超10%
10月份商品市场涨跌品种不一，CRB纺织现货涨幅最高，为2.61%，工业现货也超过2%。美油和布油价格继续回落，分别下跌11.19%和10.50%。黄金价格继续下跌，伦敦金跌幅0.40%，上海金下跌2.34%。
近三月来，在经济短周期上行的推动下，铜、锌、铝、铁等基本金属期货价格指数持续上行。近一月，LME铝涨幅达到4.82%，LME锌涨幅达到4.79%， LME铜涨幅为0.40%， 但DCE铁矿石下跌1.79%。
全球债市：中国短期限国债利率上涨，美欧长债利率走势分化
近一月（截至2020/10/31）中国3个月短期限国债利率上行，5年期限国债利率下跌超过13BP，美国利率普遍上涨，欧盟各期限国（公）债利率下行。中国中债新综合、国债和信用债净价指数总体保持平稳。
美元指数：美元指数周期下行，近三月维持震荡
今年以来美元指数整体呈现出从趋势上行到震荡再到下行的走势。近三月内，美元指数保持震荡。
每月新观察：社融/GDP具周期规律且对股市、房市有预测作用
国内生产总值（GDP）是指按国家市场价格计算的一个国家（或地区）所有常驻单位在一定时期内生产活动的最终成果，它反映了一国（或地区）的经济实力和市场规模，是核算体系中一个重要的综合性统计指标。
社会融资规模是全面反映金融与经济关系，以及金融对实体经济资金支持的总量指标。社会融资规模是指一定时期内（每月、每季或每年）实体经济从金融体系获得的全部资金总额。从机构看，社融规模包括银行、证券、保险等金融机构；从市场看，社融规模包括信贷市场、债券市场、股票市场、保险市场以及中间业务市场等。分项来看，社会融资规模主要包括人民币贷款、外币贷款、委托贷款、信托贷款、未贴现的银行承兑汇票、企业债券、非金融企业境内股票融资、保险公司赔偿、投资性房地产和其他金融工具融资等指标。
社融/GDP存在明显的42个月周期特征，当前靠近周期顶部
GDP可以用来观察国家经济增长情况，而社融数据可以用来观察金融体系对实体经济的支持力度。当经济下滑，政府倾向于刺激经济，那么社融/GDP这一指标会上涨；反之当经济开始增长，政府刺激力度减弱，那么分母端增大，社融/GDP指标下降。因此社融/GDP指标上涨时反映的是国家经济增长乏力，刺激力度加强的过程，而社融/GDP下降反映的是国家经济稳步增长，刺激政策收紧的过程。
据此我们将GDP的季度数据以“前值填充”的方式扩展为月频数据，再被每月社融增量数据相除，然后滚动计算过去12个月社融/GDP的均值（后文简称社融/GDP均值）来进行平滑操作，便可以得到如下图形：
可以明显看出上述社融/GDP均值数据具有周期特征，因此我们对其进行滤波分析，可以发现序列存在明显的42个月周期，并且当前正处于周期即将拐头向下的位置，类比到2010年初，2013年中，2017年末的情况可以发现，国内未来经济增长有望逐渐复苏，经济刺激或将减少，货币政策偏向收紧，社融/GDP预计将拐头向下。
社融/GDP序列或将在1-2个季度后拐头向下，或预示货币政策未来将趋紧
社融数据能反映出实体经济和债市、股市的流动性，经济增长也会对三者造成影响。因此我们以中债-新综合净价(总值)指数作为债市的观察变量，以上证综指作为股市的观察变量，并将社融/GDP均值序列与二者的月度收盘价序列进行对比。
由于社融/GDP均值根据过去12个月数据进行计算，因此会存在一定滞后性，如果直接将该序列与债券指数进行对比观察规律难以发现，但如果我们把债券指数领先12期，再与之对比，可以发现二者走势的高度相关，于是我们可以根据债券指数的走势来大致判断社融/GDP的未来走势。
债券指数近期经历了“倒V型”走势，领先12期处理后，顶点出现在2021年4月，这意味着当前仍在上行的社融/GDP均值数据或在未来1-2个季度出现反转，这一结论与前文的周期滤波结论保持一致。
再将社融/GDP数据与上证综指进行对比可以发现，几乎每一次当社融/GDP均值拐头向下时，股市表现都不佳。综上所述，我们预计未来国内经济仍将持续复苏，但1-2个季度里社融规模会见顶回落，根据历史规律显示，随后股市大概率将进入熊市。
社融/GDP常领先于房价同比，近年关系虽弱化，但仍可对房价方向做判断
政府对经济的刺激通常以宽货币的形式进行，在过去很长一段时间，房地产价格与流动性息息相关，但我们将社融/GDP均值数据与70个大中城市新建或二手住宅价格指数的同比值放在一起比较会发现：
在2005-2016年，社融/GDP均值序列与房价指数的同比序列走势一致，且社融/GDP均值序列会略微领先于房价指数同比，例如在2009年末社融/GDP数据已见顶，而房价指数同比高点在2010年才出现；同样在2013年中社融/GDP数据就见顶，而房价指数同比高点出现在2014年初。
但以上规律在2016年之后则面临失效，一方面房价同比波动幅度显著减小，周期特征有所消失；另一方面社融/GDP与房价指数同比的对应关系从正相关变成了没有明显的对应关系，且社融/GDP的领先指示意义也不复存在。这可能是由于国家“房住不炒”的政策方针导致指标价格之间的对应规律有一定变化。但从历史上观察，在社融/GDP向下的时期，房价同比通常也是下跌走势，考虑到当前房价指数的同比数值并非处于历史较高位置，因此总体判断房价不会面临较大的下跌风险，但大幅上涨的基础更不存在。
周期模型长线观点：风险资产基钦周期持续上行，接近顶部区域
在2017年5月9日发布的《金融经济系统周期的确定》以及2017年8月19日发布的《周期三因子定价与资产配置模型》等华泰金工周期系列报告中，我们发现全球宏观经济和资产价格数据中，普遍存在42个月左右、100个月左右和200个月左右的三个周期。这三个周期作为经济波动变化中能量占比高且稳定的成分，能解释经济金融系统中绝大部分变量的运动规律，我们依此构建华泰金工周期三因子模型，对各类资产价格的对数同比序列进行滤波分解，并将周期滤波外推进行预测。
在本章中，我们将使用10月31日最新资产价格数据，运用华泰金工周期三因子模型，对各个大类资产当前所处的周期状态进行判断，并对其同比序列的未来走势进行拟合预测。
风险资产周期状态：基钦短周期上行接近顶部，或于2021年H1触顶
全球主要股指短周期上行接近顶部，触顶时间或于2021年H1
我们首先对上证指数、恒生指数、标普500和DAX指数等主要股指进行三周期分解，发现全球股指当前多处于短周期上行接近顶部、中周期上行的周期状态。各股指短周期触顶时间多集中于2021年上半年。
随后，我们选取上证综指、香港恒生、纳斯达克、标普500、日经225、英国富时100、法国CAC40、德国DAX、澳洲标普200、孟买SENSEX30等全球主要股指，提取其同比序列的42个月、100个月、200个月周期滤波序列并分别合成相位，形成全球股指的三周期序列，以便能够综合地观察全球股指的三周期状态。我们发现，当前全球主要股指等权合成后的同比序列，处于短周期上行即将接近顶部，中周期上行，长周期位于底部区域的状态，其中短周期达到顶点的时间在2021年3月前后。
CRB指数短周期上行，或于明年5月前后触顶
CRB综合现货指数的三周期滤波结果显示，目前大宗商品长周期上行，中周期下行，能量最强的短周期处于上行阶段，根据2020年10月最新数据的滤波结果，将在2021年5月前后触顶。
避险资产周期状态：债券利率基钦短周期明年H1或触顶，美元三周期下行
全球重要国家债券利率短周期上行接近顶部，触顶时间也集中在2021年H1
我们首先对中国、美国、日本、德国和英国十年期国债利率的月度数据进行12期差分处理，并处于统一表述的目的将其定义为利率的同比序列，随后对此同比序列进行三周期分解，发现各国利率当前多处于短周期上行接近顶部、中周期上行、长周期处于顶部区域的周期状态。各国利率短周期触顶时间多集中于2021年上半年。
随后，我们选取中国、美国、日本、德国、英国、法国和澳大利亚等重要国家的十年期国债利率，提取其同比序列（意为12个月差分序列）的42个月、100个月、200个月周期滤波序列并分别合成相位，形成全球利率的三周期序列，以便能够综合地观察全球利率的三周期状态。我们发现，当前全球重要国家利率合成后的同比序列，处于短周期上行即将接近顶部，中周期上行，长周期位于顶部区域的状态，其中短周期达到顶点的时间在2021年4月前后。
美元指数受长周期影响最大，三周期共振下行带动美元指数下行
对美元指数进行三周期分解后，我们发现美元指数走势受长周期影响最大，200个月的长周期决定了美元指数长期运行方向；100个月和42个月的短周期决定了美元指数中短期次级趋势。当前美元指数短、中、长三周期共振下行，美元指数未来或呈现出下行趋势。
6个择时模型短线观点：11月看涨和看跌股市的模型数量相等
华泰金工在2016年9月《华泰价量择时模型》，2016年11月《技术指标与周期量价择时模型的结合》，2017年5月《华泰风险收益一致性择时模型》，2019年9月《波动率与换手率构造牛熊指标》的等深度报告中相继开发多类择时模型，具体包括：
（1）量价择时模型与华泰金工周期模型的思想一脉相承，采用行业价量的同比数据进行择时判断；
（2）风险收益一致性择时模型从行业贝塔与收益的相关关系判断市场环境；
（3）考虑股市估值因素，利用PE变动指标构建量化择时策略；
（4）根据波动率和换手率构造牛熊指标以刻画市场涨跌状态；
（5）另有利用经典的双均线指标开发一个简单的择时策略；
（6）借助北向资金可以构建布林带策略用以股票择时。
每个择时模型都会在月末发出看多或者看空的信号，如果我们综合各类择时模型的多空观点，加总可得到对于股市的最终看多信号个数。
量价择时模型
华泰金工在2016年9月和2016年11月分别推出《华泰价量择时模型》和《技术指标与周期量价择时模型的结合》两篇深度报告，构建量价择时模型并回测分析模型表现。模型构建的理念是，当A股大牛市来临时，所有行业都会上涨，熊市期间也少有行业能够独善其身，因此可以从行业层面对A股的整体市场环境进行观察。正所谓春江水暖鸭先知，当大级别行情来临之前，部分行业可能已经出现了一些迹象，这些行业的表现会是观察整体市场的领先指标。华泰量价择时模型从行业出发，根据价量信息对每个行业做出看多或者看空的判断，然后综合所有行业的多空观点对大盘做出判断。
成交价和成交量是反映行业表现的关键指标，二者的原始序列有较高的正相关性，但成交量的长期趋势斜率更大，两个数据匹配效果欠佳。然而对价格序列取和累积成交量取对数同比变换之后，二者的相关性有所增强。这一步的处理方法与我们华泰金工周期理论的数据处理方法一脉相承，我们认为使用同比序列观察价量关系更容易观测到供需理论中价量同涨同跌的效应。
本文采用的量价择时模型判断市场多空的具体规则如下：
针对剔除综合以外的29个中信一级行业，提取该行业指数的月末收盘价和当月累计成交量
计算月度收盘价同比An与累计成交量同比Bn
若行业的累计成交量同比序列Bn>0、行业当月累计成交量同比大于上月值Bn>Bn-1、且行业当月价格同比大于上月值An>An-1，则该行业信号为1，否则为0
将所有行业的信号进行加总，如果大于5则看多整体A股市场，否则看空整体A股市场
风险收益一致性择时模型
华泰金工在2017年5月推出《华泰风险收益一致性择时模型》，利用行业收益率与贝塔之间的关系构造择时模型。根据资本资产定价模型，行业的当期收益率为市场组合当期收益率乘以行业贝塔。在行业贝塔相对稳定的情况下，当市场上涨，高贝塔行业将会有更高的涨幅，当市场下跌，低贝塔行业更具有防守性质。这是市场涨跌相对稳定的结构关系，贝塔一定程度上反映了市场风险在资产上的表达密度。行业收益率与其贝塔之间存在相对稳定的关系，贝塔也是风险的度量。
基于此，华泰风险收益一致性择时模型的基本思想是，当行业的收益率与其贝塔呈现较好的正相关时，可以认为市场收益率为正，市场处于上涨状态；当行业的收益率与其贝塔呈现负相关时，可以认为市场收益率为负，市场处于下跌状态，利用这种关系即可构造择时模型。
本文采用的风险收益一致性模型判断市场多空的具体规则如下：
选取沪深300指数与中信一级行业指数作为市场基准数据与行业基准数据，获取各自的周频数据，并计算行业贝塔值
以Spearman秩相关系数衡量行业贝塔与收益的一致性，秩相关系数的绝对值越大，说明贝塔与收益趋于一致，即高贝塔的行业收益更高时，反之则是高贝塔的行业收益更低
当Spearman秩相关系数的绝对值大于阈值，则记一次看多/空指令，连续两次看多/空则发出正式多空信号
将周频信号转为月频，以每月最后一周的持仓信号作为下一个月的持仓信号
PE指标择时策略
PE是市场的估值指标之一，是衡量股市贵贱的重要参考指标。PE原始序列波动大且具有趋势项，不利于作为择时指标。然而PE的变动值与股票指数的变动有着很强的相关性。当PE变动率增加且大于0的时候，股票指数上涨的概率也很大。本文采用的PE动量择时指标判断市场多空的具体规则如下：
提取万得全A指数以及PE_TTM月度数据，并计算每月PE_TTM相较于上月的变动率
滚动计算过去12个月的PE变动率的均值
，则认为该指标给出了一个看多信号
牛熊指标择时模型
2019年9月和2020年4月华泰金工分别推出《波动率与换手率构造牛熊指标》和《牛熊指标在择时轮动中的应用探讨》两篇报告，基于波动率和换手率构造出牛熊指标并对市场进行择时判断。波动率和换手率是常见的市场监测指标。对于股票市场来说，下跌时的波动率往往比上涨时的波动率更高。换手率的上升与下降往往与股票市场本身有强相关性。借助于波动率与换手率能够很好的将市场进行分类，牛市与熊市都有与之对应的明确的组合特征。
我们借助于波动率与换手率可以将市场分为四种状态：波动率换手率同时上行、波动率换手率同时下行、波动率上行换手率下行、波动率下行换手率上行。在波动率上行、换手率下行的状态下，市场是典型的熊市特征，市场的下跌一方面会使得波动率上行，另一方面会使成交量萎缩；在波动率和换手率同时上行时，市场是典型的牛市特征，市场快速上涨使得波动率上行，投资者的交易热情高涨使得换手率上行；波动率下行、换手率上行时，市场表现也比较好，这个阶段经常是牛市的初期或者熊市之后的反弹；波动率和换手率同时下行，往往发生在震荡市中，市场方向不明确。
利用波动率和换手率能够构造出与市场长期走势明显负相关的指标，而且指标趋势性较好，可以用来判断股市牛熊。牛熊指标能够弥补单一使用波动率、换手率对震荡市涨跌方向无法判断的情况。当波动率和换手率都出现下行时，若波动率的下行速度更快，说明市场趋于稳定的速度要大于交易热情衰退的速度，这时牛熊指标下行，市场表现为上涨。若换手率下行速度更快，说明市场交易热情衰减的速度更快，牛熊指标表现为上升，市场发生下跌。
本文采用的牛熊择时指标判断市场多空的具体规则如下：
提取沪深300指数收盘价及换手率数据，构造牛熊指标，即波动率与换手率的比值
分别滚动计算过去20天和60天的牛熊指标均值An和Bn。当An
将日频信号转为月频，以每月最后一天的持仓信号作为下一个月的持仓信号
双均线择时策略
均线是股票交易最常使用的指标，其简单、有效、直接，在趋势指标中也许不是最优的，但是属于最经典的之一。在上述的择时模型当中，我们也多次利用到了双均线的思想，其中也专门探讨过量价择时模型与均线的结合。因此这里可以基于双均线指标构建一个简单的择时策略。本文采用的牛熊择时指标判断市场多空的具体规则如下：
提取沪深300指数收盘价数据
分别滚动计算过去20天和120天的收盘价均值An和Bn，当An>Bn时，发出看多信号
将日频信号转为月频，以每月最后一天的持仓信号作为下一个月的持仓信号
北向资金布林带择时策略
我们在2020年8月2日推出的资产配置月报《北向资金走向预示市场短期或震荡》中发现北向资金与沪深300相关系数自陆股通开通以来逐渐攀升至0.5以上，相关性较高，并且基于北向资金变动数据构建布林带择时策略能有效判断市场短期涨跌。我们可以通过择时模型的回测表现来进行观测。为此，我们基于北向资金的流入规模数据构建布林带策略：
当该日北向资金流入规模 > 过去252个交易日的北向资金均值 + 1.5倍标准差，则全仓买入沪深300
当该日北向资金流入规模 < 过去252个交易日的北向资金均值 - 1.5倍标准差，则清仓卖出沪深300
风险提示
本文基于系列研究对全球各类经济金融指标长达近百年样本的实证检验结果，确定使用的市场周期长度。然而市场存在短期波动与政策冲击，就每轮周期而言，暂无法判断具体长度。基于历史规律的总结存在失效风险。
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
