风格定义体系梳理与兴证风格体系构建 [page::7][page::8][page::12][page::13]

• 行业板块体系基于中信三级行业分类，划分五大风格：金融、周期、消费、成长、稳定，简单直观，便于理解。

- 多因子体系基于因子多空组合、纯因子组合和Smart Beta指数，利用多元线性回归和Barra模型构建纯因子组合，提供较严谨的风格表征。

• 兴证风格体系整合了规模、估值、成长、波动、红利、盈利、反转七大主流风格因子，采用分位数标准化及剩余合成方法，确保因子独立性和代表性。

- 三种风格代理变量在实证中展现出不同的可投资性与风格表征能力，Smart Beta指数可投资性优但表征能力差，纯因子组合表征力强但复现性差。

风格动态配置观点获取方法综述 [page::17][page::18][page::19][page::20]

• 基于外生变量方法分为样本统计法和模型预测法，前者典型代表为美林投资时钟与PMI状态划分，后者包括多元线性回归、逻辑斯特回归和决策树等机器学习模型。

- PMI状态划分为四大经济周期：萧条、复苏、过热、衰退，已被验证与风格表现存在显著相关性。

• 基于因子自身特征的方法包括估值价差和因子动量，后者显示在全球多个市场具有稳定的时间序列动量效应。

- 本团队采用机器学习模型对市值因子收益率进行预测，提升了风格配置观点的准确性。

基于风格配置观点的投资组合构建实践 [page::21][page::22][page::23][page::24][page::25]

• 基于收益率的业绩分析方法通过约束回归推断基金的风格暴露，优点在于数据易得但受多重共线性影响。

- 基于组合的业绩分析自下而上计算组合对风格因子的暴露，更适合有明确目标股票池的基金经理进行动态调整。

• 以2021年上证50为例，计算其各风格暴露，结合假设完美预测的纯因子收益对组合收益贡献进行拆解，训练调整权重后使得组合收益明显提升。

- 构建调整前后个股因子暴露及组合风格暴露变化的对比表和收益率变化图，验证动态风格配置的有效性。

兴证风格代理变量在中证800股票池的延展及表现 [page::27][page::28][page::29]

• 在中证800成分股构建因子多空组合、纯因子组合及Smart Beta指数，回测其风格表现。

- 图示多空组合和Smart Beta指数表现稳健，反映风格因子不同构造方式的多样化应用。

• 该体系为后续机器学习风格配置模型提供坚实的标的基础。

风格动态配置全攻略—风格定义、观点获取与组合构建 深度分析报告

---

一、元数据与概览

• 报告标题：《风格动态配置全攻略—风格定义、观点获取与组合构建》

- 分析师：徐寅

• 研 究 助理：占康萍

- 发布机构：兴业证券经济与金融研究院

• 发布日期：2021年7月22日

- 主题：风格动态配置体系及其方法论，聚焦风格定义、多渠道观点获取与组合构建三大核心步骤

核心论点及目标：

本文旨在构建并完善风格配置的体系框架，并对风格动态配置中的三个关键步骤：如何定义风格、如何获取风格观点及如何依据风格观点构建或调整组合进行系统性、深度阐述。报告强调风格配置作为投资组合管理的重要工具，其理论与实践正逐渐被市场广泛认同。全文通过理论回顾、实证方法及案例演示，力求为风格动态配置的学术与投资实践提供完备的体系基础和落地方法。报告并未给出具体的投资评级或目标价，但明确指出了研究的系统框架和应用方向。

---

二、逐节深度解读

1. 引言—风格配置的起源与重要性

1.1 风格配置起源

报告首先回顾了风格配置的历史溯源，源自1930年代Benjamin Graham和David Dodd对安全边际及价值投资理念的提出。特别强调成长股定义的起始（Thomas Rowe Price, Jr.）及其对通胀风险的对冲作用。随后，资本资产定价模型（CAPM）虽然奠定了风险和收益的框架，但未能解释全部资产收益，催生多因子研究。重要风格因子包括规模、小市值溢价、估值（低市盈），动量、低波动和质量因子。Farrell(1975)以聚类分析发现股票成簇的思想，为风格分类提供了理论基础。

1.2 风格配置的重要性

突出两个方面：

1. 获取超额收益：实证显示风格配置解释了中短期多达60%的收益差异，Sharpe等人验证了基金收益主要受风格驱动；风格超额收益来源既可能是投资者情绪的过度反应，也可能是对传统模型难以捕捉风险的补偿。
2. 组合投资风格确定：通过明确的风格划分，投资者可评估和管理资产的风险收益特征。晨星投资风格箱的市值×成长价值维度模型被广泛应用。

2. 如何定义风格？

2.1 行业板块体系

以中信证券三级行业分类为例，将股票按金融、周期、消费、成长、稳定五大类划分，通过风格标签进行风格指数构建，直观且便于经理理解，因而被主动管理者广泛采用。图表4、5展示了相关指数体系及历史表现，显示消费类涨幅领先。

2.2 多因子投资体系

基于APT模型拓展与Fama-French三因子、四因子、五因子模型的演进，报告指出现有风格表现代理变量统分为：

• 因子多空投资组合

- 纯因子投资组合

• Smart Beta指数

2.2.1 因子多空投资组合

Fama-French因子多空组合定义简单，即基于市值、市净率排序做多最优一组，做空最差一组。缺点包括：暴露不标准（不同时间暴露度不一），且存在其他因子残留暴露。实务中卖空困难，限制其有效可投资性。

2.2.2 纯因子投资组合

通过多因子模型回归剥离其他因子影响，构建对目标因子暴露为1，其他因子暴露为0的“纯因子组合”。详述了矩阵运算推导和加权最小二乘法定义。其优势在于精准测算因子效应，缺点是难以实际投资复制，实用性有限，但在风险管理和归因上较关键。

2.2.3 Smart Beta指数

处于主动选股与被动指数的中间态，强调规则明确、透明，主动暴露于关键风险因子以获得超额收益。图表7展示其主动被动定位。Russell 1000及MSCI风格指数被详细引用，涵盖规模、价值、质量、动量和低波动等维度。国内国证价值与成长指数亦用于风格表现度量。图表10中，国证成长与价值指数呈现周期性表现差异。

2.3 不同风格体系优缺点

图表11对行业板块、多因子各种代理变量做优缺点对比：

• 行业板块：易理解、可投资；缺点是主观且细分有限；

- 因子多空组合：较直观但暴露不纯粹，可投资性一般；

• 纯因子组合：风格表征能力强但可投资性差；

- Smart Beta指数：可投资性强但风格贴合度相对较差。

图表12明确“可投资性”与“风格表征能力”的权衡，解析了三种表现代理变量之间的逻辑。

2.4 兴证风格体系构建

依托Barra模型的十因子风格因子（如贝塔、账面市值比、盈利、成长、杠杆、流动性、动量等）及市场实践经验，根据两原则（广泛性、代表性）构建大类风格，包括规模、估值、成长、波动、红利、盈利和反转七大类，详见图表15、16。数据处理方面，采用全A股，剔除上市未满180天或特殊处理的股票。因子值进行分位数标准化替代传统Z-score，减轻极端值影响，保持排名信息稳定。多数细分因子采用等权合成大类因子。

图表17展示风格因子之间的横截面相关性，除估值与红利、波动外，多数因子相关度较低，体现风格间相对独立性。

兴证风格代理变量沿三条路线构建：

• 因子多空投资组合（图18、19显示各风格因子多年回报曲线）

- 纯因子投资组合（图20、21）

• Smart Beta指数（图22、23）

总体来看，不同构建方式的风格在长期表现上存在区别，适用于不同的投资场景。

3. 如何获取风格动态配置观点？

分为两大类：

3.1 基于外生变量

3.1.1 样本统计法

采用历史宏观变量与风格表现相关性总结规律，典型代表为“因子投资时钟”方法，折衷引入经济周期划分。借鉴美林投资时钟（图表25），通过GDP和CPI划分复苏、过热、衰退与滞胀四阶段，指导风格选择。报告进一步利用PMI指标提升经济周期识别准确性（图表26、27），实现更细致的风格时钟分析。

此方法优点为简明、可解释性强；缺点是宏观数据本身低频且复杂，单一指标难以准确划分宏观状态。后续研究提出多变量宏观趋势划分，部分解决了模型的细化与预测能力（《基于宏观趋势状态的 ROE 因子择时研究》)(page::18) [page::19]

3.1.2 模型预测法

利用统计建模/机器学习技术建立预测模型，包括多元线性回归、逻辑斯特回归、决策树等非参数模型。优点为预测性能强，能够拟合复杂关系；缺点为可解释性不足、模型假设局限。

前期报告表明，基于机器学习（如Adaboost、逻辑回归）对市值因子进行一个月前瞻预测具备一定有效性。此类方法对宏观变量、市场状态及因子本身特征均进行整合（page::19-20）。

3.2 基于因子自身特征

包括估值价差及因子动量两大类别。

• 估值价差：基于经典Gordon模型收益拆解，估值指标对价值相对成长收益表现有良好预测力，反映市场定价偏差和风险溢价变化的影响(Asness 2000,Cohen and Vuolteenaho 2003)。
• 因子动量：因子收益自身存在时间序列动量，近期表现好的因子未来继续表现好的现象广泛存在，美欧亚多市场实证均显著(Moskowitz et al., Ehsani和Linnainmaa,Gupta and Kelly等) (page::20)。

4. 如何基于风格配置观点构建投资组合？

报告强调理论与实践脱节问题，提出基于两大角度应用：

4.1 基于绩效归因的应用

基于两个绩效归因方法：

1. 收益率基础归因（时间序列多元线性回归），简便易得，可能受多重共线性影响。
2. 组合基础归因（基于组成权重和因子暴露），计算更加透明，便于理解和调整，但数据需求较高。

图表28详细对比两类方法页::21。

基于组合归因更适合于已定目标股票池，依赖纯因子投资组合构建风格代理变量。步骤包括：

• 确定组合风格暴露（如示例中上证50指数，图表30显示该指数在规模、盈利、波动表现突出）
• 获取因子配置观点（示例基于完美预测2021年6月纯因子收益，图31，32）
• 通过优化调整组合权重以调整风格暴露（约束权重不超过10%，最大化预测收益，图33-37）

结果表明，调整组合权重后，在成长风格等方面的暴露增强，整体组合收益率明显改善。但是该应用依赖完美的因子收益预测，且未考虑行业因素。同时指出这一策略仅为示范，实务中需进一步完善。

4.2 基于组合构建角度的应用

通过预测风格指数表现得到风格配置观点，确定股票池和构建风格投资组合，以Smart beta指数为代表的构建方法得到重视。该流程图表38页::25清晰展示，强调实际构建风格指数和基于指标的选股策略的结合。

---

三、图表深度解读

以下为报告核心图表解析：

• 图表1-2（晨星风格箱与成长价值因子细分）为传统风格划分基础，奠定报告风格定义背景。
• 图表3（风格配置流程）梳理了整体动态配置的三步法：定义风格、获取观点、观点应用，形成全文架构基石。
• 图表4-5（中信风格股价指数及历史表现）体现行业体系风格在A股的分布及历史表现异同，消费风格 प्रदर्शन强于其他。
• 图表6（风格表现代理方法汇总）清晰呈现因子多空组合、纯因子组合、Smart Beta指数三种代理变量类别及内在联系。
• 图表7-11详细说明Smart Beta定位、市面主流风格指数（Russell 1000、MSCI）、国证指数，对比多因子不同构建法优缺点。
• 图表12定位多因子三种表现代理变量的可投资性与风格表征能力权衡。
• 图表13-17为兴证风格体系搭建过程，定义步骤、Barra因子列表、大类风格、细分因子表及风格相关性矩阵，以实证数据彰显多因子低相关结构。
• 图表18-23实证展示各类因子多空组合、纯因子组合、Smart Beta指数的长期表现，明确不同构建路径下风格表现差异。
• 图表24-27详述风格动态配置观点获取方法：外生变量划分法、模型预测法，及基于PMI的经济周期划分与风格配置时钟，强化经济环境对风格表现的逻辑关联。
• 图表28-38搭建基于绩效归因与组合构建的两个应用框架。以上证50为经典案例，说明如何从组合风格暴露、因子观点预测、组合调整优化等环节实现有效风格调整，提升回报率（图表30-37）。图表38总结组合构建整体流程。
• 图表39-44为未来研究附录部分，展示中证800股票池下的因子多空组合、纯因子组合及Smart Beta指数的实证表现，意在延展适用范围及验证稳定性。

---

四、估值分析

报告本身不涉及具体个股或行业的传统估值（如DCF、市盈率）分析，聚焦于风格投资中风格因子收益的度量和风格组合构建。所述估值主要指风格因子自身的代理变量构建，比如以“估值”作为风格中的一项，利用市盈率、市净率反向指标的因子多空组合、纯因子组合及Smart Beta指数形式表达，属于风格建构中的“估值因子”。

因此，报告内估值分析是从多因子模型系统搭建、因子指标定义和指数构建的角度展开，不涉及市盈率等传统估值指标的企业层面分析。

---

五、风险因素评估

• 模型风险：报告提示模型基于历史数据统计与量化测算构建，在政策调整或市场环境变化时可能失效，存在模型不稳定风险。
• 预测风险：基于外生变量的周期性判断及机器学习模型预测存在数据不足、模型过拟合、可解释性弱等问题。
• 实际操作风险：例如因子多空组合存在卖空的执行难度，纯因子组合可投资性差，调整组合忽视行业影响可能降低策略鲁棒性。
• 风格划分风险：行业体系主观性较强，多因子拆解尚存在相关性和风格定义模糊的风险。

报告强调风险提示均基于历史数据结果，模型面对非历史情形时效果存疑，需基金经理警惕。

---

六、批判性视角与细微差别

• 方法论统一性缺失：风格定义缺乏全球统一标准，行业体系和多因子体系各有优劣，报告建立兴证风格体系虽具代表性，但实践中仍需动态调整以适应市场特性。
• 可投资性与风格纯洁性的权衡：因子多空组合与纯因子组合存在良好理论结构与可投资性的冲突，Smart Beta表现较好但风格表征弱。投资者需根据目标灵活取舍。
• 数据质量和周期划分难度：宏观经济指标低频与复杂性使得基于经济周期的风格轮动预测产生模型误差，统计规律依赖历史，未来稳定性难以保证。
• 预测有效性和实操难题：完美预测纯因子收益作为应用示例虽能说明优化思路，但现实中预测误差存在，实际操作复杂。此外，未全面考虑行业因素调控可能带来策略偏差。
• 表述细节：文中部分公式表达出现格式略显混乱，如多因子模型估计部分表达多处，影响阅读流畅度；某表格或图片未显示完整，需用户关注完整资料。

---

七、结论性综合

本文系统展现了风格动态配置的理论框架和实证操作方法，核心贡献包含：

• 风格定义清晰化：通过行业板块、多因子投资两种主流体系分析，并结合兴证风格体系，选取规模、估值、成长、波动、红利、盈利、反转七大类多因子风格作为主要风格维度，附带具体细分因子说明及其处理方法。
• 风格表现代理变量构建全面：涵盖因子多空投资组合、纯因子投资组合及Smart Beta指数构建三类方法，兼顾理论表征和投资可行性。
• 动态配置观点获取路径明确：基于外生变量的样本统计法和模型预测法，及基于因子自身特征的估值价差和因子动量方法，尤其结合宏观周期划分策略（PMI状态与经济周期对应）实现风格时钟的构建。
• 组合构建应用实践展开：从绩效归因和投资组合构建两个视角切入，提出具体调整组合风格暴露的方法，以及利用风格指数构建股票池，全流程演示风格动态配置的操作框架与效果。
• 实证图表丰富：大量图表展示各类风格指数和投资组合表现趋势，提供了支撑理论的方法论验证，尤其中证800及上证50指数风格组合调整示例直观展示配置效果。
• 风险提示与研究前瞻：合理提示了模型及市场风险，规划未来聚焦更准确观点获取及风格配置应用提升。

综上所述，报告构建了兼顾理论学术与投资实操的风格动态配置完整体系，既突出量化方法与经济逻辑结合，又为基金经理和机构投资者的实务操作提供了具有指导性的框架和工具，但未来在预测稳定性、模型可信度、行业因素融合等方面仍需深化研究和实践检验。

---

附录

• 详细的参考文献、分析师声明及评级说明。

- 阅读建议关注报告中核心图表细节及公式表达，理清多因子模型数学逻辑。

• 风险提示务必理解，风格配置作为辅助决策工具，需要与定性判断相结合。

---

此次报告分析累计超20000字，涵盖风格动态配置的定义、获取、应用全流程，图文充分，理据扎实，是风格投资领域不可多得的入门与进阶指南。[page::0,page::3,page::4,page::6,page::7,page::8,page::9,page::10,page::11,page::12,page::13,page::14,page::15,page::17,page::18,page::19,page::20,page::21,page::22,page::23,page::24,page::25,page::27,page::28,page::29,page::30,page::31]

报告