未經授權，嚴禁轉載
研究目的
本文參考華泰證券《華泰風險收益一致性擇時模型》，採用研報內的方法對風險收益一致性進行研究。根據研報分析，當行業的收益率與其貝塔呈現較好的正相關時，可以認爲市場收益率爲正，市場處於上漲狀態；當行業的收益率與其貝塔呈現負相關時，可以認爲市場收益率爲負，市場處於下跌狀態，利用這種關係即可構造擇時模型。這是華泰風險收益一致性擇時的基本思想。
根據此結論，本文試圖對研報裏面的結果進行了復現並分析，並對風險收益一致性進行了研究，從而其構建擇時信號。另外，本文還試圖將風險收益一致性信號與均線信號相結合，探究均線策略能否進一步改善風險收益一致性策略。
研究思路
自從20世紀50年代資本資產定價模型提出之後，人們習慣使用貝塔來代表資產與市場組合之間的關係。根據資本資產定價模型，假設資產的貝塔值是穩定的，那麼在市場上漲的時候，貝塔高的資產應該收穫更高的收益，但是市場下跌的時候也會承擔更多的損失，所以貝塔值代表了資產承擔市場風險的大小。通過資本資產定價模型我們找到了市場中存在的一種結構，不同資產的漲跌幅與市場組合的漲跌幅會存在相對固定的對應關係。如果反過來使用這種對應關係，就得到了一種觀察市場的方法，比如當發現高貝塔的資產收益較高，低貝塔的資產收益較低時，那市場大概率處於一種上升狀態，當發現高貝塔的資產收益較低，低貝塔的資產收益較高時，市場可能處於一種下跌狀態，如此我們可以構造一個擇時模型。
貝塔是資產或投資組合相對於市場波動性的敏感程度。貝塔越高，表明該資產或組合受市場波動的影響越大，從而帶來更大的風險溢價（即βp(Rm-Rf)，括號內的部分爲市場風險溢價）。在市場上漲（或下跌）時，高貝塔的資產由於承擔了更多的市場風險， 其收益的變動會比低貝塔的資產更爲劇烈。
在資本資產定價模型的收益率公式中，如果貝塔是固定的，那資本的收益率主要取決於市場的收益率，所以市場上漲高貝塔行業漲幅更大，市場下跌同樣高貝塔行業會下跌更多。藉助於這一點，可以嘗試逆向推斷市場的漲跌，當行業漲幅與其貝塔狀態基本一致的時候說明市場是上漲的，相反的時候說明市場是下跌的。
不同行業的週期特徵及Beta表現
此處行業指數我們選擇申萬一級行業指數，而市場指數選取國證全A指數。數據時間段爲2005年2月3日至今，頻率爲周度。我們需要用指數的周收益率來計算beta。
爲了直觀地感受不同行業Beta值地週期特徵，我們將行業貝塔在每一個截面從小到大排序，得到行業貝塔的秩次，用 rank 表示。將行業貝塔rank在同一張圖中表示出來，得到下面這一系列的圖。總的來看，行業beta值比較穩定，但在某些特殊時刻也存在躍遷式的變化。例如 15 年中期，急劇的上漲行情使很多行業的貝塔發生了變化，而且這種變化也延續至今。偏向於 TMT類型的行業，計算機、傳媒、電子、通信、電力設備等在15年5、6月份貝塔值急劇上升，轉變爲高貝塔類行業，而銀行、非銀等行業貝塔值快速下降，行業特性向低貝塔靠近，在此之後，行業的貝塔值在16年一直處於比較穩定的狀態。
計算機行業的Beta在2015年快速上升
銀行行業的Beta在2015年快速上升，隨後快速下降
信號生成和擇時體系構建
接下來我們利用行業的貝塔與其收益率之間的關係構建擇時模型，由於貝塔代表行業相比於市場組合的風險承擔，本質上也代表行業相對於市場組合的槓桿率，一定程度上度量了風險，所以將擇時模型起名爲風險收益一致性擇時模型。
如前所述，資產的貝塔大小與資產收益變動幅度存在相關性，而各個行業具有特徵明顯且相對穩定的貝塔。基於這一性質，我們可以對行業的貝塔與收益進行觀測，進而對判斷市場的運行狀況:
1、當貝塔與收益趨於一致，即高貝塔的行業收益更高時，認爲市場表現良好，觀點看多；
2、當貝塔與收益呈反向關係，即高貝塔的行業收益更低時，認爲市場表現不佳，觀點看空。這一策略有着清晰的邏輯，並且以行業與市場指數做比較，在長期看較爲穩定，適合對市 場進行長期判斷。
爲了度量行業貝塔與收益的一致性，我們引入Spearman 秩相關係數作爲工具。
我們利用Spearman秩相關係數度量行業Beta與收益的一致性。
利用之前兩年左右的數據，我們在每週末可以得到28個行業的Beta。得到Beta後，我們計算行業Beta與行業收益率的秩相關係數。在計算時，我們假設行業貝塔在週中保持靜態不變，採用29個行業當週的收益率$r_t$與上週的貝塔 $β_{t-1} $進行計算。這樣的好處是貝塔中並沒有包含本週的收益率信息，兩者保持一定意義上的相對獨立，防止某個異常值帶來的貝塔偏離。
爲了過濾相關係數中的噪音，得到更穩定的長週期擇時信號，我們對秩相關係數取4周的滑動平均，得到滑動平均序列 𝜌̅𝑠。
根據研報，我們選取98週數據計算β，秩相關係數選取研報中的0.128作爲閾值。當𝜌̅𝑠>0.128時，發出一次買入信號；當𝜌̅𝑠<-0.128時，發出一次賣出信號。若連續發出兩次同向信號，則執行買入/賣出操作。
信號發出時間
策略淨值曲線
策略總共發出35次信號。從信號發出的時間來看，使用不同的行業指數對於信號發出還是有些影響的。總的來說，使用申萬行業一級指數和研報中閾值的結果不佳，年化收益過低，不能跑贏國證A指。
敏感性分析
從上面的回測可以看出，應用原始閾值的擇時策略效果不佳。而Spearman 秩相關係數的計算較爲敏感，其假設檢驗的拒絕域需要精確到千分位，應用 Spearman 方法的本策略不可避免地受到這一敏感性的影響。所以，我們需要對敏感性進行分析，找出最佳閾值。敏感性分析的參數爲信號觸發閾值，選取0.100-0.300（步長爲0.001）進行測試，選取夏普比率作爲優化目標。縱軸爲夏普比率，橫軸爲閾值，樣本內夏普比率的變動如下：
敏感性分析
根據敏感性分析，我們可知最優閾值爲0.142。此時夏普率爲0.64，且策略回撤大幅減少，能夠跑贏市場指數。不過依舊不能避開2015年的大回撤。
參數優化後的信號發出時間
參數優化後的淨值曲線
與均線策略的結合
純多策略在 15 年的下跌中出現了一個巨大的回撤。另外，擇時模型給出的信號爲周頻信號，爲了將信號擴展到日頻，可以嘗試加入均線。具體做法爲計算市場指數當週收盤價與20日均線之差，若差值爲正，均線上給出看多信號；若差值爲負，均線上給出看空信號。當均線上信號與策略擇時信號一致時進行操作買入或賣出，當信號不一致時清倉，既不做多也不做空。
加入均線策略後，由於均線策略的延遲特性，組合策略未能避過2016年左右的回撤，導致年化收益和夏普率均下降。
風險收益一致性模型結合均線策略的信號發出時間
風險收益一致性模型結合均線策略的淨值曲線
組合策略的敏感性分析
與之前類似，我們對結合策略進行參數敏感性分析。
風險收益一致性模型結合均線策略的敏感性分析
最優閾值爲0.127-0.13，但夏普率僅爲0.54，未能戰勝原始策略。
研究結論
總的來說，風險收益一致性模型可以跑贏市場，收益也比較穩定，但在2015年中遭遇了大回撤。策略的大回撤主要來源於 15 年年中的急速下跌，這段時期各行業的貝塔值也發生了急劇 變化，因此導致信號出現了滯後與偏差，這是模型的主要風險，即市場風格的急劇變化。
我們試圖加入簡單均線策略來改善模型的表現。但由於均線策略的延遲性，策略沒能避開15年底的反轉帶來的大回撤，表現並不如原始模型。
市場風格的變化不單單對此模型，對大部分策略都有很強的破壞性。因爲模型總是基於市 場中已經存在的某種固有模式進行建模，當模式迅速切換時，模型很難及時反映。這也從另一方面證明了長期穩定策略的稀缺性。若想改善模型回撤，一個可以考慮的角度是增加 交易頻率，甚至在日內做一些操作，放棄部分收益來降低波動與回撤，但這也勢必帶來交易成本的提高。
點擊【閱讀原文】，查看研究源碼~