国金金融工程高智威｜Beta猎手系列之十三：多种类、多周期事件化的开放式择时框架

来源：市场资讯

（来源：国金证券研究所）

作者：高智威、胡正阳

摘要

传统基于事件驱动构建的择时策略较容易出现过拟合问题，且普遍存在稳健性较弱的问题，底层信号一旦衰减将明显影响整个策略的表现。因此本次报告提出了一种全自动化的择时策略生成框架，底层基于事件驱动思路生成信号。该框架可以在任意指标集的基础上挖掘出其中有效的信号，并构建对任意标的资产的择时信号。

整个构建流程中尽量控制了数据挖掘的可能，采用滚动更新的机制避免过拟合情况发生；确保流程符合逻辑性、可解释性等要求，能输出流程中所有的中间信息；框架也具有较好的泛化性，无需调整即可对不同标的进行测试，也因此计算速度较快；除了直接构建策略外，该择时框架也可以帮助我们初步探索未知的数据集，寻找其中具有择时价值的指标与事件。

我们在各宽基指数与行业指数上进行了回测测试，指标集选择了指数自身量价、宏观、期权、融资融券与成分股的基本面、资金流数据。以中证A500指数为例，各数据集都能获得超过中证A500指数的收益表现，其中基于基本面、宏观数据得到的信号质量显著较好，区间内年化收益分别达到8.21%和8.02%，年化超额收益分别为7.80%和7.45%。而在信号胜率方面，资金流指标表现较突出，看多胜率达到61.11%。最终合成择时策略年化收益率10.61%，Sharpe比率0.813，各项指标相对基础信号都有一定提升。在其他宽基上，也均有较明显的超额收益表现。而在行业指数上，各行业的择时策略表现各有优劣，主要原因在于部分行业的涨跌更依赖于特定的数据指标，因此统一的数据集无法起到稳定有效的判断效果，需要添加有针对性的指标集并对无效的指标集进行整体剔除，才能提升最终择时效果。

风险提示

以上结果通过历史数据统计、建模和测算完成，历史规律未来可能存在失效的风险。各类事件因子可能会受到政策、市场环境发生变化的影响，出现阶段性失效的风险。市场可能出现超出模型预期的变化，导致策略出现超出模型估计的波动和回撤。

目录

一、择时策略框架构建

1.1 传统择时策略的构建流程

1.2 全自动择时框架结构介绍

二、全流程择时框架结构

2.1 择时框架第一层：数据选择

2.2 择时框架第二层：指标预处理+用法判断

2.3 择时框架第三层：事件化处理

三、择时框架测试

3.1 择时框架效果测试——以中证A500指数为例

3.2 各宽基指数上测试效果

3.3 行业指数上的回测效果

总结

风险提示

附录

正文

一、择时策略框架构建

1.1 传统择时策略的构建流程

当我们尝试使用量化的思路构建模型对资产进行择时，一般有两种方式：

1、 线性回归拟合。将资产的未来收益率作为因变量，并寻找有解释力度的基础指标作为自变量，通过回归模型预测未来资产收益率或者涨跌方向。

2、 构建事件驱动模型。统计特定的事件发生时未来资产的涨跌情况，从中筛选出胜率高的指标与相应事件，从而构建事件因子。这种方式能够更精准地捕捉特定情景下的有效信号，且能更方便地融入其他信号构建多指标择时体系。因此，目前大多数情况下我们都是使用事件化的方式来构建策略，辅助我们判断趋势。

在传统构建事件驱动型择时策略的流程中，我们通常会按照以下步骤实现。

通常我们会基于对数据的理解或图像走势的观察作为切入点，在历史区间上对大量信号进行回测，从中筛选出较有效的一组信号来合成最终信号。这种方法一般都能构造出在测试集上较有效的策略，但其实会存在以下问题：

1、 容易过拟合。以上步骤中，原始数据的处理、信号的构造与合成等各个步骤都会涉及到参数寻优的工作，最终筛选出的信号普遍会面临过拟合的问题，在样本外信号快速失效。

2、 稳健性较弱。通常策略是由优选出的少数几个指标组合而成，任意信号的择时能力变化都可能导致最终策略效果出现调整；也无法保证新的择时信号能对策略带来整体提升。

是否存在一种全自动化的择时框架，在确保生成信号的过程符合逻辑的前提下，尽可能降低过拟合的可能性，同时极大程度简化挖掘有效信号的复杂度，并直接给到最终的择时策略？

1.2 全自动择时框架结构介绍

我们的择时框架将在以下方面实现全自动优化：

1、 自动筛选有效指标。给定一组指标数据集与我们的择时对象，择时框架可以自动筛选其中的有效指标，并寻找每个指标对应的最佳数据处理方式（同比、滤波等）；

2、 自动构建事件化信号。针对单个指标，择时框架能够找到其最有效的事件化方式，充分挖掘单指标的择时信息，需要结合不同的事件化方法，生成每个指标的对应信号；

3、 滚动更新有效指标。择时框架定期检验各细分信号有效性，及时调节各信号的权重或对失效指标进行剔除；

4、 智能合成多信号打分结果。在任意指标集内或跨指标集之间，能够基于细分信号构建加权投票系统，得到最终择时结果。

实现以上效果后，我们的新框架将在以下方面具备一定优势：

1、 指标的处理、信号的构建规则更贴合主观判断逻辑，摒除数据挖掘；

2、 指标与信号筛选过程中严格使用历史数据，无未来函数问题，确保框架稳健性；

3、 全自动的指标优选，可以对未知数据集进行探索；

4、 择时框架对任意标的均适用，无需对模型进行特殊调整即可针对任何资产进行策略构建。

接下来，我们详细介绍整个择时框架的细节。

二、全流程择时框架结构

从具体细节上，整个框架可大致分为3个部分。以下是整个框架的全流程介绍：

2.1 择时框架第一层：数据选择

本次项目中，我们主要使用指数自身量价、宏观、期权、融资融券与成分股的基本面、资金流数据。详细指标见附录。

框架会结合后续基于长历史数据的回测表现，选择对原始数据进行滤波等处理的方法。

2.2 择时框架第二层：指标预处理+用法判断

第二层负责对指标进行初步判断与处理，并且此处理方式后续不再更改。为确保检验效果稳健以及无未来函数，我们推荐使用较长期的历史数据进行第二层判断。本项目中使用2020年之前的全部数据进行第二层测试。

具体判断的项目包括：

1、 方向判断

我们首先需要判断该指标与预测资产之间是否是同向关系或反之。直接在指标层面进行方向判断、而不是事件化之后判断每个信号的方向，主要原因在于我们认为指标层面的方向更具可解释性与稳定性，后者可能出现同一指标的不同事件化信号方向不同的情况，同时也可能面临数量不足、过度数据挖掘的问题。具体判断时：

a) 偏短期、高频数据使用差分线性回归来判断，将预测资产价格差分作为因变量，指标数据差分项作为自变量，构建单变量回归，若回归系数显著为负，则判断为反向指标。在回归时，回归系数不显著的指标会保留，在后续格式变动后进行再次检验。

b) 偏长期、低频数据使用DTW配对点方法，从前往后进行峰谷点的匹配，若指标的波谷与资产波峰之间距离相对更近，则判断为反向指标，反之指标波峰与资产波峰更接近，判断为正向指标。

2、 数据格式变动

我们会对每个指标数据进行如下操作，并在测试集上观察指标与标的是否会有相关性的提升。格式变动与上述方向判断同步进行。

具体判断时会考察两项显著性：相关性显著大于0且相关性显著大于原指标。

3、 滞后性剔除

判断资产价格在滞后多阶的情况下，与指标之间的双重差分相关性是否出现明显提升。若相关性出现提升，表明当前指标实际体现的是资产过去的价格变动，以此构造的信号很可能不具备预示作用，或存在明显的信号滞后问题，因此会被择时框架剔除；无明显滞后的指标则保留。

通过第二层检验后，择时框架会固定每个指标的使用方式，且后续事件化步骤中不再变更。接下来的事件化步骤涉及滚动更新机制，会定期对指标的事件化方法与权重进行调整，但指标本身处理方式不会变动。进行这一约束是为了确保信号的连贯性，防止出现“上一期使用正向的PMI-YOY指标，当期改为观测反向的PMI-RAW指标”这类情况，提升指标的连贯性，且能进一步降低数据挖掘的可能。因此，我们需要使用尽可能长的历史数据进行第二层判断。

2.3 择时框架第三层：事件化处理

择时框架的第三层负责将指标转换为0、1构成的多空观点序列，并对信号进行聚合得到单指标以及整个策略的最终信号结果。择时框架不会考虑单一事件化结果作为该指标的信号，而是将不同事件化信号进行加权合成得到指标的最终信号。不同事件化处理能够捕捉指标的不同特征，可以捕捉原始指标在不同时间跨度上的各类特征，进而挖掘出最有效的指标使用方法。因此，第三层核心目的在于更新不同事件之间的权重。

第三层将以固定的频率运行，在期初确定各事件化的权重并保持到下次调整。本次项目中使用的是年度频率。

我们一共衡量多种事件类型，包括：

以上各事件化类型与参数搭配共计34种情况。我们会对每个指标构造以上34种信号，在滚动过去10年的长度上统计每个信号的回测表现，得到相应的回测净值Sharpe比率，并使用Softmax加权得到该指标的最终信号：

其中，Sharpei表示第i个信号回测所得净值的Sharpe比率。

使用Softmax可以显著放大有效信号的权重，但同时也不会完全抹去其他信号的贡献；同时，选择Sharpe而不是收益率等其他指标进行加权，也是考虑到其能综合信号的收益能力与抗波动能力。加权合成后，若数值大于0.5，表明该指标下各事件信号整体看多，指标的当期信号为1；否则信号为0。

对各指标的信号再按照同样的方法合成，得到最终策略的信号。信号的多级合成可参考以下流程：

最终，择时策略第三层可以按如下流程图表示：

至此，择时框架可以从原始指标集中得到最终的择时信号，实现全自动的信号生成功能。

三、择时框架测试

3.1 择时框架效果测试——以中证A500指数为例

我们首先以中证A500为例，对各细分指标集进行回测检验。以上框架得到的信号依旧是介于0、1之间的数值，因此我们按照以下规则映射到最终的仓位结果：若最终信号大于0.5，认为指标集整体给出看多判断，全仓；否则为空仓。

回测区间为2020年1月至2025年7月，每年初进行事件权重以及指标权重的调整。手续费设置万分之五。

各数据集的回测指标如下：

基本各数据集都能获得超过中证A500指数的收益表现，其中基于基本面、宏观数据得到的信号质量显著较好，区间内年化收益分别达到8.21%和8.02%，年化超额收益分别为7.80%和7.45%。而在信号胜率方面，资金流指标表现较突出，看多胜率达到61.11%。受限于回测区间的指数表现跌多涨少，因此信号整体的持有天数不长。

在回测前，我们并不清楚每类指标的具体择时效果，自动化择时框架相当于帮助我们进行了初步的探索。若我们对某指标集的具体情况感兴趣，择时框架也支持输出内部的详细信息。以其中的宏观指标集为例，我们可以看到其中每一层的指标筛选结果与各细分信号权重情况。

各细分信号权重相差不大，Softmax加权可以略微修饰其中的差异，提升整体策略表现。

将各领域的细分信号进行合成，得到最终的合成策略。合成策略年化收益率10.61%，Sharpe比率0.813，各项指标相对基础信号都有一定提升，且分年度来看也有一定的超额收益。

3.2 各宽基指数上测试效果

我们进一步在各宽基指数上进行择时框架的测试，使用的数据集与中证A500保持一致，观察其在各资产上的择时效果。

在沪深300指数上，最终的合成择时策略年化收益7.67%，年化超额8.09%。

在中证500指数上，合成择时策略年化收益7.59%，年化超额5.96%，但分年度来看，策略对部分上涨区间的把握较弱，相对效果一般。

在中证800指数上，合成择时策略年化收益率9.28%，年化超额收益率9.26%。回测区间上大部分时间均为看空信号。

在中证1000指数上，合成择时策略年化收益15.89%，年化超额14.61%，看多胜率达到63.16%，择时策略的各项指标在各宽基指数中综合最好。

最后，在创业板指上，合成择时策略的年化收益达到16.22%，年化超额收益14.13%。

3.3 行业指数上的回测效果

我们同样在中信一级行业指数上进行择时框架的测试，使用统一的原始数据。

从结果上可以看出，我们统一使用的指标集在部分行业上能有较好的择时效果，但在其他行业上并无法带来稳定的超额收益。这与各行业的特性有一定关系，部分行业涨跌更依赖于特定的指标，或走势相对稳定，因此统一的数据集无法起到稳定有效的判断效果，需要添加有针对性的指标集并对无效的指标集进行整体剔除，才能提升最终择时效果。

总结

本次报告提出了一种全自动化的择时策略生成框架，底层基于事件驱动思路生成信号。该框架可以在任意指标集的基础上挖掘出其中有效的信号，并构建对任意标的资产的择时信号。整个构建流程中尽量控制了数据挖掘的可能，采用滚动更新的机制避免过拟合情况发生；确保流程符合逻辑性、可解释性等要求，能输出流程中所有的中间信息；框架也具有较好的泛化性，无需调整即可对不同标的进行测试，也因此计算速度较快；除了直接构建策略外，该择时框架也可以帮助我们初步探索未知的数据集，寻找其中具有择时价值的指标与事件。

我们在各宽基指数与行业指数上进行了回测测试，指标集选择了指数自身量价、宏观、期权、融资融券与成分股的基本面、资金流数据。以中证A500指数为例，各数据集都能获得超过中证A500指数的收益表现，其中基于基本面、宏观数据得到的信号质量显著较好，区间内年化收益分别达到8.21%和8.02%，年化超额收益分别为7.80%和7.45%。而在信号胜率方面，资金流指标表现较突出，看多胜率达到61.11%。最终合成择时策略年化收益率10.61%，Sharpe比率0.813，各项指标相对基础信号都有一定提升。在其他宽基上，也均有较明显的超额收益表现。而在行业指数上，各行业的择时策略表现各有优劣，主要原因在于部分行业的涨跌更依赖于特定的数据指标，因此统一的数据集无法起到稳定有效的判断效果，需要添加有针对性的指标集并对无效的指标集进行整体剔除，才能提升最终择时效果。

风险提示

1、 以上结果通过历史数据统计、建模和测算完成，历史规律未来可能存在失效的风险。

2、 各类事件因子可能会受到政策、市场环境发生变化的影响，出现阶段性失效的风险。

3、 市场可能出现超出模型预期的变化，导致策略出现超出模型估计的波动和回撤。

附录

以中证A500指数为例，全部原始指标判断结果如下：