华泰 | 金工：多维择时模型的拆解与重构

来源：市场资讯

（来源：华泰睿思）

核心观点

多维择时体系拆解重构：从单因子路径优选到合成打分

本研究沿“单指标收益拆解→多维合成→路径优选”的思路，对A股多维择时体系进行系统性拆解与重构。首先针对26个底层因子和12个子维度，按追高、抄底、追空、逃顶四条子路径拆解收益来源，厘清各指标适用场景；然后构建分层（A_1）、不分层（A_2）和路径优选（B）三个多维打分模型，将离散信号升级为连续得分并映射为分档仓位，日频最优夏普达1.72；最后通过极端行情、阶段拐点和趋势行情三类场景检验模型实战能力。结果显示，路径优选模型B在拐点识别率和趋势主导率上占优，但需关注过拟合风险。

单因子收益来源拆解：厘清四条子路径下的因子收益与适用场景

本章构建涵盖估值、情绪、资金、技术四大类的26个底层因子，通过投票法合成12个子维度。按开仓时点市场运行方向将因子持仓信号拆分为追高、抄底、追空、逃顶四条子路径，并组合为趋势、反转、纯多、纯空四条组合路径。回测显示，不同因子收益来源不均衡：量价指标擅长追高，期权隐波擅长抄底，估值在四类场景均有正收益，资金类偏右侧入场左侧离场。据此筛选各场景下夏普前八的子维度，为后续路径优选合成提供依据。

多维打分模型重构：分层、不分层与路径优选三类方案对比

本章将离散择时信号升级为连续打分体系，构建三类合成模型。模型A_1沿用分层架构，先聚类四大维度再等权合成，五档日频夏普1.48；模型A_2跳过维度聚合直接对12个子维度等权均值，避免强信号被稀释，七/九档日频夏普提升至1.50，年度正收益概率达100%；模型B引入路径优选视角，每条子路径仅取夏普前8的适用子维度，九档日频夏普达1.72，年度正收益概率100%。降频后，周频和半月频夏普衰减至约0.9-1.3，月频进一步降至约0.5-1.2。B模型通过限制指标仅在其擅长场景发挥作用，显著提升了择时稳定性，但需关注过拟合风险。

三类典型场景回测检验：极端行情、拐点识别与趋势跟踪能力

本章构建极端行情（|单日涨跌幅|≥3.5%或|5日区间最大涨跌幅度|≥10%）、阶段拐点（涨跌幅超15%且持续5日以上）和阶段趋势（涨跌幅超20%且持续20日以上）三类场景，系统评估模型实战能力。极端行情方面，A_2和B模型在预判和反应正确率上均在60%左右，优于A_1模型。拐点识别上，B模型优势显著，对拐点的识别率约61.8%，优于A_1的47.1%和A_2的52.9%。趋势跟踪方面，B模型正确把握趋势段的概率约80%，优于A_2的73.3%和A_1的60%。综合来看，极端行情中A_2与B差异较小，B模型在中期拐点和长期趋势的识别上更具优势。

正文

01 单指标收益拆解

在前期择时系列研究（《再论A股择时：多维度融合-20250529》、《A股择时之技术打分体系-20251226》）中，我们探讨了如何从多个维度出发，构建均衡的A股择时框架，并对量价相关技术指标进行了深入探讨。本文旨在对多维择时体系进行拆解和重构。首先针对不同指标分析其历史业绩表现及适用的择时场景，然后构建多维打分体系，按照大类/子类得分分别构建择时策略，进一步按照不同场景筛选适用的择时因子构建路径优选择时策略。最后评估三类模型对极端行情、拐点、趋势等不同场景的择时能力。

改进后的多维打分体系在日频回测框架下，最高可做到夏普比1.7以上，周频和半月频效果有所下降，夏普降至1-1.3左右，月频则产生较大衰减，多数模型夏普降至1以下。针对短期极端行情、中期拐点的识别率，最高在60%左右，对于长期趋势行情的把握率在70%~80%左右。

择时指标体系

本文采取的择时指标主要来自前期择时系列研究及其拓展，根据样本内外表现和指标的经济学逻辑，构建共计26个底层因子，进一步投票合成为12个子维度，归属估值、情绪、资金、技术4个大类维度。

12个子维度的信号合成方法如下：26个底层因子根据自身信号规则独立发出信号（取值为离散值±1/0），12个子维度信号由成员因子信号通过投票合成（同样取值为离散值±1/0）。投票过程中，多数子维度采用等权投票，即成员因子信号求均值后，>0 → +1，<0 → -1，=0 → 0；期权沽购比子维度采用加权投票（持仓量PCR权重0.5，成交量PCR倒数和成交额PCR倒数各自0.25），只有一个成员因子的子维度则直接采用成员因子信号。

在前期研究和样本外跟踪过程中我们发现，不同指标适用的择时场景存在显著差异。例如，量、价等指标更适合在趋势建立后进行跟随，对于需要左侧预判场景则表现不佳；期权偏度表征市场情绪，反转场景下表现较好，而趋势行情下则容易发生误判；涨停个股的占比在行情启动初期抄底能力较强，趋势强度指标ADX在行情启动后的追高能力较强，而两者对于下行行情的追空则表现不佳；换手率波动因子在提示做多机会时表现较好，但提示的做空信号往往胜率较低。

本节对单因子信号分路径拆解，以厘清各指标的收益来源及其适用的择时场景。将因子信号的转向视作一次开仓（1/0→-1为开空仓，-1/0→1为开多仓），同向信号持续期间视作一次持仓，按照持仓信号的多空方向与开仓时点的市场运行方向（以择时标的5日收益符号界定），因子信号可被划分为四条子路径（连续持仓不中途打断）：追高、抄底、追空、逃顶，具体定义如下：

相应的，我们构建四条组合路径，含义如下：

• 趋势 = s1 + s3（顺势操作，追涨杀跌）

• 反转 = s2 + s4（逆势操作，抄底逃顶）

• 多头 = s1 + s2（全程只做多）

• 空头 = s3 + s4（全程只做空）

因子收益拆解

单因子综合择时业绩与分场景择时业绩

从全区间综合业绩表现来看，单因子择时夏普大多在0.3到0.8左右，部分因子单独使用即有较好表现，如上证50ETF110比90偏度因子、上证50ETF110IV，夏普高达1以上；也有部分指标单独使用效果较差，如布林带、中证500会员持单比。

接下来将指标的收益来源进行拆解。将因子信号拆分为四条子路径，单独回测每条子路径的净值和业绩表现。可以看出，因子的收益来源在四条路径上的分布极不均衡。例如，同为技术指标，期权隐波（上证50ETF110IV）虽然在四条路径上都有正收益，但最主要的贡献来自于抄底，即捕捉超跌后的反弹机会；量能指标（60日换手率乖离率）主要收益来源则为追高，即在市场上行且放量时追踪趋势。有些指标的收益来源基本符合预期，例如估值erp_pe在抄底和逃顶都有正收益，在追趋势场景下鲜少发出信号；另一些指标的收益来源则与预期存在出入，如成交额PCR倒数作为反转指标，预期在反转场景下应有较好表现，实际上抄底场景表现尚可，逃顶场景则累计贡献负收益（说明指标提示市场过热可能过早），反而是追高和追空场景，虽然信号频率较低，但整体也贡献了正收益。

26个底层因子在不同路径下的择时夏普汇总如下。总体来看，从追高、抄底，到逃顶、追空，四种场景的择时难度逐渐增加；多数单因子的纯多头策略好于纯空头策略，而趋势与反转则取决于指标构建逻辑。

子维度综合择时业绩与分场景择时业绩

就综合业绩来看，子维度择时夏普大多在0.5-1左右，期权期货相关子维度夏普相对较高，或与其回测时间较短有关。值得一提的是，合成后，多数子维度的业绩相对于成员因子有所提升，这一层面的信号合成可以起到1+1>2的效果。

子维度层面可以更为清晰的看出因子收益来源的分布：

• 估值在四种场景下均有正收益，追空场景相对较弱；

• 情绪抄底能力较好，但逃顶效果不佳；

• 资金在追高场景最佳，其次为逃顶，抄底和追空能力不佳，说明其在入场时偏谨慎（趋势建立后才入场）离场时也偏保守（市场仍处于上行阶段就已经退出）；

• 技术层面的量、价、趋势指标仅适用于追高场景，即追踪趋势特别是正向趋势；异动类指标可用于抄底，对底部反转场景也有一定择时能力；期权隐波则在除逃顶外的场景下均有不错表现。

总体来看，多数指标在追高场景都有较好表现，追空和逃顶是相对难做的择时场景。

对每种场景筛选适用的择时因子，按照子维度的夏普降序排列，在12个子维度中选取前8，结果如下：

02 择时模型的重构：从多维择时到多维打分

多维打分模型A_1：分层合成

在前期研究《再论A股择时：多维度融合-20250529》中，我们通过分层投票构建多维择时模型：先将子维度汇总为估值、情绪、资金、技术四个大类维度信号（第一层投票）；再将四个大类维度汇总为多维择时信号（第二层投票）。我们首先延续分层思路，从离散信号升级为相对连续的打分，构建多维打分体系，核心差异点在于：子维度合成和四个维度合成的层面，都不进行离散化处理，而是直接以信号均值作为得分，不仅保留信号方向，且保留信号强度。将分层取均值的打分模型，记作多维打分模型(A_1)。

打分日频变化，如直接将得分作为多空仓位，或将带来较大的交易磨损。因此，我们将打分映射为相对离散的权重信号，划分为三档（多空平，设置不同的开仓阈值）或五/七/九不同档位，仓位与信号强度正相关。

对比不同权重映射方案，以0为阈值的多空满仓策略收益最高，波动也最大，夏普比约1.18；提升开仓阈值或者设置权重的分级靠档都会导致非满仓时间占比增加，收益和波动同时下降，但夏普有所提升，五、七、九档方案下，夏普比均在1.4以上，五档方案夏普最高约1.48。

将调仓频率从日频降低为周频（每周最后一个交易日发信号）、半月频（每月1日及之后的第一个交易日、每月15日及之后的第一个交易日）、月频（每月最后一个交易日），模型在周频和半月频的择时夏普衰减到1左右，在月频则衰减到0.6-0.7左右。

多维打分模型A_2：12个子维度合成

A_1模型先把子维度聚合成四个大类维度，再对大类维度等权均值合成最终信号，这种分层聚合方式可能存在信息压缩问题，例如情绪和技术内部子维度较多，内部子维度权重被压缩；另一方面，子维度的归属为主观划定，可能存在争议。

构建A_2模型进行改进：跳过大类维度聚合，直接对12个子维度取等权均值，保留子维度层面的信号强度。虽然不同维度内部指标数量存在差异，但总体来看趋势和反转指标数量较为均衡，不至于给模型带来系统性偏差。

本质上，A_2相比A_1，提高了研究较为充分、有效因子数量较多的情绪和技术面的权重，降低了信息挖掘较少的估值和资金面权重。

大部分情况下，A_2和A_1得分走势接近，但A_2在看空场景下的极端值更低。

将A_2同样采取不同的权重映射方案，阈值0方案收益波动最高，夏普提升至1.46；年度正收益概率提升至90%以上。其他分档方案下，夏普大多分布在1.2-1.5左右，相比A_1的业绩接近，年度正收益概率总体有所改善。

降低调仓频率后，模型在周频和半月频的夏普衰减到1左右，在月频则衰减到0.4-0.6左右。

多维打分模型B：路径优选合成

上述多维打分模型A_2的合成，既可以理解为12个子维度的合成，也可以理解为每个子维度先拆解为四条路径，在每条子路径上对12个子维度的子路径合成，再对四条路径的信号加总。

在视角转换后，我们尝试在每条路径下仅采取适用于这种场景的择时指标，而非全部指标；或者从负面剔除的角度，排除掉在这种场景下明显不适用的指标。具体来说，对每条子路径下的子维度进行优选，仅采用夏普排名前8/12的子维度（详见图表12），构建路径优选的打分模型，记作多维打分模型B，相当于对择时指标进行了改造，限制其仅在其擅长的部分场景下发挥作用（如剔除价格指标的反转信号、资金指标的追空信号等）。

在阈值0方案下，多维打分模型B的年化收益、夏普、月度/年度正收益概率相对于A版本两个模型都有明显提升，夏普提升至1.6以上，年度正收益概率达100%，其他分档方案的夏普在1.6-1.7左右，大部分权重映射方案下年度正收益概率较高，择时业绩的稳定性有了较大提升。然而，B模型纳入了更多全样本信息进行优化，存在一定的过拟合风险。

降低调仓频率后，模型在周频和半月频的择时夏普衰减到1-1.3左右，在月频则衰减到0.8-1.2左右。

03 模型评价：对三类典型场景的择时能力

为了更直观评估模型择时能力，本文构建三类典型场景，分别考察：

1：模型在极端行情前是否及时发出预判；极端行情后是否对后续走势做出正确反应；

2：能否把握阶段性拐点，在拐点附近及时发出正确的多空转换信号；

3：能否把握住趋势，在上涨/下跌趋势中，模型的多/空信号是否占据主导。

三类场景定义

具体来说，本文使用万得全A日频行情数据划分极端行情、拐点和趋势，使用多维得分结果（多维打分A_1，多维打分A_2，多维打分B），以sign(score) 作为方向判断。三类场景定义如下：

场景一：短期极端行情

极端单日行情：

• 定义：单日收盘涨跌幅绝对值在3.5%及以上；

• 判定：预判（T-1日信号 vs T日涨跌方向）和反应（T日信号 vs T+1日涨跌方向）。

极端5日行情：

• 定义：任意5个交易日内，区间收盘价最大涨跌幅绝对值在10%及以上；

• 判定：预判（段起点T-1日信号 vs 段方向）和反应（T日信号 vs 段方向）。

场景二：阶段拐点

• 定义：区间涨跌幅超过15%，持续时间不少于5个交易日的阶段性行情的拐点；

• 判定：对每个拐点，在上一反向拐点到下一反向拐点之间寻找信号反转的时间点，判断信号转向时点和真实拐点之间的间隔长度，分七档：

1)无转换，已处于正确信号：信号早于窗口左边界就已转对

2)有转换，同步：|实际转向实际与拐点日之间的差值| <= 3 日

3)有转换，领先贴近：提前4~10日

4)有转换，滞后贴近：滞后4~10日

5)有转换，但偏离：领先或滞后11~30日

6)有转换，但严重偏离：领先或滞后>= 31日

7)无转换，错过拐点

前四档都视作在拐点附近做出正确应对，即识别到了本次拐点。

场景三：阶段趋势

• 定义：涨跌幅超过20%，持续时间不少于20个交易日的趋势行情；

• 判定：对每段趋势，段内同向信号的占比是否大于50%。

三类场景下模型表现对比

以下我们汇总三类打分模型对上述三种场景的识别能力。

• 对于极端行情，A_2和B模型表现相对较好，提前预判率与反应正确率在60%左右；

• 对于行情拐点，A_1识别率在50%以下，A_2超过50%，B模型超过60%；

• 对于趋势行情，A_1能把握住60%，A_2超70%，B模型超80%。需要说明的是，极值点天然是模型最难捕捉的时刻，用极值点作为趋势段的起止边界，会低估模型在完整行情周期中的实际表现，趋势分析更适合用来做模型间的相对比较，而非衡量绝对收益能力。

整体来看，B模型优于A_2（在拐点识别和趋势跟踪上），优于A_1（在极端行情预判和反应上）。三类模型对于极端行情和拐点都有一定的捕捉能力，但也有部分场景可能偏离拐点或者错失行情，模型整体收益来自于长期积累，而非“次次命中”。以具体行情为例：

2020-01-20疫情冲击的预判：B模型在疫情冲击前已转空，A_1和A_2均仍看多。

2025-04-07 关税大跌预判：A_2和B在关税冲击前均已转负，A_1仍看多。

2024-09-18底部拐点：A_2仅提前1日转多，最贴近真实拐点；B和 A_1均提前10日以上转多，在磨底阶段承担了一定风险。

2024-10-08顶部拐点：三模型在拐点当日信号均强烈看多，到下一底部（2024-10-16）前始终未翻空，完整错过此次短期回调。

总体来看，多维打分体系能定量刻画当前行情的强弱程度，相比多维择时体系纳入了更多信息，在信息传递上更为详实且连续，便于跟踪，但在具体使用上仍是“方向大于强度”，多数模型在阈值0的多空策略下即有较好的表现，建议使用阈值0策略（中性+多空）或者五档策略（中性、半仓看多、满仓看多、半仓看空、满仓看空）。降低到周频或者半月频后，信号滞后会导致择时效果有所衰减，但仍显著好于不择时，月频则表现不佳，建议周频或半月频跟踪。三个模型之间，从全局夏普来看，A_1和A_2差异不大，但对于极端行情的把握A_2明显更好；B模型通过路径优选限制了指标的适用场景，使得每个指标仅在其能力圈内发表观点，在拐点和趋势把握上都更进一步，虽然这一改进具备一定的择时逻辑支撑，但优化过程中仍会引入一定的过拟合风险。

风险提示

择时等量化模型均是对历史投资规律的挖掘，若未来市场投资环境发生变化，则量化投资策略可能不适用。本报告对历史数据进行梳理总结，不构成任何投资建议。根据历史数据的规律总结，存在失效的可能，历史结果不能简单预测未来。

文章来源

研报：《多维择时模型的拆解与重构》2026年5月18日

研究员：何 康 S0570520080004 | BRB318

研究员：韩 晳 S0570520100006