芦哲：基于宏微观的权益月度择时模型

来源：首席经济学家论坛

模型设计：五大维度、12个指标的因子打分框架

宏观择时的落地痛点：理论研究在实际投资中面临调仓时间固定、参数与因子过拟合、宏观数据处理失真三大痛点。我们对比因子打分、因子回归、事件冲击和美林时钟四类常见模型后，选择逻辑透明、对样本依赖较小的因子打分模型。

五大维度、12个指标：模型从基本面（经济、货币、信用）、资金面（杠杆、期货、期权）、国际面（利差、汇率）、估值面（ERP）和技术面五个维度选取12个指标，每个指标给出+1或-1的信号，五个维度的权重分别为30%、30%、20%、10%和10%，综合评分区间为-10至+10分。

指标筛选兼顾逻辑与定量：每个入选指标既要有清晰的经济学逻辑，又要在训练集中满足胜率高于50%、超额收益尽量高的要求；信号规则只与上月值、近3个月均值或历史分位数比较，不针对单个指标优化参数，以降低过拟合风险。

回测表现：弱信号合成强信号，样本外表现稳健

训练集胜率接近70%：入选单因子在训练集中的胜率大多在55%左右，五个维度合成后，训练集（2016年1月—2023年9月）方向判断胜率提升至69.89%。按综合评分≥0分持有万得全A、<0分空仓回测，年化收益为17.67%，同期万得全A为-0.54%，年化超额收益为18.20%；最大回撤为8.16%，远低于万得全A的35.76%。

样本外表现稳健：测试集（2023年10月—2026年9月）方向判断胜率为66.67%，与训练集基本一致；年化收益为22.76%，同期万得全A为9.26%，年化超额收益为13.50%；最大回撤为11.04%，低于万得全A的20.97%。全样本年化超额收益为16.96%。

熊市防守能力突出：2016年至2026年（2026年为1—9月）的11个年份中，模型有9年跑赢万得全A，且在万得全A下跌的5个年份中均取得正收益。综合评分≥3分时，万得全A下月上涨的概率为77.78%；≤-5分时仅为17.65%。

模型局限：模型适合中长期配置，但月频调仓难以适应A股的高波动，对部分极端行情反应较慢，如2024年10月上旬的快速回调，以及2025年7月和2026年4月的快速上涨。

最新观点：2026年10月模型评分为-1分

各维度评分：基本面（-2分）是主要拖累，信用扩张动能偏弱；估值面（-1分）显示股票相对债券的性价比尚不突出；资金面（+1分）和技术面（+1分）偏多，杠杆资金有所降温，趋势有所改善；国际面多空相抵（0分）。

市场展望：2016年1月至2026年9月，综合评分为-1分的情形共出现14次，次月万得全A上涨的概率为57.14%，但下跌时的平均跌幅（4.77%）明显大于上涨时的平均涨幅（1.59%）。我们认为10月A股以震荡为主，后续重点关注信用数据能否企稳回升。

风险提示：模型基于历史数据构建，存在失效风险；宏观数据存在发布滞后与修订；海外政策、地缘冲突等不可控外力可能导致模型短期失效。

1. 宏观择时研究的落地痛点与模型设计思路

资产配置与择时领域的研究成果丰富，但许多回测表现亮眼的模型，在实际投资中很难取得理想效果。本章首先梳理理论研究落地过程中的三类痛点，再对比市面上常见的四类权益月度择时模型，说明本文选择因子打分框架的原因，最后介绍模型的总体结构。

1.1. 理论研究在实际投资中的痛点

资产配置理论研究在实际投资中存在诸多痛点，导致很多看起来不错的理论研究在实际操作层面难以取得理想效果。我们将其归纳为调仓时间、模型稳健性和宏观数据处理三个方面。

1.1.1. 调仓时间固定

资产配置模型多由金工量化团队完成。为便于回测，多数量化研究采用月频调仓，调仓时点固定，常见的有月初、月末和月中（例如每月5日，以等待部分月初经济数据更新）。

而实际投资中盘面变化较快，投资经理很少只在每月固定的时间点进行交易。固定时点的月频信号对月内的突发行情反应滞后，与实际投资的决策节奏存在错位。因此，本文模型定位于研判下个月的大盘方向，而非给出精确的交易时点。

1.1.2. 参数与因子过拟合

部分量化研究为了得到较为好看的回测结果，会刻意堆砌数据进行测算，容易出现严重的共线性或参数过拟合问题。还有一些指标并没有显著的经济学意义，与市场走势的相关性可能只是历史上的巧合。

这类模型往往样本内表现亮眼，样本外却失效过快。我们认为，指标入选首先应当具备清晰的经济学逻辑；其次，信号规则应尽量简单、参数尽量少，并通过样本外检验确认其稳健性。

1.1.3. 宏观数据处理失真

资产配置研究中，除纯量化的金工研究外，还有大量宏观主观研究，而部分量化研究对宏观数据特性的理解仍有待深入。例如，部分宏观数据存在春节效应，统计上会将1月、2月数据合并发布，但部分研究统一将数据滞后一个月处理，与实际的数据发布节奏严重不符。

此外，政策的公布往往会引起宏观预期的快速变化，而依赖已公布数据的量化研究，很难及时跟上预期的改变。因此，构建宏观因子时，需要按真实的发布时间对齐数据，并结合宏观逻辑处理特殊月份。

1.2. 常见月度择时模型对比与选择

市面上常见的权益月度择时模型主要有四种类型。每类模型都有自身特色，也都在部分时期取得过较好的回测效果。

1.2.1. 四类常见模型：因子打分、因子回归、事件冲击、美林时钟

因子打分模型：寻找经济学逻辑较强的有效宏观因子，从多个维度进行评测挖掘，最后进行综合打分。

因子回归模型：寻找多个与大盘指数相关性较高的因子进行回归测算，得到下一期（通常为下一个月）的预期收益率。

事件冲击模型：将宏观因子的变化转化为事件因子，例如PMI连续多期上升、CPI连续多期下降后转升等，寻找历史上有效的事件冲击因子，分析正负冲击力度后进行综合打分。

美林时钟模型：根据经济增长与通胀对经济周期进行划分，在不同阶段配置不同资产，进而达到择时配置的目的。

1.2.2. 选择因子打分模型的原因

经过综合测算和考量，我们最终选择因子打分模型，主要基于以下三点考虑。

第一，经济学解释力度较好。每个因子都对应清晰的经济逻辑，模型结论可以拆解到具体维度，能够清楚看到当期是哪个维度对判断影响较大。

第二，适合“弱信号合成强信号”。大盘指数受多重因素共同影响，单个宏观指标对其解释力度天然有限。从我们的测试看，多数有效指标单独使用时的胜率仅在55%附近；若按t检验、信息比率等传统统计标准筛选，几乎没有指标能够入选。因子打分模型并不要求单个因子具有很强的预测能力，而是将一批具备经济学逻辑、胜率稳定高于50%的指标综合起来，合成胜率显著更高的综合信号。

第三，适合持续更新改进。打分规则简单透明，新增或替换某一维度的指标不会影响整体框架，便于在跟踪过程中持续迭代。

1.3. 模型总体框架：五大维度、权重与打分规则

本模型以万得全A指数为择时标的，按月频调仓。模型从基本面、资金面、国际面、估值面、技术面五个维度对市场进行评测，各维度包含若干子指标。

指标选取标准。指标选取遵循两类标准：一是经济学逻辑，指标本身必须具有明确的经济含义，能够解释其影响权益市场的方向；二是定量检验，单个指标的择时胜率需大于50%，同时超额收益率尽量高。

打分规则。打分规则并非事先设定，而是在测算中逐步确定的。我们对每个候选指标测试了不同的信号构建方式，例如与上月值比较、与近3个月均值比较、计算历史分位数等，并检验信号方向与经济逻辑是否一致，最终只保留检验有效的指标和规则。入选的每个子指标给出+1或-1的信号，其中基本面的经济、信用维度各包含两个指标，每个指标占0.5分。

综合评分。各维度得分直接加总，得到-10分至+10分的综合评分。各维度的分值上限由最终入选的有效指标数量决定，即基本面3分（30%）、资金面3分（30%）、国际面2分（20%）、估值面1分（10%）、技术面1分（10%）。综合评分≥0分时，模型看好下个月万得全A指数的方向；综合评分<0分时，模型看空下个月的方向。

回测区间。2015年“811汇改”后，海外因素对A股的影响明显增大，因此模型测算从2016年开始。模型的回测结果详见第8章。

2. 基本面维度：经济、货币、信用

基本面维度从经济、货币、信用三个子维度刻画宏观环境，满分3分，占综合评分的30%。我们在各子维度内测试了多个候选指标，并对每个指标比较了不同的信号构建方式，最终入选5个指标：经济维度的社会消费品零售总额当月同比、规模以上工业增加值当月同比，货币维度的货币环境指数，以及信用维度的金融机构中长期贷款余额同比和M2同比。

信号构建方式。对于每个候选指标，我们主要比较四种信号构建方式：当日指标信号，即当月值与上月值比较；均值指标信号，即当月值与近3个月均值比较；当日分位指标信号和均值分位指标信号，即分别以当月值、近3个月均值在历史滚动窗口中所处的分位数生成信号。

单因子检验口径。本章单因子检验的统计区间为训练集，即2016年1月至2023年9月，共93个月（样本划分详见第7章）。每月末根据信号判断下个月万得全A指数的涨跌方向：信号为正或为零时看多，为负时看空。胜率为方向判断正确的月份占比；年化超额收益为按信号持有万得全A（看空时空仓）相对于一直持有万得全A的年化收益之差。模型在测试集上的表现，将在第8章结合综合信号统一展示。

2.1. 经济维度

经济维度反映实体经济的景气程度，满分1分，由社零和工业增加值两个指标构成，每个指标占0.5分。

2.1.1. 指标选择：为什么选社零和工业增加值

经济维度共测试了9个候选指标，覆盖需求、生产、景气调查、价格、能耗和地产六类数据（表3）。社零和工业增加值分别对应需求端和生产端，是统计局月度数据中覆盖面最广、市场关注度最高的两项实体经济指标。在训练集中，社零的胜率为56.99%，年化超额收益为4.59%；工业增加值的胜率为59.14%，年化超额收益为6.40%，两者均满足胜率高于50%、超额收益较高的标准。

其余候选指标未入选的原因主要有三类。一是胜率接近50%：PMI在四种构建方式下的胜率均不超过52.69%，择时能力有限。二是表现不及入选指标：价格类指标（CPI、PPI、CPI−PPI）具备一定的择时能力，但训练集胜率最高为55.91%，均低于入选的社零和工业增加值。三是数据质量或收益贡献不足：全社会用电量在训练集中胜率较高（59.14%），但数据更新时间不稳定，不利于每月按时生成信号；二手住宅价格同比的胜率为58.06%，但年化超额收益仅2.67%，环比指标的胜率则不超过53.76%。

2.1.2. 信号规则与逆周期逻辑

经济维度的两个指标均采用均值指标信号，且为逆向规则：当月同比低于近3个月均值时，信号为+1；当月同比高于近3个月均值时，信号为-1。

为什么是逆向规则？直觉上，经济数据走强应当利好股市，但测算结果恰恰相反：若采用顺向规则（当月同比高于近3个月均值时看多），训练集中社零的胜率仅为41.94%，工业增加值仅为40.86%，均明显低于50%；采用逆向规则后，胜率分别提升至56.99%和59.14%。我们认为逆向关系主要来自以下三个方面。

一是政策预期。我国宏观调控具有明显的逆周期特征。经济数据边际走弱时，市场对稳增长政策加码的预期升温，降准降息、财政发力等政策预期会提升风险偏好，对权益市场形成支撑；经济数据持续走强时，政策进一步加码的必要性下降，甚至可能面临政策退坡的担忧。

二是市场的领先性。股票价格反映的是对未来盈利的预期，通常领先于经济数据。经济数据仍然偏弱时，市场往往已经开始交易修复预期；而当经济数据明显好转、同比读数持续走高时，增长预期大多已被定价，继续上行的空间反而有限。

三是流动性的再分配。实体经济需求偏弱时，企业扩张意愿下降，资金在实体部门的回报降低，更多流向金融资产，推升权益市场估值；经济过热时，实体部门对资金的需求上升，流动性对金融资产的支撑相对减弱。

在数据处理上，社零和工业增加值存在春节效应：统计局将1月、2月数据合并发布，每年1月末、2月末均没有新的当月数据，需要等到3月中旬1—2月合计数据公布后才能更新信号。模型严格按照数据的实际发布时间生成信号，不使用信号日之后才公布的数据。

2.2. 货币维度

货币维度反映货币政策的松紧程度，满分1分，由货币环境指数单一指标构成。

2.2.1. 指标选择：以货币政策感受指数为锚

衡量货币政策松紧最直接的指标是中国人民银行《银行家问卷调查报告》中的货币政策感受指数，它反映银行家对当期货币政策松紧的判断。但该指数为季度数据，且发布存在滞后，无法直接用于月频择时。

因此，我们以货币政策感受指数为锚，选取月度及更高频的利率数据，构建与其走势相近的月频货币环境指数。降准、降息与公开市场操作是货币政策最直接的表达方式，基础指标共12个，可分为三类：一是准备金率，包括大型和中小型存款类金融机构的存款准备金率；二是政策利率，包括7天逆回购利率、1年期MLF利率、1年期和5年期LPR，以及1年期存款和贷款基准利率；三是市场利率，包括DR007、R007以及1年期和10年期国债到期收益率。

2.2.2. 货币环境指数的构建

我们将上述基础指标合成为月频的货币环境指数，用于刻画货币政策的边际松紧变化。

需要说明的是，近年来我国货币政策框架处于持续调整之中。2025年2月之前，MLF利率是重要的中期政策利率，此后MLF逐步转变为工具型利率，其政策信号意义有所下降。与此同时，央行陆续推出了国债买卖、买断式逆回购等新的流动性管理工具。这些新工具对市场流动性的影响确实重要，但由于推出时间较短、历史数据不足，暂未纳入货币环境指数，后续将随着数据的积累择机纳入。

在四种信号构建方式中，当日指标信号的效果最好（表4）：当月货币环境指数较上月边际宽松时，信号为+1；边际收紧时，信号为-1。训练集中，该信号的胜率为58.06%，年化超额收益为7.67%。

值得注意的是，基于水平比较的两种方式（胜率58.06%、56.99%）明显优于基于分位数的两种方式（胜率均为52.69%）。这说明对权益市场而言，货币政策的边际变化比货币环境所处的历史位置更重要。

2.3. 信用维度

信用维度反映实体部门的融资需求和信用扩张情况，满分1分，由中长期贷款余额同比和M2同比两个指标构成，每个指标占0.5分。

2.3.1. 指标选择：为什么选中长期贷款和M2

信用维度共测试了5个候选指标（表5）。中长期贷款主要投向企业资本开支和居民购房，能较好地反映实体部门的真实融资需求，是信用扩张“质量”的体现；M2衡量全社会的广义流动性，是信用扩张“总量”的体现。训练集中，中长期贷款余额同比的胜率为59.14%，年化超额收益为10.05%；M2同比的胜率为59.14%，年化超额收益为6.41%，两者的胜率在候选指标中并列最高。

社会融资规模存量同比与中长期贷款高度重叠（人民币贷款是社融的主要构成部分），且训练集胜率最高为55.91%，未入选。M1同比及M1−M2剪刀差的年化超额收益偏低，均不超过4.45%，也未入选。

2.3.2. 信号规则

中长期贷款余额同比采用均值指标信号：当月同比高于近3个月均值时，信号为+1；低于近3个月均值时，信号为-1。M2同比采用当日指标信号：当月同比高于上月时，信号为+1；低于上月时，信号为-1。中长期贷款数据为余额口径，我们根据余额计算同比后再生成信号。

与经济维度不同，信用维度采用顺势规则：信用数据走强，意味着宽松政策已开始向实体部门传导，企业和居民的融资需求回升，盈利改善的预期随之增强。经济维度与信用维度从两个角度刻画了“政策底—市场底”的过程：前者捕捉政策加码的预期，后者确认政策传导的效果。

3. 资金面维度：杠杆、期货、期权

资金面维度从杠杆资金、期货资金和期权资金三个角度刻画市场的资金行为与情绪，满分3分，占综合评分的30%。三个子维度各选取一个指标，每个指标占1分：两市融资余额、沪深300股指期货前20名会员净持仓，以及上证50ETF期权的持仓量认沽认购比（PCR）。

信号构建方式。资金类数据多为日频，因此在第2章四种方式的基础上，我们进一步区分“当日值”与“月均值”两种取数口径，共比较六种信号构建方式：当日指标信号，即月末当日值与上月末比较；均值指标信号_日月，即月末当日值与当月均值比较；均值指标信号_月环比，即当月均值与上月均值比较；均值指标信号_月均值，即当月均值与近3个月均值比较；以及当日分位指标信号和均值分位指标信号。单因子检验口径与第2章一致，统计区间为训练集（2016年1月至2023年9月）。

候选指标。资金面共测试了6个候选指标（表6）。除最终入选的3个指标外，杠杆资金方面还测试了融资买入额和融资净流入额，外资方面测试了北向资金。融资买入额的最高胜率为59.14%，但年化超额收益为3.83%，低于融资余额；融资净流入额的结果则不够稳定：胜率最高的构建方式年化超额收益仅为2.64%，而年化超额收益最高的构建方式胜率仅为52.69%，接近50%。北向资金在训练集中表现尚可，但自2024年8月起不再披露每日资金流向数据，无法持续生成信号，因此未纳入模型。

信号方向。资金面三个指标中，融资余额和股指期货净持仓采用逆向规则，PCR采用顺势规则。这背后的逻辑是：杠杆资金和期货持仓反映的是资金的“拥挤程度”，过度集中往往意味着情绪已经充分释放，后续容易反转；而期权PCR反映的是市场情绪的边际变化，情绪改善的趋势在一个月的维度上更容易延续。三个入选指标在六种构建方式下的表现见表7。

3.1. 杠杆资金：融资余额

融资余额是投资者通过融资融券向券商借入资金买入股票的未偿还余额，代表杠杆资金的规模，是衡量市场风险偏好的常用指标。与融资买入额、融资净流入额等流量指标相比，融资余额是存量指标，受单日交易波动的影响较小，能够更稳定地反映杠杆资金的整体水平。

信号规则。融资余额采用均值指标信号_月均值，且为逆向规则：当月融资余额的月均值低于近3个月月均值时，信号为+1；高于近3个月月均值时，信号为-1。训练集中，该信号的胜率为55.91%，年化超额收益为5.24%，在六种构建方式中超额收益最高。

为什么是逆向规则？若采用顺向规则（融资余额上升时看多），训练集胜率仅为44.09%。融资资金具有明显的趋势追随特征，往往在市场上涨后加速流入。融资余额快速攀升，说明杠杆资金趋于拥挤、市场情绪偏热，一旦行情转向，去杠杆带来的抛压会放大调整；反之，融资余额回落意味着杠杆资金已经出清，市场的潜在抛压有所减轻，后续反弹的空间更大。

3.2. 期货资金：沪深300股指期货前20名净持仓

股指期货是机构投资者管理权益仓位风险的主要工具。我们选取上市时间最长、流动性最好的沪深300股指期货作为测算标的，统计前20名会员的多头持仓与空头持仓，计算净持仓（多头持仓减空头持仓）。前20名会员以机构为主，其持仓变化能够反映机构对冲需求和多空情绪的变化。

信号规则。股指期货净持仓采用均值指标信号_月环比，且为逆向规则：当月净持仓的月均值低于上月月均值时，信号为+1；高于上月月均值时，信号为-1。训练集中，该信号的胜率为59.14%，年化超额收益为7.73%，在资金面候选指标中表现最好。

为什么是逆向规则？若采用顺向规则，训练集胜率仅为40.86%。前20名会员的净持仓通常为净空头，主要来自机构的套期保值需求。净持仓下降、即净空头扩大，说明机构加大了对冲力度，市场的悲观预期较为集中，这类时点往往接近阶段性底部；净空头收窄则说明对冲需求下降、乐观情绪逐步积累，市场的上行空间反而受限。

3.3.期权资金：上证50期权PCR

PCR（Put-Call Ratio）即认沽期权持仓量与认购期权持仓量之比，是衡量期权市场多空情绪的常用指标。我们选取上市时间最长的上证50ETF期权作为测算标的，数据始于2015年2月：PCR =认沽持仓量 / 认购持仓量。

信号规则。PCR采用当日指标信号，且为顺势规则：当月最后一个交易日的PCR低于上月最后一个交易日时，信号为+1；高于上月时，信号为-1。训练集中，该信号的胜率为53.76%，年化超额收益为5.70%，在六种构建方式中超额收益最高。

逻辑解释。PCR下降说明认沽持仓相对减少、认购持仓相对增加，投资者买入下跌保护的需求下降，市场情绪边际改善；PCR上升则说明避险需求增加。与杠杆资金和期货持仓不同，期权持仓的变化更多反映情绪的边际方向，在一个月的维度上具有一定的延续性。若采用逆向规则，训练集胜率仅为46.24%。

4.国际面维度：利差与汇率

国际面维度刻画海外因素对A股的影响，满分2分，占综合评分的20%，由中美利差和美元兑离岸人民币汇率两个指标构成，每个指标占1分。

2015年“811汇改”之后，人民币汇率形成机制的市场化程度明显提高，叠加沪深港通、债券通等互联互通机制不断完善、A股纳入全球主要指数，海外资金和全球流动性对A股的影响持续增强。中美利差和人民币汇率是联系国内外资本市场的两个核心价格：前者反映中国资产相对于美国资产的收益吸引力，后者反映跨境资金流动的方向和对人民币资产的信心。这也是模型测算从2016年开始的原因之一。

国际面共测试了3个候选指标（表8）。除入选的两个指标外，我们还测试了期限利差。期限利差在训练集中的胜率最高为56.99%，但对应的年化超额收益仅为0.08%，择时贡献有限，未纳入模型。信号构建方式与第3章相同，共比较六种方式，单因子检验的统计区间为训练集（2016年1月至2023年9月）。

4.1.中美利差

中美利差定义为中国10年期国债收益率减去美国10年期国债收益率。利差走阔，意味着持有人民币资产的相对收益上升，有利于吸引海外资金流入；同时，中美利差的变化也反映了两国货币政策的相对松紧，美联储降息周期往往伴随着利差走阔，为国内货币政策打开宽松空间。

信号规则。中美利差采用均值指标信号_月均值，为顺势规则：当月中美利差的月均值高于近3个月月均值时，代表中国资产的吸引力在上升，信号为+1；低于近3个月月均值时，代表中国资产的吸引力在下降，信号为-1。训练集中，该信号的胜率为59.14%，年化超额收益为7.09%，在六种构建方式中均为最高（表9）。若采用相反的规则，训练集胜率仅为40.86%。

4.2.美元兑离岸人民币汇率

我们选用美元兑离岸人民币汇率（USD/CNH）而非在岸汇率。离岸人民币的交易受管制较少，价格由市场供需决定，更能反映海外投资者对人民币资产的真实预期；数据始于2012年。

信号规则。汇率指标采用均值指标信号_月均值：当月USD/CNH的月均值低于近3个月月均值时，代表人民币升值，中国资产的吸引力在上升，信号为+1；高于近3个月月均值时，代表人民币贬值，信号为-1。训练集中，该信号的胜率为52.69%，年化超额收益为7.23%。若采用相反的规则，训练集胜率仅为47.31%。

从表9可以看到，当日指标信号在训练集中的胜率（58.06%）和年化超额收益（7.71%）均略高于月均值口径。我们仍选用月均值口径，主要考虑汇率的日度波动容易受到消息面冲击和逆周期调节等因素的影响，以月均值衡量能够更稳定地反映人民币的趋势变化，同时与中美利差的口径保持一致。

逻辑解释。人民币升值通常伴随着跨境资金流入和海外投资者对中国资产信心的增强，对A股的估值和流动性形成支撑；人民币贬值则可能引发资金外流的担忧，压制风险偏好。从历史上看，人民币汇率的阶段性贬值时期，往往也是A股承压的时期。

5.估值面维度：改进的ERP风险溢价模型

估值面维度衡量权益资产的性价比，满分1分，占综合评分的10%，由改进的ERP（股权风险溢价）单一指标构成。与前几个维度捕捉边际变化不同，估值是相对“慢”的变量，决定的是市场中长期的赔率：估值越便宜，未来的潜在回报越高，下行空间也越有限。

估值面共测试了3个候选指标（表10）：ERP，以及沪深300的市盈率（PE）和市净率（PB）。PE和PB属于绝对估值指标，只反映股票自身的贵贱，没有考虑利率环境的变化；而ERP衡量的是股票相对于债券的性价比，同时纳入了盈利和无风险利率两方面的信息，更契合大类资产配置的视角。训练集中，ERP的年化超额收益为10.24%，明显高于PE（4.05%）和PB（5.95%）。PB的胜率（64.52%）虽然高于ERP，但超额收益较低；PE则是ERP的组成部分，与ERP的信息高度重叠。因此，估值面最终选用ERP。

5.1.ERP模型的构建与改进

ERP（Equity Risk Premium，股权风险溢价）是股票预期收益率与无风险利率之差，常用股票指数市盈率的倒数（E/P）减去长期债券收益率来计算。ERP越高，说明股票相对于债券越便宜，配置权益资产的性价比越高。

我们在传统ERP模型的基础上做了三点改进。一是权益端选用沪深300指数，以大盘蓝筹的盈利和估值代表A股的整体水平。二是债券端选用10年期国开债收益率，而非更常用的10年期国债收益率。国开债交易活跃、流动性好，收益率对市场利率变化的反应更为灵敏；从测算结果看，采用国开债时信号效果更好。三是采用3年滚动窗口计算分位数，而非全历史分位数。A股的估值中枢和利率中枢都会随经济结构变化而迁移，滚动窗口能让信号更好地适应估值环境的变化。

具体计算上，我们每个交易日计算一次ERP，并计算其在过去3年中所处的分位数，再对每个月的日度分位数取月均值，作为当月的估值读数。

5.2.分位数阈值与信号规则

估值面采用均值分位指标信号：当月ERP分位数的月均值高于0.7时，信号为+1；低于0.7时，信号为-1。训练集中，该信号的胜率为59.14%，年化超额收益为10.24%，在六种构建方式中超额收益最高（表11），也是全部入选指标中训练集超额收益最高的指标之一。

阈值设为0.7而非0.5，是一种不对称的设计：只有当股票相对债券明显便宜、ERP处于近3年的较高位置时，估值面才给出看多信号；其余时间均给出看空信号。训练集中，估值面给出看多信号的月份仅占约四分之一。这样设计的原因在于，估值对短期涨跌的解释力有限，处于中间区域的估值读数信息量不大，只有在估值明显偏低时，安全边际才足以对下个月的方向形成支撑。

6.技术面维度：动能驱动与风险管控

技术面维度刻画市场自身的价格趋势和位置高低，满分1分，占综合评分的10%。技术面指标沿用我们2025年5月5日发布的《技术分析系列：双维框架研究之动能驱动与风险管控》中的框架，从两个维度对万得全A进行评测：一是趋势维度，衡量动量的相对强弱，回答“胜率”的问题；二是风险维度，衡量标的位置的相对高低，回答“赔率”的问题。两个维度合成为技术综合评分，作为技术面的打分依据。

6.1.动能驱动：济安线与综合动量

动量效应是技术分析中最基础的规律，即价格趋势在一定时间内具有延续性。前期报告比较了均线、MACD和济安线等多类动量指标，最终采用济安线体系刻画趋势。济安线由快线TMP和慢线JAX组成，快线反映短期趋势，慢线反映中期趋势。

基于快线和慢线，我们分别计算短期动量和中期动量，取值范围均为0至100，数值越高代表趋势越强；再将两者综合为综合动量，作为趋势维度的读数。综合动量越高，说明短期和中期趋势共同向上，市场处于上升趋势中的概率越大。

6.2.风险管控：风险度指标（TR）

风险度指标TR衡量标的价格在近期运行区间中所处的相对位置，数值越高，说明价格处于相对高位，后续回撤的风险越大；数值越低，说明价格处于相对低位，下行空间相对有限。TR的取值通常在0至100之间，突破100或跌破0分别对应超涨和超跌状态。根据TR的取值，我们将市场划分为七种风险状态（表12）。

前期报告还基于TR和济安线构建了局部顶和局部底的触发信号，用于识别短期的拐点。本模型为月频模型，更关注中期方向，因此只采用TR的连续读数参与打分，不使用局部顶底信号。

6.3.技术综合评分与信号规则

技术综合评分将趋势维度和风险维度合成为一个0至100之间的分数，但极端情况下允许评分超过此区间。计算公式如下：

技术综合评分 =（综合动量 + 100 − TR）÷ 2

其中，综合动量越高、TR越低，综合评分越高，代表市场“趋势向上且位置不高”，胜率和赔率兼备；反之，趋势向下或位置过高都会拉低综合评分。用100减去TR，是为了让风险维度与趋势维度的方向保持一致。

信号规则。技术面采用均值指标信号_月均值：当月技术综合评分的月均值高于近3个月月均值时，信号为+1；低于近3个月月均值时，信号为-1。训练集中，该信号的胜率为54.84%，年化超额收益为5.10%。若采用相反的规则，训练集胜率仅为45.16%。

从表13可以看到，均值分位指标信号在训练集中的胜率（55.91%）和年化超额收益（5.60%）略高于月均值口径。我们选用月均值口径，主要考虑其规则更为简单直观，且与资金面、国际面中多数指标的月均值口径保持一致。

7.样本划分与回测设计

为检验模型的稳健性，我们将回测区间划分为训练集和测试集：指标筛选、信号构建方式和打分规则均在训练集上确定，测试集只用于检验模型在样本外的表现。本章介绍样本划分、回测设定，以及数据处理和防止过拟合的做法，回测结果详见第8章。

7.1.训练集与测试集的划分

模型的回测区间为2015年12月31日至2026年9月30日。由于每月末生成的信号用于判断下个月的方向，我们按“信号月”和“收益月”两个口径来定义样本（表14）：

训练集：信号月为2015年12月至2023年8月，对应的收益月为2016年1月至2023年9月，共93个月。第2至6章的单因子检验，以及各维度指标和规则的确定，均基于训练集完成。

测试集：信号月为2023年9月至2026年8月，对应的收益月为2023年10月至2026年9月，共36个月。模型在2023年完成构建后，指标和打分规则均未再调整，此后三年的运行结果可视为真实的样本外表现。

训练集与测试集的月份数之比约为72:28，接近常用的7:3划分。之所以选择以时间顺序切分，而不是随机抽取月份，是因为宏观数据和市场走势都具有很强的时间相关性，随机切分会让测试集中的信息“泄露”到训练集中，高估模型的样本外表现。

7.2.回测设定：标的、调仓频率与仓位规则

回测的主要设定见表15。模型的目的是研判大盘下个月的方向，为直观展示方向判断的效果，回测中采用最简单的持仓规则：综合评分≥0分时持有万得全A，综合评分<0分时空仓。

综合评分恰好为0分时同样视为看多。这是因为A股长期整体呈上涨趋势，在多空信号相互抵消、方向不明确时，跟随指数持有的胜率相对更高。从训练集的统计看，0分月份中万得全A上涨的比例为72.73%。

评价指标。我们从方向判断和收益风险两个角度评价模型。方向判断方面，整体胜率为方向判断正确的月份占比，其中正信号胜率为综合评分大于0分的月份中万得全A上涨的比例，负信号胜率为综合评分小于0分的月份中万得全A下跌的比例，零信号胜率为综合评分等于0分的月份中万得全A上涨的比例；超额胜率为策略当月收益不低于万得全A的月份占比。收益风险方面，我们统计年化收益率、年化波动率、最大回撤、收益波动比（年化收益率与年化波动率之比）以及相对于万得全A的年化超额收益。

7.3.数据对齐与防过拟合处理

数据对齐。回测中最容易引入偏差的是数据的时间对齐。我们遵循三条原则：一是严格按照数据的实际发布时间生成信号，每月末的信号只使用当时已经公布的数据；二是对存在春节效应的社零、工业增加值等数据，在1—2月合并数据公布后再更新信号；三是对日频的资金、利率、汇率和估值数据，按月均值或月末值转换为月频读数，与宏观数据的频率保持一致。

防过拟合处理。正如第1章所述，过拟合是理论研究落地的主要痛点之一。我们在模型构建中采取了以下措施：

一是逻辑先行。每个入选指标都必须具备清晰的经济学逻辑，统计上有效但无法解释的指标不予采用。二是规则简单。每个指标只给出+1或-1的信号，比较基准统一为上月值、近3个月均值或历史分位数，不针对单个指标优化参数。三是不优化权重。各维度的权重由入选指标的数量自然决定，而非通过回测寻优。四是保留测试集。测试集不参与任何指标筛选和规则设定，只用于检验样本外表现。

8.回测结果

本章展示综合信号的回测结果。按照第7章的设定，综合评分≥0分时持有万得全A，<0分时空仓，回测区间为2015年12月31日至2026年9月30日，其中2023年9月末之后为测试集。

8.1.训练集表现

训练集中，综合信号共覆盖93个月，方向判断的整体胜率为69.89%（表16）。其中，综合评分大于0分的26个月中，万得全A上涨的比例为73.08%；综合评分小于0分的56个月中，万得全A下跌的比例为67.86%，正负信号的胜率均明显高于50%。

收益方面，训练集中按信号持仓的年化收益率为17.67%，同期万得全A的年化收益率为-0.54%，年化超额收益达到18.20%；策略的最大回撤为8.16%，远低于万得全A的35.76%（表17）。第2至6章中，入选单因子在训练集中的胜率大多在55%左右，而综合信号的胜率接近70%，体现了“弱信号合成强信号”的效果。

8.2.测试集（样本外）表现

测试集中，综合信号的整体胜率为66.67%，与训练集的69.89%基本一致，模型在样本外保持了较高的方向判断能力。按信号持仓的年化收益率为22.76%，同期万得全A为9.26%，年化超额收益为13.50%；最大回撤为11.04%，同样明显低于万得全A的20.97%（表17、图11）。

综合信号的样本外表现之所以稳健，关键在于其同时包含五个维度、十余个逻辑相互独立的指标。宏观环境变化时，单个指标的有效性难免阶段性波动，但多个指标相互补充、彼此对冲，使综合信号的方向判断能够保持稳定。

8.3.分年度表现

分年度看，2016年至2026年9月的11个年度中，综合信号有9个年度跑赢万得全A（表18、图12）。尤其是在万得全A下跌的5个年度（2016、2018、2022、2023、2026年1—9月）中，综合信号均取得了正收益，例如2018年万得全A下跌28.25%，综合信号上涨5.30%；2022年万得全A下跌18.66%，综合信号上涨22.87%。模型的超额收益主要来自在下跌行情中及时空仓、规避回撤。

跑输万得全A的年份为2021年和2025年，主要原因是这两年市场以结构性或持续上涨行情为主，模型在部分月份给出看空信号而空仓，错过了部分涨幅。作为低频模型，综合信号更擅长识别方向性的风险，对于快速上涨的行情反应相对滞后。

8.4.不同评分下的后续收益统计

为考察评分高低与后续收益的关系，我们将全样本（2016年1月至2026年9月）按综合评分分组，统计各组下个月万得全A的表现（表19）。整体来看，评分越高，下个月上涨的概率越大：综合评分≥3分的月份中，下月上涨概率为77.78%，平均收益为6.06%；综合评分≤-5分的月份中，下月上涨概率仅为17.65%，平均收益为-3.43%。

以0分为界，评分为负的各组下月上涨概率均在41%以下，而评分非负的各组均在66%以上，说明以0分作为多空分界是合理的。考虑到各组样本量有限，分组结果主要用于判断方向，不宜作为精确的收益预测。

8.5.各维度贡献分析

我们进一步将五个维度分别作为独立信号（维度得分≥0时看多），比较其与综合信号的表现（表20、图13）。在训练集和测试集中，综合信号的胜率和年化超额收益均高于任何一个单一维度。

各维度的样本外表现有所分化：资金面、技术面和国际面在测试集中的胜率高于训练集，基本面和估值面则有所回落，估值面的测试集胜率为50.00%。这进一步说明，单一维度难以在所有市场环境中保持稳定，多维度综合打分能够有效平滑单个维度的波动，这正是选择因子打分框架的核心原因。

9.最新观点：2026年10月模型评分

根据截至2026年9月末的数据，模型2026年10月的综合评分为-1.00分，处于看空区间，但接近多空分界线。五个维度中，资金面和技术面给出看多信号，基本面和估值面给出看空信号，国际面多空信号相互抵消（图14、表21）。

9.1.各维度评分拆解

基本面（-2.00分）是本期最主要的拖累项。经济维度中，社零同比低于近3个月均值，按逆向规则记+1，工业增加值同比则高于近3个月均值，记-1，经济维度合计为0；货币维度信号为-1；信用维度中，中长期贷款余额同比低于近3个月均值、M2同比低于上月，两项均记-1，信用维度合计为-1，显示信用扩张的动能偏弱。

资金面（+1.00分）偏多。融资余额的月均值低于近3个月均值，股指期货前20名净持仓的月均值低于上月，按逆向规则均记+1，说明杠杆资金有所降温、机构对冲力度加大，市场情绪已有一定释放；期权PCR高于上月末，记-1，显示避险需求有所上升。

国际面（0.00分）多空相抵。中美利差低于近3个月均值，记-1；美元兑离岸人民币汇率的月均值低于近3个月均值，人民币相对升值，记+1。估值面（-1.00分）方面，ERP分位数的月均值仍低于0.7，股票相对债券的性价比尚未进入较高的区间。技术面（+1.00分）方面，技术综合评分的月均值高于近3个月均值，趋势与位置组合有所改善。

9.2.历史同分表现与市场展望

历史上（2016年1月至2026年9月），综合评分为-1分的情形共出现14次。其后一个月，万得全A上涨的概率为57.14%，平均收益为-1.14%；其中上涨月份的平均涨幅为1.59%，下跌月份的平均跌幅为4.77%。可以看到，-1分对应的上涨概率并不低，但下跌时的平均跌幅明显大于上涨时的平均涨幅，呈现“胜率尚可、尾部风险较大”的特征。

结合当前评分结构，我们认为10月A股可能呈现震荡格局，波动或有所加大。一方面，资金面和技术面的改善为市场提供了一定支撑；另一方面，信用扩张偏弱、估值性价比尚不突出，基本面层面的支撑仍需等待数据验证。后续需重点关注信用数据能否企稳回升，以及中美利差和人民币汇率的变化。模型评分将于每月初更新。

10.模型局限与使用建议

任何量化模型都有其适用边界，在使用本模型时，需要注意以下几方面的局限。

一是适合中长期配置，但对A股的高波动和部分极端行情反应较慢。从中长期看，模型能够较好地把握大盘方向，适合作为中长期配置的参考。但模型按月频调仓，信号只在每月末更新，而A股波动率较高，当行情在月内快速反转时，模型无法及时调整。例如，2024年9月末市场快速上涨后，模型10月评分为4.50分，维持持有，但万得全A自10月8日高点至10月17日回调11.04%，策略全样本的最大回撤即出现在这一阶段；2025年7月和2026年4月，模型评分分别为-5.00分和-3.50分，但万得全A当月分别上涨4.75%和8.69%，模型空仓错过了这两轮快速上涨。回测中模型在2021年和2025年跑输万得全A，也与持续上涨或结构性行情中部分月份空仓有关。

二是不可控外力可能导致模型短期失效。模型以宏观基本面和资金面分析为主，当市场受到重大政策调整、地缘冲突、海外市场剧烈波动等不可控因素冲击时，市场走势可能在短期内偏离宏观数据所反映的方向，模型存在短期失效的风险。

三是数据和政策框架的变化。宏观数据存在发布滞后和事后修订，部分数据可能停止披露（如北向资金）。同时，货币政策框架仍在调整之中，国债买卖、买断式逆回购等新工具因历史数据较短暂未纳入模型。指标的有效性可能随宏观环境和政策框架的变化而改变。

四是样本区间有限。模型的测算区间约为十年，覆盖的经济周期和市场阶段有限，历史回测结果不代表未来表现。

基于上述局限，我们对模型的使用提出以下建议：第一，将模型作为判断大盘月度方向的参考，结合各维度的评分拆解理解当期的主要驱动因素，而非机械地依据评分进行操作；第二，更加关注评分的极端值，历史上综合评分≥3分时，万得全A下月上涨的概率为77.78%，≤-5分时上涨的概率仅为17.65%，方向判断更为明确；评分处于-2分至2.5分之间时，信号强度相对较弱，宜结合各维度的评分拆解审慎判断；第三，定期跟踪各指标的有效性，并根据数据积累情况，适时将货币政策新工具等新的指标纳入模型。

11.风险提示

模型失效风险：本文模型基于历史数据构建，历史规律在未来可能发生变化，模型存在失效的风险。

数据风险：宏观数据存在发布滞后与事后修订，部分数据可能停止披露或调整统计口径，可能影响模型信号的准确性。

外部冲击风险：海外政策变化、地缘冲突等不可控外力可能导致市场短期内大幅波动，使模型短期失效。