来源：雪球App，作者： HTFE，（https://xueqiu.com/1952901955/149673847）

林晓明    S0570516010001    研究员

黄晓彬    S0570516070001    研究员

韩皙       S0570118090078    联系人

张泽       S0570118080149    联系人

源洁莹    S0570119080125    联系人

报告发布时间：2020年5月19日

摘要

配置多种风险溢价的组合优于仅包含市场风险溢价的资产组合

传统资产配置策略大多基于资产的风险收益特征，在不同类别的资产之间进行分散配置，获取市场风险溢价。成熟市场研究证明，配置低相关的多种风险溢价能使组合表现更佳。本文梳理了市场、风格、策略三类风险溢价，并采用风险平价模型进行实证检验。具体地，我们选取全球主要市场股、债、商三类资产，分别构建短期低波、中期动量、长期周期三个不同时间维度的风格风险溢价策略，并用风险平价模型对策略进行配置。由于组合同时在资产类别和风格层面分散风险，并能获取承担多种风险的回报，业绩明显好于仅做资产配置的组合。

成熟市场研究证明：包含多种风险溢价的配置组合更有效

传统资产配置模型大多在不同资产上进行配置分散风险并获取市场风险溢价，然而研究证明同时配置风格、策略等更多种风险溢价可使得组合配置更有效。一般通过多空组合来捕捉同一类资产内部的特定风格风险溢价，如市值、成长等，获取策略风险溢价则需要构建多空交易型策略，如套息交易、可转债套利等。海外成熟市场研究表明：不同的风险溢价之间相关性较低，组合配置能更好的分散风险，实证也证明组合在危机时期相对经典的60/40组合有更好的表现。

风格风险溢价的创设：短中长三个时间维度下创设三类风格风险溢价

我们采用全球主要市场代表性股票、债券、商品指数，分别构建短期低波、中期动量、长期周期三个风格策略。不同于海外研究通过多空策略捕捉相对独立的风格风险溢价，受到数据样本与投资手段的限制，我们仅采用大类资产标的构建多头策略。虽然以大类资产为标的的投资组合难以严格分离资产的市场风险溢价与风格风险溢价，但由于包含了更多元的风险类型，风险某种程度上还是得到更有效的分散，实证结果优于仅以资产作为配置对象的基准等权策略。

以风险平价方式构建多资产多风格风险溢价配置组合，表现稳定优于基准

以风险平价方式对多个风格风险溢价进行组合，构建多资产多风格的风险溢价配置组合，模型业绩表现大幅优于仅基于资产类别构建的市场基准组合。具体而言，最大回撤大幅降低，夏普比率提升0.5。对风险溢价配置组合分别设置10%和4.5%的目标波动率，可以使得组合在运行过程中保持波动率水平的长期稳定，风险可控。回测结果表明，加入波动率控制后策略组合的表现得到明显提升，在不计交易成本的情况下，夏普比率超过1.7。

风险提示：报告中模型是基于历史规律的总结，历史规律可能失效；策略表现是基于历史数据的回测，并不代表实盘业绩，也不代表策略未来表现；市场规律发生变化时，模型可能失效。

报告正文

研究导读

研究人员对于大类资产配置的研究，往往基于资产自身的风险收益属性，最常见的思路是对资产的收益率和波动率进行刻画，并在风险分散化的投资理念下进行配置。比如传统的马科维茨均值方差模型是在不降低投资组合收益的前提下，力求实现组合风险的最小化；风险平价模型要求不同的资产对组合贡献相同的风险暴露；风险预算模型在风险的配置上包含更多的主观判断，可以对不同的资产赋予不同的风险权重。本质上而言，传统的资产配置模型都是在配置资产的市场风险，投资组合能实现风险分散的根本原因在于不同类别的资产同时承担市场风险和不同的特有风险，通过组合配置对冲了各自承担的特有风险，使得组合主要承担不可分散的市场风险。

然而，在极端环境下，受到“黑天鹅”等事件的冲击，各市场可能呈现不符合过往统计规律的“同涨同跌”特性。此时不同类别的资产相关性大幅上升，仅在资产层面进行分散化配置的组合无法真正分散同源的极端风险。成熟市场研究表明，在大类资产配置的投资实践中，除了在不同市场之间分散化配置以获取市场风险溢价外，更广泛的风险溢价可能来源于风格、策略层面。相比于市场风险溢价，各个风格、策略风险溢价满足更稳定的低相关性，能保证风险的充分分散，同时可以扩大策略容量，使投资组合容纳更多的资金。

本文梳理了风险溢价的不同类型及构造方式，并尝试对各个资产类别在不同时间维度上的多个风格风险溢价进行刻画。受到数据样本与投资手段的限制，我们仅采用大类资产标的构建多头策略，难以严格分离资产的市场风险溢价与风格风险溢价。但由于包含了更多元的风险溢价类型，风险某种程度上还是得到更有效的分散，实证结果优于仅以资产作为配置对象的基准等权策略。

成熟市场研究证明：包含多元风险溢价的配置组合更有效

广义风险溢价的定义、分类与选择或构造方式

本节将对大类资产配置中的风险溢价进行详细说明。资本资产定价模型（Capital Asset Pricing Model 简称CAPM）系统阐述了证券市场中资产的预期收益率和风险之间的关系，风险被分为不可通过分散投资消除的系统性风险，以及可通过组合配置消除的特异性风险。随着后续研究的深入，承担某些特异性风险被发现可以带来较为稳定的高于市场平均的收益，这些特异性风险也就被归类为系统性风险的一部分，而这部分收益也被称作风险溢价。很多投资者主动承担部分风险，以期获得更高的组合收益，它们遵循以下等式规律：

            每种风险对组合收益的贡献 = 组合在该风险上的暴露 × 单位风险溢价

在大类资产层面，海外成熟市场最早将组合的风险溢价分为资产类别风险溢价、风格风险溢价和策略风险溢价，2010年发表的《Portfolio of Risk Premia：A New Approach to Diversification》是较早聚焦于风险溢价的研究，论文给出了在不同资产上获取不同风险溢价的示例。因此，按照上述的风险溢价分类，我们可以对组合的收益做出如下的分解：

资产类别、风格和策略的收益均属于因承担不可分散风险而获得的风险溢价，是能被定量刻画且可以长期稳定获取的收益。除了承担相对应的系统性风险而带来的资产类别风险溢价、风格风险溢价、策略风险溢价外，目前较难解释的alpha也是组合收益的来源。在实际投资中，要获得长期稳定的alpha收益难度较大，因此资产配置应聚焦于广泛风险溢价的配置。如何对不同类型的风险进行科学合理的配置，以获取不同类型的风险溢价成为了提高组合收益的核心。

具体而言，资产类别风险溢价指投资者通过投资宽基市场指数，承受了该种资产的市场风险而得到的超过无风险收益的收益补偿，即资产自身的Beta。风格风险溢价捕捉了具有相近基本面或技术面特征的一类资产的期望收益，比如股票市场中典型的市值、价值、动量等风险因子。策略风险溢价指执行一定规则的策略带来的风险溢价，通常是多头与空头的组合，例如股票市场上的并购套利策略，以及货币市场上的套息交易策略等。

在实际投资中，我们可以通过特定的方式捕捉上述几类风险溢价。首先，宽基指数能够用来获取资产类别风险溢价。对于风格风险溢价，可以做多特定风格指数，同时做空反向风格指数，多空组合对冲了资产类别风险溢价从而可以得到较为纯粹的风格风险溢价。比如通过做多MSCI价值指数同时做空MSCI成长指数来获得价值风格溢价。对于策略风险溢价，同样可以通过构造产品的多空组合来获取。比如货币的套息交易策略，可以通过买入利息较高的货币而卖出利息较低的货币实现套利。下面展示一些可通过多空组合构造出的风险溢价类型：

实际上，上述大部分风险溢价具有长期稳定的正回报；同时，不同的风险溢价之间、风险溢价与各个大类资产之间往往具有较低的相关性，在一种风险溢价表现较差的情况下，其他类型的风险溢价表现可能不会受到影响，因此能够更加充分地分散组合风险，而不受制于某种特定的风险。以下图表可见利用简单等权构建的风险溢价组合能够在多次危机中获得比传统的60/40组合（60%股票，40%债券）更高且更稳定的收益，原因就在于风险溢价组合不受制于单一的市场风险，它有更多元的风险溢价来源。

实证设计：资产与风格风险溢价的选择与构造

在本章中，我们借鉴海外成熟研究成果基于风险溢价的配置思路，以全球范围内具有代表性的股票、债券、商品为投资标的，构建一个简单可投资的风险溢价策略。需要指出的是，受到投资标的种类与投资手段的限制，我们无法通过构建多空策略来获得纯风格风险溢价与策略风险溢价。我们在资产的国别层面上进行了充分的分散，并在各个大类资产内部，分别对不同时间维度上的多个风格进行捕捉，获取了股债商三类资产的短期低波、中期动量、长期周期风格风险溢价。

即使没有实现风格风险溢价与资产风险溢价的分离，基于多种风格风险溢价的风险平价组合策略在长期表现上显著优于以同样方式对资产直接进行配置的传统策略。

资产风险溢价的选择：全球主要国家股指、债券、商品

为了充分获取不同市场的风险溢价，我们在资产类别的选择上考虑了全球主要市场的股票、债券和商品标的。股票和债券资产以主要工业国的典型指数作为代表，商品资产以能源、工业金属、农产品、贵金属为代表，实现跨品种的均衡配置。上述标的均采用期货序列，保障可交易性。具体的资产样本如下：

此外，我们以内部各个资产的等权组合作为大类资产表现的基准，风险收益指标如下图表所示。

风格风险溢价的构造：短中长三个时间维度下创设三类风格风险溢价

本节中我们将在短中长三个时间维度下构建相应的风格风险溢价策略。由于数据可得性所限，本文不考虑期权、息差等策略，仅分别在股票、债券、商品三类资产内部构造短期低波、中期动量、长期周期三个风格策略。

短期低波风格：资产在低波动状态下短期上涨的可能性大于高波动状态

低波动因子是海内外市场均长期有效的alpha因子，低波动策略被认为是具有普适性、抗周期性的稳健策略，被广泛应用于smart beta产品中。事实上，论文Portfolio of Risk Premia：A New Approach to Diversification（2010) 指出，波动率因子对于大类资产而言同样有效。

本文中，我们在股票、债券、商品三类资产内部分别基于资产的近期波动率构建低波动策略，实证结果显示：低波风格策略的收益表现至少与基准等权策略基本相当。

从策略表现上看，短期低波风格策略与基准等权策略的走势基本一致，风险收益指标也比较接近，这或许是因为在同一大类资产内部，资产类别风险溢价大概率占主导。低波风险溢价的作用难以被独立评估，我们将在下一章综合考虑不同时间维度与不同风格策略组合的效果。

中期动量风格：前期蓄力资产延续中期优势的投资机会

动量策略被广泛应用，投资者通常关注资产的动量效应以及动量反转效应。一般而言，如果资产在过去一段时间表现较好而未来一段时间内依然表现较好，那么该资产呈现“强者恒强”的动量效应；如果资产在过去一段时间表现较差但未来一段时间表现呈现反转，那么该资产呈现“均值回复”的动量反转效应。动量策略通过衡量资产过去一段时间的收益表现而给出投资判断，常见动量类型包括时序动量和截面动量。

对每一个细分资产，我们构造兼顾时序信息与截面信息的动量指标，挑选后续补涨动力更强的细分资产进行配置，策略表现如下。

中期动量风格策略站在中期时间维度上，配置未来补涨动力相对更强的资产。从收益表现上看，股票、债券、商品三个动量风格策略的年化收益均高于基准等权策略。融入动量风险溢价后，股票和商品动量风格策略的夏普也高于基准，债券动量风格策略的夏普与基准基本相当。整体来看，基于动量的风格风险溢价策略表现大体上优于基准的等权策略。

长期周期风格：周期轮动中处于趋势上行的标的或在较长一段时间将保持优势

对于更长时间维度上的资产配置判断，我们利用华泰金工周期研究成果，对股票、债券、商品的细分资产分别构造长期周期风格策略。基于统一周期规律，我们将42、100、200个月的短周期、中周期、长周期抽象为三因子，用以解释资产价格的运动变化。具体而言，对每个细分资产，可以构建周期三因子定价方程，对资产未来的收益进行预测。

在每个大类内部配置周期视角下更具有投资价值的细分资产，得到如下股票、债券、商品的长期周期风格策略。需要指出的是，周期视角立足于资产的长期走势，把握同类资产中上行趋势最明显的资产，与短期低波、中期动量风格策略形成差异化的配置思路。

从上述图表可以看出，长期周期风格策略在收益表现上相对基准均呈现出一定优势，夏普比率和Calmar比率都更高，策略表现更为稳健。周期风格策略与基准策略走势基本一致，但融入了周期观点后，策略能获取长期稳定超越基准的收益。综合而言，虽然资产类别风险溢价依然主导策略走势，但风格风险溢价能提供稳定的收益增强。

实证证明：多资产多风格风险溢价配置组合业绩优于基础等权

在上一章中，我们阐述了风格风险溢价的构建方式，并构建出收益表现不亚于基准等权策略的短期低波、中期动量、长期周期风格策略。在本章中我们将对风险溢价策略进行组合配置，形成具备长期稳定优势的风险溢价配置组合。

不同风格策略之间的相关性较低，是提升组合风险分散有效性的基础

首先需要指出，即使没有实现资产与风格风险溢价的剥离，多元的风险溢价构建在某种程度上能实现更充分的风险分散。在传统的资产配置模型中，风险分散依赖于不同市场风险的低相关性。事实上长期来看，股票与商品市场相关性达到0.45，在股票和商品两个市场中进行分散投资未必能实现有效的风险分散。

对于不同资产的不同风格策略，计算相关性如下。由于没有通过多空的方式对冲资产的市场风险，同一资产的不同风格策略之间相关性仍然较高，但不同资产类别的不同风格策略之间相关性有所降低。特别地，股票与商品的风格策略之间的相关性均低于0.45。

进一步地，我们计算不同风格策略之间的相关性，度量方式为计算三类资产的任意两种风格策略的相关系数的平均值。比如，低波与动量风格的相关性为股票低波、债券低波、商品低波与股票动量、债券动量、商品动量共9个相关系数的平均值。从下表可以看出，风格之间的相关性均低于0.3，在统计学上被认为是弱相关，从而可以认为不同类别风险溢价的构建在某种程度上能实现更充分的风险分散。

风险溢价配置组合相比基准组合收益提升、波动和最大回撤降低

接下来，我们利用风险平价方式对股票、债券、商品三个基准等权策略进行配置，得到基准策略组合。值得注意的是，在风险平价的组合方式下，各个等权策略对组合贡献相同的边际风险。综合来看，基准策略组合能较好代表在不附加主观观点时组合所获取的基于各资产类别的风险溢价。

对于融入了不同风格风险溢价的短期低波、中期动量、长期周期风格策略，我们同样采用风险平价构建组合。虽然没有通过多空组合的方式把风格与资产类别风险溢价进行分离，但通过与基准组合对比，明显看出基于风险溢价的配置对组合的改进作用。

从如上图表可以看出，风险溢价组合的各项风险指标均优于基准组合，最大回撤得到了较大幅度的改善，夏普比率与Calmar比率优势明显。

下图呈现了多资产多风格策略组合中各个风格策略的权重。由于风险平价的组合方式要求各组成成分对组合的边际风险贡献相等，所以债券的三个风格策略配置权重相对较高。此外，多资产多风格策略组合中，不同风格策略的权重相对均衡，但也会呈现一定的占比变化。这意味着策略组合在不同的时间区间会呈现不同的风格偏好，各风格对组合的贡献程度略有不同。

增加波动率控制能进一步提升风险溢价配置组合的表现

我们把多资产多风格策略组合以及基准组合的目标波动率水平设置为10%和4.5%，保证策略在运行过程中波动率水平保持相对平稳。波动率控制主要通过调整策略仓位来实现，当策略波动率低于目标波动率时，可以增加杠杆以放大波动率；当策略波动率高于目标波动率时，可以降低仓位以减小波动率。需要说明的是，本文的所有回测结果均不含交易成本，而实际投资中对策略组合加杠杆会相应增加交易成本，降低仓位会减少交易成本。

设置10%目标波动率后，策略组合的表现得到了大幅改善。一方面是因为在既定的目标波动率水平下，策略走势更加平滑，在回撤过程中，大概率会因为波动率的提升而在短期降低了仓位，规避了更大幅度的下跌；另一方面，对于长期趋势上行且实际波动率低于目标波动率的策略而言，波动率控制手段使得策略在大多数时间内增加杠杆，从而可以获取更高的收益。设置4.5%目标波动率的策略表现如下图表所示。

特别地，观察4.5%目标波动率下多资产多风格策略组合中策略权重可以发现，在回测区间内，策略整体杠杆水平呈现明显波动，杠杆最高时接近3.5倍，而仓位最低时不足50%。杠杆水平因应市场变化的调整保证了策略在不同的市场环境中平稳运行，长期来看，风险溢价组合表现稳健，显著优于基准。

进一步地，考察4.5%目标波动率下多资产多风格策略组合的月度收益，可以看出组合整体表现较优，回测期内最高单月收益率为4.12%，最大单月亏损为3.50%。从完整年度收益来看，仅有2018年出现小幅负收益，其余多个年度均实现超过10%的正增长。

全文总结与未来研究展望

基于学界与业界对于风险溢价的研究与投资实践，本文尝试把配置资产的思路应用到配置多种风险溢价的层面上。理论上，不同类型的风险溢价之间若满足低相关性，对其进行配置能够更全面地分散投资组合的风险，也能使组合能够容纳更多的资金。

本文选取全球范围内具有代表性的股票、债券、商品类资产展开实证研究。受数据样本与投资手段的限制，我们仅采用大类资产标的构建多头策略，难以严格分离资产的市场风险溢价与风格风险溢价。我们所构建的风格配置策略融合了资产类别与风格风险溢价，虽然策略的风险溢价属性不够纯粹，但由于包含了更多元的风格风险溢价类型（短期低波、中期动量、长期周期），风险某种程度上还是得到更有效的分散，实证结果明显优于仅以资产作为配置对象的基准等权策略。

在未来的研究，我们将继续深入对更多元风险溢价的探索，同时也会丰富投资标的与策略类别，着眼于针对更多不同类型的风险溢价的配置，进一步构建业绩表现更好更稳定的风险溢价配置策略。

风险提示

报告中模型是基于历史规律的总结，历史规律可能失效；策略表现是基于历史数据的回测，并不代表实盘业绩，也不代表策略未来表现；市场规律发生变化时，模型可能失效。

免责声明与评级说明

公众平台免责申明

本公众平台不是华泰证券研究所官方订阅平台。相关观点或信息请以华泰证券官方公众平台为准。根据《证券期货投资者适当性管理办法》的相关要求，本公众号内容仅面向华泰证券客户中的专业投资者，请勿对本公众号内容进行任何形式的转发。若您并非华泰证券客户中的专业投资者，请取消关注本公众号，不再订阅、接收或使用本公众号中的内容。因本公众号难以设置访问权限，若给您造成不便，烦请谅解！本公众号旨在沟通研究信息，交流研究经验，华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。

本公众号研究报告有关内容摘编自已经发布的研究报告的，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。如需了解详细内容，请具体参见华泰证券所发布的完整版报告。

本公众号内容基于作者认为可靠的、已公开的信息编制，但作者对该等信息的准确性及完整性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。

在任何情况下，本公众号中的信息或所表述的意见均不构成对客户私人投资建议。订阅人不应单独依靠本订阅号中的信息而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。普通投资者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。

本公众号版权仅为华泰证券股份有限公司所有，未经公司书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。本公司具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。

华泰金工深度报告一览

金融周期系列研究（资产配置）

【华泰金工林晓明团队】2020年中国市场量化资产配置年度观点——周期归来、机会重生，顾短也兼长20200121

【华泰金工林晓明团队】量化资产配置2020年度观点——小周期争明日，大周期赢未来20200116

【华泰金工林晓明团队】风险预算模型如何度量风险更有效-改进风险度量方式稳定提升风险模型表现的方法

【华泰金工林晓明团队】周期双底存不确定性宜防守待趋势——短周期底部拐头机会渐增，待趋势明朗把握或更大20191022

【华泰金工林晓明团队】二十年一轮回的黄金投资大周期——黄金的三周期定价逻辑与组合配置、投资机会分析20190826

【华泰金工林晓明团队】如何有效判断真正的周期拐点？——定量测度实际周期长度提升市场拐点判准概率

【华泰金工林晓明团队】基钦周期的长度会缩短吗？——20190506

【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（下）

【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（上）

【华泰金工林晓明团队】周期轮动下的BL资产配置策略

【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究

【华泰金工林晓明团队】市场拐点的判断方法

【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略报告（上）

【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（四）——华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（三）——华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（二）——华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（一）——华泰金工周期系列研究

【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索

【华泰金工林晓明团队】市场周期的量化分解

【华泰金工林晓明团队】周期研究对大类资产的预测观点

【华泰金工林晓明团队】金融经济系统周期的确定（下）——华泰金工周期系列研究

【华泰金工林晓明团队】金融经济系统周期的确定（上）——华泰金工周期系列研究

【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列

行业指数频谱分析及配置模型：市场的周期分析系列之三

【华泰金工林晓明团队】市场的频率——市场轮回，周期重生

【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探

周期起源

【华泰金工林晓明团队】周期在供应链管理模型的实证——华泰周期起源系列研究之六

【华泰金工林晓明团队】不确定性与缓冲机制——华泰周期起源系列研究报告之五

【华泰金工林晓明团队】周期是矛盾双方稳定共存的结果——华泰周期起源系列研究之四

【华泰金工林晓明团队】周期是不确定性条件下的稳态——华泰周期起源系列研究之三

【华泰金工林晓明团队】周期趋同现象的动力学系统模型——华泰周期起源系列研究之二

【华泰金工林晓明团队】从微观同步到宏观周期——华泰周期起源系列研究报告之一

FOF与金融创新产品

【华泰金工林晓明团队】养老目标基金的中国市场开发流程--目标日期基金与目标风险基金产品设计研究

【华泰金工】生命周期基金Glide Path开发实例——华泰FOF与金融创新产品系列研究报告之一

因子周期（因子择时）

【华泰金工林晓明团队】市值因子收益与经济结构的关系——华泰因子周期研究系列之三

【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二

【华泰金工林晓明团队】因子收益率的周期性研究初探

择时

【华泰金工林晓明团队】波动率与换手率构造牛熊指标——华泰金工量化择时系列

【华泰金工林晓明团队】A股市场低开现象研究

【华泰金工林晓明团队】华泰风险收益一致性择时模型

【华泰金工林晓明团队】技术指标与周期量价择时模型的结合

【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的应用

行业轮动

【华泰金工林晓明团队】拥挤度指标在行业配置中的应用——华泰行业轮动系列报告之十二

【华泰金工林晓明团队】基于投入产出表的产业链分析 ——华泰行业轮动系列报告之十一

【华泰金工林晓明团队】不同协方差估计方法对比分析——华泰行业轮动系列报告之十

【华泰金工林晓明团队】景气度指标在行业配置中的应用——华泰行业轮动系列报告之九

【华泰金工林晓明团队】再探周期视角下的资产轮动——华泰行业轮动系列报告之八

【华泰金工林晓明团队】“华泰周期轮动”基金组合改进版——华泰行业轮动系列报告之七

【华泰金工林晓明团队】“华泰周期轮动”基金组合构建——华泰行业轮动系列之六

【华泰金工林晓明团队】估值因子在行业配置中的应用——华泰行业轮动系列报告之五

【华泰金工林晓明团队】动量增强因子在行业配置中的应用——华泰行业轮动系列报告之四

【华泰金工林晓明团队】财务质量因子在行业配置中的应用——华泰行业轮动系列报告之三

【华泰金工林晓明团队】周期视角下的行业轮动实证分析——华泰行业轮动系列之二

【华泰金工林晓明团队】基于通用回归模型的行业轮动策略——华泰行业轮动系列之一

Smartbeta

【华泰金工林晓明团队】重剑无锋：低波动 Smart Beta——华泰 Smart Beta 系列之四

【华泰金工林晓明团队】投资优质股票：红利类Smart Beta——华泰Smart Beta系列之三

【华泰金工林晓明团队】博观约取：价值和成长Smart Beta——华泰Smart Beta系列之二

【华泰金工林晓明团队】Smart Beta：乘风破浪趁此时——华泰Smart Beta系列之一

【华泰金工林晓明团队】Smartbeta在资产配置中的优势——华泰金工Smartbeta专题研究之一

多因子选股

【华泰金工林晓明团队】华泰单因子测试之历史分位数因子——华泰多因子系列之十三

【华泰金工林晓明团队】桑土之防：结构化多因子风险模型——华泰多因子系列之十二

【华泰金工林晓明团队】华泰单因子测试之海量技术因子——华泰多因子系列之十一

【华泰金工林晓明团队】因子合成方法实证分析 ——华泰多因子系列之十

【华泰金工林晓明团队】华泰单因子测试之一致预期因子 ——华泰多因子系列之九

【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八

【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七

【华泰金工林晓明团队】华泰单因子测试之波动率类因子——华泰多因子系列之六

【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五

【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四

【华泰金工林晓明团队】华泰单因子测试之成长类因子——华泰多因子系列之三

【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二

【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一

【华泰金工林晓明团队】五因子模型A股实证研究

【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二

人工智能

【华泰金工林晓明团队】揭开机器学习模型的“黑箱” ——华泰人工智能系列之二十七

【华泰金工林晓明团队】遗传规划在CTA信号挖掘中的应用——华泰人工智能系列之二十六

【华泰金工林晓明团队】市场弱有效性检验与择时战场选择——华泰人工智能系列之二十五

【华泰金工林晓明团队】投石问路：技术分析可靠否？——华泰人工智能系列之二十四

【华泰金工林晓明团队】再探基于遗传规划的选股因子挖掘——华泰人工智能系列之二十三

【华泰金工林晓明团队】基于CSCV框架的回测过拟合概率——华泰人工智能系列之二十二

【华泰金工林晓明团队】基于遗传规划的选股因子挖掘——华泰人工智能系列之二十一

【华泰金工林晓明团队】必然中的偶然：机器学习中的随机数——华泰人工智能系列之二十

【华泰金工林晓明团队】偶然中的必然：重采样技术检验过拟合——华泰人工智能系列之十九

【华泰金工林晓明团队】机器学习选股模型的调仓频率实证——华泰人工智能系列之十八

【华泰金工林晓明团队】人工智能选股之数据标注方法实证——华泰人工智能系列之十七

【华泰金工林晓明团队】再论时序交叉验证对抗过拟合——华泰人工智能系列之十六

【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五

【华泰金工林晓明团队】对抗过拟合：从时序交叉验证谈起

【华泰金工林晓明团队】人工智能选股之损失函数的改进——华泰人工智能系列之十三

【华泰金工林晓明团队】人工智能选股之特征选择——华泰人工智能系列之十二

【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一

【华泰金工林晓明团队】宏观周期指标应用于随机森林选股——华泰人工智能系列之十

【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九

【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八

【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七

【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六

【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五

【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四

【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三

【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二

指数增强基金分析

【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位分析专题报告

【华泰金工林晓明团队】酌古御今：指数增强基金收益分析

【华泰金工林晓明团队】基于回归法的基金持股仓位测算

【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证

基本面选股

【华泰金工林晓明团队】华泰价值选股之相对市盈率港股模型——相对市盈率港股通模型实证研究

【华泰金工林晓明团队】华泰价值选股之FFScore模型

【华泰金工林晓明团队】相对市盈率选股模型A股市场实证研究

【华泰金工林晓明团队】华泰价值选股之现金流因子研究——现金流因子选股策略实证研究

【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究

【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究

基金定投

【华泰金工林晓明团队】大成旗下基金2018定投策略研究

【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四

【华泰金工林晓明团队】基金定投3—马科维茨有效性检验

【华泰金工林晓明团队】基金定投2—投资标的与时机的选择方法

【华泰金工林晓明团队】基金定投1—分析方法与理论基础

其它

【华泰金工林晓明团队】A股市场及行业的农历月份效应——月份效应之二

A股市场及行业的月份效应——详解历史数据中的隐藏法则