风格轮动模型构建及方法简介 [page::0][page::1]

• 采用东吴金工多因子体系，精选80个基础风格因子相关微观指标构建640个特征。

- 利用常用指数替代传统风格因子占比，构造风格收益标签，随机森林模型滚动训练实现风格择时和打分。

• 构建了月度风格轮动框架，将风格择时结果转化为实际投资决策。

风格轮动策略绩效概览及统计指标 [page::1]

| 指标 | 策略 | 基准 | 超额 |
|------------|--------------|----------|------------|
| 年化收益率 | 17.08% | 5.35% | 10.42% |
| 波动率 | 20.07% | 19.33% | 13.03% |
| 信息比率 | 0.85 | 0.28 | 0.80 |
| 胜率 | 55.77% | 57.69% | 56.73% |
| 最大回撤 | -29.89% | -35.78% | -9.57% |

• 策略显著超越市场基准，最大回撤亦远小于基准，风险收益表现优异。

风格轮动模型净值走势及风格因子收益表现 [page::2][page::3]

• 2017年起策略净值稳步攀升，超额收益显著积累。

• 2025年前半年度，动量因子表现分化明显，估值、市值和波动率因子波动较稳。

• 择时后风格因子收益相较实际收益，有优化净值回避单因子波动影响。

2025年9月风格轮动最新持仓及策略方向 [page::0][page::3]

| 指数代码 | 指数名称 | ETF代码 | ETF名称 |
|-----------|------------------|-------------|-----------------|
| 980017.CNI| 国证芯片(CNI) | 159665.SZ | 半导体龙头ETF |
| 930851.CSI| 云计算 | 159739.SZ | 大数据ETF |
| 930713.CSI| CS人工智 | 159819.SZ | 人工智能ETF |
| 930986.CSI| 金融科技 | 159851.SZ | 金融科技ETF |
| 931079.CSI| 5G通信 | 159994.SZ | 5GETF |

• 当前主推成长、大市值、动量和高波动风格，反映组合对科技与大盘优质资产的偏好。

风险提示 [page::0][page::3][page::4]

• 模型结果基于历史数据，未来可能发生重大市场变化。

- 单因子收益波动较大，需结合资金管理和风险控制。

• 模型测算存在相对误差，不构成具体投资建议。

【东吴金工 风格轮动月报】2025年9月详细分析报告

---

1. 元数据与报告概览

• 报告标题：《东吴金工 风格轮动月报——从微观出发的风格轮动月度跟踪202509》

- 作者/团队：高子剑、凌志杰，东吴证券研究所金融工程团队

• 发布机构：东吴证券研究所

- 发布日期：2025年9月8日

• 主要议题：基于微观多因子体系的风格轮动模型构建与绩效跟踪，涵盖风格因子择时模型、策略回测与实际持仓推荐。

该报告核心在于介绍利用东吴“金工”特色的微观多因子风格择时打分体系，结合随机森林模型实现风格轮动策略，并通过历史回测与当下持仓展示模型表现和操作指引。作者传递的主要信息是该策略在历史回测期间展现了优异绩效，具备风格择时能力，且当前推荐的风格方向明确落于成长、大市值、动量和高波动率风格 [page::0,1]。

---

2. 逐节深度解读

2.1 研究结论概述

• 风格轮动模型构建：

以微观80个基础风格因子构建640个微观特征，采用随机森林模型逐风格择时，结合常用指数替代传统的绝对风格因子权重划分，形成基于风格收益的标签体系。通过模型得分，实现从风格择时到打分再到实际投资的轮动框架。

• 策略绩效：

回测区间长达8年半（2017年1月-2025年8月），策略年化收益率17.08%、波动率20.07%、信息比率0.85，优于基准市场；最大回撤9.57%明显低于基准的35.78%，显示策略风险控制卓越。近期风格选择增长型、大市值、动量、高波动率，2025年9月收益率达7.85% [page::0,1]。

2.2 微观因子与模型机制（章节1）

• 依据东吴证券特色量价多因子决策树研究，模型从估值（Value）、市值规模（Size）、波动率（Volatility）、动量（Momentum）四大经典风格因子出发，挑选80个底层微观因子作为原始特征。

- 通过扩展组合，形成640个微观特征，进一步以常用指数（如芯片、云计算等主题指数）代替单纯的因子权重，规避传统风格因子的刚性配置问题。

• 采用随机森林算法训练模型，动态选取最优特征，降低过拟合风险。这一机器学习方法兼具解释性与预测能力，能有效捕捉风格因子变动背后的微观驱动。

- 模型流程涵盖“风格择时（时机判断）—>风格评分（优选）—>实际投资持仓”的完整闭环，实现风格轮动策略的自动化 [page::1]。

2.3 风格轮动策略绩效跟踪（章节2）

• 由表格数据显示：

- 策略年化收益率17.08%，显著高于5.35%的基准收益率，超额收益达10.42%。
- 策略年化波动率20.07%，略高于18.33%基准水平，显示策略在追求更高收益的同时，承担了适度的波动风险。
- 信息比率（超额收益与跟踪误差比率）为0.80，显示策略在市场基准之上有良好的风格择时能力。
- 最大回撤为9.57%，远低于基准35.78%，策略显示较强的风险控制。
- 月度胜率保持在56.73%-55.77%之间，说明模型择时在多数时段表现得当，增强收益的稳定性。

• 绩效图表（图1）显示：

- 风格轮动策略净值（深蓝线）自2017年以来整体稳健上升，呈加速增长态势，明显优于基准（浅蓝线）。
- 超额部分（灰色填充区）呈持续增长态势，说明策略通过风格择时抓住了多次风格机会，实现了持续超额收益。

• 整体绩效体现了该模型在不同市场环境下对风格因子有效捕捉，具备动态配置、优化资产组合的能力 [page::1,2]。

2.4 风格因子收益实证（图2与图3）

• 图2反映2025年各风格因子实际收益率（多空对冲计算），动量、波动率、估值、市值因子表现波动较大，尤其8月份动量表现急剧负转正，带来显著短期收益波动。
• 图3为同一时期风格因子择时后的收益率，显示通过风格轮动策略优化后，各因子收益波动幅度有所收敛，体现模型对因子波动的调节作用。虽然个别月份仍有显著回撤，但整体收益更趋稳定，表明择时能力有效缓冲了市场噪音。
• 从两图对比看，模型提升了风格因子的择时能力，有助于提高收益的稳健性与连续性 [page::2,3]。

2.5 当前风格轮动持仓配置（章节3）

• 2025年9月策略推荐明确聚焦于成长、大市值、动量和高波动率风格，辅助持仓标的均为细分行业的主题指数与对应ETF，如半导体龙头ETF（159665.SZ）、大数据ETF（159739.SZ）、人工智能ETF（159819.SZ）、金融科技ETF（159851.SZ）及5G通信ETF（159994.SZ）。
• 这些行业ETF覆盖高科技、新基建与数字经济板块，符合当前经济结构与政策支持导向，符合策略在微观因子选择上的成长及质量偏好，凸显模型动态适配市场热点的能力。
• 表格明确列示ETF代码与对应指数，便于实际投资操作与策略落地执行 [page::0,3]。

2.6 风险提示与免责说明（章节4及附录）

• 报告明确强调模型历史性回测结果不代表未来表现，市场环境可能发生重大变化，提示使用者注意不可盲目追随历史趋势。

- 单因子策略存在剧烈波动风险，需结合资金管理和风险控制手段跨周期平滑波动。

• 统计及测算误差风险不可忽视，模型误差可能影响择时准确性，使用报告需谨慎。

- 免责声明强调订阅号信息仅服务专业投资机构，不构成具体投资建议，法律保护研究成果版权 [page::0,4]。

---

3. 图表深度解读

3.1 图1：风格轮动模型多头超额净值走势（2017/01-2025/08）

• 描述：该图描绘了报告期间风格轮动模型的净值增长曲线，其中深蓝色曲线代表策略净值，浅蓝色为基准指数表现，灰色区域显示策略净值相较基准的超额部分。

- 解读趋势：
- 策略净值从1倍起点逐步攀升至约3.7倍，表现出强劲的累计增长能力。
- 基准走势稳健但增长有限，显示出市场平均回报率较低。
- 灰色超额部分逐渐扩大，说明策略的积极择时在不同市场周期中不断积累超额收益。

• 文本联系：图形支持策略绩效部分提出的年化收益优势及低最大回撤特点，视觉直观表现策略优于市场的长期稳定超额回报能力。

- 潜在限制：图未标明手续费和滑点影响，实际操作中成本可能对最终收益产生影响。



---

3.2 图2：2025年风格因子实际收益率（多空对冲）

• 描述：柱状图分别展示动量、波动率、估值、市值四大风格因子每月的多空对冲净收益率，横轴为月份。

- 解读数据：
- 波动率与市值多数月份收益为正，稳定性较好。
- 动量月份波动较大，波动率尤其2025年8月显示大幅正回报，估值则波动更剧烈，呈现不确定性。

• 文本联系：此图体现了各个因子在2025年的不同收益表现，揭示了因子市场表现中存在周期和波动差异，为风格轮动模型择时提供条件。

- 局限性：收益是按月计算，可能存在月内剧烈波动未反映，且未剔除交易成本。



---

3.3 图3：2025年风格因子择时后收益率（多空对冲）

• 描述：显示风格因子经模型择时后的月度多空对冲收益率，反映模型调整后的收益波动。

- 解读趋势：
- 总体收益波动较原始因子收益有所平滑，表明模型在择时层面能有效降低波动风险。
- 某些月份（如2025年2月、4月）择时收益显著提升，对比原始因子收益有改善。
- 8月仍出现负收益，提示择时策略并非总能成功，存在短期风险。

• 文本联系：佐证模型择时能力，展示风格轮动策略在实际操作中的提升效果，通过择时捕获风格因子阶段性机会，降低单因子风险。

- 潜在局限：短期择时失误风险存在，提示投资者需做好资金与风险管理。



---

4. 估值分析

报告中未特别详细披露估值方法或模型定价过程，风格轮动策略本质上偏重因子择时与风格切换逻辑，非传统个股或者行业估值模型。虽然底层因子含估值因子，但主要用于风格打分与择时，未见单独披露估值倍数或现金流模型等定价工具。

模型更侧重统计学习方法（随机森林）优化因子组合权重和择时决策，完成风格得分及买卖信号。

因此，该报告估值分析环节主要体现在对风格因子和投资组合的动态配置能力上，而非单一估值指标计算。

---

5. 风险因素评估

报告针对模型及策略风险作了全面提示：

• 历史数据依赖风险：所有统计与回测皆基于历史数据，未来市场可能出现结构性变化，风格因子效能可能减弱，导致策略业绩不及预期。

- 单因子波动风险：单一风格因子可能呈现较大收益波动，故单因子策略搭配资金管理及风险控制至关重要。

• 测算误差风险：模型计算及数据测算或存在误差，不应将模型输出视为绝对投资建议，投资决策需结合人工判断。

- 流动性与执行风险：模型持仓涉及细分行业ETF，流动性及交易成本可能影响实际执行及收益表现。

• 市场极端事件风险：极端市场事件可能导致模型失效或产生异常亏损。

- 报告并未明确提供各风险的概率估计或具体缓解策略，但强调了风险管理的重要性，提示用户需结合自身风控框架使用本模型。

---

6. 批判性视角与细微差别

• 数据时间窗口与未来不确定性：尽管回测时间较长，市场环境在未来或因宏观政策、市场结构变化带来模型失效风险，报告对此已提醒但未给出具体应对策略。

- 策略波动率相对基准偏高：年化波动率20.07%超市场波动，意味着策略伴随更高风险，适合风险承受能力较强投资者。

• 持仓集中于主题ETF：虽然这些ETF覆盖热门行业，可能带来超额收益，但行业集中度高，存在特定行业风险，模型未披露持仓分散度及行业权重，以理性审视可能面临行业相关系统性风险。

- 择时模型为黑箱：随机森林模型作为机器学习算法解释性有限，模型内在逻辑及特征权重分布在报告中未详细呈现，外部投资者难以完全理解择时决策细节。

• 实际交易约束未充分讨论：如交易成本、滑点、再平衡频率对策略收益的影响在报告中未详细披露，可能导致理论成绩与实务表现差异。

---

7. 结论性综合

本《东吴金工风格轮动月报（202509）》通过详实的微观多因子风格模型构建，巧妙结合传统风格因子与机器学习随机森林算法，实现对风格的动态择时与评分，进而搭建完善风格轮动策略框架。历史数据表明，策略在2017年至今取得了17.08%的年化收益率，并较基准市场实现了明显超额收益和风险控制，最大回撤仅为9.57%，胜率超过55%。

图表部分充分展示策略净值稳步提升及超额收益稳健积累，风格因子择时相较原始因子表现波动更小，说明模型成功降低了因子收益的波动风险。最新持仓配置聚焦半导体、云计算、人工智能、金融科技及5G通信主题ETF，体现策略对未来成长与创新领域的明确偏好。

风险提示部分清晰指出历史数据依赖、单因子波动及测算误差风险，提醒投资者切勿盲目跟随，需做好风险管理。

整体来看，报告不失为一份结合前沿量化技术与传统风格投资理论，理论与实践相结合的系统性风格投资策略跟踪报告。建议投资者在理解模型基础及风险限制下，将其作为多元投资方案的一个重要参考。

---

参考文献／数据来源

• Wind资讯，东吴证券研究所

- 报告原文2025年9月版《风格轮动月报》[page::0-4]

---

报告