【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

摘要
本文提出了改进版“华泰周期轮动”基金组合，风险收益特征进一步提升
在前篇报告《“华泰周期轮动”基金组合构建》中，我们从宏观择时、板块轮动、组合优化和落地配置四个层次构建了自上而下的基金配置体系。本文主要从以下三个方面对原配置体系进行了改进：1、变更基金备选池，充分考虑了基金的交易成本，业绩的可持续性等影响因素；2、改进组合优化求解算法，提高了风险预算问题的求解效率，同时解决了初值依赖的问题；3、引入目标风险约束，当组合波动过大时缩减资产仓位，引入现金资产，提升了模型的稳健性。改进版基金组合的年化收益率从10.91%提升至12.39%，夏普比率从1.99提升至2.19，最大回撤从7.52%降低至6.61%。

改进1：调整基金备选池，充分考虑真实投资环境的约束
原模型中，基金标的筛选结果未充分考虑到真实投资环境的约束。本文从以下三个方面进行调整：1、债基方面，此前是筛选历史业绩相对稳健的4只中长期纯债型基金进行配置，虽然样本内有显著的超额收益，但难以保证样本外仍能持续战胜基准，从业绩可持续性角度考量，统一替换成跟踪中债-新综合财富指数的被动指数型基金；2、股基方面，此前是优选对目标行业跟踪误差最小的基金，从流动性角度考量，统一修正为优选基金规模更大的标的；3、此前模型中，并未对A类、C类份额严格区分，从交易成本角度考量，统一选择更适用于月频调仓场景的C类基金份额。

改进2：引入新的风险预算优化算法，提高求解效率，解决初值依赖
原模型中，在组合优化求解资产权重时采用了SQP算法。该算法存在两个缺陷：1、求解效率较低，而且是资产数量越多，求解越慢；2、存在较为严重的初值依赖，也即优化结果能否收敛到全局最优解依赖初值的设定，所以只能不断的生成随机初值，直到优化结果满足预设的风险配比。本文我们引入了两种新的算法求解风险预算问题：牛顿法和循环坐标下降（CCD）法。实证结果表明，这两种算法均大幅提高了组合优化的计算效率，并且没有初值依赖的问题。

改进3：引入目标波动约束，改善策略风险收益特征
原模型中，风险预算约束只能控制各个资产的风险贡献占比，无法控制整个组合的波动水平。举个例子，无论是市场底部还是市场顶部，看多时的股债风险预算配比都是一样的，但组合的整体波动却可能相差数倍。基于此，我们在风险预算的求解基础上，进一步引入目标波动约束，将整个组合的风险控制在一个相对稳定的水平。具体而言：当组合波动小于目标波动时，不做任何处理；当组合波动大于目标波动时，等比例缩减股、债仓位，引入现金资产，降低组合波动。为了满足不同投资者的风险偏好需求，我们提供了5%、7.5%、10%三个目标波动版本。

“华泰周期轮动”基金组合改进版回测表现与最新持仓
实证结果表明，7.5%目标波动版本的策略收益稳健、风险控制良好，在各个业绩指标上均表现出优于原始模型的特征，因此我们选择该版本作为最终的落地方案。回测结果显示，改进版基金组合的年化收益为12.39%，年化波动率为5.65%，夏普比2.19，最大回撤6.61%，而且模型每年都能获得正收益，且月度胜率高达78.24%，具备稳健的收益获取能力。根据4月底最新截面的建模结果，择时模型继续看多股票资产，轮动模型最看好周期上游板块，持仓明细为：南方中证申万有色金属ETF联接C（3.91%）、富国中证煤炭（3.91%）、易方达中债新综合C（92. 17%）。

风险提示：模型基于历史规律总结，有失效可能。市场出现超预期波动，导致拥挤交易。报告中涉及到的具体基金产品不代表任何投资意见，请投资者谨慎、理性地看待。

本文研究导读
在前篇报告《“华泰周期轮动”基金组合构建》中，我们基于已有研究成果，提出了一个完整的基金组合配置体系，自上而下分为4层：
1.          宏观择时，核心是根据股票市场的多空判断灵活调整股、债配比，力争在权益市场上行期加大股票配置，博取弹性收益；在权益市场下行期加大债券配置，减少回撤风险。
2.          板块轮动，核心是利用周期三因子定价方程预测各个板块的未来走势，然后根据预测排名进行板块间的超、低配，进一步增厚模型收益。
3.          组合优化，核心是基于风险预算模型，求解资产权重。预算分配方案如下：a、当择时模型看多股票市场时，根据投资者风险偏好的不同设置进攻、稳健、防守三类预算；而看空股票市场时，直接采用风险平价的思路；进一步，股票资产内部将预算分配给轮动模型最看多的一个板块，债券资产内部目前没有轮动模型支撑，所以统一采用中债-新综合财富指数进行表征。最后，将所有预算归一化后基于优化模型求解权重。
4.          落地配置，核心是将权重优化结果映射到对应基金标的上进行配置，关键在于筛选与六大板块指数和中债-新综合财富指数相匹配的基金标的。

从实证结果来看，该模型具备稳健的收益获取能力，样本外跟踪表现良好。但是在交流推广过程中，我们也认识到目前的配置体系仍然存在一些改进空间。

首先，基金标的筛选结果未充分考虑到真实投资环境的约束。这主要体现在三个方面：
1.          在债券型基金的筛选中，我们挑选了历史业绩相对稳健的几只中长期纯债型基金进行配置，他们在样本内有显著的超额收益，但很难保证样本外仍然能持续战胜基准。
2.          在股票型基金的筛选中，如果某个行业存在多个基金覆盖，则优先选择对目标行业跟踪误差最小的基金，但真实投资环境下可能基金规模、流动性等因素更为重要。
3.          对于存在A类、C类份额的基金，我们并未严格区分，而实际上在月频调仓的应用场景下，C类基金的交易磨损更低，更适用于当前模型。

其次，在组合优化过程中，我们采用了SQP算法求解资产权重。实证结果表明，该算法存在两个缺陷：1、求解效率较低；2、存在较为严重的初值依赖，也即优化结果能否收敛到全局最优解依赖初值的设定。而在未来的研究规划中，我们考虑引入更多的资产维度，同时板块也有可能下沉到行业，求解场景会更加复杂，当前的优化算法就不适用了，需要探索更高效、且不依赖初值设定的模型。

最后，风险预算模型只能控制各个资产的风险贡献占比，无法控制整个组合的波动水平。比如进攻预算场景下，无论是市场底部还是市场顶部，看多时的股债风险预算配比都是30:1，然而组合的整体波动却可能相差数倍。因此有必要引入新的风险控制手段，将整个组合的波动控制在一个相对稳定的水平，来提升模型的稳健性。

针对上述问题，后文中我们将从基金备选池的变更、组合优化算法的改进和目标风险模型的引入三个维度重构“华泰周期轮动”基金组合配置体系，并与原模型进行比较。

基金筛选：调整基金备选池，充分考虑真实投资环境的约束
原有基金池存在的问题及调整思路
在此前的基金配置方案中，我们结合定性分析和定量分析结果，选取了13只股票型基金和4只债券型基金，分别用于跟踪六大板块和中债-新综合财富指数。然而在交流推广过程中，我们发现原有的基金备选池存在如下问题：
1.          在债券型基金的筛选中，我们挑选了历史业绩相对稳健的几只中长期纯债型基金进行配置，它们在样本内有显著的超额收益，但很难保证样本外仍然能持续战胜基准。
2.          在股票型基金的筛选中，如果某个行业存在多个基金覆盖，则优先选择对目标行业跟踪误差最小的基金，但真实投资环境下可能基金规模、流动性等因素更为重要。
3.          对于存在A类、C类份额的基金，我们并未严格区分，而实际上在月频调仓的应用场景下，C类基金的交易磨损更低，更适用于当前模型。

针对上述问题，我们对原有的基金池进行调整，思路如下：
1.          将债券型基金变更为跟踪中债-新综合财富指数的易方达中债新综合C（161120.OF），采用被动指数型基金有利于保证样本内外模型表现的一致性。
2.          当某个行业存在多支基金覆盖时，优选规模更大、流动性更好的基金，基于此逻辑调整了周期上游板块和大金融板块的部分基金标的。
3.          将原基金池中的A类份额统一替换为C类份额。
4.          新增成长板块传媒行业对应的基金标的。

调整标的后的“行业→基金”映射结果如下表所示：

变更基金池后，模型收益率虽有所下滑，但胜率和稳健性得以提升
分别以旧基金池和新基金池作为底层资产，回测模型表现，参数设置如下：
1)          回测区间：2005年3月1日至2019年4月30日。
2)          底层资产：新、旧基金备选池。
3)          预算分配：当择时模型看多时采用进攻预算（30:1），看空时风险平价（1:1）。
4)          组合构建：每月末根据择时信号和板块轮动信号生成最新的风险预算，基于优化模型求解资产权重，在下月初以收盘价调仓。
5)          手续费：为了对比新旧模型的表现，暂不计手续费。

回测结果如下，与原方案相比，新方案放弃了历史超额收益显著的主动型债券基金，而是采用被动跟踪中债-新综合财富指数的指数型基金，因而年化收益率有所下降，但波动、回撤与胜率均有所改善。我们认为，采用被动指数型基金排除了按历史业绩挑选带来的主观性，没有引入未来信息，从长远来看样本外运行结果会更加稳健。此外，新方案统一采用C类份额，在真实交易环境下，有一定的成本优势，更符合现实状况。

后文中，我们将统一以新基金池下的回测结果作为比较基准（采用旧的配置体系，但基于新的基金备选池）。该模型的年化收益率为10.91%，年化波动率5.49%，夏普比率1.99，最大回撤7.52%，月频胜率达78.24%。

组合优化：使用更高效的算法求解风险预算问题
在原模型的组合优化过程中，我们采用了SQP算法求解资产权重。实证结果表明，该算法存在两个缺陷：1、求解效率较低；2、存在较为严重的初值依赖，也即优化结果能否收敛到全局最优解依赖初值的设定。本节内容我们将介绍两种新的风险预算求解算法：牛顿法和循环坐标下降（CCD）法。实证结果表明，这两种算法均大幅提高了组合优化的计算效率，并且没有初值依赖的问题。

风险预算模型及原有算法的回顾
风险预算模型是对风险平价模型的改进，投资者可以根据对未来市场的判断，预先给不同资产分配不同的风险预算，实现配置风险的目的。实证中通常以跟踪误差最小化为目标，计算得到各资产的权重比例。

对目标函数和SQP算法分析之后，我们发现使用该算法求解风险预算问题时，存在着收敛范围小、初值依赖强和运算效率低等不足。首先，SQP算法本身是一种局部搜索算法，其寻找最优解的过程是从初值开始逐步进行的。当初值距离实际的全局最优解较远时，算法可能会在搜索过程中错误地收敛至局部梯度没有明显下降的位置（例如：资产权重均为0的位置）；其次，算法在每一步搜索中都需要求解一个二次规划问题，一般需要较长的运算时间，所以效率较低。这些问题在资产维度较高时更为明显。

在原模型中，我们是通过反复生成随机初值来解决初值依赖问题：每生成一个初值，都基于优化模型求解资产权重，然后检查该权重下各个资产的风险贡献是否满足预设值，不满足则新生成一个初值，继续优化，直到获得全局最优解。这一方法在资产数目较小的时候尚能达到求解效率和准确度的平衡，但随着资产维度增加，对初值的精确性要求会大幅提升，需要反复地生成随机初值才能找到全局最优解，这会牺牲大量的计算时间。

为了彻底解决求解效率和初值依赖的问题，需要将原目标函数转化为一种等价的规划问题，在新的等价问题下，有两种解决方案：一是Chaves et al.（2012）提出的牛顿法；二是Richard，Roncalli（2013）提出的循环坐标下降法（CCD算法）。

风险预算问题的等价变换

为了求解新规划问题，可以采用牛顿法和循环坐标下降法（CCD），后文中将分别介绍这两种算法。

牛顿法求解风险预算问题的原理
牛顿法是一种求解非线性方程组零点值的算法，其核心原理在于利用目标函数的切线信息和截距信息，通过不断迭代来逼近方程组的零点。如果目标函数仅有一个零点，则无论初值如何选取，优化方向都将朝着唯一的零点进行，以达到全局最优。将牛顿法运用到风险预算模型中，关键在于将风险预算问题转化为非线性方程组零点值的求解问题。

首先，新目标函数下的拉格朗日函数一阶条件满足：

CCD算法求解风险预算问题的原理
循环坐标下降法（CCD）是一种非梯度优化的方法，它在每步迭代中沿一个特定坐标方向进行搜索，然后通过循环搜索不同的坐标方向来达到目标函数的局部极小值。相比于SQP算法中步进依赖于原目标函数的海森矩阵和初值，CCD的循环方向是任意的，求导时只对某一个特定维度（坐标轴方向）展开，固定其它维度。这样做的好处是比较容易求出每一步中该维度下最优值的解析形式，极大地提高运算效率。

与SQP算法相比，CCD算法也不需要在每一步迭代中求解二次规划问题，而只需按照解析式反复迭代即可收敛到最优解；而且基于矩阵运算技巧简化迭代过程后，运算效率进一步提升。另一方面，CCD算法不依赖于目标函数的雅可比矩阵和海森矩阵，不会出现梯度优化方法下依赖初值设定、容易收敛错误的情况，只要初始值设定为正值，就一定能收敛到全局最优解。

风险预算模型优化算法的比较分析
本节内容我们测试了不同资产维度下三种算法的优化效率，参数设置如下：
1)          测试区间：2011年1月至2019年4月，统计所有截面上优化求解的总耗时。
2)       底层资产：宽基指数、中债新综合财富指数、申万一级行业指数（逐步增加资产数目）
3)          算法约束：设置SQP算法生成的随机数次数不超过1000，误差阈值为1e-2（阈值要求越精确，求解效率越低）；牛顿法和CCD算法的误差阈值为1e-8。
4)          硬件配置：Intel(R) Core(TM) i7-6500U@ 2.5GHz

各算法耗时的统计结果如下所示，可以看出SQP算法的运算效率远远低于牛顿法和CCD算法，而且随着资产维度扩充，这种差距更加明显。当资产达到29种时，SQP算法直接优化失败，而牛顿法和CCD法都在0.5秒内完成。

整体而言，牛顿法和CCD法的运算效率接近，优化结果一致，都可以作为最终的解决方案，后文中我们统一采用CCD算法进行说明。

风险控制：引入目标波动约束，进一步降低组合风险
在原基金组合构建体系中，风险预算模型只能控制各个资产的风险贡献占比，无法控制整个组合的波动水平。比如进攻预算场景下，无论是市场底部还是市场顶部，看多时的股债风险预算配比都是30:1，然而组合的整体波动却可能相差数倍。因此有必要引入新的风险控制手段，来提升模型的稳健性。

目标风险基金（Target Risk Funds，TRFs）是一类在不同时间段上保持资产组合风险恒定的基金产品，它的资产配置风格能够较好地满足特定投资者的风险偏好需求。借鉴该思路，我们可以在现有模型下引入一个目标风险约束，使基金组合的波动率保持在一个相对稳定的水平。这样做的原因在于：1、当股票仓位较低的时候，模型主要配置的债券，而债券的收益低，波动小，可以适当加杠杆来增厚收益；2、在股票仓位高的时候，整个组合的波动较大，风险较大，可以适当缩减资产仓位来减小回撤风险。

下文中，我们将介绍组合风险控制的具体方法，并分析其回测表现。

组合风险的控制方法



综上，我们通过等比例缩放不同资产的权重来使组合波动达到目标值。可以证明，经调整后的新权重向量仍能使组合内各资产的风险贡献占比保持不变。

所以，当以波动率度量组合风险时，等比例放缩各个资产的权重不会改变其风险贡献占比。

以单一股票资产加单一债券资产为例。如上图所示，横坐标和纵坐标分别表示股票和债券资产的权重。根据前文推导，各资产权重经过等比例缩放后，其风险贡献占比不变，所以特定风险预算设置下，最优的权重组合位于经过原点的直线上（即图中红色实线）。在没有引入目标风险控制时，约束条件为权重之和等于1（蓝色实线），因此最优解为蓝色的交点。加入目标风险后，约束条件变为组合整体波动等于预设值，图中黄色和橘色曲线分别代表了低目标波动和高目标波动场景下的可行域，相应的，最优解也变成黄色和橘色交点。

目标波动控制方法的实证分析
引入目标波动控制后，股债持仓的权重之和可能不为1，这意味着需要在回测中引入现金资产，其权重为：

当股票和债券资产权重之和小于100%时，现金资产权重为正；当股债权重之和大于100%时，现金资产权重为负，相当于引入负债。

加入现金资产后，组合净值为股票资产、债券资产和现金资产三者之和。其中，现金资产的具体交易细节如下：
1.          当组合持有正的现金资产时，不计收益；当组合持有负的现金资产时，每日收取一定比例的借款利息，后文回测中统一设置借贷成本为年化3%。
2.          借款利息在调仓后的第一天开始收取，直至下一个调仓日。
在执行调仓时，不对现金资产的仓位变动收取手续费。

根据投资者风险偏好的不同，我们将目标风险设定为低目标风险（5%）、中等目标风险（7.5%）和高目标风险（10%）三个档次，回测参数设置如下：
1)回测区间：2005年3月1日至2019年4月30日。
2)底层资产：六大板块指数、中债-新综合财富指数、现金。
3)预算分配：当择时模型看多时采用进攻预算（30:1），看空时风险平价（1:1）。
4)组合构建：每月末根据择时信号和板块轮动信号生成最新的风险预算，基于优化模型求解资产权重，然后根据目标波动模型等比例缩放资产权重，在下月初以收盘价调仓。
5)手续费：暂不计手续费，但资金借贷利率设置为年化3%。

回测结果显示，目标波动水平越高，模型的年化收益越高，但是波动和回撤也越大，这可以根据投资者的风险偏好程度灵活选择。在5%目标波动版本下，模型年化收益率13.08%，年化波动率6.45%，夏普比率2.03，最大回撤14.93%。

同时我们注意到，三种目标波动场景下，策略的实际年化波动率均高于预设的目标波动率，我们认为这一控制误差主要由两方面的因素引起：
1.          现金资产波动并不为零，在回测处理中，持有正的现金资产时，收益率为0，持有负的现金资产时，收益率为借贷利率，因而引入现金资产后会增加组合波动率。
2.          基于历史数据预测组合协方差时，难以捕捉市场的短期变化。我们统计了每个截面上组合预测波动率与下月实际波动率的差异。结果显示，两者走势基本符合，但在某些截面上，预测波动率比实际波动率小很多，那么根据目标波动调整后杠杆倍数过大，导致最终的组合实际波动率远超预设的目标波动值。比如2010年的10月，受前一个月市场波动极小影响，模型预测组合波动率为0.45%，但实际的组合波动率为2.05%，相差4.6倍。如果目标波动率为5%，那么杠杆倍数为11.1倍，导致最终组合的实际波动高达22.78%，远超设定的目标波动值。因此，在实际的落地配置方案中，我们通常会对组合的杠杆上限进行限制，避免过高的风险暴露。

“华泰周期轮动”基金组合改进版构建原理与实证分析
“华泰周期轮动”基金组合改进版构建原理
总结前文内容，我们主要从以下三个方面对原配置体系进行了改进：
1.          变更基金备选池，充分考虑了基金的交易成本，业绩的可持续性等影响因素。
2.          改进组合优化求解算法，提高了风险预算问题的求解效率，同时解决了初值依赖问题。
3.          引入目标风险约束，进一步降低了组合波动，提升了模型的稳健性。

基于此，我们提出了“华泰周期轮动”基金组合改进版模型，构建步骤如下：
1.          宏观择时，核心是根据择时模型判断股票市场多空，灵活调整股、债风险预算配比，力争在权益市场上行期加大股票配置，博取弹性收益；在权益市场下行期加大债券配置，减少回撤风险。实证过程中，当择时模型看多股票市场时，股债风险预算配比为100:1，看空时仍然维持风险平价（1:1）。
2.          板块轮动，核心是进行股、债细分资产的预算再分配，进一步增厚模型收益。其中，股票资产内利用周期三因子定价方程预测各个板块的未来走势，然后将股票预算全部分配给最看多的一个板块；债券资产内部目前没有轮动模型支撑，所以统一采用中债-新综合财富指数表征。
3.          组合优化，核心是基于风险预算模型，求解资产权重。这里采用CCD优化算法，解决了原模型中求解效率较低，且初值依赖明显（模型能否收敛到全局最优解依赖初值的设定）的问题。
4.          目标波动控制，在风险预算模型得到的权重结果上，通过计算目标波动率与组合预测波动率的比值来等比例缩放股、债权重，以便将整个组合的波动控制在一个相对稳定的水平。这里需要强调，考虑到真实投资环境中基金配置难以灵活放杠杆，所以当组合波动小于目标波动时，我们并未进行额外处理，但是当组合波动大于目标波动时，我们会等比例缩减股、债权重，将整个组合的波动降低到目标值，来减小回测风险。

总结而言，改进版基金组合相比于原模型最大的改变在于：原模型中通过看多股票市场时设置不同的股债风险预算配比（进攻30:1，稳健20:1，保守10:1）来满足不同投资者的风险偏好需求；而新模型中，看多股票市场时股债预算配比统一提升至100:1，后端则通目标波动控制（进攻10%，稳健7.5%，保守5%）来满足不同投资者的风险偏好。

“华泰周期轮动”基金组合改进版实证分析
  不同目标波动场景下的净值回测表现
根据投资者风险偏好的不同，我们将目标风险设定为低目标风险（5%）、中等目标风险（7.5%）和高目标风险（10%）三个档次，回测参数设置如下：
1)          回测区间：2005年3月1日至2019年4月30日。
2)          底层资产：股票资产为六大板块合成基金，债券资产为易方达中债新综合C，现金。
3)          预算分配：由于后端有目标波动控制手段，我们在看多股票市场时采用了更激进的风险预算分配方案（100:1）；看空时仍然维持风险平价（1:1）。
4)          组合构建：每月末根据择时信号和板块轮动信号生成最新的风险预算，基于CCD优化算法求解资产权重，并计算相应的组合波动。当组合波动小于目标波动时不做调整，当组合波动大于目标波动时会等比例缩小股债权重，引入现金资产（回测中不计收益）。回测时统一在下月初以收盘价调仓。
5)          比较基准：采用新的基金备选池，但基于原配置体系构建的基金组合，后文中统一记为“原始策略”。
6)          手续费：暂不计手续费，后文会专门分析手续费的影响。

回测结果表明，引入目标风险控制后，新策略相比原策略具备更好的风险收益特征，三种目标波动场景下，模型夏普比均有所改善。其中，7.5%目标波动版本和原始策略的年化波动率接近，但年化收益率从10.91%提升至12.39%，夏普比率从1.99提升至2.19，最大回撤也从7.52%下降到6.61%，充分说明了新的配置体系具备更稳健的收益获取能力。

不同目标波动场景下的仓位统计
进一步，我们对不同目标风险下股票类、债券类和现金资产的持仓比例进行统计，结果如下图所示：

从仓位统计的结果可以看出，模型倾向于在牛市的稳定上升阶段提高股票类资产的比例，获取较高收益，而在牛市顶部附近，股票资产的波动会逐步放大，目标风险模型会自适应的降低资产仓位，有效降低了组合回撤。在熊市阶段，模型倾向于配置更多的债券类资产。无论哪种目标波动场景，股票平均持仓都不到15%，大部分仓位集中在债券、现金类低风险资产上，只是在看多股票市场，且股票波动率相对较低的时候，放大了股票仓位，博取弹性收益。

7.5%目标波动场景下的业绩统计
以上三种不同目标风险的策略中，7.5%目标波动版本的策略收益稳健、风险控制良好，在各个业绩指标上均表现出优于原始策略的特征，因此我们主要推荐该版本的策略模型。下面，我们将从年度/月度收益、锁定期收益等维度对7.5%目标波动版本的策略进行分析。另外两种目标波动版本的回测结果见附录。

年度收益统计结果显示，相比于原模型，改进版基金组合在所有年份的收益率均为正数，且在06~07年、09年、14~15年等单边趋势性行情中获得了较高的弹性收益，其他震荡市或下行行情中，也都录得正收益。从月度收益来看，170个月中有133个月获得正收益，胜率接近80%，具备相对稳健的收益获取能力

统计结果表明，改进版基金组合具有比原策略更好的长期回报特征，具体表现在正收益次数增加、平均收益率提高等方面。在锁定为1年的投资中，7.5%目标波动策略的正收益次数占比高达93.71%，平均收益率提升至13.13%；而在锁定期为3年的投资中，所有投资均获得了正收益，且平均收益率达到42.31%。

7.5%目标波动场景下的手续费敏感性分析
最后，我们测算了改进版基金组合对交易费用的敏感性。出于简化考虑，回测时将基金交易中的申购、赎回等费用统一用调仓时产生的佣金来表征，费率从双边千1增加到双边千5。回测结果显示，在双边千5的调仓费率下，模型年化收益率从12.39%下滑到11.36%，仅磨损1.03个百分点，而且仍能保持2以上的夏普比以及75%以上的胜率，整体而言对手续费率的变动不是特别敏感。

“华泰周期轮动”基金组合改进版最新持仓
根据4月底最新截面的建模结果，择时模型继续看多股票资产，轮动模型最看好周期上游板块。在7.5%目标波动版本下，组合最新持有7.83%的周期上游板块基金和92.17%的债券类基金，未持有现金。各个基金资产的持仓明细如下表所示：

风险提示：模型基于历史规律总结，有失效可能。市场出现超预期波动，导致拥挤交易。报告中涉及到的具体基金产品不代表任何投资意见，请投资者谨慎、理性地看待。

附录
不同目标波动版本下的月度收益明细

不同目标波动版本的月度持仓明细

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。

林晓明
执业证书编号：S0570516010001

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】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

FOF与金融创新产品
【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】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】行业轮动系列之六：“华泰周期轮动”基金组合构建20190312
【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】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】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】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

【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

浏览过的版块