做了几年量化策略我越来越觉得市场像一片风向不定的海域。资金在价值、成长、动量这些风格之间来回切换如果你能提前站到下一波风的方向上收益通常不会难看如果站错了再好的选股逻辑也白搭。所以“投资风格轮动”一直是量化圈绕不开的课题。而最近一年半我把重心放在用AI把它做得更“自适应”让模型自己识别市场状态自己调整风格上的配置权重而不是靠人工预设几条简单规则。这篇内容就把我搭建这套“AI驱动的自适应投资风格轮动”框架的完整思路、核心模块和踩过的坑一次讲清楚适合正在研究资产配置、多因子策略以及风格轮动的朋友。1. 为什么风格轮动值得用AI重新做一遍1.1 投资风格轮动资金风向一直在变投资风格说白了就是把股票按照“相似的特征”分成一组。最常见的分法有六类价值、成长、动量、质量、低波、小盘。价值型股票估值便宜成长型股票收入利润增长快动量型股票过去半年到一年走得强质量型股票ROE高、负债少低波型股票波动小小盘型股票市值小。市场资金的偏好并不会永远停留在某一个风格上它会在这些风格之间不断迁移这就是风格轮动。举一个大家都有体感的例子当市场风险偏好上升、流动性充裕的时候高估值的成长股和小盘股往往表现更好当利率上行、信用收缩、市场开始防御的时候资金又会流向低估值、高股息、低波动的品种。你会发现决定胜负的往往不是你选的某个个股本身而是你当时站在哪一类风格上。这也是风格轮动策略的核心意义把“选什么股票”的问题部分转化成“现在该站在哪一阵风里”的问题。风格轮动的周期也没有固定规律。有时候几个月就切换一轮有时候某种风格能领先两三年。这种“时间不固定、幅度不固定、驱动因素复杂”的特征天然适合用数据驱动的办法去捕捉而不是靠一两句经验口诀。1.2 传统做法输在哪早些年做风格轮动主流方法无非三种。一种是宏观定性判断看利率、看流动性、看政策方向然后拍脑袋决定超配哪种风格。一种是动量跟随统计过去几个月哪种风格指数跑得最好就追哪种。还有一种是用相对强弱指标、均线系统做技术面判断。这些方法都不算错但它们都有一个共同的硬伤滞后。动量策略尤其典型。等某一风格已经连续上涨三个月、信号确认了再进去往往已经吃到鱼尾巴接下来风格切换时前面赚的可能一次吐完。更麻烦的是规则类方法里的人工阈值都很脆弱换一种市场环境就失效。比如“过去60日涨幅大于10%就超配成长”这种规则在震荡市里会被反复打脸。传统方法缺的不是“判断方向”的能力而是“感知状态变化”的能力。那用AI就一定能解决吗不一定。但AI确实带来了两个传统方法做不到的东西一是可以同时吸收几十个维度的特征而不是只有价格和收益率二是可以滚动更新让模型始终跟着最新的市场规律走。这就是我为什么决定用AI重新做一遍风格轮动。2. 自适应投资风格轮动的整体设计思路2.1 先想清楚问题核心是“选风格”不是“选股票”我做这套系统前先反复确认了一件事它不是用来选个股的而是用来决定“当前阶段该超配哪一类风格资产”的。所以整体框架更像资产配置底层是几个风格代表性组合上层是风格配置引擎。这种定位有几个好处。第一不需要天天做微观选股降低了数据难度和过拟合风险第二风格指数级别的规律比个股稳定得多模型更容易学到可复用的信号第三如果后面想把策略落地到实盘可以直接用对应的ETF或者指数连接组合来执行操作性更强。我见过不少人把风格轮动做成“全市场几千只股票的动态择时”最后模型又复杂又脆弱。其实把问题降维到“选风格”层面之后整个系统会清爽很多也更符合我们最初想要解决的问题。2.2 三层架构状态识别、收益预测、权重决策整套系统我拆成三层每一层干一件事。第一层是状态识别。用市场成交、利率、波动率、估值分位等特征把市场切成几个典型状态比如“风险偏好上升”“震荡防御”“风格切换期”。这一层的输出不是某个具体点位而是一个“市场现在处于什么阶段”的判断。第二层是收益预测。对每个风格组合预测未来20个交易日的相对收益。这里我不追求预测准确到小数只要求模型能区分“谁强谁弱”。第三层是权重决策。把状态判断和收益预测合在一起生成最终的风格配置权重。比如状态识别说现在是“风险偏好上升”收益预测说成长和小盘相对强度靠前那就让成长和小盘的权重高于基准。三层之间是流水线关系但权重决策层会反哺状态识别层。比如某个风格连续被模型降低权重时状态识别层也要跟着修正自己对当前状态的判断。这样整个系统不是死板的三段式而是一个有反馈的闭环。2.3 为什么“自适应”必须靠数据驱动“自适应”三个字是这套系统里我最看重的部分。市场是非平稳的去年有效的规律今年可能就不成立。如果模型只在某个时点训练一次后面就会慢慢失真。所以我要求的“自适应”至少包含三个层面。一是滚动训练。每隔一个季度用最近36个月的数据重新训练状态识别和收益预测模型让模型持续融入新数据。二是在线更新。在月度决策之间用滚动窗口更新状态参数的估计值。比如特征的标准差、状态转移概率这类参数会随最新数据调整而不是用半年前的固定值。三是状态退化的响应。如果检测到某个风格连续跑输基准系统会自动下调它的先验权重。这个过程不依赖人工干预完全由数据驱动。这才是“AI驱动”的含义不是用AI一次性找到最佳模型而是用AI持续适应市场的变化。3. 核心模块拆解与实操要点3.1 风格池构建先有好篮子再谈智能分配很多人一开始就把重点放在模型上但踩过的坑告诉我风格池做不好后面全白搭。我构建风格池的思路分四步。第一步是确定风格维度。我用了六个维度价值、成长、动量、质量、低波、小盘。每一项都有相对明确的量化定义和代理指标。风格核心逻辑常用量化指标价值估值便宜市盈率倒数、市净率倒数、股息率成长收入和利润增长快营收增长率、利润增速动量趋势延续近12个月收益率剔除最近1个月质量盈利质量高、财务稳健ROE、毛利率、资产负债率低波波动低、防御性强过去60日日收益率波动率、Beta小盘市值小对数市值第二步是构建风格组合。以全市场股票为池对每只股票的风格指标打分分数越高代表风格越纯。这里有一个关键细节直接用原始打分会导致风格组合被个别行业绑架比如小盘组合里可能混进一堆高波动的股票。所以我在打分前会先做行业中性化把风格指标对行业哑变量回归取残差作为中性化后的打分。这一步非常关键不做的话风格组合的风格纯度会被严重污染。第三步是截取头部分。把股票按风格打分排序取打分最高的前50到100只按市值加权。风格纯度高的组合与可投资性之间存在一个平衡前50只风格纯度最高但集中度也高前100只分散性好一点但风格会稀释。我一般取前80只作为默认配置。第四步是输出每个风格组合的日收益率序列供上层模型使用。这些收益率序列就是整个系统后续所有计算的数据基座。3.2 市场状态识别从特征到状态标签状态识别层我用的是GMM高斯混合模型不是因为它最酷而是因为它简单、可解释、状态切换平滑。具体做法是这样的。先把特征准备好。我用的特征包括市场宽基指数20日动量、60日波动率、20日成交额变化率、利率的短中期利差变化、信用利差、市场估值分位数。所有特征统一做标准化处理避免量纲差异。然后用GMM做无监督聚类把每个交易日归到一个状态。聚类数K的选择我一般看两个指标一是BIC值选择BIC下降明显放缓的K二是业务可解释性如果K4聚类出来有一个状态你完全不知道该怎么解读那就说明这个状态没有意义要减少K。我常用的K是3到5。这里有一个典型的状态解释表方便理解状态典型特征代表性市场环境风险偏好上升波动率下行、成交放大、动量由负转正流动性宽松资金愿意承担风险震荡防御波动率中枢抬升、动量反复、成交萎缩不确定性上升资金等待方向风格切换期各风格收益分化最大、轮动速度加快宏观变量发生边际变化状态识别有个坑GMM直接输出的状态标签会产生很多高频抖动今天说风险偏好上升明天又变成震荡防御。我的处理办法是对状态概率做中位滤波或者用HMM的前向后向概率做平滑让状态切换变得缓慢而连续。这一点在权重决策时非常重要因为频繁的状态跳变会直接导致交易成本失控。为什么不直接用HMMHMM理论上能捕捉状态的持续性但参数估计更复杂状态数量选择更敏感实盘中容易收敛到不稳定的局部解。GMM做状态识别配合外部的平滑反而更稳也更容易调试。3.3 自适应权重调整状态先验加上收益预测权重决策层是整个系统的输出核心。我的做法是把状态和预测组合在一起。每个状态都对应一套经验基准权重这是“状态先验”。比如“风险偏好上升”状态对应的是成长30%、动量25%、小盘20%、质量15%、低波5%、价值5%“震荡防御”状态对应的是低波35%、质量30%、价值20%、成长10%、动量5%。这套经验权重不是拍脑袋而是先统计历史上每个状态下各风格的平均胜率和平均超额收益按排序结构换算出来的初始值。在这套先验权重之上叠加收益预测模型给出的倾斜方向。我用GBDT类的模型去预测每个风格未来20日相对收益的排序输出一个0到3分之间的分数段。如果某个风格的预测分数显著高于其他风格就在约束范围内提高它的权重如果预测分数发散说明模型没有把握就保持接近先验权重。“自适应”体现一个关键机制上置信度调节。如果状态识别的概率集中度高说明当前状态很清晰倾斜幅度可以大一点如果概率分散说明模型自己都不确定那倾斜幅度就收窄。这样做能明显减少状态切换期的盲目调仓。我在实盘里用下来这个细节比换任何模型都有效。4. 从回测到实盘的完整流程4.1 数据准备与回测框架跑通前先解决三个数据问题回测能不能反映真实表现90%取决于数据质量。我踩过几个坑这里先说三个最大的。第一个是幸存者偏差。如果用当前的股票池去做历史回测等于提前剔除了已经退市的股票回测收益会被系统性高估。所以我在构建历史风格组合时用的是“当时存在过的股票集合”包括后来退市的这样测出来的风格收益率才真实。第二个是前视偏差。比如公司的年报数据虽然在期末前已经结束但实际公布日期通常在期末后两个月甚至更久回测时把未公布的数据拿来用等于偷看答案。处理方法是所有财务类特征统一延迟三个月宁可用滞后的数据也不能用未来数据。第三个是训练与预测的时间切分。我采用walk-forward框架在每个月的月末只用之前36个月的数据训练模型然后对未来一个月做预测再滚动到下个月。整个过程模拟真实交易中“只能用当时能拿到的最新信息”的状态。除了回测之外我还做了一层“模拟盘”验证用同样的数据管道但是将决策频率降到周频和实盘下单流程保持一致检查回测中忽略的滑点和成交延迟。这一步帮我发现了很多回测里看起来很美、实盘里根本走不动的问题。4.2 关键参数与再平衡节奏参数设定决定了策略的性格。我把自己这套系统的参考参数整理成一个表你可以根据自己的风险偏好调整但它们之间的关系要留意。参数我的设定影响训练窗口36个月越长越稳定越短越敏感再平衡频率月度过高会增加成本过低会钝化单风格权重上限30%防止风格过度集中调仓触发阈值权重偏离大于2%才调降低无效换手单月双边换手上限40%控制交易成本风格跑输预警期连续3个月触发降权检查这些数值是我在自己的模拟数据和模拟盘上调出来的不是标准答案更不是任何形式的投资建议大家参考思路即可。再平衡节奏这块我想多说一句。很多人把模型输出当成每天都可以执行的目标但真实交易里每调整一次都是成本。实盘里的做法是模型每周输出权重但只有偏离当前持仓超过2%才真正调仓除此之外每月固定做一次再平衡。这样既不会钝化也不会被模型的随机噪声牵着走。4.3 交易成本与风控约束权重算出来只是第一步理论权重是一回事能不能落地执行是另一回事。如果模型给出“小盘超配到25%”你得先确认市面上有没有足够深度的小盘工具来承载这个仓位。所以要有一个映射层把风格权重映射到可用标的上同时检查流动性。我常用的三个风控约束。第一单笔买入量不超过该标的近20个交易日日均成交额的5%避免自己把价格买上去。第二单风格相对基准的超配偏离不超过20%。第三组合层面做压力测试极端状态下例如单日市场波动率跳升两倍整个组合的理论亏损要控制在一个预定范围内。顺便说一句回测里的交易成本千万不能设得太乐观。我一开始用单边0.1%回测结果很漂亮一上模拟盘就发现滑点都比这个多。后来改成单边0.15%再加冲击成本模型才和实际比较接近。这个数字看起来差别不大但乘以一年的换手率之后对最终收益的影响非常明显。5. 常见问题与避坑实录5.1 前视偏差是最隐蔽的坑前视偏差我前面提了一次这里专门再讲一个真实场景。有一版回测我把财务特征从“公告日期对齐”改成了“自然季度对齐”结果年化收益凭空多了约7个百分点。为什么因为自然季度对齐把下一季度的数据混了进来模型等于在偷看未来。这次之后我把所有数据管道加了一条审计规则每个特征都必须能追溯到数据的实际可得日期不能只写“这是季度数据”。如果你也在做类似的轮动策略建议把这个规则写到数据清洗流程里否则再好的模型都会被骗。5.2 风格因子失效期怎么应对价值因子这几年有过很长时间的低迷期如果你用的是固定权重或者不灵敏的轮动模型那段时间会非常难受。我的应对办法有三个层面。第一在收益预测模型中专门加入“风格相对强度”特征即每个风格相对基准的滚动超额收益模型会自行下调失效风格的分数。第二加一条规则兜底如果某风格连续12个月跑输基准且模型给出的分数排名掉到最后两名就把它暂时剔除出候选池等它重新冒出相对强度信号再放回来。第三定期人工复盘模型给出的权重变化记录搞清楚每一次砍仓背后的原因。这不是违背自适应原则而是防止模型在极端情况下走火入魔。毕竟模型没见过的情况总得有人来把关。5.3 关于“AI模型不稳定”的现实建议说实话如果模型每次输出的权重都天翻地覆多半不是模型聪明而是过拟合。我踩过这个坑之后总结了三个对策。一是集成。不要只跑一个模型至少同时跑GMM状态识别、GBDT收益预测再加一个简单的动量基准三个结果投票或者加权平均能显著降低单一模型的随机波动。二是对输出做分桶处理。模型输出的预测分数不要直接当连续值用先切成0、1、2、3四档减少极端输出权重自然稳下来。三是设置“死区”。模型建议的变化如果没有超过阈值就不执行。这个机制看起来笨但恰恰是它让交易成本得到了控制。我在实盘里体会很深大部分超额收益来自少数几次方向非常确定的调仓剩下的频繁微调基本都是在给交易成本打工。做了这轮研究之后我最深的体会是AI驱动的自适应投资风格轮动难的根本不是模型而是“什么时候相信模型、什么时候给它套上缰绳”。市场不是一个稳定的概率分布任何模型都会遇到它从没见过的情况。我是做AI的人但我在实盘里恰恰选择了“保守的AI”让模型去找方向让规则去兜底。如果你也想做类似的策略我的建议是先降低目标用三个风格、一个GMM模型、一个月度再平衡跑通全流程后再去加复杂度。不要一上来就上十几个风格、七八个模型那样你连数据问题都分不清是哪个环节造成的。最后分享一个小技巧控制调仓冲动比优化模型参数更重要。一次风格切换的赌注往往需要五六次正确决策才能赚回交易成本。能守住这个底线你的策略就已经跑赢了一半的同行。
