DTW算法捕捉大小盘轮动

20260310-招商证券-市场风格轮动系列：基于相似性算法的风格轮动策略历史会重演吗？利用相似性算法破解风格轮动的“财富密码”面对大小盘切换的迅猛、成长与价值风格的剧烈轮动，投资者常陷入一种“西西弗斯式”的困境：刚踏入小盘股的红利期，市场便转向蓝筹；刚切换至价值防御，成长股便拔地而起。我们常有一种直觉——当下的行情走势，似乎在历史的某个镜像时刻上演过。这种“以史为鉴”的朴素直觉，在量化金融领域正被转化为可实证的精密武器。通过相似性算法（Similarity Algorithms），我们可以从浩如烟海的历史数据中，精准定位那些与当下走势高度重合的“路径”，将模糊的感性判断提炼为具有高胜算的交易信号。视角之争：为什么“相对收益”才是配置的真理？在构建相似性匹配模型时，首要的底层逻辑选择是：我们应该观察风格指数的绝对收益，还是它们之间的相对收益？量化实证给出了明确答案：相对收益视角（Relative Net Value）显著优于绝对收益视角。 避开“信号错位”的陷阱：在绝对收益视角下，大、小盘指数各自对应的“历史最相似时点”往往是离散且不对称的。这会导致模型在试图捕捉风格差时，产生逻辑上的“时空错位”。 拒绝“在模糊结果上做精确比较”：绝对收益视角本质上是先对单一风格进行模糊估计，再进行二次比较，这会引入双倍的噪音。相对收益视角通过直接锁定风格之间的相对强弱状态（如大盘-小盘相对收益率），形成单一条线的“风格相对净值”，直接定位风格所处的历史阶段，从而避免了在模糊估计结果上做精确比较。算法的平衡术：DTW 如何在灵活性与扭曲之间取舍在衡量序列相似度时，传统的欧氏距离如同“刻舟求剑”，要求时间点一一对齐。但在波动的市场中，相似的走势往往伴随着节奏的快慢。为此，我们引入了 DTW（动态时间规整） 算法。如果把 DTW 比作给算法戴上了一副**“弹性眼镜”，让它能看透那些被拉伸或压缩的走势，那么  就是防止视力扭曲的“固定镜框”**。 防止过度规整：无约束的 DTW 会为了最小化累积距离，将一个时间点强行映射到过多的历史点，导致时序逻辑的崩溃。引入 Sakoe-Chiba 约束后，我们强制路径在对角线附近移动。 主观逻辑的胜利（DTW-S-2D）：在对比了 SBD（全局轮廓强但局部识别弱）和 MSM（对代价参数 c 过度敏感）后，DTW-S-2D 脱颖而出。其设定允许当日行情在 3 日内（w=2）完成相似走势，这比宽泛的 5 日约束（DTW-S-4D）更符合 A 股市场高频多变的特性。市场的“记忆”：为什么 2017 是分水岭，而 2019 是“老师”？历史会重演，但并非所有的历史都有同等的参考价值。2006 年的走势与 2025 年相似，其指导意义是否等同于 2019 年？ 2017 年的底层逻辑切换：作为一个资深观察者，必须指出 2017 年 是小盘股逻辑的“断点”。随着监管强化和市场生态演变，“壳资源”价值逐渐坍塌。这意味着 2017 年之前的许多小盘股走势，在当下的退市常态化环境下，参考权重必须打折扣。 时间衰减函数（n=20）：为了让模型具备“厚今薄古”的智慧，我们引入了半衰期为 20 年的时间衰减权重。数据证明，引入该函数后，大小盘策略的边际改善最为显著，这正是因为模型学会了优先向“近现代”的市场交易环境取经。 统计显著性的门槛：模型并非在历史中随意抓取前 50 个匹配项。我们设定了 Mean + 2 Standard Deviations（均值+2倍标准差） 的滚动 5 年阈值。只有相似度超越这个高门槛的历史片段，才被认为具有统计学意义上的“参考价值”，而非随机的巧合。1+1 > 2：相似性信号与“胜率”框架的化学反应为了验证策略的严谨性，在处理数据时，由于中证 2000 指数发布较晚，我们使用了中证 1000 指数的收益率进行历史数据回填（Backfill）。这一细节确保了大小盘策略能回溯至 2005 年，跨越多个完整牛熊周期。当我们将这一相似性指标作为“胜率”变量，纳入现有的**“赔率胜率”复合框架**（基于凯利公式配置）时，业绩展现出了极佳的边际改善： 大小盘轮动策略：年化超额收益：从 16.76% 提升至 18.13%信息比率（IR）：从 1.85 跨越至 2.01 的高度。 成长价值轮动策略：年化超额收益：从 13.79% 提升至 15.27%信息比率（IR）：从 1.11 稳步升至 1.23。结论：向量化投资的深度回归虽然历史不会简单地重复，但“相似的节奏”蕴含着巨大的确定性。相似性算法并非要取代传统的量化因子，而是为配置提供了一层可解释、直观且具有深度逻辑支持的增量信息。在 AI 与深度学习大行其道的今天，这种基于路径匹配的算法因其“所见即所得”的逻辑支撑，依然是量化工具箱中不可或缺的长青工具。它告诉我们：即便身处 AI 时代，理解市场曾经走过的路，依然是预判未来的最短路径。