揭秘国金证券开放式择时框架：自动化、多维融合与市场择时新思路

20250910-国金证券-Beta猎手系列之十三：多种类、多周期事件化的开放式择时框架 一、核心思想与创新点 本报告提出了一种全自动化的开放式择时策略生成框架，旨在解决传统事件驱动择时策略中常见的过拟合和稳健性不足问题。该框架能够从任意指标集中挖掘有效信号，并为任意标的资产构建择时信号。 主要创新点包括： 自动化程度高： 框架能够自动筛选有效指标、自动构建事件化信号，并进行滚动更新和智能合成，极大简化了信号挖掘的复杂性。 避免过拟合： 采用滚动更新机制，并在构建流程中尽量控制数据挖掘的可能性，确保了策略的稳健性。 逻辑性与可解释性： 确保流程符合逻辑性、可解释性要求，并能输出所有中间信息，提高了策略的透明度。 泛化性强： 无需调整即可对不同标的进行测试，计算速度快，适用于探索未知数据集并寻找有择时价值的指标与事件。 信号连贯性： 规定指标预处理方式一经确定不再更改，以保证信号的连贯性，并进一步降低数据挖掘的可能。 二、框架结构与运行机制 整个框架可分为三个主要层次： 2.1 择时框架第一层：数据选择 目的： 选择用于回测的原始指标数据集。 具体内容： 报告中主要使用了指数自身量价、宏观、期权、融资融券与成分股的基本面、资金流数据。 处理方式： 框架将结合后续基于长历史数据的回测表现，选择对原始数据进行滤波等处理的方法。 2.2 择时框架第二层：指标预处理 + 用法判断 目的： 对指标进行初步判断和处理，确定其使用方式，且此处理方式后续不再更改，以确保信号的连贯性和稳健性。 判断依据： 使用较长期的历史数据（本项目中使用2020年之前的数据）进行测试，以避免未来函数问题。 具体判断项目：方向判断： 判断指标与预测资产之间是同向关系还是反向关系。 短期、高频数据使用差分线性回归。 长期、低频数据使用DTW配对点方法。 数据格式变动： 对每个指标数据进行同比、环比、滞后、移动平均、归一化、去极值等操作，并考察相关性是否显著提升。 滞后性剔除： 判断资产价格在滞后多阶情况下，与指标之间的双重差分相关性是否出现明显提升。若有明显提升，则认为指标不具备预示作用或存在信号滞后，予以剔除。 核心理念： “择时框架会固定每个指标的使用方式，且后续事件化步骤中不再变更。” 2.3 择时框架第三层：事件化处理 目的： 将指标转换为多空观点序列（0或1），并对信号进行聚合，得到单指标以及整个策略的最终信号结果。 事件化类型： 衡量多种事件类型，包括突破型（均线、高低点）、分位数型、相关性型、趋势型、截面型等，共计34种事件化情况。 信号生成与聚合：对每个指标构造34种信号。 在滚动过去10年的长度上统计每个信号的回测表现，得到相应的Sharpe比率。 使用Softmax加权得到该指标的最终信号： $$ {w} {i} = \frac{{e}^{\operatorname{Sharp}{e} {i}}}{\mathop{\sum }\limits_{{i = 1}}^{n}{e}^{\operatorname{Sharp}{e}_{i}}} $$ Softmax显著放大有效信号权重，同时不完全抹去其他信号贡献；选择Sharpe比率综合考虑收益和抗波动能力。 若加权合成后数值大于0.5，则指标当期信号为1（看多）；否则为0（看空）。 对各指标的信号再按照同样的方法合成，得到最终策略的信号。 更新频率： 第三层以固定的频率运行，在期初确定各事件化的权重并保持到下次调整（本项目中使用年度频率）。 三、择时框架测试与效果 报告在宽基指数（中证A500、沪深300、中证500、中证800、中证1000、创业板指）和行业指数上进行了回测测试，回测区间为2020年1月至2025年7月，每年初调整事件和指标权重，手续费万分之五。 3.1 中证A500指数测试结果（示例） 各数据集表现： “基本各数据集都能获得超过中证A500指数的收益表现，其中基于基本面、宏观数据得到的信号质量显著较好，区间内年化收益分别达到8.21%和8.02%，年化超额收益分别为7.80%和7.45%。而在信号胜率方面，资金流指标表现较突出，看多胜率达到61.11%。” 合成择时策略表现： “最终合成择时策略年化收益率10.61%，Sharpe比率0.813，各项指标相对基础信号都有一定提升。” 3.2 宽基指数测试效果 普遍超额收益： 在沪深300、中证800、中证1000、创业板指等宽基指数上，策略均有较明显的超额收益表现。 最佳表现： “在中证1000指数上，合成择时策略年化收益15.89%，年化超额14.61%，看多胜率达到63.16%，择时策略的各项指标在各宽基指数中综合最好。” 创业板指： 年化收益16.22%，年化超额14.13%。 中证500： 年化收益7.59%，年化超额5.96%，但对部分上涨区间把握较弱。 3.3 行业指数回测效果 差异化表现： “各行业的择时策略表现各有优劣，主要原因在于部分行业的涨跌更依赖于特定的数据指标，因此统一的数据集无法起到稳定有效的判断效果。” 改进建议： 需要“添加有针对性的指标集并对无效的指标集进行整体剔除”，才能提升最终择时效果。 四、总结 国金证券提出的全自动化择时策略生成框架，通过事件驱动的思路，结合数据选择、指标预处理与用法判断、事件化处理三层结构，有效解决了传统择时策略的过拟合和稳健性问题。该框架具有自动化、泛化性、逻辑可解释性等优势，并在宽基指数和部分行业指数的实证回测中展现了良好的超额收益表现。同时，报告也指出在行业指数上，需要根据行业特性调整或优化指标集以获得更稳定的效果。 前往小宇宙评论区与主播互动