引入多维价量信息的风格因子轮动研究

摘要： 本报告探讨了在量化策略中通过引入多维价量信息来优化风格因子轮动的方法，旨在解决近年来传统因子动量有效性下降的问题。

核心观点：
单一的因子动量筛选在 2020 年后效果明显减弱。通过构建包含传统动量、衍生技术指标、因子估值与拥挤度、以及组合内部分化指标在内的多维价量指标体系，能更准确地识别强势因子。其中，动态合成信号（利用随机森林筛选特征）比静态等权合成更稳健且 IC 更高。

论据支撑：

1. 指标构建：计算了 60 个维度特征。研究发现 RSI、BB 等技术指标及个股上涨百分比、分化度等内部指标在 2021 年后的稳定性优于经典动量。
2. 合成效果：动态合成信号在沪深 300、中证 500 和中证 1000 股票池中均提升了收益并改善了夏普率。
3. 共振应用：将升级后的价量筛选标准与宏观维度结合，构建新版因子共振模型。周频调仓方案在指数增强组合中显著提升了年化超额收益和信息比，尤其在 2023 年以来效果突出。

局限性/风险：
模型基于历史数据构建，准确度受限于数据长度；历史表现不代表未来，在宏观及市场环境大幅变化时模型可能失效。