截面选基 × 择时策略 — 融合方案候选池

> 本文档列出「截面选基按什么系数 × 择时仓位」的所有可行方案，以及业界常用方法和论文参考。 > 目标：选出一个最佳方案并实施。

---

现状：两套系统的覆盖度分析

择时系统覆盖的品种（30个，含变体）

A股宽基: 399102.SZ(创业板综), 399006.SZ(创业板指), 399300.SZ(沪深300), 399001.SZ(深证成指)
A股行业: 000933.SH(医药)  策略: 980092.CNI(自由现金流), 510880(红利), 000015.SH(红利指数)
港股:    513050(恒生互联网), 513180(恒生科技), HSI(恒指)
美股:    159941(纳指-中国), QQQ(纳指-美国)
商品:    GLD(黄金), 159985(豆粕)
REITs:   7只
债券:    511260(10年国债,有weight但无策略注册)

截面 ETF 池（76只，6大类）→ 择时映射覆盖情况

关键发现：最大的盲区是行业主题（35只）——这些 ETF 在择时系统中没有直接覆盖，需要用 A 股宽基指数做代理。

---

方案总览

方案1: 单宏观总控          ← 最简单，创业板做唯一系数
方案2: 大类资产映射         ← 推荐，6类各配一个择时锚点
方案3: 滚动相关性动态映射    ← 最精细，每只ETF每周重新找最近似的择时品种
方案4: 波动率目标制         ← 学术路线，择时控制波动率而非仓位
方案5: Black-Litterman融合 ← 学术路线，贝叶斯融合截面"观点"和择时"置信度"
方案6: 双层仓位信息展示      ← 不改系统，只改推送显示（方案A）

---

方案 1：单宏观总控（Single Macro Overlay）

做法

用创业板(399102.SZ)择时仓位作为唯一乘数：

每只ETF实际仓位 = 截面权重 × 创业板择时仓位

优点

• 实现极简，推送直接可输出
• 创业板已是你策略覆盖最全的品种（9个策略）
• A股ETF跟创业板相关性普遍>0.7

缺点

• 债券ETF、跨境ETF、商品ETF的仓位被创业板错误控制
• 当创业板择时=0时，全部品种空仓，连债券也不配
• 你的评价：「太草率了」

适用场景

A股纯多头组合，不做跨境/债券配置时

---

方案 2：大类资产映射（Category-Level Mapping）⭐ 推荐首实现

做法

将截面 ETF 池按大类分组，每组指定一个择时锚点品种：

最终公式

每只ETF实际仓位 = 截面权重 × 该ETF所属大类的择时锚点仓位

优点

• 不同大类有不同的择时逻辑，债券不会因为创业板空仓而被误杀
• 映射关系固定，不依赖动态计算
• 实现成本低（一个字典 + 3行代码）

缺点

• 行业主题全部用创业板做代理，同质性假设强
• 债券用沪深300做锚点，逻辑是「跷跷板」但非直接相关

实现代码量

约 30 行 Python（映射字典 + 推送输出改造）

---

方案 3：滚动相关性动态映射（Rolling Correlation）

做法（你的方案）

每周计算每只截面选出的 ETF 与所有择时品种的近 60 日收益率相关性，选 r 最高的那个作为锚点：

for etf in selected_etfs:
    best_corr = -1
    best_anchor = None
    for anchor in timing_anchors:
        corr = rolling_corr(etf.returns, anchor.returns, window=60)
        if corr > best_corr:
            best_corr, best_anchor = corr, anchor
    final_position = cross_section_weight × timing_position[best_anchor]

优点

• 最精细，理论上最优
• 不依赖人工分类
• 当板块轮动时自动切换锚点

缺点

• 相关性在短窗口（60日）极不稳定：一只 ETF 可能这周跟创业板 r=0.85，下周因行业事件 r 掉到 0.3
• 映射切换会导致仓位跳变
• 多重共线性：大部分A股ETF跟创业板、沪深300的r都很高，差别不大
• 实现复杂，需要缓存历史收益率数据
• 学术界对此方法没有直接支持——相关性做仓位分配不是标准做法

学术参考

相关性映射本身不是学界推荐的方法。Moskowitz, Ooi, Pedersen (2012) 在 "Time Series Momentum" 中的做法是：对每只资产独立计算择时信号，而不是通过代理品种映射。如果你希望每只 ETF 有独立择时，应该直接在每只 ETF 上跑择时策略，而不是通过相关性映射。

---

方案 4：波动率目标制（Volatility Targeting）

学术来源

Moreira & Muir (2017), "Volatility Managed Portfolios", Journal of Finance. Harvey et al. (2018), "The Impact of Volatility Targeting"

做法

择时系统不控制「仓位」，而控制「目标波动率」：

目标波动率 = f(择时信号)
  - 择时说「进攻」→ 目标波动率 15%
  - 择时说「防守」→ 目标波动率 5%

每只ETF实际仓位 = 截面权重 × (目标波动率 / ETF实际波动率)

例子

创业板择时说「防守」，目标波动率 = 5%
159949(创业板50) 实际波动率 = 25%
→ 159949仓位 = 10.2% × (5% / 25%) = 2.04%

511220(城投债) 实际波动率 = 3%
→ 511220仓位 = 8.5% × (5% / 3%) = 14.2%（债券波动低，同样目标下可以多配）

优点

• 有强学术支撑
• 自然实现了「高波动品种少配、低波动品种多配」
• 不需要映射，每只 ETF 独立计算

缺点

• 改变系统核心逻辑，不仅仅是「乘一个系数」
• 回测验证需要较多时间
• 波动率预测本身有误差

---

方案 5：Black-Litterman 融合

学术来源

Black & Litterman (1992), "Global Portfolio Optimization", Financial Analysts Journal. Idzorek (2007), "A Step-by-Step Guide to the Black-Litterman Model"

做法

把截面选基的评分当作「观点」(views)，把择时仓位当作「置信度」(confidence)：

截面评分 → "我认为半导体应该跑赢平均 5%"（观点）
择时仓位 → "我对这个观点有 80% 的置信度"（置信度）

BL模型 → 输出最优权重

优点

• 金融业界标准框架，Goldman Sachs 等大机构使用
• 自然融合不确定性和观点

缺点

• 需要引入协方差矩阵估计（76×76矩阵）
• 实现复杂度高
• 对你的系统来说过度设计了

---

方案 6：双层仓位信息展示（方案A的实质）

做法

不改系统逻辑，只在推送里显示两层仓位：

📋 双层仓位配置方案
─────────────────────────────────────────────
代码        名称         截面权重   大类锚点   择时仓位   实际建议
159949.SZ  创业板50ETF    10.2%    创业板     2.99%    0.30%
515880.SH  通信ETF        10.1%    创业板     2.99%    0.30%
159941.SZ  纳指ETF         8.7%    纳指      93.33%    8.12%  ← 注意！纳指择时仓位很高
511220.SH  城投债ETF       8.5%    沪深300   64.98%    5.52%  ← 债用沪深300代理
─────────────────────────────────────────────
                            截面合计 96.0%  →  实际合计 17.x%

优点

• 最快落地：改推送生成代码即可
• 让你直观看到「截面说买这么多，但择时只让买这么少」
• 你可以手动按实际建议执行
• 不影响现有系统

缺点

• 还是需要你手动执行
• 没有回测验证

---

业界实践参考 & 关键论文

1. 时序动量 + 截面动量的经典组合

Moskowitz, Ooi, Pedersen (2012), "Time Series Momentum", *Journal of Financial Economics*

核心发现：时序动量（Timing—何时买）和截面动量（Selection—买什么）是两个独立且互补的信号源。组合使用比单独使用更优。论文做法是每只资产独立计算时序信号，不通过代理。

→ 启发：理想方案是对截面选出的每只 ETF 都单独跑择时。但计算量大。

2. 波动率管理投资组合

Moreira & Muir (2017), "Volatility Managed Portfolios", *Journal of Finance*

核心发现：用已实现波动率的倒数缩放仓位，可以显著提高夏普比率。简单、鲁棒、学界广泛验证。

→ 启发：方案4的学术基础。不判断「牛熊」，只判断「波动大不大」，然后用波动率调节仓位。

3. 百年趋势跟踪证据

Hurst, Ooi, Pedersen (2017), "A Century of Evidence on Trend-Following Investing", AQR

核心发现：趋势跟踪（你择时系统的本质）在所有资产大类上都有效，但各资产大类的趋势信号应该独立计算。

→ 启发：不要用创业板的趋势信号去判断黄金该不该配。支持方案2（大类独立映射）。

4. 多因子信号组合

Asness, Moskowitz, Pedersen (2013), "Value and Momentum Everywhere", *Journal of Finance*

核心发现：价值和动量在全球各资产大类都有效，且组合在一起可以显著提高夏普比率。

→ 启发：你的截面系统（动量因子）和择时系统（趋势跟踪）是两个独立的 alpha 源，应该系统化组合。

5. 实践中常见的框架

在量化对冲基金（AQR, Two Sigma, WorldQuant 等）中：

Alpha = 截面因子（选品种）+ 时序因子（择时）
Risk  = 波动率目标制（控制总风险）
执行  = Alpha × Risk → 最终仓位

这个框架和你想要做的事情完全一致。

---

推荐实施路线

第一周（方案6 → 方案2）：推送里显示双层仓位
  - 按大类资产映射计算每只ETF的实际建议仓位
  - 在推送中展示「截面权重 → 大类锚点 → 择时仓位 → 实际建议」
  - 你周一可以直接按实际建议执行

第二周（方案2回测）：回测验证大类映射方案
  - 用历史数据跑「截面选基 × 大类择时」的回测
  - 对比纯截面、纯择时、融合后的收益/回撤/夏普

第三周+（方案4探索）：波动率目标制作为进阶
  - 作为长期优化方向，不急于实现

---

为什么推荐方案2而非方案3（你的方案）

当大部分A股ETF跟创业板的r已经在0.7以上时，动态相关性搜索的结果大概率还是创业板——你花了计算成本，结果和直接映射一样。

---

TODO

• 确定采用哪个方案（推荐：方案2 + 方案6，即大类映射 + 双层仓位推送）
• 确认大类→锚点的映射表是否需要调整
• 实施推送展示改造
• 实施回测验证