如何刻画因子对收益的真实预测效果 股票的空头和多头哪个好

图1展示了一个月换手因子过去10年在全市场中十组分档检验的效果。可以看到，一个月换手因子在全市场中十组分档的单调性非常好，并且空头超额（第10组）比多头超额（第1组）更显著。

图2和图3展示了换手率因子在中证500和沪深300指数成分股中十组分档的效果。将股票池压缩到中证500成分股中时，因子的单调性仍然较好，只是多空收益有所下降。而将股票池压缩到沪深300中时，可以看到其分组的单调性较差，只有空头部分比较显著。由此可见，换手因子在中证500内是一个较为有效的选股因子，而在沪深300内并没有显著的选股效果。

从效果来看，传统的十组分档检验能够以全市场等权指数为基准检验因子的有效性，当面对的基准指数和全市场等权指数相差较大时，例如在沪深300指数中，全市场中检验“有效”的因子可能就不再有效。

1.2

多空收益检验

因子多空收益检验是另外一种常见的因子收益检验方法，它在因子分档检验的基础上，刻画因子多头组合与空头组合在时间序列上的收益相对强弱关系。例如，图4展示了股息支付率因子的多空相对走势，可以看到多头组合能够持续跑赢空头组合。

然而从股息支付率因子的十组分档超额收益可以看到，股息支付率因子对收益预测的单调性较差，只有第一组空头和第十组多头组合表现分化显著，该因子对第二到第九组的绝大多数股票没有很好的收益预测作用。由此可以看到，多空组合只刻画了因子局部的相对表现，对于非极端取值部分的股票，多空组合无法刻画其表现，因此在部分因子上可能会得出片面的结论。

1.3

IC检验

图6展示了一个月日均换手因子的月度IC序列。可以看到，因子的IC均值达到-0.095，IC_IR达到-3.23，IC的胜率达到81%。从因子累计IC来看，因子长期的稳定性非常好，今年以来因子IC只有一期失效。总体来看该因子是一个非常好的选股因子。

因子IC检验和十组分档检验一样，也面临同样的问题。例如，图7展示了中证500内因子的Rank IC序列，可以看到其表现与上图6中全市场内IC的表现较为接近。而图8中沪深300内因子的Rank IC序列，其IC均值为-0.049，IC_IR为-1.71，胜率从81%下降到了69%，从累计IC来看，其表现显著弱于因子在全市场及中证500中的表现，尤其今年以来因子IC的胜率不足50%。在不同股票池中，因子IC检验的效果可能完全不同。

因子IC检验面临的另一个问题是计算时没有考虑基准指数的权重配置。假定有四个基准指数，分别是沪深300指数、沪深300等权重指数、沪深300股息率加权指数以及沪深300波动率加权指数，这四个指数的选样空间完全一致，但个股权重差异很大，从传统IC角度看因子在这些不同基准中的作用效果也是一样的，这与直觉显然是不符的，后文我们提出的加权IC这一改进指标会把成分股权重考虑到IC的计算中来，给出了更合理的因子检验方法。

1.4

传统因子有效性检验方法总结

传统我们对于因子进行有效性检验时，经常会从因子在全市场中的多空表现、IC均值等维度来判定因子的优劣，给出的结论通常也是偏“绝对化”的，比如A因子好、B因子不好。然而，在实务操作中我们面对的基准是多样化的，在实践中经常会发现部分经过多空检验、IC检验后“有效”的因子在实际构建组合时并不是那么有效，有些甚至会起到反作用。究其原因是业绩基准的股票池、股票池中个股的权重分配方式等维度和全A样本空间可能相距甚远。因此，我们进行有效因子筛选时，更应该以“相对化”的视角去探寻，不同的基准股票池，股票池中的权重分配方式都可能会影响因子的真实预测效果。

2

因子相对有效性检验方法

这一节中，我们提出两种检验因子有效性的方法，一种是针对IC检验的改进算法，另外一种是对因子收益的MFE检验。两种检验方法的前提都是在有效性检验时即考虑到相应的基准指数、基准指数的权重配置等约束条件对因子有效性的影响。

2.1

加权IC视角下的因子有效性检验

我们认为加权IC的权重可能受到多个方面因素的影响。一个因素是股票权重实际能够偏离的幅度空间，通常我们在实际构建指数增强组合时，单个股票并不会简单地买入或全部卖出，而是会限制个股相对于成分股的权重偏离来避免产生较大的跟踪误差，这时候每只股票能够偏离的权重空间决定了其对于因子IC的影响程度；还有一个因素是因子的多空方向，通常我们会做多某个因子的多头部分而做空因子的空头部分，多头和空头股票的实际可偏离权重也会直接影响因子IC的计算。

2.1.1

相对权重偏离约束下的因子IC

假如我们允许个股相对于其成分股权重偏离一定的百分比，那么每只股票对于因子IC的影响正比于其在成分股中的权重，即相对权重偏离约束下的IC：

不同成分股之间的权重差别可能非常大。图9和图10分别统计了在20230830当天中证500与沪深300成分股中，权重最高的N只股票的权重和相当于权重最小的f(N)只股票权重和的对应关系。可以看到，在沪深300成分股中，f(1)=97，f(3)=150，f(10) =214，f(20) =245，而在中证500成分股中，f(1)=19，f(3)=39，f(10) =84，f(20) =128。沪深300中权重最大的10只股票的权重和相当于权重最小的214只股票的权重和，对于收益影响的重要性来说，权重高的股票收益预测的准确性相对更重要。

图11和图12分别展示了中证500与沪深300内一个月换手因子的相对权重偏离约束下加权IC序列，可以看到在中证500内因子加权IC的表现和图7中等权IC的表现较为接近，而沪深300内因子加权IC的表现和图8中的表现差别较大，尤其是今年以来的表现和等权IC的表现相反。在加权IC的检验下，换手率因子在中证500中是一个非常有效的因子，但是在沪深300中的有效性并不稳定。

2.1.2

绝对权重偏离约束下的因子IC

在实践中，相比于控制个股相对于自身一定百分比的偏离，我们更常用的是控制一定的绝对偏离量。图13和图14分别展示了在20230830当天中证500及沪深300成分股在相对基准中权重最大偏离1%的情况下，每只成分股的实际最大向下和向上可偏离权重。沪深300成分股中权重最大的中国平安（601318.SH）的权重为7.67%，在最大权重偏离1%的约束下，中国平安最低权重仍然有6.67%，因此在计算因子IC时的实际影响并没有7.67%而是只有1%。如果对所有成分股的绝对偏离幅度都相等，那直观来看在这种约束下用等权IC即可度量因子的选股能力，因为每只个股最大权重偏离都为1%。但是，沪深300成分股从权重（从大到小）排名第17只开始其成分股权重低于1%，构建组合时由于无法做空个股，个股的最低配置权重为0，因而这些股票向下最大权重偏离小于1%；类似的，中证500成分股的最大向下权重偏离都小于1%。这些股票向上能够偏离1%的权重，但是向下偏离的幅度低于1%，因此不同股票对因子IC计算的影响程度并不相同。

一种直观的加权方式是以每只股票可以高配和低配的空间，即以最大向上偏离权重与最大向下偏离权重绝对值的和作为加权IC的权重。但在实际配置因子时，我们通常知道因子的作用方向，例如换手因子取值越低，未来股票的收益越高，我们可以把因子取值的方向信息纳入到因子加权IC的计算中，从而更准确的来刻画个股对IC计算的影响。具体地，看多的股票可以取向上偏离的权重上限，而看空的股票却最多只可以向下偏离到其成分股权重。

假定某因子对股价有正向的预测作用，即因子取值越大，对应股票未来的预期收益越高。某个截面上，对于因子取值较大的50%股票我们认为会高配，以最大向上偏离权重作为加权IC的权重，对于因子取值较小的50%股票我们认为会低配，以个股在基准中的权重、最大向下偏离权重两者间的较小者作为加权IC的权重，即

图15展示了20230830当天沪深300成分股按换手因子取值从小到大排序后的成分股权重，以及每只股票在绝对权重偏离约束（最大偏离1%）下的IC加权权重，多头的个股权重为1%，空头大部分权重为其成分股权重。

图16和图17分别展示了一个月换手率因子在中证500及沪深300内绝对权重偏离约束下的加权IC序列，可以看到，中证500内换手因子加权IC的表现总体和图7中成分股内等权IC的较为接近，只是在2017-2018年间因子IC发生了较大波动，而沪深300内换手因子加权IC的表现与图8中成分股内等权IC的表现相差较远，尤其是2011年下半年-2013年上半年，以及2017年以来累计IC曲线发生了反向。在加权IC的检验下，换手因子在中证500指数中是一个较为有效的因子，而在沪深300中的则稳定性较差。

2.1.3

常见因子加权IC表现

这里我们展示在不同加权方式下常见因子的IC均值。图18展示了全市场等权下的IC均值，因子按IC均值的绝对值排序。可以看到技术类因子的排序都比较靠前，排名前10的因子中技术类因子有5个。

下图19展示了各因子在中证500成分股中的等权IC均值，可以看到因子排序与上图18中全市场等权下的排序较为接近，技术类因子排序大部分较靠前。

下图20展示了各因子在中证500成分股中加权IC的均值，可以看到因子排序与上图19中中证500内等权IC的排序较为接近。

接下来我们考察沪深300中不同加权方式下的IC表现。下图21展示了各因子在沪深300成分股中的等权IC均值，可以看到排序前10的因子中技术类因子占了2个，波动率因子排序第6，换手率因子排序第10，反转因子排序第13。

下图22展示了各因子在沪深300成分股中加权IC的均值，可以看到排序靠前的都是基本面类因子，技术类因子的排序都靠后，技术类中表现最好的波动率因子排序第12。

由此可见，中证500指数内因子有效性检验的效果与全市场内检验的效果接近，而沪深300内检验有效性的效果与全市场差异较大。

2.1.4

考虑换手影响的因子IC

以上我们讨论了对于因子单期IC计算时应考虑的问题，这里我们进一步讨论因子的多期IC在实践中面临的问题。技术类因子相对于基本面因子来说换手率普遍偏高，由于交易成本不可忽略，如果以因子IC均值作为因子配置权重，会放大技术类因子对收益的真实贡献。[Xavier Gerard@2013] 中提出了一种方法将换手率的影响纳入到因子滚动多期IC期望值的计算中，因子多期IC期望值 MIC 在一定假设下可定义如下：

2.2

MFE组合视角下的因子有效性检验

上一节中我们讨论了在带有权重偏离约束下如何改进因子IC计算的方式来更贴近因子对于收益的真实预测作用。但是我们在实际构建指数增强组合时，仍然可能有其他约束条件，例如，控制组合相对于基准指数的行业暴露、风格暴露、成分股内权重占比、组合换手率约束等，这些约束条件很难方便地加入到因子IC的计算当中，。

这引发我们思考，如何能够在满足各种约束下去检验因子真实的收益预测效果。由于这些约束条件都是实际构建组合时的真实约束，如果我们在因子有效性检验时就采用组合优化的方式来检验控制了约束条件后因子的有效性，那么我们筛选后认为“有效”的因子更可能在最终组合优化中发挥其真实的收益预测作用。所以，我们将组合优化的目标函数修改为最大化单因子暴露，其他约束条件和我们最终的组合一致，由此可以得到控制了行业、风格暴露等其他约束下的最大化单因子暴露组合（Maximized Factor Exposure Portfolio，简称MFE组合），根据该组合相对于基准的收益表现我们可以判断该因子对于我们实际面对的基准是否有效。

我们基于上述组合优化模型来针对给定基准指数构建最大化单因子暴露组合MFE组合。为了更好地观察单因子的有效性，我们通常约束MFE组合在常见的风格因子及行业上零暴露。为了避免持仓过于集中导致收益不稳定，我们通常设置个股相对于其基准指数中权重的偏离幅度为0.5%-1%。

基于组合优化的方式构建MFE组合来进行因子有效性筛选的过程如下：

1.设定单因子MFE组合的约束条件，包括风格暴露、行业暴露、个股权重偏离、成分股内权重占比、个股权重上下限等约束；

2.在每个调仓期，根据约束条件构建单因子MFE组合；

3.在回测期内根据各期MFE组合换仓，计算组合历史收益并按需扣除交易成本，计算MFE组合相对于基准的收益风险统计指标；

4.筛选收益风险统计指标满足要求的因子作为有效因子集合。

从上述流程可以看到，基于组合优化构建MFE组合来筛选有效因子可同时考虑股票池、基准指数、基准的权重配置、交易成本、成分股内权重占比、组合换手率等因素。

下面我们以一些常见的因子为例，考察它们在中证500、沪深300指数为基准下的MFE组合的表现情况。我们以一个较为常见的约束条件集合来控制因子的MFE组合：

回测时间：2010年1月-2023年7月； 交易成本：买入0.1%，卖出0.2%； 调仓频率：月频； 股票池：基准指数的成分股； 行业、风格约束：中信一级行业相对于基准的暴露为0，市值相对基准暴露为0； 个股权重约束：相对于基准中成分股权重最大偏离不超过1%。

2.2.1

一个月日均换手因子MFE组合表现

我们首先来考察一个月日均换手因子的MFE组合的表现。我们分别以中证500、沪深300指数为基准，约束股票池分别在中证500、沪深300成分股内，换手因子的MFE组合表现分别如图25和图26。可以看到，中证500中换手率因子的MFE组合相对于中证500指数的表现明显要好于沪深300中换手率因子的MFE组合相对于沪深300指数的表现，尤其是在2017-2023年，两个组合的超额表现相差较大。

表1展示了换手因子在中证500和沪深300中的MFE组合各年的超额收益、相对最大回撤、信息比、月度胜率数据。可以看到，换手因子在中证500指数中年化超额收益7.85%，信息比1.43，每年都能跑赢中证500指数，而在沪深300指数中年化超额为3.28%，信息比只有0.83。今年以来，换手因子相对于中证500超额收益4.68%，相对于沪深300超额收益为-3.47%。由此可见，换手因子在中证500中是一个较为有效的因子，而在沪深300中的有效性较弱。这与我们前文中图16和图17的结论是一致的。

2.2.2

非流动性冲击因子MFE组合表现

接下来我们考察非流动性冲击因子的MFE组合的表现。我们分别以中证500、沪深300指数为基准，约束股票池分别在中证500、沪深300成分股内，非流动性冲击因子的MFE组合表现分别如图27和图28。可以看到，中证500中非流动性冲击因子的MFE组合相对于中证500指数的表现明显要好于沪深300中非流动性冲击因子的MFE组合相对于沪深300指数的表现。

表2展示了非流动性冲击因子在中证500和沪深300中的MFE组合各年的超额收益、相对最大回撤、信息比、月度胜率数据。可以看到，非流动性冲击因子在中证500指数中年化超额收益4.94%，信息比1.03，而在沪深300中年化超额只有1.48%，信息比只有0.37。今年以来，非流动性冲击因子相对于中证500超额收益3.39%，相对于沪深300超额收益为-2.95%。由此可见，非流动性冲击因子在中证500中表现尚可，而在沪深300中基本是个无效因子。

2.2.3

DELTAROE因子MFE组合表现

DELTAROE因子刻画了企业季度ROE的同比改善情况，接下来我们考察DELTAROE因子的MFE组合的表现。我们分别以中证500、沪深300指数为基准，约束股票池分别在中证500、沪深300成分股内，DELTAROE因子的MFE组合表现分别如图29和图30。可以看到，DELTAROE因子在中证500和沪深300指数中都是不错的选股因子。

表3展示了DELTAROE因子在中证500和沪深300中的MFE组合各年的超额收益、相对最大回撤、信息比、月度胜率数据。可以看到，DELTAROE因子在中证500指数中年化超额收益8.41%，信息比2.29，在沪深300中年化超额6.33%，信息比2.16，今年以来，今年以来，DELTAROE因子相对于中证500超额收益16.57%，相对于沪深300超额收益为6.02%。由此可见，DELTAROE因子在中证500和沪深300指数中都是稳定有效的因子。

2.2.4

SUE因子MFE组合表现

SUE因子刻画了企业的预期外盈利，接下来我们考察SUE因子的MFE组合的表现。我们分别以中证500、沪深300指数为基准，约束股票池分别在中证500、沪深300成分股内，SUE因子的MFE组合表现分别如图31和图32。可以看到，SUE因子在中证500和沪深300指数中都是不错的选股因子。

表4展示了SUE因子在中证500和沪深300中的MFE组合各年的超额收益、相对最大回撤、信息比、月度胜率数据。可以看到，SUE因子在中证500指数中年化超额收益9.16%，信息比2.42，每年都能跑赢中证500指数，在沪深300指数中年化超额6.38%，信息比2.3。今年以来，SUE因子相对于中证500超额收益13.32%，相对于沪深300超额收益为4.36%。由此可见，SUE因子在中证500和沪深300指数中都是稳定有效的因子。

2.2.5

单季度EP因子MFE组合表现

估值类因子一直是被大家广泛使用的选股因子，下面我们考察单季度EP因子的MFE组合的表现。我们分别以中证500、沪深300指数为基准，约束股票池分别在中证500、沪深300成分股内，单季度EP因子的MFE组合表现分别如图33和图34。可以看到，单季度EP因子在中证500和沪深300指数中都是不错的选股因子，且相在沪深300中的稳定性更强。

表5展示了单季度EP因子在中证500和沪深300中的MFE组合各年的超额收益、相对最大回撤、信息比、月度胜率数据。可以看到，单季度EP因子在中证500指数中年化超额收益9.80%，信息比2.25，每年都能跑赢中证500指数，在沪深300指数中年化超额7.78%，信息比2.61，每年都能跑赢沪深300指数，历史相对最大回撤只有-2.99%。今年以来，单季度EP因子相对于中证500超额收益3.06%，相对于沪深300超额收益为1.95%。由此可见，单季度EP因子相对于中证500和沪深300都是稳定有效的因子，并且相对于沪深300的有效性更强。

2.2.6

分析师上下调因子MFE组合表现

不同于财报、交易类数据，分析师的盈利调整数据从情绪面提供了对未来股价的预测信息，下面我们考察分析师盈利上下调因子的MFE组合的表现。我们分别以中证500、沪深300指数为基准，约束股票池分别在中证500、沪深300成分股内，分析师上下调因子的MFE组合表现分别如下图35和图36。可以看到，分析师上下调因子在沪深300中稳定性较强，而在中证500中不同年份间表现波动较大，造成这种现象的一个原因可能是分析师对于沪深300成分股的覆盖深度和广度都比中证500成分股要深刻，因此该类因子在沪深300中的数据质量也更高。

表6展示了分析师上下调因子在中证500和沪深300中的MFE组合各年的超额收益、相对最大回撤、信息比、月度胜率数据。可以看到，分析师上下调因子在中证500指数中年化超额收益5.42%，信息比1.43，但历史相对最大回撤-31.82%，而在沪深300中的年化超额6%，信息比2.21，每年都能跑赢沪深300指数，历史相对最大回撤只有-1.96%。今年以来，分析师上下调因子相对于中证500的超额收益为2.95%，相对于沪深300的超额收益为8.06%。由此可见，分析师上下调因子在沪深300中是稳定有效的选股因子。

2.2.7

常见因子MFE组合表现

按照上文中MFE检验流程，我们在表7中展示了常见选股因子在中证500、沪深300中的表现统计。

下图37展示了中证500中下部分因子MFE组合的信息比。可以看到，表现最好的因子主要是成长类的因子，例如SUE、单季度净利润超预期幅度、单季度营业利润同比增速、DELTAROE等因子。

图38展示了沪深300中下部分因子MFE组合的信息比。可以看到，表现最好的因子主要是估值、盈利改善、盈利调整类因子，例如单季度EP、SUE、3个月净利润上下调数量、DELTAROE等因子。沪深300中表现最好因子和中证500中表现最好的因子有一定区别。

2.2.8

换手率对因子MFE组合表现的影响

在前面计算因子MFE组合时，我们默认以买入0.1%，卖出0.2%的交易成本来计算因子扣费后收益。通常技术类因子的换手率较高，交易成本对因子表现的影响程度较高，而财务类因子的换手率较低，因子表现对交易成本不敏感。这里我们简单对比一下扣费/不扣费的情况下因子收益的表现对比。

下面我们首先以技术类的特异度因子为例，考察其在中证500中扣费/不扣费的MFE组合表现。从图39可以看到，扣费后因子MFE组合的表现明显要弱于不扣费组合的表现，费后的年化超额收益比费前降低了3.29%。

表8展示了中证500中特异度因子MFE组合扣费/不扣费的收益与信息比的对比数据。可以看到，年化超额收益从不扣费的8.22%下降到了扣费后的4.93%，下降了3.29%，信息比从1.93下降到了1.22，下降幅度明显。

我们再以股息率因子为例，我们考察其在中证500指数内扣费/不扣费的MFE组合表现。从图40可以看到，扣费后因子MFE组合的表现与不扣费组合的表现较为接近。

表9展示了中证500中股息率因子MFE组合扣费/不扣费的收益与信息比的对比数据。可以看到，年化超额收益从不扣费的8.07%下降到了扣费后的7.52%，下降了0.55%，信息比从2.04下降到了1.9，下降幅度较小。

由上述分析可知，不同的换手率和交易成本都会对MFE组合的表现造成影响，相对于因子IC检验方法，MFE方式下的因子表现能更加准确的刻画因子对收益的真实预测效果。

3

沪深300指数增强实证

在这一节中，我们基于以上方法筛选出沪深300中的有效因子，基于组合优化的方式来构造指数增强组合。模型构建的参数如下：

回测时间：2010年1月-2023年8月； 基准指数：沪深300； 调仓频率：月频； 调仓价格：自然月第一个交易日的VWAP； 交易成本：买入0.1%，卖出0.2%； 股票池：中证800成分股，其中沪深300成分股权重和不低于80%； 流动性约束：调仓时非停牌或涨跌停，调仓日过去10天日均成交额不低于2000万； 个股、行业及风格约束：个股相对基准指数中的权重最大偏离1.5%，行业相对于基准行业权重的最大偏离为2%，风格相对基准指数暴露为0。

由于A股停牌、涨跌停经常出现，考虑调仓时股票的可交易性，如调仓遇到上期持仓中的股票停牌、涨跌停时，我们继续持有该股票，即保持该股票本期权重不变。

沪深300增强组合的表现如图41，可以看到增强组合能够稳定跑赢沪深300指数。图42展示了增强组合的月度超额收益序列，月度超额收益均值1.22%，月度胜率87.93%。

表10展示了增强组合分年度的表现情况，组合年化超额收益16.12%，最低一年超额收益为10.01%，相对最大回撤为-2.54%，信息比为4.01，整体跟踪误差3.74%。今年以来截止到20230830超额收益9.60%，总体表现较为稳健。

天风金工专题报告一览

多因子选股系列报告

》2023-09-05

》2023-07-04

《》2023-05-24

《A股公司治理类因子解析》2023-03-27

《利用交易型alpha捕获低频模型短期收益》2023-03-18

《短周期视角下的指数增强策略》2023-02-11

《基于机构风格追随的业绩增强策略》2018-10-11

《基于预期业绩季度化分解的超预期30组合》2018-09-07

《基本面视角下的食品饮料行业选股研究》2018-08-03

《行业景气度量化前瞻系列之二：家电篇》2018-07-24

《》2018-06-15

《多因子模型的业绩归因评价体系》2018-04-10

《风险预算与组合优化》2018-03-05

《》2018-02-05

《》2017-11-17

《因子正交全攻略——理论、框架与实践》2017-10-30

《基于动态风险控制的组合优化模型》2017-09-21

《》 2017-09-18

《》 2017-09-08

《MHKQ因子择时模型在A股中的应用》 2017-8-15

《专题报告二十三-自适应收益预测模型下的组合优化策略》 2017-08-24

《专题报告二十一-买卖压力失衡——利用高频数据拓展盘口数据》 2017-08-01

《专题报告十九-半衰IC加权在多因子选股中的应用》 2017-07-22

FOF系列报告

《》2023-09-12

2023-01-15

《基金最新监测仓位创近两年新低!》2023-1-7

《基金研究：中国式目标日期基金设计攻略》2018-06-19

《》2018-04-27

《》2018-03-22

《金融工程：基于风格因子视角的FOF投资策略研究》 2017-09-18

《金融工程：FOF专题研究（四）：景顺长城沪深300增强指数型基金》 2017-08-07

《金融工程：FOF 专题研究（三）：华泰柏瑞量化A偏股混合型基金》 2017-07-24

《金融工程：FOF专题研究（二）：国泰估值优势偏股混合型基金》 2017-07-17

《金融工程：FOF专题研究（一）：银华中小盘精选偏股混合型基金》 2017-07-06

资产配置系列报告

《黄金如何择时？》2023-08-01

《如何抑制宏观信息“过拟合”？——宏观数据的去噪、降维及应用》2023-03-11

《资产轮动策略研究（一）：不一样的宏观动量视角》2018-06-05

风格与行业轮动系列报告

《基于现金流与折现率的板块轮动策略》2018-10-18

》2018-07-02

《如何筛选行业轮动能力强的基金》2018-05-08

《》2018-04-19

《》2018-02-05

事件驱动选股系列报告

向下滑动查看往期