风格轮动的宏观信号：用利差/动量给价值成长切换择时

「价值好还是成长好？」——这个问题没有恒定答案，只有随时间切换的答案。2000–2007 年价值碾压成长，2009–2020 年成长反杀价值，2021–2022 价值又翻身。如果有一把「宏观仪表盘」能告诉我们当下该偏向哪边，就能在价值/成长之间做轮动（style rotation），而不是死捂一个风格吃满它的回撤。

本文用两个最经典的宏观仪表：收益率曲线斜率（10Y−2Y） 和 信用利差（BAA−AAA），构建一个给价值/成长切换择时的信号，并用一段 8 年日度数据演示它的真实表现。结论先放在这：宏观轮动不保证跑赢最好的单一风格，但它能把回撤从 −45% 砍到 −23%——它的价值是风险管理，不是点石成金。

一、为什么宏观能预测风格#

经济学直觉很直接：

• 陡峭的收益率曲线 + 收窄的信用利差 = 经济扩张、复苏早期。这时利率低、信贷宽松、周期股（价值风格富集）盈利弹性大 → 价值占优。
• 平坦/倒挂的曲线 + 走阔的信用利差 = 经济放缓、衰退临近。这时资金涌向长期确定性增长，防御与成长股受捧 → 成长占优。

所以一个朴素的宏观打分可以定义为：

$\text{score}_t = z(\text{slope}_t) - z(\text{credit\_spread}_t)$

分数越高（曲线越陡、信用越紧），越该超配价值。把分数用 sigmoid 映射成权重：

$w^{\text{value}}_t = \sigma(k\cdot \text{score}_t),\qquad w^{\text{growth}}_t = 1 - w^{\text{value}}_t$

$k$ 是「置信度增益」，越大越敢押。轮动组合的日收益就是两风格的加权：

$r^{\text{rot}}_t = w^{\text{value}}_t\, r^{\text{value}}_t + w^{\text{growth}}_t\, r^{\text{growth}}_t$

二、Python：宏观信号驱动的风格轮动#

下面这段代码是生成图表的核心逻辑。注意 lag=5 这一行——它把信号滞后 5 个交易日再下单，模拟「看到信号 → 研究确认 → 调仓」的真实执行时滞。这一点在第四节会证明是诚实性的命门。

import numpy as np

def sigmoid(x):
    return 1.0 / (1.0 + np.exp(-x))

def style_rotation(r_value, r_growth, slope, credit, k=1.5, lag=5):
    """
    slope / credit : 观测到的宏观信号（曲线斜率 / 信用利差），长度 T
    r_value / r_growth : 价值/成长风格日收益，长度 T
    k : sigmoid 增益；lag : 执行滞后天数（避免前视）
    返回 (累计净值, 价值权重序列, 滞后打分)
    """
    score = (slope - slope.mean()) / slope.std() \
          - (credit - credit.mean()) / credit.std()
    # 关键：用滞后 L 日的信号下单，模拟真实调仓延迟
    score_lag = np.concatenate([np.full(lag, score[0]), score[:-lag]])
    w_value = sigmoid(k * score_lag)
    w_growth = 1.0 - w_value
    r_rot = w_value * r_value + w_growth * r_growth
    return np.cumprod(1 + r_rot), w_value, score_lag

# ---- 合成数据：隐藏宏观状态 h_t 驱动风格强弱，信号只是带噪代理 ----
def simulate_all(T=252*8, seed=42):
    rng = np.random.default_rng(seed)
    h = np.zeros(T); h[0] = 0.30
    for t in range(1, T):
        h[t] = 0.990*h[t-1] + 0.06*rng.normal()
    h = 0.8*np.tanh(h/0.8)                       # 隐藏宏观状态
    slope  = 1.5*h + 0.30 + rng.normal(0, 0.45, T)   # 带噪观测
    credit = 2.5 - 1.6*h + rng.normal(0, 0.40, T)
    beta = 0.0011
    r_value  = 0.05/252 + beta*h + rng.normal(0, 0.011, T)
    r_growth = 0.09/252 - beta*h + rng.normal(0, 0.011, T)
    return h, slope, credit, r_value, r_growth

h, slope, credit, rv, rg = simulate_all()
cum_rot, w_value, score = style_rotation(rv, rg, slope, credit, k=1.5, lag=5)
print("平均价值权重=%.2f (std=%.2f)" % (w_value.mean(), w_value.std()))

三、宏观信号与轮动权重长什么样#

下面的信号时序展示了曲线斜率与信用利差的此起彼伏——它们反向运动，共同拼出宏观的「risk-on / risk-off」节奏。

而轮动权重并非 0/1 硬切换，而是随打分在价值与成长之间连续漂移：宏观偏价值时权重抬到 0.70.8，偏成长时落到 0.20.3，平均正好在 0.50 附近（样本里两种风格各领风骚一半时间）。

四、真实计算结果（8 年日度）#

我跑了一段 2016 个交易日（约 8 年）的合成数据：底层有一个隐藏宏观状态 $h_t$ 驱动价值/成长的相对强弱，但我们观测到的斜率和信用利差只是 $h_t$ 的带噪代理——这正是实战的写照，宏观指标从不精确反映真实状态。结果：

两个要点：

1. 轮动没跑赢最好的单一风格（成长 8.8% vs 轮动 8.7%）——这点必须诚实。宏观择时做不到「只在成长涨时全仓成长」；它只是把筹码更合理地分配，吃不到单一风格的极端 alpha。
2. 但回撤从 −45.3% 砍到 −22.7%，几乎腰斩。 风险调整收益（收益/回撤）显著改善。这才是风格轮动真正该卖的卖点：** smoother ride，更扛得住，更睡得着。**

五、真实陷阱（最容易翻车的地方）#

1. 前视偏差（look-ahead）——最隐蔽的坑。 如果我在上面用当期的斜率/信用利差直接给当期权重（即 lag=0 且信号与收益同源），策略年化会飙到 200%+，回撤不到 10%——漂亮得离谱，也假得离谱。原因：合成时信号和收益都从同一个 $h_t$ 长出，零滞后等于偷看了未来。实盘里信号永远滞后、且带噪声。任何「宏观轮动回测漂亮到不像话」的结果，第一反应都该查前视。 本文特意加了 lag=5 与大方差特异噪声，把这个结果「打回人间」。

2. 宏观关系会 regime shift。 2022 年加息周期里「价值跑赢」的传统逻辑被高利率下的成长杀估值打破；曲线倒挂也不一定立刻衰退。信号的历史有效性会漂移，要滚动检验，不能刻舟求剑。

3. 信号噪声 → 频繁换手 → 成本吞噬。 斜率/信用利差日度波动很大，直接用日度 z-score 会制造大量无意义调仓。实务要对信号做平滑（如 1~3 月移动平均）或只在权重变化超阈值时才调，压低换手。

4. 用 ETF 代理风格的幸存者偏差。 用 VTV/VUG、或沪深 300 价值/成长指数做代理时，指数编制规则本身会改写「价值/成长」的定义，回测里吃到的可能是编制红利而非真实风格溢价。

5. 利率与信用利差的低频性。 这两个信号本质偏月度/季度，用日度数据做轮动属于「杀鸡用牛刀」，多数噪声。更稳妥的是月度再平衡 + 季度信号。

六、小结#

风格轮动的本质，是用一套有经济学含义的宏观仪表，在价值与成长之间做「顺势加权」，而不是预测谁涨得最多。它的真实价值不在收益增强（本文里几乎和最好的单一风格打平），而在回撤管控——把 −45% 的过山车压成 −23% 的平稳曲线。任何想靠它「精准抄底某个风格」的期待，都会在前视偏差和 regime shift 面前摔跟头；把它当风险管理工具而非 alpha 印钞机，才算用对了。

本文行情由「隐藏宏观状态 + 带噪观测信号 + 大方差特异噪声」合成，仅用于演示轮动机制与陷阱；实盘落地请用真实价值/成长指数（如 Fama-French SMB/HML、或 VTV/VUG、沪深300风格指数）与真实宏观序列（FRED 的 T10Y2Y、BAA−AAA），并严格处理信号滞后与交易成本。本文仅作研究方法示例，不构成任何投资建议。