7种量化选股模型资料
多因子量化选股指标公式
多因子量化选股指标公式
多因子量化选股指标公式是一种用于在股票市场中选择优质个股的数学模型。
它通过运用多个因子指标来评估股票的投资价值，并以此为依据进行选股操作。
下面将介绍几种常见的多因子量化选股指标公式。
1. P/E 比率（市盈率）：市盈率是衡量股票价格与公司盈利之间关系的一个重
要指标。
公式为市值除以公司的净利润，其值越低，代表该股票的估值相对较低，投资价值较高。
2. P/B 比率（市净率）：市净率是衡量股票价格相对于每股账面净资产的指标。
公式为市值除以公司净资产，数值小于1代表股票可能被低估，值得投资。
3. ROE（净资产收益率）：ROE是衡量公司盈利能力的指标，公式为净利润除以净资产。
高ROE意味着公司利润增长能力强，可能是一个投资选择的重要因素。
4. 市值因子：市值因子是根据公司的市值来进行评估的指标，通常用于评估公
司的规模和估值。
较小的市值可能代表较高的成长空间和潜在收益。
5. 成长因子：成长因子是用于评估公司的盈利增长能力的指标。
常见的成长因
子包括每股收益增长率、销售增长率等。
6. 财务稳定性指标：财务稳定性指标用于评估公司的财务健康状况，包括债务
比率、流动比率等。
较低的负债比率和较高的流动比率代表着较好的财务稳定性。
需要注意的是，不同的投资者可能会根据自己的投资风格和策略选择不同的多
因子指标，因此，在使用多因子量化选股指标公式时，投资者应综合考虑多个因素，并以自身的风险承受能力和投资目标来制定投资策略。
量化交易模型100例
量化交易模型100例量化交易是一种利用数理或统计方法，根据历史数据和市场行情，通过制定一套严谨的规则和策略，进行金融交易的方法。
在金融领域，量化交易已经成为一种主流的交易方式，因为它能够提供高效、快速和系统化的交易决策。
在本文中，将介绍一百个不同类型的量化交易模型，分析其原理和应用。
1. 均值回归模型均值回归模型是量化交易中常用的一种策略。
它通过分析价格的历史走势，利用统计学原理和显著性检验，判断当前价格与历史均值的偏离程度，从而进行交易决策。
这种模型适用于市场波动较小的情况，如股票市场中的股价。
2. 动量策略模型动量策略模型是一种根据价格走势的momentum效应进行交易决策的方法。
它利用市场中的惯性效应，即价格趋势在相对短期内继续延续的趋势。
在价格上升时买入，在价格下降时卖出。
这种模型适用于市场中存在明显趋势的情况。
3. 套利模型套利模型是一种通过同时买入和卖出相关性较高的金融工具，从而利用市场价格的不对称性获利的交易策略。
这种模型利用了市场中的套利机会，通过买入低价资产和卖出高价资产的方式进行交易。
套利模型适用于市场中存在价格差异的情况。
4. 趋势跟踪模型趋势跟踪模型是一种根据市场趋势进行交易决策的方法。
它通过分析价格的趋势和趋势的持续性，判断市场的上升或下降趋势，并根据趋势的判断进行交易。
这种模型适用于市场中存在明显趋势的情况。
5. 风险平衡模型风险平衡模型是一种根据投资组合的风险和收益的平衡进行交易决策的方法。
它通过分析投资组合中不同资产的风险和收益，选择合适的资产分配比例，从而实现风险和收益的平衡。
这种模型适用于投资组合管理的情况。
6. 统计套利模型统计套利模型是一种利用统计学原理和方法进行交易决策的模型。
它通过分析历史数据和市场走势，利用统计学的套利机会进行交易。
这种模型适用于市场中存在统计学套利机会的情况。
7. 事件驱动模型事件驱动模型是一种根据市场中的事件和消息进行交易决策的方法。
量化交易——因子选股、多因子选股策略
量化交易——因⼦选股、多因⼦选股策略⼀、因⼦选股策略1、因⼦ 因⼦：选择股票的某种标准。
因⼦是能够预测股票收益的变量。
（1）基本⾯因⼦ 基本⾯因⼦描述了⼀个公司的财务状况，最常见的基本⾯因⼦是由利润表，资产负债表以及现⾦流量表中的数据直接计算出的⽐率。
通过财务报表可以构建出⽆数的财务⽐率及财务报表变量的组合，并以此来预测股票的收益率。
⼀般将基本⾯因⼦分为6⼩类：估值因⼦、偿债能⼒因⼦、营运效率因⼦、盈利能⼒因⼦、财务风险因⼦以及流动性风险因⼦。
（2）技术⾯因⼦ ⼤多数技术⾯因⼦是由过去的价格、成交量以及其他可获得的⾦融信息所构建的，技术⾯因⼦⼀⼤优势是能够持续更新。
新的基本⾯数据最多只能按季度获取，相反，最新的技术指标每隔⼏秒就可以获得。
（3）经济因⼦ 最初的套利定价模型是基于经济指标来构建的。
⽐较流⾏的经济因⼦包括：GDP增速、失业率以及通货膨胀率等，它们⼏乎会影响到市场的每⼀个⾓落。
（4）其他因⼦ 其他因⼦的类型包括但不限于：分析师预测因⼦、事件驱动因⼦。
2、选股策略（策略模型） 对于某个因⼦，选取表现最好（因⼦最⼤或最⼩）的N⽀股票持仓。
每隔⼀段时间调仓⼀次。
3、⼩市场策略 选取股票池中市值最⼩的N只股票持仓。
⼆、聚宽实现因⼦选股策略——⼩市值策略 沪深300中，根据市值最⼩的20只股票选股：# 初始化函数，设定基准等等def initialize(context):# 设定沪深300作为基准set_benchmark('000300.XSHG')# 开启动态复权模式(真实价格)set_option('use_real_price', True)# 输出内容到⽇志 ()('初始函数开始运⾏且全局只运⾏⼀次')# 股票类每笔交易时的⼿续费是：买⼊时佣⾦万分之三，卖出时佣⾦万分之三加千分之⼀印花税, 每笔交易佣⾦最低扣5块钱set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')# 获取指数成份股g.security = get_index_stocks('000300.XSHG')# valuation：财务数据表,code是对应的股票代码# 这⾥不能使⽤ in 操作, 要使⽤in_()函数,找到沪深300股份对应的财务数据g.q = query(valuation).filter(valuation.code.in_(g.security))g.N = 20 # 20只股票run_monthly(handle, 1) # 第⼀个参数是对应的函数，第⼆个参数指第⼏个交易⽇def handle(context):df = get_fundamentals(g.q)[['code', 'market_cap']] # 花式索引选出股票代码和市值df = df.sort_values("market_cap").iloc[:g.N,:] # pandas排序函数，将数据集依照某个字段中的数据进⾏排序# 期待持有的股票to_hold = df['code'].valuesfor stock in context.portfolio.positions:if stock not in to_hold:# ⽬标股数下单,卖出⾮标的的股票order_target(stock, 0)# 期待持有且还未持仓的股票to_buy = [stock for stock in to_hold if stock not in context.portfolio.positions]if len(to_buy) > 0: # 需要调仓# 每只股票预计投⼊的资⾦cash_per_stock = context.portfolio.available_cash / len(to_buy)for stock in to_buy:# 按价值下单，买⼊需买⼊的股票order_value(stock, cash_per_stock) 执⾏效果： 这个策略在短线情况下表现⼀般，长线情况下效果不错。
量化指标选股通达信公式
量化指标选股通达信公式一、背景介绍量化交易作为一种智能化投资方式，越来越受到投资者的关注。
其中，使用量化指标选股是一种常见的策略。
本文将介绍一些常用的量化指标，并给出基于通达信公式的选股方法。
二、量化指标简介1.均线指标均线指标是衡量股价走势的一种常用方法。
常见的均线包括简单移动平均线（MA）和指数移动平均线（E MA）等。
均线指标能够反映出股价的趋势，是量化交易的重要指标之一。
2.相对强弱指标相对强弱指标（R SI）是一种研究股票价格波动的技术指标。
它通过比较一段时间内股票上涨日与下跌日的比例，来判断股票的买卖力度。
R SI指标常用于判断超买超卖情况。
3.动量指标动量指标（M om en tum）是一种衡量股票价格波动速度的指标。
动量指标可以帮助投资者判断市场处于超买还是超卖状态，以指导投资决策。
4.成交量指标成交量指标是量化交易中常用的指标之一。
成交量能够反映市场参与者的情绪，对股价的走势有一定的预测能力。
常见的成交量指标包括成交量加权平均线（V WAP）和相对成交量指标（OB V）等。
三、通达信公式应用通达信是一种常用的股票交易软件，提供了丰富的函数和公式供投资者使用。
以下是一些常见的通达信公式及其应用：1.均线公式M A(C LO SE,N)：计算收盘价的N日简单移动平均线。
E M A(CL OS E,N)：计算收盘价的N日指数移动平均线。
应用：根据股价的均线指标，判断股票的趋势，了解市场的买卖情况。
2.R S I公式R S I(CL OS E,N)：计算收盘价的N日相对强弱指标。
应用：根据R S I指标判断股票的超买超卖情况，制定相应的投资策略。
3.动量公式M O M(CL OS E,N)：计算收盘价的N日动量指标。
应用：根据动量指标判断市场的买卖力度，调整投资组合。
4.成交量公式V O L：成交量。
V W AP(C LO SE,V OL,N)：计算收盘价和成交量的N日成交量加权平均线。
基于多因子模型的量化选股分析
基于多因子模型的量化选股分析基于多因子模型的量化选股分析导言：随着金融市场不断发展，越来越多的投资者开始关注量化投资策略，在股票市场中利用大数据和数学模型进行选股，以获得更好的收益。
其中，多因子模型是一种常用的量化选股方法，利用多个因子对股票进行评估和排序，从而选出具有较高收益潜力的股票。
本文将详细介绍基于多因子模型的量化选股分析方法。
一、多因子模型概述多因子模型是一种通过选取多个因子，并将这些因子进行综合分析，从而对股票进行评估和选择的模型。
多因子模型的核心思想是通过对多个不同来源的因子进行综合评估，降低单一因子的风险，提高选股的准确性和稳定性。
常用的因子包括基本面因子、技术指标因子、估值因子等。
二、多因子选股模型的构建1. 因子筛选在构建多因子模型之前，需要根据投资策略的具体要求筛选合适的因子。
常用的筛选方法包括统计分析、相关性分析和经验验证等。
这些方法可以帮助我们确定适用于选股的有效因子。
2. 因子打分对于筛选出的因子，我们可以通过对每个因子进行打分来衡量股票在该因子上的表现。
打分过程可以采用等权重法、市场中性法等。
在打分过程中，可以根据历史数据对每个因子进行调整，以提高因子的预测准确性。
3. 因子综合通过对打分后的因子进行综合，可以得到最终的选股得分。
在综合过程中，可以给予每个因子不同的权重，以反映其在选股中的重要程度。
综合得分高的股票即为选股模型中的优选股票。
三、多因子模型的应用多因子模型可以应用于不同的投资策略中，以下举例几种常见的应用情况。
1. alpha策略通过选取多个自变量（因子）与市场收益率的相关性，构建多因子模型，并通过回归计算得到股票的预期收益率。
根据预期收益率与实际收益率之间的差异，选择预期收益率较高的股票作为投资对象。
2. 套利策略通过选取多个自变量与股票的估值因子相关性，构建多因子模型，并从中发现市场上被错误估值的股票。
通过买入被低估的股票，并同时卖出被高估的股票，获得套利利润。
量化投资的模型与策略
量化投资的模型与策略量化投资是指通过利用数据和数学模型来制定投资决策的一种投资方式。
本文将探讨量化投资的模型和策略，并分析其优势和应用领域。
一、量化投资模型量化投资模型是量化投资的基石，它通过对大量的历史数据进行分析和建模，以发现规律和趋势，从而预测未来市场的走势。
常见的量化投资模型包括趋势跟踪模型、均值回归模型、因子模型等。
1. 趋势跟踪模型趋势跟踪模型是一种通过观察市场价格的趋势来进行投资决策的模型。
它基于市场价格的上涨或下跌趋势，选择相应的投资策略。
例如，当市场呈现上涨趋势时，可以选择买入股票或其他投资品种，而当市场呈现下跌趋势时，则可以选择卖出或做空。
2. 均值回归模型均值回归模型是一种基于市场价格回归到其长期均值的趋势来进行投资决策的模型。
它认为市场价格的偏离程度会逐渐回归到其长期均值，因此在价格偏离较大时选择买入，而在价格偏离较小时选择卖出。
3. 因子模型因子模型是一种通过分析市场中的各种因素来进行投资决策的模型。
它认为市场价格的变化可以由一系列因素解释，例如利率、经济指标等。
通过选择适当的因子，并进行相应的加权组合，可以预测市场未来的走势。
二、量化投资策略量化投资策略是基于量化投资模型的具体操作方法。
它根据不同的市场环境和投资目标，选择合适的模型，制定相应的投资策略。
1. 多因子策略多因子策略是一种基于因子模型的投资策略。
它通过选取多个具有独立解释市场变化能力的因子，并进行适当的加权组合，来实现超额收益。
例如选择股票市盈率、市净率等因子进行分析，以确定投资组合的配置比例。
2. 配对交易策略配对交易策略是一种基于均值回归模型的投资策略。
它通过选择两个相关性较高的股票或其他投资品种，当它们的价格偏离较大时，选择买入其中一个，同时卖出另一个。
当价格回归到其均值时，即可实现盈利。
3. 动量策略动量策略是一种基于趋势跟踪模型的投资策略。
它认为市场价格的趋势会延续一段时间，因此选择市场上表现较好的股票或其他投资品种进行投资。
量化投资系列之GARP模型
量化投资系列之GARP模型：强强联手,稳中求胜量化GARP 投资策略通过选择兼具估值优势和成长属性的股票构建组合,能在不同市场状态下稳定战胜市场。
在量化模型中,通过选择价值属性和成长属性的不同交叉深度,可以构建含有不同股票个数和风险收益属性的投资组合,适合不同类型的投资者进行操作。
GARP 投资策略:GARP 投资策略将割裂的价值投资和成长投资结合起来,通过以相对较低的价格买入具有较高成长性的公司来获得稳定的超额收益。
我们将GARP 策略运用到量化投资模型中,通过选择同时具有估值优势和成长特征的股票来构建投资组合,在历史回测中得到优越的表现。
量化 GARP 模型:根据价值模型和成长模型研究结果,量化GARP 模型以PCF单指标度量股票的价值属性,以ROIC-NPG 两指标度量股票的成长属性,通过选择价值属性和成长属性的不同交叉深度,可以得到不同股票个数下的GARP 组合。
综合来看,当交叉深度为8%时,能够得到相对较高的超额收益和相对稳定的信息比率,但股票个数较少;而在交叉深度为20%时,组合平均持股个数达到44 只,同时具有较好的业绩表现,适合机构投资者进行操作。
积极 GARP 量化策略:以价值属性和成长属性的8%交叉深度构建积极GARP量化组合,在2002.1~2009.6 测试期间,组合累计收益达到2048%,相对沪深300 指数的月均超额收益达到2.69%,对应年化超额收益为32.28%,信息比率达到1.69,Sharp 比率达到1.11,战胜基准的频率达到73.3%。
测试期间,组合中最多含有股票个数为17 只,最小为3 只,平均持股8 只。
稳健 GARP 量化策略:考虑组合风险分散程度,以价值属性和成长属性的20%交叉深度构建稳健GARP 量化组合,在2002.1~2009.6 测试期间,组合累计收益达到707%,相对沪深300 指数的月均超额收益达到1.49%,对应年化超额收益达到17.88%,信息比率达到1.27,战胜基准的频率达到72.2%。
股票量化交易的7个策略
股票量化交易的7个策略1、趋势跟踪策略趋势跟踪策略是股票量化交易最常用的策略之一，也是最经典的投资策略之一。
这种策略旨在从中期以上的趋势中获取利润，而不是去捕捉短期的价格波动。
趋势跟踪策略是一种很好的长期投资策略，可以在股票价格上升期间不断获取利润，但是也应该注意市场的波动，避免价格低迷时的损失。
2、均值回归策略均值回归策略是投资者经常使用的股票量化交易策略，它基于投资者认为股价会重新回到长期有效的价格区间，允许他们在股价超出其历史平均价格上下限时买卖股票，以实现获利。
与趋势跟踪策略相比，均值回归策略的绝对收益较低，但其在股市波动较大时可以获得较好的收益。
3、技术指标策略技术指标策略是投资者根据股票价格的特定指标，如均线、布林带或移动平均线，来决定买卖时机的股票量化投资策略。
技术指标策略通常有助于投资者在股市的起伏中获取利润，但投资者也应该注意技术指标的变化可能会影响他们的投资结果。
4、极短期策略极短期策略是衡量股票供需变化和波动可能性的高频交易策略，投资者可以通过使用极短期策略来捕捉股市中的短期价格波动，而不考虑其长期表现。
极短期策略要求投资者对市场情况进行高度专业的分析，需要投资者对股票价格波动有深刻的了解。
5、行为量化策略行为量化策略是根据投资者在投资决策中存在的不同行为偏差而设计的股票量化交易策略。
行为量化策略可以帮助投资者更加理性地做出投资决策，从而避免情绪化的投资行为，提高投资效率和投资回报。
6、标的物选择策略标的物选择策略是投资者根据股市的波动性和投资者的风险敏感度等因素，选择适合的股票作为投资标的物的股票量化交易策略。
该策略旨在全面考虑市场波动因素，同时考虑风险和收益之间的平衡，以实现投资者的投资目标。
7、套利策略套利策略是一种投资者通过利用价差，在极短的时间里获得利润的策略。
套利策略是一种较为复杂的量化交易策略，要求投资者具备较强的投资分析能力，能够精准捕捉价差的变动并及时作出投资决定。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
7种量化选股模型1、【多因子模型】2、【风格轮动模型】3、【行业轮动模型】4、【资金流模型】5、【动量反转模型】6、【一致预期模型】7、【趋势追踪模型】1、【多因子模型】多因子模型是应用最广泛的一种选股模型，基本原理是采用一系列的因子作为选股标准，满足这些因子的股票则被买入，不满足的则卖出。
基本概念举一个简单的例子：如果有一批人参加马拉松，想要知道哪些人会跑到平均成绩之上，那只需在跑前做一个身体测试即可。
那些健康指标靠前的运动员，获得超越平均成绩的可能性较大。
多因子模型的原理与此类似，我们只要找到那些对企业的收益率最相关的因子即可。
各种多因子模型核心的区别第一是在因子的选取上，第二是在如何用多因子综合得到一个最终的判断。
一般而言，多因子选股模型有两种判断方法，一是打分法，二是回归法。
打分法就是根据各个因子的大小对股票进行打分，然后按照一定的权重加权得到一个总分，根据总分再对股票进行筛选。
回归法就是用过去的股票的收益率对多因子进行回归，得到一个回归方程，然后再把最新的因子值代入回归方程得到一个对未来股票收益的预判，然后再以此为依据进行选股。
多因子选股模型的建立过程主要分为候选因子的选取、选股因子有效性的检验、有效但冗余因子的剔除、综合评分模型的建立和模型的评价及持续改进等5个步骤。
候选因子的选取候选因子的选择主要依赖于经济逻辑和市场经验，但选择更多和更有效的因子无疑是增强模型信息捕获能力，提高收益的关键因素之一。
例如：在2011年1月1日，选取流通市值最大的50支股票，构建投资组合，持有到2011年底，则该组合可以获得10%的超额收益率。
这就说明了在2011年这段时间，流通市值与最终的收益率之间存在正相关关系。
从这个例子可以看出这个最简单的多因子模型说明了某个因子与未来一段时间收益率之间的关系。
同样的，可以选择其他的因子，例如可能是一些基本面指标，如 PB、PE、EPS 增长率等，也可能是一些技术面指标，如动量、换手率、波动等，或者是其它指标，如预期收益增长、分析师一致预期变化、宏观经济变量等。
同样的持有时间段，也是一个重要的参数指标，到底是持有一个月，还是两个月，或者一年，对最终的收益率影响很大。
选股因子有效性的检验一般检验方法主要采用排序的方法检验候选因子的选股有效性。
例如：可以每月检验，具体而言，对于任意一个候选因子，在模型形成期的第一个月初开始计算市场中每只正常交易股票的该因子的大小，按从小到大的顺序对样本股票进行排序，并平均分为n个组合，一直持有到月末，在下月初再按同样的方法重新构建n个组合并持有到月末，每月如此，一直重复到模型形成期末。
上面的例子就已经说明了这种检验的方法，同样的可以隔N个月检验，比如2个月，3个月，甚至更长时间。
还有一个参数是候选组合的数量，是50支，还是100支，都是非常重要的参数。
具体的参数最优的选择，需要用历史数据进行检验。
有效但冗余因子的剔除不同的选股因子可能由于内在的驱动因素大致相同等原因，所选出的组合在个股构成和收益等方面具有较高的一致性，因此其中的一些因子需要作为冗余因子剔除，而只保留同类因子中收益最好，区分度最高的一个因子。
例如成交量指标和流通量指标之间具有比较明显的相关性。
流通盘越大的，成交量一般也会比较大，因此在选股模型中，这两个因子只选择其中一个。
冗余因子剔除的方法：假设需要选出k 个有效因子，样本期共m 月，那么具体的冗余因子剔除步骤为：（1）先对不同因子下的n个组合进行打分，分值与该组合在整个模型形成期的收益相关，收益越大，分值越高（2）按月计算个股的不同因子得分间的相关性矩阵；（3）在计算完每月因子得分相关性矩阵后，计算整个样本期内相关性矩阵的平均值（4）设定一个得分相关性阀值 MinScoreCorr，将得分相关性平均值矩阵中大于该阀值的元素所对应的因子只保留与其他因子相关性较小、有效性更强的因子，而其它因子则作为冗余因子剔除。
综合评分模型的建立和选股综合评分模型选取去除冗余后的有效因子，在模型运行期的某个时间开始，例如每个月初，对市场中正常交易的个股计算每个因子的最新得分并按照一定的权重求得所有因子的平均分。
最后，根据模型所得出的综合平均分对股票进行排序，然后根据需要选择排名靠前的股票。
例如，选取得分最高的前20%股票，或者选取得分最高的 50 到 100 只股票等等。
举个例子：可以构建一个多因子模型为（PE，PB，ROE），在月初的时候，对这个几个因子进行打分，然后得分最高的50个股票作为投资组合，在下个月按照同样的方法进行轮换替换。
持续一段时间后，考场该投资组合的收益率是否跑赢比较基准，这就是综合评分模型的建立和后验过程。
当然这个例子是一个最简单的例子，实战中的模型可能会比较复杂，比如沃尔评分法就是一个复杂的多因子模型，它是对股票进行分行业比较，算个每个行业的得分高的组合，然后再组合成投资篮子。
模型的评价及持续改进一方面，由于量选股的方法是建立在市场无效或弱有效的前提之下，随着使用多因子选股模型的投资者数量的不断增加，有的因子会逐渐失效，而另一些新的因素可能被验证有效而加入到模型当中；另一方面，一些因子可能在过去的市场环境下比较有效，而随着市场风格的改变，这些因子可能短期内失效，而另外一些以前无效的因子会在当前市场环境下表现较好。
另外，计算综合评分的过程中，各因子得分的权重设计、交易成本考虑和风险控制等都存在进一步改进的空间。
因此在综合评分选股模型的使用过程中会对选用的因子、模型本身做持续的再评价和不断的改进以适应变化的市场环境。
多因子的模型最重要是两个方面：一个是有效因子，另外一个是因子的参数。
例如到底是PE有效还是ROE有效；到底是采用1个月做调仓周期还是3个月做调仓周期。
这些因子和参数的获取只能通过历史数据回测来获得。
但是在回测过程中，要注意，不能过度优化，否则结果可能反而会不好。
2、【风格轮动模型】市场上的投资者是有偏好的，有时候会偏好价值股，有时候偏好成长股，有时候偏好大盘股，有时候偏好小盘股。
由于投资者的这种不同的交易行为，形成了市场风格，因此在投资中，利用市场风格的变化，进行轮动投资会比一直持有的效果好很多。
基本概念投资风格是针对股票市场而言的，是指投资于某类具有共同收益特征或共同价格行为的股票，即某类投资风格很受欢迎，并且在某一个时间段内具有持续性和连续性(譬如，价值投资和成长型投资两种风格，或者大盘股和小盘股这两种风格总是轮流受到市场追捧).由于投资风格的存在，从而产生一种叫做风格动量的效应，即在过去较短时期内收益率较高的股票，未来的中短期收益也较高；相反，在过去较短时期内收益率较低的股票，在未来的中短期也将会持续其不好的表现。
比如：在2009年是小盘股风格，小盘股持续跑赢沪深300指数；而在2011年，则是大盘股风格，大盘股跌幅远远小于沪深300指数。
如果能事先通过一种模型判断未来的风格，进行风格轮动操作，则可以获得超额收益。
晨星风格箱判别法晨星风格箱法是一个3×3矩阵，从大盘和小盘、价值型和成长型来对基金风格进行划分，介于大盘和小盘之间的为中盘，介于价值型和成长型之间的为混合型，共有9类风格，如表所示。
(1)规模指标：市值。
通过比较基金持有股票的市值中值来划分，市值中值小于10 亿美元为小盘；大于50亿美元为大盘；10亿~50亿美元为中盘。
(2)估值指标：平均市盈率、平均市净率。
基金所持有股票的市盈率、市净率用基金投资于该股票的比例加权求平均，然后把两个加权平均指标和标普500 成份股的市盈率、市净率的相对比值相加，对于标普500来说，这个比值和是2。
如果最后所得比值和小于1.75，则为价值型；大于2.25为成长型；介于 1.75~ 2.25之间为混合型。
这也就是我们经常看到的基金的分类，比如：华夏大盘、海富小盘等名称的由来。
风格轮动的经济解释宏观经济表现强劲时，小市值公司有一个较好的发展环境，易于成长壮大，甚至还会有高于经济增速的表现，因此，小盘股表现突出的概率高于大盘股。
而当经济走弱时，由于信心的匮乏和未来市场的不确定性，投资者可能会倾向于选择大盘股，起到防御作用，即使低通货膨胀、货币走强，也不足以冒险去选择小盘股。
研究发现，经济名义增长率是用来解释规模效应市场周期的有力变量。
当名义增长率提高时，小市值组合表现更优，因为小公司对宏观经济变动更为敏感，当工业生产率提高、通货膨胀率上升时，小公司成长更快。
案例大小盘风格轮动策略大小盘轮动最为投资者所熟知，本案例就A股市场的大小盘风格轮动进行实证研究，通过建立普通的多元回归模型来探寻A股的大/小盘轮动规律。
1、大小盘风格轮动因子如下：(1)M2同比增速：M2同比增速为货币因素，表征市场流动性的强弱。
当流动性趋于宽松时，小盘股相对而言更容易受到资金的追捧。
(2)PPI同比增速：PPI反映生产环节价格水平，是衡量通胀水平的重要指标；且PPI 往往被看成CPI的先行指标。
(3)大/小盘年化波动率之比的移动均值：波动率表征股票的波动程度，同时也在一定程度上反映投资者情绪；可以认为大/小盘年化波动率之比能够反映出一段时间内大/小盘风格市场情绪的孰强孰弱，而经过移动平滑处理后的数值则更加稳定。
2、预测模型基于上面所讲的风格因子建立如下回归模型：D(Rt)=α+β1·MGt-1+β2·PGt-3+β3·σt-3+εt其中，D(Rt)为当月小/大盘收益率差(对数收益率)；MGt-1为上月M2同比增速；PGt-3为3个月前PPI同比增速；σt-3为3个月前小/大盘年化波动率之比的移动平滑值；εt为误差项。
本案例采用滚动78个月的历史数据对模型进行回归，得到回归系数后对后一期的D(Rt)进行预测，由修正预测值的正负来进行大/小盘股的投资决策。
数据预测期为2004年6月至2010年11月。
3、实证结果在78个月的预测期中，准确预测的月数为42个月，准确率约为53.85%，并不十分理想。
但值得一提的是，2009年10月至2010年12月，模型的预测效果非常好，若从2004年6月开始按照轮动策略进行投资，则截至2010年11月底轮动策略的累计收益率为307.16%，同期上证综指的收益率为81.26%，小盘组合的累计收益率为316.97%；轮动策略稍逊于小盘组合，但仍较大幅度地跑赢了市场指数。
轮动策略在2007年的大牛市中能够很好地跟随大盘股的节奏，而在2009年以来的结构性行情中又能较好地捕捉小盘股的投资机会。
若从2007年初开始采用轮动策略进行投资，则截至2010年11月底累计收益率可达458.65%，大幅超越同期上证综指及大、小盘组合的收益率。
3、【行业轮动模型】与风格轮动类似，行业轮动是另外一种市场短期趋势的表现形式。