核心观点

    　　本文基于宏观和动量两个维度构造完全量化可回测的大类资产轮动策略。宏观模块创新性地引入Listwise 排序学习算法ListMLE，从截面维度构造简单稳健的宏观周期查询字典， 同时引入动量模块，利用其与宏观的互补性构造复合轮动策略，2017年以来复合策略绝对收益年化17.8%，夏普1.48，最大回撤9.1%，月度胜率71%，其中2019 年以来策略年化收益22.3%，2024 年以来每月均能事前选到当月表现最优的大类资产。

    　　基于ListMLE 的宏观基本面策略

    　　基于基础数据构建完全可得宏观趋势数据库，将其作为自变量解释大类资产截面收益率差异。本文创新性地引入ListMLE 这一排序学习模型，在宏观策略这样的小样本数据上有良好的预测能力和可解释性。基于ListMLE 的宏观基本面策略17 年以来绝对收益年化14.52%，最大回撤11.8%，月度胜率72.5%，除2022 年以来均能录得正收益。

    　　基于BBW_BIAS 的动量因子

    　　本文使用经典的BBW_BIAS 因子作为动量模块因子，相比简单的收益率动量增加了波动信息，更加适合作为大类资产截面收益的解释因子。17 年以来因子绝对收益年化7.9%，最大回撤17.8%，表现差强人意，但是却是宏观基本面策略的完美拼图。

    　　基于宏观基本面&动量的大类资产轮动策略

    　　由于单一模型总会面临阶段性失效时段，本文结合宏观基本面和动量两个维度构造复合轮动策略。考虑到二者的高度互补性，我们使用因子动量的思想对宏观和动量信号进行轮动，即每次决策时回溯过去一段时间两个维度的业绩表现，选择业绩较好的一个维度信号作为配置信号，复合策略2017 年以来年化绝对收益17.8%，夏普1.48，最大回撤9.1%，月度胜率71%，每年均能录得正收益，其中2019 年以来策略年化收益22.3%。2024 年以来表现非常优秀，每月都选到了当月表现最优的资产。