炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！
近期DeepSeek热潮引发市场风格切换，而传统低频风格轮动模型难以捕捉短期机会。本文尝试使用高频新闻情绪数据，结合DeepSeek构建行业与风格映射关系，通过动态跟踪产业政策信息与市场情绪，优化成长价值风格切换的捕捉能力，从而提升策略在当前的市场环境中的适应性。结合高频新闻信号与月度轮动主线后，轮动策略全样本年化超额收益达11.1%，2024年以来表现优异，超额收益达超20%，周度胜率达到65%。
低频风格轮动模型较难捕捉高波市场机会
近期DeepSeek热潮引发市场风格切换：2025年1月20日，DeepSeek-R1发布，以其低成本、高性能且开源的突破性进展引发全球AI产业格局重构，也催化了春节后A股市场风险偏好向成长与科技板块切换。回溯2024年至2025年初，市场已出现三次显著风格轮动，且均与关键时点的事件冲击高度关联，印证了结构性机会往往受外部事件冲击影响较大。
传统低频风格轮动模型难以捕捉短期机会：在高波市场环境中，以宏观与市场指标为基础的传统低频风格轮动模型因信号钝化滞后、调仓周期固定等问题，难以有效捕捉月中突发性事件或政策催化引发的风格切换。此类结构性机会常呈现交易情绪快速迭代、时间窗口短暂的特点，一旦低频策略的月度调仓机制错失关键时间节点，就可能损失显著超额收益。
高频新闻信号补充低频轮动观点
DeepSeek-R1协助标签映射：我们在《大模型系列（1）：DeepSeek-R1量化策略实测》中使用大模型接受新闻数据构造风格轮动策略的表现稳定性较差，主要源于行业舆情向风格传导的逻辑模糊性及新闻分布偏态。因此，在本文中我们仅借助DeepSeek-R1模型构造行业与风格的映射关系，平衡跨风格的新闻行业分布，最终得分为映射分类后的加权新闻得分。
纯新闻热度风格轮动近年贡献稳定超额：我们使用数库映射到行业维度的新闻情感数据，使用DeepSeek建立行业与成长价值风格标签之间的对应关系。再根据风格标签，加权统计各风格日度情感得分，构建成长相对价值的新闻得分。纯新闻情感得分构建的风格模型样本内有一定收益增强效果，样本外同样贡献稳定超额。其中，表现最优的是以长短期均线法构建的信号（当5天均线>20天均线时视为成长风格过热，持有价值，反之则持有成长），样本内相对等权基准超额5.54%，样本外相对等权基准超额收益年化14.49%，超额盈亏比2.32。
如何结合高频新闻观点与低频轮动主线：我们将月度风格轮动模型与周频新闻风格观点进行结合，从新闻信号强度与有效性底层逻辑出发，设计了3种判断何时使用新闻数据的切换算法。1）极端得分捕捉：新闻成长价值得分处于时序极端值时，信号强度较高；2）市场波动驱动：市场波动放大，不确定性加剧，新闻传导效率及影响可能增强；3）舆情脉冲响应：新闻数量异常波动，可能进入事件驱动敏感期。
复合轮动策略实现1+1>2：我们发现时序极端新闻得分捕捉的复合方式可以更好地结合两种风格判断方式的优点，使得最终的风格轮动收益率进一步提升，样本内和样本外的超额收益分别为8.8%和20.1%，达到了年化超额收益11.1%的全样本表现。对比来看复合策略超额收益率相对于新闻策略提高3.4ppt，超额回撤减少了3ppt，总超额胜率达58.3%，实现了1+1大于2的效果。且多次风格切换的时点准确，充分利用了新闻及时响应风格切换的优势。
低频风格轮动模型较难捕捉高波市场机会
在高波市场环境中，以宏观与市场指标为基础的传统低频风格轮动模型因信号钝化滞后、调仓周期固定等问题，难以有效捕捉月中突发性事件或政策催化引发的风格切换。此类结构性机会常呈现交易情绪快速迭代、时间窗口短暂的特点，一旦低频策略的月度调仓机制错失关键时间节点，就可能损失显著超额收益。
本文尝试使用高频新闻情绪数据，结合DeepSeek构建行业与风格映射关系，通过动态跟踪产业政策信息与市场情绪，优化成长价值风格切换的捕捉能力，从而提升策略在当前的市场环境中的适应性。
近期DeepSeek热潮引发市场风格切换
2025年1月20日，DeepSeek-R1发布，以其低成本、高性能且开源的突破性进展引发全球AI产业格局重构，也催化了春节后A股市场风险偏好向成长与科技板块切换，2025/02/01至2025/02/26科创50指数涨幅17.98%。我们在《大模型系列（1）：DeepSeek-R1量化策略实测》中，梳理了大语言模型的发展历程以及其在投资策略构建上的应用。
回溯2024年至2025年初，市场已出现三次显著风格轮动：2024年2月流动性危机与量化策略回撤推动防御性资产走强、2024年9月政策密集发力驱动超跌板块反弹、以及2025年2月DeepSeek引领的科技成长行情。而这三次切换均与关键时点的事件冲击高度关联——流动性压力在春节后集中释放、稳增长政策于三季度末窗口期出台、重大技术突破引领AI科技热潮，印证了结构性机会往往受外部事件冲击影响较大。
图表1：2024年至2025年2月市场风格切换及时间梳理
注：成长相对价值为国证成长（399370.SZ）净值相对国证价值（399371.SZ）的比值；统计区间为2024/01/01-2025/02/28
资料来源：Wind，中金公司研究部
传统低频风格轮动模型难以捕捉短期机会
我们在2023年2月的报告《风格轮动系列（1）：如何捕捉四象限的风格轮动？》中，基于市场状态、情绪及宏观环境三个维度筛选有效指标，构建了四象限复合得分体系，用于大盘成长、大盘价值、小盘成长、小盘价值月度频率风格轮动。通过量化分析单一与多维度预测指标，采用坐标法制定仓位轮动策略：重仓推荐风格，低配相邻风格，规避相反风格。
该模型样本外在规避劣势风格的同时也捕捉了部分重要风格切换时点，例如2024年9月末将风格观点从大盘偏价值调整为小盘成长。
图表2：四象限风格轮动模型样本外以来表现回顾
注：大小盘列正分偏向大盘，负分偏向小盘；成长价值列正分偏向成长，负分偏向小盘；分数量级为滚动6个月的时序标准分，当标准分绝对值<0.2时判断该方向风格为均衡；统计区间为2023/03/01-2025/02/28
资料来源：Wind，中金公司研究部
在趋势延续性较强的市场环境中，该模型能够依托宏观经济逻辑与市场情绪指标的双重验证，捕捉中期风格动量或均值回复的反转信号。但模型也存在一定的客观局限：
►月度调仓频率导致对短期市场结构变化的响应滞后。例如 2025年1月上半月模型选择的大盘价值风格维持相对优势，但在月中因突发外生事件（如DeepSeek发布引发AI热潮以及Trump上台后扶持科技行业并宽松化AI行业监管等）引发风格切换时难以及时调整。
►单一维度判断胜率稍弱。由于原模型训练数据及适用范围为双维度四象限风格判断，因此在单一维度（例如成长/价值维度）的判断胜率可能不稳定。下图展示了仅根据正负拆分成长价值维度得分的观点（正分为成长观点，负分为价值观点）与当月成长价值实际表现（国证成长与国证价值的月度涨跌幅之差）的对比。
图表3：成长价值维度单维度拆分观点稳定性偏弱
注：统计区间为2023/03/01-2025/02/28；红色方框高亮为模型观点方向与当月实际优势风格相符的区间
资料来源：Wind，中金公司研究部
因此，我们考虑在低频的传统风格轮动模型上，加入高频新闻动量信号，从而提升对政策事件与产业新闻的响应效率。在保持宏观经济逻辑内核的同时，将策略响应速度提升至周度级别，从而平衡中期稳健性与短期响应度。
高频新闻信号补充低频轮动观点
如何通过DeepSeek将新闻数据映射到风格观点
我们在《大模型系列1：DeepSeek-R1量化策略实测》中使用大模型接受新闻数据构造风格轮动策略的表现稳定性较差，主要源于行业舆情向风格传导的逻辑模糊性及新闻分布偏态。因此，在本文中我们仅借助DeepSeek-R1模型构造行业与风格的映射关系，平衡跨风格的新闻行业分布，最终得分为映射分类后的加权新闻得分。
我们使用数库映射到行业维度的新闻情感数据，使用DeepSeek建立行业与成长价值风格标签之间的对应关系。再根据风格标签，加权统计各风格日度情感得分，构建成长相对价值的新闻得分。详细信号构建流程如下图所示。
►映射方式：DeepSeek根据各行业经济逻辑，判断“成长”或“价值”或“中性”风格标签，并输出理由（具体映射关系及逻辑详见附录）
►频率：周频信号（日频得分周度平均后，生成周频得分与信号），每周一以收盘价调仓
►回测时间：
样本内：2020年1月-2023年12月
样本外：2024年1月-2025年2月
图表4：新闻风格择时信号构建流程
资料来源：中金公司研究部
通过将相应的prompt结合具体的行业名称传输给DeepSeek-R1模型，提示其返回行业对应的风格标签，我们构建了数库自有行业分类与风格标签的映射关系，并尽可能使其分布较为均匀。最终，数库115个行业对应为45个成长行业、52个价值行业以及18个中性行业。其中，成长风格逻辑以科技创新、高增长等作为关键词，价值风格以存量、周期、空间限制为逻辑基础，中性行业则是以创新属性价值行业细分赛道为主。
该任务的prompt为：“我有一个序列的行业分类，请帮我根据行业属性判断是否偏成长、偏价值或两者皆有，输出对应的一列判断GROWTH,偏成长为1、偏价值为-1,或两者皆有为0。序列如下：”。
同时，与《大模型系列（1）：DeepSeek-R1量化策略实测》中的处理类似，我们还将数库的接近一千个新闻来源使用DeepSeek-R1根据其权威性和知名度等标准进行分级 ，仅保留出自排名最高的20个新闻来源的新闻作为我们计算成长价值得分的依据，进一步提高我们使用的新闻数据的信噪比。
纯新闻热度风格轮动近年贡献稳定超额
纯新闻情感得分构建的风格模型样本内有一定收益增强效果，样本外同样贡献稳定超额。我们测试了多重择时信号方法的构建，包括固定阈值法、长短期均线法以及滚动分位数法（图表6）。其中，表现最优的是以长短期均线法构建的信号（当5天均线>20天均线时视为成长风格过热，持有价值，反之则持有成长），样本内超额5.54%，表现优于其他构建方式；且样本外表现更为优秀，年化收益29.69%，相对等权基准超额收益年化14.49%，超额盈亏比2.32。其他方式构建的信号也具有一定有效性，例如使用20日滚动窗口内的分位数排名作为持仓比例的反转信号，样本内年化超额4.78%，样本外超额9.94%。
同时我们也发现长短期均线法设置不同的窗口长度会带来不同效果。在使用较短窗口如5日均线（一周）和20日均线（一个月）长度的交叉作为事件时，通常反映的是成长价值的反转。而使用长期窗口如20日均线（一个月）和60日均线（三个月）的交叉作为事件时，更多的是反映风格的趋势：使用后者的逻辑调仓时，样本内外的超额收益可以达到1.95%和13.13%。然而从有效性来看，短期的反转模式更加适用于对于周度换仓频率下成长价值风格的判断，从以下持仓图可以看出，对于2020年初，2022年初、2024年9月底以及2025年2月初等关键风格切换时期，新闻风格策略都表现出较高的有效性。
图表5：2024年九月底及时切换为成长
注：统计区间2024/08/30-2025/2/28；虚线方框中为风格观点切换及时的关键时点
资料来源：Wind，ChinaScope，中金公司研究部
图表6：周度新闻风格轮动样本内表现
注：统计区间2020/01/01-2023/12/31
资料来源：Wind，ChinaScope，中金公司研究部
图表7：周度新闻风格轮动样本外表现
注：统计区间2024/01/01-2025/02/28
资料来源：Wind，ChinaScope，中金公司研究部
图表8：新闻周度风格轮动策略净值表现
注：统计区间2020/01/01-2025/02/28；基准收益为国证成长与国证价值等权平均收益；相对收益为组合相对基准收益
资料来源：Wind，ChinaScope，中金公司研究部
我们发现新闻判断市场风格较为有效的时期特点较为显著：即市场本身波动较大或是市场情绪较为极端行情。2020年到2021年初市场总体处于快速上涨周期，2022年开始出现加速下跌快速拉涨的局面，新闻风格轮动策略的超额上涨明显，在2023年市场步入缓慢下跌阶段时，新闻风格策略的超额也出现平缓上升的趋势，直到2024年9到10月份的快速上涨放大了市场的波动，而新闻此时也抓住了这一次小盘的机会，跑出了显著的超额收益。
基于上述分析，我们希望利用新闻周期性发挥优势的特点，在市场处于过热或过冷时利用新闻数据的有效性，而在这以外的时刻仍使用传统的风格轮动框架信号，以求同时结合新闻和传统框架的优势。下一部分我们将根据这一结果详细探索信号合成的思路。
如何结合高频新闻观点与低频轮动主线
首先，我们根据四象限轮动模型输出的二维得分，简单拆分月度成长价值维度得分的观点，构建轮动组合，规则如下：
►当成长价值维度得分>0时，判断为成长，持有一个月国证成长（399370.SZ）；
►当得分<0时，判断为价值，持有一个月国证价值（399371.SZ）。
然后，我们将两类模型观点进行结合，从新闻信号强度与有效性底层逻辑出发，设计了3种判断何时使用新闻数据的切换算法。若月中选择切换为新闻信号，则当月至月末均选用新闻信号结果，直至下月初切换回默认月频主线信号，即四象限轮动模型输出观点，避免频繁切换不同模型。
图表9：如何结合使用两类模型信号
资料来源：中金公司研究部
那么，何时使用新闻信号观点？其关键在于识别新闻数据信息价值提升的场景或市场环境。
图表10：判断切换使用新闻观点的3种方法
资料来源：中金公司研究部
复合轮动策略兼顾稳定性与超额收益能力
经过测试后，我们发现方法一（极端得分捕捉）的复合方式可以更好地结合两种风格判断方式的优点，使得最终的风格轮动收益率进一步提升，达到了11.1%的全样本表现。对比来看复合策略超额收益率相对于新闻策略提高3.4ppt，超额回撤减少了3ppt，总超额胜率达58.3%，实现了1+1大于2的效果。
图表11：复合策略显著提升收益及信息比率
注：统计区间2020/01/01-2025/02/28；基准收益为国证成长与国证价值等权平均收益；相对收益为组合相对基准收益判；标红粗体为表现较为突出的统计量
资料来源：Wind，ChinaScope，中金公司研究部
我们首先将新闻成长价值得分之差做滚动5天均值的平滑处理，在信号值大于20天滚动的90%分位数和小于10%的分位数时，使用新闻的持仓观点，否则使用传统框架的观点，最终合并后的模型净值曲线如图。复合的风格轮动策略样本内年化超额收益率达8.8%，周度的超额胜率为56.4%，而样本外年化超额收益率为20.12%，超额胜率达到65%，且多次风格切换的时点准确，充分利用了新闻及时响应风格切换的优势。
图表12：使用方法一复合方式复合后的行业轮动模型表现亮眼
注：统计区间2020/01/01-2025/02/28；基准收益为国证成长与国证价值等权平均收益；相对收益为组合相对基准收益
资料来源：Wind，ChinaScope，中金公司研究部
近年来，随着市场波动加剧与事件驱动型风格切换频率提升，传统低频风格轮动模型因信号滞后和调仓周期固定等问题，难以有效捕捉突发性事件或政策催化带来的短期机会。本文提出结合高频新闻情绪数据模型，通过动态跟踪产业政策及市场情绪变化，显著提升了策略对成长与价值风格切换的捕捉能力。策略实现上我们设计了新闻时序极端值捕捉法判断使用新闻信号的时点，有效结合了周度新闻和月度传统框架各自的优势：复合策略的样本内外超额收益分别达8.8%和20.1%，相对于新闻周频策略超额回撤减少3个百分点，总胜率提升至58.3%。全样本超额收益（11.1%）表现甚至优于单一新闻策略（7.7%）和单一月度传统策略（2.4%）各自超额之和，实现了1+1>2的结果。特别是在2025年DeepSeek-R1发布等关键时点，策略通过快速响应市场情绪变化，精准把握成长与科技板块的风格切换，凸显了高频新闻数据在高波动市场中的适应性优势和相对于传统风格轮动模型可观的信息增量。
本文摘自：2025年3月14日已经发布的《风格轮动系列（2）：如何结合高频新闻与传统框架？》
分析员 陈宜筠 SAC 执业证书编号：S0080524080004 SFC CE Ref：BTZ190
分析员 郑文才 SAC 执业证书编号：S0080523110003 SFC CE Ref：BTF578
分析员 周萧潇 SAC 执业证书编号：S0080521010006 SFC CE Ref：BRA090
联系人 高思宇 SAC 执业证书编号：S0080124070007
分析员 刘均伟 SAC 执业证书编号：S0080520120002 SFC CE Ref：BQR365
