2025年港股风格投资的简洁解法：年化超额收益8.98%的策略揭秘

本篇文章的部分核心观点、图表及数据，出自中金公司于2025年10月18日发布的报告《风格轮动系列（4）：港股风格投资的简洁解法》，如需获得原文，请前往文末下载。

在当今复杂多变的金融市场环境下，投资者对于资产配置和风格轮动策略的关注度日益提升。港股市场作为全球重要的金融市场之一，其独特的结构和丰富的投资标的吸引了众多投资者的目光。其中，港股科技与红利风格作为市场内讨论度较高的两个细分风格，长期收益呈现出负向相关，存在着明显的轮动现象。这种轮动现象为投资者提供了通过风格轮动策略获取超额收益的机会。中金公司发布的《2025年风格轮动系列（4）：港股风格投资的简洁解法》报告，深入研究了港股风格轮动的特点、影响因素，并构建了多因子模型，取得了显著的收益增强效果，为投资者提供了有价值的参考。

关键词：港股风格轮动；多因子模型；年化超额收益；科技与红利风格

一、港股风格轮动的特点及影响因素

1. 港股科技与红利风格的轮动现象

港股科技与红利风格作为港股市场内备受关注的细分风格，长期收益呈现出负向相关，存在明显的轮动现象。这种轮动不仅体现在短期优势的月频轮动上，长期优势平均延续时间也超过半年。通过对恒生系以及中证系港股通科技与红利指数的超额收益表现进行统计分析，可以清晰地看到这种轮动特征。

从2020年年中开始，恒生系与中证系港股通的超额收益维持强正相关且趋于稳定。恒生与中证港股通的科技指数从2017年年中起一直保持强正相关，而红利风格在2018 - 2019年存在一定分化，2019年年中一度无显著相关性，但从2020年4月开始转为强正相关。然而，港股的红利与科技风格超额收益从2020年年中至今呈现强负相关，相关性低于 - 0.5。这种负向相关性使得正确的风格判断能够带来更为显著的超额回报，为构建风格轮动策略提供了良好的基础。

科技与红利风格的轮动速度适中，短期优势表现为月频轮动，长期优势平均延续超半年。从整体趋势来看，2015 - 2016、2019 - 2020、2024下半年为科技风格显著占优区间，红利风格在2021 - 2024年上半年持续维持优势。这种轮动特点使得投资者可以根据不同时间段的市场表现，灵活调整投资组合，以获取更好的收益。

2. 影响港股风格轮动的五维因素

为了深入探究港股风格轮动背后的原因，报告从宏观经济类、资金类、市场类、基本面类和估值类五个维度找寻影响因素，构建了共101个备选指标。这些指标涵盖了影响市场的多个方面，为全面理解风格轮动提供了丰富的视角。

宏观经济类指标包括中国大陆、中国香港、美国宏观经济指标，反映各经济体增长、通货膨胀、流动性等状态。由于中国香港市场货币与美元绑定，经济上与中国大陆融合，中国香港实行联系汇率制度，美元利率变化直接影响本地资金成本，而大多数港股上市公司主要业务在内地，中国经济走势决定企业盈利前景，因此考虑三地经济状况指标十分必要。

资金类指标涵盖南向资金、全球公募基金资金的流入与配置偏好。南向持仓根据科技与红利指数成分股信息从个股聚合到风格维度，统计科技相对于红利风格的南向资金净流入以及持仓偏好。外资基金资金流向基于EPFR数据库统计所有注册地非中国香港、投资港股的基金产品，筛选投资科技和红利主题的基金，并统计两类基金的净流入之差、收益差等。

市场类指标包括市场价量信息所蕴含的风格情绪和状态刻画，如风格价差、波动率之比、相对技术指标（如RSI、MACD等）、恒生科技期权的成交额认沽认购比、恒生科技指数期货基差率等。这些指标能够反映市场参与者的情绪和市场的整体状态，对风格轮动产生影响。

基本面类指标将质量、成长、安全性等基本面维度根据风格指数成分股信息从个股复合到风格维度后，计算指数基本面指标的时序分位数，体现该风格相较过去的基本面改善情况，然后计算科技与红利基本面分位数之差，刻画风格基本面变化的相对优势，消除不同风格间基本面信息不可比的问题。

估值类指标包括风格指数的估值溢价、当前估值分位数等，衡量市场对风格定价的高低水平。估值分位数衡量了显示风格相对估值在历史上的变化，相对估值溢价则通过比较相对估值距离时序中点的距离，判断相对估值的安全空间。

二、岭逻辑回归下的多因子风格轮动模型

1. 模型框架与单指标预测能力判断

该模型采用带有共线性惩罚项的逻辑回归方法，通过滚动回归的方式确认参数和因子，再通过简单二分类确定观点。在判断单指标对风格的预测能力时，设计了秩相关性检验和单指标Logit系数显著性两种测试方式，滚动窗口长度选择2年完整窗口（24个月频数据点）。

秩相关性检验在滚动窗口内计算当月自变量指标与下月科技与红利风格收益差的秩相关性，使用秩相关性能够有效捕捉非线性关系并抵抗极端值干扰，更适合检验指标排序相对变化与收益差方向变动的关联强度。单指标Logit系数显著性则对下月科技与红利风格收益差状态化处理，判断下期收益差是否为正（科技是否下月占优），对当月自变量指标进行单因子逻辑回归，检验该指标系数是否显著（p < 0.05），该指标衡量了当月自变量独立解释下月风格方向变动的能力，更聚焦于变量变动触发方向切换的概率。

2. 滚动训练的岭逻辑回归与因子筛选

为了兼顾指标近期有效性和样本外适用性，选择滚动选取有效因子组合并训练模型。每个周期（例如每季度）根据滚动过去2年的有效性测试数据，选取显著有效的因子组合，训练模型，并在未来一个周期使用该组因子参数，直至下周期末重新训练因子组合以及模型系数。

在筛选因子时，设置了相对有效性和绝对有效性的双重筛选，选取秩相关性绝对值排名前8，或单因子逻辑回归系数p值 < 5%的因子。前者相对有效性确保最小因子数量为8，两者并集使得因子数量理论最大上限为因子总个数。模型选用逻辑回归模型，通过Sigmoid函数将因子线性组合映射为条件概率值，契合风格轮动的二元决策本质，不改变因子本身经济学含义，且量化其对预测目标的解释力度。

由于在筛选因子时未考虑多因子之间的相关性，加入正则化处理因子之间的共线性。通过岭回归在损失函数中引入系数向量的L2范数惩罚项，使高相关性因子的系数权重向零收缩，从而降低模型估计方差，提升参数估计的稳定性，更适合系统化滚动选取单因子并集机制。

3. 从预测概率到风格持仓观点的转化

在岭逻辑回归输出下月港股科技风格跑赢概率的预测后，将其转化为科技与红利风格的持仓观点。设计了简单二分类法（即预测跑赢概率大于50%时满仓持有科技指数）与缓冲区间法（即缓冲区间内沿用上期观点）两种转化方式。

简单二分类法较为直观，但可能较为极化。缓冲区间法设置缓冲区间[a, b]，当预测概率向上突破上限，即P > b时，持有科技风格指数；当预测概率向下突破下限，即P < a时，持有红利风格指数；若预测概率落在缓冲区间内，即P∈[a, b]时，均衡配置科技与红利指数。该方法优势在于观点偏弱时配置等权基准，提高相对收益稳定性，仅在极化观点时满仓切换风格配置。

生成风格持仓观点后，科技风格对应持仓标的为中证港股通科技全收益指数（931573HKD01.CSI），红利风格则对应中证港股通高股息投资全收益指数（H20914.CSI）。每月末根据最新因子数据更新观点后，月初第一个交易日收盘进行调仓，换仓成本设置为双边千1.5%。

三、模型收益表现与有效因子分析

1. 模型收益增强能力显著

简单二分类、季度训练的风格轮动模型年化收益达到19.50%，相较于科技红利指数等权平均的年化超额为8.98%，相对波动为13.62%，具有显著的收益增强能力。模型预测科技风格跑赢的月份平均收益为1.78%，预测红利风格跑赢的月份平均收益为1.17%。

从分年收益来看，除2023年跑输基准外，其他年度均有一定正向超额收益。其中，收益增强最为显著的年份为2020年和2024年，超额超20%，2020年配置科技风格，2024年在长期红利配置中精准捕捉9月科技行情。2021年和2025年至今的超额收益均超10%。

对比缓冲区间法，简单二分类法由于预测概率有效性增益高于其带来的额外波动，因此收益表现优于缓冲区间法。缓冲区间设置为[0.4, 0.6]的方法由于有均衡配置基准阶段，因此超额收益从8.98%下降至7.93%，但同时相对收益波动和回撤也有所减小。

2. 入选有效因子分析

2024年年末以来，波动率、价差、南向资金以及美国新增非农就业数据的风格预测能力较强。相比2024年之前，中国大陆和中国香港地区的宏观因子、估值因子有效性顺位有所下降，近期并未入选优选因子组合，市场价量信息有效性保持稳定。

这些有效因子的变化反映了市场环境和投资者关注焦点的动态变化。波动率、价差等市场类指标能够及时反映市场的情绪和状态，对风格轮动具有重要的预测作用。南向资金则体现了内地投资者对港股不同风格的投资偏好，其流入和流出情况对市场风格的形成和切换产生影响。美国新增非农就业数据作为宏观经济类指标，反映了美国经济的就业状况，对全球金融市场包括港股市场也会产生一定的影响。