截至4月底，2024年ROE因子月均IC高达9.4%，月胜率100%，与前3年月均IC不足2%的表现形成强烈对比。可见对于alpha因子，虽然较难进行正负择时判断，但不同环境下的相对优势可能不尽相同。因此，本文我们统计并对比了不同情景下，常见选股因子的表现，以对各因子更适合的环境有一个大概的划分。
　　宏观经济指标层面。PMI上行、上市公司整体增速扩张后期，偏动量类型的因子，如基本面、分析师相关情绪类因子，稳定性高。而PMI下行，上市公司整体增速减小后期，基本面动量延续性弱，相应的因子选股收益较低，此时价量反转类因子表现相对突出。
　　利率角度。中美利差增加，中国国债收益率相对提升，我国经济预期较优，投资者相对更为关注基本面优异的公司，整体动量延续性较强，无论是基本面动量、还是价格动量因子，都具有较优的选股收益表现。中美利差缩小，中国国债收益率相对降低，此时反转效应相对较强，价量反转类因子表现突出，而基本面因子收益较为薄弱。
　　市场特征层面。大小盘角度，小盘趋势下，价量反转类因子相对更具优势；而大盘趋势下，基本面类因子稳定性高。价值成长角度，价值趋势下，价量反转类因子相对更具优势；而成长趋势下，基本面类因子稳定性高。综合起来，小盘价值环境下，价量反转类因子表现突出；而大盘成长风格下，基本面因子稳定性高。
　　根据经济增长指标、中美利差，以及市场特征指标包括大/小盘、成长/价值风格共4个变量，我们构建了一个复合情景打分模型。其中，经济增长指标上行/中美利差增加/大盘风格/成长风格，信号为1；反之则信号为0。将4个信号加总起来，得到的复合情景模型得分范围为0-4。复合情景得分越高，偏动量类型的因子和组合，包括价格动量因子、基本面动量因子，以及重仓股组合等，表现越优。情景得分越低，基本面因子的收益贡献越弱，而价量反转类的因子如换手率、波动率、反转，以及防御特征的组合如红利组合，优势越明显。
　　复合情景模型的应用：（1）根据情景得分调整因子权重。将情景模型作为外部环境刻画指标，若情景得分很高，基本面等动量型因子表现较优，此时在因子动量基础上可主动提升基本面因子权重。若情景得分很低，价量反转类因子优势明显，此时在因子动量基础上可主动降低基本面因子权重、提升反转类因子权重。
　　（2）根据情景得分有条件地放松风格因子敞口。情景得分很低时，基本面因子表现较差；此时虽然价量反转类因子表现突出，但由于其多头收益普遍偏弱，仅基于常见选股因子所构建的多头指增组合超额收益较为薄弱。但由于此时小市值因子收益较为可观，因此我们可以尝试适度放开市值敞口，以在基本面因子表现不佳的情景下，扩大超额收益来源。
　　 （3）根据情景得分调整不同类型组合的配置权重。例如，复合情景得分高时，我们可增加偏动量型的重仓股策略权重；而情景得分低时，则增配防御性相对较强的红利策略。基于情境得分进行动态配置，有利于改善组合业绩表现。
　　风险提示。本文根据客观数据和评价指标计算，不作为对未来走势的判断和投资建议。本文结论通过统计分析得出，存在历史统计规律失效风险、因子失效风险、政策变动风险