【经管讲堂·经济统计】A股「科技退潮、蓝筹走强」：市场风格切换的统计观察

事件与实践

2026年7月下旬，A股市场出现显著的风格分化。上证指数单周下跌2.3%，深证成指下跌3.8%，创业板指下跌5.1%，三大股指集体下挫。但从板块结构来看，市场呈现鲜明的「科技退潮、蓝筹走强」格局：以半导体、人工智能、消费电子为代表的科技板块遭遇「三度探底」，科创50指数在7月第三次触及年内低点；而以银行为代表的高股息蓝筹板块逆势走强，工商银行、农业银行、中国银行、建设银行、交通银行五大行的港股价格齐创历史新高，A股银行板块整体上涨3.2%。这一风格分化引发了市场对资金切换路径和持续性问题的广泛讨论。

从更长期的数据来看，本轮风格分化并非突发。自2026年3月以来，科技板块与银行板块的走势分化已持续约四个月。以半导体指数和银行指数的30日滚动相关性来看，两者的相关系数从2025年第四季度的0.65下降至2026年7月的-0.28，由正相关转为负相关，表明板块间的资金轮动已经形成了统计上显著的分化趋势。与此同时，沪深300价值指数与沪深300成长指数的比值从2026年3月的0.82上升至7月的0.96，价值因子的相对表现持续走强。这些统计信号共同指向一个判断：A股正在经历一轮结构性的风格切换，而非短期的随机波动。

分析

一、市场风格切换的统计度量方法

市场风格切换的统计度量是量化投资和金融市场研究中的经典课题，常用的度量方法包括以下几种。第一，相对强弱指标（RS Ratio）。将科技板块指数与银行板块指数进行标准化处理后取比值，构建相对强弱时间序列。该序列的均值回归特征可用于判断风格切换的持续性。2026年7月，科技/银行相对强弱指标已降至近三年低点，低于均值减2倍标准差，统计上属于极端偏离区间，提示风格切换可能已进入后半程。第二，滚动相关系数分析。计算不同板块收益率序列的滚动相关系数（如30日或60日窗口），观察相关性的结构性变化。如前所述，科技与银行板块的滚动相关系数从正转负，表明两者从「同涨同跌」转向「此消彼长」，这是风格切换的典型统计特征。第三，Fama-French三因子模型框架下的因子收益分析。将个股收益率对市场因子（MKT）、规模因子（SMB）和价值因子（HML）进行回归，提取因子收益率时间序列。2026年上半年，HML因子（高账面市值比减低账面市值比）的月均收益率为1.2%，显著为正，而成长因子的对应收益率为-0.8%，价值因子显著占优。从t检验来看，HML因子在2026年上半段的t统计量为2.34，在5%水平上显著，确认了价值风格的优势并非随机现象。第四，马尔可夫区制转换模型（Markov Regime Switching Model）。该模型将市场状态划分为「成长占优」和「价值占优」两种区制，通过估计状态转移概率来判断风格切换的概率和持续时间。基于2015年至2026年7月的数据估计，模型显示2026年4月市场从「成长占优」区制切换至「价值占优」区制，当前处于价值区制的概率为87%，且该区制的预期持续期约为6至9个月。

二、科技股与蓝筹股收益分布的对比分析

从收益分布的统计特征来看，科技股和蓝筹股在2026年呈现出截然不同的分布形态。以2026年1月至7月的日收益率为样本，科技板块（以科创50指数代表）的日均收益率为-0.04%，标准差为1.68%，偏度为-0.42（左偏），峰度为4.85（尖峰），呈现典型的「负偏、尖峰」分布特征——即下跌日多于上涨日，且存在极端下跌的尾部风险。相比之下，银行板块（以中证银行指数代表）的日均收益率为0.03%，标准差为0.89%，偏度为0.15（轻微右偏），峰度为3.21（接近正态）。两者的Sharpe比率（夏普比率）分别为-0.24和0.34，银行板块的风险调整后收益显著优于科技板块。从收益分布的尾部特征来看，科技板块在7月出现了三次单日跌幅超过3%的极端事件，而银行板块同期最大单日跌幅仅为1.2%。用VaR（在险价值）指标衡量，科技板块95%置信水平下的日VaR为2.8%，银行板块为1.4%，科技板块的下行风险是银行板块的两倍。从联合分布的角度，可以用Copula函数来刻画两者的相依结构。基于t-Copula的估计结果显示，科技与银行板块的尾部相关系数从2025年的0.45下降至2026年7月的0.12，表明在极端行情中两者的联动性大幅减弱，分散化配置的有效性提升。从收益分布对比的统计分析中可以得出一个重要结论：风格切换不仅仅是平均收益的差异，更是风险分布形态的整体迁移。投资者在进行风格配置决策时，不应仅关注收益率均值，还需充分考虑波动率、偏度和峰度等高阶矩特征。

三、风格切换的驱动因素与统计检验

风格切换的驱动因素可以从宏观、估值和资金流三个层面进行统计检验。第一，宏观层面。利率环境是影响风格切换的重要宏观变量。2026年上半年，十年期国债收益率从2.85%下行至2.55%，理论上低利率环境利好成长股（未来现金流折现值更高），但实际情况恰好相反。这一「反常」现象的统计解释是：在低利率环境中，市场更关注盈利确定性而非成长潜力。我们对利率变化与风格收益差（科技收益减银行收益）进行Granger因果检验，滞后阶数选择2阶（基于AIC准则），检验结果显示利率变化在5%水平上是风格收益差的Granger原因（F统计量=4.12，p值=0.018），但方向为负——利率下降反而伴随价值风格走强，反映了「资产荒」背景下投资者对高股息资产的追逐。第二，估值层面。科技板块在2025年经历了估值大幅扩张后，2026年面临「估值消化」压力。以PE-TTM（滚动市盈率）衡量，科创50指数的PE从2025年末的68倍降至2026年7月的52倍，降幅23.5%，但相对历史中位数（45倍）仍处偏高位置。银行板块PE则从5.8倍微升至6.2倍，仍处历史低位。估值差异的收敛是风格切换的内生驱动力。第三，资金流层面。北向资金数据显示，2026年3月至7月，外资净卖出科技板块约280亿元，净买入银行板块约165亿元。融资融券数据也显示类似趋势：科技板块融资净偿还约120亿元，银行板块融资净增加约85亿元。两融资金和外资的方向一致性，从统计上确认了风格切换的资金驱动逻辑。综合来看，宏观环境、估值收敛和资金流向三个因素共同驱动了本轮风格切换，其中估值因素的解释力最强（通过方差分解贡献约50%），资金流因素次之（约30%），宏观因素最弱（约20%）。

启示

本案例展示了多维度统计方法在金融市场风格分析中的系统应用。第一，相对强弱指标、滚动相关系数、因子模型和区制转换模型构成风格切换分析的「四件套」，各有侧重，应组合使用以获得全面判断。第二，收益分布的高阶矩特征（偏度、峰度）和尾部风险指标（VaR、Copula尾部相关系数）是比均值和方差更丰富的风险刻画工具，在极端行情频发的环境下尤为重要。第三，Granger因果检验和方差分解是识别驱动因素及其相对贡献的标准统计工具，有助于从多重候选因素中提炼核心驱动力，避免「叙事偏差」对分析结论的干扰。

其他思考

1. 科技板块「三度探底」后是否会出现统计意义上的均值回归？如何利用历史底部估值分位数来判断反弹概率？
2. 五大行港股齐创新高是否具有可持续性？高股息策略在什么条件下会失效？
3. 当价值风格占优的区制预期持续期（6至9个月）临近结束时，投资者应如何提前布局风格再切换？马尔可夫模型的预测精度能否满足实际配置需求？

关键词：风格切换、Fama-French因子模型、收益分布、Granger因果检验、区制转换模型
来源：Wind资讯、上交所/深交所公开数据、北向资金统计 | 整理：经管讲堂