没有合适的资源?快使用搜索试试~ 我知道了~
20170501-光大证券-光大证券多因子系列报告之三:多因子组合光大Alpha1.0.pdf
需积分: 0 29 下载量 66 浏览量
2019-08-27
15:52:45
上传
评论
收藏 2.1MB PDF 举报
温馨提示
试读
21页
20170501-光大证券-光大证券多因子系列报告之三:多因子组合光大Alpha1.0.pdf
资源推荐
资源详情
资源评论
敬请参阅最后一页特别声明
-1-
证券研究报告
2017 年 5 月 1 日
金融工程
多因子组合“光大 Alpha 1.0”
—— 多因子系列报告之三
金融工程深度
光大金工因子测试框架:多指标全面测试
通过分期截面 RLM 回归计算因子收益,计算因子暴露与下期收益率的
相关度 IC 值,同时结合分层回测法检验因子单调性,构建较为综合全面的
因子测试体系。
因子测试中使用了包括因子收益序列 t 值,因子累计收益率,因子测试
t 值,IC,IR,多空组合收益率、最大回撤、换手率等等指标
更为全面的因子库:
涵盖了估值因子,规模因子,成长因子,质量因子,杠杆因子,动量
因子,波动因子,技术因子,流动性因子,分析师因子等共 10 大类 100 多
个细分因子。
多重指标筛选因子:
针对五大指标给因子表现打分,筛选出预测能力强,显著性高,单调
性 好 , 稳 定 性 强 的 优 质 因 子 。 筛 选 时 使 用 的 指 标 包 括 : 因 子 收 益
(Factor_Ret)、因子收益显著性检验的 t 值(Factor_Ret_tvalue)、信息
系数(IC)、信息比(IR)、单调性(Monotony)
动态最优化 IR——基于因子 IC:
在 Edward Qian《Quantitative Equity Portfolio Management》里提到
的最优化单期 IR 的基础上,构建了动态调整的基于因子 IC 序列的最优化
IR 组合。经参数敏感性测试,滚动 36 个月、持仓数量 150 只的等权加权
组合表现最优,信息比为 3.67,年化收益 31%。
经验证,动态调整模型信息比显著高于静态因子赋权模型,且等权模
型表现优于复合因子得分加权模型。该篇报告是因子合成模型的初步探讨,
未来我们将进一步深入挖掘能提供超额 alpha 的有效因子,优化多因子模
型。
分析师
刘均伟 (执业证书编号:S0930517040001)
021-22169151
liujunwei@ebscn.com
联系人
周萧潇
021-22167060
zhouxiaoxiao@ebscn.com
相关研报
《多因子系列报告之一:因子测试框架》
2017-04-10
《因子测试全集——多因子系列报告之
二》
2017-04-28
2017-05-01
金融工程
敬请参阅最后一页特别声明
-2-
证券研究报告
目 录
1、 因子测试框架回顾 ..................................................................................................................... 4
1.1、 样本筛选 ................................................................................................................................................. 4
1.2、 数据清洗 ................................................................................................................................................. 4
1.3、 因子标准化 .............................................................................................................................................. 4
1.4、 因子测试模型 .......................................................................................................................................... 5
1.5、 因子有效性检验 ...................................................................................................................................... 5
2、 因子的初步筛选 ........................................................................................................................ 6
3、 因子权重的优化——基于因子 IC ............................................................................................ 10
3.1、 因子权重优化方法简述 ......................................................................................................................... 10
3.2、 动态最优化组合 IR——基于因子 IC ..................................................................................................... 11
3.2.1、 动态最优化的时间窗口选择 ...................................................................................................................................................... 11
3.2.2、 持仓数量对组合表现的影响 ...................................................................................................................................................... 13
3.2.3、 动态调整权重 v.s.静态因子加权 ................................................................................................................................................ 14
3.2.4、 组合内等权 v.s.复合因子得分加权 ........................................................................................................................................... 15
3.3、 光大多因子组合——“光大 Alpha 1.0” .................................................................................................. 16
2017-05-01
金融工程
敬请参阅最后一页特别声明
-3-
证券研究报告
图目录
图 1:动态最优化因子权重组合在不同参数 N 下的净值表现 ................................................................................. 12
图 2:动态最优化因子权重组合在不同参数 N 下的相对中证 500 表现 .................................................................. 13
图 3:动态最优化因子权重组合在不同参数 M 下的净值走势 ................................................................................ 14
图 4:动态 v.s.静态因子赋权法净值走势对比 ........................................................................................................ 15
图 5:“光大 Alpha 1.0” ........................................................................................................................................... 17
表目录
表 1:因子筛选标准明细表 ....................................................................................................................................... 6
表 2:综合打分初步筛选因子名单 ............................................................................................................................ 7
表 3:波动因子历史 IC 值相关性检验 ...................................................................................................................... 8
表 4:筛选后的因子名单及历史表现 ........................................................................................................................ 9
表 5:入选因子的 IC 值相关性矩阵 .......................................................................................................................... 9
表 6:动态最优化因子权重组合在不同参数 N 下的表现 ........................................................................................ 11
表 7:动态最优化因子权重组合在不同参数 N 下的表现(分年度) ...................................................................... 12
表 8:动态最优化因子权重组合在不同参数 M 下的表现 ........................................................................................ 13
表 9:动态最优化因子权重组合在不同参数 M 下的表现(分年度) ..................................................................... 13
表 10:动态 v.s.静态因子赋权法对比(分年度) ................................................................................................... 14
表 11:动态 v.s.静态因子赋权法对比 ..................................................................................................................... 15
表 12:动态最优化因子权重组合在不同赋权方式下的表现 ................................................................................... 16
表 13:动态最优化因子权重组合在不同赋权方式下的表现(分年度) ................................................................. 16
表 14:光大 Alpha 1.0 组合名单更新(2017-05-01) .......................................................................................... 17
2017-05-01
金融工程
敬请参阅最后一页特别声明
-4-
证券研究报告
在多因子系列报告的前二篇报告中,我们构造了一个全面的基于 RLM 稳健
回归的截面回归单因子测试框架,并整理了包括估值因子,规模因子,成长
因子,质量因子,杠杆因子,动量因子,波动因子,技术因子,流动性因子,
分析师因子等 11 各大类 100 多个细分因子的因子收益、IC 值、单调性等等
表现。
这篇报告中我们将首先按给定的标准基于前 2 篇报告的结论初步筛选因子,
并且进一步构建一个基于因子 IC 的动态最优化 IR 多因子组合。
1、因子测试框架回顾
首先我们简单的回顾一下上一篇报告中的因子测试框架的主要内容,我们的
多因子模型的构建流程包括以下几个方面:
1.1、样本筛选
测试样本范围:全体 A 股
测试样本期:2006-01-01 至 2017-04-01
为了使测试结果更符合投资逻辑,我们设定了三条样本筛选规则:
(1) 剔除选股日的 ST/PT 股票;
(2) 剔除上市不满一年的股票;
(3) 剔除选股日由于停牌等原因而无法买入的股票。
1.2、数据清洗
我们采用稳健的 MAD(Median Absolute Deviation 绝对中位数法)
首先计算因子值的中位数
,并定义绝对中位值为:
采取与 3法等价的方法,我们将大于
的值或小
于
的值定义为异常值。
类似的,对缺失值的处理方式要依据缺失值的来源和逻辑解释,选取不同的
操作,包括剔除或者以行业中位数替代。在单因子测试时,我们对缺失率小
于 20%的因子数据用中信一级行业的中位数代替,当缺失率大于 20%时则
做剔除处理。
1.3、因子标准化
常见的因子标准化方法包括:Z 值标准化(Z-Score),Rank 标准化,风格
标准化等等。由于 Rank 标准化后的数据会丢失原始样本的一些重要信息,
这里我们仍然选择 Z 值标准化来处理因子数据。
2017-05-01
金融工程
敬请参阅最后一页特别声明
-5-
证券研究报告
1.4、因子测试模型
我们采取截面回归测试的方法,每期针对全体样本做一次回归,回归时因子
暴露为已知变量,回归得到每期的一个因子收益值
.
进行截面回归判断每个单因子的收益情况和显著性时,需要特别关注 A 股市
场中一些显著影响个股收益率的因素,例如行业因素和市值因素。市值因子
在过去的很长一段时间内都是 A股市场上影响股票收益显著性极高的一个因
子,为了能够在单因子测试时得到因子真正收益情况,我们在回归测试时对
市值因子也做了剔除。
加入行业因子和市值因子后,单因子测试的回归方程如下所示:
其中:
代表股票 i 在所测试因子上的因子暴露;
代表股票 i 的行业因子暴露(
为哑变量(Dummy variable),即股票
属于某个行业则该股票在该行业的因子暴露等于 1,在其他行业的因子暴露
等于 0)。此处我们将选用中信一级行业分类作为行业分类标准。
代表股票 i 的市值因子暴露。
Robust Regression 稳健回归常见于单因子回归测试,RLM 通过迭代的赋权
回归可以有效的减小 OLS 最小二乘法中异常值(outliers)对参数估计结果
有效性和稳定性的影响。详细的 RLM 回归方法的介绍请参考我们的《多因
子系列报告之一:因子测试框架》。
1.5、因子有效性检验
采用多期截面 RLM 回归后我们可以得到因子收益序列
,以及每一期回归假
设检验 t 检验的 t 值序列,针对这两个序列我们将通过以下几个指标来判断
该因子的有效性以及稳定性:
(1) 因子收益序列
的假设检验 t 值
(2) 因子收益序列
大于 0 的概率
(3) t 值绝对值的均值
(4) t 值绝对值大于等于 2 的概率
IC 值(信息系数)是指个股第 t期在因子 i上的因子暴露(剔除行业与市值
后)与 t + 1 期的收益率的相关系数。通过计算 IC 值可以有效的观察到某个
因子收益率预测的稳定性和动量特征,以便在优化组合时用作筛选的指标。
剩余20页未读,继续阅读
资源评论
PerpetualLearner
- 粉丝: 1w+
- 资源: 12
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功