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

所需积分/C币:50 2019-08-27 15:52:45 2.1MB PDF
138
收藏 收藏
举报

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
2017-05-01金融工程 昌无大证券 图目录 图:动态最优化因子权重组合在不同参数下的净值表现 图:动态最优化因子权重组合在不同参数下的相对中证表现 冬:动态最优化因子权重组合在不同参数下的净值走势 图:动态静态因子赋权法净值走势对比 图:“光大Apha10 表目录 表:因子筛选标准明细表 表:综合打分初步筛选因子名单 表:波动因子历史值相关性检验 表:筛选后的因子名单及历史表现 表:入选因子的值相关性矩阵 表:动态最优化因子权重组合在不同参数下的表现 表:动态最优化因子权重组合在不同参数下的表现(分年度) 表:动态最优化因子权重组合在不同参数下的表现 表∶动态最优化因子权重组合在不同参数下的表现(分年度 表:动态静态因子赋权法对比(分年度) 表:动态静态因子赋权法对比 表:动态最优化因子权重组合在不同赋权方式下的表现 表: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) 表:光大 组合名单更新( 敬请参阅最后一页特别声明 证券研宄报告 2017-05-01金融工程 昌无大证券 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稳健 回归的戳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, 分析师因子等各大类多个细分因子的因子收益、值、单调性等等 表 这篇报告中我们将首先按给定的标淮基于前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的动态最优化多因子组合。 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沭框架的主要内容,我们的 多因子模型的构建流程包括以下几个方面 样本筛选 测试样本范围:全体股 测试样本期: 至 为了使测试结果更符合投资逻蟬,我们设定了三条样本筛选规则 ()剔除选股日的 股票 ()剔除上市不满一年的股票; ()剔除选股日由于停牌等原因而无法买入的股票。 数据清洗 我们采用稳健的 绝对中位数法) 首先计算因子值的中位数 Median,并定义绝对中位值为 MAD=median(fi-MedianrI) 禾取与σ法等价的方法,我们将大于 Median+3*14826*MAD的值或小 于 Median-3*1.4826*MAD的值定义为异常值。 类似的,对缺失值的处理方弌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 于的因子数据用中信一级行业的中位数代替,当缺失率大于时则 做剔除处理。 、因子标准化 常见的因子标准化方法包括:值标准化( 标准化,风格 标准化等等。由于 标准化后的数据会丟失原始样本的一些重要信息, 这旦我们仍然选择值标准化来处理因子数据。 敬请参阅最后一页特别声明 证券研宄报告 2017-05-01金融工程 昌无大证券 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f 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 市值因子也做了别除 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 t11t1u tiv mt rt tryon 其中 βτ代表股票在所测试因子上的因子暴露 tu代表股票的行业因子暴露(ltau为哑变量( ,即股票 属于某个行业则该股票在该行业的因子暴露等于,在其他行业的因子暴露 等于)。此处我们将选用中信一级行业分类作为行业分类标准。 mtin代表股票的市值因子暴露。 稳健回归常见于单因子回归测试 通过迭代的赋权 回归可以有效的减小 最小二乘法中异常值( )对参数估计结果 有效性和稳定性的影响。详细的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 因子有效性检验 采用多期截面回归后我们可以得到因子收益序列f,以及每一期回归假 设检验检验的值序列,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 ()因子收益序列的假设检验值 ()因子收益序列f大于的概率 ()值绝对值的均值 值绝对值大于等于的概率 值(信息系数)是指个股第L期在因子ⅰ上的因子暴露(剔除行业与市值 后)与t期的收益率的相关系数。通过计算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,以便在优化纽合吋用作筛选的指标。 敬请参阅最后一页特别声明 证券研宄报告 2017-05-01金融工程 昌无大证券 我们采用 的秩相关系数方法计算因子暴露与下期收益率的相关性 值。类似回归法的因子测试流程,我们在计算时同样做了行业和市值 中性的处理。 类似的,我们关注以下几个与值相关的指标来判断因子的有效性和预测 能力 ()值的均值 ()值的标准差 ()大于的比例 绝对值大于的比例 () 均值标准差) 为了同时能够辰示所检验因子的单调性以及多空组合的收益情况,我们通过 分层打分回溯的方法作为补充。进行分层回溯时,我们在各期期末将全市场 股按照因子值大小排序分成等分,在分组时同样做行业中性处理,即在 中信一级行业内做等分组,组内市值加权。 、因子的初步筛选 在《因子测试全集——多因子系列报告之二》中,我们对每一个大类因子内 的纽分因子都做了详尽的分析,具体测试了包括因子收益,因子收益显著性, 因子、,分层回溯收益、多空收益,历史序列相关性等等指标。具 体的测试结果和指标数值请参考该篇报告。 首先,根据前期的测试结果,我们从个大类因子中分别筛选出了收益率 较显著,高 并旦单调性得分较高的个因子。具体的筛选标准如下 表所示 表:因子筛选标准明细表 筛选指标 指标说明 打分标准(绝对值) 最近个月因子收益卒均值 最近个月因子收益率值 信息系数 信息比(基于) 单调性得分 资料来源:光大证券研究所,注:以上数据均为绝对值 其中,我们对单调性指标的得分计算标准做了如下的规定: R Monotony score= R-R 其中,R代表因子分层回溯法得到的第组分组的年化收益率。 敬请参阅最后一页特别声明 证券研宄报告 2017-05-01金融工程 昌无大证券 针对上表中项打分标准中的每一项、满足以上打分标准则该因子在该项得 分为,不满足则得分为。邐过计算,项得分总分大于等于的因子共 计个,具体的名单如下表所示 表:综合打分初步筛选因子名单 敬请参阅最后一页特别声明 证券研宄报告 2017-05-01金融工程 昌无大证券 资料来源: ,朝阳永续,光大证券研究所 通过以上标准筛选后我们得到细分因子共个,但是由于技术面的动量和 波动性这类因子历史收益和值均显著高于基本面的因子;而这个因子相 互之间又具有很高的共线性,因此在欠理这类因子时霄要提高筛选标准,且 有所取舍。 在《因子测试全集——多因子系列报告之二》中,我们对每一个大类因子内 的细分因子都做了详尽的分析,具体测试了包括因子收益,因子收益显著性, 因子 分层回溯收益、多空牧益,历史序列相关性等等指标。根 据这篇报告中给出的各个大类因子间的相关系数矩阵,可以进一步的在 上述有效因子内筛选出显著性高且相互之间的共线性较低的因子。 例如在选择波动性因子时,我们发现表中的波动因子占比很高,共有各 因子最终得分超过分。因此我们可以通过表中的波动因子相关系数矩 阵来作为判断的依据做筛选 表:波动因子历史值相关性检验 资料来源 光大证券研究所 波动因子中主妥可以分为两个大类:价格波动和成交量波动,因此这两个类 別的波动因子之间共线性较弱,筛选时即可从两类波动因子中各自远择显著 性较高的因子,或者分别将两类因子中挑选出的因子合成一个缤合因子。 由于 都具有 较强的预测能力和较妤的单调性,均入选了我们的初步筛选名单。这里我们 首先通过简单而且直观的方式;分别从价格波动和成交量波动这两个类型中 分别选取一个囚子,分别选取 通过类似的方法进行进一步的筛选,我们得到以下收益率较高,顸测能力较 敬请参阅最后一页特别声明 证券研宄报告 2017-05-01金融工程 昌无大证券 强的因子 表:筛选后的因子名单及历史表现 资料来源:光大诬券研究所 上述入选的个因子中, 均可以看作为基本面类的因子;而 和 为技术面 类的因子。更细分的类别来看, 为估值类因子, 为质量因子, 和 是一致预期的成长 类因子, 则是常见的规模因子。 由于在最优化的模型中,因子值时间序列之间的协方差越低,的表 现越好,所以检验入选因子的时通过计算这些因子值相关性矩阵我们可 以发现它们之间的相关性和共线性都保持在可以接受的范围内 表:入选因子的值相关性矩阵 资料来源:光大证券研究所 敬请参阅最后一页特别声明 证券研宄报告 2017-05-01金融工程 昌无大证券 因子权重的优化—一基于因子 这一部分中,我们将重点介绍基于 的 》一书中所提出的基于因子序列以及协方差矩阵构造的 最优化多因子模型。 因子权重优化方法简述 我们首先考虑单期的静态多因子模型,即个因子:(F1,F2……,FM)因子的 线性组合,假设入选的各因子权重为ⅴ=(Ⅵ,υ2,…,m)’。权重向量一旦确定, 将不随时间变化,保持不变。而实际应用中我们更倾向于使用动态的最优化 方法 为了将模型表现和实际组合应用结合,我们假设所有的因子已经通过之前两 篇系列报告中介绍的因子测试框架做了中性处理。所以,复合因子是个因 子的一个线形组合 F 囚子的值为囚子的均值与因子的标准差的比值。因子值越高, 代表因子综合考虑区分度和稳定性后效果越好。我们的优化目标便是使复合 因子的信息比取到最大值。 首先,我们假设均值向量为lCIC1,C2,…,CM)的协方差矩阵是 ∑c=(p;1c)=10此时,复合的均值和标准差为 1 1 l=1 std(cc) Vij,ICOICiOic t=1j=1 此时可以表示为: ∑1v;C1 v'>cv iiPijIcoIC, al 参数为常数 敬请参阅最后一页特别声明 证券研宄报告

...展开详情
试读 21P 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
立即下载
限时抽奖 低至0.43元/次
身份认证后 购VIP低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
  • GitHub

  • 签到王者

关注 私信
上传资源赚钱or赚积分
最新推荐
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 50积分/C币 立即下载
1/21
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第1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第2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第3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第4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第5页

试读结束, 可继续读2页

50积分/C币 立即下载