 ==>> 点击下载文档 |
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
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
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）
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
联系人
周萧潇
021-22167060
zhouxiaoxiao@ebscn
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3σ法等价的方法，我们将大于+31.4826的值或小
于31.4826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
。。。以上简介无排版格式，详细内容请下载查看
