金融工程2018年度策略报告：FOF体系多因子体系-20171107-东北证券-45页-3mb

证券研究报告总结

核心内容

本报告为东北证券金融工程团队于2017年11月7日发布的2018年度策略报告，主要围绕FOF体系与多因子体系展开分析，并结合风格轮动、人工智能与机构交易行为等领域的研究，提出了多种投资策略和模型。报告旨在为FOF投资系统提供更完善的分析思路和解决方案，同时为市场提供更有效的因子筛选与配置方法。

主要观点

1. FOF体系

• FOF分析体系包括大类资产配置和基金分析，通过多维度分析，为不同风险偏好和收益目标的FOF投资系统提供适宜的配置方案。
• 静态优化模型：基于均值方差、风险平价等方法，通过动态调整参数窗口长度，优化资产配置权重，提高收益。
• 动态预期模型：利用极值理论和Copula模型，捕捉极端风险下的资产相关性，实现对尾部风险的防控。
• 多资产多因子配置策略：通过四个维度（价值、动量、利差、波动率）对资产进行多因子评分，实现风格分散，提升组合的稳健性。

2. 多因子体系

• 多因子分析涵盖单因子测试与特征分析、因子筛选、特质波动率与择时因子等。
• 单因子测试与特征分析：基于Barra方法对因子进行标准化处理，使用回归法与排序法进行因子有效性检验，筛选出具有显著预测能力的因子。
• 因子筛选：通过比较扩展模型与基准模型的截距项变化，使用**SI（scaled intercept）**统计量判断因子是否提供了额外信息，实现因子的精简与优化。
• 特质波动率：基于因子筛选研究个股特质波动率，构建的STDO和STDN因子具有较强的选股能力，年化收益率分别为25.80%和27.50%，Sharpe比分别为0.711和0.760。
• 择时因子：通过分位数择时方法构建EP_Q_3Y和EP_Q_5Y因子，表现出较强的选股能力。EP_Q_3Y在全A和中证500中表现优异，EP_Q_5Y在全A、沪深300和中证500中均表现良好。EP_Q_3Y与EP_TTM相关性较强，与反转因子相关性较低。

3. 其他研究

• 风格轮动：基于Fama-French三因子模型，分析不同市场环境下风格因子的收益表现，探索风格轮动的逻辑。
• 人工智能：梳理人工智能的发展历史、主要算法及其在金融投资中的应用，为投资者提供全景图。
• 机构交易行为视角下的行业轮动：利用超大单资金数据研究机构交易行为，发现机构投资者主动净买入指标具有较强有效性，构建的行业轮动组合相对基准有显著的超额收益。

关键信息

1. 因子分类及表现

• 质量因子：具有防御特性，震荡和熊市中表现优异，年化收益风险比约为0.82。
• 价值因子：具有顺周期特性，在牛市中表现突出，震荡市中也有一定收益，熊市中表现一般。
• 市值因子：顺周期，牛市中表现优异，年化收益约为13.5%。
• 动量因子：持续型风格，能在趋势中获益，但存在动量崩塌风险。
• 波动率因子：防御型风格，震荡和下跌行情中表现较好，风险调整后收益高。
• 流动性因子：通过换手率等指标衡量，具有一定的预测能力。

2. 因子筛选方法

• 使用**SI（scaled intercept）**统计量衡量因子对模型解释能力的提升。
• 通过Bootstrap方法模拟SI的分布，进行显著性检验。
• 最终筛选出的因子依次为：市值、杠杆、盈利、营业收入、EP&换手、ROE。

3. 组合表现

• 多因子配置策略在不同市场环境下均表现出较好的收益与风险调整能力。
• 通过因子筛选选出的股票组合，超额收益表现稳定，年化收益率显著高于基准。

4. 未来展望

• 建立完备的多因子选股体系，为市场提供更有效的投资策略。
• 深耕人工智能投资策略研究，开拓行为金融领域探索，为新的因子开发开辟新路径。

相关报告

• 《大类资产配置（2）：应用极值理论和 Copula 实现动态资产配置》
• 《大类资产配置（3）：超越“风险”平价》
• 《东北金工：风格轮动初探》
• 《FOF：债券型基金业绩归因》
• 《多因子系列（1）-单因子测试和特征分析》
• 《多因子系列（2）-因子筛选》
• 《东北证券人工智能系列报告综述篇：人工智能发展史及算法介绍》
• 《基于因子筛选的特质波动率研究》

总结

本报告系统地构建了FOF投资体系和多因子分析模型，深入研究了不同因子在不同市场环境下的表现与有效性，提出了基于因子筛选的优化方法，并探索了风格轮动、人工智能和机构交易行为等领域的投资策略。通过多因子体系，提升了资产配置的效率与稳定性，同时为未来因子研究和投资策略开发提供了新的思路和方法。