20140528-光大证券-光大因子时钟模型_让因子表现有迹可循_19页_1mb

光大因子时钟模型总结

核心内容

光大因子时钟模型是一种基于投资时钟模型的多因子模型因子选择方法，旨在通过识别不同经济时区下的最佳因子，实现因子选择的系统化和可预测性。该模型利用“时区”这一外生变量，将宏观周期与因子表现进行匹配，从而优化投资策略。

主要观点

• 投资时钟模型的扩展：光大投资时钟模型是对经典投资时钟模型的改进，通过分析通胀与产出的相对位置，将经济周期划分为8个时区，其中4个为核心时区。
• 因子选择的量化方式：不同于传统的数据挖掘或主观判断，该模型采用时区划分的方式，结合13个因子的综合表现（如平均收益率、胜率、最大回撤、收益率分布等），选择各时区的最佳因子。
• 因子权重的正负变化：不同经济时区下，因子的权重可能为正或为负，说明其在不同周期阶段的相对有效性。
• 模型有效性验证：通过样本内和样本外的回测验证模型的有效性，样本外回测结果显示模型在2013-2014年期间表现优异，具有良好的风险调整后收益。

关键信息

一、因子时钟模型构建基础

• 因子库：光大证券构建了一个包含7类因子的多因子库，共13个代表性因子，包括价值、成长、规模、动量、预测、交易类因子，以及独家开发的“关注度”因子。
• 时区划分：基于光大投资时钟模型，将经济周期划分为8个时区，分别对应不同的宏观经济状态。
• 因子收益率计算方式：采用因子5-1收益率（即第5组平均收益率减去第1组平均收益率）作为因子表现的衡量指标。

二、因子时区表现分析

• 价值类因子：在某些时区表现优于其他时区，但整体权重波动较大。
• 成长类因子：在特定时区表现突出，但权重不稳定性较高。
• 动量类因子：如1个月和2个月收益率，权重相对稳定，是较为常用的因子。
• 预测类因子：12个月EPS一致预期值变动是唯一一个权重始终为正的因子。
• 交易类因子：换手率在多个时区中表现较好。
• 关注度因子：作为独家因子，其在多数时区中被选为最佳因子之一，显示其在市场情绪和信息流动方面的显著作用。

三、回测结果

样本内回测（2003-2012）

• 累计收益：1083.7%
• 年化收益：31.7%
• 年化标准差：0.133
• 年化夏普比：2.139
• 最大回撤：15.1%

样本外回测（2013-2014年4月）

• 累计收益：21.1%

• 年化收益：20.2%

• 年化标准差：0.063

• 年化夏普比：2.74

• 最大回撤：2.3%

• 2013年：年化收益21.3%，最大回撤2.3%，年化夏普比3.059，年化标准差0.060。

• 2014年（截止4月4日）：累计收益4%，年化收益17.1%，最大回撤1.0%，年化夏普比1.884，年化标准差0.075。

四、时区与因子匹配

• 每个时区都有其对应的最佳因子，如：
  • 1A：动量1个月收益率、关注度因子
  • 2C：成长ROE、换手率、关注度因子
  • 3C：价值BP、预测EPS变动、关注度因子
  • 4A：动量1个月和2个月收益率、关注度因子
  • 1B：价值收盘价、动量12个月和2个月收益率、换手率、关注度因子
• 关注度因子在多个时区中被选为最佳因子，显示出其在市场情绪和信息驱动方面的优势。

结论

光大因子时钟模型通过将经济周期划分为时区，并结合各时区下因子的综合表现，提供了一种系统化、可预测的因子选择方法。模型在样本内和样本外回测中均表现出良好的收益能力和风险控制效果，尤其在样本外回测中，年化夏普比高达2.74，显示出其在实际应用中的有效性。该模型不仅拓展了投资时钟模型的应用范围，也为多因子模型的因子选择提供了新的思路。