20171229-渤海证券-多因子模型研究之二_收益预测模型_21页_1mb

多因子模型研究之二：收益预测模型总结

核心内容

本报告是对多因子模型构建过程中的收益预测模型的进一步研究，重点分析了因子共线性处理方法及四种收益预测模型（移动均值模型、指数加权移动平均法、因子IC优化模型与逻辑回归模型）的回测表现。通过综合比较，最终选择了三种表现较为优异的模型进行横向对比，并对模型表现原因进行了简要分析。

主要观点

• 因子共线性处理：因子共线性可能导致模型预测失真，因此在建立模型前需进行处理。常用方法包括直接剔除、因子合成与因子正交。
• 收益预测模型：
  • 移动均值模型：通过计算因子历史收益率的平均值预测下一期收益率，12个月窗口表现最佳。
  • 指数加权移动平均法（EWMA）：对近期数据赋予更高权重，但表现不如简单均值模型。
  • 因子IC优化模型：基于因子信息比率（IR）进行优化，原始模型表现不佳，但通过矩阵压缩后表现有所提升。
  • 逻辑回归模型：在机器学习方法中表现突出，年化收益最高，但波动率也最大，且在风格转换行情中回撤较大。
• 模型对比：对冲中证500指数后，因子IC优化压缩矩阵模型表现最优，最大回撤仅为7.08%，夏普比率高达3.2。
• 模型选择建议：根据实际需求选择合适的模型，未来研究将继续探索更多模型以优化选股效果。

关键信息

因子共线性处理

• 判断依据：使用相关性矩阵、VIF检验、逐步回归与AIC准则。
• 处理方法：
  • 直接剔除：对高度相关但无新信息的因子进行剔除。
  • 因子合成：将相关性高的小因子合并为大类因子。
  • 因子正交：通过回归残差处理大类间相关因子。
• 最终因子池：7个大类12个因子，具体如下：

收益预测模型表现

对冲中证500指数后表现：

模型表现原因分析

• 移动均值模型：预测序列平滑，反应趋势，但有一定的滞后性。
• EWMA模型：对近期数据敏感，但可能因短期反转导致预测失效。
• 因子IC优化原始模型：理论最优，但因协方差矩阵估计误差导致实际表现不佳。
• 因子IC优化压缩矩阵模型：通过压缩协方差矩阵减少误差，波动率最低，但收益也最低。
• 逻辑回归模型：因子权重集中于市值、动量、波动率等高区分度因子，牛市中表现突出，但风格转换时回撤明显。

回测结果讨论

三种线性回归方法对比

• 均值法：预测序列平滑，反映趋势，但滞后。
• EWMA法：对近期变化敏感，但可能在震荡行情中失效。
• ICshrink法：与因子收益序列关系复杂，波动率最低。

线性回归与逻辑回归对比

• 逻辑回归：因子权重集中，收益率高但波动率大，适合牛市，但在风格转换时表现较差。

总结

本篇报告系统性地分析了多因子模型中的收益预测模型，选取了三种表现较好的模型进行比较，并指出了不同模型的适用场景和优缺点。逻辑回归模型在牛市中表现优异，但波动率较大；因子IC优化压缩矩阵模型波动率最低，适合风险控制；移动均值模型则在两者之间，具备较好的综合表现。未来研究将继续探索更多模型，以进一步提升选股效果。同时，报告提醒，在实际应用中需结合风险模型进行组合优化，以降低风险暴露。