20171205-东北证券-因子优化_动量因子再研究_15页_1mb

因子优化：动量因子再研究总结

核心内容

本报告对动量因子的表现进行了深入分析，并提出两种优化方法以增强其有效性。动量因子在多数时间内表现出反转效应，但在特定时间段（如2006.9-2007.5、2013.2-2013.8、2014.8-2015.4、2016.11-2017.5）出现回撤。通过理论和数据两个角度，分析了动量因子失效的原因，并提出了改进策略。

主要观点

1. 动量因子表现不稳定

   • 动量因子在多数时间表现反转效应，但在特定时间段出现显著回撤。
   • 传统动量因子在不同N（计算区间长度）和M（持有区间长度）参数下，其表现存在差异，但总体上存在较大的波动性和回撤风险。

2. 反转效应成因分析

   • 反转效应主要由投资者认知偏差和信息解读不及时导致。
   • 散户集中度高的股票池更易受反转效应影响，因此通过筛选散户集中度低、机构持股比例低、流动性高的股票，有助于提升动量因子表现。

3. 变量分组优化

   • 选取户均持股数量、机构持股比例和流动性作为衡量散户集中度的指标，进行分组研究。
   • 优化后的分组在年化收益率、波动率、最大回撤和Sharpe值等方面均有显著提升，其中高流动性组合表现最佳。

4. 风格对冲优化

   • 多头组合在某些时间段与风格因子偏好出现背离，导致回撤。
   • 通过预测风格因子收益贡献，中性化表现较差的风格因子，可以有效降低回撤。
   • 基于预测的风格因子暴露和收益，最大化预测Sharpe值，优化股票权重，进一步提升了动量因子的表现。

关键信息

传统动量因子分析

• 回测参数：N = 20, 40, 60；M = 20；K = 10。
• IC均值：N=20、40、60的IC均值分别为-0.063、-0.062、-0.062，均在1%显著性水平下显著。
• 回撤时间：2006.9-2007.5、2013.2-2013.8、2014.8-2015.4、2016.11-2017.5。
• 原始组合表现：年化收益率13.77%，波动率18.05%，最大回撤25.60%，Sharpe值0.763。

变量分组优化

• 分组指标：户均持股数量、机构持股比例、流动性。
• 优化结果：
  • 高流动性组合：年化收益率18.03%，波动率14.75%，最大回撤19.29%，Sharpe值1.222。
  • 低股东户均持股组合：年化收益率15.22%，波动率15.02%，最大回撤17.66%，Sharpe值1.013。
  • 低机构持股比例组合：年化收益率13.03%，波动率14.08%，最大回撤19.65%，Sharpe值0.925。

风格对冲优化

• 优化方法：
  • 对冲收益贡献最低的K个因子（M1）。
  • 对冲收益贡献Sharpe值最小的K个因子（M2）。
  • 对冲风格变动最大的K个因子（M3）。
  • 对冲风格变动比例最高的K个因子（M4）。
• 优化结果：
  • M1、M2、M3组合在年化收益、波动率和风险指标上均有提升。
  • M4组合在年化收益上表现最佳，但最大回撤有所增加。
  • 最大化预测Sharpe值的优化组合表现最优，年化收益为24.94%，Sharpe值为1.284，Calmar和Sortino指标也有显著提升。

优化效果对比

未来研究方向

• 进一步对因子收益来源进行深入研究，以在理论层面更好地理解其表现。
• 持续优化因子分层和风格对冲策略，提升动量因子的稳定性和收益表现。

结论

通过变量分组和风格对冲两种优化方法，动量因子的表现得到了显著提升。高流动性组合和低股东户均持股组合在多个指标上优于原始组合，且优化后的组合在特定时间段的最大回撤有所减少。这些优化方法为提升动量因子的有效性提供了可行的路径，值得在实际投资中进一步应用和验证。