20230202-国金证券-Alpha掘金系列之三_高频非线性选股因子的线性化与失效因子的动态纠正_25页_2mb

高频非线性选股因子的线性化与失效因子的动态纠正总结

核心内容

本报告探讨了高频因子在多因子模型中的应用问题，重点分析了非线性因子与阶段性失效因子的处理方法。通过线性转换技术，可以将这些因子纳入线性多因子模型中，从而提高因子的预测能力和多空组合收益。

主要观点

1. 高频因子的非线性与失效问题

   • 高频因子与股票预期收益之间往往不是严格的线性关系，部分因子在不同时间段表现出不单调性。
   • 阶段性失效因子的表现会随着市场环境变化而波动，需要动态纠正以维持其有效性。

2. 线性转换方法

   • 本报告介绍了四种线性转换方法：分段线性近似、线性插值、多项式拟合和分段线性回归。
   • 分段线性回归方法综合了其他方法的优点，表现最佳，尤其在价格区间占比因子的处理上效果显著。

3. 转换效果

   • 分段线性近似、线性插值、多项式拟合和分段线性回归分别使因子的多空组合年化收益率提升了10.30%、11.37%、9.77%和10.55%。
   • 转换后因子的IC水平和多空组合年化收益率均值相对较高，尤其是分段线性回归方法。

4. 因子降频

   • 为了降低交易成本并满足机构投资者需求，将日频因子降频至周频。
   • 使用加权移动平均法进行降频，提升了因子的预测能力和稳定性。

5. 中证1000指数增强策略

   • 基于高频线性重构因子构建中证1000指数增强策略，年化收益率达7.53%，相比基准取得11.03%的年化超额收益率。
   • 合成线性重构增强因子后，策略表现更加优异，年化收益率达18.83%，超额收益率达23.24%，信息比率提升至3.41。

关键信息

• 分段线性近似：简单易操作，但丢失信息较多，对因子单调性改善效果有限。
• 线性插值：优于分段线性近似，对分组数据点进行线性插值，使因子收益更精细。
• 多项式拟合：通过三次多项式拟合，能够捕捉更复杂的非线性关系，但效果略逊于分段线性回归。
• 分段线性回归：综合了其他方法的优点，对非线性和失效因子处理效果最好，IC均值和多空组合年化收益率均值相对较高。
• 高频线性重构因子：通过分段线性回归方法合成，日频因子的IC均值为3.13%，年化收益率达62.57%，夏普比率达到7.67。
• 周频线性重构因子：IC均值为3.81%，年化收益率为28.39%，夏普比率为2.89。
• 增强策略表现：合成线性重构增强因子后，策略年化收益率达18.83%，超额收益率为23.24%，信息比率达到3.41。

因子转换方法对比

高频因子线性化效果

• 日频因子：经过行业市值正交化后，IC均值为3.13%，年化收益率为62.57%，夏普比率为7.67。
• 周频因子：IC均值为3.81%，年化收益率为28.39%，夏普比率为2.89。

风险提示

1. 历史数据的统计结果可能存在失效风险，当市场环境或政策变化时，模型效果可能受到影响。
2. 策略基于历史数据回测，若交易成本上升或市场条件变化，策略收益可能下降甚至出现亏损。

结论

本报告提出了一种有效的线性转换方法，特别是分段线性回归方法，能够显著改善高频因子的线性特征，提升其在多因子模型中的应用效果。通过合成高频线性重构因子并进行行业市值正交化，构建的中证1000指数增强策略表现出色，具有较高的年化收益率和超额收益率，信息比率也显著提升。然而，投资者需注意策略可能面临的市场变化风险和交易成本问题。