20171122-招商证券-因子模型系列之一_基于增量信息逐层解释的因子模型框架搭建_14页_1mb

因子模型框架搭建总结

核心内容概述

本报告是招商金工因子模型系列的第一篇，系统地阐释了因子模型的理论基础与框架设计，强调了选因子而非选股的构建理念。报告旨在为后续因子模型系列研究奠定理论和方法基础，并介绍了因子模型的搭建与优化过程。

主要观点

• 因子模型的双视角：投资组合既可以看作是单资产的线性组合，也可以看作是因子的线性组合。因子是独立的定价要素，用于解释股价表现差异。
• 模型分类：因子模型分为均衡模型（如CAPM、APT）和统计模型，其中统计模型更适用于实证分析，因为它基于历史数据进行预测。
• 模型有效性：因子模型的有效性体现在对截面股价表现差异的解释程度，模型整体解释度是衡量其有效性的关键指标。
• 选因子而非选股：因子模型的目标是通过因子暴露配置信息来解释超额收益，个股只是实现因子目标配置的基础可交易载体。
• 逐层增量解释：通过逐层增加因子，每层因子解释的是前序因子未能解释的部分，形成对超额收益的可加形式解释，有助于后续因子组合的优化与调整。

关键信息

因子模型的理论基础

• 经典均衡模型：包括资本资产定价模型（CAPM）和套利定价理论（APT），它们描述了资产预期风险与预期收益率之间的线性关系。
• 统计模型：包括时间序列模型和横截面模型，其中横截面模型更适用于因子模型的构建，因为它能更及时地解释不同资产收益差异。

模型框架

• 横截面因子模型一般形式：
  $$
  \left(\Delta r _ {i, \left[ t _ {0}, t _ {1} \right]} ^ {B, M}\right) _ {n \times 1} = \left(c _ {\left[ t _ {0}, t _ {1} \right]}\right) _ {n \times 1} + \left(\Delta \beta_ {i, t _ {0}} ^ {(j)}\right) _ {n \times k} \cdot \left(r _ {F, \left[ t _ {0}, t _ {1} \right]} ^ {(j)}\right) _ {k \times 1} + \left(\varepsilon_ {i, \left[ t _ {0}, t _ {1} \right]}\right) _ {n \times 1}
  $$
• 被解释变量：经系统性风险暴露调整后的超额收益，即：
  $$
  \Delta r _ {i, \left[ t _ {0}, t _ {1} \right]} ^ {B, M} = \Delta r _ {i, \left[ t _ {0}, t _ {1} \right]} ^ {B} - \Delta \tilde {\beta} _ {i, t _ {0}} ^ {M} \cdot r _ {M, \left[ t _ {0}, t _ {1} \right]}
  $$

因子模型搭建步骤

1. 基础数据处理：包括股票池分类与筛选、市场组合与投资基准组合构建、收益率数据、因子暴露原值等。
2. 单因子检验：对因子暴露原值进行处理、单调性检验、标准化赋值、显著性检验和单因子有效性测试。
3. 多因子检验：采用逐层增量解释方法，对因子进行优先排序，并估计其对模型整体解释度的贡献。
4. 因子暴露目标配置：根据因子收益预测、划分α因子与风险因子、设定投资组合的超额因子暴露目标配置。
5. 股票组合目标持仓：基于因子暴露目标配置、持仓股票个数、组合波动率、调仓换手率等，构建优化问题求解股票组合目标持仓。
6. 绩效归因与模型调整：基于模型整体解释度和因子收益预测效果，对组合收益与波动进行归因分析，并进行模型调整。

逐层增量解释方法

• 方法定义：每一层因子解释的是前序因子未能解释的剩余部分，通过辅助横截面回归提取新增解释信息。
• 模型贡献计算：因子(k)对模型整体解释度的贡献为：
  $$
  \gamma = 1 - \prod_{j=1}^{k} (1 - \gamma^{(j)})
  $$
• 模型稳定性：优先排序靠前的因子通常具有较高的截面排序稳定性，如行业分类、规模市值等，更适合作为基础因子。

模型有效性与解释度

• 模型有效性：体现在对截面股价表现差异的解释程度，整体解释度是衡量模型是否能有效降维归纳股价差异的关键指标。
• 解释度计算：每层因子的解释度 $\gamma^{(k)}$ 代表其对剩余差异的解释比例，整体解释度为：
  $$
  \gamma = \gamma^{(1)} + \sum_{j=2}^{k} \prod_{i=1}^{j-1} (1 - \gamma^{(i)}) \cdot \gamma^{(j)}
  $$

因子收益与波动

• 期望超额收益：下期超额收益的期望由本期末超额因子暴露与下期因子收益预测的乘积和叠加构成。
• 因子分类：因子分为α因子（主动管理，获取超额收益）与风险因子（被动管理，控制跟踪误差），分类依据为因子的可预测性与管理目标。
• 波动率比值：定义为能被因子解释的波动与未能被因子解释的波动的比值，用于衡量因子对超额收益的解释能力。

总结

本报告构建了一个基于横截面模型的因子模型框架，采用逐层增量解释的方法，逐步增加因子以提高模型的整体解释度。报告强调因子模型应以因子暴露配置信息为核心，而非直接用于选股。此外，报告还介绍了因子模型的构建步骤、数据处理方法、因子分类及模型有效性评估指标，为后续因子策略的完善提供了理论支持和方法指引。