20170501-光大证券-多因子系列报告之三_多因子组合_光大_Alpha_1.0__21页_2mb

多因子组合 “光大 Alpha 1.0” 总结

核心内容

本报告介绍了光大金工构建的“光大 Alpha 1.0”多因子组合模型，基于前两篇报告中建立的因子测试框架，结合动态最优化信息比（IR）的方法，筛选并优化了多个因子，构建了一个具有较高信息比的多因子投资组合。

主要观点

• 因子测试框架：采用RLM回归模型计算因子收益和IC值，结合分层回测法检验因子单调性，形成较为全面的因子测试体系。
• 因子库：涵盖了10大类100多个细分因子，包括估值、规模、成长、质量、杠杆、动量、波动、技术、流动性、分析师因子等。
• 因子筛选标准：根据因子收益、t值、IC值、IR值和单调性等指标，筛选出44个因子。其中，12个因子通过进一步筛选，入选为“光大 Alpha 1.0”组合的构建基础。
• 动态最优化IR模型：基于因子IC值的时间序列构建动态最优化IR组合，相比静态模型，表现更优。通过参数测试，发现滚动36个月、持仓数量150只的等权加权组合表现最优，年化收益为31%，信息比为3.67。
• 组合表现：动态最优化模型在信息比、相对收益和回撤控制方面优于静态模型。等权组合表现优于复合因子得分加权组合。
• 因子分类：入选因子中，BP_LR、Ln_MC、TargetReturn、DP_TTM、EEChange_3M、OCFP_TTM为基本面类因子，Momentum_1M、RSI、STD_1M、VA_FC_1M、VSTD_1M、SOBV为技术面类因子。

关键信息

因子测试框架

• 样本筛选：测试样本为全体A股，时间范围为2006-01-01至2017-04-01。
• 数据清洗：采用MAD方法识别异常值，缺失值处理方式为剔除或用行业中位数替代。
• 因子标准化：采用Z值标准化，以保留原始信息。
• 因子测试模型：使用截面回归测试，剔除行业和市值因子以避免干扰。
• 因子有效性检验：通过IC值、IR值、t值、单调性等指标综合判断因子的有效性。

因子初步筛选

• 筛选标准：因子收益序列均值 > 0.002、t值 > 2、IC均值 > 0.02、IR > 0.2、单调性得分 > 2。
• 筛选结果：共筛选出44个因子，其中12个因子表现较为优异，被选入“光大 Alpha 1.0”组合。

动态最优化组合IR

• 优化方法：基于因子IC值序列和协方差矩阵，计算最优权重，使得组合的信息比最大化。
• 参数测试：
  • 时间窗口N：滚动36个月的因子IC数据表现最佳，年化收益31%，信息比3.67。
  • 持仓数量M：150只股票的组合表现最优，信息比达3.67，最大回撤控制在合理范围。
• 动态 vs 静态：动态调整权重的组合在信息比和回撤控制上显著优于静态因子赋权模型。

组合内等权 vs 复合因子得分加权

• 等权组合表现：在多数情况下表现优于得分加权组合。
• 得分加权影响：高权重与低权重差距较大，可能导致组合波动性上升，信息比下降。

光大 Alpha 1.0 组合

• 组合构成：基于动态最优化IR模型，选取150只股票，采用等权方式。
• 组合表现：年化收益31%，信息比3.67，相对中证500指数表现稳健。
• 组合名单：2017年5月最新组合名单，按复合因子得分降序排列，部分股票得分较高，如怡球资源、厦门信达等。

结论

“光大 Alpha 1.0”多因子组合基于全面的因子测试框架和动态最优化IR方法，经过参数测试和对比分析，最终选取了150只股票的等权组合，具有较高的信息比和相对中证500指数的超额收益能力。该组合表现稳定，回撤控制良好，为后续多因子模型的优化和深入研究提供了基础。