20180817-中邮证券-数量化专题之二_风格中性多因子之因子数据预处理_9页_791kb

报告摘要

文档总结

核心内容概述

本报告主要围绕多因子选股策略的数据预处理和因子正交化展开，探讨如何通过标准化和正交化处理提升因子模型的稳定性和有效性。报告还简要介绍了中邮证券的投资评级标准和公司背景，为读者提供全面的参考信息。

主要观点

1. 多因子模型的分类与优势

宏观经济因子模型：使用宏观经济数据解释股票收益，但面临数据量大、估计偏差等问题。
基本面因子模型：基于股票自身属性（如估值、成长性等），在实证研究中表现更优，成为当前多因子研究的重点。
统计因子模型：从股票收益率协方差矩阵中提取因子，但因子解释性差，易受伪相关性影响。

多因子模型将对股票的收益—风险预测转化为对因子的预测，极大降低预测工作量。

2. 因子预处理的重要性

数据非正态性：会影响Z-score计算和因子收益率显著性检验。
极值处理：采用中位数去极值法和Hubert&Vandervieren调整后的Boxplot法识别异常值，提升数据质量。
标准化处理：通过Z-score归一化，使不同因子具有可比性，便于后续分析和建模。
正交化处理：通过施密特正交法等手段，消除因子间的多重共线性，提升模型稳定性与因子解释能力。

3. 正交化处理原理

正交化是将原始因子进行线性变换，得到一组两两正交的新因子。
正交化后，因子间的相关性为零，同时对收益的解释度保持不变。
在正交化条件下，多元回归的因子收益率估计更为准确，避免因子间相互干扰。

关键信息

1. 数据处理流程

极值处理：使用调整后的Boxplot法识别异常值，确保数据稳健。
标准化处理：对因子进行Z-score归一化，使其均值为0，标准差为1。
正交化处理：采用施密特正交法，将因子转化为正交向量组，减少多重共线性影响。

2. 因子有效性测试

因子有效性体现在其对股票收益的解释能力。
正交化后的因子在加权时能够避免重复暴露，提升投资组合的长期表现稳定性。

3. 投资评级标准

股票投资评级：
- 推荐：预计涨幅高于沪深300指数20%以上；
- 谨慎推荐：预计涨幅介于10%-20%；
- 中性：预计涨幅介于-10%至10%；
- 回避：预计涨幅低于沪深300指数10%以上。
行业投资评级：
- 强于大市：预计涨幅高于沪深300指数5%以上；
- 中性：预计涨幅介于-5%至5%；
- 弱于大市：预计涨幅低于沪深300指数5%以上。
可转债投资评级：
- 推荐：预计涨幅高于中信标普可转债指数10%以上；
- 谨慎推荐：预计涨幅介于5%-10%；
- 中性：预计涨幅介于-5%至5%；
- 回避：预计涨幅低于中信标普可转债指数5%以上。

结构与方法

1. 多因子模型表达式

$$
\widetilde {r _ {j}} = \sum_ {k = 1} ^ {K} X _ {j k} \cdot \widetilde {f _ {k}} + \widetilde {u _ {j}}
$$
其中：

$X_{jk}$：股票j在因子k上的暴露度；
$\widetilde{f_k}$：因子k的收益；
$\widetilde{u_j}$：股票j的残差收益率。

2. 因子正交化方法

采用施密特正交法，逐个消除因子间的相关性。
正交化后，回归系数估计更加准确，避免因子间的相互干扰。

总结

多因子选股策略在量化投资中具有重要地位，但其表现受因子选择与处理方式影响显著。因子数据预处理是实证研究的基础，通过极值处理、标准化和正交化，可以有效提升因子模型的稳定性与解释力。正交化处理是优化因子权重分配的关键手段，有助于减少组合在某些因子上的重复暴露，从而改善长期收益表现。此外，报告还提供了中邮证券的投资评级标准，为投资决策提供参考依据。

展开完整摘要