20151105-兴业证券-聪明的Alpha_技术革命__41页_4mb

《聪明的 Alpha，重装上阵!》报告总结

核心内容

本报告对前两篇报告中构建的Smart Alpha动态选股模型进行了改进与革新，重点包括：

• 通过延长预测区间，构建了低频选股因子SA_4S和ISNSA_4S，以降低年换手率。
• 引入支持向量机（SVM）算法，构建了LSVM_12M和RSVM_12M因子，进一步提升了模型效果。
• 对支持向量机模型进行了行业市值中性化处理，得到ISNLSVM_12M和ISNRSVM_12M因子。
• 构建了风格轮动模型，以捕捉市场风格变化。
• 基于表现最好的ISNRSVM_12M因子，构建了量化对冲选股策略，年化超额收益率达16.34%，Sharpe比率2.99，最大回撤不足3%。

主要观点

1. 低频选股模型

• 通过将预测周期从月度延长至季度，构建了SA_4S和ISNSA_4S因子，显著降低了换手率。
• 每个季度末使用过去一年的因子数据和前三个月的收益率作为训练样本，提升了模型的稳定性。
• SA_4S因子的Rank IC平均值为10.27%，ISNSA_4S因子的Rank IC平均值为10.17%，且风险调整后的IC更高，显示其更优的选股能力。

2. 支持向量机算法

• SVM算法具有坚实的理论基础，适用于高维数据和非线性结构。
• 通过引入RBF核函数，支持向量机算法能够更好地捕捉非线性收益模式。
• 与AdaBoost算法相比，SVM模型的预测能力更强，且具有更好的泛化能力。

3. 线性与非线性模型表现

• 线性模型（LSVM_12M和ISNLSVM_12M）在Rank IC上表现稳定，但对非线性因子效果有限。
• 非线性模型（RSVM_12M和ISNRSVM_12M）表现更优，其中ISNRSVM_12M的Rank IC平均值达到10.43%，t统计量突破16，显示其显著的选股能力。
• ISNRSVM_12M因子在风险调整后IC上达到1.48，明显优于线性模型。

4. 风格轮动模型

• 支持向量机算法在大类风格因子的轮动预测中表现出色，线性SVM模型等同于动态调整权重的线性多因子模型。
• 基于SVM模型构建了风格轮动因子StyleLSVM_12M和StyleISNLSVM_12M，能够准确把握市场风格偏好和轮动趋势。

5. 量化对冲选股策略

• 基于ISNRSVM_12M因子，构建了以中证500为基准的量化对冲策略。
• 策略年化超额收益率为16.34%，Sharpe比率2.99，最大回撤不足3%，显示其稳健性和良好风险收益比。

关键信息

• SA_4S和ISNSA_4S因子：季度调仓，年换手率显著降低，表现出较强的选股能力。
• LSVM_12M和ISNLSVM_12M因子：基于线性SVM算法，表现优于传统因子，但对非线性因子效果有限。
• RSVM_12M和ISNRSVM_12M因子：基于非线性SVM算法，表现更优，其中ISNRSVM_12M因子的Rank IC平均值达到10.43%，t统计量突破16。
• 风格轮动模型：准确把握市场风格偏好，为多因子配置提供新思路。
• 量化对冲策略：年化超额收益率达16.34%，最大回撤不足3%，具有良好的风险调整表现。

附录摘要

• 训练样本因子：包括33个传统因子，用于构建Smart Alpha因子。
• 因子所属风格：涵盖行业、市值等多个维度，以实现中性化处理。

图表摘要

• 图1：多因子投资体系
• 图2：基于AdaBoost算法的SmartAlpha模型流程图
• 图3：SA_4S和ISNSA_4S因子Rank IC
• 图4：SA_4S和ISNSA_4S因子IC衰减
• 图5：SA_4S和ISNSA_4S因子相关性
• 图6：SA_4S和ISNSA_4S因子分位数组合Sharpe比率
• 图7：SA_4S和ISNSA_4S因子分位数组合信息比率
• 图8：SA_4S和ISNSA_4S因子多空组合净值和收益率
• 图9：SA_4S和ISNSA_4S因子分位数组合换手率
• 图10：二元分类问题
• 图11：分类直线比较
• 图12：不同训练样本长度下LSVM-12M因子Rank IC和风险调整后IC
• 图13：LSVM_12M和ISNLSVM_12M因子Rank IC
• 图14：LSVM_12M和ISNLSVM_12M因子IC衰减
• 图15：LSVM_12M和ISNLSVM_12M因子相关性
• 图16：LSVM_12M和ISNLSVM_12M因子股票覆盖度
• 图17：因子Rank IC平均值和风险调整后IC比较
• 图18：LSVM-12M和ISNLSVM-12M因子分位数组合Sharpe比率
• 图19：LSVM-12M和ISNLSVM-12M因子分位数组合信息比率
• 图20：LSVM-12M和ISNLSVM-12M因子多空组合
• 图21：LSVM-12M和ISNLSVM-12M因子分位数组合换手率
• 图22：核函数与坐标变换
• 图23：RSVM_12M和ISNRSVM_12M因子Rank IC
• 图24：RSVM_12M和ISNRSVM_12M因子IC衰减
• 图25：RSVM_12M和ISNRSVM_12M因子相关性
• 图26：RSVM_12M和ISNRSVM_12M因子股票覆盖度
• 图27：RSVM-12M和ISNRSVM-12M因子分位数组合Sharpe比率
• 图28：RSVM_12M和ISNRSVM_12M因子分位数组合信息比率
• 图29：RSVM_12M和ISNRSVM_12M因子多空组合净值和收益率
• 图30：RSVM-12M和ISNRSVM-12M因子分位数组合换手率
• 图31：大类风格因子历史权重
• 图32：大类风格因子逻辑变化
• 图33：StyleLSVM_12M和StyleISNLSVM_12M因子Rank IC
• 图34：StyleLSVM_12M和StyleISNLSVM_12M因子IC衰减
• 图35：StyleLSVM_12M和StyleISNLSVM_12M因子相关性
• 图36：StyleLSVM_12M和StyleISNLSVM_12M因子分位数组合Sharpe比率
• 图37：StyleLSVM_12M和StyleISNLSVM_12M因子分位数组合信息比率
• 图38：StyleLSVM_12M和StyleISNLSVM_12M因子多空组合净值和收益率
• 图39：StyleLSVM_12M和StyleISNLSVM_12M因子分位数组合换手率
• 图40：ISNRSVM-12M因子策略净值
• 图41：ISNRSVM-12M因子策略超额收益率和净值
• 图42：ISNRSVM-12M因子策略年度统计对比
• 图43：ISNRSVM-12M因子策略换手率

表格摘要

• 表1：SA_4S和ISNSA_4S因子Rank IC统计数据（2006-3-31至2015-9-30）
• 表2：SA-4S因子十分位数组合表现统计（2006-3-31至2015-9-30）
• 表3：ISNSA-4S因子十分位数组合表现统计（2006-3-31至2015-9-30）
• 表4：LSVM_12M和ISNLSVM_12M因子Rank IC统计数据（2006-1-25至2015-9-30）
• 表5：LSVM-12M因子十分位数组合表现统计（2006-1-25至2015-9-30）
• 表6：ISNLSVM-12M因子十分位数组合表现统计（2006-1-25至2015-9-30）
• 表7：RSVM_12M和ISNRSVM_12M因子Rank IC统计数据（2006-1-25至2015-9-30）
• 表8：RSVM-12M因子十分位数组合表现统计（2006-1-25至2015-9-30）
• 表9：ISNRSVM-12M因子十分位数组合表现统计（2006-1-25至2015-9-30）
• 表10：训练样本因子及其所属风格

总结

本报告通过改进Smart Alpha模型，引入支持向量机算法，构建了更具预测能力和稳定性的选股因子。低频模型有效降低了换手率，非线性模型显著提升了因子表现，而风格轮动模型则为多因子配置提供了新思路。最终构建的量化对冲策略表现出色，具有较高的收益和较低的风险，为投资者提供了稳健的投资选择。