20170815-天风证券-金工专题报告_MHKQ因子择时模型在A股中的应用_13页_1mb

金融工程：MHKQ因子择时模型在A股中的应用总结

核心内容

本报告探讨了因子择时模型在A股市场中的应用，重点介绍了基于条件期望的因子择时模型（HKQ模型）及其改进版MHKQ模型。报告指出，传统的静态加权方式（如基于IC均值或IC_IR的加权）在面对市场短期快速变化时表现不佳，导致组合回撤较大。因此，动态调整因子权重成为提升多因子组合表现的关键。

主要观点

• 因子失效与静态加权问题：市值、反转、特异度等因子在2017年表现不佳，导致基于长期IC均值的加权方式无法适应市场短期波动，从而影响组合表现。
• 因子择时的重要性：通过动态调整因子权重，因子择时模型能够更好地捕捉市场变化，提升组合收益和降低回撤。
• 因子择时方法分类：
  • 基于因子自身特性：包括因子动量择时（近期表现好的因子继续表现好）和因子价值择时（买入“便宜”的因子）。
  • 基于外生变量：包括条件期望模型和分类模型，其中条件期望模型通过联合正态分布计算因子收益的条件期望值和协方差矩阵，并结合AIC准则筛选外生变量。
• MHKQ模型改进：在HKQ模型基础上，结合A股市场特点，扩展了16个外生变量（7个交易类，8个宏观类），并使用AICc替代AIC以应对小样本问题，进一步提升模型的稳定性。

关键信息

1. 因子择时模型框架

• 条件期望模型：假设因子收益与外生变量服从联合正态分布，计算因子收益的条件期望值 $ R_{|v} $ 和条件期望协方差矩阵 $ \Sigma_{|v} $。
• AICc筛选机制：在样本窗口较小的情况下，使用AICc（修正AIC）进行外生变量筛选，避免过拟合。其公式为：

$$
AICc = T \cdot \log \left[ \left| \Sigma_{|v} \right| \right] + 2 N \cdot K + \frac{2K(K + 1)}{T - K - 1}
$$

其中 $ T $ 为样本窗口长度，$ N $ 为因子数量，$ K $ 为外生变量数量。

2. 外生变量集合

• 市场交易类：上证50、沪深300、中证500过去20日涨跌幅，时间序列波动率，截面波动率。
• 宏观因素类：SHIBOR利率、信用利差、M1-M2同比、CPI-PPI同比、PMI、工业增加值、月份。

3. 回测数据与结果

• 传统IC均值加权组合：
  • 今年以来超额收益为-12.69%，相对最大回撤为-13.92%。
  • 复合因子IC均值为0.136，ICIR为1.331，但今年以来有连续3个月IC为负。
• MHKQ因子择时模型：
  • 今年以来超额收益提升至15.34%，相对最大回撤下降至-3.85%。
  • 2017年全年超额收益为15.34%，相对最大回撤为-3.85%。
  • 历年表现稳定，年化超额收益达28.58%，收益回撤比3.93，信息比3.30，跟踪误差7.39%。
• 因子择时500增强组合：
  • 今年以来超额收益为6.75%，相对最大回撤为-3.76%。
  • 年化超额收益为24.03%，收益回撤比3.83，信息比3.27，跟踪误差6.38%。

4. 回测方法

• 因子处理：使用MAD方法进行边界压缩，处理异常值；缺失值补为均值或0。
• 调仓规则：每月末调仓，选取综合得分最高的100只股票等权配置。
• 交易成本：双边交易成本为0.5%（买入0.2%，卖出0.3%）。
• 行业中性化：在指数增强策略中，对中信一级行业进行中性化处理，以减少行业偏差。

5. 模型优势

• 动态调整权重：因子择时模型能够根据市场变化及时调整因子权重，提升组合适应性。
• 降低回撤：相比静态加权方式，因子择时模型显著降低了回撤，提升了超额收益。
• 提升稳定性：通过AICc筛选外生变量，增强了模型在小样本情况下的稳定性。

总结

MHKQ因子择时模型通过动态调整因子权重，有效应对了A股市场短期波动带来的挑战，显著提升了组合表现。相比传统静态加权方式，其在2017年实现了超额收益从-12.69%提升至15.34%，相对最大回撤从-13.92%下降至-3.85%。该模型通过引入外生变量并结合AICc准则进行筛选，提高了因子权重的适应性与稳健性，为多因子投资策略提供了新的思路。

风险提示

• 市场环境变动风险：市场短期波动可能导致因子失效，影响模型表现。
• 有效因子变动风险：某些因子可能在特定时期失效，需持续监控与调整。

参考文献

• Asness, Clifford S. "The Siren Song of Factor Timing aka 'Smart Beta Timing' aka 'Style Timing'." Journal of Portfolio Management, 2016.
• Asness, Clifford S, et al. "Contrarian Factor Timing is Deceptively Difficult." Social Science Electronic Publishing, 2017.
• Burnham, Kenneth P., and D. R. Anderson. Model selection and multi-model inference. Springer, 2002.
• Hoffstein, Corey, and Justin Sibears. "Market Timing Factor Premiums: Exploiting Behavioral Biases for Fun and Profit." Newfound Research, 2016.
• Hua, Ronald, Dmitri Kantsyrev, and Edward Qian. "Factor-Timing Model." Journal of Portfolio Management, 2012.
• Hurvich, Clifford M., and C. L. Tsai. "Regression and Time Series Model Selection in Small Samples." Biometrika, 1989.
• Miller, Keith L., et al. "A Risk-Oriented Model for Factor Timing Decisions." Journal of Portfolio Management, 2012.