多因子Alpha系列报告之（三十四）：基于多期限的选股策略研究-20170920-广发证券-26页-1mb

报告摘要

本报告探讨了基于多期限的选股策略，通过分析不同期限的均线数据，构建了能够同时捕捉短期反转、中期动量和长期反转效应的因子。同时，报告还引入了LLT低延迟趋势线，以改进传统均线（MA）在价格趋势刻画上的不足，从而提升因子对股票收益的预测能力。

动量与反转效应：动量效应指过去一段时间内收益率较高的股票在未来一段时间内也表现较好；反转效应则相反，过去一段时间内收益率较低的股票在未来有更高的预期收益率。A股市场同样存在这些效应。
多期限因子构建：通过选取3、5、10、20、30、60、90、120、180、240、270、300日均线，构建多期限因子。该因子在不同指数成分股中均表现出较强的正IC值，说明其对股票收益的区分能力较强。
LLT趋势因子优化：LLT趋势线相比传统MA均线具有更低的跟踪延迟，能够更及时地反映价格趋势，从而提升因子表现。基于LLT指标构建的因子在全市场、中证500和中证800成分股中均优于MA构建的因子。
实证表现：
- 基于多期限均线构建的因子在全市场选股中证500指数对冲下，年化收益率为25.40%，最大回撤为9.11%，信息比率为2.44。
- 基于LLT趋势线构建的因子在全市场多空对冲下，年化收益率为29.58%，最大回撤为11.57%，信息比率为2.51。
- 在全市场中证500行业中性策略下，LLT因子表现更优，年化收益率达29.42%，信息比率为2.78。
换手率分析：基于不同期限因子的多头组合平均换手率较高，每年平均在50%以上，而基于LLT因子的平均换手率约为69%，标准差为0.13，整体换手率高于MA因子。

计算均线：对股票j计算不同周期L下的均线 $A_{jt,L} = \frac{P_{j,d-L+1} + \cdots + P_{j,d}}{L}$，并标准化为 $\tilde{A}{jt,L} = \frac{A{jt,L}}{P_j^t}$。
截面回归：将t周股票j的收益率 $r_{j,t}$ 与前一周的因子 $\tilde{A}{j,t-1,L}$ 进行回归，得到回归系数 $\beta{j,t}$。
预测回归系数：计算近25周回归系数的均值，作为下周回归系数预测值。
下期收益率预测：使用预测的回归系数与新一周的因子值 $\tilde{A}_{jt,L}$ 计算股票的下周预期收益率。
构建组合：根据个股预期收益率降序排列，选择预期收益高的个股做多，预期收益低的个股做空。

全市场表现：
- 多期限因子年化收益率25.58%，波动率14.12%，最大回撤13.31%，信息比率1.81。
- LLT因子年化收益率35.83%，波动率14.11%，最大回撤15.64%，信息比率2.54。
中证500指数对冲表现：
- 多期限因子年化收益率25.40%，波动率10.42%，最大回撤9.11%，信息比率2.44。
- LLT因子年化收益率29.58%，波动率10.46%，最大回撤11.57%，信息比率2.51。
行业中性策略表现：
- 多期限因子年化收益率26.01%，波动率12.66%，最大回撤10.37%，信息比率2.51。
- LLT因子年化收益率29.42%，波动率10.60%，最大回撤12.78%，信息比率2.78。