20171228-东海证券-金融工程专题报告_基于_长记忆性_特征改进因子择时的研究_25页_2mb

基于“长记忆性”特征改进因子择时的研究总结

核心内容概述

本报告探讨了如何利用“长记忆性”特征（通过Hurst指数衡量）改进因子择时策略，旨在提升因子选股模型的效果。Hurst指数可以反映金融时间序列的记忆性特征，其值大于0.5表示长记忆性，小于0.5表示短记忆性。研究提出两种模型：HS调节因子模型与Hurst因子分类树模型，并通过实证分析评估其对因子择时效果的改进。

主要观点

• Hurst指数的特性：Hurst指数是一个衡量时间序列记忆性的指标，不受分布假设影响，具有普遍适用性。其值较高时代表趋势性行情，较低时代表震荡或反转信号。
• 因子择时的重要性：因子数据更新频率通常慢于市场价格变化，导致因子信号滞后，影响选股效果。因此，引入择时因素可以提升因子模型的适应性和有效性。
• HS调节因子模型：通过将Hurst指数与均线系统结合，构建HS调节因子，作为其他因子的调节参数。但该模型对因子选股效果的提升有限，未能显著改善整体表现。
• Hurst因子分类树模型：通过将因子分组与Hurst指数结合，构建分类树模型。该模型对部分因子（尤其是市值因子）的选股效果有明显提升，减少最大回撤并提高收益回撤比。
• 未来研究方向：在没有先验函数关系的情况下，直接组合Hurst指数与因子效果不佳，未来应利用机器学习技术探索更有效的因子组合方式。

关键信息

Hurst指数与市场行为

• Hurst指数通常较高，反映市场的长记忆性特征。
• 移动Hurst指数能够反映时间序列的记忆性随时间的变化，为择时提供依据。
• 移动Hurst指数较低时，可能预示市场即将进入趋势行情，此时信号强度较高。

HS调节因子模型

• 该模型通过将移动Hurst指数与均线价差结合，形成HS调节因子。
• HS调节因子用于改进其他因子的评分，但实证结果显示其效果不明显。
• HS复合因子的构建方式（因子评分加权）可能导致信息丢失，影响模型的显著性。

Hurst因子分类树模型

• 该模型将因子分组与Hurst指数结合，通过分层分组进一步优化选股效果。
• 对市值因子的择时效果提升显著，最大回撤下降，收益回撤比提高。
• 分组的区分效果增强，模型保留了原因子的区分能力。

实证分析结果

• 原始单因子：市值因子表现最佳，其他因子如PE、PS、PB等表现一般，部分因子（如EPS_R）的区分效果与预期相反。
• HS调节因子模型：对因子择时效果提升有限，尤其在区分效果方面表现不佳。
• Hurst因子分类树模型：对部分因子（如市值因子）效果明显，但整体区分效果仍受原始因子的影响。

实证数据与模型表现

回测检验方案

• 样本股票池选取了A股全市场数据，过滤掉ST股、新股、次新股。
• 回测周期为2007年4月26日至2017年10月9日，周期为66个交易日。
• 每隔20个交易日进行换股，共121期。

回测结果分析

回测结果趋势

• 期望收益率：市值因子表现最佳，其他因子效果不一。
• 最大回撤：多数因子回撤较大，HS调节因子模型在对冲后有所改善。
• 收益回撤比：对冲后多数因子收益回撤比提升，但部分因子仍为负值。
• 胜率：多数因子胜率在50%-60%之间，部分因子胜率较高。
• 分组区分效果：市值因子、PS、PB等因子的区分效果较好，而EPS_R、ROE_R等因子区分效果一般。

结论

• Hurst指数对因子择时具有重要意义，能够反映市场的非周期循环特征。
• HS调节因子模型对因子选股效果提升有限，主要问题在于因子组合方式。
• Hurst因子分类树模型对市值因子等部分因子有显著提升效果，尤其是在降低回撤和提高收益回撤比方面。
• 未来研究应着重于利用机器学习技术寻找Hurst指数与因子之间的最优组合方式。

进一步研究方向

• 探索Hurst指数与因子之间的非线性关系，采用机器学习方法进行建模。
• 进一步优化Hurst因子分类树模型的结构，提高其区分效果。
• 考虑不同市场周期下的Hurst指数变化，优化模型的适应性。