20180310-光大证券-多因子系列报告之十_因子正交与择时_基于分类模型的动态权重配置_23页_2mb

报告摘要

本报告探讨了多因子选股模型中因子正交化处理与择时模型的应用，旨在解决因子间共线性对模型表现的影响，并提升因子权重配置的动态调整能力。

因子正交化处理：
- 为提高因子择时模型的有效性，采用对称正交方法对因子进行正交化处理，该方法在保留因子原始信息的同时，有效降低共线性对因子收益预测的影响。
- 对称正交相较于施密特正交和规范正交，具有更高的计算效率和因子值与原始值的相似度，更适合用于因子择时场景。
因子择时模型类型：
- 择时模型主要分为两类：条件期望模型和分类预测模型。
- 条件期望模型基于因子收益与条件变量服从联合正态分布的假设，但在实际中该假设难以满足，因此分类模型更适合作为因子收益预测模型的基础。
- 分类模型包括逻辑回归、决策树和支持向量机（SVM），其中SVM和随机森林在非线性分类问题上表现更优。
择时变量的选择：
- 择时变量涵盖宏观经济环境、货币政策、市场状态及因子收益衍生变量等四类，共15个变量。
- 对于宏观经济变量，考虑到发布滞后性，采用滞后一期处理。
模型实证效果：
- 支持向量机（SVM）在样本内预测准确度较高，而随机森林在样本外表现更为稳定。
- 随机森林模型在样本外（2016-01-01~2018-02-28）的绝对年化收益为8.8%，年化超额收益为20.8%，信息比为2.34，表现稳定。

方法对比：
- 施密特正交：正交顺序不固定，存在不会被正交的初始因子。
- 规范正交：正交前后因子对应关系不稳定。
- 对称正交：计算效率高，保留因子信息更充分，正交后因子值与原始值相似度更高。
效果验证：
- 三因子组合与四因子正交组合在收益和回撤上表现几乎一致，表明正交后有效降低了因子间重复暴露的风险。
- 正交后因子相关性显著下降，接近于0，提升了外部变量对因子收益的解释能力。

分类模型：
- 逻辑回归：可输出预测概率，但处理非线性问题能力较弱。
- 决策树：直观易理解，适合非线性分类，但容易过拟合。
- 支持向量机（SVM）：适用于高维数据和小样本，处理非线性关系能力强。
参数设置：
- 训练集：2006-12-31~2015-12-31
- 测试集：2016-01-01~2018-02-28
- 换手率假设：双边0.6%
- 权重调整系数：根据R_square值判断是否调整权重。

样本内表现：
- 随机森林模型表现最佳，信息比为3.06，夏普比为1.49，年化收益高达46%。
- SVM模型次之，信息比为2.99，夏普比为1.40。
样本外表现：
- 随机森林模型表现稳定，绝对年化收益为8.8%，年化超额收益为20.8%，信息比为2.34。
- SVM模型也表现出良好稳定性，但表现略逊于随机森林。