20180928-中邮证券-数量化专题之六_风格中性多因子有效性测试之技术因子_13页_1mb

报告摘要

近期研报总结

核心内容概述

本系列研报围绕“风格中性多因子选股策略”展开，重点分析了多因子模型的构建、因子有效性测试及策略优化方法。报告旨在通过因子数据预处理、单因子测试流程、因子IC值分析以及分层模型回测等手段，识别具有稳定收益预测能力的因子，从而构建风格中性的投资组合，以期获得稳健的超额收益。

主要观点

多因子模型的重要性
多因子选股策略是量化投资中的经典模型，广泛应用于海内外投资机构。其核心在于通过识别多个因子对股票收益率的解释能力，实现对投资组合的优化管理。
风格中性策略的必要性
由于市值风格特征可能对策略表现产生重大影响，因此需在模型中引入市值中性、行业中性及风格因子中性等约束条件，以提升策略的稳健性。
因子有效性测试方法
报告提出了三种因子有效性测试方法：
- 回归法：通过因子暴露度与未来收益进行线性回归，计算因子收益率及显著性。
- 因子IC值分析：评估因子对股票未来收益的预测能力，包括IC均值、标准差、IR比率及IC值累积曲线等指标。
- 分层回测：通过将股票按因子值分层，测试不同分层组合的收益表现，以判断因子单调性。
因子分类与作用
- 收益类因子：因子收益率序列的t值显著不为零，方向性明确，是多因子模型超额收益的主要来源。
- 风险类因子：因子收益率序列的t值接近零，方向性不明确，需在模型中严格控制其风险暴露。
因子数据预处理
- 去极值：采用调整后的箱线图法（Hubert & Vandervieren, 2007）处理数据，以剔除异常值。
- 标准化：将因子暴露度序列标准化为近似服从标准正态分布，以增强不同因子之间的可比性。
- 加权最小二乘回归（WLS）：采用流通市值的平方根作为权重，以减少小盘股对回归结果的扭曲影响。
因子评价指标
- t值序列的均值：判断因子的显著性。
- t值序列中绝对值大于2的比例：判断因子显著性是否稳定。
- IC值序列的均值与标准差：衡量因子对收益的预测能力和稳定性。
- IR比率：IC均值与标准差的比值，用于评估因子的有效性。
- IC值累积曲线：反映因子随时间变化的效果是否稳定。

关键信息

一、因子测试流程

回归法：
- 回归模型为：$ r_i^{T+1} = \sum_j X_j^T f_{ji}^T + X_d^T d_i^T + \mu_i^T $
- 回归系数 $ X_d^T $ 代表因子 $ d $ 在第 $ T $ 期的因子收益率。
- t值大于2认为因子在该期对下期收益率有显著解释能力。
因子IC值计算：
- 采用残差法计算IC值，以消除行业和市值因素的影响。
- IC值反映因子对股票未来收益的预测能力，IR比率为因子有效性的重要指标。
分层回测：
- 按因子值对股票进行分层，构建不同组合进行回测，以判断因子单调性。
- 分层回测法能直观评估因子对组合收益的影响。

二、因子分类

类型	特点	作用
收益类因子	因子收益率序列t值显著不为零，方向性明确	超额收益的主要来源
风险类因子	因子收益率序列t值接近零，方向性不明确	风险控制的重点，需严格控制暴露

三、因子检验示例（EMA10因子）

t值序列：
- 均值为3.2169，大于2，说明因子具有显著性。
- 大于2的占比为61.11%，表明因子显著性较为稳定。
- 均值的绝对值除以标准差为0.6801，辅助判断因子是否有效。
IC值序列：
- 均值为0.0420，标准差为0.0616，IR比率为0.6815。
- 大于零的占比为77.78%，说明因子作用方向较为稳定。

四、测试参数

股票池：全A股，剔除ST股票及停牌股票。
回溯区间：2011-01-01至2018-08-24（单因子测试）；2017-01-01至2018-06-01（分层回测）。
截面期：每个自然月最后一个交易日计算因子暴露度，与下一个月个股收益进行回归。

风险提示

单因子测试结果为历史经验总结，可能存在失效风险。
回归法未对市值因素进行调整，需在后续模型中考虑。

附：中邮证券投资评级标准

产品类型	投资评级标准
股票	推荐（>20%）、谨慎推荐（10%-20%）、中性（-10%~10%）、回避（< -10%）
行业	强于大市（>5%）、中性（-5%~5%）、弱于大市（< -5%）
可转债	推荐（>10%）、谨慎推荐（5%-10%）、中性（-5%~5%）、回避（< -5%）