西学东渐之六十三实证篇：基于外生变量的因子择时新方法兴业证券-12页_605kb

报告总结

核心内容

本报告基于Drobetz W于2019年发表的论文《Optimal Timing and Tilting of Equity Factors》，提出了一种使用外生变量构建因子择时策略的新方法，并通过A股数据进行实证分析。该方法称为Parametric Portfolio Policy（PPP），通过对因子权重进行参数化设计，实现因子择时策略的优化。

主要观点

• 因子择时策略：因子择时的核心在于对因子权重进行动态配置，以提升投资组合的表现。
• PPP方法优势：
  • 更全面：PPP方法隐含考虑外生变量对因子收益均值与协方差矩阵的影响。
  • 更简单：无需估计协方差矩阵，简化了模型构建。
  • 更具效率：仅需估计N个参数即可得到最优权重，显著提升计算效率。
• 模型分类：根据信息来源，将因子择时模型分为时序模型与横截面模型两类。

关键信息

投资要点

• 时序模型：
  • 合成因子IC均值为12.56%，IC_IR为1.00，优于等权基准（12.19%、0.81）。
  • 多空组合的夏普比率从2.08提升至2.84，说明在风险控制方面表现更佳。
• 横截面模型：
  • 合成因子IC均值为12.90%，IC_IR为0.82，IC均值提升优于时序模型，但IC_IR提升不及时序模型。
  • 多空组合的年化收益率为42.54%，夏普比率为2.20，但仍低于时序模型。
• 变量筛选：
  • 保留2个主成分时，时序模型合成因子的IC均值进一步提升至12.99%，IC_IR为1.04。
• 滚动模型：
  • 滚动模型的效果逊于拓展模型，更多的样本量有助于模型表现的提升。

因子择时标的

• 选取七个常用风格因子作为因子择时标的，具体包括：
  • BP_LR（价值）
  • RTN_20D（动量反转）
  • NetProfit_SQ_QoQ（成长）
  • ROE_TTM（质量）
  • Turnover_20D_Avg（流动）
  • FloatCap（规模）
  • RealizedVolatility_240D（风险）
• 所有因子在等权合并前进行了分位数标准化处理。

外生变量设定

• 宏观经济变量：包括经济增长、价格水平、货币环境、国际贸易、利率水平等类别，如CPI同比、PPI环比、M0同比、美元兑人民币汇率等。
• 市场状态变量：包括市场表现、流动性、波动率、估值、市场风格、跨市场联动等，如MA20、Above MA20、Illiquidity、ADT_1m、ADV_1m、Market Realized Vol 1m等。
• 因子特征变量：
  • 风格因子特征差值（如Value Spread1、Vol Spread等）。
  • 风格因子业绩指标（如12m IC mean、12m IC std）。

模型构建方法

• 时序模型：基于宏观经济和市场状态变量进行建模，使用主成分分析（PCA）降维，保留第一主成分。
• 横截面模型：基于因子自身特征指标进行建模，外生变量处理与动态模型选择方式与时序模型一致，但建模起点调整为2007年1月。
• 拓展模型：以2005年1月为固定起点，每月滚动建模，剔除缺失值并进行Zscore标准化处理。
• 滚动模型：采用不同滚动周期（12月、30月、60月、90月）进行建模，效果不如拓展模型。

模型表现

风险提示

• 报告中的结果基于历史数据统计、建模和测算完成，不保证未来表现。
• 在政策或市场环境发生变化时，模型可能存在失效风险。

结论

本报告为投资者提供了一种基于外生变量的因子择时新方法，具有良好的可拓展性。通过实证分析，发现该方法在A股市场中能够超越等权基准，具有一定的实践意义。此外，通过变量筛选和样本选择的优化，进一步提升了模型的性能。