量化模型与构建方式 1. 模型名称：基于因子多项式形式的Alpha模型 - 模型构建思路：通过构造因子的多项式形式（如二阶或三阶多项式）来替代因子的线性形式，以改善因子与股票收益之间的非线性关系[3][24][25] - 模型具体构建过程： - 因子的三次多项式模型公式为： 其中，、、、为多项式系数，通过最小二乘法拟合得到[24][25] - 对因子进行非线性转化后，重新计算因子与股票收益的关系，并验证其改善效果[27][28] - 模型评价：该方法原理简单，操作性强，但依赖于历史数据的挖掘，缺乏严谨的经济逻辑解释[23][99] 2. 模型名称：引入附加因子的Alpha模型 - 模型构建思路：通过引入附加因子（如流通市值）来解释因子的非线性特征，并构造虚拟变量以改善因子与股票收益的关系[4][75][78] - 模型具体构建过程： - 以换手率因子为例： - 首先发现换手率因子在不同市值样本中与股票收益的关系显著不同[4][75] - 引入流通市值作为附加因子，构造虚拟变量，在高市值和低市值样本中分别取值为0和1[4][75] - 调整后的因子模型公式为： 其中，、、为回归系数，为原始因子暴露值[78] - 对其他因子（如EP、成交金额等）采用类似方法，引入附加因子并验证改善效果[82][85][88] - 模型评价：该方法具有较强的经济解释力，改善效果显著，但需要大量因子配对比较，工作量较大[4][99] --- 模型的回测效果 1. 基于因子多项式形式的Alpha模型 - 非线性多因子策略（不考虑线性变换）： - 样本内（2007-2011）：年化收益率12.46%，年化波动率14.44%，IR为0.86，最大回撤14.62%[63] - 样本外（2012）：年化收益率17.93%，年化波动率11.19%，IR为1.60，最大回撤2.36%[63] - 非线性多因子策略（考虑线性变换）： - 样本内（2007-2011）：年化收益率19.36%，年化波动率13.07%，IR为1.48，最大回撤15.33%[67] - 样本外（2012）：年化收益率19.19%，年化波动率8.97%，IR为2.14，最大回撤2.26%[67] 2. 引入附加因子的Alpha模型 - 多因子策略（不考虑附加因子）： - 样本内（2007-2011）：年化收益率28.25%，年化波动率17.16%，IR为1.65，最大回撤9.66%[97] - 样本外（2012）：年化收益率12.91%，年化波动率10.42%，IR为1.24，最大回撤1.77%[97] - 多因子策略（考虑附加因子）： - 样本内（2007-2011）：年化收益率30.90%，年化波动率15.43%，IR为2.00，最大回撤8.23%[96] - 样本外（2012）：年化收益率17.20%，年化波动率11.01%，IR为1.56，最大回撤1.70%[96] --- 量化因子与构建方式 1. 因子名称：资产负债率因子 - 因子的构建思路：资产负债率因子在高低两端表现较差，中间表现较好，需通过多项式调整改善其线性特征[27][28] - 因子具体构建过程： - 对资产负债率因子进行三次多项式拟合，调整因子暴露值[24][27] - 调整后重新计算因子与股票收益的关系，并验证改善效果[27][28] - 因子评价：调整后因子的线性特征显著改善[27] 2. 因子名称：换手率因子 - 因子的构建思路：换手率因子在低换手率区间存在非线性特征，需通过多项式调整或引入附加因子改善[30][79] - 因子具体构建过程： - 多项式调整：对换手率因子进行三次多项式拟合，改善其线性特征[30] - 引入附加因子：将流通市值作为附加因子，构造虚拟变量并调整因子模型[75][78] - 因子评价：调整后因子的单调性和有效性显著提高[30][79] 3. 因子名称：EP因子 - 因子的构建思路：EP因子在低EP区间存在非线性特征，需通过多项式调整或引入附加因子改善[34][82] - 因子具体构建过程： - 多项式调整：对EP因子进行三次多项式拟合，改善其线性特征[34] - 引入附加因子：将流通市值作为附加因子，调整因子模型[82] - 因子评价：调整后因子的单调性和有效性显著提高[34][82] --- 因子的回测效果 1. 资产负债率因子 - 调整前：年化收益率-0.5%[27] - 调整后：年化收益率3%[27] 2. 换手率因子 - 调整前：年化收益率21.7%[30] - 调整后：年化收益率28.4%[30] 3. EP因子 - 调整前：年化收益率11%[34] - 调整后：年化收益率13.5%[34]
多因子ALPHA系列报告之(十三)：考虑因子非线性特征的多因子ALPHA策略
广发证券·2012-09-19 00:00