量化模型与构建方式 1. 模型名称:基于特征归因的因子逐步调整策略 - 模型构建思路:通过对多因子组合进行特征归因,动态剔除"失效"因子,并逐步调整因子组合,以优化多因子对冲策略的效果[4][40][42] - 模型具体构建过程: 1. 因子挑选:根据过去一年的因子IC表现,从各类因子中挑选IC大于1%且有效性最高的两个,或当IC大于5%的因子作为初始因子[3][25] 2. 特征归因:对多因子组合进行归因,分析组合中各因子的有效性。假设组合在因子i上的平均暴露为Fi,全部个股在因子i上的暴露中,Fi位于第N档(假设全部个股的分档数量为M),则组合归因后因子i的实际分档为N/M[26][31] 3. 因子有效分档计算:将股票根据因子排序分为N档,计算过去一年第i个分界线之前所有股票组合相对全部股票超额收益信息比IR(i)。有效分档定义为: 其中,参数0.8和0.5为经验值,用于衡量因子有效性[27][30] 4. 动态调整策略:定义因子有效得分,其中为归因后实际分档,为因子有效分档。当时,因子有效;否则为无效。剔除无效因子后,逐个将剔除的因子重新纳入组合,若组合的平均因子有效得分提高,则保留该因子,反之剔除[43][44] 5. 最终优化:循环上述步骤,直到多因子组合趋于稳定[43][49] - 模型评价:逐步调整因子的策略能够有效改善多因子对冲策略的效果,避免因子误删或因子数量过少的问题[4][42] 2. 模型名称:主成分方法 - 模型构建思路:通过对多个因子进行合成降维,解决因子之间可能存在的多重共线性问题[35] - 模型具体构建过程: 1. 对因子进行主成分分析,提取主要成分 2. 合并相似因子,避免因子雷同导致的组合归因不清问题 3. 因子合并的依据可以是基于因子之间的统计结果或对因子的主观理解[35] - 模型评价:主成分方法能够有效解决因子相关性问题,但可能弱化对单个因子特征的分析[35] 3. 模型名称:优化模型 - 模型构建思路:通过优化模型对因子之间的相关性进行权重优化,使得组合在风险与收益之间达到平衡[36] - 模型具体构建过程: 1. 构建优化目标函数: 其中,为组合权重,为因子收益,为因子协方差矩阵,为风险厌恶系数[37] 2. 约束条件: 其中,为因子风险暴露[37] 3. 求解优化问题,得到组合权重[37] - 模型评价:优化模型注重风险控制,但相对弱化了对组合中Alpha来源的分析和识别[38] --- 模型的回测效果 1. 基于特征归因的因子逐步调整策略 - 信息比率(IR):多-指数1.65,多空1.63[4][58] - 年化收益率:多-指数11%,多空24%[4][58] - 累计最大回撤:多-指数5.3%,多空11.8%[4][58] - 月度胜率:多-指数71.9%,多空76.6%[4][58] 2. 主成分方法 - 无具体回测结果 3. 优化模型 - 无具体回测结果 --- 量化因子与构建方式 1. 因子名称:IC动量因子 - 因子构建思路:根据因子过去一年的IC表现,挑选IC大于1%且有效性最高的因子[3][25] - 因子具体构建过程: 1. 计算因子IC值:,其中为因子暴露,为个股下期收益[22] 2. 按照IC值排序,选择IC大于1%且有效性最高的因子[25] - 因子评价:IC动量因子能够有效刻画因子的线性单调性,适用于因子筛选[14][25] 2. 因子名称:有效分档因子 - 因子构建思路:通过分档计算因子有效性,确定因子在组合中的有效分档范围[27] - 因子具体构建过程: 1. 将股票根据因子排序分为N档 2. 计算过去一年第i个分界线之前所有股票组合相对全部股票超额收益信息比IR(i) 3. 定义因子有效分档为: 4. 根据有效分档结果,剔除无效因子[27][30] - 因子评价:有效分档因子能够动态调整因子组合,确保因子在组合中的有效性[27][30] --- 因子的回测效果 1. IC动量因子 - 无具体回测结果 2. 有效分档因子 - 无具体回测结果
多因子ALPHA系列报告之(十八):基于风格特征归因的动态因子策略
广发证券·2013-09-02 00:00