量化模型与构建方式 1. 模型名称:多因子模型的纯多头组合 - 模型构建思路:通过选取预期收益最高的N只股票构建等权组合,并尝试通过调整因子收益计算方式(如多头加权法)提升组合表现[9][10] - 模型具体构建过程: 1. 利用截面回归法计算股票的预期收益: - 先计算过去N期多因子模型中每个因子的回归系数 - 取回归系数的均值作为因子收益 - 将当期每个股票的因子值乘以对应因子收益并求和,得到股票的预期收益[9] 2. 因子值经过标准化和去极值处理,回归得到的因子收益等价于因子IC除以当期所有股票收益率的标准差[9] 3. 针对因子IC的来源问题,提出多头加权法,即在计算因子收益时,给多头股票更高权重,削弱多头端选股效果较差因子的影响[10] - 模型评价:多头加权法可以在一定程度上提升组合的年化收益和信息比率(IR),但其效果依赖于因子在多头端的选股能力[10] 2. 模型名称:最低权数分组加权法 - 模型构建思路:通过对股票收益率分组并设定最低权数,限制低收益组与高收益组权重差距,优化组合表现[12][13] - 模型具体构建过程: 1. 股票收益率分组:使用k-median算法将股票收益率分为N组(N=股票总数/100)[12] 2. 权重计算公式: - :股票i的权重 - :设定的最小权数(如0.9) - :股票i所在分组的权数[12] 3. 设定为0.9,保证低收益组与高收益组权重差距不超过90%[13] - 模型评价:最低权数分组加权法在纯多头组合中有效提升了年化收益和IR,但在指数增强组合中效果有限[13][29] 3. 模型名称:基于蒙特卡洛模拟的加权法 - 模型构建思路:通过蒙特卡洛模拟计算股票进入组合的概率,调整权重参考系数以优化组合表现[39][40] - 模型具体构建过程: 1. 模拟过程: - 以过去一周所有股票收益率为基准,等分为100组,设定每组的收益率区间上下界[41] - 进行M=10000次蒙特卡洛模拟,生成不同的股票预期收益向量,求解满足约束条件的组合权重向量[40][42] 2. 权重参考系数: - 权重参考系数为M次模拟中某股票权重的加和 - 调整权重参考系数极大值和极小值的股票权重,优化组合表现[45] - 模型评价:该方法在沪深300和中证500增强组合中均提升了年化超额收益和IR,尤其在近两年效果显著[50][56] --- 模型的回测效果 1. 多因子模型的纯多头组合 - 年化超额收益:等权24.5%,最低权数分组加权25.6%[14] - 信息比率(IR):等权2.656,最低权数分组加权2.726[14] 2. 最低权数分组加权法(考虑交易成本) - 年化超额收益:等权13.4%,最低权数分组加权13.7%[22] - 信息比率(IR):等权1.480,最低权数分组加权1.524[22] 3. 基于蒙特卡洛模拟的加权法 - 沪深300增强组合: - 年化超额收益:等权11.9%,蒙特卡洛模拟加权13.5%[50] - 信息比率(IR):等权2.656,蒙特卡洛模拟加权2.733[50] - 中证500增强组合: - 年化超额收益:等权22.9%,蒙特卡洛模拟加权23.4%[50] - 信息比率(IR):等权4.136,蒙特卡洛模拟加权4.241[50] 4. 基于蒙特卡洛模拟的加权法(考虑交易成本) - 沪深300增强组合: - 年化超额收益:等权5.3%,蒙特卡洛模拟加权6.5%[54] - 信息比率(IR):等权1.521,蒙特卡洛模拟加权1.786[54] - 中证500增强组合: - 年化超额收益:等权11.8%,蒙特卡洛模拟加权12.4%[54] - 信息比率(IR):等权2.357,蒙特卡洛模拟加权2.498[54] --- 量化因子与构建方式 1. 因子名称:ROE、SUE、分析师高评分数等12个因子 - 因子构建思路:通过市值、非线性市值、估值及行业中性化处理,逐次正交化后计算因子收益[11] - 因子具体构建过程: 1. 对因子值进行标准化和去极值处理[9] 2. 使用加权最小二乘回归法计算因子收益,权重由股票历史收益率分组后确定[11][12] 3. 因子权重公式: - :因子i的回归系数(因子收益)的绝对值[15] - 因子评价:调整因子权重后,多头超额收益占比有所提升,但部分因子权重变化对收益贡献有限[17] --- 因子的回测效果 1. 因子收益加权前后表现 - 多空收益:等权1.77%,最低权数分组加权1.75%[17] - 多头超额收益:等权0.41%,最低权数分组加权0.44%[17] - 多头超额占比:等权23.4%,最低权数分组加权25.0%[17]
20231227_海通证券_金融工程专题_余浩淼_选股因子系列研究(九十二)——组合约束对其收益表现的影响分析(1)
海通证券·2023-12-27 00:00