量化因子与构建方式 - **BL因子** - **因子构建思路**: 结合Black-Litterman模型（BL模型）和回归树模型，BL模型在不完全受限于历史数据的情况下可以加入一些主观观点，从而降低模型失效的概率[13][22] - **因子的公式**: - 资产预期回报公式： $$ \text{bl} = [Ρ′Ω^{-1}P + (τΣ)^{-1}]^{-1}[Ρ′Ω^{-1}Q + (τΣ)^{-1}Π] $$[56] - 资产协方差矩阵公式： $$ \Sigma_{\text{bl}} = \Sigma + [(\tau\Sigma)^{-1} + (Ρ′Ω^{-1}P)]^{-1} $$[57] - **文章对因子的评价**: 样本外的回测结果显示结合了回归树的BL模型整体表现相对较好，回归树视角下的宏观经济变量与大类资产回报之间的关系为主观预期提供了一定的参考价值[13][87] 因子的具体指标值 - **回报率** - BL因子: 74%[103] - 沪深300: 29%[103] - 中证时钟配置: 49%[103] - **最大回撤** - BL因子: 13.71%[103] - 沪深300: 40.56%[103] - 中证时钟配置: 7.88%[103]

- 宏观敏感性因子的选股逻辑：宏观敏感性因子（MacroBeta）用于刻画股票与宏观经济指标之间的联系，包括方向与程度。使用宏观敏感性因子选股的正确逻辑是，当预测宏观经济指标上升时，选择正敏感或高敏感的股票；反之，选择负敏感或低敏感的股票[1][7] - 宏观敏感性因子的构建：由于大多数股票对宏观因子的暴露并不显著，因此改用基于宏观敏感度系数T值的选股逻辑，选择T值大于或小于预设阈值的股票。阈值设定根据不同的宏观经济指标调整，确保有一定数量的股票被选入，并且选入的股票与宏观经济指标之间存在统计意义上的显著性[1][7][9] - 宏观敏感性因子的具体构建过程： 1. 在原始MacroBeta计算模型的基础上加入Fama-French三因子，以控制常见风格对股票收益的影响。公式如下： $$ Return_{it} = \alpha_{i,t} + MacroBeta_{i,t} \cdot F_t + B_{MKT} \cdot MKT_t + B_{SMB} \cdot SMB_t + B_{HML} \cdot HML_t + \epsilon_{i,t} $$ 其中，F表示宏观经济指标第t期的取值，Return表示第t期的股票绝对收益，MKT表示市场因子，SMB表示市值因子，HML表示估值因子[9] 2. 以月度差分的方式计算宏观经济指标F[9] 3. 选股时，选择T值大于或小于预设阈值的股票。阈值设定为T绝对值≥1.96（95%显著性水平）或T绝对值≥1.65（90%显著性水平）[9] - 宏观敏感性因子的评价：宏观敏感性因子在选股的收益预测模型中应用价值并不高，往往被应用于选股的风控模型中，基于宏观暴露敏感度对股票的权重予以约束，以避免宏观经济变化对部分关联性较强的个股所产生的负面影响[2][41] - 宏观敏感性因子的具体测试结果： 1. ppi同比：正敏感组合年化收益率11.9%，年化波动率23.2%，夏普比率0.44；若能准确预测下一期的方向，年化收益率18.9%，年化波动率20.8%，夏普比率0.83[13][14] 2. cpi同比：正敏感组合在2015年以前与cpi同比指标呈现一致性，2015年以后选股效应逐渐消失[16][17] 3. 中采制造业PMI：正敏感组合在2010年、2014年、2016年等重要拐点上与PMI指标走势一致，负敏感组合未呈现明显反向关系[19][20] 4. 贸易差额：正敏感组合与贸易差额指标表现一致，负敏感组合未呈现明显趋势特征[21][22] 5. 利率水平：正敏感组合年化收益率2.8%，年化波动率16%，夏普比率0.08；若能准确预测下一期的方向，年化收益率20.0%，年化波动率15.7%，夏普比率1.18[24][25][26] 6. 期限利差：正敏感组合与期限利差指标呈现一致性，负敏感组合未呈现反向特征[27][28][30] 7. 信用利差：正敏感组合年化收益率4.2%，年化波动率11.8%，夏普比率0.23；若能准确预测下一期的方向，年化收益率21.7%，年化波动率14.6%，夏普比率1.38[31][32][33][34][35] 8. 股市波动率：正敏感组合与股市波动率呈现一致性，负敏感组合未呈现明显趋势特征[36] 9. 金价：正敏感组合与金价走势一致，负敏感组合未呈现反向特征[37][38]

量化因子与构建方式 宏观敏感性因子（MacroBeta） - **因子名称**：宏观敏感性因子（MacroBeta） - **因子的构建思路**：通过回归模型刻画股票与宏观经济指标之间的联系[9][14] - **因子具体构建过程**： 1. **模型一**：将股票的历史超额收益对宏观经济变量进行回归，获得的回归系数称为MacroBeta $$ ExcessReturn_{it} = a_{it} + MacroBeta_{it} \cdot F_t + E_{it} $$ 其中，$F$ 表示宏观经济指标第 $t$ 期的取值，$ExcessReturn$ 表示第 $t$ 期的股票超额收益[14] 2. **模型二**：在模型一的基础上加入Fama-French三因子，以控制常见风格对股票收益的影响 $$ Return_{it} = a_{tt} + MacroBeta_{it} \cdot F_t + B_{it} \cdot MKT_t + B_{it} \cdot SMB_t + B_{it} \cdot HML_t + E_{it} $$ 其中，$Return$ 表示第 $t$ 期的股票绝对收益，$MKT$ 表示市场因子，$SMB$ 表示市值因子，$HML$ 表示估值因子[14] 3. **数据清洗与调整**：使用差分法、Surprise替代法、资产组合模拟法对宏观数据进行预处理[17][18][19] 4. **回归计算**：将个股过去60个月的超额收益对同期的模拟组合收益进行回归，获得系数作为MacroBeta[29] - **因子评价**：宏观敏感性因子只是刻画了股票与宏观经济指标之间的关系，包括方向与程度[2][50] 因子的回测效果 宏观敏感性因子（MacroBeta） - **多空收益差 - 均值**：gdp同比 0.000，工业增加值当月同比 -0.004，中采制造业PMI -0.005，固定资产投资增速累计同比 -0.001，社会消费零售总额同比 -0.001，出口同比 -0.002，进口同比 -0.000，贸易差额 0.002，cpi同比 -0.003，ppi同比 -0.004，m0同比 0.001，m1同比 0.002，m2同比 0.000，新增人民币贷款 0.006，外汇储备 -0.003，利率水平 0.003，期限利差 -0.005，信用利差 0.001，TED利差 0.005，油价涨跌幅 0.002，黄金涨跌幅 -0.002[49] - **多空收益差 - T值**：gdp同比 0.407，工业增加值当月同比 -1.615，中采制造业PMI -1.399，固定资产投资增速累计同比 -0.209，社会消费零售总额同比 -0.508，出口同比 -1.577，进口同比 -0.661，贸易差额 0.054，cpi同比 -1.343，ppi同比 -1.826，m0同比 -0.064，m1同比 0.115，m2同比 0.760，新增人民币贷款 0.333，外汇储备 -0.996，利率水平 1.034，期限利差 -1.287，信用利差 0.194，TED利差 1.219，油价涨跌幅 1.377，黄金涨跌幅 -0.407[49] - **多空收益差 - 胜率**：gdp同比 0.458，工业增加值当月同比 0.448，中采制造业PMI 0.469，固定资产投资增速累计同比 0.531，社会消费零售总额同比 0.521，出口同比 0.427，进口同比 0.500，贸易差额 0.521，cpi同比 0.438，ppi同比 0.448，m0同比 0.490，m1同比 0.479，m2同比 0.500，新增人民币贷款 0.563，外汇储备 0.521，利率水平 0.542，期限利差 0.458，信用利差 0.500，TED利差 0.442，油价涨跌幅 0.542，黄金涨跌幅 0.521[49] - **IC - 均值**：gdp同比 0.001，工业增加值当月同比 -0.010，中采制造业PMI -0.006，固定资产投资增速累计同比 -0.002，社会消费零售总额同比 -0.007，出口同比 -0.006，进口同比 -0.006，贸易差额 0.007，cpi同比 -0.014，ppi同比 -0.014，m0同比 0.000，m1同比 0.000，m2同比 0.005，新增人民币贷款 0.008，外汇储备 -0.006，利率水平 0.001，期限利差 -0.011，信用利差 -0.003，TED利差 0.011，油价涨跌幅 0.008，黄金涨跌幅 0.001[49] - **IC - T值**：gdp同比 0.126，工业增加值当月同比 -1.398，中采制造业PMI -0.750，固定资产投资增速累计同比 -0.269，社会消费零售总额同比 -1.005，出口同比 -0.933，进口同比 -0.724，贸易差额 1.132，cpi同比 -1.090，ppi同比 -1.652，m0同比 -0.027，m1同比 -0.043，m2同比 0.612，新增人民币贷款 0.879，外汇储备 -0.707，利率水平 0.118，期限利差 -1.235，信用利差 -0.466，TED利差 1.203，油价涨跌幅 1.046，黄金涨跌幅 0.104[49] - **IC - 胜率**：gdp同比 0.500，工业增加值当月同比 0.438，中采制造业PMI 0.406，固定资产投资增速累计同比 0.469，社会消费零售总额同比 0.521，出口同比 0.490，进口同比 0.479，贸易差额 0.542，cpi同比 0.458，ppi同比 0.458，m0同比 0.448，m1同比 0.448，m2同比 0.510，新增人民币贷款 0.604，外汇储备 0.521，利率水平 0.500，期限利差 0.438，信用利差 0.417，TED利差 0.473，油价涨跌幅 0.521，黄金涨跌幅 0.479[49]

量化因子与构建方式 - **套索回归因子择时模型** - **因子构建思路**：套索回归模型（Lasso）通过L1正则化实现变量选择和参数估计[10][11] - **因子的公式**： $$ \operatorname*{min}_{\beta_{0},\beta}(\frac{1}{2N}{\sum_{i=1}^{N}}{\left(y_{i}-\beta_{0}-x_{i}^{T}\beta\right)}^{2}+\lambda{\sum_{j=1}^{p}}{\left|\beta_{j}\right|}) $$ - **文章对因子的评价**：套索回归下的因子择时模型虽然无法在全区间战胜基准组合，但在因子波动较大时，因子择时会带来明显的收益补偿[14][15] - **弹性网回归因子择时模型** - **因子构建思路**：弹性网模型结合了岭回归和套索回归的优点，通过L1和L2范数的组合实现变量选择和参数估计[18][19] - **因子的公式**： $$ \operatorname*{min}_{\beta_{0},\beta}(\frac{1}{2N}{\sum_{i=1}^{N}}{\left(y_{i}-\beta_{0}-x_{i}^{T}\beta\right)}^{2}+\lambda(\alpha{\sum_{j=1}^{p}}{\left|\beta_{j}\right|}+(\frac{1-\alpha}{2}){\sum_{j=1}^{p}}\beta_{j}^{2})) $$ - **文章对因子的评价**：弹性网回归下的因子择时模型在因子权重配臵上具有极强的灵活性，表现与套索模型无明显区别[21][22] - **衰减加权因子择时模型** - **因子构建思路**：在预测因子收益时基于因子历史收益表现进行衰减加权，设定半衰期为12个月[27][28] - **文章对因子的评价**：衰减加权的因子择时模型在因子收益波动较大的时间段中，依旧具有较为灵活的因子权重分配能力[30][32] - **风格概率模型** - **因子构建思路**：通过Logistic回归，使用因子择时模型得到下一个月因子IC为正、因子回归BETA为正或者因子多空收益为正的概率[37] - **因子的公式**： $$ log{\frac{P_{t}}{1-P_{t}}}=\alpha+C_{1,t}X_{1,t}+C_{2,t}X_{2,t}+\cdots+C_{N,t}X_{N,t}+\varepsilon_{t} $$ - **文章对因子的评价**：概率预测更加直观，更容易应用到风格轮动策略上[37] 因子的回测效果 - **套索回归因子择时模型** - **年度收益**：2009年217.2%，2010年34.6%，2011年-22.5%，2012年10.3%，2013年35.1%，2014年43.0%，2015年201.7%，2016年15.0%，2017年12.3%[14] - **最大回撤**：2009年20.5%，2010年26.4%，2011年29.8%，2012年19.3%，2013年16.6%，2014年14.2%，2015年54.3%，2016年34.0%，2017年12.8%[14] - **信息比率**：2009年5.19，2010年3.46，2011年3.30，2012年2.13，2013年2.18，2014年0.39，2015年4.83，2016年3.98，2017年1.39[14] - **弹性网回归因子择时模型** - **年度收益**：2009年218.5%，2010年40.0%，2011年-23.2%，2012年10.7%，2013年34.9%，2014年41.2%，2015年198.0%，2016年14.8%，2017年11.4%[21] - **最大回撤**：2009年20.5%，2010年26.3%，2011年30.0%，2012年19.0%，2013年16.5%，2014年15.0%，2015年54.3%，2016年34.1%，2017年13.0%[21] - **信息比率**：2009年5.22，2010年4.11，2011年3.10，2012年2.25，2013年2.18，2014年0.24，2015年4.71，2016年3.83，2017年1.30[21] - **衰减加权因子择时模型** - **年度收益**：2011年-17.7%，2012年17.0%，2013年29.7%，2014年63.8%，2015年196.4%，2016年11.3%，2017年15.4%[30] - **最大回撤**：2011年28.3%，2012年19.2%，2013年17.9%，2014年13.3%，2015年53.8%，2016年33.2%，2017年8.3%[30] - **信息比率**：2011年4.34，2012年3.17，2013年1.24，2014年2.08，2015年4.49，2016年3.90，2017年1.55[30] - **风格概率模型** - **大盘风格概率预测**：大盘风格概率预测值在不同时间段的变化情况[38]

量化模型与构建方式 条件期望因子择时模型 - **模型名称**：条件期望因子择时模型 - **模型构建思路**：通过条件期望的方式对因子收益预测值进行调整，以提升因子收益预测的灵活性[1][9] - **模型具体构建过程**： 1. 构建因子择时TOP100组合与基准TOP100组合，使用相同的因子和因子加权方法，唯一不同的是因子收益预测方法[9] 2. 因子择时组合使用条件期望的方式对因子收益预测值进行调整，基准组合仅使用因子历史24个月的收益均值作为因子收益的预测值[9] 3. 公式： $$ \beta_{j,t}=\frac{1}{T}\sum_{m=1}^{T}\beta_{j,t-m} $$ 公式中，$\beta_{j,t}$表示第j个因子在t时刻的收益预测值，T表示历史窗口期[12] - **模型评价**：该模型在风格多变的市场环境中提升了因子收益预测的灵活性，但在实际使用过程中存在择时指标备选范围过窄、筛选流程复杂等问题[2][11][12] 回归法因子择时模型 - **模型名称**：回归法因子择时模型 - **模型构建思路**：通过回归模型构建因子收益的预测模型，使模型更加易于理解与应用[2] - **模型具体构建过程**： 1. 在回归法框架下，构建因子收益的预测模型，将因子收益分解为与外生变量之间的稳定相关性[12] 2. 公式： $$ \beta_{j,t}=\alpha + \sum_{i=1}^{n}\beta_{i}X_{i,t} + \epsilon_{t} $$ 公式中，$\beta_{j,t}$表示第j个因子在t时刻的收益预测值，$\alpha$为常数项，$\beta_{i}$为回归系数，$X_{i,t}$为外生变量，$\epsilon_{t}$为误差项[12] - **模型评价**：回归法因子择时模型在理解和实现上更为简单，且具有良好的扩展性[2][12] 模型的回测效果 - **条件期望因子择时模型**： - 2017年收益约为11%[1][10] - 不择时组合同期收益约为-20%[1][10] - 超额收益约为31%[1][10] 量化因子与构建方式 规模因子 - **因子名称**：规模因子 - **因子的构建思路**：使用股票对数总市值计算规模因子，因子IC越高，市场越偏好大盘股；因子IC越低，市场越偏好小盘股[17] - **因子具体构建过程**： 1. 使用股票对数总市值计算规模因子[17] 2. 公式： $$ IC = \text{log}(\text{总市值}) $$ 公式中，IC表示规模因子，log表示对数函数，总市值表示股票的总市值[17] - **因子评价**：规模因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[18] 中盘因子 - **因子名称**：中盘因子 - **因子的构建思路**：使用截面标准化后的对数总市值的平方计算中盘因子，因子值越小，股票越偏向中盘；因子值越大，股票越偏向小盘或者大盘[29] - **因子具体构建过程**： 1. 使用截面标准化后的对数总市值的平方计算中盘因子[29] 2. 公式： $$ IC = (\text{log}(\text{总市值}))^2 $$ 公式中，IC表示中盘因子，log表示对数函数，总市值表示股票的总市值[29] - **因子评价**：中盘因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[30] 流动性因子 - **因子名称**：流动性因子 - **因子的构建思路**：使用股票过去1个月日均换手率计算流动性因子，因子IC越高，市场越偏向前期高换手的股票；因子IC越低，市场越偏好前期低换手的股票[36] - **因子具体构建过程**： 1. 使用股票过去1个月日均换手率计算流动性因子[36] 2. 公式： $$ IC = \text{日均换手率} $$ 公式中，IC表示流动性因子，日均换手率表示股票过去1个月的日均换手率[36] - **因子评价**：流动性因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[37] 反转因子 - **因子名称**：反转因子 - **因子的构建思路**：使用股票过去1个月收益率计算反转因子，因子IC越高，市场动量效应越强；因子IC越低，市场反转效应越强[42] - **因子具体构建过程**： 1. 使用股票过去1个月收益率计算反转因子[42] 2. 公式： $$ IC = \text{过去1个月收益率} $$ 公式中，IC表示反转因子，过去1个月收益率表示股票过去1个月的收益率[42] - **因子评价**：反转因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[43] 波动率因子 - **因子名称**：波动率因子 - **因子的构建思路**：使用股票过去1个月收益率的FF3因素回归R方计算波动率因子，因子IC越高，市场越偏好高系统波动占比、低特质波动占比的股票；因子IC越低，市场越偏好低系统波动占比、高特质波动占比的股票[51] - **因子具体构建过程**： 1. 使用股票过去1个月收益率的FF3因素回归R方计算波动率因子[51] 2. 公式： $$ IC = R^2 $$ 公式中，IC表示波动率因子，R^2表示FF3因素回归的R方[51] - **因子评价**：波动率因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[52] 估值因子 - **因子名称**：估值因子 - **因子的构建思路**：使用股票对数PB计算估值因子，因子IC越高，市场越偏好高估值股票；因子IC越低，市场越偏好低估值股票[55] - **因子具体构建过程**： 1. 使用股票对数PB计算估值因子[55] 2. 公式： $$ IC = \text{log}(\text{PB}) $$ 公式中，IC表示估值因子，log表示对数函数，PB表示股票的市净率[55] - **因子评价**：估值因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[56] 盈利因子 - **因子名称**：盈利因子 - **因子的构建思路**：使用股票单季度ROE计算盈利因子，因子IC越高，市场越偏好高盈利股票；因子IC越低，市场越偏好低盈利股票[64] - **因子具体构建过程**： 1. 使用股票单季度ROE计算盈利因子[64] 2. 公式： $$ IC = \text{ROE} $$ 公式中，IC表示盈利因子，ROE表示股票的单季度净资产收益率[64] - **因子评价**：盈利因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[66] 盈利成长因子 - **因子名称**：盈利成长