广发证券首席金工分析师 安宁宁 anningning@gf.com.cn 广发证券联席 首席 金工分析师 陈原文 chenyuanwen@gf.com.cn 联系人：广发证券金工高级研究员 林涛 gflintao@gf.com.cn 广发金工安宁宁陈原文团队 摘要 因子择时： 近年来，随着数据源的极大丰富以及计算能力的指数级提升，金融市场中涌现出了数量庞大且复杂度不断提升的因子。然而，业内也逐渐形 成了一个共识：因子的有效性具有显著的时变性。因此，如何在不同市场环境下动态选择有效的因子，已成为提升多因子策略收益稳定性的核心挑战之 一。 基于此，本文聚焦于因子择时问题。具体而言，本文系统性地构建并评估了数十个具有代表性的择时信号，以探讨因子择时的可行性与潜在盈利能力。研 究思路上，本文首先分别检验了92个择时信号对77个Alpha因子和10个Barra风格因子的择时有效性；然后探讨了如何采用多个择时信号构建单一择时标 的；最后探究了如何在多因子投资组合框架下实现动态择时。 择时信号有效性检验： 从统计情况来看，92个择时信号与各因子下期多头收益的相关系数均值达15%以上，在深度学习、Level-2、分钟频、Ba ...

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：最优因子择时投资组合模型 **模型构建思路**：通过整合大量因子与预测变量构建择时策略，利用收缩技术防止过拟合[3] **模型具体构建过程**： - 使用Ledoit-Wolf协方差矩阵收缩估计量，计算最优收缩强度[25] - 采用Kozak-Nagel-Santosh收缩方法变体估计权重，公式为： $$\hat{W}_{t}=\left(\hat{\Sigma}_{t}+\hat{\overline{t}}_{t}\left[\begin{array}{cc}0&0\\ 0&\hat{D}_{t}\end{array}\right]\right)^{-1}\hat{\mu}_{t}$$ 其中前K个元素为原始因子平均收益，剩余为因子-预测变量组合收益[27] - 权重重新缩放使原始因子绝对权重之和为1[30] **模型评价**：收缩机制有效避免高维环境下的虚假择时信号[2] 2. **因子名称**：因子择时投资组合因子 **因子构建思路**：将因子收益与滞后预测变量交互形成择时信号[19] **因子具体构建过程**： - 定义标准化预测变量$X_{t-1}$和因子收益$F_t$ - 构建叉积因子：$$G_{t}=X_{t-1}F_{t}$$ 当$X_{t-1}$为正时做多因子，为负时做空[19] - 期望收益取决于预测变量与因子收益的协方差：$$E\left[G_{t}\right]=\mathrm{Cov}\left(X_{t-1},F_{t}\right)$$[21] **因子评价**：将时间序列预测转化为横截面组合优化问题[23] 模型的回测效果 1. **Fama-French因子择时模型**： - 年化收益4.71%，波动率5.81%，夏普比率0.81[40] - 评估比率0.79，最差12月收益-5.62%[41] - 60个月滚动夏普比率持续优于静态组合[46] 2. **Jensen因子择时模型（小预测集）**： - 年化收益2.97%，波动率2.01%，夏普比率1.48[64] - 扣除交易成本后夏普比率1.35[78] 3. **Jensen因子择时模型（大预测集）**： - 年化收益2.73%，波动率1.91%，夏普比率1.43[71] - 无收缩时夏普比率降至0.81[71] 量化因子与构建方式 1. **宏观预测因子**： - 包含实际1年期收益率、收益率曲线斜率(5y-1y)、Baa级债券与国债利差等6个变量[38] - 标准化为z值后与因子收益交互[36] 2. **因子特定预测因子**： - 基础变量：3个月收益、12个月收益、3个月日波动率[38] - 特征价差：B/M价差、资产增长价差、盈利能力价差[38] - 对Jensen因子集扩展至128个特征价差[38] 因子的回测效果 1. **收益率曲线斜率交互因子**： - 在Fama-French组合中权重排名第一[52] - 与盈利能力因子组合贡献显著超额收益[52] 2. **3个月市场收益交互因子**： - 与规模因子组合权重排名第二[52] - 捕捉市场动量对规模因子的预测效果[52] 3. **盈利能力价差因子**： - 在Jensen因子集中出现频率最高[68] - 与宏观变量组合形成稳定择时信号[68] 注：所有结果均基于1965-2022年月度数据，采用滚动窗口验证方法[31][32]