《多因子系列报告之十：因子正交与择时，基于分类模型的动态权重配置》由会员分享，可在线阅读，更多相关《多因子系列报告之十：因子正交与择时，基于分类模型的动态权重配置（23页珍藏版）》请在金锄头文库上搜索。
1、敬请参阅最后一页特别声明 -1- 证券研究报告 2018 年 3 月 10 日 金融工程 因子正交与择时：基于分类模型的动态权重配置 多因子系列报告之十 金融工程深度 2017 年以来，一些传统的多因子选股模型遭遇了较大回撤，其中市值、 反转等因子风格转变的显著性和持续时间均超乎预期。因此，如何预测因子 的有效性并进行因子权重配置的调整成为投资者关心的课题。本文在因子择 时的方向上做出了尝试，首先为了保证择时模型的有效性，对所使用的因子 进行对称正交变换，并选择因子收益作为衡量因子有效性的指标，然后基于 宏观经济和市场状态等变量对因子收益构建分类模型预测来因子收益的方 向。 因子因子正交化正交
2、化处理有效提高预测能力。处理有效提高预测能力。 我们采用对称正交方法， 对因子进行 正交化处理。对比施密特正交和规范正交，对称正交的优势在于正交后 因子值与原始值的相似程度高于其他正交方法，且计算效率高。对因子对因子 值对称正交变换后，我们所选的外部特征变量对于因子收益的解释能力有值对称正交变换后，我们所选的外部特征变量对于因子收益的解释能力有 较为显著的提升。较为显著的提升。因子因子择时模型的主要类型：分类预测模型择时模型的主要类型：分类预测模型&条件期望模型条件期望模型。分类模型的实 现方法一般为使用决策树、逻辑回归、支持向量机等模型，对未来因子收 益的方向进行预测。条件期望模型则是基于一
3、个较为严格的假设：因子 收益与条件变量服从联合正态分布，而在常用的因子收益解释变量中这个 假设较为难以满足。因此在本篇报告中，我们主要探讨了上述三种分类预 测模型在因子择时中的应用效果。从宏观经济环境、货币政策、市场状态、因子收益及衍生变量四个角度挑从宏观经济环境、货币政策、市场状态、因子收益及衍生变量四个角度挑 选选因子收益预测的外部解释变量因子收益预测的外部解释变量。 因子的收益往往受到宏观经济环境， 货 币政策，市场状态变量，以及因子自身收益与波动的影响，因此我们从 这四大类变量中精选了包括 CPI，PPI，因子收益动量等 15 个变量，作 为因子择时模型的解释变量。模型实证效果：模型实
4、证效果：支持向量机支持向量机预测能力较强，随机森林预测能力较强，随机森林样本外样本外表现稳定表现稳定。支 持向量机模型能较好的处理小样本的预测，基于决策树的随机森林则具 有较为清晰的逻辑，同样较为适合进行因子收益预测。从样本外预测准 确率来看，支持向量机 SVM 的预测准确度更高；而从样本外因子择时 组合的收益来看，随机森林表现更胜一筹。随机森林因子收益预测随机森林因子收益预测模型表现最优：模型表现最优： 该模型构造的因子择时组合，样本 外 （2016-01-012018-02-28） 绝对年化收益8.8%， 年化超额收益20.8%, 信息比 2.34，表现较为稳定。风险提示：风险提示：测试结
5、果均基于模型，模型存在失效的风险。分析师 刘均伟 (执业证书编号：S0930517040001) 021-22169151 周萧潇 (执业证书编号：S0930518010005) 021-22167060 相关研究 因子测试框架 多因子系列报告之一 因子测试全集 多因子系列报告之二 多因子组合“光大 Alpha 1.0” 多因子系列报告之三 别开生面：公司治理因子详解 多因子系列报告之四 见微知著：成交量占比高频因子解析 多因子系列报告之五 行为金融因子：噪音交易者行为偏差 多因子系列报告之六 基于 K 线最短路径构造的非流动性因子 多因子系列报告之七 高频因子：日内分时成交量蕴藏玄机 多
6、因子系列报告之八 一致交易：挖掘集体行为背后的收益 多因子系列报告之九 2018-03-10 金融工程 敬请参阅最后一页特别声明 -2- 证券研究报告 目 录 目 录 1、 因子的正交化处理 . 5 1.1、 正交化处理方法简述 . 5 1.2、 对称正交：更合适的因子正交方法 . 7 1.3、 对称正交降低共线性的效果显著 . 8 2、 因子择时：动态因子权重配置 . 9 2.1、 择时模型：条件期望模型&分类预测模型 . 9 2.1.1、 条件期望模型：联合正态分布假设难以满足 . 9 2.1.2、 收益预测分类模型 . 10 2.1.3、 三种分类模型方法对比 . 12 2.2、 择时因
7、子的选择及正交化 . 13 2.2.1、 以正交因子的因子收益作为择时对象 . 13 2.3、 择时变量的选择 . 14 2.4、 正交变换后外部变量解释能力显著提升 . 16 2.5、 SVM、Random Forest 更为稳定 . 17 3、 投资建议 . 21 4、 风险提示 . 21 2018-03-10 金融工程 敬请参阅最后一页特别声明 -3- 证券研究报告 图图目录目录 图 1：对称正交可有效降低共线性对于组合表现的影响 . 8 图 2：逻辑回归模型的分类原理示意 . 10 图 3：决策树及其提升方法 . 11 图 4：CART 模型示例（市值因子的预测模型可视化） . 11 图 5：CART 模型示例（动量因子的预测模型可视化） . 11 图 6：SVM 示意图（应用高斯核函数） . 12 图 7：正交化前后特征变量对因子的解释能力有所提高 . 16 图 8：三种分类模型的样本内预测准确度 .
