《-多因子ALPHA系列报告之(十四)：基于情景分析的多因子ALPHA策略-2012-11-16.ppt》由会员分享，可在线阅读，更多相关《-多因子ALPHA系列报告之(十四)：基于情景分析的多因子ALPHA策略-2012-11-16.ppt（20页珍藏版）》请在金锄头文库上搜索。
1、,Table_Title,Table_Header1,证券研究报告_XX,月月 日,Tab_A orleuth,Table_Summary,Table_FooterContact,Table_Top,Table_AuthorTemp 15306 基于情景分析的多因子 Alpha 策略 16274 多因子 Alpha 系列报告之（十四）,证券研究报告_量化投资专题 2012年 611 1416 日,罗军 首席分析师 电话：020-87555888-8655,Table_Temp,eMail： 执业编号：S0260511010004 Alpha 因子存在分层效应 前期报告考虑非线性特征的多因子Al
2、pha策略中，我们统计发现某些风格因子存在明显的非线性特征， 本文则进一步分析了因子的分层效应，根据每个因子的“分层强度”得到6个分层因子分别为：ROE(代表盈利因 子)、总资产增长率(代表成长因子)、一个月成交金额(代表流动性因子)、一个月股价反转(代表股价涨幅因子)、 流通市值(代表规模因子)、EP(代表估值因子)。 上述每个分层因子的按照暴露程度大小均可分为高、低两种情况，从而将全部股票分为12种特征情景。对于 每一种不同的情景，我们将根据该情景下因子IC的绝对值来决定其权重的高低。 采用分层因子描述个股情景特征 选股好比于我们在评价一个人的衣着是否好看，显然每个人适用的衣服大小和款式各
3、不相同，一个好的裁缝 会根据每个人的身材特点定制合身的衣服；同样道理，一个好的选股策略应该区分股票独有的特征，采用不同的 评价模式来对其进行打分，例如个股属于什么行业行业，是否属大市值股票，是否负债较高或者是否处于快速成 长期等。 报告中采用了6个分层因子将个股的特征划分为12种情景类型，对于不同的情境类型，股票所对应的因子加 权模式都各不相同，而一只股票可能具有多项显著特征，例如某只股票既属于大股票，同时又具备低估值的特点， 因此不同个股的加权模式并不仅对应某一种情景下的因子加权模式，而应该是多种加权模式的综合，报告分别设 计了“排序打分法”以及“连续打分法”来实现对个股属于不同特征的加权。
4、 因子情景加权模型显著提高 Alpha 策略收益 基于因子情景加权矩阵以及个股的特征矩阵便可构建情景加权多因子Alpha策略，并与因子等权Alpha模型及 因子IC加权Alpha模型进行比较，对比结果显示情景模型显著地提高了多因子Alpha策略的收益，同时模型在各阶 段的表现更加具有稳定性。 多因子情景策略样本外（2011年以来）年化收益率接近11%，相比样本内显然有大幅度下降，但同时对冲组 合的最大回撤也降低至10%左右。其中2011年由于风格因子在截面上的重心发生了较大偏离，导致超配组合难以 大幅度领先股指，因而策略表现较差，年化收益率仅7.2%；而今年以来策略表现有了明显改善，截止10月
5、底累 计收益为12.8%，年化15.4%，最大回撤仅4.5%。 这意味着传统的多因子模型具有较大的改进空间，因子之间不能简单地等同处理，应该根据因子所处的环境 以及因子的有效性来调整其权重；此外，个股之间也应该根据其显著的特征来为其定制合适的因子加权机制。 情景分析法对截面处理更加充分 本报告是前期报告考虑非线性特征的多因子Alpha策略的进一步延伸，报告继承了上一篇中对因子及个 股的截面线性特征的质疑，并采用了更加细致的截面分解方法。但两种方法各有异同：一方面，两种方法的本质 都是通过对样本进行分层从而解决因子的非线性问题；另一方面，非线性模型中仅为每个因子挑选一个控制变量 （即分层因子），
6、因子权重只受单个分层因子影响；而情景加权模型则同时考虑一个分层因子对所有因子的影响， 每一类分层因子所衍生出的情景类型，都对应着所有Alpha因子的最优权重。 广发证券公司或其关联机构可能会持有报告中所涉及的公司所发行的证券并进行交易，亦可能为这些公司提供或争取提供承销等服 务。本报告中所有观点仅供参考，并请务必阅读正文之后的免责声明。,本报告联系人：史庆盛,,(一),(二),(一),(二),(一),(二),Table_Header2,量化投资专题,目录 一、 引言 4 二、 因子分层效应 5 因子分层效应分析 . 5 因子情景加权矩阵 . 11 三、 股票情景特征描述 11 排序分档打分法
7、. 12 连续函数打分法 . 14 四、 情景加权多因子策略 . 15 多因子策略构建方法 . 15 情景策略效果 . 16 五、 总结 19 Table_Header3,识别风险，发现价值,2012-11-16 第 2 页,图,图,图,图,图,图,图,图,图,图,图,图,图,图,图,图,图,表,表,表,表,表,表,表,Table_Header2,量化投资专题,图表目录 1.因子分层效应示意图 . 4 2.因子对单因子分层效应示意图 . 5 3.因子对多个因子分层效应示意图 . 6 4.因子分层强度统计 . 7 5. “ROE”因子分层效应 8 6. “总资产增长率”因子分层效应 8 7. “
8、一个月成交金额”因子分层效应 9 8. “一个月涨幅”因子分层效应 9 9. “流通市值”因子分层效应 10 10. “EP”因子分层效应 10 11.情景分析方法与传统方法比较示意图 . 12 12.排序分档打分示意图 . 12 13.“工商银行”与“圣农发展”特征比较 13 14.连续打分示意图 . 14 15. “工商银行”与“七匹狼”特征比较 . 15 16.不同因子加权策略表现对比 . 17 17.多因子情景加权策略表现 . 18 1.分层效果较佳的因子 . 7 2.因子情景加权矩阵 . 11 3.排序打分法的股票情景特征 . 13 4.排序打分法的股票情景特征 . 14 5.样本内
9、挑选 Alpha 因子 . 16 6.不同因子加权策略表现对比 . 17 7.多因子情景加权策略表现 . 18 Table_Header3,识别风险，发现价值,2012-11-16 第 3 页,Table_Header2,量化投资专题,一、 引言 多因子Alpha策略的一个关键环节是为因子配权，常用的方法是对所有股票均采用 因子平均加权法，然而该方法存在两个方面的问题： (1) 每只股票具有其独有的特征 选股好比于我们在评价一个人的衣着是否好看，显然每个人适用的衣服大小和款 式各不相同，一个好的裁缝会根据每个人的身材特点定制合身的衣服；同样道理，一 个好的选股策略应该区分股票独有的特征，采用不
10、同的评价模式来对其进行打分，例 如个股属于什么行业行业，是否属大市值股票，是否负债较高或者是否处于快速成长 期等。 因此，对每个股票采用同一的评价标准有时候无异于削足适履，付出的将是血的 代价！ (2) 因子存在分层效应 在前期报告考虑非线性特征的多因子Alpha策略中，我们统计发现某些风格因 子存在明显的非线性特征，且可以通过对风格因子F 1 进行层次分解来解决因子F 2 的非线 性问题，我们称因子F 1 对因子F 2 具有分层效应。 图 1.因子分层效应示意图 大股票看估值 小股票看价量 数据来源：广发证券发展研究中心，Wind数据库 例如，大市值股票中我们可以通过观察其估值水平来评价其是
11、否值得投资，而对于 小市值股票则更多地应该关注其流动性，并更多的从技术角度对其进行分析，如图1所 示。类似的，对于短期内股价快速上涨的股票，从中挑选一些盈利较为稳定的个股进行 配置有利于风险的控制；而对于短期内深跌的个股，则可以从中挑选弹性较强的小盘股 进行配置。 以上我们提到应该区分个股的独有特征，同时考虑因子的分层效应，在此基础上为 Table_Header3,识别风险，发现价值,2012-11-16 第 4 页,Table_Header2,量化投资专题,不同的个股采用不同的因子加权机制，这便是所谓的情景分析方法，基于情景分析构建 的多因子模型成为多因子情景加权Alpha模型。 本文将通过
12、分别解决上述两大问题，致力于搭建一个多因子情景加权Alpha模型。 报告按如下书写结构： 第1节：引言部分，提出传统的多因子加权方法存在的问题，并引入情景模型的概 念； 第2节：分析了风格因子的分层效应，并采用“分层强度”来刻画每个风格因子的分 层效应强度，从中挑选了6个因子用于区分不同股票所属的特征情景，同时得到不同情 景下对应的因子权重分布矩阵； 第3节：基于上节所挑选的6个分层因子，分别采用离散和连续的方法构建了个股的 特征描述体系，从而得到每个个股的特征矩阵。 第4节：结合因子情景加权矩阵以及个股的特征矩阵实现对个股进行因子情景加权， 构造多因子情景Alpha策略。 第5节：总结及展望
13、 。 二、 因子分层效应 (一) 因子分层效应分析 在前期报告考虑非线性特征的多因子Alpha策略中，我们统计发现某些风格因 子存在明显的非线性特征，且可以通过对风格因子F 1 进行层次分解来解决因子F 2 的非线 性问题，我们称因子F 1 对因子F 2 具有分层效应，F 1 为分层因子。 图 2.因子对单因子分层效应示意图 数据来源：广发证券发展研究中心，Wind数据库 报告考虑非线性特征的多因子Alpha策略中，对于同一个风格因子我们只考虑 对其有效性影响最大的分层因子，下面我们将统计因子是否同时对多个因子具备分层 效应。 Table_Header3,识别风险，发现价值,2012-11-1
14、6 第 5 页,+, ,(1),IC,Table_Header2,量化投资专题,图 3.因子对多个因子分层效应示意图 数据来源：广发证券发展研究中心，Wind数据库 以规模因子为例，我们将全部股票分为大盘股和小盘股两部分样本，在不同样本中 测算各类因子的有效性（以IC绝对值度量），图3显示统计结果为：大盘股中盈利、质 量以及估值因子的IC明显提高，而在小股票中有效性得到显著提高的因子是流动性因子 及杠杆因子，可见规模因子同时对多个因子具有明显的分层效应。 那么如何刻画一个因子分层效应的强弱呢？假设第i个因子作为分层因子F i ，基于F i 我们对每个Alpha因子f j 测算其不同样本下的有效
15、性， j 代表Alpha因子f j 因子在全样本中 的有效性，IC ij 代表Alpha因子f j 在高F i 样本中的有效性，IC ij - 代表Alpha因子f j 因子在低F i 样本中的有效性。 以ICj, ICj+, ICj-的离差DEVij代表Fi对fj的分层效应强度： DEVij std ( IC j , ICij , ICij ) DEVi表示分层因子Fi的分层强度：,j N DEVi DEVij N j 1 其中，N为alpha因子的数量。 下面我们分别列出各个因子的分层强度，如图4所示：,Table_Header3,(2),识别风险，发现价值,2012-11-16 第 6
16、页,2,3,4,Table_Header2,量化投资专题,图 4.因子分层强度统计 数据来源：广发证券发展研究中心，Wind数据库 根据每个因子的分层强度，分别各类风格因子中挑选分层强度最高的作为该类因子 的代表，用于刻画个股的某一维度的特征，分别得到6个分层因子： ROE(代表盈利因子)、总资产增长率(代表成长因子)、一个月成交金额(代表流动性 因子)、一个月股价反转(代表股价涨幅因子)、流通市值(代表规模因子)、EP(代表估值因 子)。 表 1.分层效果较佳的因子,编号 1 5 6,分层因子 ROE 总资产增长率 一个月成交金额 一个月股价反转 流通市值 EP,因子类别 盈利 成长 流动性 涨跌幅度 规模 估值,数据来源：广发证券发展研究中心，Wind数据库 下面，我们分别来观察这6个因子对各类风格因子产生的分层效应： Table_Header3,识别风险，发现价值,2012-11-16 第 7 页,Ta
