基于因子IC的多因子模型.pdf

Table_ Title 2013 年5 月3 日 多因子系列报告之一：基于因子IC 的多因子模型 Table_Su mm ary ■报告摘要一：我们使用“通过因子IC 优化复合因子IR”的方式 来配臵因子权重构造多因子模型，模型在 A 股市场上有非常好的 区分效果。 ■报告摘要二：在2005 年初至2012 年末的样本外时间段，最高得 分组合在等权重和流通市值加权的情况下累计净值分别为11.31 和 5.11 ，信息比率分别为1.04 和1.01 ，同期沪深300 指数累计净值为 2.52 。 ■报告摘要三：通过最高得分组合和最低得分组合构造多空组合。 在2005 年初至2012 年末的样本外时间段上，等权和流通市值加权 情况下多空组合累计净值分别为9.90 和3.51 ，信息比率分别为4.15 和1.23。 ■报告摘要四：考察得分最高的100 个股票形成的组合的特点，发 现不同行业的股票在组合中所占比例分布比较平均；平均流通市值 和全市场平均流通市值基本一致，但二者均大幅低于沪深300 的平 均流通市值；每月换手率均在50%左右，属于较高水平。 ■风险提示：本文所得结论均为基于历史数据的测试结果，模型在 过去市场中有效并不能保证在未来也持续有效。 1 报告类型/股票名称 多因子模型是一种常用的选股模型，多因子模型的构建一般分为回归法和打分法两 类。打分法是指选用若干能够对股票收益产生预测作用的因子，之后根据股票的每个因 子值在截面上的相对位臵给出股票在该因子上的得分，然后按照一定的权重将每个股票 的各个因子得分相加从而得到该股票的最终得分并按照该得分对股票进行排序、筛选、 构造投资组合。在打分法的模型构建中，各因子上的权重比例设定非常关键，若干好的 （有预测能力的）因子在不理想的权重配臵下很可能会得到不好的结果，下面举一个简 单的较为极端的例子对此进行说明： 假设存在200 个股票，2 个因子A 和B 。每个股票的当期A 、B 因子得分及下期收益 率如下表所示，表中四大类里每类均包含50 支股票： 表1：不理想的因子权重配臵的例子 因子A 因子B 下期收益率 a 股票类 9 6 1% b 股票类 3 7 0.90% c 股票类 8 9 0.80% d 股票类 5 2 0.60% 数据来源：安信证券研究中心 计算可知，因子A 、B 得分与下期收益率的相关系数分别为0.34 和0.60 ，秩相关系 数分别为0.40 和0.20 。若按分组收益来看，因子A 得分较高的一半（a 类和c 类）相对 得分较低的一半（b 类和d 类）有0.30% 的平均超额收益，因子B 得分较高的一半（b 类 和c 类）相对得分较低的一半（a 类和d 类）有0.10% 的平均超额收益。A 与B 均有很好 的收益率预测能力，然而若是用简单的A 、B 得分的平均分作为股票的最终得分，最终 得分最高的股票类为c 类，平均收益0.8%反而低于全部200 个股票