多因子ALPHA系列报告之(十四)于情景分析多因子ALPHA策略20121116.pptVIP

* 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：0208655 Table_Temp eMail：lj33@ 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， 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。 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），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 sqs@ (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 ...............................................