基于回归树的因子择时模型.docxVIP

第 PAGE 2 页 共 NUMPAGES 3 页 目 录 决策树与因子择时 5 单因子择时回归树 6 因子择时回归树 6 因子择时回归树（衰减） 8 本章小结 9 因子方向性择时 9 因子方向性择时 9 防御性因子择时 10 本章小结 12 多因子模型回测 12 总结与展望 13 风险提示 14 图目录 图 1 因子择时回归树（市值因子）（5 年数据） 6 图 2 市值因子净值走势与环境划分（5 年数据） 7 图 3 因子择时回归树（市值因子）（10 年数据） 7 图 4 市值因子净值走势与环境划分（10 年数据） 7 图 5 衰减加权因子择时回归树（市值因子）（5 年数据） 8 图 6 市值因子净值走势与环境划分（5 年数据）（衰减加权模型） 8 图 7 长期持有组合与回归树因子择时组合（市值因子） 9 图 8 12 个月因子收益动量与防御性因子择时（市值因子） 10 图 9 24 个月因子收益动量与防御性因子择时（市值因子） 10 图 10 12 个月因子收益动量组合与防御性因子择时组合 13 图 11 24 个月因子收益动量组合与防御性因子择时组合 13 表目录 表 1 长期持有组合与回归树因子择时组合（市值因子） 10 表 2 因子收益动量模型与防御性因子择时模型（市值因子） 11 表 3 因子收益动量模型与防御性因子择时模型（换手率因子） 11 表 4 因子收益动量模型与防御性因子择时模型（反转因子） 11 表 5 因子收益动量模型与防御性因子择时模型（系统波动占比因子） 12 表 6 因子收益动量模型与防御性因子择时模型（盈利因子） 12 表 7 因子收益动量组合与防御性因子择时组合（相对中证 500 超额收益） 13 近年来，随着常规因子波动性的提升，因子择时也逐渐受到投资者的关注。在系列专题报告《选股因子系列研究(二十)——基于条件期望的因子择时框架》、《因子择时模型改进与择时指标库构建》中，我们讨论了因子择时模型的构建。本文在前期研究的基础之上，放松了择时变量与因子收益线性相关这一假设，通过引入回归树构建因子择时模型。此外，本文还尝试将回归树因子择时模型与传统的因子收益动量模型结合在一起， 并引入了防御性因子择时的思路。 本主要分为六个部分。第一部分探讨了决策树模型在因子择时中的适用性，第二部分以市值因子为例，构建了回归树因子择时模型，第三部分将回归树因子择时模型应用于因子方向性择时，并引入了防御性因子择时的思路，第四部分讨论了防御性因子择时模型在因子权重分配中的应用，第五部分总结了全文，第六部分提示了风险。 决策树与因子择时 在系列专题报告《选股因子系列研究(二十)——基于条件期望的因子择时框架》、《因 子择时模型改进与择时指标库构建》中，我们讨论了因子择时模型的构建。通过假定因子收益与外生变量线性相关，模型使用当前的外生变量预测未来因子收益。然而，在实际的跟踪过程中，我们发现因子收益与外生变量之间并不完全线性相关。因此可考虑放松这一前提假设，可仅假定因子在不同的市场环境下具有不同的收益表现。该种择时思路类似于情景化因子择时，通过使用择时变量划分市场环境，并根据因子在不同市场环境下的表现对于未来因子收益进行预测。 基于该种因子择时思路，我们认为决策树较为适用。简单来说，决策树（Decision Tree）是一种用于分类以及回归的非参监督学习算法。在因子择时这一问题中，决策树可协助投资者将历史样本按照因子择时变量进行分类，并统计不同市场环境下因子的收益表现。投资者可根据拟合得到的决策树以及当前的市场环境对于因子未来收益进行预测。决策树又可进一步分类为，分类树（Classification Tree）与回归树（Regression Tree）。本文后续构建的模型主要基于回归树。在训练回归树时，本文使用了 CART 算法，并通过时间序列交叉验证的方法确定模型超参数。 总体来看，决策树在因子择时中的用途多种多样。一方面，投资者可使用决策树从历史信息中提取出直观且容易理解的因子择时规则。投资者可结合自身的理解与研究对于相关因子择时规则进行修正。本文第二部分以市值因子为例，基于历史数据构建了因子择时回归树。另一方面，决策树也可被应用于量化的因子择时策略中。本文第三部分以及第四部分讨论分析了量化策略的构建。 本文在训练回归树时所使用的择时变量备选库由以下三类变量组成： 债市指标。该类指标中主要包括利率水平、利率水平变化、期限利差、期限利差变化、信用利差、信用利差变化等指标。 股市指标。该类指标中主要包括涨跌、波动、流动性、风险偏好等指标。 因子拥挤指标。该类指标主要借鉴专