基本面因子投资的三点思考：“基本面、量化与另类数据”论坛纪要.docxVIP

目 录 TOC \o 1-1 \h \z \u 基本面因子投资需要先验 5 基本面因子投资需要方法 8 基本面因子投资需要信仰？ 10 参考书籍 16 风险提示 16 图目录 图 1 中证 500 成分股随机因子选股效果（改变选择的因子个数） 6 图 2 中证 500 成分股随机因子选股效果（改变实验的因子个数） 6 图 3 因子暴露分析（以 BP 为例） 8 图 4 AQR 的市场中性因子组合 10 图 5 10 因子组合 11 图 6 因子失效模拟 11 图 7 估值因子和估值择时 12 图 8 动量择时下的因子失效模拟 13 图 9 A 股常见因子的估值水平 14 图 10 因子的估值水平和未来收益率 14 图 11 估值择时的权重 14 图 12 估值择时的效果 15 图 13 A 股 SMB 因子的 LLR 检验 15 表目录 表 1 因子失效模拟的年化收益率（%） 11 表 2 动量择时下，因子失效模拟的年化收益率（%） 13 对高博的夸奖，我受之有愧，也感谢各位坚持到现在。从我自己听报告的经验来说，这一下午高质量、高密度的报告，可以听到最后一场，应该都是真爱。希望接下来的四十分钟，不让大家失望。 我今天演讲的题目是基本面因子投资的三点思考。前三场报告听下来，我觉得嘉宾们都把我的思考说得差不多了。今天演讲的整体框架是这样：首先，我简单介绍一下我们公司。然后，提出三点思考：第一点是基本面因子投资需要先验。第二点是基本面因子投资需要方法，最后一点是基本面因子投资需要信仰？这里的信仰后面打了一个问号。对于我，它仍然是一个开放性问题，也是希望和大家探讨的一个问题。到底需不需要信仰，信仰来自什么地方。最后，推荐一些书籍给大家。 我们公司主要是做量化投资，成立了大概四年。大家都说，做量化，要有数学背景，要有金融背景，要有计算机背景。我们三个创始人每个人有一方面的背景，捏在一块，看来还是能做量化这件事的。 基本面因子投资需要先验 介绍就这么多，开始第一个思考，就是基本面因子投资需要先验。以前美国金融协会主席 John Cochrane 的一段话作为开场，他说，我们之前认为资本资产定价模型 （CAPM）可以解释股票预期收益的差异。那些高 beta 的股票收益应该高，那些低beta 的股票收益应该低。这是我们最初的理解，但是现在呢，我们似乎认为 CAPM 已经失效，因为我们挖出了成百上千个因子。这里的因子仅限于基本面因子，不谈更高频的量价因子。即使对于基本面因子，学术界已经发表出来的也有四百多个了，再加上其他乱七八糟的，上千应该是没有问题的。也就是说，我们有一千个因子来解释截面上哪些是好股票、哪些是坏股票，哪些股票收益高、哪些股票收益低。这其实是一个挺反讽的事情。 我们为什么会走到今天这个局面，可以借鉴杜克大学 Campbell Harvey 教授之前在美国做的一个演讲。从基因的角度谈，我们是倾向于“过拟合”这件事的，这是从生存、从进化论的角度来说的。假设一只羚羊正在草原上吃草，突然听到了“沙沙沙” 的声音。这个声音可能是微风吹过草丛或者树木，也可能是一只猎豹要捕食。这时它觉得有事，它怕可能是猎豹，所以就跑了两步。后来发现，这不是猎豹，就是微风吹过，这时它犯了 Type I error，就是 False Positive，它认为有猎豹，实际上没有。为此付出的代价是什么呢，无非就是多跑了两步，消耗了一定的能量。但如果它不跑， 它认为没事，但最终真的是猎豹来了，那它付出的代价就是被吃掉，这说明它犯 Type II error 的代价是巨大的。所以，从羚羊的角度，它宁愿多跑两步。 那么，这件事套在因子上就是，我们挖出的这个因子，Type I error 代表它是假的， 但我们相信它并使用了。当然，如果控制好风险、控制好仓位，即使这个因子只是一个“过拟合”的产物，那么它在样本外也不过是一个为零的预期收益。但我们宁愿相信它是一个真的因子，因为如果它是，我们却没有用，那就可能少了一个很有效的收益。所以，从进化的角度来说，人似乎也愿意犯 Type I error。 在实践中，多重检验让我们更容易犯这样的错误。Dr. Marcos Lopez de Prado， True Positive Technologies 的 CIO 说：“对同一段历史数据，我们在回测中尝试大量参数或是测试了大量策略后，找出来效果最好的一组参数或者一个策略总能获得不错的效果，但这只是 pure luck。”比如，我试了 20 个因子，找到 20 个因子里表现最好的。我接着试了 50 个，找到其中最好的，那肯定比前面 20 个因子里最好的还要好。 我们可以再接着试 100 个因子，不断地试，那效果肯定越来越好。而这些都是基本面因子，通过不同的加减乘除方