基于随机贴现模型的因子筛选法和投资策略分析报告.docxVIP

金融工程 金融工程 数量化专题报告 基于随机贴现模型的因子筛选法 一一学界纵横系列之十六 本报告导读： 本文介绍了 一种判断新因子是否具有边际奉献的方法，主要解决遗漏变量偏差问题。 摘要： ? 近年来，实证资产定价模型的研究不断深化，同时AI在因子挖掘上 的应用使得因子数量呈指数上升。判断新因子是否在已有的高维因子 库上提供新息，需要建立更系统的评价体系。 证券研究报告 （（Taming the factor zoo: A Test of New Factors））介绍了一种 检验新因子边际奉献的方法。该方法通过两步LASSO回归，对已有的 高维因子库进行双重选择，缓解变量遗漏所带来的误差问题。 文章得出的主要结论：第一，近年新提出的因子中，BETA、投资能力 （HXZ的IA）和盈利能力因子（Fama-French的RMW、HXZ的ROE）有 显著奉献。同时比照不同基准模型，双重选择方法可以充分利用因子 库中包含的信息，减小变量遗漏误差，进而更保守地评估新因子奉献。 第二，随着时间递归地应用文章方法，可以对因子库进行缩减。第三, 文章方法对于模型参数具有稳健性，其他机器学习的变量选择方法也 与文章的实证结果相似。 ? 本文将文章方法从资产定价模型拓展到机器学习背景下的技术因子 挖掘，使用双重选择方法对技术因子进行逐步回归，发现双重选择方 法虽能在一定程度精简因子库，剔除局部相关性较高的因子，但效果 不显著。由于文章方法基于随机贴现模型，其在纯技术因子库上的应 用有待进一步研究。 相关报告 机 构投资 者如何 助力企 业减少 碳排放 基金经理研究之二:彼得林奇的成长股投资 之道 防御姓因子择时：低频化风险控制工具 易方达中证科创创业50ETF投资价值分析 企业社会责任的纳入如何降低了组合风险 TOC \o 1-5 \h \z \o Current Document 文章背景及结论 3 \o Current Document 选题背景 3 \o Current Document 核心结论 3 \o Current Document 核心模型 4 根底模型 4 随机贴现因子模型（SDF） 4 遗漏变量偏差 4 \o Current Document 双重选择方法 5 计算步骤 5 比照其他模型 6 \o Current Document 原文实证分析 6 \o Current Document 数据 6 \o Current Document 新因子评估 6 \o Current Document 递归测试 8 逐年递归评彳古因子 8 逐步回归 9 \o Current Document 稳健性检验 10 参数稳健性检验 10 不同模型的稳健姓检验 10 \o Current Document 原文结论 11 \o Current Document 我们的实j正与思考 12 \o Current Document 寸支术因子实〒正分析 12 \o Current Document 我们的思考 13 \o Current Document 参考文献 14 \o Current Document 附录 14 O I国泰君安证券 GUOTAI JUNAN SECURITIES 数量化专题报告 文章背景及结论 1.1.选题背景 近年来，Hou et al. (20XXa)的q?factor模型对FF五因子模型的抨击，引 发了学术界关于资产定价模型的因子大成，同时AI在因子挖掘上的应 用使得因子数量呈指数上升。在这个因子泛滥的时代,factorzoo逐渐演 变成factor ocean,判断新因子是否在已有因子的根底上提供新息，需要 建立更系统的评价体系。 Barillas 和 Shanken (20XX)以及 Fama 和 French ( 20XX )通过检验资产 定价模型中参加新因子前后的alpha变化来衡量新因子的奉献。而面对 高维因子库，目前已有LASSO、PCA等方法对原有因子库进行降维，但 这些方法可能出现变量遗漏问题，同时没有适当的计量方法解决模型选 择错误的问题。这意味着，简单的使用LASSO之类的模型来进行因子 筛选并不可靠。 本篇报告推荐的《Taming the factor zoo》提供了一种在高维环境下缓解 变量遗漏问题的新因子检验方法。 借鉴文章的方法，我们对技术因子进行逐步回归筛选有效因子，希望将 文章方法从资产定价模型拓展到机器学习背景下的因子挖掘。 1.2.核心结论 文章(Taming the factor zoo )提出双重选择方法缩减因子库，并通过实 证检验近年来文献提出的新因子。 文章得出的主要结论：第一，近年新提出的因子中，BE