某证券公司：“光大Alpha ”--多因子系列报告.pptx

“光大Alpha” —— 多因子系列报告 01 因子测试流程简述02 因子的初步筛选03 多因子模型的构建04 5月组合名单基于APT理论的多因子模型（MFM）?股票二级市场的多因子模型可以理解为将N只股票的收益率分解为M个因子的线性组合与未被因子解释的残差项影响股票收益率的因素主要来自某一只股票相对于某一个因子的敏感度或因子暴露（Factor loading），这里的因子暴露即相当于CAPM中的我们将多因子模型（MFM）做如下的表示：即：表示股票i在因子j上的因子暴露（Factor loading）表示因子收益表示股票i的残差收益多因子模型构建流程多因子模型的构建流程往往包括以下几个方面：样本筛选数据清洗因子测试多因子模型资料来源：光大证券研究所因子测试流程：回归测试+分层测试?采用截面回归，更有利于捕捉因子变化趋势做截面回归判断每个单因子的收益情况和显著性时，需要特别关注A股市场中一些显著影响个股收益率的因素，例如行业因素和市值因素。回归测试时对行业和市值因子做选择性剔除（测试规模因子、技术因子时只剔除行业）代表股票i在所测试因子上的因子暴露代表股票i的行业因子暴露（为哑变量（Dummy variable），即股票属于某个行业则该股票在该行业的因子暴露等于1，在其他行业的因子暴露等于0）。我们选用中信一级行业分类作为行业分类标准代表股票i的市值因子暴露因子测试模型：回归模型选择RLM稳健回归 v.s. OLS最小二乘法最小二乘法OLS在独立同分布正态误差的线性模型中是有效无偏估计。当误差是非正态分布时，OLS会给异常值outliers赋予较高的权重，从而导致模型结果失真RLM中常用的M-estimator方法则是采用迭代加权最小二乘估计回归系数，根据回归残差的大小确定各点的权重，以达到稳健的目的。2009.5 BP_LYR因子回归测试的RLM和OLS对比2009.5 BP_LYR因子RLM与OLS回归效果对比?斜率（因子收益）BSET值OLS0.0080.0041.997RLM0.0110.0033.140资料来源：光大证券研究所资料来源：光大证券研究所因子测试模型：因子有效性检验? 回归测试有效性检验多期截面RLM回归后我们可以得到因子收益序列，以及每一期回归假设检验t检验的t值序列，针对这两个序列我们将通过几个指标来判断该因子的有效性IC值IC值为个股第t期在因子i上的因子暴露经过行业中性处理后与t+1期的收益率的秩相关系数，通过这种方法可以有效的观察到某个因子收益率预测的稳定性和动量特征因子有效性检验指标（回归测试+IC值）回归测试检验指标IC值指标IC值的均值IC值的标准差t值绝对值的均值IC大于0的比例t值绝对值大于等于2的概率IC绝对值大于0.02的比例IR ( IR = IC均值 / IC标准差 )回归测试检验指标IC值指标因子收益序列的假设检验t值IC值的均值因子收益序列大于0的概率IC值的标准差t值绝对值的均值IC大于0的比例t值绝对值大于等于2的概率IC绝对值大于0.02的比例IR ( IR = IC均值 / IC标准差 )资料来源：光大证券研究所单因子测试举例：BP Turnover_1M因子回归测试结果下述两个因子均具有很高的显著性因子回归测试与IC值指标指标名称BPTURNOVER_1M因子收益序列t值4.37-6.65因子收益均值0.53%-0.80%t0 比例63%27%Abs(t) 均值4.374.84IC 均值5.18%-7.67%IC 标准差11.3%11.4%IC0 比例65%23.9%Abs(IC)0.02 比例60%78%IR0.46-0.67资料来源：光大证券研究所单因子测试举例：BP Turnover_1M因子回归测试输出图例BP因子收益率近期呈现复苏势头BP 因子收益分布直方图BP 因子收益时间序列资料来源：光大证券研究所资料来源：光大证券研究所单因子测试举例：BP Turnover_1M因子回归测试输出图例BP因子IC值已连续多期位于0.2以上 BP RLM回归因子收益t值绝对值 BP 因子IC值序列资料来源：光大证券研究所资料来源：光大证券研究所单因子测试举例：BP Turnover_1M分层法回溯测试输出结果示例BP 因子的分层效果较好，单调性显著Turnover_1M 因子的分层效果则不理想，分组2收益最高，因子值最高的分组5累计收益 最低 BP 因子分组回溯累计收益率曲线 TURNOVER_1M 分组回溯累计收益率曲线资料来源：光大证券研究所资料来源：光大证券研究所01 因子测试流程简述02 因子的初步筛选03 多因子模型的构建04 5月组合名单大类因子测试举例：波动类因子高波动的平均收益较低，VSTD因子单调性较好VSTD因子单调性较好波动类因子明细表因