因子风格择时策略.pdfVIP

因子风格择时策略（2021 年11 月期） 第一部分：A 股风格因子体系介绍 因子择时必要性在不断提高。近年来随着因子投资和因子研究的深入，我 们会看到因子的长期收益有时会偏离理论收益，出现因子失效的问题。如 2017 年，随着市场上量化策略的增多，许多之前有效的因子比如市值因子、动 量因子、波动率因子都出现过阶段的失效，这就导致传统的多因子模型获取稳 定的超额收益变得越发困难，因子择时也随之变得越发重要。本文认为造成因 子失效现象的主要原因包括因子拥挤度提升以及不同宏观周期下因子投资性价 比产生的变化等。本文将影响因子收益的这几个因素共同纳入到框架中讨论。 市场上进行因子风格轮动的方法主要是从两方面进行预测。一类是从因子 收益本身的动量效应和因子拥挤度等内生指标出发，对未来收益正负进行预测， 另一类是从市场宏观数据、市场状态、资金情绪等外部数据出发。 对于股票风格轮动，我们之前在《因子风格择时策略》系列报告中尝试用 决策树方法对股票未来收益进行预测，所用到的自变量体系中的因素主要是利 率趋势、A 股 roe 变化趋势，以及因子拥挤度等内生变量。决策树是一种描述 对实例进行分类的树形结构，本身是一种弱分类器，其主要优点是模型具有可 读性。构造决策树的核心问题是每一步对样本属性如何做拆分。 为了更加充分的利用宏观经济数据、市场情绪外部变量，我们准备在原有 择时模型上扩充一些对 A 股市场有重要影响的宏观变量，形成“因子风格择时 2.0 版本”。我们将模型从弱学习器决策树改进为强学习器XGBoost ，增强模型 的预测效果。在机器学习 XGBoost 的框架下对未来一个月的风格收益大小进 行预测。新增的宏观变量包括经济增速、物价、货币政策、利率、进出口等数 据，以及其一阶差分衍生指标。新增的市场情绪变量包括市场流动性、市场波 动率、指数估值、指数涨幅表现等。这些变量对因子收益率影响的方式各不相 同，这种复杂关系很难通过线性模型来刻画。 XGBoost 是对通过反复地选择一个指向负梯度方向的函数，对一任意可导 目标函数的优化过程。XGBoost 和 Adaboost 虽然都是由单颗决策树到多颗决 策树进行优化，但是优化策略不同。通过对比两者效果，我们决定选用 XGBoost 模型。 图表 1：风格轮动策略框架 宏观经济数据 Beta 、 滞后处理 动量、规 模 、 质 组合优 XGBoost 模型 量、波动 市场情绪数据 日频转月 率因子、 化、风 格偏离 频处理 成长性因 控制 子、估值 因子、换 手因子信 因子拥挤度 号 来源：国金证券研究所 1.1 市场回顾： 自今年春节之后