Python量化投资基础教程教学课件第七章-多因子选股模型(1).pptxVIP

多因子选股模型Chapter 7Python量化投资基础教程教学课件第七章-多因子选股模型(1)全文共27页，当前为第1页。 目录 大类因子合成010203 多因子选股模型构造多因子选股策略（ATR+ADTM指标）Python量化投资基础教程教学课件第七章-多因子选股模型(1)全文共27页，当前为第2页。 1.细分因子相关性分析原理：因子相关性可由 pearson 和 spearman方法计算得出。除了普通的相关性分析之外，因子的IC值整体变化方向的表现对相关性也具有一定的说明性。若细分因子的IC值整体变化方向一致，则说明细分因子之间存在显著相关性。计算：Pearson相关系数计算公式：x和y是截面的因子暴露向量，cov(x,y)是截面数据x和y的相关系数，?x和?y分别是x和y的标准差。Spearman相关系数又称秩相关系数，是利用两变量的秩次大小作线性相关分析。其相关系数计算与Pearson相关系数计算是一致的，区别在于Spearman不是直接使用个股因子暴露向量，而是先对个股因子暴露进行排序，取因子的排序值代替因子暴露，进行相关系数计算。Python量化投资基础教程教学课件第七章-多因子选股模型(1)全文共27页，当前为第3页。 1.细分因子相关性分析计算：对于多个因子，通常采用相关系数矩阵进行分析，矩阵形式如下Python量化投资基础教程教学课件第七章-多因子选股模型(1)全文共27页，当前为第4页。 2.细分因子合成原理：大类因子中的细分因子之间一般存在较高的相关性。具有高相关性的细分因子大多代表了相同的一类信息，为了在消除细分因子共线性的同时，最大化地获取该大类因子的信息，需对细分因子信息进行提取。方法一：按一定标准给因子赋予固定的比例，进而对细分因子进行加权合成。等权法：每个因子的权重相同。历史收益率加权法：按照因子各自的历史收益率作为权重对因子载荷进行合成。信息系数加权法：根据因子的IC均值加权合成，其权重计算方法和历史收益率加权法一致。Python量化投资基础教程教学课件第七章-多因子选股模型(1)全文共27页，当前为第5页。 2.细分因子合成方法二：利用主成分分析（PCA）对具有高相关性的因子进行降维，使用降维后的特征变量作为该大类因子的代理变量，其中方差解释率最低要求为70%。方法三：利用逐步回归法对各大类因子下的细分因子进行回归，选取能够最大程度提升模型解释力度的细分因子进入备选因子集，用备选因子等权合成大类因子代理变量。具体步骤：先用股票收益率对每一个因子做简单回归，然后以对股票收益率贡献最大的因子所对应的回归方程为基础，再逐步引入其余因子，确定其取舍。Python量化投资基础教程教学课件第七章-多因子选股模型(1)全文共27页，当前为第6页。 2.细分因子合成方法二：利用主成分分析（PCA）对具有高相关性的因子进行降维，使用降维后的特征变量作为该大类因子的代理变量，其中方差解释率最低要求为70%。方法三：利用逐步回归法对各大类因子下的细分因子进行回归，选取能够最大程度提升模型解释力度的细分因子进入备选因子集，用备选因子等权合成大类因子代理变量。具体步骤：先用股票收益率对每一个因子做简单回归，然后以对股票收益率贡献最大的因子所对应的回归方程为基础，再逐步引入其余因子，确定其取舍。Python量化投资基础教程教学课件第七章-多因子选股模型(1)全文共27页，当前为第7页。 2.细分因子合成以情绪因子VOL20为例，利用主成分分析（PCA）对情绪因子进行因子合成，emotion即为合成的情绪因子。Python量化投资基础教程教学课件第七章-多因子选股模型(1)全文共27页，当前为第8页。 3.合成因子检验背景：在得到合成的大类因子之后，需要对它们的相关性和有效性进行检验。由于此时的因子之间不再具有相似经济含义，如果出现明显相关性，则需要根据因子的有效性对合成因子进行取舍，从而保证多因子模型不仅是经济含义方面或收益效果都能达到最优。方法：回归法分析回归法分析得到的因子收益率，可以反映从该因子可能获得的股票收益率，当因子收益率为正时，因子收益率越大，说明可能获得的股票收益率越大，但因子收益率本身不包含对可能性的判断。IC法分析IC值本质上是因子暴露与股票收益率的线性相关系数，能用来衡量使用该因子预测股票收益率的可靠性。IC值的绝对值越趋向于1，说明这个因子的收益越稳定，波动越小。分层回测Python量化投资基础教程教学课件第七章-多因子选股模型(1)全文共27页，当前为第9页。 目录 大类因子合成010203 多因子选股模型构造多因子选股策略（ATR+ADTM指标）Python量化投资基础教程教学课件第七章-多因子选股模型(1)全文共27页，当前为第10页。 1.确定因子权重方法一：大类因子之间进行等权处理不