本报告系统地构建并优化了多因子选股体系,涵盖基础数据库搭建、风险模型改进、因子测试、组合优化与回测及业绩归因。针对风险低估、因子暴露偏差和策略风险等问题,报告提出了具体解决方案,同时以EP因子为例详细展示因子测试流程与效果,最终通过事件驱动回测展现多因子策略的实际表现,为构建稳定、高效的量化选股策略提供了全面框架与实操指南
关键论点:
多因子模型在国外有较长历史,国内近年也逐渐兴起。报告强调传统多因子选股存在的因子定义粗糙、主观因子配置和忽视尾部风险等问题。国盛构建了基于Barra技术文档改进的风险模型,并重点研发Alpha模型,含因子挖掘、因子检验、因子配置及尾部风险管理四个子模块。
支撑逻辑:
体系架构以数据为基石,分为原始数据库和因子数据库,支持三大系统(风险模型、Alpha模型、组合管理)。使用Wind作为数据源,保障数据及时可靠。对传统多因子模型的不足提出改进措施,强调尾部风险识别的必要性。
重要观点与假设:
多因子策略未必需要重新发明,而需针对细节深入反思实践中问题,做到系统优化。Alpha模型为研究重点,风险模型借鉴成熟体系以保持稳定可靠。,4]
数据库设计:
结构分为“静态表”、“状态表”和“流量表”,分别处理不同性质的数据。数据更新设计包括批量更新与增量更新,保证数据的全量与增量及时性。
数据质量思考:
重视历史数据可回测性,防止使用未来数据(例如公告数据的多次修订)。提出针对数据被修改设计了两种处理方式(情况一与情况二,详情见图表3)。另强调“数据处理应在合理层面完成”,保留财务数据原始形态,同时做合理填充,保持灵活性。
因子数据库设计与计算:
分风险因子和Alpha因子数据库,采用面向对象程序设计,利用因子模板接口提升因子计算效率和复用性。因子存储表设计平衡规模与性能,采用JSON存储协方差矩阵以适应多语言调用。新旧因子归因分离,保障新增因子快速接入。
研究平台搭建:
包括风险模型构建、因子检验、组合优化、业绩归因四个主要模块,相应章节详细展开。
因子暴露计算:
依据Barra CNE5文档,小类因子通过权重合成为大类因子。论文探讨不同权重(均权 vs Barra权重)对解释能力影响,发现差异不大,鼓励简单均权方案。缺失值处理采用行业均值或其他因子回归填充,相关度普遍高达30%-50%,表示方法有效(见图表5)。
标准化处理:
采用中位数和MAD去极值,流通市值加权计算均值,保证不同因子之间可比性和中立性。
因子收益率回归:
用WLS方法拟合因子收益,加入国家因子限制行业加权收益为0。剔除不活跃、ST及新股,保证样本的代表性。
风险估计与二阶风险:
详细解释Shepard(2009)对“Second Order Risk”偏误的揭示,即最优组合的风险典型被低估。Barra通过蒙特卡洛模拟调整协方差矩阵特征值提高风险预测准确度,本报告进一步针对月频风险模型引入NeweyWest调整,改进偏误修正。
残差风险估计:
合理利用结构化模型和时间序列模型加权估计特质风险,通过贝叶斯压缩调整模型参数(最佳压缩系数约0.4),解决波动率过分高估或低估问题(图表8)。
风险模型准确度验证:
实测Bias Statistic指标显示模型与Barra标准接近,证明风险模型建设稳健(图表9)。
“实现风险”与“目标风险”偏差分析:
指出实际组合风险高于目标风险的五大原因:风险模型本身低估风险;权重和暴露变化;因子收益与残差收益相关性;策略风险;Alpha 因子与风险因子不一致(FAP问题)。结合实例和多种文献理论阐释原因及影响,提出应结合策略归因分析分场景处理,并可通过添加风险因子或对残差Alpha风险加惩罚缓解(详细数学推导见3.6节及附图)。
其中组合权重波动导致跟踪误差增大,与月中的因子暴露波动有关;收益与残差相似度导致跟踪误差估计偏差;策略风险导致多期风险累积;FAP问题可至使组合暴露未预期风险。
测试流程总览:
包括因子处理(缺失值填充、去极值、标准化、中性化),因子测试(信息系数IC/Rank-IC、分组测试回归法),与结果综合分析。
信息系数(IC)测试:
按月计算Pearson相关系数和Spearman秩相关系数以衡量因子预测能力,ICIR用以衡量IC稳定性。以盈利因子EP为例,市值行业中性化显著提升IC及ICIR数值。波动时序图表展示因子信息稳定性特点(图表14-19)。
分组测试:
具体有十组测试和市值行业分层打分两种方法,考察因子区分能力和收益单调性,尤其侧重多空组合收益和因子收益非线性表现。以EP因子为例,中性化后十组净值和分层组合净值走势显示更强的分辨力(图表20-22)。
回归法测试:
类似Barra模型中风险因子的回归回测方法,通过时间序列上的Fama-MacBeth检验因子收益显著性。例示EP因子纯因子收益经市值行业中性化后稳定显著,但去除所有风险因子后表现下降,暗示EP大部分信息包含于风险因子中(图表23-24)。
总结:
三个测试方法互为补充,IC衡量相关性,分组测试观察区分能力,回归法理解纯因子表现及风险因子覆盖程度,形成完整的因子评价体系(图表25)。已构建完整测试系统,可支持多样配置(板块、频率、中性化规则)并输出完整测试指标和组合表现。
组合优化框架:
目标函数包括最大化风险调整 Alpha,或给定风险约束最大化收益,同时考虑成本(线性转手率惩罚),并严格控制行业风格暴露、权重上下限。使用cvxopt和mosek求解二次或二阶锥优化问题。绝对值成本引入变量拆解(净买入、净卖出)以转化为凸优化。
回测系统设计:
采用基于事件驱动的框架(非简单向量化),深度考虑各种交易细节,更贴近实盘。系统封装成Python包,输入Alpha信号和风险估计即可生成策略回测。以中证500增强策略为案例,展示优化与回测配置及结果(含分年表现和净值曲线,图表26-28)。
图表1(多因子模型体系图,page 5):
展示了三层体系架构。底层为“原始数据库”(包含状态、财务、事件数据等),中间层为“风险+Alpha因子库”,顶层为三大系统:风险模型(基于Barra CNE5)、Alpha模型(含因子挖掘、测试、配置、尾部风险)、组合管理(优化、回测、归因)。图表直观表达了多因子系统从数据到应用的结构关系。
图表3(数据被修改问题处理方式,page 8):
以时间线示例说明若上市公司对财报数据发布后补充或修正对历史数据的影响。情形一保留数据A在DateA到DateB有效,DateB后数据更新为B;情形二则用数据B替代期间,这体现了对数据真伪及更新机制的不同处理策略,对回测无未来数据影响至关重要。
图表5(因子回归R2,page 12):
某截面风格因子对其他因子的回归R2,大多数因子的拟合优度在50%以上,如Liquidity和Volatility,支持通过回归填补因子缺失的合理性。
图表6-7(风格因子表现及R2滚动图,page 13):
展示多因子风险模型风格因子收益的时间演变及拟合效果,表现出风格因子的动态变化以及模型的拟合能力。
图表8(贝叶斯压缩系数选取,page 15):
表明贝叶斯压缩系数(由0.1调整至0.4)对特质风险估计偏误的影响,0.4时偏误分布较佳,体现对传统Barra系数的改进。
图表9(风险模型准确度对比,page15):
显示与Barra文档标准的Bias Statistics对照,证明该风险模型具备国际先进水平。
图表10(风险偏差原因总结,page16):
表格形式总结实现风险超过目标风险的主要原因,成为后续章节深入分析依据。
图表12(Barra风险模型对优化组合估计准确度,page17):
时间序列显示模型对最优组合的风险偏差,说明偏差普遍存在且难以完全消除。
图表13(因子测试框架,page 20):
以流程图方式展示因子测试三大环节及相关指标,是后续因子测试章节主线图。
图表14-19(IC与Rank-IC及时间序列,page 22-23):
通过Pearson与Spearman指标及时序图深刻反映因子信息的相关性及稳定度,强调中性化处理提升IC表现。
图表20-22(分组测试,page 23-24):
净值走势显示分十组和市值行业分层分组的效果,中性化处理后因子区分能力明显提升。
图表23-24(纯因子收益,page 25):
FM回归检验结果及纯因子收益曲线揭示市值行业中性化剥离的风险因子信息对因子收益的影响。
图表25(因子检验方法比较,page 26):
总结三种因子测试方法的优缺点,指导投资者选用。
图表26-28(优化与回测,page 28-29):
配置信息表及策略分年表现、净值曲线,展示实盘级多因子策略回测框架和效果。
图表29-30(多期收益分解及调整,page 30):
图示多期收益归因偏差及调整函数,支撑后续收益归因改进。
图表31-34(收益归因及调整,page 31-34):
包含原始归因数据、归因相关性检验、调整方法及调整后归因结果,体现收益归因科学性提升。
图表35(三因素风险归因,page 35):
重点表现组合多因子风险贡献,便于识别主要风险因子。
本报告不涉及传统意义上的公司估值和价格预测,估值分析以风险模型中协方差矩阵估计和组合风险估计为核心,相关数学工具包括:
风险模型协方差矩阵估计:
依托Barra模型,结合NeweyWest偏误调整及蒙特卡洛模拟实验修正second order risk。
组合优化中的风险约束:
将风险约束转化为二阶锥优化问题,利用Cholesky分解优化计算性能。
贝叶斯估计压缩系数调整:
改善特质风险波动的估计质量。
估值核心为风险的合理预测与控制,保障优化组合的稳健性。
作者识别了导致实现风险与模型预测风险偏差的五大风险因素:
针对以上风险,报告提出具体缓解措施,如引入更多风险因子、在优化中对残差Alpha实施风险惩罚、策略风险修正等。同时强调实际应用中需结合归因分析做针对调整。
研究深度强,视角全面: 报告涵盖多因子体系建设全过程,体现出扎实的理论基础与实践洞见,从数据库建设、因子挖掘、风险模型微调、因子测试到组合优化及收益归因,系统性强。
对风险偏差分析细致: 深入讨论Second Order Risk及实现风险偏差原因,结合多个文献理论剖析,体现对风险管理的严谨态度。
因子测试方法科学合理: 结合IC、分组、回归法三方面测试保障因子有效性,兼顾相关性、稳定性和经济解释力。
归因体系完善但复杂: 多期收益归因及收益相关性偏误修正凸显了量化归因的复杂性,提示投资者需慎用归因结果。
限制和风险提示明确: 强调模型基于历史统计和量化假设存在失效风险,数据异动和实际交易偏差应被注重。
潜在不足及风险:
内部信息关系合理,没有明显矛盾,侧重实务操作。
国盛证券本报告构建并详解了一个高效且可靠的多因子选股体系,其核心由原始数据、因子数据构成数据库基座,再搭配基于Barra模型改进的风险模型、精细的因子测试体系、成熟的组合优化和灵活实用的回测框架构成。该体系强调了:
通过对实现风险偏差来源的五大核心成因分析,报告不仅指出问题,还着重讨论了实际解决方案,具有较强的操作指导价值。完整的因子测试系统和组合研究平台得以帮助投资者系统性构建和验证多因子策略。
最终,报告态度严谨、视角全面,不仅提供了理论模型构建指南,更着眼于实际应用中的细节改进。报告明确指出量化模型与历史经验存在的风险,呼吁投资者综合使用模型结果判断策略表现。该系列未来章节将继续深入Alpha模型等模块,值得持续关注。
本文中所有引用结论和内容均附页码,方便后续文本溯源。报告体现了当前量化投资多因子体系的前沿研究成果,为学术及实务界提供了具体实践参考。
,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36]
国盛多因子系列1:多因子选股体系的思考.pdf