本报告基于逐步回归法改进截面回归模型,构建多因子定价与跟踪体系,系统考察技术类、预期类与财务类因子历史收益及其共线性,通过因子复合提升解释度,最终筛选出规模、流动性、动量、一致预期和财务五大类因子作为多因子框架核心,明确驳斥波动率等共线性较高因子,并提供不同分市场空间因子的解释度分析,助力量化投资组合构建和风险管理
| 因子类别 | 具体因子 | 主要贡献空间解释度区间 |
|---|---|---|
| 市场 | 市场因子 | ~25% |
| 行业 | 29个一级行业因子 | 4.85% - 20.96% |
| 技术类 | 规模、流动性、流动性动量、动量 | 0.31% - 0.56% |
| 一致预期 | E2P、PEG | 0.09% - 0.19% |
| 财务类 | E2P、ROE、销售毛利率、净利润增长率、总收入增长率 | 0.06% - 0.15% |
报告标题: 因子定价逻辑与多因子跟踪体系的构建
发布机构: 中信证券研究部
发布日期: 2018年2月8日
作者: 王兆宇、赵文荣、李祖苑、张依文
主题: 多因子模型的因子定价逻辑分析及多因子量化跟踪体系的构建,应用于量化投资领域
核心论点:
报告以改进后的截面回归法——逐步回归法,解决多因子模型中的共线性问题,系统地对技术类、预期类及财务类因子的历史收益进行测算,最终构建出多因子跟踪体系。作者强调了因子排序对结果的定性影响,提出使用等权加权复合因子以提升因子解释度,同时通过逐步回归与单步回归方法的比较剔除高共线性的因子,确保模型的稳定性和解释力。报告提供了一套基于因子收益历史表现、因子解释度及共线性判断的多因子筛选方法,指导投资策略优化。
观点总结:
多因子模型是量化投资的经典方法。报告通过逐步回归法解决传统截面回归法中因子共线性问题,实现单因子收益的纯净提取。利用多因子收益公式(1)描述了多因子模型的数学表达,强调了协方差矩阵分解的计算优势。
技术细节:
因子模型表达资产收益为因子收益加特异风险,残差满足正态分布假设。组合风险依赖因子协方差及特异风险协方差,计算组合风险由庞大个股协方差转向因子协方差,降低数据处理复杂度。
市场因子分析:
市场因子为所有股票算术平均收益率的回归常数项。图3至图6显示市场因子累计收益在不同市值空间均优于自由流通市值加权指数,凸显小盘股的超额收益特征。理论组合每日再平衡,不计交易成本,无法直接投资。
行业因子分析:
行业因子通过市场中性残差回归行业虚拟变量得到。钢铁行业(图7)表现出普遍下跌趋势,计算机行业(图8)表现弹性较大。行业因子的解释度差异显著,大盘股行业集中度高,行业因子解释度超过20%;小盘股行业差异化更大,解释度不足5%,符合行业同质化对波动影响的预期。
因子复合意义:
相似因子如规模因子自由流通市值和流通市值,通过等权加权生成复合因子,增强因子稳定性和解释力。图10-12表明复合因子与原始因子累积收益趋势相近,但复合因子日均解释度(表3)略高,推荐采用复合因子。
技术因子逐步回归对比:
逐步回归和单步回归用于检验因子间共线性。波动率因子在逐步回归中的解释度显著低于单步回归,说明其信息被前序因子冗余覆盖(见图19与图20)。流动性、流动性动量、动量因子两种方法收益序列相近,说明独立性强,应保留。
报告未涉及具体估值方法、目标价或财务预测,重点侧重于因子构造与收益解释,属于量化建模基础研究类报告,因此无传统估值分析内容。
报告中隐性风险主要是因子共线性对回归结果的影响,当共线性严重时因子收益估计不稳定,可能误导投资决策。解决办法是逐步回归剔除高共线性因子,且顺序固定保持因子意义稳定。此外,数据处理中的截尾、行业分类以及样本选择也可能带来风险。
另外,复合因子虽然提升解释度,但未涉及权重优化,有可能忽略因子之间非线性互动或权重变动风险,这在实际操作中需结合其他风险管理措施。
报告整体对风险保持谨慎,没有明确的缓解概率评估,主要通过方法论设计及因子筛选来进行实质性风险约束.
因子顺序的主观确定:报告中因子回归顺序基于主观逻辑,且强调调换顺序导致因子定义变化,这意味着模型解释的稳定性和泛化性在一定程度依赖于初始设定,存在人为偏好风险,未详细讨论顺序敏感性测试结果。
因子复合的简化处理:采用等权加权而非权重优化可能丧失潜在效率,后续研究还需结合优化方法提升组合性能。
力度不足的风险定量分析:报告没有针对经济周期、市场结构变化对因子有效性的影响进行深度分析,短期样本内表现未必等同于长期稳定性。
缺乏交易成本与可实施性讨论:市场因子等理论组合无交易成本假设,但实际执行难度较大,报告未涉及相关影响。
因子解释度较低的现象:多数因子日均解释度仅在0.1%至0.5%,对组合构建贡献有限,暗示因子扩展或非线性组合需探索。
中信证券研究部2018年度发布的《因子定价逻辑与多因子跟踪体系的构建》报告系统阐述了量化多因子模型的构建方法和因子筛选逻辑。通过采用逐步回归法,报告有效解决了因子共线性问题,明确了市场因子、行业因子、技术类因子、一致预期类因子及财务类因子的组合与剥离顺序,确保因子收益估计的纯净性和模型稳定性。
数据表明市场因子解释市场波动约25%,行业因子在大盘空间贡献较大,技术类动量因子及一致预期E2P、PEG因子和部分财务因子如ROE、销售毛利率对超额收益的解释力较好,但整体因子解释度偏低,提示未来可结合权重优化及非线性模型提升预测能力。
报告的图表充分展现了不同因子在各细分市场的表现差异及共线性特征,验证了多层次、多空间量化因子模型的价值及复杂性。该多因子体系搭建为量化选股及风险管理提供基础框架,强调以逐步剥离信息叠加的方法,保持因子解释的清晰划分和逻辑连贯。
总结而言,报告确立了基于逐步回归法的多因子纯收益提取标准,采用等权复合提高因子解释度,剔除高共线性因子优化模型结构,在全面性和严谨性上达到行业领先水平,为后续的量化策略实施和风险预算提供了坚实的理论和实证基础。报告的应用边界在于样本内表现优异,需结合交易成本、市场执行及动态调整机制进一步研究完善。
图1 股价信息叠加示意(基本面→预期→交易特征)
图2 逐步回归流程图
图3-6 市场因子累计收益走势(不同空间)
图7-8 钢铁与计算机行业收益表现对比
图9 行业内波动率解释度行业排序
图10-12 规模及相关因子累计收益
图13-20 技术类因子逐步回归与单步回归累计收益对比
图21-32 一致预期因子累计收益及回归方法对比
图33-50 财务类因子累计收益表现
图51 多因子体系结构图
表1-13 因子分类、日均解释度对比等关键表格完整详细描述因子表现及互相关系。
本文报告深度揭示了因子定价与多因子组合建构的关键技术细节,系统分析并优化因子选取和顺序,解决多重共线性难题,提升因子模型预测的稳健性和解释力。图表及数据辅助说明展示了模型逻辑和实证效果,构建以技术类、预期类、财务类因子为核心的多因子跟踪体系,奠定量化投资策略实施的科学基础。
本报告对专业读者和量化策略研究人员极具参考价值,建议结合实际投资策略进一步融合权重优化、交易成本及动态风险管理,以实现更完善的投资表现和风险控制。
(全文基于中信证券研究报告原文内容,引用页码详见各段末标注)
多因子量化选股系列专题研究:因子定价逻辑与多因子跟踪体系的构建.pdf