本报告系统探讨了多种选股因子的降维方法,包括类别内选取最强因子、加权降维以及PCA降维,并针对以上方法及其改进进行了充分的实证回测分析。结果显示,基于类别内正交因子IC最高法获得的复合因子表现最佳,显著提升了因子的IC、ICIR和多空收益率,优于未降维模型和其他降维方法。报告还详细展示了各类因子降维权重的动态分配及不同方法对各类因子选股效果的影响,为多因子模型构建和因子降维策略提供了重要参考。
因子相关性与降维背景介绍 :
因子降维方法与模型表现对比 :
| 方法 | IC (Pearson) | ICIR (Pearson) | 胜率 | 多空收益率 |
|---|---|---|---|---|
| 降维前 | 0.087 | 3.195 | 86.4% | 3.05% |
| 类别内选最强(未正交) | 0.098 | 3.346 | 83.5% | 3.62% |
| 类别内选最强(改进,正交) | 0.102 | 3.519 | 87.4% | 3.78% |
| 类别内选股效果加权 | 0.095 | 3.174 | 81.6% | 3.43% |
| 类别内选股效果加权改进 | 0.100 | 3.369 | 84.5% | 3.59% |
| PCA降维 | 0.094 | 3.148 | 80.6% | 3.43% |
| PCA降维改进 | 0.094 | 3.129 | 80.6% | 3.37% |
各类别因子降维权重特点总结 :
量化因子构建、回测与模型优化 :
不同降维方法模型表现及优劣对比 :
风险提示及未来展望 :
本报告由海通证券研究所金融工程研究团队编制,撰写团队包括冯佳睿等,发布时间未明确具体日期,但回测数据至2017年7月31日。报告主题聚焦多因子选股因子的降维研究,探讨因子降维技术在股票多因子模型构建与选股策略中的实证表现。报告核心论点是随着因子库规模不断扩大,因子间高度相关导致模型构建和因子正交困难,因而应用降维技术成为解决多因子模型效率与效果的关键方法。本报告实验并对比了多种基于因子选股能力(以IC为指标)的降维策略,并探讨改进方式。最终结论指出,基于IC最高选取和IC加权的降维方法优于基于PCA的降维方法,且改进版本均表现优于原始版本,体现了降维对优化因子模型表现的有效性及重要性。
报告首先指出,随着因子数量增多,因子间相关性显著,尤其逻辑相近因子相关极高(如盈利类因子相关性均值超过0.5甚至0.8以上)。高相关性带来的问题包括正交困难以及信息重复。针对这一问题,报告提出基于降维思想——通过赋予高相关因子降维权重并加权计算复合因子。具体方法基于类别内因子分组(如市值、成长等)进行降维。
关键假设在于:因子选股能力可用信息比率(IC)有效度量,因而不同类别降维权重基于IC值分配。报告列出三种主要降维方法:
报告中公式定义了降维因子i通过子因子Πki与对应权重wki构建。
报告还通过表1展示了2009年1月至2017年7月间各类因子截面线性相关性的均值,突出显示同类别因子相关性明显高于不同类别事实,强化降维必要.
本章划分为多个子节,分别对上述三种降维技术及其改进方法的降维前后模型表现做详细比对。
表2详细列举因子库构成及计算方法,包括市值、换手率、反转、估值、成长、盈利、偿付能力等类别及其代表因子,数据区间为2008年12月31日至2017年7月31日,剔除ST股、停牌股及上市不足6个月的股票,保证回测的有效性及逻辑一致性。回测采用最大化复合因子的单期IC方法优化因子权重,未降维模型保持因子原始数量未做正交,降维后模型先降维再做因子正交,体现了降维的实用价值.
具体实现为计算类别内因子的24个月IC均值,选出绝对值最大的因子,赋权1,其余0。表3显示该方法降维后模型的Pearson IC由0.087提升至0.098,Spearman IC由0.107提升至0.119,同时ICIR、因子胜率、多空收益均有所改善。特别多空收益率从3.05%增长到3.62%,多头收益率提升明显,显示降维后提高了多头建仓准确度。权重分配表4显示不同类别选出的关键因子不完全相同,如换手率中1M与6M换手率频繁选出,反转类因子以1M、3M反转为主,估值以PB、PS为代表,成长因子则均衡分布。这体现了因子选股效力的时变性和类别内多样性.
考虑到类别间因子存在相关性,改进方案先对因子做正交处理,再计算IC并进行选取。同样以24个月IC均值电子完成回测,如表5所示,降维后模型表现进一步提升,Pearson IC达到0.102,Spearman IC达到0.123,ICIR、胜率及多空收益均优于未改进版本。权重分配显示更明确的偏好,如流动性指标首选1M换手率,估值选择频繁变化但优先PE、PB等因子,成长和盈利指标权重趋于集中。这证明正交减轻了类别间交叉信息影响,提升了权重的代表性和模型表达能力.
相较于单一IC最高选取,此方法基于因子IC均值比例式加权形成复合因子,改进版本同样先对因子做正交,再加权计算。表7和表9分别展示这两种方法的不同时期模型表现,对比显示均带来降维后IC与ICIR提升,改进后效果更明显,尤其胜率与显著比例均有所改善。值得注意的是,多空收益改善主要源于多头收益的提升,而空头收益的改进效果相对有限。权重分配细节(表8及其他)表明,流动性类因子1个月换手率权重始终居高不下,反转类因子在不同年份权重分配重心有变动,估值类因子PB和PS及成长类指标依然保持影响力.
采用PCA对因子IC序列降维,选取第一主成分权重作为因子降维权重。改进版本先做正交再实施PCA。表11和表13展示结果,PCA及其改进版本的IC提升幅度相对小,部分指标甚至出现轻微下降,且因子ICIR有所回落。权重分配较为均匀,缺乏明显代表性因子,可能导致降维后因子失去类别内代表信息的集约性。改进后正交PCA版本还出现了降维后模型表现的轻微走弱现象,说明降维方法选择需谨慎.
表15和表16总结了所有降维方法及其改进版本的整体性能对比。发现:
具体从各因子类别角度,“类别内正交IC最高”法在换手率、特异度、盈利能力及偿付能力类因子表现提升明显,但反转、估值、成长类稍有折损。加权法则对成长、偿付能力提升较全,PCA法表现欠佳。
总体结论建议投资者优先采用“类别内正交IC最高降维”方法,其次考虑“类别内正交IC加权”,而减少对PCA方法依赖。
本报告表格众多,核心内容均以数据表形式呈现选股因子降维方法效果回测表现,值得重点解读:
本报告聚焦于多因子选股模型的因子降维技术,没有直接涉及上市公司估值分析或资产定价模型的估值逻辑,故该部分不适用。
报告第5章明示策略面临的主要风险:
报告未对具体应对策略做深度阐述,也未量化各风险发生概率,仅做一般性提示,提醒读者投资需谨慎.
本报告系统深入探讨了多因子选股模型中因子降维技术的多种方法及其实际应用表现。首先,通过实证展示选股因子内部高度相关性,揭示无线正交的操作难度和信息重复带来的问题,提出降维作为整合信息和调节相关性的重要途径。
具体来看,三大主要降维方法(最高IC选取、IC加权、PCA)及其改进版本均进行了详尽回测分析。结果显示:
整体而言,报告为投资者提供了一套科学系统的因子降维框架及优化技巧,实现多因子模型表达优化和选股能力提升。报告丰富的表格数据与回测结果为策略研发提供了强有力的经验支持和量化指引,具有较高的参考价值和实用意义.
以表3为例:
| 类型 | IC (Pearson) | ICIR | 胜率 | 显著比例 | 多空收益 | 多头收益 | 空头收益 |
|---|---|---|---|---|---|---|---|
| 降维前 | 0.087 | 3.195 | 86.4% | 68.9% | 3.05% | 1.55% | -1.50% |
| 降维后 | 0.098 | 3.346 | 83.5% | 72.8% | 3.62% | 2.03% | -1.59% |
该表显示明确的指标提升,合理支持报告提出的相关结论。
整体而言,本报告系统阐述了因子降维的必要性,细致比较了多种因子降维方案的优劣,基于丰富的历史数据和科学的指标评价体系,实践指导意义强烈。通过明晰的分类策略和权重分配方案,用户可更有效地构建因子模型以提升投资决策的准确度和收益表现。同时,报告谨慎指出市场风险,体现了专业的风险意识。
本报告可为金融工程师、量化分析师,以及资产管理机构提供宝贵的因子降维及多因子选股模型构建参考,促进定量投资策略的科学发展和应用优化。
【备注:所有数据、论断均来源于报告内容,页码标注严格对应,便于后续溯源】
海通选股因子系列研究29:底层因子降维方法对比.pdf